Ha azt hitted, hogy Meta csak a közösségi appokban erős, érdemes ránézni, mi történik a színfalak mögött az AI-fronton. Egy év „háborús üzemmód” után megérkezett a Muse Spark – és ez már nem pusztán belső kísérletnek tűnik.

Mi történt

Mark Zuckerberg nagyjából egy éve Alexandr Wangra bízta, hogy felpörgesse Meta mesterségesintelligencia-fejlesztéseit. Wang akkor 28 éves start-up alapító volt, nem pedig klasszikus értelemben vett, évtizedek óta publikáló akadémiai AI-kutató. A döntés lényege: külsős szemlélet, nagyobb tempó, agresszívebb végrehajtás – olyan, mintha egy nagyvállalati gépezetbe egy „startup-üzemmódot” próbálnál beépíteni.

Az elmúlt 12 hónapban Wang egy elit kutatócsapatot épített fel, a beszámolók alapján kiemelkedő (többmillió dolláros) kompenzációval, és több ponton átszabta a cég AI-szervezetének működését. A belső politikai súlyát jelzi, hogy Zuckerberg mellett ő volt az egyetlen Meta-vezető, aki egy, a Fehér Házban tartott vacsorán vett részt a Szilícium-völgy prominenseivel.

Áprilisban Meta kiadta a Muse Sparkot, az első nagyobb modellt, amely Wang titkosabb kutatócsoportjából, a TBD Labból érkezett. A modell publikálása a cég AI-újjáépítésének első kézzelfogható, kívülről is értelmezhető eredménye.

Miért fontos

A „modell” itt egy betanított AI-rendszert jelent, ami mintázatokat tanul adatokból, majd ezek alapján képes új tartalmat generálni vagy feladatokat megoldani. Gondolj rá úgy, mint egy nagyon nagyra nőtt automatikus kiegészítőre: nem „érti” a világot emberi módon, de statisztikai alapon meglepően hasznos válaszokat tud adni.

Meta számára a Muse Spark azért kulcs, mert jelzi: a cég nem csak szervezeti átalakítást kommunikál, hanem ténylegesen képes új, jelentős modellt szállítani. A nagy versenyben (OpenAI, Google, Anthropic) a lemaradást nem PR-ral, hanem iterációval lehet csökkenteni: jobb modellek, gyorsabb fejlesztési ciklus, és olyan csapat, amelyik nem akad el a nagyvállalati döntési rétegekben.

Mire figyelj

  1. A következő modellek üteme és minősége: a Muse Spark önmagában inkább „bizonyíték a haladásra”. Az igazi kérdés, hogy a következő hónapokban érkező utódmodellek mennyire zárják a rést a piacvezetőkkel.
  2. A TBD Lab szerepe: ha a laborszintű, zártabb fejlesztés beválik, Meta valószínűleg tovább centralizálja a csúcskutatást, és erre építi a termékesítést.
  3. Vezetés és hitelesség: a külsős, fiatal vezetői megközelítés gyorsíthat, de kockázat is—különösen akkor, ha a kutatási kihívások vagy a belső érdekellentétek lassítják a végrehajtást.

Az Ars Technica által idézett Russ Salakhutdinov (Carnegie Mellon, Meta korábbi AI-kutatási alelnöke) értékelése alapján a tempó kifejezetten meggyőző, és Wang egyik erőssége, hogy felismeri a saját tudáshiányait, miközben képes meghallgatni a tapasztalt kutatókat—ez a kombináció ritka a Big Tech felsővezetésében is.