17. June 2026
Du har sikkert merket at generative AI-modeller er litt som den kollegaen som snakker med enorm selvtillit, selv når de tar fullstendig feil. Pramaana Labs har nettopp sikret 27 millioner dollar i en tidlig finansieringsrunde ledet av Khosla Ventures for å løse akkurat dette problemet. Selskapet fokuserer på såkalt "formell verifisering" av AI, en metode som bruker streng matematikk for å bevise at en algoritme faktisk oppfører seg nøyaktig slik den skal.
Bakgrunnen er den økende frustrasjonen i næringslivet over KI-modellers tendens til å hallusinere eller ta uforutsigbare snarveier. Mens en feilprosent på fem prosent er til å leve med når man genererer markedsføringstekster, er det fullstendig uakseptabelt i kritiske bransjer som juss, medisinutvikling og skatteberegning. Pramaana forsøker å bygge et matematisk sikkerhetsnett rundt modellene slik at de kan brukes i produksjon uten at menneskelige kontrollører må trippelsjekke hvert eneste tegn.
For selskaper som opererer i strengt regulerte sektorer eller håndterer sensitiv rådgivning, åpner denne teknologien opp for neste bølge av automatisering. Compliance-direktører og risikoanalytikere kan snart puste lettere ut; i stedet for å stole på "sannsynligheten" for at en KI gjør jobben riktig, kan man få matematiske garantier. Dette baner vei for helautomatiske prosesser innen alt fra kontraktsanalyse til farmasøytisk screening, uten frykt for kostbare regulatoriske smeller. Les mer hos TechCrunch.
Det er lett å glemme at roboter ikke bare trenger en digital hjerne; de må også lære seg hvordan den fysiske verden fungerer. AI-laboratorier har nå begynt å betale oppstartsselskapet XDOF for å samle inn ekte treningsdata fra fysiske miljøer. Mens språkmodeller har blitt trent på milliarder av tekstsider fra internett, finnes det ingen tilsvarende database for hvordan man plukker opp en glatt gjenstand eller rydder i en uoversiktlig hylle.
XDOF spesialiserer seg på det lite glamorøse arbeidet med å rigge opp kameraer, sensorer og roboter i reelle situasjoner for å fange opp alle de små nyansene i fysisk interaksjon. Hvis den fysiske kunstige intelligensen skal klare å matche de enorme fremskrittene vi har sett på tekst og bilde, er denne typen høykvalitets bevegelsesdata helt kritisk. Uten dataene blir robotene stående fast på stadiet der de kun klarer repeterende oppgaver i sterile fabrikkhaller.
For ledere innen logistikk, varehandel og produksjonsbedrifter som drømmer om mer fleksibel automatisering på lageret, viser dette hvor den teknologiske flaskehalsen ligger akkurat nå. Det er ikke lenger maskinvaren det står på, men mangelen på data som lærer robotene sunn fornuft i møte med fysiske hindringer. Selskaper som tidlig klarer å strukturere og digitalisere sine egne fysiske arbeidsprosesser, vil sitte på gull verdt i form av proprietære datasett som kan brukes til å trene skreddersydde robothjelpere. Les mer hos TechCrunch.
Googles medisinske samtalemodell, AMIE (Articulate Medical Intelligence Explorer), har passert en milepæl. Ny forskning publisert i det prestisjetunge tidsskriftet Nature viser at denne AI-en nå presterer på linje med fastleger når det gjelder å diagnostisere og foreslå behandling for komplekse medisinske tilstander under simulerte konsultasjoner.
Tradisjonelt har AI i helsesektoren vært god på spesifikke bildeanalyser, som å oppdage kreft på røntgenbilder. AMIE tar derimot tak i selve kjerneaktiviteten til en lege: dialogen med pasienten, evnen til å stille oppfølgingsspørsmål, og tolking av sammensatte symptomer over tid. Studien viser at modellen ikke bare var medisinsk treffsikker, men at simulerte pasienter ofte opplevde KI-en som mer empatisk og forklarende enn sine menneskelige motparter.
For ledere i helseforetak og private helsetjenester som sliter med fastlegemangel og lange ventetider, tegner dette et bilde av en mer effektiv fremtid. Teknologien kan fungere som en avansert triageringstjeneste som forbereder pasientmøter, eller som en klinisk sparringspartner som kvalitetssikrer legens vurderinger i sanntid. Det handler ikke om å erstatte det varme menneskelige møtet, men om å frigjøre kritisk tid slik at legene faktisk får tid til å være leger. Les mer hos Google Research.