12. July 2026
Kanselleringen av Apples selvkjørende bilprosjekt, "Project Titan", ble av mange sett på som en gigantisk og kostbar fiasko. Men ferske avsløringer viser at de ti årene med utvikling etterlater seg en uvurderlig arv: Apples ekstremt kraftige AI-brikker. Da Apple innså hvor enorm regnekraft som krevdes for å styre en bil i sanntid, begynte brikke-designerne deres å utvikle det som i dag har blitt til de kraftige M-Ultra-prosessorene, spekket med dedikerte "Neural Engines".
Bakgrunnen er klassisk teknologisk biprodukt-synergi. For å prosessere kameradata, radar og komplekse kjørebeslutninger på millisekunder uten å tømme bilbatteriet, måtte Apple tenke helt nytt rundt energieffektiv brikkearkitektur. Da bilprosjektet til slutt ble parkert for godt, ble denne teknologien i stedet overført direkte til selskapets forbrukerteknologi, noe som har gitt dagens Mac-er og iPad-er et voldsomt forsprang på lokal kjøring av store språkmodeller.
For selskaper som utvikler sensitive AI-løsninger – for eksempel innen helseteknologi eller konfidensiell finansanalyse der data ikke kan forlate det lokale nettverket – betyr denne maskinvare-arven at dere nå kan kjøre avanserte modeller lokalt på kontoret uten å investere i svindyre skytjenester eller tunge serverparker. Det som startet som et forsøk på å bygge en bil, har i praksis demokratisert tilgangen til lokal superdatabehandling for mindre utviklerteam og nisjeaktører. Les hele saken hos The Verge.
Vi beveger oss raskt fra enkle chat-roboter til autonome AI-agenter som kan ta beslutninger, sende e-poster og oppdatere databaser på egen hånd. Men hvordan sikrer vi at disse agentene ikke løper løpsk? Begrepet "Agent Harness Engineering" (eller seletøy-utvikling for AI) har raskt blitt et av de viktigste feltene innen systemutvikling. Det handler om å bygge de nødvendige rammene, begrensningene og sikkerhetsnettene rundt en autonom agent før den slippes løs på reelle forretningsdata.
Tradisjonell programvare følger faste regler, men AI-agenter basert på språkmodeller er fundamentalt uforutsigbare. Uten et "seletøy" – som begrenser hva agenten kan gjøre, overvåker handlingene i sanntid og krever menneskelig godkjenning for kritiske handlinger – risikerer man at en AI gjør kostbare feil, som å slette feil kundedata eller sende feilaktige tilbud til kunder.
Virksomheter som planlegger å rulle ut agenter for å automatisere kundeservice, ordrebehandling eller logistikk, må prioritere dette rammeverket umiddelbart. Før dere lar en AI-agent interagere direkte med kunder eller interne systemer, må IT-avdelingen implementere strenge testmiljøer og klare grenser for agentens fullmakter. Det handler om å balansere effektiviteten til autonom teknologi med streng risikostyring. Les mer om arkitekturen bak hos Addy Osmani.
Trafikkaos og kø koster transportsektoren milliarder av kroner årlig i tapt tid og økt drivstofforbruk. Google Research har nå lagt frem en ny tilnærming der AI og koordinert datadeling brukes til å optimalisere trafikkflyten på tvers av hele logistikknettverk. Ved å gå bort fra at hvert enkelt kjøretøy kun tenker på sin egen raskeste rute, viser forskningen hvordan kollektiv ruteoptimalisering drastisk kan redusere flaskehalser i storbyer.
Tradisjonelle GPS-systemer fungerer egoistisk: alle biler blir dirigert til den samme "smarte" omveien, noe som bare flytter køen til et nytt sted. Googles nye AI-modeller simulerer og koordinerer rutevalg på et systemnivå, slik at trafikkstrømmene distribueres mer jevnt utover hele veinettet i sanntid basert på samarbeidende algoritmer.
For transportselskaper, budtjenester og tungtransportaktører som kjemper mot tette tidsmarginer og strenge utslippskrav, vil denne typen systemkoordinering kunne revolusjonere flåtestyringen. Ved å integrere flåtene i samarbeidende AI-systemer fremfor å stole blindt på standard navigasjon, kan man oppnå betydelige reduksjoner i tomgangstid, drivstoffkostnader og slitasje på materiell. Les om teknologien bak hos Google Research.