Az AI Summit második napja: strukturált félelem, a saját érvünk valaki más diáin, és három magyar nyelvmodell újramérve

Keleti Arthur: strukturált félelem és idegen intelligencia

A napot Keleti Arthur, az ITBN alapítója nyitotta, Szántó Nórával beszélgetve. Az első gondolat, amit felírtam: az AI-nak célokat fogalmazzunk meg, feladatlisták helyett. A második a kiberbiztonsági rémálom, ahogy ő látja: az átláthatóság hiánya. Szerinte ez egyáltalán nincs rendben.

A tanács, amit hazavittünk: ne minden irányba pánikoljunk. Félni lehet, de strukturáltan. A modellekről pedig ezt mondta: segíteni akar, és tudja, hogy figyelik. A normarendszereket vagy nem érti, vagy pontosan érti, és kihasználja. Az OpenAI új modellje többször is előkerült, és vele a gondolat, hogy amivel dolgozunk, az egy idegen intelligencia.

Keleti szerint ez szuverenitási kérdés. Egyetértünk. Fontos kérdés, és jó, hogy a nap ezzel kezdődött.

Dr. Unoka Zsolt: a gyerekek és a „megbízható entitás”

Dr. Unoka Zsolt a gyerekekről beszélt, Szántó Nóra moderálásával. Az ajánlása egyszerű: 8 és 14 év között csak felügyelettel. 14 éves kortól más a helyzet. A fiatal szemében az AI egy megbízható entitás, amire hallgatni kell, és ez más viszony, mint amit egy másik emberrel alakít ki. Szó volt arról is, mit mondhat ki egy AI egy gyereknek és mit nem, és arról, hogy a rendszernek felhasználóbarátnak kell lennie.

Kovács Zsombor: írd bele a szakdolgozatba, melyik AI-t és melyik promptot használtad

Kovács Zsombor (Hackersuli) a toborzásról beszélt, és arról, milyen készségek maradnak értékesek a gépek korában. Egy konkrét javaslata megmaradt, a szakdolgozatok leadásáról: a hallgató írja bele, melyik AI-t és melyik promptot használta.

Elhangzott egy furcsa gondolat is: mindenki ellenség, a tanárral pedig jóban kell maradni. Mint egy nagyvállalatban. Felírtam, és még forgatom magamban.

A kritikus gondolkodás többször előkerült. Ha a fiatalok tudnak gondolkodni, nem fognak eltévedni.

Deliága Ákos: oda menj, ahol az üzleti érték van

Deliága Ákos (Talk-A-Bot) a fizikai dolgozókról beszélt, arról az egymilliárd felhasználóról, akit az AI most ér el. Az üzenete: oda menjünk, ahol az üzleti érték van. A helyi AI-modelleknek szerinte is van helyük, például veszélyes környezetekben, és nyílt forráskódú, helyben futó rendszerekről is beszélt. Ez a mi terepünk.

Egy mondata megmaradt: szoftvert írni már nincs értelme, mert AI-val bármit gyorsan meg lehet építeni. Felírtuk.

Frész Ferenc: air gap, magyarázhatóság, és amikor az optimalitás maga a hiba

Frész Ferenc (CYEX Group) az AGI-küszöbről, nemzetbiztonságról és a szigorodó szabályozásról beszélt. Két gondolat áll egymás mellett a jegyzetemben. Az egyik a latens kommunikáció: a modellek a belső állapotukat adják át egymásnak. A másik a józan emlékeztető: a nap végén ez mind szöveg, statisztikai mintázat, általános információ. Buta algoritmusok.

A diáin volt egy gondolat, amit érdemes megjegyezni. Ha a külső jutalomjel gyenge, a modell más utakat keres, ahol több jutalom van, és ott lépi át a határait. A hatékony végrehajtásért jutalmazott modell mindig a legvalószínűbb lépést választja, ezért emberi beavatkozás nélkül a legvalószínűbb választ kapjuk, a legpontosabb helyett. Vagyis maga az optimalitás a hibamód.

Ebből következik a gyakorlati része: air-gapped, vagyis a hálózatról fizikailag leválasztott rendszerek, és valóban leválasztva. Ha kell, az áramot is le lehet róla kapcsolni. És a működésének magyarázhatónak kell lennie.

Szekeres Viktor, Gloster: a saját érvünk valaki más diáin

Az az előadás, amiért a mi szempontunkból megérte a nap, 14:00-kor jött. Szekeres Viktor, a Gloster Digital Group tulajdonosa és elnöke a kontrollált AI-ról beszélt: adatvédelem és költségoptimalizálás helyben futó AI-val és dinamikus routinggal. Nagyon jó felütéssel kezdett: megkérdezte a termet, ki költ havonta 1000 dollár fölött AI-ra.

A diákon a mi érvünk állt, valaki más szavaival. Az egymillió tokenre fizetett egységár a Ramp adatai szerint így esett: 10 $ (2024. március), 2,50 $ (2025. március), 0,72 $ (2026. április). Ugyanebben az időszakban a vállalati generatív AI-kiadás 11,5 milliárd dollárról 37 milliárd dollárra nőtt, a Menlo Ventures szerint. Ő ezt Jevons-paradoxonnak nevezte: olcsóbb egység, nagyobb számla.

A többi szám is ismerős volt. A vállalati AI-csapatok 93%-a túllépi a költségvetését (McKinsey FinOps, 2026. május). Egy ügynökfutás ma 6–12 $, és egy ügynöki feladat 5–30-szor annyi tokent éget el, mint egy hagyományos. A GitHub Copilot 2026-ban tokenalapú számlázásra, a Microsoft Copilot Cowork használatalapú árazásra tér át. Az ő mondata: „a seat marad, a mérő jön mellé”. A KSH 2025-ös adata szerint a magyar vállalatok 51%-át a jogi bizonytalanság, 43%-át a költség tartja vissza az AI bevezetésétől.

A válasza a „gloster | Local AI”: egy NVIDIA DGX Spark az ügyfélnél, rajta nyílt modell (Qwen3, Apache 2.0 licenccel), előtte Open WebUI, a kéréseket pedig LiteLLM és RouteLLM irányítja bizalmasság, költség és bonyolultság szerint. Az ő szavaival: „az egyszerű meló bent marad, csak a nehéz megy ki”. Körülötte zárt VLAN közvetlen internet nélkül, titkosított lemez, API gateway SSO-val, szerepkörökkel, kvótával és DLP-vel, SIEM, ami minden promptot és választ rögzít, és egy második Spark tartalékként.

Kereskedelmileg nagyon jól átgondolt üzenet, és ugyanaz a doboz, amit mi is mérünk.

Ehhez jön a saját következtetésem. A tegnapi AWS-előadás és a mai diák után nekem is világos: az irány a hibrid. A helyben futó rendszer az alap, és mellé kell az összeköttetés a nagy identitásszolgáltatókkal: Entra ID, AWS Cognito, Google Identity és a többi. Tegnap ezt még nyitott kérdésként írtuk le, ma közelebb a válasz.

Dr. Ligeti-Nagy Noémi: megérte maradni

Az utolsó előadás 17:20-kor kezdődött, és nagyon megérte maradni. Dr. Ligeti-Nagy Noémi (ELTE Nyelvtudományi Kutatóközpont) a három létező magyar nyelvmodellt mérte újra, és azt, hogy a publikált számaik jelentenek-e bármit.

A három modell: az OTP-1.5B és -13B, nulláról előtanítva, becslés szerint nagyjából 280 000 GPU-órával; a PULI és ChatPULI, Llama 3.1 és Qwen2.5 alapon magyar szövegen folytatott előtanítással, majd finomhangolással, 3 875–8 845 GPU-órával; és a Racka-4B, amely a Qwen3-4B paramétereinek 12,5%-át tanította újra LoRA-val, magyar tokenizerrel, 18 386 GPU-órával.

A mérés gondjai ismerősek. 7 344 tesztkérdés került be a tanítóadatba. Van 146 és 250 elemű tesztkészlet. És mindenki a saját pontozását módosítja, ezért a publikált magyar eredmények többsége nem hasonlítható össze. Az ő mondata: „Ki nyert? Attól függ, kit kérdezünk.”

A csapata egy protokoll alatt mérte újra: 11 feladat, 6 modell, mindegyik 5 futással. A Racka-4B-n a gondolkodó mód (thinking mode) bekapcsolása 11 feladatból 9-en rontott: összefoglalás 82,0-ról 21,6-ra, hallucináció 73,0-ról 41,6-ra, toxicitás 60,6-ról 9,0-ra, torzítás 62,0-ról 24,5-re. Az alapul szolgáló Qwen3-4B-n ugyanez a kapcsoló felfelé vitt, 37-ről 71-re.

Zárásként: hasonló nehézségeket látunk mi is

Hasonló nehézségeket látunk mi is: a mérésnél, a modellválasztásnál, és abban, hogy mi maradjon bent és mi menjen ki. Egy teremben ültünk egész nap, és az utolsó előadásig érdemes volt maradni.