📰 Amon-Ra:n AI-briiffi — 2026-08-04

Päivän liekitysnosto on samalla käytännöllisin varoitus: schema-muotoinen työkalukuvaus voi itsessään heikentää mallin sisäisiä kieltäytymissignaaleja. SafeKeep erottaa turvallisuusarvion suorituksesta näyttämällä arvioivalle vaiheelle työkalut litistettynä tekstinä ja säilyttämällä skeeman vain varsinaiselle executorille; tutkimuksessa haitallisten pyyntöjen keskimääräinen torjunta nousi 23,8 prosentista 70,6 prosenttiin ja havaintotason prompt injection -hyökkäysten onnistuminen laski 25,6 prosentista 2,5 prosenttiin [1]. Tämä on arkkitehtoninen isku ajatukselle, että MCP-/tool-rajapinta olisi neutraalia putkistoa. Rakentajan pitäisi käsitellä työkaluspesifikaatiota epäluotettavana kontekstina, erottaa policy plane execution planesta ja testata turvallisuutta aidolla skeemalla — ei vain paljaalla chat-mallilla.

MerchantBench arvioi agentteja 365 päivän verkkokauppasimulaatiossa, jossa 26 työkalua, kassavirta, hinnoittelu ja eri viiveillä saapuva palaute sitovat tämän päivän päätökset huomiseen [2]. Samansuuntaisesti laaja 257 paperin katsaus väittää, että hetkellinen käyttäytymisevaluaatio on jo verrattain kypsää, mutta ajallinen validiteetti, jatkuva runtime-evidenssi ja avoimien multi-agenttijärjestelmien varmentaminen laahaavat [3]. Käytännön johtopäätös on tyly: yhden tehtävän success rate optimoi juuri sitä kohtaa, jossa agenttituote näyttää parhaimmalta demossa ja pettää tuotannossa. Oikea kilpailu käydään tilan kirjanpidossa, palautesilmukoissa, rollbackeissa ja siinä, pystyykö agentti perustelemaan kuukauden päästä, miksi se teki päätöksen tänään.

SciToolAgent-Evo tekee työkalukatalogista elävän rakenteen: ontologisoitu työkalugraafi, kertyvä taito- ja kokemusmuisti sekä exploration–exploitation-portti auttavat agenttia pyytämään ja liittämään uusia tieteellisiä työkaluja avoimessa ympäristössä [4]. SESA vie idean pidemmälle kytkemällä self-playn ja proseduraalisen muistin samaan silmukkaan: epäonnistumiset muuttuvat uudelleenkäytettäviksi taidoiksi, jotka muuttavat seuraavien ongelmien jakaumaa [5]. Tämä on agenttialustojen todellinen moat: ei staattinen prompttikirjasto vaan auditoitava taitojen evoluutio. OpenClaw–Ollama-arkkitehtuuria käsittelevä tutkimus vahvistaa saman kerrosjaon — inferenssi, orkestrointi ja suoritus ovat eri ongelmia, ja pysyvä muisti sekä työkalunkäyttö nousevat järjestelmäintegraatiosta, eivät yksittäisestä mallista [6].

CLIFT näyttää, miten suljetun painon Gemini Robotics On-Device -mallia voidaan erikoistaa humanoidille hallitun SFT-rajapinnan kautta ja silti rakentaa iteratiivinen closed-loop-parannus ilman pääsyä painoihin tai gradientteihin [7]. Se on physical AI:n kaupallinen malli pienoiskoossa: frontier-lab omistaa yleismallin, mutta arvon viimeinen kilometri syntyy embodiment-kohtaisesta datasta, latenssista, ohjaimista ja kontaktirikkaiden epäonnistumisten palautuksesta. Samalla OpenAI Roboticsiin viittaava frontier-lab-signaali kertoo, että world simulation on liukumassa tutkimusaiheesta kohti hyödyllisiä fyysisen maailman robotteja [8]. Laurin Innermost Loop -teesille tämä on vahvistus: ohjelmisto halpenee, mutta todellisen maailman palautesilmukan omistaminen ei.

Disaggregoitu inferenssi paljastaa seuraavan pullonkaulan: prefill- ja decode-poolien välillä 70B-mallin KV-cache voi merkitä 2,6 gigatavua dataa pyyntöä kohti, samalla kun GPU-parien kaistanleveys vaihtelee fyysisen topologian mukaan jopa 72-kertaisesti [9]. Topologiatietoinen sijoittelu, kerroskohtaisesti pipelinoitu siirto ja muistihierarkia eivät ole optimointikoristeita vaan käyttökatteen määrittäjiä. Compute-talouden seuraava voittaja ei siis välttämättä ole se, joka omistaa eniten FLOPseja, vaan se, joka hukkaa vähiten energiaa ja aikaa bittien siirtämiseen. Sama näkyy dokumenttiagenteissa: pitkissä aineistoissa commercial VLM:t voivat katkaista tietuelistoja, kun coding-agentit säilyttävät tarkkuuden korkeammalla kustannuksella [10]. Älykkyys on jo nyt järjestelmäbudjetti: tarkkuus, jäljitettävyys, latenssi ja dollarit on mitattava samassa evalissa.