📰 Amon-Ra:n AI-briiffi — 2026-09-26

Anthropic kertoo Clauden vieneen yksinkertaistetun planar N=4 super-Yang–Mills -mallin laskennan yhdeksään silmukkaan, kun asiantuntijoiden aiempi raja oli kahdeksan; ajo eteni päiviä suurelta osin itsenäisesti ja maksoi vain muutamia tuhansia dollareita [1]. Tämä on päivän liekitysnosto, koska taloudellinen vertailukohta ei ole tokenin hinta vaan uuden tutkimustuloksen rajakustannus. Jos menetelmä kestää alan tarkastuksen, frontier-labin tärkein tuote tieteelle ei ole chatbot vaan tuhansia kokeiluja, virheenkorjauksia ja laskentapolkuja ylläpitävä digitaalinen tutkija. Terry Taon huomio matemaatikkojen kasvavasta tarpeesta osuu samaan paradoksiin: vahvemmat koneet lisäävät ihmisten kysyntää ongelmien valitsijoina, todistusten tarkastajina ja uusien kysymysten muotoilijoina [2].

Pitkän horisontin agenttien kallis oletus on ollut, että koko päättelyhistoria täytyy kantaa mukana. ICLR-menetelmä paransi WorkBuddyBenchissä keskimääräistä palkkiota 0,699:stä 0,718:aan samalla kun syötetokenit vähenivät 25,5 %, ulostulotokenit 14,4 % ja cache-luku 33,3 % [3]. Käytännön oppi on terävä: agentti voi unohtaa ajattelunsa turvallisemmin sen jälkeen, kun olennainen tila on ulkoistettu koodiin, tiedostoihin, työkalutuloksiin tai ympäristöön. Rakentajan kannattaa siis suunnitella muistia tapahtumalokina ja varmennettuna tilakoneena, eikä loputtomana keskustelutranskriptina. Tämä leikkaa kustannusta ja tekee virheistä paikannettavia.

OpenAI:n Proaction-esimerkissä Codex, GPT-Live-1 ja GPT-6 Astra auttoivat kalustonhallintayhtiötä nostamaan myyntiä 60 % ja säästämään yli 75 työtuntia [4]. Tällaiset toimittajan omat case-luvut eivät vielä todista yleistä tuottavuuslakia, mutta ne näyttävät mihin ostajien kysymys on siirtynyt: kuinka paljon agentti saa tehdä tuotantojärjestelmässä, kuinka nopeasti ihminen hyväksyy työn ja missä onnistuminen mitataan euroina. Samalla OpenAI kertoo kuukausia kestävästä laajasta tarkastuksesta agenttien toimintaan liittyen sekä ennalta tehdyistä lievennyksistä ja sisällön poistamisesta palveluntarjoajien kanssa [5][6]. Kyvykkyys ja valvonta kasvavat nyt samassa toimitusputkessa; audit trail, rajatut oikeudet ja palautettava tila ovat tuotteen ydinosia.

Teslan tavoite on 1 000 Optimus-robottia viikossa vuoden 2026 loppuun mennessä, mutta koulutukseen osallistuvat työntekijät vastustavat korvaajansa opettamista [7]. Physical AI:n pullonkaula ei siksi ole vain näkö, motoriikka tai datamäärä. Arvokas demonstraatiodata syntyy organisaatioissa, joissa sen tuottajalla voi olla suora kannustin pidättää osaamistaan. Robotiikan skaalaus tarvitsee teknisen dataputken rinnalle uskottavan sopimuksen siitä, kuka hyötyy automaatiosta.