OpenAI: Lyd, læring og juridiske slagsmål

OpenAI fortsætter sin aggressive udvikling af AI-platformen. Selskabet lancerede nye talegenkendelses- og talesyntesemodeller via sin API, som nu er tilgængelige for udviklere globalt. Ifølge OpenAI sætter de nye speech-to-text-modeller “en ny state-of-the-art standard” med højere nøjagtighed end eksisterende løsninger. Samtidig tilbyder de nye tekst-til-tale-stemmer mere udtryksfuld og naturlig levering – alt sammen rettet mod at bygge næste generations stemmeassistenter. Med disse opdateringer kan udviklere let integrere stemmestyring i deres apps, og OpenAI arbejder endda på at give mulighed for at bruge brugerens egne stemmer i fremtiden for mere personlige AI-oplevelser.

Parallelt dermed tog OpenAI et skridt mod mere avancerede “AI-agenter”. Firmaet introducerede nye værktøjer og API’er, der skal hjælpe udviklere med at bygge agent-systemer, som selvstændigt kan udføre opgaver på vegne af brugere. OpenAI definerer sådanne agenter som “systemer der selvstændigt udfører opgaver på vegne af brugerne”, men anerkender, at det hidtil har krævet meget manuelt prompt-arbejde og speciallogik at få LLM’er ud i virkelige arbejdsgange. For at afhjælpe dette lanceres nu en Agents SDK og en ny Responses API, der integrerer værktøjsbrug (som web-søgning, filhåndtering og computerkontrol) direkte i model-svarene. Dermed kan udviklere nemmere orkestrere multi-step handlinger og udnytte indbyggede værktøjer. Eksempelvis kan den nye platform slå op på nettet eller åbne filer som en indbygget del af AI-samtalen, uden at udvikleren selv skal kode hele logikken.

Mens OpenAI teknisk set er i førertrøjen, møder de også modstand uden for laboratoriet. I en opsigtsvækkende retssag forsøgte medstifter Elon Musk at få nedlagt forbud mod OpenAIs nuværende forretningsstruktur – angiveligt for at bremse selskabet – men en domstol afviste i starten af marts Musks begæring, idet han ikke “havde påvist sandsynlighed for at vinde sagen” og ligefrem afviste flere af Musks påstande som grundløse. OpenAI tolker afgørelsen som en klar sejr og et skridt mod at få afsluttet “denne latterlige retssag”. Sagen indgår i en bredere debat om AI-virksomheders hastige udvikling vs. kontrol, men foreløbig synes OpenAI’s kurs uforandret: de forbereder allerede næste model (GPT-4.5 er netop lanceret, og GPT-5 lurer i horisonten), udvider funktionalitet (som tale og værktøjsintegration) og navigerer det juridiske landskab undervejs.

Google: Gemini rykker fra skærmen til robotter og telefoner

Google DeepMind markerede sig med en række store nyheder omkring sin Gemini AI-platform. For det første trådte deres AI ud i den fysiske verden: DeepMind lancerede to nye Gemini 2.0-baserede robot-modeller, der skal give robotter menneskelignende forståelse og handlekraft. “Den første er Gemini Robotics, en avanceret vision-sprog-handling model bygget på Gemini 2.0… Den anden er Gemini Robotics-ER, en Gemini-model med avanceret rumlig forståelse”, forklarede Google DeepMind. Kort sagt kan Gemini Robotics direkte styre robotters bevægelser via AI-genererede handlinger, mens Robotics-ER giver udviklere mulighed for at anvende modellens embodied reasoning til deres egne robotprogrammer. Begge modeller har vist evnen til at lade forskellige robotter udføre langt mere komplekse opgaver i virkeligheden end hidtil muligt. Google afslørede også et nyt partnerskab med robotproducenten Apptronik for at udvikle næste generation af humanoide robotter drevet af Gemini 2.0. De første brugere tester allerede systemet, som DeepMind ser som et afgørende skridt mod AI, der ikke kun forstår tekst og billeder, men også kan handle sikkert i den fysiske verden.

Samtidig udbyggede Google Gemini sine kreative evner. En ny opdatering kaldet Gemini 2.0 Flash giver nu modellen mulighed for at generere billeder direkte ud fra tekst. Google har siden december testet denne funktion internt, men “i dag gør vi den tilgængelig for udviklere i alle regioner, der understøttes af Google AI Studio”, skrev Google i sin udmelding. Gemini 2.0 Flash kombinerer multimodal forståelse med stærk logisk ræsonnement for at skabe billeder ud fra beskrivelser. I praksis kan man f.eks. fortælle Gemini en historie, og den vil illustrere den løbende med konsistente figurer og scener; man kan endda bede modellen ændre stilen undervejs. Google fremhæver, at modellen benytter sin verdensviden til at lave korrekte og detaljerede illustrationer, fx til at visualisere en opskrift, og at den leverer billeder med høj tekst-gengivelse, så selv lange tekster i billedet står læseligt. Med Gemini Flash kan udviklere således få både tekst- og billedoutput fra én samlet model – noget Google håber vil åbne for helt nye typer applikationer.

Også for mobil- og forbrugerrettede AI-assistenter kom Google med nyt. Selskabet bekræftede, at Google Assistant på smartphones udfases og erstattes af den mere avancerede Gemini-assistent. “Over de kommende måneder opgraderer vi flere brugere fra Google Assistant til Gemini på mobile enheder”, annoncerede Google. Senere i år vil den “klassiske” Assistant-app endda blive lukket ned på de fleste enheder. I stedet satses fuldt ud på Gemini-appen, der allerede er lanceret i over 200 lande og på 40+ sprog. For at imødekomme de mange trofaste Assistant-brugere har Google tilføjet efterspurgte funktioner som musikafspilning, timer og stemmekommandoer på låseskærmen til Gemini. Men Gemini byder også på helt nye muligheder, der ikke fandtes i den gamle Assistant: Gemini Live muliggør frie, multimodale samtaler, og Deep Research-funktionen lader Gemini agere personlig forskningsassistent, der søger og sammenfatter information fra nettet. Disse funktioner – at se og forstå verden samt gennemsøge nettet i realtid – er “kun mulige med AI”, understreger Google. Udrulningen af Gemini på tværs af telefoner, tablets, biler og snart hjemmets højttalere og skærme viser, at Google satser på en fremtid, hvor en personlig AI-assistent er dybt integreret i alle enheder og kan håndtere langt mere komplekse opgaver end tidligere.

Endelig præsenterede Google en gave til udviklere og open-source-entusiaster: Gemma 3, en familie af letvægts open source modeller baseret på Gemini-teknologi. Ifølge Google er Gemma 3 “en samling af avancerede, bærbare open-modeller bygget på samme forskning som Gemini 2.0”, designet til at køre lokalt på alt fra telefoner til arbejdsstationer. Gemma 3-modellerne kommer i størrelser fra 1 til 27 milliarder parametre og støtter over 140 sprog, har 128k tokens kontekst og kan udføre avanceret tekst- og billedforståelse samt function calling. Google hævder, at Gemma 3 sætter ny standard i sin størrelseklasse og “overgår Llama3-405B, DeepSeek-V3 og o3-mini” på foreløbige benchmarks. De mindre Gemma-modeller er også tilgængelige i kvantiserede versioner for hurtigere inference. Med Gemma 3 under Apache-licens (åben kildekode) markerer Google et strategisk skifte mod at imødekomme den åbne AI-økosystem – med tunge downloads og et mylder af community-drevne varianter til følge (Gemma-familien er allerede downloadet over 100 millioner gange det første år, ifølge Google). Kort sagt cementerer Google sin AI-dominans på flere fronter: fra cloud-tjenester til edge-enheder og fra lukkede model-API’er til åbne udgivelser.

Anthropic: Claude går på nettet – og rejser milliarder

Anthropic, startup’en bag sprogmodellen Claude, har også haft en begivenhedsrig uge. Virksomheden udstyrede nu sin AI-assistent Claude med realtidssøgning på internettet, en feature brugerne længe har efterspurgt for at kunne få opdateret viden. “Anthropic annoncerede i dag, at deres AI-assistent Claude nu kan søge og indhente information fra internettet i realtid”, skrev VentureBeat i en nyhed den 20. marts. Dette bringer Claude på linje med OpenAI’s ChatGPT (der via Bing kan browse nettet) og eliminerer et tidligere handicap for Claude, som hidtil var begrænset til sit træningsdata-cutoff. Den nye web-søgningsfunktion er i første omgang rullet ud til betalende Claude-brugere i USA og forvandler assistenten fra et statisk opslagsværk til en dynamisk videnssøger. “Med websøgning har Claude adgang til de nyeste begivenheder og informationer, hvilket øger dens nøjagtighed i opgaver, der kræver friske data”, forklarede Anthropic – og understregede samtidig, at Claude nu giver direkte kildehenvisninger, så brugerne kan faktatjekke svarene. Dette fokus på transparente kildecitater ses som et svar på stigende bekymringer om AI-“hallucinationer” og misinformation.

Den nye funktion kom i kølvandet på en kæmpe kapitalindsprøjtning til Anthropic. For blot få uger siden lukkede startup’en en investeringsrunde på $3,5 milliarder og opnåede dermed en værdisætning på $61,5 mia. Blandt de tunge investorer er Google (som nu ejer ca. 14% af Anthropic) og Amazon – sidstnævnte integrerer ligefrem Claude i sin kommende Alexa+ assistent. Den enorme funding afspejler, hvor højindsatsen er i AI-kapløbet; Anthropic rundede endda $1 mia. i årlig omsætning ved udgangen af 2024, en tidobling fra året før, hvilket viser en eksplosiv efterspørgsel efter deres AI-løsninger. Pengene skal bruges til at øge beregningskraften, intensivere forskning og ekspandere globalt, ifølge selskabet.

Anthropic hviler da heller ikke på laurbærrene hvad angår produktudvikling. I februar lancerede de Claude 3.7 “Sonnet”, en ny version af modellen, som angiveligt sætter “et nyt højdepunkt inden for kodningsevner”. Claude 3.7 er den hidtil mest intelligente Claude-model og den første med såkaldt hybrid reasoning. Desuden kom en specialiseret Claude Code-assistent for programmører, hvilket understreger Anthropic’s fokus på at gøre AI’en dygtig til softwareudvikling – noget CEO Dario Amodei for nylig forudsagde vil transformere branchen, idet han estimerer at “om 3-6 måneder vil AI skrive 90% af al kode” i nye projekter.

Alt i alt markerer ugen et taktskifte for Anthropic: Claude går fra at være en isoleret, om end intelligent, chatbot til at blive en forbundet AI-assistent med kildekritik – præcis som konkurrenterne. Og med frisk kapital i ryggen og forbedrede modelversioner (samt en kontekstlængde på 100k+ tokens, som Claude allerede er kendt for), er Anthropic positioneret som en af OpenAI’s mest seriøse udfordrere i 2025.

Meta: AI-assistent på vej og 1 milliard downloads af Llama

Meta (Facebooks moderselskab) har længe gjort klar til at sætte sit præg på AI-fronten, og nu tegner strategien sig klarere. Ifølge oplysninger fra branchen agter Meta at lancere en selvstændig “Meta AI” chatbot-app i 2. kvartal 2025 for at tage kampen op mod ChatGPT og Claude. Meta AI-assistenten er allerede delvist integreret på tværs af Facebook, Instagram og WhatsApp, hvor den har nået 700 millioner månedlige brugere i form af indlejrede chatbots og personaer. Men ved at udskille den som en selvstændig app – formentlig med mulighed for et betalingsabonnement ligesom ChatGPT Plus – signalerer Meta et ønske om at blive en central spiller på det brede AI-marked. Trækket kommer i hælene på lignende initiativer fra konkurrenter: Googles Gemini-assistent udrulles som bekendt bredt på Android, og Elon Musks xAI har lanceret sin Grok-chatbot for udvalgte brugere. ChatGPT er stadig den mest downloadede AI-app globalt, men Meta håber med sit globale økosystem af brugere at kunne ændre den balance.

Meta’s største trumfkort er deres open-source baserede sprogmodel Llama, som i løbet af ugen nåede en bemærkelsesværdig milepæl. Meta annoncerede, at Llama-modellerne nu er downloadet over 1 milliard gange på tværs af brugere og udviklere. Til sammenligning lå tallet på 650 millioner så sent som i december 2024, så væksten er stejl. Denne udbredelse – fra uafhængige udviklere, der eksperimenterer med lokale Llama-varianter, til store virksomheder som Spotify og AT&T, der integrerer Llama i produktionen – understreger hvor stor indflydelse Metas model allerede har. Llama driver også Meta’s egne AI-funktioner; f.eks. er de AI-assistent-personaer, som Meta lancerede på sine sociale platforme sidste år, bygget på en Llama-model. Ifølge Meta er fremtidige opdateringer af Llama på vej, bl.a. med multimodale evner og forbedret ræsonnement, for at kunne konkurrere direkte med topmodeller som OpenAI’s GPT og kinesiske DeepSeek’s systemer.

Det er dog ikke uden bump på vejen, at Meta forfølger AI-drømmen. Selskabet står over for juridiske udfordringer – bl.a. en ophavsretssag om påstået uretmæssig brug af beskyttede bøger i Llamas træningsdata samt europæisk tilsyn af databeskyttelsen omkring deres AI. Samtidig stiger konkurrenternes pres; visse nye modeller har allerede overgået Llama i specifikke tests, hvilket har fået Meta til at nedsætte “war rooms” internt for at accelerere Llamas udvikling. Alligevel tyder alt på, at Meta dobbeltklikker på en åbent-orienteret AI-strategi – de har frigivet Llama 3 under en mere åben licens (dog stadig med visse kommercielle begrænsninger), hvilket har tiltrukket et levende community af bidragsydere. Med en milliard downloads og stor virksomhedstække har Llama allerede bevist sin værdi, og Meta’s kommende AI-app kan give forbrugerne en direkte smagsprøve på, hvad deres generative AI kan – gratis og i stor skala.

Åbne modeller og nye udfordrere: Mistral og Cohere viser muskler

Ud over Big Tech-giganterne spirer innovationen også hos mindre, åbne AI-aktører. Franske Mistral AI, der sidste år vakte opsigt med sin fuldt open source model Mistral 7B, fortsætter med hyppige forbedringer. I marts udgav de seneste version af deres “Mistral Small”-model – nu i v3.1 – og dokumentationen beskriver den som “en ny førende model i kategorien af små modeller med billedforståelses-evner”. Med Apache 2-licens og høje benchmark-scorer viser Mistral, at selv kompakte modeller (der kan køres lokalt med begrænset hardware) kan levere multimodal AI, idet Mistral Small nu forstår billeder ud over tekst. Mistral arbejder også på større modeller: deres Mistral Large serie fik en stor opgradering i slutningen af 2024, og en variant kaldet Pixtral (12B parametre) til billedgenerering er blevet introduceret. Selskabet har desuden indgået et strategisk partnerskab med Qualcomm om at optimere nye 3 og 8 mia. parametre modeller til smartphones (Snapdragon-chips), hvilket taler ind i trenden om at køre generativ AI direkte “på kanten” (edge devices) fremfor i skyen. Mistrals CEO Arthur Mensch har udtalt, at fokus i 2025 vil skifte fra blot at træne større modeller til at bygge komplette systemer omkring modellerne – et vink om, at startups som Mistral vil konkurrere gennem fleksibilitet og åbenhed snarere end brute-force størrelse.

Også Cohere, den canadiske AI‑startup kendt for enterprise-sprogmodeller, meldte om fremskridt. Cohere lancerede en ny storsprogsmodel kaldet “Command A” målrettet virksomhedskunder, som skal levere topydelse langt mere effektivt. Ifølge Cohere præsterer Command A “på niveau med eller bedre end GPT-4o og DeepSeek-V3 i opgaveløsning for virksomheder – med væsentligt højere effektivitet”. Modellen kan altså måle sig med de bedste (herunder OpenAI’s nyeste GPT-4-baserede offerings) på komplekse agent-opgaver, men kræver kun en brøkdel af regnekraften – den kan køre på så lidt som to standard-GPU’er. Dette er attraktivt for firmaer, der ønsker privat at implementere AI uden astronomiske cloud-udgifter. Command A er desuden flersproget og trænet på tværs af 100+ sprog, hvilket afspejler behovet hos globale virksomheder. Cohere har i det hele taget positioneret sig som en enterprise-fokuseret alternativ til de amerikanske cloud-giganter – de tilbyder bl.a. on-premise deployment og fine-tuning værktøjer, som tillader kunder at skræddersy modellerne med egne data.

Interessant nok satser Cohere ikke kun kommercielt, men også på åben forskning. Deres non-profit forskningsarm, Cohere for AI, udgav for nylig en open source multimodal model ved navn Aya Vision. Aya Vision er et vision-sprog system på 8 og 32 milliarder parametre med frit tilgængelige vægte, der kan downloades. Modellen kan håndtere billedforståelse på højt niveau – den beskriver billeder, besvarer spørgsmål om visuelle input og kombinerer tekst og billede på tværs af 23 større verdenssprog. “Vores open-weight vision-model repræsenterer fundamentet for AI-drevet flersproget og multimodal kommunikation globalt”, skriver Cohere og hævder, at Aya Vision er state-of-the-art blandt åbne vision-modeller. Dette træk ligner Googles og Meta’s åbne model-initiativer: ved at frigive avancerede modeller til forskningsmiljøet håber Cohere at drive innovation og vinde goodwill (og måske tiltrække talent). I kombination med deres stærke kommercielle model (Command A) viser Cohere, at kampen om AI-markedet for virksomheder ikke kun står mellem de største techfirmaer – mindre specialister kan byde ind med både cutting-edge ydelser og open source gennembrud.

Perspektiv: Kurs mod næste generation AI

Ugens udviklinger efterlader ingen tvivl om, at AI-kapløbet intensiveres på alle fronter. Tech-giganterne udbygger hastigt deres økosystemer: OpenAI med nye modaliteter og agent-rammeværk, Google med en allestedsnærværende Gemini-assistent, og Anthropic med en web-aktiveret Claude – alt sammen for at tiltrække brugere og udviklere til netop deres platform. Samtidig vokser open source-bevægelsen inden for AI kraftigt, eksemplificeret ved Mistral, Cohere og Meta’s Llama, der alle har opnået stor udbredelse og community-støtte. Vi ser også, at multimodal AI (kombinationen af tekst, billede, lyd og video) går fra at være eksperimentel til at blive et forventet kernetilbud – f.eks. kan både Googles, Meta’s og Cohere’s modeller nu forstå eller generere billeder, og DeepMind’s robot-AI forbinder endda direkte til den fysiske verden.

I den kommende tid kan vi forvente en strøm af endnu mere kapable modeller. OpenAI’s GPT-5 lader til at være undervejs og rygtes lanceret inden for måneder, hvilket utvivlsomt vil sætte en ny barre for konkurrenterne. Google vil næppe stå stille – de har allerede antydet en Gemini 3.0 i horisonten, og Meta planlægger at tilføje multimodale evner til Llama for at holde trit. Konkurrencen om at tilbyde de bedste AI-assistenter til masserne (via chat-apps, smartphones, browsere og endda biler) vil formentlig tiltage; her bliver det interessant om brugerne foretrækker integrerede løsninger fra Apple, Microsoft og Google, eller om uafhængige apps som ChatGPT og den kommende Meta AI kan vinde terræn.

Sideløbende intensiveres samtalen om AI-sikkerhed og regulering. Myndigheder verden over kigger nærmere på generativ AI: EU forhandler de sidste detaljer i AI-forordningen, der kan stille krav om gennemsigtighed (fx vandmærkning af AI-genereret indhold) og risikovurdering for avancerede modeller. I Storbritannien undersøger konkurrencemyndighederne markedet for foundation models for at sikre fair konkurrence, og i USA har FTC og Kongressen afholdt høringer om alt fra bias til ophavsret i AI. Samtidig organiserer forskere og industriledere fælles tiltag – f.eks. deltog over 1000 eksperter i en såkaldt “AI Jam Session” for at diskutere AI-governance og sikkerhed globalt.

Alt dette peger frem mod, at 2025 bliver et afgørende år for generativ AI. Vi står på tærsklen til næste generation af modeller og applikationer, der vil være dybere integreret i vores hverdag – fra arbejdspladsen til privaten – end nogensinde før. Udfordringen bliver at høste fordelene af disse kraftfulde systemer, samtidig med at samfundet navigerer de etiske, juridiske og økonomiske konsekvenser. Ugens nyheder viser en branche i fuld fremdrift, og i de kommende måneder vil vi se om løfterne indfries: Vil AI-assistenterne blive vores uundværlige hverdagshjælpere? Kan åbne modeller demokratisere adgangen til AI? Og formår vi at holde udviklingen ansvarlig og menneske-centreret? Svarene tager form dag for dag – og én ting er sikkert: den generative AI-revolution fortsætter med uformindsket styrke.