Intel Needs an Engineering Comeback --- The chip maker can get its mojo back, but it must overcome technical challenges that have dogged it in the past

“New chip-supply deals and cheerleading from President Trump are giving Intel momentum it hasn't had in years. But the recent jump in its stock belies years of technical missteps that investors shouldn't be quick to forget.

 

Excitement about Intel began building last August, when Trump took money that was committed to the company as part of a Biden-era U.S. manufacturing push and converted it into equity. That gave the U.S. government a 10% stake -- and sent Intel's stock skyward.

 

The stake also made it apparent that doing business with Intel could be politically beneficial. Further announcements followed, including a promise from Nvidia to invest $5 billion and work with Intel on central-processing unit designs. Google joined the party in April with a collaboration on CPUs and artificial-intelligence chips. Then Elon Musk tapped Intel to help with his mega-chip fab project. And Trump last week announced that Apple had agreed to work with Intel on designing and making chips.

 

All this commotion has sent Intel's stock up more than 550% in the past year, pushing its market valuation to over $700 billion. That is quite a run for a company mired for many years in what former Chief Executive Pat Gelsinger once described as a "mud hole."

 

Intel has made some progress in getting out of that hole under CEO Lip-Bu Tan, who took the helm last year. But it is far from clear that the technical struggles that have dogged the company over the past decade are behind it.

 

Intel in recent months has started to ship chips made using its cutting-edge "18A" manufacturing process, which began development under Gelsinger. That was a major milestone for Intel.

 

It should also help Intel more closely compete with contract chip-making giant Taiwan Semiconductor Manufacturing Co. and its customers, which include Nvidia and Intel rival Advanced Micro Devices.

 

It is an unresolved question, though, whether Intel can make its advanced chips make financial sense.

 

Chip makers typically start making new generations of chips with ever-tinier transistors by testing them in labs, then transferring production to factories where they can be made in much larger quantities.

 

Along the way, manufacturers try to improve their yields, or the number of working chips they get from a wafer of silicon. If they can't manufacture at high volumes with good yields -- how good depends on the size of the chips and how advanced the manufacturing process is -- it makes less financial sense to produce them.

 

And that is the pickle Intel is in. The company won't say what its yields are for its 18A chips, but it is clear that they aren't yet a financial home run.

 

Chief Financial Officer David Zinsner said at an analyst conference this month that the yields "aren't to the level that they're at least neutral, if not, hopefully over time accretive to gross margins of the total company." In other words, they aren't yet helping Intel financially.

 

It is also far from clear whether Intel's agreements with Nvidia, Google or Apple will be barn burners in business terms. If Intel can't make the chips those customers want at yields that make financial sense, it is hard to imagine those deals amounting to much sustained new revenue or profit.

 

Working in Intel's favor is that many customers of TSMC want alternative suppliers. Only Intel and Samsung Electronics have a real shot at playing that role. But the world's biggest chip designers have quietly been exploring using Intel's factories for years without many tangible results. The Intel division that houses those factories, which mostly make chips that Intel itself designs, reported about $5.4 billion of revenue in the first quarter, with a $2.4 billion operational loss.

 

Intel executives say they are making good progress on manufacturing. A better-performing version of the 18A manufacturing process has entered risk production, the company said last week, meaning it is a step closer to high-volume manufacturing. The next-generation 14A process is on track, executives also say.

 

It is tempting to believe all of that. Bank of America analyst Vivek Arya earlier this month double-upgraded Intel from "underperform" to "buy" on the basis that it was attracting new external customers, advancing its chip-making technology and benefiting hugely from the shift within artificial intelligence toward digital agents.

 

And indeed, AI agents use more CPU computing power, playing into Intel's strength as a major supplier of those chips.

 

But it is also impossible to ignore Intel's record of broken promises. In 2015, then-CEO Brian Krzanich said Intel would be producing 10-nanometer chips -- then the most futuristic in the world -- within the following two years.

 

Those chips didn't end up arriving in high volumes until 2019, allowing TSMC to take the lead over Intel in cutting-edge manufacturing -- a lead it still holds. Intel's subsequent 7-nanometer chips were also delayed, compounding the company's troubles.

 

These days, investing in Intel is a momentum play. The hope is that Trump will help drum up business for a company increasingly playing the role of a U.S. national chip-making champion.

 

Whether Intel can step up its manufacturing prowess enough to make those orders pay is another matter.” [1]

 

1. Intel Needs an Engineering Comeback --- The chip maker can get its mojo back, but it must overcome technical challenges that have dogged it in the past. Fitch, Asa.  Wall Street Journal, Eastern edition; New York, N.Y.. 24 June 2026: B12

Here’s what a data scientist earns: Jacek Haußner advises companies on how to become more successful. He considers his salary appropriate given his working hours and level of responsibility.

“Jacek Haußner feels like a detective. "I look for connections in data that aren't obvious at first glance, and then draw conclusions from them," he says. Haußner is 41 years old and works as a data scientist in Frankfurt. He has been self-employed for two years, advising companies on how to achieve greater success through data science and specialized software.

 

The term "data scientist" translates literally as a researcher or scientist who works with data. It is a field one can study at university; there are over 120 bachelor’s degree courses and more than 140 master’s programs in Germany. However, there are other ways to become a data scientist—for instance, by completing further training in data science through the Chamber of Industry and Commerce (IHK) if you are already an engineer or IT specialist. Alternatively, one can enter the field directly through internships or project work.

 

That is how Haußner found his way into the profession. He initially studied Applied Computer Science—specializing in Business Informatics and Electronic Business—in Fulda. After graduating, he worked as a software developer for two management consultancies. Some of his projects involved "Big Data"—datasets so vast, complex, or rapidly changing that they could no longer be analyzed using conventional software. "Back then, the term 'data science' wasn't yet established, though today that’s what we’d call the project," Haußner explains. "Our goal was to derive new insights from the data using algorithms and statistical analysis."

 

He took an immediate liking to working with data. "I was curious even as a child." "I find it both challenging and rewarding to get to the bottom of complex questions and derive practical insights from them." He cites two examples of this kind of "detective work" as a data scientist: arranging seating during aircraft design to maximize airline revenue—such as determining the right mix of economy, business, and first-class seats to ensure passengers have enough space while allowing the airline to sell as many tickets as possible—or estimating whether supermarket customers are pregnant, even when they aren't buying products typically associated with pregnancy. "Depending on the industry and the specific role, data science offers unique projects, so it never gets boring," says Haußner.

 

He founded his company, Eternal Labs, two years ago. He is currently working on a major project for a large client as well as three internal projects, one of which involves developing a digital application for mental health. "At my previous employer, I built a data science team and the corresponding department from scratch. With my own company, I want to focus more on my own ideas and continue my personal development. I see this as a great opportunity, but also a challenge." Haußner works almost exclusively from home. "It allows me to work with greater focus and use my time more effectively. Besides, working from home has long been the norm in the IT sector. My project teams are often spread across multiple locations, and we collaborate primarily in a digital environment." However, he does regularly organize on-site workshops "to help the team bond."

 

An important part of his job involves managing expectations regarding data science. "People often have the idea that you can quickly arrive at clear-cut answers based on the notion that 'we have AI now, so all our problems are solved.' But that’s not how it works. The foundation for reliable results is a clear understanding of the problem, the data, and the objectives. These aspects must be carefully aligned with one another." "That’s where data science offers immense added value." When he talks to non-experts about his profession, he often finds that people equate data science with AI. Yet, data science involves far more than just developing complex algorithms. "It’s about asking the right questions, understanding data within its context, and explaining results in a way that makes sense to others. Many people are surprised by just how significant the communication aspect is."

 

According to Hays, one of the world's leading recruitment agencies, data scientists in Germany earn an average gross annual salary of €58,100. One in four earns more than €86,500. As the managing director of his own company, Haußner pays himself a gross annual salary of around €100,000. "While I can help determine the terms of my own employment contract as a founder, my salary has to stand up to an arm's-length comparison; it cannot be disproportionately higher than what is customary in the industry." As a married father in tax class IV, he is left with a net annual income of €55,000 to €65,000. At his first job after university, he earned €45,000 gross; since then, his salary has steadily increased. "That is primarily because I have continuously developed my skills and proactively taken on more and more responsibility." He considers his current salary appropriate. "I work hard and bear a great deal of responsibility as an entrepreneur."

 

He usually starts at six in the morning. "That’s when I’m alert and focused; I’ve already done some work, so by the time the first team meeting rolls around at nine, I can clarify questions and resolve any issues that have come up." He spends the rest of the day working on client projects, sometimes via online meetings and sometimes through on-site visits to the client. In the evenings, he handles his duties as managing director—coordinating with his team or acquiring new clients, for instance. The father of two works 50 to 60 hours a week, noting, "I regularly work evenings and sometimes weekends, too. But I try to keep weekends free for my wife and children, as I consider family time very important."

 

Göran Kauermann believes the general public isn't familiar enough with the data scientist profession. He is the Director of the Institute of Statistics at Ludwig Maximilian University in Munich and President of the non-profit German Data Science Society. "Data has played a crucial role in our lives for decades—and increasingly so with the advent of AI," he says. "Few people realize that data scientists are essential for aggregating and managing data, as well as for optimizing processes in both everyday life and the corporate world." Because the field of data science is constantly yielding new insights, he is also actively involved in the society: "We want to bring together education, research, and practical application."

 

Kauermann also has a tip for those just starting out who are interested in the job. "It’s not just about math and statistics; you need a broad skill set. A genuine interest in and basic understanding of mathematics are just as important as an enthusiasm for working with computers, communicating, and finding pragmatic solutions." He also advises giving careful thought to where you choose to study. "At some universities, the focus is on statistics, while at others it is on algorithms. It is therefore worth taking a look under the hood before deciding where to study, to ensure the training aligns with your own interests." [1]

 

1. So viel verdient ein Data-Scientist: Jacek Haußner berät Unternehmen, wie sie erfolgreicher werden können. Sein Gehalt findet er angesichts seiner Arbeitszeit und Verantwortung stimmig. Frankfurter Allgemeine Zeitung; Frankfurt. 21 Mar 2026: 31. FELICITAS WITTE

Štai kiek uždirba duomenų mokslininkas: Jacekas Haußneris pataria įmonėms, kaip tapti sėkmingesnėms. Jis mano, kad jo atlyginimas yra tinkamas, atsižvelgiant į jo darbo valandas ir pareigas.

"Štai kiek uždirba duomenų mokslininkas: Jacekas Haußneris pataria įmonėms, kaip tapti sėkmingesnėms. Jis mano, kad jo atlyginimas yra tinkamas, atsižvelgiant į jo darbo valandas ir pareigas. „Jacekas Haußneris jaučiasi kaip detektyvas. „Ieškau duomenų sąsajų, kurios iš pirmo žvilgsnio nėra akivaizdžios, o tada galiu iš jų daryti išvadas“, – sako jis. Haußneriui yra 41 metai, jis yra duomenų mokslininkas Frankfurte. Jis dvejus metus dirba savarankiškai ir konsultuoja įmones, kaip jos gali tapti sėkmingesnės, naudodamos duomenų mokslą ir atitinkamą programinę įrangą.

 

Duomenų mokslininkas tiesiogine prasme reiškia duomenų tyrėją arba duomenų mokslininką. Tai dalykas, kurį galite studijuoti; Vokietijoje yra daugiau nei 120 bakalauro studijų programų ir daugiau nei 140 magistro programų. Duomenų mokslininku galite tapti ir kitais būdais, pavyzdžiui, tęsdami duomenų mokslo mokymus Pramonės ir prekybos rūmuose kaip inžinierius ar IT specialistas. Arba galite pradėti tiesiogiai per stažuotes ar projektinį darbą.

 

Taip Haußneris pasirinko savo profesiją. Iš pradžių jis studijavo taikomąją informatiką, daugiausia dėmesio skirdamas verslo informatikai ir elektroniniam verslui Fuldoje. Baigęs studijas, jis dirbo programinės įrangos kūrėju dviejose vadybos konsultacijų įmonėse. Kai kurie jo projektai buvo susiję su didžiaisiais duomenimis, t. y. duomenų rinkiniai tokie dideli, tokie sudėtingi arba taip greitai kintantys, kad jų nebebuvo galima analizuoti naudojant tradicinę programinę įrangą. „Anuomet terminas „duomenų mokslas“ dar nebuvo įsitvirtinęs, bet šiandien taip vadintume projektą“, – aiškina Haußneris. „Nes turėjome naudoti algoritmus ir statistinę analizę, kad gautume naujų įžvalgų iš duomenų.“

 

Jam iš karto patiko dirbti su duomenimis. „Nuo vaikystės buvau smalsus.“ „Man atrodo sudėtinga ir malonu gilintis į sudėtingus klausimus ir gauti iš jų praktinių įžvalgų.“ Jis pateikia du tokio „detektyvo darbo“ kaip duomenų mokslininko pavyzdžius: projektuojant orlaivį, vietų paskirstymas taip, kad oro linijų bendrovė galėtų maksimaliai padidinti pajamas – tai yra, ekonominės, verslo ir pirmos klasės vietų skaičiaus parinkimas taip, kad keleiviai turėtų pakankamai vietos, bet bendrovė galėtų parduoti kuo daugiau bilietų. Arba prekybos centre moterų klientų nėštumo įvertinimas, net jei jos neperka su nėštumu susijusių produktų. „Duomenų mokslas siūlo unikalius projektus, priklausomai nuo pramonės šakos ir vaidmens, todėl niekada nebūna nuobodu“, – sako Haußneris.

 

Du Prieš metus jis įkūrė savo įmonę „Eternal Labs“. Šiuo metu jis dirba su dideliu projektu vienam iš pagrindinių klientų ir trimis vidiniais projektais, įskaitant skaitmeninės psichinės sveikatos programėlės kūrimą. „Ankstesniame darbdavyje nuo nulio sukūriau duomenų mokslo komandą ir atitinkamą skyrių. Dabar savo įmonėje noriu labiau sutelkti dėmesį į savo idėjas ir toliau tobulėti.“ „Aš tai matau kaip puikią galimybę, bet ir kaip iššūkį.“ Haußneris beveik išimtinai dirba iš namų. „Ten galiu dirbti labiau susikaupęs ir efektyviau naudoti savo laiką. Be to, darbas iš namų jau yra įprastas IT srityje. Mano projektų komandos dažnai yra išsibarsčiusios po kelias vietas ir mes daugiausia bendradarbiaujame skaitmeniniu būdu.“ Tačiau jis reguliariai organizuoja seminarus vietoje, „kad komanda galėtų bendrauti“.

 

Svarbi jo darbo dalis yra realistiškas lūkesčių, susijusių su duomenų mokslu, vertinimas. „Dažnai klaidingai manoma, kad galima greitai rasti aiškius atsakymus galvojant: „Dabar turime dirbtinį intelektą, todėl visos mūsų problemos išspręstos.“ Tačiau taip neveikia. Patikimų rezultatų pagrindas yra aiškus problemos, duomenų ir tikslo supratimas. Šie aspektai turi būti kruopščiai suderinti.“ Tada duomenų mokslas suteikia didelę pridėtinę vertę.“ Kai jis pasakoja ne ekspertams apie savo profesiją, jis dažnai pastebi, kad duomenų mokslas tapatinamas su dirbtiniu intelektu. Tačiau duomenų mokslas yra daug daugiau nei vien sudėtingų algoritmų kūrimas. „Tai susiję su teisingų klausimų kėlimu, duomenų supratimu kontekste ir rezultatų paaiškinimu suprantamai.“ Daugelis žmonių stebina, koks svarbus yra komunikacijos aspektas.

 

Pasak vienos iš pirmaujančių pasaulyje personalo agentūrų „Hays“, duomenų mokslininkai Vokietijoje vidutiniškai uždirba 58 100 eurų per metus. Vienas iš keturių uždirba daugiau, nei 86 500 eurų. Haußneris, kaip savo įmonės generalinis direktorius, sau moka apie 100 000 eurų per metus. „Kaip įkūrėjas, tikrai galiu padėti formuoti atlyginimo susitarimą, tačiau mano atlyginimas turi atitikti kitų įmonių atlyginimą ir negali būti neproporcingai didesnis, nei įprasta pramonėje.“ Kaip vedęs tėvas, priklausantis IV mokesčių klasei, jis per metus namo parsineša nuo 55 000 iki 65 000 eurų grynais. Pirmojoje įmonėje po studijų jis uždirbo 45 000 eurų. Pradinis jo atlyginimas buvo toks mažas, bet nuo to laiko jis nuolat didėjo. „Taip daugiausia dėl to, kad nuolat tobulinau savo įgūdžius ir iniciatyviai prisiėmiau vis daugiau atsakomybės.“ Jis mano, kad dabartinis atlyginimas yra tinkamas. „Daug dirbu ir, kaip verslininkas, prisiimu didelę atsakomybę.“

 

Paprastai jis pradeda dirbti šeštą valandą ryto. „Tada būnu budrus ir susikaupęs, jau esu atlikęs tam tikrą darbą ir galiu išsiaiškinti klausimus bei išspręsti visas problemas, kurios iškilo pirmajame komandos susitikime devintą valandą.“ Likusią dienos dalį jis dirba su klientų projektais, kartais rengdamas susitikimus internetu ir kliento patalpose. Vakarais jis atlieka savo, kaip generalinio direktoriaus, pareigas, koordinuoja darbą su savo komanda arba ieško naujų klientų. Jis dirba 50–60 valandų per savaitę, sako dviejų vaikų tėvas, „reguliariai taip pat vakarais, o kartais ir savaitgaliais. Tačiau stengiuosi savaitgalius skirti žmonai ir vaikams, nes man labai svarbus laikas su šeima.“

 

Göranas Kauermannas mano, kad duomenų mokslininko profesija nėra pakankamai gerai žinoma plačiajai visuomenei. Jis yra Liudviko Maksimiliano universiteto Miunchene Statistikos instituto direktorius ir ne pelno siekiančios Vokietijos duomenų mokslo draugijos prezidentas. „Duomenys dešimtmečius vaidino labai svarbų vaidmenį mūsų gyvenime, o su dirbtiniu intelektu šis vaidmuo auga“, – sako jis. „Beveik kas nors supranta, kad duomenų mokslininkai yra būtini norint sujungti duomenis, juos valdyti ir optimizuoti procesus kasdieniame gyvenime ir versle.“ Kadangi duomenų mokslo srityje nuolat atsiranda naujų įžvalgų, jis taip pat dalyvauja visuomenės gyvenime: „Norime sujungti švietimą, mokslinius tyrimus ir praktinį pritaikymą.“

 

Kauermannas turi dar vieną patarimą neseniai studijas baigusiems absolventams, besidomintiems šiuo darbu. „Tai ne tik matematika ir statistika; turėtumėte turėti platų įgūdžių spektrą. Tvirtas susidomėjimas matematika ir jos supratimas yra toks pat svarbus, kaip ir noras dirbti su kompiuteriais, efektyviai bendrauti ir rasti pragmatiškus sprendimus.“ Jis taip pat pataria atidžiai apsvarstyti, kur studijuoti. „Kai kuriuose universitetuose statistikos studijos užima pagrindinę vietą, kituose – algoritmai. Todėl verta atidžiau pasidomėti prieš renkantis studijų vietą, kad programa atitiktų jūsų interesus.“” [1]

 

1. So viel verdient ein Data-Scientist: Jacek Haußner berät Unternehmen, wie sie erfolgreicher werden können. Sein Gehalt findet er angesichts seiner Arbeitszeit und Verantwortung stimmig. Frankfurter Allgemeine Zeitung; Frankfurt. 21 Mar 2026: 31. FELICITAS WITTE

„OpenAI“ dabar privalo apriboti prieigą prie savo naujausio modelio GPT-5.6 įmonėms ir organizacijoms, kurias pasirinko Trumpo administracija, praneša „The Information“.

„Šis žingsnis rodo, kad administracijos švelnus požiūris į dirbtinį intelektą nebus taikomas galingiems inovatyviems modeliams, tokiems, kaip GPT-5.6 ir „Anthropic“ „Mythos and Fable“.

 

Vašingtono dirbtinio intelekto perėjimas Silicio slėnyje nėra gerai įvertintas. Baltieji rūmai „de facto *reguliuoja* dirbtinį intelektą, bet be skaidrumo“, – apie X rašė Gary Marcusas, technologijų metraštininkas ir Niujorko universiteto psichologijos bei neurologijos mokslų emeritas profesorius. „Tai kelia abejonių įmonėms ir investuotojams.“ [1]

 

1. DealBook: A.I.’s rough summer. New York Times (Online) New York Times Company. Jun 26, 2026.

OpenAI now must restrict access to its latest model, GPT-5.6, to companies and organizations that have been selected by the Trump administration, according to The Information.

“The move suggests that the administration’s light touch with A.I. will not apply to powerful frontier models like GPT-5.6 and Anthropic’s Mythos and Fable.

 

Washington’s A.I. shift isn’t going down well in Silicon Valley. The White House “de facto *is* regulating AI, but without transparency,” Gary Marcus, a tech chronicler and emeritus professor of psychology and neural science at N.Y.U., wrote on X. “That leaves businesses and investors in doubt.”” [1]

 

1. DealBook: A.I.’s rough summer. New York Times (Online) New York Times Company. Jun 26, 2026.

Anthropic veteranai ir kinų DeepSeek siekia paremti mokslininkų dirbtinio intelekto pastangas

 

Koks artimiausias „Mirendil“ konkurentas Kinijoje?

 

„DeepSeek AI“ plačiai laikoma artimiausiu Kinijos atitikmeniu „Mirendil“.

 

Abi bendrovės yra žinomos dėl savo didelio dėmesio autonominėms dirbtinio intelekto tyrimų platformoms (DI, kurianti DI) ir pažangiausiems samprotavimo modeliams, apmokytiems esant dideliems skaičiavimo apribojimams.

 

• „Mirendil“ (JAV): San Franciske įsikūrusi „neolaboratorija“, įkurta buvusių „Anthropic“ ir xAI tyrėjų. Remiama „a16z“, ši bendrovė daugiausia dėmesio skiria savaime greitėjančiam dirbtinio intelekto tyrimams ir plėtrai bei autonominiam modeliavimui moksliniams ir medicininiams tyrimams.

 

• „DeepSeek“ (Kinija): Pekine įsikūrusi infrastruktūros ir pamatinių modelių laboratorija. Kaip ir „Mirendil“, ji yra dirbtinio intelekto samprotavimo pradininkė ir daugiausia dėmesio skiria modelių (pvz., „DeepSeek-V4/R1“) optimizavimui, siekiant našaus diegimo su mažiau išteklių.

 

Kaip atsirado „Mirendil“?

 

„DI, galintis sukurti išmanesnį DI: tai yra pagrindinis didelių dirbtinio intelekto laboratorijų tikslas – paspartinti savo pajėgumus. Tačiau šios laboratorijos riboja pašalinių asmenų galimybes naudoti jų įrankius tam pačiam tikslui pasiekti.

 

Dabar du šių didelių laboratorijų veteranai lažinasi, kad gali aplenkti savo buvusius darbdavius, kurdami ir platindami DI, kuris paspartintų DI tyrimus visiems.

 

Jų startuolis „Mirendil“ trečiadienį pranešė, kad pritraukė 200 mln. JAV dolerių pradinio finansavimo, kurio vertė siekia 1 mlrd. JAV dolerių, iš rizikos kapitalo įmonių „Andreessen Horowitz“, „Kleiner Perkins“ ir „Nvidia“ – tai vienas iš didesnių naujos DI bendrovės pradinio vertinimo atvejų pastaraisiais metais.

 

„Mirendil“ įkūrėjai Behnamas Neyshaburas ir Harshas Mehta teigia, kad jie tikisi, jog savarankiškai tobulėjančio DI kūrimas gali padėti atvirojo kodo DI kūrėjams neatsilikti nuo pažangių laboratorijų. Jie teigia, kad DI tyrimų spartinimas leis mokslininkams kurti savo specializuotus DI modelius tokiose srityse kaip medicina ar medžiagos.

 

„Tai, ką mes darome, yra DI, skirtas DI mokslui, o ne DI mokslas“, – sakė „Mirendil“ generalinis direktorius Neyshaburas. Kaip vieną iš būdų, kaip klientas galėtų panaudoti būsimus „Mirendil“ įrankius, jis paminėjo modelio, galinčio numatyti žmogaus Alzheimerio ligos išsivystymo riziką, kūrimą.

 

Abu įkūrėjai susipažino 2019 m., dirbdami „Google“. Mehta išsiuntė šaltą el. laišką Neyshaburui, kuris ką tik prisijungė prie įmonės ir buvo žinomas dėl savo darbo, siekiant suprasti, kodėl veikia DI modeliai. „Jis jau buvo tarsi maža įžymybė šioje srityje“, – sakė Mehta.

 

Jie jau seniai džiaugėsi būsimomis DI panaudojimo galimybėmis mokslo spartinimui, tačiau „tada modeliai buvo tikrai blogi“, – sakė Mehta.

 

Jie abu perėjo į „Anthropic“ 2024 m. pabaigoje ir išėjo 2025 m. gruodį, netrukus po to, kai buvo pristatytas „Claude Opus 4.5“ modelis, kuris smarkiai išplėtė vadinamųjų agentų galimybes atlikti sudėtingas užduotis.

 

„Mirendil“ lėšų rinkimas vyksta tuo metu, kai geriausios DI laboratorijos pačios vis dažniau naudoja DI, kad paspartintų DI tyrimus. Nuo gegužės mėnesio „Anthropic“ teigė Jos „Claude“ modelis parašė daugiau nei 80 % „Anthropic“ kodo.

 

Tačiau bendrovė neskatina kitų dirbtinio intelekto kūrėjų naudoti „Claude“, kad paspartintų savo pačių aukščiausios klasės dirbtinio intelekto kūrimą. „Anthropic“ paslaugų teikimo sąlygos draudžia naudoti jos įrankius kuriant „bet kokius produktus ar paslaugas, kurie konkuruoja su mūsų paslaugomis“.

 

Pranešime „Anthropic“ teigė, kad jos politika yra standartinė tarp pagrindinių modelių teikėjų ir padeda užkirsti kelią užsienio priešininkams mažinti JAV lyderystę pažangių dirbtinio intelekto srityje.

 

Kai „Anthropic“ neseniai išleido „Fable 5“ – saugumu apribotą galingo „Mythos“ modelio versiją, ji sumenkino atsakymus į kai kuriuos klausimus apie dirbtinio intelekto kūrimą nepranešdama vartotojams – praktika, kurią kai kurie kritikai pavadino antikonkurencinga. Bendrovė teigė, kad vėliau šias apsaugos priemones padarė matomas vartotojams. Netrukus po to bendrovė nusprendė neribotam laikui sustabdyti prieigą prie „Fable 5“ ir „Mythos 5“, kai Trumpo administracija įvedė eksporto kontrolę.

 

„Anthropic“ nurodė, kad dirbtinio intelekto naudojimas kuriant pažangesnį dirbtinį intelektą – kartais vadinamą rekursiniu savęs tobulinimu – yra potencialus pavojus. Kai kurie dirbtinio intelekto saugumo tyrėjai mano, kad modelių gebėjimas perrašyti jų pačių kodas be žmogaus priežiūros gali sukelti scenarijų, kuriame dirbtinio intelekto galimybės sparčiai išaugs ir nebegalės jų kontroliuoti. Tačiau Mehta ir Neyshabur rekursyvų savęs tobulinimą laiko „trumpiausiu keliu“ į mokslo spartinimą ir tiki, kad jį bus galima saugiai prižiūrėti. „Netikiu, kai žmonės tiesiog sako: „o, tai neįmanoma“, – sakė Neyshabur. „Tai tiesiog sudėtinga problema.“

 

„Andreessen Horowitz“ investuotojas Mattas Bornsteinas teigė, kad pirmaujančios laboratorijos tiesiog yra „racionalūs ekonominiai veikėjai“, neleisdamos klientams tobulinti savo modelių, taip sukurdamos poreikį tokiam startuoliui kaip „Mirendil“. „Struktūriškai turi būti nepriklausoma įmonė“, – sakė Bornsteinas.

 

Anksčiau „The Information“ pranešė apie kai kurias finansavimo detales.

 

Šiuo metu „Mirendil“ turi apie 20 techninių darbuotojų, dirbančių iš biuro San Francisko centre. Įkūrėjų komandą taip pat sudaro Shayan Salehian, vienas iš pirmųjų xAI narių, ir Tara Rezaei, MIT absolventė.

 

Ji prisijungia prie legiono startuolių su pavadinimo nuoroda į „Žiedų valdovo“ kūrinį (elfų kalba „Mirendil“ maždaug reiškia „brangių daiktų draugas“). Startuolis planuoja ateinančiais mėnesiais išleisti modelį ir produktą, kad gautų vartotojų atsiliepimų.” [1]

 

Kaip „Mirendil“ tikrina, ar naujos kartos dirbtinio intelekto modelis yra geresnis už ankstesnįjį?

 

„Mirendil“ tikrina, ar naujas dirbtinio intelekto modelis yra geresnis už savo pirmtaką, naudodama rekursinius savęs tobulinimo ciklus. Užuot remdamasi tik tradiciniais statiniais lyginamaisiais testais, įmonė matuoja, ar naujas modelis gali savarankiškai patobulinti mokslinių tyrimų ir plėtros procesą – generuoti, derinti ir vertinti savo neuroninių tinklų architektūras, kad greičiau tobulintų mašininį mokymąsi.

 

Startuolio vertinimo metodika orientuota į tai, kaip gerai dirbtinis intelektas atlieka visą šį tyrimų ciklą:

• Autonominis eksperimentavimas: tikrinama, ar naujas modelis gali savarankiškai kurti ir atlikti bandymus, įvertinti rezultatus ir iteruoti sudėtingas mokslines problemas.

• Modelio derinimas ir kodavimas: vertinamas modelio gebėjimas nustatyti ir ištaisyti klaidas savo programavimo ir duomenų rengimo etapuose.

• Architektūros iteracija: naudojamos sustiprinto mokymosi smėlio dėžės, kuriose neuroniniai tinklai sąveikauja, kad tobulintų savo įgūdžius ir architektūrą.

 

Daugiau informacijos apie tai, kaip šis buvęs „Anthropic“ startuolis artėja prie mokslinių tyrimų ir plėtros, galite rasti Andreesseno Horowitzo „Mirendil“ pranešime.

Ar norėtumėte sužinoti daugiau apie konkrečias mokslo sritis, į kurias jie orientuojasi, arba kaip DI veikia rekursinis savęs tobulinimas?

 

Paprastai naujos kartos DI modeliai yra testuojami pagal ankstesnes versijas, peržengiant statinius etalonus ir sutelkiant dėmesį į agentinių užduočių atlikimą (kaip gerai DI veikia autonomiškai) ir praktinį naudingumą (realaus pasaulio darbas), o ne vien remiantis suvestiniais balais.

 

Pirmaujantys DI kūrėjai naudoja keletą skirtingų testavimo metodikų, kad įrodytų, jog naujesnis modelis yra objektyviai geresnis:

• Užduotimis pagrįsti ir agentiniai etalonai: kūrėjai naudoja daugiapakopes sistemas, tokias kaip SWE-Bench arba GIAA2, kad pamatytų, ar naujas modelis gali sėkmingai išspręsti realaus pasaulio inžinerines ir tyrimų problemas be haliucinacijų.

• „LLM kaip teisėjo“ vertinimai: naujesnio modelio rezultatai dažnai vertinami pagal senesnio modelio rezultatus, naudojant trečiosios šalies specializuotą „vertintojo“ modelį (pvz., naudojant tokį modelį kaip „Prometheus“), kad būtų nustatyta kokybė, samprotavimai ir nurodymų laikymasis.

 

• Ilgalaikio konteksto streso testai: nauji modeliai yra testuojami pagal „kontekstą“ „pūvimas“, įterpiant konkrečius faktus įvairiuose gyliuose į didžiulius, daugiau nei milijono žetonų dokumentus, siekiant užtikrinti, kad modelis tiksliai atgautų duomenis neprarasdamas dėmesio.

 

• Realaus pasaulio „smėlio dėžės“ modeliavimas: pažangūs kūrėjai į virtualias imituojamas visuomenes įdeda autonominius modelius su realaus laiko naujienomis ir kintamaisiais, kad patikrintų samprotavimus, saugumą ir tikslų pasiekimą per ilgus seansus.

 

1. Anthropic Veterans Seek to Help AI Efforts of Scientists. Li, Tina.  Wall Street Journal, Eastern edition; New York, N.Y.. 25 June 2026: B4.

Anthropic Veterans in Mirendil and Chinese DeepSeek Are Trying to Help AI Efforts of Scientists

What is the closest Chinese competitor of Mirendil?

 

DeepSeek AI is widely considered the closest Chinese equivalent to Mirendil.

 

Both are recognized for their intense focus on autonomous AI research platforms (AI that builds AI) and state-of-the-art reasoning models trained under heavy compute constraints.

 

•           Mirendil (US): A San Francisco-based "neo-lab" founded by ex-Anthropic and xAI researchers. Backed by a16z, they focus on self-accelerating AI R&D and autonomous modeling for scientific and medical research.

•           DeepSeek (China): A Beijing-based infrastructure and foundation model lab. Like Mirendil, they are pioneers in AI reasoning and focus on optimizing models (such as DeepSeek-V4/R1) for high-performance deployment with fewer resources.

 

How did Mirendil come into existence?

“AI that can make smarter AI: That's the central bet of big artificial-intelligence labs to accelerate their own capabilities. But those labs restrict outsiders from using their tools to do the same thing.

 

Now two veterans of those big labs are wagering they can outflank their former employers by making and distributing AI that accelerates AI research for everyone.

 

Their startup Mirendil said on Wednesday that it raised $200 million in seed funding at a $1 billion valuation from venture firms Andreessen Horowitz and Kleiner Perkins and Nvidia, one of the larger seed valuations for a new AI company in recent years.

 

Mirendil's co-founders, Behnam Neyshabur and Harsh Mehta, say their hope is that building self-improving AI can help open-source AI developers keep pace with frontier labs. They say that accelerating AI research will allow scientists to develop their own specialized in-house AI models in fields like medicine or materials.

 

"What we are doing is kind of AI for AI for science, as opposed to AI for science," said Neyshabur, Mirendil's chief executive. He cited creating a model that can predict a person's risk of developing Alzheimer's disease as one way a customer might use Mirendil's future tools.

 

The two co-founders met in 2019 while working at Google. Mehta sent a cold email to Neyshabur, who just joined the company and was known for his work on understanding why AI models work. "He was kind of like a mini celebrity in the field already," Mehta said.

 

They had long been excited about the future possibilities of using AI to accelerate science, but "back then, the models were really bad," Mehta said.

 

They both moved to Anthropic in late 2024 and left in December 2025, shortly after the launch of the Claude Opus 4.5 model, which dramatically expanded the capabilities of so-called agents to perform complex tasks.

 

Mirendil's fundraising comes as top AI labs are themselves increasingly using AI to accelerate AI research. As of May, Anthropic said its Claude model wrote more than 80% of Anthropic's code.

 

But the company discourages other AI developers from using Claude to accelerate their own high-end AI development. Anthropic's terms of service prohibit using its tools to develop "any products or services that compete with our Services."

 

In a statement, Anthropic said its policies were standard among major model providers and help prevent foreign adversaries from eroding the U.S. lead in frontier AI.

 

When Anthropic recently released Fable 5, a safety-constrained version of its powerful Mythos model, it degraded responses to some questions about AI development without notifying users, a practice some critics called anticompetitive. The company said it subsequently made those safeguards visible to users. Shortly afterward, the company decided to suspend access to Fable 5 and Mythos 5 indefinitely after the Trump administration imposed export controls.

 

Anthropic has pointed to using AI to help build more advanced AI -- sometimes called recursive self-improvement -- as a potential danger. Some AI-safety researchers believe the ability of models to rewrite their own code without human oversight could lead to a scenario in which AI capabilities grow rapidly beyond human control. But Mehta and Neyshabur see recursive self-improvement as the "shortest path" to accelerating science, and believe it will be possible to safely supervise it. "I don't buy it when people just say, 'oh, this is not possible,'" Neyshabur said. "It's just a difficult problem."

 

Andreessen Horowitz investor Matt Bornstein said leading labs are simply being "rational economic actors" in denying customers the ability to supercharge their own models, creating a need for a startup like Mirendil. "Structurally, there has to be an independent company," Bornstein said.

 

The Information earlier reported some details of the funding.

 

Mirendil currently has about 20 technical staff, operating out of an office in downtown San Francisco. The founding team also includes Shayan Salehian, an early member of xAI, and Tara Rezaei, an MIT graduate.

 

It joins the legion of startups with a name referencing The Lord of the Rings -- in Elvish, Mirendil roughly means "friend of precious things." The startup plans in coming months to release a model and a product to get feedback from users.” [1]

 

How does “Mirendil” test, that next generation of AI model is better than previous one?

 

Mirendil tests whether a new AI model is better than its predecessor through recursive self-improvement loops. Instead of relying only on traditional static benchmarks, the company measures if the new model can independently improve the R&D process—generating, debugging, and evaluating its own neural network architectures to advance machine learning faster.

The startup’s evaluation methodology focuses on how well the AI runs this entire research loop:

•           Autonomous Experimentation: Testing whether the new model can independently design and conduct tests, evaluate the results, and iterate on complex scientific problems.

•           Model Debugging & Coding: Assessing the model's capacity to identify and fix errors in its own programming and data preparation phases.

•           Architecture Iteration: Using reinforcement learning sandboxes where neural networks interact to refine their skills and architecture.

For more context on how this ex-Anthropic startup is approaching R&D, you can read the Andreessen Horowitz Mirendil Announcement.

 

Usually next-generation AI models are tested against previous versions by moving beyond static benchmarks and focusing on agentic task completion (how well an AI functions autonomously) and practical utility (real-world work) rather than relying exclusively on aggregate scores.

Leading AI development uses several distinct testing methodologies to prove a newer model is objectively better:

•           Task-Based & Agentic Benchmarks: Developers utilize multi-step frameworks like SWE-Bench or GIAA2 to see if the new model can successfully solve real-world engineering and research problems without hallucinating.

•           "LLM-as-a-Judge" Evals: A newer model's outputs are often scored against an older model's output by deploying a third-party, specialized "judge" model (e.g., using a model like Prometheus) to determine quality, reasoning, and instruction-following.

•           Long-Context Stress Tests: New models are tested for "context rot" by embedding specific facts at various depths in massive, 1-million+ token documents to ensure the model accurately retrieves the data without losing focus.

•           Real-World Sandbox Simulations: Advanced developers put autonomous models into virtual simulated societies with real-time news and variables to test reasoning, safety, and goal-completion over extended sessions.

1. Anthropic Veterans Seek to Help AI Efforts of Scientists. Li, Tina.  Wall Street Journal, Eastern edition; New York, N.Y.. 25 June 2026: B4.