Senaste briefing
20 juli 2026 · 5 nyheter (sajt) · 5 nyheter (bas)
Den 20 juli 2026 samlar ekosystemet för AI-agenter veckan efter WAIC i Shanghai och Kimi K3 kring infrastrukturens viktigaste byggstenar. Hugging Face släpper TRL v1.8.0, som gör det möjligt att träna en agent i flera miljöer parallellt. Helsing tar in 1,8 miljarder euro till en värdering på 18 miljarder euro för sina autonoma drönare och sin AI-analys av slagfält. USA:s handelsdepartement använder för första gången lagen om exportkontroll för att stoppa åtkomsten till två Anthropic-modeller i hela världen. Japan lanserar officiellt Noetra, sin grundmodell för fysiska AI-system med stöd av Sony, SoftBank och Honda. En ny forskningsartikel visar dessutom att agenter nu kan lära sig genom försök och misstag på mer än 4 miljoner delar utan att grafikkortens minne fylls.
🔥 I fokus
01
Hugging Face gör det möjligt att träna AI-agenter samtidigt i kodning, spel och webbnavigering — utan att de blandar ihop verktygen
Att träna en AI-agent liknar i dag fortfarande ett val mellan olika specialiteter: man tränar den för att koda, spela eller navigera på webben, men inte för alla tre samtidigt. Hugging Face släpper version 1.8.0 av TRL, sin viktigaste verktygslåda för «efterträning» — det sista steget där en modell lär sig att göra sitt arbete bättre i stället för att bara producera text. Den avgörande nyheten är att en och samma träning nu kan blanda flera miljöer: en som efterliknar ett spel, en som efterliknar en kodredigerare och en som efterliknar en webbläsare. Varje miljö anger sina egna verktyg och sitt eget sätt att belöna agenten. Verktygen läcker inte längre från en värld till en annan: modellen som tränas i kodning börjar inte försöka anropa ett spelverktyg mitt i en rad Python-kod. För Info-Sys är detta den öppna byggsten som har saknats för att gå från en agent som pratar om ett ämne till en agent som faktiskt agerar i en bestämd miljö. Optimeringsdelen KTO blir stabil, och grafikkortens minne används bättre — modeller med 4 miljarder parametrar blir 19 % snabbare. I praktiken går det nu att förbereda en agent för flera områden utan att börja om från noll varje gång.
02
Helsing tar in 1,8 miljarder euro till autonoma drönare och analys av slagfält — AI-försvar blir en egen investeringskategori
Helsing, det tyska startupbolaget som bygger AI-system för militärt försvar — autonoma drönare, program som analyserar stridsdata och undervattensövervakning — slutför en ny finansieringsrunda på 1,8 miljarder euro till en värdering på 18 miljarder euro. Efterfrågan var så mycket större än utbudet att grundarna kunde välja sina investerare. Dragoneer leder rundan tillsammans med Goldman Sachs, JPMorganChase, General Catalyst och den kanadensiska pensionsfonden CPP. Det är den största finansieringsrundan någonsin för ett europeiskt startupbolag inom AI-försvar, och budskapet till marknaden är tydligt: försvar som drivs av AI blir en egen investeringskategori, på samma nivå som AI-infrastruktur och cybersäkerhet. Europeiska investerare äger fortfarande merparten av bolaget, och Daniel Ek från Spotify samt Tom Enders, tidigare på Airbus, sitter kvar som styrelsens båda ordförande. För den som bygger AI-agenter är detta en viktig signal: fysiska agenter — drönare, robotar och självständigt arbetande militär programvara — lockar nu investeringar på flera miljarder. Den europeiska marknaden tar området på allvar; för två år sedan betraktades det fortfarande som en nisch.
03
USA har ett nytt verktyg för att stänga av en AI-modell på begäran — och alla berörs, även utanför USA:s gränser
Den 12 juni gjorde USA:s handelsdepartement något nytt: med stöd av lagen om exportkontroll beordrade det att åtkomsten till två av Anthropics AI-modeller, Fable 5 och Mythos 5, skulle stoppas för alla användare i hela världen. Beslutet omfattade även utländska forskare och ingenjörer som arbetar i USA. Mekanismen är enkel och hård: ett konfidentiellt brev, straffrättsliga påföljder om kravet inte följs och omedelbar verkan. Anthropic kunde inte sortera användarna efter nationalitet i sitt tekniska gränssnitt, sitt API. Den enklaste lösningen blev därför att stänga av båda modellerna helt. För alla som kör eller använder en avancerad AI-modell från egna servrar är detta ett prejudikat som måste tas med i riskbedömningen: en modell som man hyr eller använder kan stängas av över en natt genom ett myndighetsbeslut, utan att en domare prövar saken. Den rättsliga grunden — lagen om reformerad exportkontroll och regeln om «militär användning eller underrättelseanvändning» — hade aldrig tidigare prövats för fjärråtkomst till en AI-modell. EU-kommissionen har offentligt varnat för risken för «diskriminerande» åtgärder. För Info-Sys bör detta dokumenteras i varje riskbedömning för AI-agenter och följas under de kommande veckorna. Analytiker ser tre möjliga utfall, däribland en förhandlad återöppning och en kostsam identitetskontroll för användarna.
04
Japan lanserar en egen AI-modell för robotar och självkörande fordon — med Sony, SoftBank, Honda och Preferred Networks ombord
Japans ekonomiministerium METI bekräftade i slutet av juni starten för ett inhemskt AI-projekt som kan arbeta med flera typer av information. Modellen är gjord för det som kallas «Physical AI»: industrirobotar, självkörande fordon och andra system som samtidigt måste förstå bilder, text och signaler från sensorer. Startupbolaget Noetra, som skapades för projektet, stöds av 44 japanska industriföretag, med Sony, SoftBank, NEC, Honda och Preferred Networks i spetsen. Programmet löper i fem år, från budgetåret 2026 till 2030, och leds av den statliga myndigheten NEDO. Det uttalade målet är en grundmodell som ett japanskt företag kan använda utan att skicka sina produktionsdata utomlands. Det är en känslig fråga i ett land där tillverkningsindustrin fortfarande är en grundpelare i ekonomin. Skillnaden mot USA:s Stargate, Kinas WAICO, Europas AI Factories och Indiens IndiaAI är inriktningen på fysiska AI-system och låg energiförbrukning, två naturliga prioriteringar för Japan. För den som bygger AI-agenter är detta en ny grundmodell att följa under de kommande kvartalen, särskilt för robotteknik och konkreta användningar i industrin.
05
En ny metod gör det möjligt att träna AI-agenter på mycket långa uppgifter — utan att fylla grafikkortens minne
Under en arbetsdag samlar dagens AI-agenter på sig skärmbilder, resultat från verktyg, utdrag ur dokument och analyser. Tillsammans kan det bli flera miljoner små delar att bearbeta. Klassiska metoder för förstärkningsinlärning — där en agent lär sig genom försök och misstag i verkliga fall — brukar däremot nå gränsen vid omkring 256 000 delar eftersom grafikkortens minne är begränsat. En forskningsartikel från mitten av juli med den enkla titeln LongStraw föreslår ett knep som förändrar läget: bedöm den gemensamma historiken en enda gång utan att räkna om varje detalj, och spela sedan bara upp de små förgreningar som skiljer sig åt. Författarna visar metoden på befintliga öppna modeller, Qwen3.6-27B och GLM-5.2, och lyckas träna på mer än 4 miljoner delar utan att minnet svämmar över. För Info-Sys är detta byggstenen som gör det möjligt att träna agenter på långa och komplicerade arbetsflöden, som att analysera ett helt ärende, navigera på en stor webbplats eller samordna flera verktyg under många timmar. Artikeln placerades som dagens nummer ett på Hugging Face. Författarna säger öppet att arbete återstår innan metoden är helt inbyggd i standardverktygen, men riktningen är tydlig.
📡 Håll koll på
Microsoft lanserar slutversionen av sitt agentramverk för stora företag
Microsoft Agent Framework, MAF, kom i version 1.0 den 2 april efter att de äldre projekten AutoGen och Semantic Kernel slagits samman. På BUILD-mässan den 3 juni lade Microsoft till tre viktiga delar. Den första är ett «Agent Harness», ett grundsystem som gör valfri chattklient till en agent redo för verklig drift, med tillgång till filer, minne, mänskligt godkännande och automatisk sammanfattning av en lång historik. Den andra är en agenttjänst i Azure som själv anpassar kapaciteten och inte kostar något när den är inaktiv. Den tredje är läget CodeAct, där agenten skriver och kör kod för att lösa en uppgift i stället för att anropa ett särskilt verktyg. Samma kodbas fungerar för utvecklare i både .NET och Python. Detta är Microsofts svar på LangChain, CrewAI och det nya fristående AutoGen: ett ramverk för stora företag med styrning och kontroll inbyggd. Det bör följas noga när den tekniska helheten för agenter väljs.
500 öppna AI-modeller nås via en enda ingång — för företag som inte vill sköta egna servrar
AI.cc, en plattform med bas i Singapore, har ingått ett partnerskap med Hugging Face för att erbjuda över 500 öppna AI-modeller — Llama 4, Mistral, Qwen, Gemma, GLM, DeepSeek, Falcon och över 300 andra — genom ett enda gränssnitt som fungerar som OpenAI:s. I praktiken kan ett företag använda modellerna utan att köpa grafikkort eller bygga egen infrastruktur, och får en samlad faktura. Tjänsten har varit öppen sedan den 15 juni och har en kostnadsfri nivå för tester. Bakgrunden är att öppna modeller nu står för 38 % av mängden textenheter, eller tokens, som företag använder under första kvartalet 2026, jämfört med 11 % ett år tidigare. Automatisk styrning till den modell som passar varje uppgift bäst uppges kunna sänka infrastrukturkostnaderna med 40–65 %. Ett förbehåll är att det ursprungliga pressmeddelandet inte har kunnat hämtas; uppgifterna kommer från en företagsnära andrahandskälla. För Info-Sys bör tjänsten testas på enkla användningsfall för att bedöma tillförlitligheten innan produktionsarbete flyttas dit.
SambaNova tar in 1 miljard dollar till sina alternativ till Nvidias chip — med JPMorgan som första bankkund
SambaNova Systems, en direkt konkurrent till Nvidia inom specialiserade AI-chip, har slutfört en ny finansieringsrunda på 1 miljard dollar till en värdering på 11 miljarder dollar. General Atlantic leder rundan, med BlackRock, T. Rowe Price, Qatar Investment Authority och Intel Capital, som också har varit teknisk partner i flera år. Den mest intressanta signalen för den som bygger agenter är att JPMorgan Chase har valt SambaNova som partner för att köra sina AI-modeller på egna servrar i stället för att satsa allt på Nvidia. Det visar att stora banker och företag nu bygger egna privata AI-miljöer för att behålla kontrollen och styra kostnaderna. För Info-Sys hör detta hemma i bevakningen av alternativ till Nvidia, särskilt för känsligt arbete inom bank, försvar och offentlig sektor, där kontroll över den egna hårdvaran blir ett försäljningsargument.
EU:s AI-lag börjar gälla fullt ut den 2 augusti — så påverkas modeller som används i Europa
Alla regler i EU:s AI-förordning, EU AI Act, blir fullt bindande den 2 augusti 2026 för så kallade «GPAI-modeller», alltså modeller för allmän användning. Det innebär krav på öppenhet, respekt för upphovsrätten i träningsdata, säkerhetsbedömningar och böter eller andra sanktioner om reglerna inte följs. För den som bygger och använder AI-agenter i Europa är det dags att kontrollera att varje modell från en extern leverantör har teknisk dokumentation som följer reglerna och att agenternas arbetsflöden inte räknas till en högriskkategori. Detta skiljer sig från det amerikanska BIS-beslutet om Fable och Mythos: EU-reglerna är kända i förväg och förutsägbara, men omfattande. De gäller varje modell som görs tillgänglig för användare i Europa, oavsett vilket land utgivaren kommer från.
📊 Trend
Den 20 juli 2026 fortsätter ekosystemet för AI-agenter att samla lärdomarna från veckan efter WAIC i Shanghai och lanseringen av Kimi K3. Dagens bevakning handlar om infrastrukturens byggstenar och prejudikat som kan forma marknaden. Fem lärdomar framträder för den som bygger AI-agenter. (1) Träning i flera miljöer blir normen: Hugging Face TRL v1.8.0 gör det nu möjligt att blanda agenternas världar — kodning, spel och webbnavigering — i en enda träning. Det öppnar för breda agenter som tränas på verkliga arbetsflöden, inte bara på standardiserade tester. (2) AI-försvar lockar rekordinvesteringar: Helsings runda på 1,8 miljarder euro till en värdering på 18 miljarder euro bekräftar att fysiska agenter, som autonoma drönare och analys av slagfält, har blivit en egen investeringskategori. Det får konsekvenser för dem som säljer eller använder agenter i känsliga sektorer. (3) Exportkontroll blir en praktisk risk: användningen av amerikanska BIS-regler för att stänga av åtkomsten till två Anthropic-modeller skapar ett prejudikat. Varje agent som körs på någon annans servrar kan nu stängas av genom ett myndighetsbeslut. (4) Självständighet inom AI blir ett nationellt projekt även utanför stormakterna: Japan lanserar officiellt sin grundmodell för fysiska AI-system tillsammans med 44 industriföretag, efter samma princip som Kinas WAICO, USA:s Stargate och Europas AI Factories. (5) Träning med mycket långa informationsmängder blir tekniskt möjlig: LongStraw-artikeln visar att man kan gå över 4 miljoner delar utan att fylla grafikkortens minne. Därmed går det att träna agenter på långa och komplicerade arbetsflöden. För Info-Sys är den praktiska lärdomen tydlig: tiden då ett enda agentramverk och en enda modellleverantör räckte är förbi. Nu krävs aktiv bevakning av infrastrukturens byggstenar, geopolitiken och öppna alternativ.