Az Óbudai Egyetem rektora a lehető legátfogóbb feladattal bízta meg Eigner György dékánt: azt kell kitalálnia, hogyan lehet a mesterséges intelligenciát az egyetemi mindennapok minden szegletébe beépíteni – az oktatásba, kutatásba és az egyetem működtetésébe egyaránt.
Ennek a folyamatnak vannak puhább elemei is, amelyek a munkatársak felkészítését szolgálják, és ezt a részt Eigner következetesen „AI-evangelizációnak” nevezi. A gyakorlatban ez azt jelenti, hogy minden második héten szerdánként tartanak egy félórás–egyórás online programot, ahol a kollégák bemutatják, milyen MI-megoldást találtak egy-egy konkrét problémájukra.
A példák sokfélék: van, aki azt mutatta meg, hogyan lehet drága előfizetés nélkül szöveges leiratot készíteni egy YouTube-videóból, majd a leiratot felhasználva óravázlatot összerakni vagy a saját kutatását támogatni. A megoldások jellemzően a fenti három területből – oktatásból, kutatásból, működtetésből – kerülnek ki, és aki éppen nem ér rá részt venni, az utólag is visszanézheti a prezentációkat egy belső felületen.
Aki nem használja az MI-t, hátrányba kerül
Az egyetem nem a megérzéseire hagyatkozik, hanem felmérte, hol tart a saját közössége. Tavaly ősszel egy kötelezően kitöltendő kérdőívvel mérték fel a munkavállalók MI-használatát, és nagyjából 1100-an töltötték ki.
Az eredmény szerint a munkavállalók nagyjából 60 százaléka már használta valamilyen formában az MI-t a munkájához, akár ingyenes eszközökön, akár az egyetem által biztosított hozzáféréseken. Eigner szerint a cél nem a számonkérés, hanem hogy jógyakorlatokat tudjanak kidolgozni arról, mit lehet és mit nem:
„Az a jó szabályozás, amely betartható és betartatható, érthető és a valós folyamatokhoz illeszkedik, amely még támogatja is a működést, nem pedig ellehetetleníti.”
Ez a gondolat végigvonul az egész egyetemi AI Campus-stratégián. A nyáron megismétlik a felmérést, és a siker fokmérője az lesz majd, ha még többen használják az MI-t a munkájukhoz, illetve ha többen nyúlnak a belső rendszerekhez. Az MI oktatása egyébként nemcsak ajánlás: a felsőoktatási törvény módosítása nyomán minden intézménynek be kell vezetnie azt az összes szakon – erről korábban részletesen is beszélt az Indexnek.
Hol a határ? A drága „tokenégetés” és a titoktartás kettős felelőssége
Amikor azt kérdeztük, hol húzódik az a határ, ameddig egy egyetem elmehet az MI használatában, Eigner azt válaszolta, hogy ez összetett kérdés, és két szempontot emelt ki.
Az egyik az üzleti titok és a szellemi tulajdon védelme, a másik pedig a pénz: egyáltalán nem mindegy, mennyit költ az intézmény a használatra.
A szakmában tokennek hívják azt az alapegységet, amelyben az MI-modellek a szöveget mérik és számláznak – és ezt nagyon gyorsan el lehet égetni.
Felidézte, hogy nemrég jelent meg a hír egy fejlesztőcégről, amely félmilliárd dollár, azaz hozzávetőleg 150 milliárd forintnyi értékben használt fel ilyen kapacitást – ez szerinte biztosan valamelyik amerikai nagyvállalat lehetett, mert másnak nincs ennyi pénze.
A veszély nem elméleti, saját bőrükön is érezték, amikor néhány kollégájuk a legdrágább csúcsmodelleket kötötte rá egy önállóan dolgozó MI-re (AI-agent), a feltöltött kétezer eurós keretet két óra alatt elégették.
A titoktartás logikája viszont egyszerű: amit valaki nem osztana meg mással, azt ne töltse fel olyan rendszerbe, amelynek a működése házon kívül van.
A házon belül futtatott modelleknél – amelyek szerverei az egyetem saját géptermében dolgoznak – más a helyzet. Ezek jellemzően open-source modellek, azonban itt is ügyelni kell arra, hogy milyen adatokat hogyan visznek fel, meddig tároljanak, hogy az infrastruktúra kihasználását és az adatvédelmet hatékonyan kezeljék.
Felértékelődnek a saját, belső AI-rendszerek
Az egyetem titoktartási és szuverenitási megoldása egy házon belül fejlesztett rendszer, a GenAI, amely kétféle forrásból dolgozik egyszerre. Az egyetem minden polgára beléphet rá az egyetemi e-mail-címével. A felület szándékosan emlékeztet egy megszokott, ChatGPT-szerű chatfelületre, mert Eigner szerint fontos volt, hogy olyasmit adjanak, amihez az emberek már hozzászoktak, és kényelmesen tudják használni.
A felhasználó kiválaszthatja, milyen modellt akar: egy helyben futtatott kisebbet, egy képek elemzésére alkalmasat, egy programozáshoz építettet vagy akár egy csúcsmodellt, ha megvan az engedélye a fizetős API használatára.
A drágább, fizetős modelleket csak meghatározott kereteken belül lehet használni, és a határok bővítését központilag engedélyezik. Ennek a kettős megoldásnak két oka van: egyrészt a helyi infrastruktúra korlátozott, és nem bír el mindent, másrészt a fizetős kapacitást ijesztő gyorsasággal el lehet égetni. Eigner szerint éppen ezért nem is kérdés, hogy mindkét lábon kell állni:
Az a megdöbbentő, hogy egy olyan korszakban vagyunk, amikor szinte mindenki ugyanazt találta ki.
Vagyis, ahogy fogalmazott, ebben a kérdésben nincs igazán különbség egy multi, egy közepes hazai cég vagy épp egy egyetem között – mindenki ugyanarra a hibrid megoldásra jut. A rendszer jelenleg tesztfázisban van, de tervezik az éles üzembe állítását, és a kereskedelmi értékesítés is a horizonton van.
Eigner kiemelte, hogy szerencséjük is van – sok tehetséges, az MI-ra nyitott kollégával dolgozhatnak együtt. Erre is élő példa a GenAI platform: a rendszert házon belül fejlesztették ki Süli Patrik és Csibrák Tamás kutató-mérnökök és az üzemeltetési feladatokat már egy integrált csapat végzi.
Kéthetes munka egy óra alatt
Eigner személyesen is elképedt azon, amit a közös, kutatástámogató rendszerrel el lehet érni. Ezt a HUN-REN központtal közösen fejlesztik: olyan webes felület, amelyben a kutató önállóan dolgozó MI-ügynökökkel működhet együtt, de úgy, hogy mindig az ember marad a középpontban. Ez az úgynevezett Agentic Discovery Platform.
A rendszerbe több mint ezer eszközt építettek be, és Eigner egy konkrét példán mutatta meg, mit jelent ez.
Egy cukorbetegséggel kapcsolatos tudományos cikket akart jobban megérteni, egyszerűen behúzta a publikációt a felületre, és megkérte a rendszert, hogy olvassa el, és írjon hozzá programkódot, amely megvalósítja a cikkben leírt matematikai modellt.
A gép megírta a kódot, lefuttatta, kiadta az eredményeket, a diagramot és az értelmezést, ő pedig az egészet rögtön egy kész dokumentumba is rendezte. A teljes folyamat nagyjából egy órát vett igénybe, míg alapesetben két hétig tartott volna.
A rendszer mögött komoly elvi munka áll: hogyan koordinálja ember a kutatásokat, és hogyan lehet minden tudományterületet támogatni – egy anyagtudományi vagy agrárkutatás ugyanis nem zárható le olyan gyorsan, mint egy számítógépes feladat.
Eigner egy szemléletes példával érzékeltette, miért nehezebb ez egyes területeken: „Egy agrárkutató elülteti a magot, várni kell 9 hónapot, megcsinálja a DNS-szekvenálást, az adatok alapján hoz egy újabb döntést – addig pedig a kutatást valahogy be kell fagyasztani, hogy ne foglalja feleslegesen a gép kapacitását.”
A kezdeményezés egyébként nyitott: aki erőforrást és pénzt tesz bele, az csatlakozhat, legyen magyar vagy külföldi. A HUN-REN ugyanezt a megközelítést hirdeti, a kutatóhálózat szerint az MI nem kiváltja, hanem felgyorsítja a tudományos áttöréseket.
Hatalmas lemaradást kell behoznia az EU-nak
A beszélgetés visszatérő motívuma volt a szuverenitás kérdése, és Eigner itt fogalmazott a legélesebben. Felidézte, hogy idén május 6-án az Anthropic – az egyik vezető amerikai MI-fejlesztő – bejelentette: az Elon Musk SpaceX-ével kötött együttműködés keretében sokkal nagyobb számítási kapacitáshoz jut.
A megállapodás keretében az Anthropic a SpaceX memphisi Colossus 1 nevű adatközpontjának teljes, több mint 300 megawattos kapacitását használja – ebben az egyetlen létesítményben több mint 220 ezer csúcskategóriás Nvidia-videókártya dolgozik.
Ráadásul a két cég már a jövőbeli, űrbe telepített adatközpontok fejlesztésében is gondolkodik. Ehhez képest, tette fel a kérdést Eigner, vajon hány ilyen kártya érhető el az Európai Unió legnagyobb, németországi szuperszámítógépében? A nagyságrend beszédes: néhány ezer, vagyis a töredéke. Pont ezért nem jókedvükből fejlesztenek saját rendszert:
„Mi történik akkor, ha ezekhez a modellekhez az Európai Unió tagjai valamilyen fordulat okán nem fognak hozzáférni? Tehát kell, hogy saját platformot fejlesszünk.”
Eigner szerint a probléma nem azzal van, hogy egy modell amerikai vagy kínai cégé, vagy hogy hol fut a számítás. A valódi kérdés az, hogyan lehet betartani az európai szabályokat: felidézte, hogy a Microsoft francia bíróság előtt erősítette meg, nem tudja garantálni, hogy az európai adatközpontjaiban tárolt adatokra ne terjedjen ki az amerikai joghatóság.
Az európaiak szerinte épp a különböző rendszerek összekapcsolásában, a megbízható, nagy terhelést is kiszolgáló megoldások építésében lehetnek jobbak – úgy, hogy közben megfelelnek a sokszor sok adminisztrációval járó, de jobb életminőséget hozó uniós szabályoknak, mint amilyen az adatvédelmi rendelet, a GDPR.
A lényeg, hogy legyen saját megoldás, mert ahhoz nem kell annyi számítási kapacitás, mint amennyit a nagy cégek globálisan elégetnek – csak megfelelő rendszer és szuverén gondolkodás kell hozzá. A vita egyébként túlmutat az egyetemen: nemrég Budapesten is keresték az ellenszert az MI sötét oldalára egy nemzetközi konferencián.
A rendszer fejlesztésén jelenleg nagyjából harmincan dolgoznak aktívan, a fejlesztőcsapat mintegy húszfős, beleértve a hallgatókat is, akikkel szemben már nem csak szakdolgozati, hanem komoly termékelvárás van. Az intézmények saját forrásból különítettek el rá pénzt, de a lényeg, hogy a csatlakozók valódi erőforrást: fejlesztőket, tesztelő szakembereket hozzanak. Mert ahogy fogalmazott: „A világ többi részéhez képest nagyon fel kell húznunk magunkat, és fontos, hogy egyesítsük az erőinket.”
(Borítókép: Eigner György 2026. június 3-án. Fotó: Kertész Renáta / Index)
Itt állítsa be, hogy az Index az elsők között legyen a Google-találatokban!
Kövesse az Indexet Facebookon is!
Követem!