A mesterségesintelligencia-iparág régóta várt pillanata augusztus elején érkezett el: bemutatták az OpenAI GPT-5 modelljét. Sam Altman, a vállalat vezérigazgatója a premier előtt magabiztosan ígérte, hogy ez lesz az eddigi legnagyobb ugrás a generatív MI történetében – „mintha egy PhD-szintű szakértővel beszélgetnénk bármely témában”. A valóság azonban gyorsan kijózanította a rajongókat: a modell nemcsak hogy nem váltotta be a hozzá fűzött reményeket, de az online közösség szerint sok tekintetben visszalépést is jelentett.
A bejelentés körüli hype az egekbe szökött, ám pár nap alatt kiderült, hogy a GPT-5 teljesítménye csupán mérsékelt előrelépés a korábbi verziókhoz képest. Az OpenAI a Redditen – ahol a cég általában erős támogatást élvez – a vezető poszt a modell hibáit ostorozta. Több mint háromezer felhasználó petícióban kérte a régebbi verzió visszaállítását, a Polymarket előrejelzési piacon pedig az OpenAI esélye, hogy augusztus végére a legjobb MI-modellt birtokolja, egy óra alatt 75 százalékról 14 százalékra zuhant.
Markets disappointed by GPT-5
OpenAI getting crushed on Polymarket pic.twitter.com/EPPoK9X8Wo
— Lisan al Gaib (@scaling01) August 7, 2025
A felhasználói visszajelzések és szakértői elemzések egyaránt rámutattak: a modell még mindig hajlamos logikai bakikra, alapvető matematikai hibákra, valamint a képfeldolgozás és a vizuális megértés gyengeségeire. Egyes mérőszámokon – például az ARC-AGI-2 teszten – a GPT-5 rosszabb eredményt hozott, mint a rivális Grok 4 Heavy.
Az igazi probléma: az LLM-ek határai
A legnagyobb csapást azonban nem is a felhasználói csalódás mérte a modellre, hanem egy friss, az Arizonai Állami Egyetemről érkező kutatás. A tanulmány szerint a „láncolt gondolkodás” (Chain of Thought) módszerei valójában törékenyek, és teljesítményük drasztikusan romlik, ha a feladat eltér a tanítási adathalmaztól. Ez pontosan az a „distribution shift” probléma, amire a szakma egy része évtizedek óta figyelmeztet: a nyelvi modellek nem tudnak kellően általánosítani a betanított példákon túl.
Ez a felismerés alapjaiban rengeti meg az úgynevezett „pure scaling” stratégiát, amely eddig a nagy nyelvi modellek fejlődésének fő motorja volt. A félbillió dolláros befektetések ellenére úgy tűnik, hogy pusztán a modellek méretének növelésével nem érhető el az általános mesterséges intelligencia (AGI).
A GPT-5 fiaskója nemcsak technológiai, hanem imázsproblémát is okozott az OpenAI-nak. A vállalat kulcsfontosságú szakemberei az elmúlt időszakban távoztak, sokan konkurens cégeknél folytatták. Közben az OpenAI piaci előnye olvad, a Microsofttal való kapcsolat sem felhőtlen, a cég pedig még mindig nem nyereséges. A konkurencia – Anthropic, Google, Elon Musk Grok-projektje – eközben agresszíven zárkózik fel.
Hogyan tovább?
Kritikusok szerint az MI-fejlesztés következő nagy lépése a „neuroszimbolikus” megközelítés lehet, amely ötvözi a gépi tanulást explicit világmodellekkel és szimbolikus logikával. Csak olyan rendszerek lehetnek esélyesek az AGI elérésére, amelyek tartós, absztrakt reprezentációk segítségével képesek érvelni és következtetéseket levonni.A GPT-5 nem hozott áttörést – és talán éppen ez a legfontosabb üzenete. A modell megkérdőjelezhető indulása figyelmeztető jel az iparág számára: a hype nem helyettesíti az érdemi tudományos előrelépést, és a tisztán skálázáson alapuló fejlesztés zsákutcába juthat. A kérdés most az, hogy az OpenAI és versenytársai hajlandók lesznek-e új, merőben eltérő irányokat kipróbálni, mielőtt a bizalom végleg elpárolog.
