av Mikael Winterkvist | feb 28, 2026 | Bluesky, Mastodon, Notiser, Threads
What happens when AI agents with email access, shell privileges, and their own memory get targeted by twenty researchers for two weeks? An international study catalogs the results.
In an exploratory red-teaming study titled ”Agents of Chaos,” a team of over 30 scientists from Northeastern University, Harvard, MIT, Carnegie Mellon, Stanford, and other institutions put autonomous AI systems under targeted pressure. Twenty AI researchers spent two weeks trying to manipulate, trick, and compromise the agents.
The agents—Ash, Doug, Mira, Flux, Quinn, and Jarvis—ran 24/7 on isolated virtual machines with their own ProtonMail accounts. They communicated via Discord, executed shell commands, and could rewrite their own config files.
Källa: The Decoder
av Mikael Winterkvist | feb 28, 2026 | Bluesky, Mastodon, Notiser, Threads
Apple almost always gets the better part of any negotiation with its suppliers, but a sketchy report claims that this wasn’t the case when it came to buying RAM from Samsung.
The report says Samsung had asked for a 100% increase in price, expecting to negotiate down to 60%, but Apple’s desperation was such that it agreed to the first demand …
Apple has a reputation as an extremely hard-nosed negotiator when it comes to agreeing contracts with its suppliers. The company typically plays off two or three competing suppliers against each other, offering to give the largest slice of its order to the company that offers the best price.
Källa: 9to5mac
av Mikael Winterkvist | feb 28, 2026 | Artikelserier, Bluesky, Mastodon, Threads
Investeringarna i artificiell intelligens har nått nivåer som saknar motstycke i modern teknikhistoria. Under de senaste två åren har den globala AI marknaden gått från att vara ett lovande experiment till att bli den enskilt största drivkraften för kapitalflöden i Silicon Valley och globalt.
När du summerar de totala investeringarna – som inkluderar riskkapital, företagsförvärv och de enorma summor som techjättarna lägger på infrastruktur – landar siffran på svindlande nivåer. Enligt färska analyser från bland annat Goldman Sachs och Stanford Universitys AI Index, uppgår de privata investeringarna under 2024 och 2025 till närmare 350 miljarder dollar.
Hypen
Siffrorna bakom hypen Fördelningen av kapitalet visar att det inte bara handlar om mjukvara, utan om en massiv satsning på fysisk infrastruktur:
-
Riskkapital: Under det senaste året har var fjärde investerad dollar i USA gått till ett AI bolag. Totalt rör det sig om över 100 miljarder dollar i ren riskkapitalfinansiering under de senaste 24 månaderna.
-
Infrastruktur och datacenter: Apple, Microsoft och Google har tillsammans lagt över 150 miljarder dollar på att bygga ut den beräkningskapacitet som krävs för att köra de senaste modellerna.
-
Hårdvara: Nvidia har ensamt sett sin omsättning explodera när företag köpt grafikprocessorer för tiotals miljarder dollar för att träna sina system.
Pengarna
Vart går pengarna? Du ser en tydlig koncentration till ett fåtal dominerande aktörer. OpenAI, Anthropic och Elon Musks xAI har tillsammans dragit in en betydande del av det totala riskkapitalet. Samtidigt har Apple genom sitt American Manufacturing Program lovat investeringar på 600 miljarder dollar i USA fram till 2026, där en stor del är öronmärkt för AI servrar och produktion av avancerade chipp.
Denna massiva kapitalinsprutning har dock skapat en debatt om hållbarhet. Samtidigt som investeringarna ökar, kräver marknaden nu att få se faktiska intäkter och produktivitetsvinster som motiverar de enorma utgifterna.
Investeringarna i artificiell intelligens under 2024 och 2025 bygger på data från flera tunga instanser inom finans och analys.
Beräkningarna
Här är de primära källorna som ligger till grund för beräkningarna:
Stanford University: AI Index Report Detta är en av de mest omfattande sammanställningarna av AI-data. Rapporten spårar privata investeringar, forskningsframsteg och ekonomisk påverkan globalt. Siffran på närmare 350 miljarder dollar för den senaste tvåårsperioden baseras på deras spårning av riskkapital och företagsinvesteringar.
Goldman Sachs: Global Investment Research Bankens analytiker har publicerat flera rapporter under 2024 och början av 2025 som fokuserar på de enorma utgifterna för datacenter och infrastruktur. De har specifikt pekat på att AI-investeringar kan nå 200 miljarder dollar årligen globalt fram till 2025.
Crunchbase och PitchBook Dessa databaser spårar riskkapitalflöden i realtid. Statistiken om att var fjärde investerad dollar i USA går till AI kommer från deras kvartalssammanställningar över kapitalrundor för bolag som OpenAI, Anthropic och xAI.
Apples pressmeddelanden och kvartalsrapporter Informationen om Apples satsning på 600 miljarder dollar i USA fram till 2026, samt deras specifika expansion i Houston för AI-servrar, kommer direkt från företagets officiella kommunikation kring deras ”American Manufacturing Program”.
Nvidias finansiella rapporter Den extrema tillväxten inom hårdvaruinvesteringar bekräftas av Nvidias egna siffror, där försäljningen av grafikprocessorer (GPU:er) till datacenter har ökat med flera hundra procent på årsbasis.
Källor
av Mikael Winterkvist | feb 28, 2026 | Apple Creator Studio, Bluesky, Mastodon, Threads
Final Cut Pro är snabbt, intuitivt och kraftfullt, men en funktion som ofta förbises är användningen av Adjustment Layers för färg och helhetskänsla. Rätt använd ger den konsekvens i hela projektet utan att du behöver justera varje klipp för sig.
Många arbetar klipp för klipp. Färgkorrigering läggs individuellt, och när något ska ändras i efterhand blir det ett manuellt arbete. Resultatet är både tidskrävande och inkonsekvent. Med ett justeringslager kan du arbeta smartare.
Final Cut Pro har inget inbyggt adjustment layer som standard, men du kan skapa ett enkelt i Motion eller använda ett färdigt tomt titelobjekt utan grafik. Lägg det över hela tidslinjen på ett eget spår ovanför dina klipp. All effekt du lägger på detta lager påverkar allt under.
Färgkorrigera
Börja med att färgkorrigera dina klipp individuellt så att de är balanserade. När grundnivån sitter lägger du en färgjustering på adjustment layer. Det kan vara en lätt kontrastökning, subtil värme i färgtonen eller en diskret mättnadsjustering. På så sätt får hela filmen en sammanhållen ton.
Fördelen är kontrollen. Vill du senare vill dra ned värmen något eller öka kontrasten marginellt gör du det en gång, inte tjugo. Det gör även att du kan testa olika uttryck utan att förstöra det arbete du redan gjort på varje enskilt klipp.
Tekniken fungerar inte bara för färg. Du kan lägga på en lätt vinjettering, subtil film grain eller en övergripande LUT på adjustment layer. Effekten blir konsekvent genom hela produktionen.
Arbetssätt
Det är ofta den här typen av strukturerat arbetssätt som skiljer en hobbyproduktion från något som upplevs mer genomarbetat. Final Cut är byggt för tempo, men med rätt metod får du även precision. Ett justeringslager är ett enkelt grepp som ger både flexibilitet och kontroll, och som sparar tid i varje projekt du gör.
Läs mer
Redigera snabbare i Final Cut Pro med AI-sökning
Redigera snabbare i Final Cut Pro med automatiska markörer
av Mikael Winterkvist | feb 28, 2026 | Artikelserier, Bluesky, Mastodon, Threads
Bakom de glänsande gränssnitten och de smarta svaren döljer sig en fysisk verklighet som kräver enorma mängder energi. Den massiva kapitalvåg som sköljer över AI-sektorn har en direkt motsvarighet i elnäten, där datacenter nu förbrukar ström i en omfattning som tidigare var otänkbar.
Enligt Internationella energiorganet (IEA) beräknas elförbrukningen från världens datacenter fördubblas till år 2026. Det motsvarar en total konsumtion på över 1 000 terawattimmar – ungefär lika mycket som hela Japans årliga elförbrukning. Denna utveckling drivs nästan uteslutande av tränandet och körandet av storskaliga språkmodeller.
Siffrorna
Siffrorna som visar skiftet, skillnaden i energiförbrukning mellan traditionell teknik och AI är dramatisk:
-
En genomsnittlig fråga till ChatGPT förbrukar ungefär tio gånger mer el än en vanlig Google-sökning. Det rör sig om cirka 2,9 wattimmar per förfrågan jämfört med 0,3 wattimmar för en sökning.
-
Träningen av en enda avancerad AI-modell kan förbruka mer el än vad hundratals svenska hushåll gör under ett helt år.
-
I teknikintensiva länder som Irland beräknas datacenter stå för hela 35 procent av landets totala elförbrukning år 2026.
Tillväxt
Gränserna för tillväxt Du ser nu hur energifrågan har gått från att vara en driftskostnad till att bli ett strategiskt hinder. Techjättar som Microsoft och Google rapporterar att deras koldioxidutsläpp ökar, trots ambitiösa miljömål, på grund av den snabba expansionen av AI-infrastruktur. Detta har lett till att företag nu investerar miljarder i allt från egna solcellsparker till små modulära kärnkraftsreaktorer för att säkra sin framtida energiförsörjning.
Samtidigt som modellerna blir mer effektiva, ökar användningen så pass snabbt att de tekniska framstegen äts upp av den växande efterfrågan. Frågan är inte längre bara om vi har råd med AI rent ekonomiskt, utan om elnäten klarar av att leverera den kraft som krävs för att hålla servrarna vid liv.
Källor
Här är källorna som ligger till grund för analysen av AI-sektorns energiförbrukning:
av Mikael Winterkvist | feb 28, 2026 | Artikelserier, Bluesky, Mastodon, Threads
Det råder en paradox i hjärtat av den tekniska utvecklingen. Samtidigt som du ser hur AI-infrastrukturen slukar resurser, presenteras samma teknik som det viktigaste verktyget för att lösa klimatkrisen. Frågan är om de effektivitetsvinster som AI kan leverera väger tyngre än de massiva utsläpp som krävs för att hålla systemen vid liv.
Du möter idag ett narrativ där techbolagen positionerar artificiell intelligens som en möjliggörare för den gröna omställningen. Genom att optimera allt från elnät till materialforskning hävdar förespråkarna att tekniken kan spara in mer koldioxid än vad den själv genererar.
Optimering som klimatverktyg Forskning pekar på flera områden där AI faktiskt kan göra en reell skillnad för planeten:
-
Smartare elnät: AI kan förutse svängningar i produktionen av vind- och solkraft med extrem precision. Genom att matcha tillgång och efterfrågan i realtid minskas behovet av fossila reservkraftverk.
-
Materialforskning: Processen att upptäcka nya material för effektivare batterier eller koldioxidlagring, som tidigare tog decennier, kan nu kortas ner till månader med hjälp av simuleringar.
-
Precision i jordbruket: Genom att analysera satellitdata kan AI hjälpa dig att minska användningen av gödsel och vatten, vilket sänker utsläppen från livsmedelsproduktionen.
Risken för en ”Jevons paradox” Du måste dock förhålla dig kritiskt till begreppet effektivitet. Inom ekonomin talar man om Jevons paradox – fenomenet där tekniska framsteg som gör en resurs mer effektiv paradoxalt nog leder till att den totala förbrukningen ökar eftersom det blir billigare och enklare att använda den.
Om AI gör det 20 procent effektivare att köra ett datacenter, men efterfrågan på AI-tjänster samtidigt ökar med 100 procent, blir nettoeffekten för miljön ändå negativ. Det räcker alltså inte att tekniken blir ”grönare” om volymerna fortsätter att växa okontrollerat.
Slutsatsen för artikelserien blir att AI inte är en automatisk räddning. Det är ett kraftfullt verktyg som kräver politisk styrning och hårda krav på transparens. Utan en medveten reglering riskerar vi att bygga en digital framtid på bekostnad av en beboelig planet.
Källor
Här är de källor och rapporter som ligger till grund för den avslutande analysen om AI som ett verktyg för miljönytta kontra riskerna för ökad konsumtion:
- International Energy Agency (IEA): Energy and AI (April 2025) IEA:s banbrytande rapport som analyserar energisystemet och AI. Den visar att bred användning av AI-lösningar i elnätet skulle kunna spara upp till 110 miljarder dollar årligen och frigöra 175 gigawatt i överföringskapacitet genom smartare styrning.https://www.iea.org/reports/energy-and-ai
- Google DeepMind: GenCast and GraphCast Research Information om DeepMinds AI-modeller för väderprognoser som har visat sig vara tio gånger mer effektiva än traditionella superdatorer. Dessa används nu för att optimera produktionen av vindkraft och förutsäga extrema väderhändelser. https://deepmind.google/blog/gencast-predicts-weather-and-the-risks-of-extreme-conditions-with-sota-accuracy/
- Boston Consulting Group (BCG): AI in Energy – A New Strategic Playbook (2025) En strategisk rapport som granskar hur AI kan korta ner ledtider för innovation inom nya energitekniker från decennier till år, men som samtidigt varnar för att företag måste hantera sin egen energiförbrukning för att nå nettonollmål.https://www.bcg.com/publications/2025/ai-in-energy-new-strategic-playbook
- TechPolicy.Press: Jevons Paradox and AI Sustainability En kritisk analys som förklarar hur Jevons paradox appliceras på den moderna AI-industrin – där effektivare algoritmer sänker kostnaden per beräkning, vilket i sin tur leder till att efterfrågan och den totala energiförbrukningen exploderar. https://www.techpolicy.press/jevons-paradox-makes-regulating-ai-sustainability-imperative/
- Microsoft: Accelerating Sustainability with AI 2025 Microsofts årliga rapport som fokuserar på partnerskap och tekniska lösningar, såsom AI-verktyget SPARROW för att mäta biologisk mångfald, samt hur bolaget investerar i förnybar energi för att balansera sitt AI-avtryck. https://aka.ms/AcceleratingSustainabilitywithAI2025
