100 000 bilder i sekunden: AI har blivit oumbärligt i kritiska verksamheter
AI granskar 100 000 röntgenbilder i sekunden – människan kan inte hänga med.
När datamängden springer ifrån människan
Det finns ett ögonblick i varje teknologisk omställning då verktyget slutar vara experimentellt och börjar vara nödvändigt. Det verkar som att AI befinner sig just där nu — inte i pressmeddelanden, utan i praktiken.
Ta Lawrence Berkeley National Laboratory i Kalifornien, ett av USA:s energidepartements flaggskepp för grundforskning. Anläggningens röntgenkälla — en accelerator stor som en fotbollsplan — producerar ljusstrålar som används för att studera material på atomär nivå. Det låter imponerande, och det är det. Men det har uppstått ett problem som ingen Nobelpristagare kan lösa med sin hjärna ensam: detektorerna har gått från att fånga en enskild bild var sjätte sekund till 100 000 bilder per sekund. Energidepartementets ljus- och neutronkälleanläggningar producerar nu tiotals petabyte data varje år — ungefär motsvarande två miljoner timmars högupplöst videoströmning.
Manuell analys är inte längre ett alternativ. Det är inte ens en tanke.
Lösningen, rapporterar Meta AI Blog, har vuxit fram kring Metas egna öppna modeller. Kärnan i problemet är det som kallas segmentering — att identifiera och rita ut exakta gränser runt strukturer i bilder. Det är en uppgift som kräver både precision och hastighet, och som tidigare krävde ämnesexpertis som det råder brist på. Nu hanterar AI-modeller baserade på Metas öppna arkitektur detta vid fem nationallaboratorier, i nästintill realtid. Forskarna kan följa dynamiska processer — kemiska reaktioner, hur material spricker under belastning — medan de sker, i stället för att analysera resultaten dagar senare.
Det är en fundamental förändring av hur vetenskap bedrivs.
Arméns tokiga april
Med ungefär lika stor dramatik, fast av ett annat slag, rapporterar Wired om ett internt mejl som gick ut till anställda vid den amerikanska arméns forsknings- och utvecklingskommando i mitten av juni 2026: bromsa er AI-användning. Årskvoten av så kallade polletter — de räkneenheter som styr hur mycket text en användare kan skicka till en språkmodell — var slut. Trots att kvoten förklarats "obegränsad" bara månader tidigare.
Försvarsministeriet hade i maj skrutit om att nära hälften av sina 3,5 miljoner anställda använde AI i tjänsten. Plattformen heter Ask Sage och är godkänd för känslig men ej hemligstämplad information. Där kan anställda köra modeller från Google, Meta och OpenAI — och använda dem för allt från att skriva om personalbeskrivningar till att definiera arbetsuppgifter.
Enligt interna handlingar som Wired tagit del av fick varje anställd minst 200 000 polletter per månad, med möjlighet att automatiskt få mer vid behov. Den totala årskvoten uppgick till 100 miljoner polletter. En pollett motsvarar ungefär 3,7 tecken — vilket ger en fingervisning om hur mycket text som faktiskt genererades innan systemet gasade i botten.
Den anonyma arméanställd som talade med Wired berättar att anställda aktivt uppmanades att använda så mycket AI som möjligt, och att kollegor som inte utnyttjat sina tilldelade polletter fick påpekanden om det. Ironin skriver sig själv: entusiasmen var så stor att den slog i taket.
Två sidor av samma mynt
De två berättelserna liknar varandra mer än de ser ut att göra vid första anblick. I båda fallen handlar det om verksamheter som tagit AI på allvar — inte som ett framtidsprojekt, utan som ett driftsverktyg. I båda fallen har verkligheten satt käppar i hjulet, fast på olika vis: i laboratoriet var problemet att mänsklig kapacitet inte räckte till; i försvaret var problemet att infrastrukturen inte räckte till.
Det är en nyttig påminnelse om att AI-omställningen inte är linjär. Att börja använda kraftfulla modeller i stor skala kräver planering längs hela kedjan — beräkningskraft, budgetar, tillgång till rätt kompetens för att tolka resultaten. Tekniken är sällan det svåraste hindret. Det är allt runtomkring som tar tid att anpassa.
Men riktningen är tydlig. AI används på riktigt nu — i miljöer där felmarginalerna är låga och kraven på precision är höga. Det är något annat än en chattbot på en e-handelssajt.
Vår analys
De här två fallen illustrerar en mognadsresa som är viktig att förstå: AI har lämnat prövostadiet. När nationallaboratorier börjar förlita sig på öppna modeller för att hålla jämna steg med sin egen datainsamling, och när en försvarsmakt förbrukar ett helt års AI-budget på veckor för att vanlig kontorsverksamhet kräver det — då har vi passerat en tröskel.
Det intressanta är inte att det uppstår problem. Det är att problemen är skalningsproblem, inte trovärdighetsproblem. Ingen ifrågasätter om AI är användbart — frågan är hur man dimensionerar infrastrukturen rätt.
För den som bygger system är lärdomen skarp: behovsanalysen måste komma före driftsättningen. Pollettbudgetar, beräkningskapacitet och dataflöden behöver planeras med marginal för att entusiasmet inte ska kväva sig självt. Det som hände i armén är inte ett misslyckande — det är ett förutsägbart resultat av att distribuera kraftfulla verktyg brett utan att dimensionera för det faktiska nyttjandet. Nästa steg är att bli bättre på just det.