2026. július 24., péntek · Üzlet

A Google történetében először negatív szabad cash flow-t produkált a masszív AI-beruházások miatt

A Google 2026 második negyedévében 119,8 milliárd dolláros bevételt ért el, ami meghaladta az elemzői várakozásokat, ám az AI-infrastruktúrára fordított 44,9 milliárd dolláros tőkekiadás következtében a vállalat történetében először negatív szabad cash flow-t mutatott: mínusz 5,8 milliárd dollárt – derül ki az Ars Technica részletes elemzéséből. A cég az éves tőkekiadási tervét akár 205 milliárd dollárra emelte 2026-ra, szemben a 2025-ös 91 milliárd dolláros költéssel. A Google Cloud bevétele 24,8 milliárd dollárra nőtt, ami negyedéves szinten 23,8 százalékos emelkedést jelent, és az AI-szolgáltatások iránti erős keresletet tükrözi. A vállalat továbbra is nyereséges, és több mint 100 milliárd dolláros tartalékkal rendelkezik, de a negatív cash flow aggályokat vet fel a befektetők körében.

Miért fontos?

A Google negatív szabad cash flow-ja azt jelzi, hogy az AI-fegyverkezési verseny a legnagyobb techcégek pénzügyi stabilitását is próbára teszi.

Források

Financial Times Ars Technica

Kapcsolódó témák

Napi összefoglaló

Ez a hír a 2026. július 24., péntek napi AI összefoglaló része.

Kapcsolódó hírek

Google júniusi AI-frissítései: Android 17, Gemini 3.5 Live Translate és Gemma 4 helyi futtatása

A Google összefoglalta 2026. júniusi mesterségesintelligencia-fejlesztéseit. A vállalat szerint elindult az Android 17, amelybe mélyen integrálták az AI-funkciókat, valamint bemutatkozott a Gemini 3.5 Live Translate valós idejű fordítási szolgáltatás és egy új, Geminire épülő Google Home hangszóró. A Google állítása alapján a Gemma 4 12B nyílt modell mindössze 16 GB memóriával, helyben futtatható laptopon, és egységes architektúrájában képfelismerést, hangfeldolgozást és fejlett következtetést ötvöz. Emellett a Gemini 3.5 Flash-be integrálták a számítógép-használati képességet, amellyel asztali, mobil- és böngészőkörnyezetben működő egyedi ügynökök építhetők. A frissítések a Google szerint azt a víziót tükrözik, hogy az AI a mindennapi feladatokban természetes partnerként legyen jelen.

Újabb vezető AI-kutatók hagyják el a Google-t az Anthropic kedvéért

Jonas Adler és Alexander Pritzel, a Google két vezető AI-kutatója az Anthropichoz szerződik, tovább erősítve a Google egyik fő versenytársát. Ez a lépés egy hosszabb tendencia része: korábban Noam Shazeer és John Jumper is elhagyta a céget. Közben kiderült, hogy a Google a keresőjében feltöltött képeket és egyéb médiafájlokat AI-modelljei tanítására használja fel. A felhasználóknak lehetőségük van leiratkozni erről az adatgyűjtési funkcióról, de az alapértelmezett beállítás az adatok tárolása.

Ulanqab: Belső-Mongólia lett Kína AI-adatközpont-fővárosa

A WIRED cikke szerint egy Goldman Sachs kutatási jegyzet alapján a mindössze 1,5 milliós lakosú Ulanqabban 2016 óta közel 100 adatközpont épült vagy van építés alatt, a bejelentett kapacitás összesen 12,5 gigawattra rúg, ennek több mint 70 százalékát az elmúlt egy évben jelentették be. Összehasonlításképp az OpenAI 500 milliárd dolláros Stargate projektje készen is csak 10 gigawattot ér el. A várost a hideg, magasan fekvő klíma, a Pekinghez közeli helyzet és az olcsó, szél-, nap- és szénenergiára épülő áramellátás teszi vonzóvá. A cikk szerint első ízben kínai AI-cégek, köztük a DeepSeek, a ByteDance, az Alibaba és a Xiaohongshu is saját infrastruktúrába fektetnek bérelt felhőkapacitás helyett. A projektek azonban komoly vízhiányba ütközhetnek, mivel a szárazságra hajlamos térségben a helyi vízművek már most is éjszakai korlátozásokra kényszerülnek.

Panasonic ügynök-alapú AI-t vet be repülőgépes szórakoztatórendszerek hibakeresésére

Az AWS hivatalos blogbejegyzése szerint a Panasonic Avionics Corporation – amely repülőgépes szórakoztató- és kapcsolattartó (IFEC) rendszereket üzemeltet nagy globális flottában – az AWS Generative AI Innovation Centerrel közösen ügynök-alapú mesterséges intelligencia rendszert épített ki. A megoldás Amazon Bedrock, Amazon SageMaker és AWS Glue szolgáltatásokra épül, és a cég állítása szerint jelentősen csökkenti a diagnózishoz szükséges időt a pontosság megőrzése mellett. A kihívást az jelentette, hogy az egyes flottakonfigurációk eltérő naplózási mintákat generálnak, ezért a mérnökök korábban kézi elemzéssel korrelálták a naplókat, metrikákat és jegyeket, ami órákig tartott és mély intézményi tudást igényelt. Az AWS bejegyzése kiemeli, hogy ez a folyamat rontotta a hibafelismerési és -megoldási időt, valamint sok automatizálható, ismétlődő vizsgálati feladatot tartalmazott.