Még tavaly, 2025 márciusában jelent meg az arXivon a „Mesterséges Intelligencia Kutatások Magyarországon” című, átfogó tanulmány, amely először rajzolja fel egyben a hazai AI-múltat. A tanulmányból kiderül, Magyarország évtizedek óta nemcsak követi, hanem több ponton alakítja is a globális AI-fejlődést, sokszor úgy, hogy erről itthon alig tudunk.
Tartalom
Az AI-kutatások kutatásának alapinformációi
A „Mesterséges Intelligencia Kutatások Magyarországon” című áttekintő cikk 2025 márciusában került fel az arXivra, összefoglalva a hazai eredményeket a mélytanulás előtti korszakból egészen a 2010 utáni elméleti és alkalmazott AI-kutatásokig. A szerzők kifejezetten azokra az irányokra fókuszálnak, ahol a magyar kutatók nemzetközi szinten is referenciaponttá váltak, a logikai gépektől és Prologtól a megerősítéses tanuláson át a hálózattudomány és a modern neurális hálók metszetéig.
A tanulmány deklarált célja, hogy egységes narratívát adjon arról, hogyan jutott el a hazai AI az 1960-as évek kísérleteitől az AlphaGo-t megalapozó algoritmusokig és a mai, túlparametrizált mélyhálók elméletéig.
Kalmár logikai gépétől a Prolog-világig
A magyar AI-történelem ikonikus kezdőpontjaként a cikk Kalmár László 1958-as logikai gépét emeli ki, amely ítéletkalkulus-formulák kielégíthetőségét döntötte el, lényegében a mai automatikus tételbizonyítás hardveres ősét. A szegedi és budapesti iskolák már a 60–70-es években olyan nemzetközi neveket hoztak konferenciára, mint Church, McCarthy vagy Bar-Hillel, jelezve, hogy a magyar kutatók nagyon korán rákapcsolódtak az akkor még formálódó AI-diskurzusra.
A 70–80-as évek egyik sztorija az, hogy Magyarország a Prolog-világ egyik csomópontjává vált: Szeredi Péter a világon másodikként írt Prolog-interpretert, az MPROLOG pedig a kései szocializmus egyik első olyan szoftverterméke lett, amelyet jórészt külföldön értékesítettek. Ez nemcsak technológiai, hanem gazdasági értelemben is korai „startup-sikertörténet” volt, amikor ezt a szót még senki sem használta.
Elméleti áttörések, amelyekre az AlphaGo is épített
A tanulmány egyik legizgalmasabb része annak bemutatása, hogyan kötődnek magyar nevek a ma ikonikussá vált AI-eredményekhez. A Monte Carlo-alapú UCT fa-kereső algoritmus – amely a DeepMind AlphaGo-jának szíve – a SZTAKI-ban született Kocsis Levente és Szepesvári Csaba munkájaként, és máig alapreferencia a megerősítéses tanulás területén.
Szegedy Krisztián neve két, egymástól látszólag távoli, valójában mégis szorosan összefüggő területen bukkan fel: a neurális hálózatok ellenpéldás (adversarial) támadásainak felfedezésével rámutatott a mélyhálók ijesztően törékeny oldalára, míg a batch normalization révén az ipari méretekben tanított hálók stabil tanításának egyik kulcsfogását adta. A túlparametrizált neurális hálózatok meglepő stabilitásának, illetve a gradient descent viselkedésének elméleti elemzésénél Póczos Barnabás és munkatársai eredményei bukkannak fel, miközben a gráf neurális hálók elméleti „határeseteit” a Borgs–Chayes–Lovász–Szegedy-féle sűrű gráf-limeszelmélet inspirálja.
A kép ettől válik igazán izgalmassá: miközben a nemzetközi tech-sajtó főleg modellekről és termékekről beszél, a magyar kutatók több ponton a háttérben húzódó elméleti fundamentumot rakták le, olyan fogásokat, algoritmusokat és matematikai absztrakciókat, amelyek nélkül a mai AI-rendszerek nem így néznének ki.
Hazai alkalmazások: vasúti bemondótól gyártócsarnokig
A tanulmány külön fejezetet szentel annak, hogyan jelent meg az AI a magyar mindennapokban, sokszor úgy, hogy a felhasználó ebből semmit sem érzékelt. A BME beszédkutató csoportjának (Gordos, Németh, Olaszy) munkája nyomán létrejött beszédszintézisek és beszédfelismerők több generációnyi fejlesztés után olyan rendszerekben futnak, mint a ProfiVox vagy a MÁV hangos utastájékoztatása, illetve látássérültek által használt képernyőolvasók.
A SZTAKI-ban Hatvany József és Monostori László csoportja a „hiányos tudás hatékony felhasználását” tette gyártástechnológiai stratégiává: ontológia-alapú technológiatervezés, genetikus algoritmusokkal támogatott optimalizáció, ágens-alapú gyártórendszerek: mind olyan kulcsszavak, amelyek mögött konkrét ipari együttműködések és exportképes know-how állt. A nyelvtechnológiai fronton a MorphoLogic és az MTA Nyelvtudományi Intézet (ma Nyelvtudományi Kutatóközpont) munkája nélkül ma nem lenne modern magyar helyesírás-ellenőrzés, morfológiai elemzés és nagy, kutatható magyar korpusz-infrastruktúra.
Mai szemmel talán magától értetődőnek tűnik, hogy a Word alá odakattintható egy magyar helyesírás-ellenőrző, vagy hogy kereshetünk ragozott alakokra egy óriási szövegtárban; a tanulmány jól mutatja, hogy ezek mögött hosszú, sokszor alulfinanszírozott, mégis világszinten versenyképes kutatási vonalak futottak.
Merre tovább? Rejtett exportőr vagy látható AI-nagyhatalom
A modern, 2010 utáni korszakot a szerzők úgy írják le, mint egy csendes, de stratégiában erős átpozicionálódást: a hazai fókusz egyre kevésbé a látványos demókra, sokkal inkább a modellek megértésére, robusztusságára és megbízhatóságára tolódik. A Rényi Intézetben, a SZTAKI-ban, Szegeden és más egyetemeken futó programok – köztük a DYNASNET ERC szinergiaprojekt Lovász László és Barabási Albert László részvételével – már kifejezetten a komplex hálózatok és a mélyhálók közös elméletét, illetve a tanuló rendszerek stabilitását célozzák.
Ezzel párhuzamosan a megerősítéses tanulás hazai iskolája (Neu–Szepesvári vonal), a szegedi ellenpéldás kutatások vagy épp a reprezentációk robusztusságát vizsgáló Rényi-projektek mind abba az irányba mutatnak, hogy Magyarország ma kevésbé van a kirakatban, sokkal inkább csendes, de beágyazott tudásexportőr az AI-ban. A tanulmány kimondatlan, mégis egyértelmű kérdése az, hogy ebből a hosszú távon felépített intellektuális tőkéből mennyit tud a hazai ökoszisztéma nemcsak megtartani, hanem márkanévvé is formálni. Mert az AI-ban ma nem csak az számít, hogy mit tudunk, hanem az is, mennyire látszik, hogy mi tudjuk.
Kiemelt kép: HUN‑REN SZTAKI fotóarchívum / Kalmár László logikai gépe (1958 körül)
