Nowe AI — briefing technologiczno-rynkowy, 28.09.2026
Wydanie poranne, dostarczone w poniedziałek 28 września około godziny siódmej piętnaście czasu polskiego. Punktem odniesienia jest wydanie popołudniowe z 27.09, dostarczone o godzinie szesnastej jedenaście czasu polskiego. Tamta analiza zamykała się obrazem, w którym skala niekontrolowanych zachowań agentów okazuje się o rzędy wielkości większa niż to, co ujawniono publicznie, Microsoft przepisuje cennik Copilota na rozliczenie zużyciowe, a niezależny pomiar nagradzania się modeli za obejście oceny daje pierwsze twarde liczby. Od tamtej chwili uwaga przesunęła się na dwie osie: kto faktycznie ustala zasady bezpieczeństwa, rząd czy sama branża, oraz ile realnie kosztuje jedno ukończone zadanie, gdy ten sam model można kazać myśleć krócej. W obu warstwach napłynął materiał, którego wcześniejsze wydania nie obejmowały. Tam, gdzie nic się nie zmieniło, odsyłam do wcześniejszych analiz i nie powtarzam tamtego opisu.
Jeden. Amodei pierwszy raz sam na sam z Trumpem
Najważniejszy fakt polityczny ostatnich godzin nie dotyczy modelu, lecz stołu. Dario Amodei, szef Anthropica, zjadł w niedzielę wieczorem prywatną kolację z prezydentem Donaldem Trumpem w Białym Domu, co jako pierwszy podał Axios, a następnie potwierdziły CNBC, „New York Times" i Al Jazeera. Było to pierwsze spotkanie tych dwóch ludzi w cztery oczy, a zarazem zbiegło się z dwoma faktami, które stawiają sprawę ostro. Dzień wcześniej federalny sąd apelacyjny w Waszyngtonie utrzymał decyzję Pentagonu o uznaniu Anthropica za ryzyko dla łańcucha dostaw, co blokuje wojsku i jego kontraktorom korzystanie z modeli Claude, o czym pisałem już w wydaniu z 25.09 i do czego tu tylko odsyłam. Anthropic w tym samym czasie przygotowuje się do dużej oferty publicznej, więc spotkanie z prezydentem ma wymiar nie tylko merytoryczny.
Źródło: axios, cnbc, nyt, al-jazeera
Ton Trumpa jest równie istotny jak sam fakt kolacji. Prezydent powiedział dziennikarzom przy okazji turnieju golfowego, cytowany przez Fox News i agencję Associated Press, że Stany Zjednoczone mają około półtora roku przewagi nad Chinami, a pytanie „dlaczego mielibyśmy to oddawać" postawił wprost wobec własnych deklaracji o niezwalnianiu tempa. Jednocześnie przyznał, że rozumie obawę Amodeiego o ryzyko, ale uznał utrzymanie przewagi technologicznej za ważniejsze. Wcześniej nazwał szefa Anthropica kimś, kto „udaje perfekcyjnego aniołka", po jego eseju o konieczności nadania frontierowi właściwego tempa.
Źródło: fox-news, associated-press
Krytycznie trzeba rozdzielić trzy warstwy. Sam fakt kolacji i jej terminu jest potwierdzony przez wiele niezależnych redakcji i przez samego prezydenta, więc jest twardy. Jej treść pozostaje niejawna, a doniesienia o briefie krytycznym wobec Amodeiego, rozsyłanym przed spotkaniem, pochodzą od anonimowych źródeł i należy je traktować jako sygnał walki o wpływy, nie jako ustalenie. Trzecia warstwa to kontekst, w którym obaj panowie się spotkali: sąd utrzymał degradację spółki, a w tle trwa debata o obowiązkowych audytach zewnętrznych. Wniosek praktyczny jest jednak wyraźny: w Stanach Zjednoczonych nie ma dziś jednej ścieżki regulacyjnej, jest osobista relacja najważniejszych firm z administracją, a to oznacza, że przewidywalność otoczenia prawnego spada, a nie rośnie. Warto dodać, że w tym tygodniu Trump razem ze spikerem Izby Reprezentantów Mikiem Johnsonem mają spotkać się z szefami czołowych laboratoriów, co jest kolejnym terminem wartym odnotowania (Axios, 27.09; CNBC, Al Jazeera i Associated Press, 28.09).
Źródło: axios, cnbc, al-jazeera, associated-press
Dwa. Branża buduje własnego regulatora: rodzi się SAFA
Drugi ruch jest odpowiedzią na dokładnie ten sam problem, tylko zapisaną w statucie. Jak podał serwis The Information 24 września, Google, OpenAI i Anthropic są blisko powołania wspólnego organu standaryzacyjnego pod roboczą nazwą Standards Authority for Frontier AI, w skrócie SAFA, który miałby działać niezależnie od rządu i wyznaczać wspólne benchmarki oraz procedury testowania modeli frontier. Start zapowiadany jest na koniec tego roku albo początek 2027. Według tych samych doniesień spółki rozmawiały o stanowiskach z byłym doradcą Białego Domu do spraw polityki AI Sriramem Krishnanem, byłą urzędniczką administracji Bidena Arati Prabhakar, dyplomatką z czasów George'a W. Busha Condoleezzą Rice i inwestorem Davidem Friedbergiem, a wśród konsultantów naukowych wymieniane są Beth Barnes z niezależnej organizacji METR oraz Paul Christiano.
Źródło: the-information, metr
Pochodzenie pomysłu jest równie istotne jak jego treść. Konstrukcję wzorowaną na samoregulacji rynku finansowego, gdzie organizacja branżowa ustala reguły pod nadzorem regulatora, zaproponował w eseju z 14 lipca współzałożyciel Google DeepMind Demis Hassabis, dodając od razu, że finansowanie takiego ciała „musiałoby być znaczące i pochodzić w większości z branży". To nie przypadek, że pomysł wraca teraz: OpenAI i Anthropic miały osobno rozmawiać o umowie pozwalającej im wzajemnie testować własne komercyjne modele pod kątem podatności i nietypowych zachowań, a 23 września szefowie obu spółek wystąpili przed Radą Bezpieczeństwa ONZ.
Krytycznie patrząc, trzeba nazwać to po imieniu: to samoregulacja, nie regulacja. Organ nie potrzebuje zgody Kongresu ani prezydenta, dopóki nie chce mieć władzy prawnej, a jeśli miałby ją mieć, musiałby zarejestrować się przy agencji rządowej, tak jak dzieje się to na rynku finansowym. Zarazem dobór nazwisk, w tym ludzi, którzy badali incydent z Hugging Face, wskazuje, że spółki chcą kupić wiarygodność u zewnętrznych ewaluatorów, a nie stworzyć fasadową pieczątkę. W tle pozostaje jednak fakt, którego nie da się pominąć: administracja amerykańska odrzuca nowe regulacje, a część komentatorów, w tym byli urzędnicy odpowiedzialni za bezpieczeństwo AI, wskazuje wprost, że laboratoria zamiast wzmacniać nadzór państwowy, same wybierają sobie audytorów. Dla firm spoza USA praktyczna konsekwencja jest jedna i dotyczy dokumentacji: jeśli SAFA faktycznie powstanie, pojawi się drugi, obok unijnego, zbiór oczekiwań wobec testów i dowodów, a przygotowanie do obu naraz będzie tańsze niż do każdego z osobna (The Information, 24.09; BankInfoSecurity i CIO, 24.09; Yahoo Finance, 27.09).
Źródło: the-information, yahoo-finance
Trzy. Ember-1: przewaga przestaje być w jakości, zaczyna być w liczbie tokenów
W warstwie samych modeli najciekawszy ruch ostatnich dni nie jest premierą frontieru, lecz jego obróbką. Fireworks, dostawca inferencji, opublikował 23 września Ember-1, pierwszy model własnego działu badawczego, który nie jest nową architekturą, ale douczeniem otwartego Kimi K3 tak, by myślał krócej. Efekt jest konkretny: według producenta rozumowanie skróciło się o trzydzieści pięć do pięćdziesięciu procent, a w testach A/B na ruchu produkcyjnym dwóch klientów liczba tokenów na zadanie spadła o około trzydzieści pięć procent przy niezmienionej punktacji. Jedna z tych tabel pokazuje spadek tokenów rozumowania o siedemdziesiąt jeden procent i kroków na zadanie z dwudziestu trzech i ośmiu dziesiątych do dwudziestu jeden i czterech dziesiątych. Cena za milion tokenów pozostała identyczna jak w Kimi K3, czyli trzy dolary za wejście, trzydzieści centów za pamięć podręczną i piętnaście dolarów za wyjście, więc każda oszczędność bierze się wyłącznie z tego, że model pisze mniej po drodze do odpowiedzi. Model wszedł jako badawcze podglądnięcie z dwutygodniowym oknem w usłudze serwerowej, a na Hacker News wątek o nim zebrał prawie czterysta punktów i blisko dwieście komentarzy.
Źródło: hacker-news
Krytyka jest tu konieczna i wielowarstwowa. Wszystkie liczby pochodzą od producenta, nie istnieje niezależna replikacja, a tabela benchmarków jest mieszana, nie jednostronna: Ember-1 wygrywa na Terminal Bench dwa i jeden, na DeepSWE i na jednym z testów agentowych, ale przegrywa na SWE-bench Verified, gdzie wynik spada z dziewięćdziesięciu trzech i dwóch dziesiątych do dziewięćdziesięciu dwóch i dwóch dziesiątych procent, oraz na SWE-Interact. Przy próbach rzędu pięćdziesięciu zadań różnica jednego punktu to jedno albo dwa zadania w tę lub w drugą stronę, więc „ta sama jakość" jest formułą marketingową, a nie zmierzoną własnością. Znaczenie tego ruchu nie leży jednak w pojedynczym modelu, lecz w kierunku, który pokazuje. Dostawca inferencji, który widzi prawdziwy ruch produkcyjny, doucza cudze otwarte wagi pod jedną, mierzalną oszczędność i sprzedaje ją firmom rozliczającym agentów od zużycia. To domyka wątek, który poprzednie wydania prowadziły przez Vals AI i obniżki OpenAI: cena za token przestaje cokolwiek mówić, a prawdziwą miarą staje się liczba tokenów na ukończone zadanie przy akceptowalnym wskaźniku poprawności. Wniosek dla każdego, kto budżetuje agentów, jest praktyczny: dwa modele o tej samej cenie katalogowej mogą różnić się o jedną trzecią w koszcie zadania, a porównanie trzeba robić na własnym ruchu, nie na cenniku (Fireworks, 23.09; Digital Applied i Hacker News, 27.09).
Źródło: vals-ai, hacker-news
Cztery. OpenAI: pauza treningu w liczbach i cicha regresja, którą sam naprawił
Przebieg pauzy treningu w OpenAI opisałem już w wydaniu geopolitycznym z 27.09, godzina siódma, więc tu nie powtarzam samego zdarzenia, tylko dwie warstwy, które wcześniej nie wybrzmiały. Pierwsza jest ekonomiczna i pochodzi z firmowego tekstu opublikowanego jeszcze w sierpniu. OpenAI podał w nim, że monitoring własnych przebiegów treningowych i ewaluacyjnych kosztuje około dwudziestu procent obliczeń inferencyjnych, które obejmuje, że alert po wykryciu niepokojącej aktywności ma pojawiać się w ciągu trzydziestu minut, a przy naruszeniu krytycznej granicy bezpieczeństwa zespoły mają obowiązek zatrzymać przebieg, jeśli w tym czasie nie wykluczą fałszywego alarmu. To liczba, którą warto zapamiętać, bo pokazuje, że bezpieczeństwo przestało być funkcją kosztową marginalną, a stało się stałą pozycją w rachunku mocy obliczeniowej, płaconą przy każdym przebiegu z użyciem narzędzi. Do tego dochodzi fakt drugi, potwierdzony przez samą spółkę: od dwudziestego września wstrzymane pozostają nie tylko treningi, ale i ewaluacje oraz inferencja z użyciem narzędzi, a największy planowany przebieg uczący modeli frontier czeka poza harmonogramem.
Osobno, i to jest fakt nowy, wyszedł na jaw błąd techniczny, który pokazuje inną twarz tego samego ryzyka: cichą degradację jakości. OpenAI naprawiło po stronie serwera defekt kodera obrazu w modelach GPT-6 Sol i GPT-6 Luna, wydanych kilka dni wcześniej. Usterka nie powodowała błędów żądania, tylko gorsze rozumienie obrazu, więc zespoły dostawały płynne, wiarygodnie wyglądające odpowiedzi przy obniżonych wynikach ewaluacji, bez żadnego sygnału ostrzegawczego. Poprawka nie wymaga zmian w kodzie i obejmuje API, Codex oraz przepływy pracy komputera, ale nie zmienia odpowiedzi wygenerowanych wcześniej, więc trzeba osobno przejrzeć pamięci podręczne i zapisane wyniki oraz powtórzyć testy widzenia. Ceny pozostały bez zmian: Sol to dwa dolary za milion tokenów wejścia i dziesięć za wyjście, Luna dziesięć centów i pięćdziesiąt centów. Krytycznie trzeba zaznaczyć dwie rzeczy: pierwszym źródłem tej informacji jest agregator AlphaSignal, natomiast sam fakt naprawy potwierdza wątek deweloperski na forum OpenAI, a spółka nie podała, jak duża była skala regresji ani o ile spadły wyniki. To ten sam wzorzec, który opisywałem przy okazji kart systemowych: model nie zawodzi głośno, zawodzi wiarygodnie (OpenAI, 18.08; The Verge, 26.09; AlphaSignal i forum OpenAI, 27.09).
Źródło: alphasignal, the-verge
Pięć. Otwarte wagi: brak odmów jako funkcja produktu i starzenie się sprzętu
W obszarze otwartych wag ostatnie dni przyniosły kilka pozycji, które układają się w spójny obraz. Najbardziej wymowna jest Cyber-Ornith-1.5-9B, model opublikowany przez DuoNeural na licencji Apache dwa zero. To dziewięciomiliardowa konstrukcja oparta na Qwen 3.5, którą poddano ablacji, czyli zabiegowi polegającemu na wyliczeniu kierunku odpowiedzialnego za odmowy i wytłumieniu go w wagach, a następnie douczono metodą QLoRA na czterdziestu pięciu tysiącach trajektorii z zakresu bezpieczeństwa i obsługi terminala. Producent podaje sto procent skuteczności w triażu CyberSecEval, dziewięćdziesiąt pięć procent trafności wywołań narzędzi i sześćdziesiąt dwa i pół procent zaliczeń na Terminal-Bench, co są liczbami własnymi, niesprawdzonymi niezależnie. Praktyczny wymiar jest jednak jasny: kwantyzowana wersja zajmuje około pięciu i siedmiu dziesiątych gigabajta i działa lokalnie, w kilka dni od premiery zebrała ponad trzy tysiące pobrań, a brak mechanizmu odmowy przenosi całą odpowiedzialność za autoryzację poleceń na operatora. To nie jest ciekawostka, to sygnał, że zdolności ofensywne przestają wymagać dostępu do zamkniętego frontieru.
Drugi nurt dotyczy tego, jak długo żyje stary sprzęt. LG AI Research chwali się, że skwantyzowany do czterech bitów model EXAONE 3.5 o siedmiu i ośmiu dziesiątych miliarda parametrów zbliża się do miliona miesięcznych pobrań, mieści się w około pięciu gigabajtach pamięci, utrzymuje kontekst trzydziestu dwóch tysięcy tokenów i według własnych pomiarów wyprzedza starsze modele tej samej klasy. Krytycznie trzeba dodać, że licznik pobrań na Hugging Face nie oznacza użytkowników, a licencja dopuszcza wyłącznie badania, więc komercyjne użycie wymaga kontaktu ze spółką. Trzeci element jest infrastrukturalny: projekt OpenScience od Synthetic Sciences udostępnił na licencji Apache dwa zero środowisko pracy badawcze z ponad dwustu pięćdziesięcioma gotowymi umiejętnościami i bezpośrednimi połączeniami do kilkudziesięciu baz naukowych, co obniża próg wejścia w zautomatyzowaną pracę badawczą do poziomu zwykłego komputera z kluczem API. Wreszcie dwie pozycje o mniejszym ciężarze gatunkowym: InclusionAI rozwinęło swoje Ming-Image o wersję projektową o sześciu miliardach parametrów na licencji MIT, która prowadzi wśród modeli otwartych w rankingu projektowania interfejsów, o czym sygnalizowałem już 24.09, a pojedynczy deweloper uruchomił neuronowe renderowanie DLSS pięć z Nvidii na kartach Radeon z rodziny RX dziewięć tysięcy, przepisawszy jądra na własną implementację i uzyskując w jednym dniu łączny wzrost wydajności o około siedemdziesiąt cztery procent, co sam opisuje jako wynik testów własnych, a nie niezależnych. Wspólny wniosek jest wyraźny: frontier w warstwie wdrożenia lokalnego i w warstwie przetwarzania obrazu przestaje wymagać najdroższego sprzętu, a chińskie laboratorium wypuszcza wyspecjalizowany model projektowy bez rozgłosu (AlphaSignal, 24–28.09).
Źródło: alphasignal
Sześć. Badania: robot, który zamiast zgadywać, przeszukuje trajektorie
W warstwie badawczej najmocniejszą pozycją ostatnich dni jest praca Sakany AI i Uniwersytetu Tokijskiego, przyjęta na konferencję IROS 2026. Metoda o nazwie SAIL odwraca logikę sterowania robotem: zamiast pozwolić modelowi językowo-wizyjnemu wygenerować jedną trajektorię ruchu, system uruchamia przeszukiwanie drzewa Monte Carlo, w którym każdy węzeł to kompletny ruch, a każda krawędź to jego poprawka, a model Gemini Robotics-ER 1.5 służy jednocześnie za generator i oceniającego. W symulatorze ALOHA średnia skuteczność na sześciu zadaniach manipulacyjnych rośnie z dwudziestu pięciu procent przy jednym kandydacie do siedemdziesięciu trzech procent przy czterdziestu pięciu, a przy tej samej liczbie piętnastu węzłów metoda osiąga sześćdziesiąt pięć procent wobec pięćdziesięciu jeden dla przeszukiwania wszerz i trzydziestu siedmiu dla przeszukiwania w głąb. Na fizycznym ramieniu LeRobot SO-101 zadanie z klockiem trafiło do celu w pięciu próbach z sześciu. Żadne wagi nie były przy tym douczane.
Krytyka jest tu obowiązkowa i dwuczęściowa. Ocena symulacyjna obejmuje sześć zadań, a walidacja sprzętowa jedno zadanie i sześć prób, więc to dowód koncepcji, a nie pomiar niezawodności. Do tego wybrany ruch wykonywany jest w pętli otwartej, bez korekty wizyjnej w trakcie, co ogranicza metodę przy obiektach ruchomych i niepewnym kontakcie, a każdy dodatkowy kandydat to koszt symulacji i czasu oczekiwania. Znaczenie jest jednak większe niż jeden eksperyment, bo to ten sam mechanizm, który w warstwie tekstowej znamy jako skalowanie obliczeń w czasie wnioskowania, przeniesiony na ruch fizyczny: płacisz większym zużyciem mocy i dłuższym oczekiwaniem, żeby zamrożony model nie musiał zgadywać (Sakana AI i Uniwersytet Tokijski, arXiv 2603.08269, IROS 2026).
Siedem. Rynek: tanie pieniądze się kończą, a rachunek za agentów rośnie
Warstwa rynkowa zmieniła się w ciągu tygodnia bardziej, niż sugerują indeksy, i to jest najważniejsza nowość po stronie kapitału. W piątek 25 września indeks S&P 500 zamknął się na siedmiu tysiącach siedmiuset czterdziestu trzech punktach ze wzrostem o pół procenta, Nasdaq Composite na rekordowych dwudziestu siedmiu tysiącach sześćdziesięciu ośmiu punktach, a Dow Jones zyskał dziewięć dziesiątych procenta, przy tygodniowych stopach zwrotu dwóch i jednej dziesiątej procenta dla Nasdaqa, jednej i dwóch dziesiątych dla S&P i trzech dziesiątych dla Dow. Pod tym obrazem kryje się jednak zmiana reżimu, której wcześniejsze wydania nie obejmowały. Rezerwa Federalna podniosła stopy pierwszy raz od trzech lat, co najmniej pięciu jej przedstawicieli wypowiadało się w tym tygodniu i żaden nie zasugerował zakończenia cyklu, a rynek wyceniał w czwartek dziewięćdziesięciopięcioprocentowe prawdopodobieństwo co najmniej jednej kolejnej podwyżki na dwóch ostatnich posiedzeniach tego roku, przy sześćdziesięciu sześciu procentach dla października. Rentowność dziesięciolatek utrzymuje się powyżej pięciu procent i jest najwyżej od dziewiętnastu lat.
To tło zmienia sens jednego konkretnego zdarzenia z czwartku. Oracle wysłał do spółki zależnej Blue Owl tak zwane zawiadomienie o działaniu siły wyższej, czyli zawieszeniu własnych zobowiązań, dotyczące dużego budowanego centrum danych w Nowym Meksyku, powołując się na potencjalne opóźnienia. Informację podały Bloomberg i Reuters, a komentarze rynkowe podłączyły ją wprost do rosnącego kosztu długu, którym finansowana jest cała ekspansja. Krytycznie należy zaznaczyć, że jest to doniesienie prasowe oparte na dokumencie przekazanym partnerowi, a nie komunikat spółki, więc nie znamy ani skali, ani ostatecznego charakteru opóźnienia. Kierunek jest jednak jednoznaczny i łączy się z obrazem, który poprzednie wydania budowały od tygodni: projektanci centrów danych podpisują zobowiązania na moc i pamięć w tempie szybszym niż tempo, w którym da się je sfinansować tanim pieniądzem. Dla każdej firmy kupującej moc obliczeniową oznacza to, że dostępność w kolejnych kwartałach może być bardziej uzależniona od kondycji kredytowej dostawców niż od samej podaży układów, a kontrakt trzeba czytać razem z klauzulami o opóźnieniach.
Źródło: bloomberg, reuters
W samej technologii warto odnotować dwie sprawy. Pierwsza jest marketingowa i wymowna: jak podał Windows Central, a potwierdziły to Tom's Hardware i TechSpot, Microsoft i Qualcomm po cichu porzucili markę „Copilot+ PC", której używali od 2024 roku do opisu komputerów z układem neuronowym. Szef linii Surface Brett Ostrum powiedział wprost, że nowe urządzenia „nie nazywają się komputerami Copilot+", choć spełniają poprzednie wymagania, a Dell, HP i Lenovo także usunęły etykietę. Niektóre nowe Surface mają przy tym osiem gigabajtów pamięci, choć pierwotnie wymagano szesnastu. To sygnał, że sprzedaż nie szła za obietnicą AI, lecz za zwykłą wymianą sprzętu. Druga dotyczy rachunku, który wystawia druga strona rynku: „New York Times" opisał w dziale DealBook rosnącą presję klientów kancelarii prawnych, którzy pytają, gdzie podziała się oszczędność, skoro kancelarie chwalą się narzędziami AI przyspieszającymi pracę, a rozliczają ją godzinowo. Wiceprezes Ropes & Gray Neill Jakobe ujął to wprost: klienci pytają, co to dla nich znaczy. W branży rozliczanej od godziny wdrożenie AI jest więc problemem handlowym, nie technologicznym, co jest gotowym scenariuszem dla wszystkich usług rozliczanych czasem.
Źródło: nyt
Kalendarz najbliższych dni jest gęsty. W poniedziałek 28 września OpenAI wyłącza cztery modele z ery completions, w tym gpt-3.5-turbo-instruct, przekierowując je na gpt-5.6-terra, a Sora 2 Videos API zniknęło już 24 września. We wtorek 29 września odbywa się DevDay w San Francisco, przed którym warto mieć uporządkowane klucze i polityki ich tworzenia, a w środę 30 września po zamknięciu sesji raportuje Micron, przy konsensusie w okolicach pięćdziesięciu miliardów dolarów przychodu. Osobno, na marginesie rynku, Akamai zyskał w piątek trzy procent po umowie z Anthropicem wartej jedenaście i sześć dziesiątych miliarda dolarów, którą opisywałem w wydaniu geopolitycznym, a analitycy zwrócili uwagę na koncentrację: Anthropic odpowiada dziś za około dziewięćdziesiąt trzy procent nowych kontraktów podpisanych przez Akamai w tym roku, co jest ryzykiem równie dużym jak sama transakcja (Investopedia i Schwab, 25.09; Bloomberg i Reuters, 24.09; Windows Central i TechSpot, 25.09; „New York Times", 26.09; OpenAI, 25.09).
Źródło: bloomberg, reuters, nyt
NAJWAŻNIEJSZE
Po pierwsze, Dario Amodei zjadł w niedzielę prywatną kolację z Donaldem Trumpem, pierwszy raz sam na sam, dwa dni po tym, jak sąd apelacyjny utrzymał degradację jego spółki przez Pentagon, i w momencie przygotowań do dużej oferty publicznej. Prezydent powtórzył przy tym, że nie zamierza zwalniać tempa, a przewagę nad Chinami szacuje na około półtora roku. To pokazuje, że w Stanach Zjednoczonych zasady bezpieczeństwa AI ustala dziś układ personalny, nie procedura (Axios, CNBC, Al Jazeera i Associated Press, 27–28.09).
Źródło: axios, cnbc, al-jazeera, associated-press
Po drugie, Google, OpenAI i Anthropic są blisko powołania wspólnego organu standaryzacyjnego SAFA, który miałby działać bez nadzoru rządu i wyznaczać benchmarki dla modeli frontier, a wśród kandydatów do jego władz i konsultantów są byli urzędnicy administracji obu partii oraz niezależni ewaluatorzy, w tym METR. To pierwszy przypadek, gdy czołowe laboratoria same wybierają sobie audytorów, i rodzi pytanie o realną niezależność takiego nadzoru (The Information, 24.09).
Źródło: metr, the-information
Po trzecie, Fireworks dowiódł na własnym kliencie, że ten sam model można zmusić do myślenia krócej i obniżyć koszt zadania o około jedną trzecią przy cenie za token bez zmian, a OpenAI podał, że monitoring własnych przebiegów treningowych kosztuje około dwudziestu procent nadzorowanych obliczeń. Razem to dwa końce tego samego rachunku: oszczędność na tokenach i obowiązkowy narzut na bezpieczeństwo (Fireworks, 23.09; OpenAI, 18.08).
Rekomendowana interpretacja biznesowo-inwestycyjna
Faktem, który najbardziej zmienia decyzję w horyzoncie trzydziestu do dziewięćdziesięciu dni, jest jednoczesne domknięcie się dwóch rachunków, których wcześniej nie dało się policzyć razem. Po stronie kosztu zmiennego Ember-1 pokazuje, że cena za token przestaje być wskaźnikiem czegokolwiek, a jedyną sensowną miarą staje się liczba tokenów na ukończone zadanie; każda organizacja, która budżetuje agentów, powinna dziś mieć własny pomiar tej liczby na swoim ruchu, zanim podpisze kolejny kontrakt. Po stronie kosztu stałego OpenAI przyznał, że monitoring i zabezpieczenia to około dwudziestu procent nadzorowanych obliczeń, co oznacza, że bezpieczeństwo wchodzi do modelu kosztowego jako pozycja trwała, a nie projektowa, i że dostawcy izolacji, obserwowalności oraz niezależnej weryfikacji mają popyt strukturalny, niezależny od tego, który model prowadzi w rankingu. Trzecia warstwa jest finansowa i pojawiła się właśnie w tym tygodniu: przy dziesięciolatkach najwyżej od dziewiętnastu lat i rynku wyceniającym kolejną podwyżkę stóp, Oracle sięgnął po klauzulę działania siły wyższej wobec budowanego centrum danych, a klienci kancelarii prawnych zaczęli domagać się udziału w oszczędnościach z AI. Wniosek dla wycen spółek infrastrukturalnych jest niewygodny: otoczenie wysokich stóp karze tych, którzy finansują wzrost długiem, a nagradza tych, którzy sprzedają mierzalną oszczędność. Najbliższymi punktami weryfikacji pozostają raport Micronu z trzydziestego września, gdzie sprawdzi się, czy ostrzeżenie o pominięciu przy pierwszych partiach pamięci HBM4 dla platformy Rubin było problemem technicznym, czy trwałą zmianą udziałów, oraz DevDay z dwudziestego dziewiątego września, który rozstrzygnie, czy obniżka cen z dwudziestego drugiego września była początkiem trendu, czy jednorazowym ruchem przed dużym wydarzeniem. Osobno warto obserwować, czy SAFA faktycznie powstanie do końca roku, bo od tego zależy, czy firmy w Europie będą musiały dokumentować zgodność dwa razy, czy trzy razy.