Nowe AI — briefing technologiczno-rynkowy, wydanie poranne 3.10.2026
Wydanie poranne, dostarczone w sobotę trzeciego października około godziny 06:47 czasu polskiego. Punktem odniesienia jest ostatnia analiza, która realnie dotarła na wątek, czyli wydanie popołudniowe z 2.10, przekazane około godziny 16:10 czasu polskiego, a więc nowy materiał obejmuje okno od piątkowego popołudnia do dzisiejszego poranka. Tamto wydanie zamykało się wokół rekordu Nvidii i nowej architektury finansowania chipów, wejścia modeli decyzyjnych do platform danych oraz dwóch badań o wnętrzu modeli. Dzisiejszy zestaw jest inny w charakterze: to w przeważającej części nauka i infrastruktura otwartych wag, a nie kolejna premiera frontierowa. Nowego flagowego modelu w tym oknie nie było, więc obszar wydań modeli frontierowych pozostaje bez zmian względem analizy z 2.10, godzina 16:10. Tam, gdzie nic się nie zmieniło, odsyłam do wcześniejszych wydań i nie powtarzam opisu.
Jeden. Meta pokazuje, że model pomaga rozwiązywać otwarte problemy matematyczne, ale pod nadzorem człowieka
Najmocniejszy nowy fakt ostatniej doby jest naukowy i pochodzi od Meta. Drugiego października zespół badawczy spółki udostępnił sześć prac matematycznych, które powstały we współpracy z modelem Muse Spark, i twierdzi, że pięć z nich odpowiada na pytania, które do tej pory pozostawały otwarte. Prace dotyczą prawdopodobieństwa, równań różniczkowych cząstkowych, teorii grup, optymalizacji, fizyki arytmetycznej i algebry nieasocjacyjnej, a co najważniejsze, cała współpraca odbywała się przez zwykły interfejs czatu Meta.ai w trybie rozumowania, bez dedykowanego systemu badawczego i bez podłączonego dowodzika czy wyszukiwarki prac. Najkonkretniejszy przykład dotyczy teorii grup: model wygenerował program w systemie GAP, który znalazł kontrprzykład o trzystu osiemdziesięciu czterech elementach obalający postawioną w 2024 roku hipotezę Kidy, a następnie matematycy zweryfikowali ten wynik i dokończyli dowód. Informację podało samo Meta AI Research, a opisały między innymi serwis Superpower Daily i „The Verge", drugiego października.
Źródło: the-verge
Krytyczna analiza wiarygodności nakazuje tu zachować dużą ostrożność i rozdzielić dwie warstwy. Sam fakt opublikowania sześciu prac z jawnym oznaczeniem, które fragmenty napisał człowiek, a które model, jest wart odnotowania, bo to rzadka transparentność. Natomiast sposób prezentacji wyników ma wbudowaną stronniczość selekcji: ogłoszono sześć udanych współprac, ale nie podano, ile problemów porzucono, ile podejść zawiodło ani ile godzin pracy ludzi pochłonęła całość. Co więcej, sam producent przyznaje, że trzy z tych wyników zostały niezależnie udowodnione przez inne zespoły w tym samym czasie i innymi metodami, co znaczy, że część pytań była już bliska rozstrzygnięcia. Trzeba też jasno powiedzieć, gdzie przebiega granica odpowiedzialności: to matematycy wybierali problemy, prowadzili eksplorację i weryfikowali każdy krok, więc nie mamy tu do czynienia z autonomicznym odkryciem, lecz z pomocą badawczą pod nadzorem ekspertów. Sens jest jednak realny i spójny z obrazem, który seria opisuje od tygodni: model przestaje być wyłącznie generatorem odpowiedzi, a staje się narzędziem pośredniej pracy naukowej, które generuje kandydatów na dowody, kod wyszukujący i szkice rozdziałów do sprawdzenia przez człowieka.
Tego samego dnia Meta dołożyła drugi, lżejszy element tego samego kierunku. Spółka otworzyła kod projektu Muse Gadgets: firmware dla układów ESP32 i zestaw narzędzi dla Linuksa na licencji Apache 2.0, pozwalające zbudować własne urządzenie połączone z agentem Muse, a także rozdysponowała pięć tysięcy egzemplarzy własnego gadżetu Muse Home Link na zasadzie zapisów, o czym napisali TechCrunch i „The Verge". To epizod produktowy, ale pokazuje strategię: Meta chce, by jej agent był obecny nie tylko w aplikacji, ale w dowolnym sprzęcie, co jest próbą zbudowania dystrybucji niezależnej od telefonu.
Źródło: techcrunch, the-verge
Dwa. Ataraxos: przełom w grach o niepełnej informacji, osiągnięty taniej niż kiedykolwiek
Druga sprawa badawcza nie pojawiała się dotąd w naszej serii i zasługuje na osobną uwagę. Praca opublikowana trzydziestego września w „Nature" opisuje system Ataraxos, zbudowany przez badaczy z MIT, Carnegie Mellon, Uniwersytetu Nowojorskiego i Stanforda, który rozwiązał problem, z którym nie poradziło sobie wcześniej nawet DeepMind: grę w Stratego, czyli planszową grę wojenną o niepełnej informacji, gdzie tożsamość bierek przeciwnika pozostaje ukryta. Ataraxos pokonał uznawanego za najlepszego gracza w historii Pima Niemeijera stosunkiem piętnastu zwycięstw do jednej porażki przy czterech remisach, a na mistrzostwach świata zanotował trzydzieści dziewięć zwycięstw i dwie porażki. Kluczowe nie jest jednak samo zwycięstwo, lecz jego koszt. System wytrenowano na szesnastu układach H100 przez tydzień, a model wierzeń o ukrytych bierkach na czterech układach przez cztery dni, co autorzy wyceniają na mniej niż osiem tysięcy dolarów wynajmu sprzętu w cenach z 2025 roku, podczas gdy koszt wcześniejszego DeepNasha szacują na od trzech do czterech i pół miliona dolarów. Innymi słowy, użyto mniej niż jednej setnej przykładów treningowych i mniej niż jednej trzydziestej partii treningowych. Informacje podały MIT News trzydziestego września oraz Ars Technica drugiego października.
Istota metody jest inżynierska i przenośna. Zamiast mnożyć rozmiar modelu, zespół rozdzielił dwa zadania: szeroką strategię wstępną wyuczył przez samodzielną grę, a następnie w każdej konkretnej partii dołożył planowanie w czasie decyzji oparte na osobnym modelu generatywnym, który szacuje prawdopodobieństwa ukrytych układów przeciwnika i skupia obliczenia na najbardziej prawdopodobnych scenariuszach. Ten sam mechanizm zadziałał w innych grach o ukrytej informacji, w tym w szybszym wariancie Stratego, w kooperacyjnej grze Hanabi oraz w chińskiej grze w karty. Trzeba jednak zaznaczyć ograniczenia, które sami autorzy podnoszą. Gry mają stałe reguły i tanie, wiarygodne symulacje, więc wynik nie dowodzi, że małe zespoły mogą tak samo tanio wytrenować dowolny system decyzyjny. Osiem tysięcy dolarów obejmuje wyłącznie moc obliczeniową, a nie pensje, prace badawcze ani infrastrukturę instytucjonalną. System nie potrafi na razie wyjaśnić swoich decyzji, a autorzy wprost mówią, że bez warstwy audytu nie widzą drogi do praktycznego wdrożenia. Mimo tych zastrzeżeń sens jest czytelny: przewagę można zbudować nie skalą, lecz lepszym podziałem pracy między przygotowanie ogólne a rozumowanie celowane, a to teza, która dla zakupów sprzętu i usług ma bezpośrednie znaczenie.
Trzy. Otwarte wagi przechodzą z samego wydawania modeli do warstwy serwowania i narzędzi
Trzeci obszar jest infrastrukturalny i w ciągu jednej doby napłynęły w nim trzy premiery, które układają się w jeden obraz. Pierwszą jest Prime Inference, uruchomiony przez Prime Intellect drugiego października. To produkcyjna warstwa serwowania modeli otwartoźródłowych, zgodna z interfejsem OpenAI, oferująca zarówno tryb serverless, jak i rezerwację mocy, działająca na własnych układach Nvidii z serii Blackwell, z automatycznym przełączaniem między centrami danych w razie awarii. Spółka podaje, że jej stos produkcyjny przetwarza około sześciuset miliardów tokenów dziennie na własnym sprzęcie, a pierwszym publicznie hostowanym modelem jest GLM-5.3 chińskiej pracowni Zhipu. W opisie technicznym pojawiają się rozwiązania, które wcześniej znaliśmy głównie z laboratoriów: rozdzielenie przetwarzania zapytania od generowania odpowiedzi, kompresja pamięci podręcznej KV oraz wymuszanie poprawnych wywołań narzędzi na poziomie dekodowania. Informację podał Prime Intellect na swoim blogu drugiego października.
Drugą premierą jest AstaBrief 8B od instytutu Ai2, otwarty model na licencji Apache 2.0, zbudowany na bazie Qwen3-8B, który zamienia pytanie badawcze i fragmenty literatury w raport z cytowaniami. Wbudowano go jako szybki tryb obok dotychczasowego trybu opartego na modelu Claude, a w całym potoku generowanie raportu skraca się z około stu siedemdziesięciu ośmiu sekund do pięćdziesięciu jeden, czyli jest ponad trzy i pół raza szybsze. Instytut przyznaje jednak uczciwie, że większość treningu i ewaluacji prowadzono w 2025 roku i nie powtórzono ich wobec dzisiejszych modeli frontierowych, więc wyników nie należy czytać jako porównania z obecną czołówką. Trzecią jest LFM2.5 o rozmiarze dwóch i sześciu dziesiątych miliarda parametrów, wydany przez Liquid AI we współpracy z Hugging Face, przeznaczony do pracy na urządzeniach lokalnych, z wynikiem około dwustu dwudziestu tokenów na sekundę w mniej niż dwóch i pół gigabajta pamięci. Jego osobliwością jest sposób treningu: uczono go wewnątrz czterech różnych środowisk agentowych jednocześnie, co poprawiło skuteczność w zadaniach testowych o około dwanaście punktów. To sygnał, że warstwa narzędziowa, czyli tak zwany harness, staje się równie ważna jak sam model, i że trening pod konkretne środowiska daje mierzalny przyrost bez zwiększania rozmiaru.
Wspólny mianownik tych trzech premier jest wyraźny i spójny z tym, co seria opisuje od tygodni. Otwarte wagi przestały być wyłącznie odpowiedzią na pytanie o dostęp do modelu, a stają się pełnym stosem: ktoś buduje serwowanie z gwarancjami jakości, ktoś inny otwiera wyspecjalizowany model naukowy, a jeszcze ktoś inny uczy mały model pracy w konkretnych narzędziach. Trzeba przy tym zachować sceptycyzm co do liczb: Prime Intellect podaje własne pomiary przepustowości i niezawodności, Ai2 sam zaznacza, że jego porównania pochodzą sprzed kwartału, a wynik LFM2.5 pochodzi od dostawcy i wymaga niezależnego powtórzenia. Kierunek jest jednak czytelny: różnica między otwartym a zamkniętym przestaje dotyczyć wyłącznie jakości modelu, a zaczyna dotyczyć tego, kto oferuje wokół niego niezawodną, wycenioną w SLA usługę.
Cztery. Dostęp do modelu jako decyzja administracyjna: Anthropic pomija brytyjski instytut
Czwarta sprawa jest regulacyjna i stanowi rozwinięcie wątku, który opisywaliśmy już wcześniej. Przypomnę jednym zdaniem: pod koniec września „Politico", a za nim Reuters, podało, że Biały Dom poprosił OpenAI i Anthropica o niedzielenie się nowymi modelami z brytyjskim Instytutem Bezpieczeństwa AI do czasu przeglądu amerykańskiego. Dziś napłynął konkretny skutek tej prośby. Jak ustalił „Financial Times", a za nim portale ITPro i The Next Web, Anthropic nie przekazał Instytutowi swojego najnowszego modelu Claude Mythos 5.1 do testów przedpremierowych, mimo że dostęp do podobnych organizacji amerykańskich został przyznany. To pierwszy przypadek, w którym brytyjski instytut, mający od lat uprzywilejowany dostęp do modeli Anthropica, został pominięty przy ewaluacji przedpremierowej, a urzędnicy w Londynie mówią wprost o obawie przed szerszym zwrotem protekcjonistycznym ze strony amerykańskich firm. Brytyjskie biuro gabinetu odpowiada, że kraj pozostaje liderem w bezpieczeństwie AI i że instytut wciąż współpracuje z branżą, przypominając, że jeszcze w zeszłym tygodniu testował GPT-6 Astra przed premierą.
Źródło: politico, reuters, financial-times
Interpretacja jest tu dwuwarstwowa i wymaga ostrożności. Z jednej strony mamy potwierdzony fakt: brytyjski organ testujący nie dostał modelu, a dostęp ograniczono do wyselekcjonowanych organizacji amerykańskich. Anthropic nie wyjaśnił publicznie powodów, do czasu publikacji nie odpowiedział też na pytanie portalu ITPro, więc przyczynę możemy opisywać tylko jako zbieżną w czasie z prośbą Białego Domu, nie jako potwierdzoną decyzję polityczną. Z drugiej strony wymowa tego zdarzenia jest szersza niż jedna firma: dostęp do modelu frontier przestaje być wyłącznie kwestią ceny i umowy, a staje się narzędziem polityki wobec sojuszników. To dokładnie ta sama oś, którą sygnalizował briefing geopolityczny, więc traktuję to jako uzupełnienie o stronę brytyjską, a nie nowy wątek.
Pięć. Rynek i chipy: krótko, bez powtórzeń
W warstwie rynkowej nie ma dziś nowej sprawy wobec wydania popołudniowego, w którym opisano pierwszy od maja rekord Nvidii i zbliżenie kapitalizacji do sześciu bilionów dolarów, o czym informował Bloomberg. Uzupełnić warto jedynie kontekst sesji z piątku drugiego października, bo dopełnia obraz. Amerykańskie indeksy zamknęły dzień na plusie po słabszym od oczekiwań raporcie o zatrudnieniu: gospodarka dodała dwadzieścia dziewięć tysięcy miejsc pracy, a stopa bezrobocia wzrosła do czterech i dwóch dziesiątych procenta, co utwierdziło rynek w oczekiwaniu, że Fed wstrzyma się z decyzją o stopach. S&P 500 wzrósł o siedem dziesiątych procenta do siedmiu tysięcy siedmiuset dwudziestu dwóch punktów, a Nasdaq o jeden i dwa dziesiąte procenta do dwudziestu siedmiu tysięcy stu dziewięćdziesięciu punktów, ustanawiając w ciągu dnia historyczny szczyt. Wspólnie z Nvidią rekordy ustanowiły także AMD, CrowdStrike i Palo Alto Networks, o czym informowały CNBC i Reuters. Konsekwencja jest praktyczna: tania gotówka i słabszy rynek pracy działają dziś w kierunku podtrzymania wycen spółek technologicznych, a to odwrotność presji, którą seria opisywała wcześniej przy obawach o finansowanie długiem. W łańcuchu chipów, poza tym rynkowym odczytem, nie zaszło nic istotnego: stan jak w analizie z 2.10, godzina 16:10, gdzie opisano strukturę finansowania Broadcomu i przygotowania do produkcji układów kolejnej generacji.
Źródło: bloomberg, cnbc, reuters
NAJWAŻNIEJSZE
Po pierwsze, granica między narzędziem badawczym a samodzielnym odkryciem stała się w tym tygodniu mierzalna i przesunęła się do przodu. Meta pokazała sześć prac matematycznych powstałych z pomocą Muse Spark, z których pięć odpowiada na pytania wcześniej otwarte, w tym kontrprzykład do hipotezy z 2024 roku znaleziony przez wygenerowany program. Równolegle system Ataraxos rozwiązał grę o niepełnej informacji, która opierała się wcześniejszym modelom, za mniej niż osiem tysięcy dolarów treningu. W obu przypadkach kluczowe jest to samo zastrzeżenie: role się nie odwracają, to człowiek wybiera problem i weryfikuje wynik, a w przypadku prac Meta część pytań była już bliska rozstrzygnięcia niezależnie od modelu (Meta AI Research, „Nature" i MIT News, 30.09–2.10).
Po drugie, otwarte wagi przeszły z etapu wydawania modeli do budowy warstwy serwowania i narzędzi. Prime Intellect uruchomił produkcyjną platformę wnioskowania dla modeli otwartych, przetwarzającą około sześciuset miliardów tokenów dziennie i hostującą chiński GLM-5.3, Ai2 otworzył wyspecjalizowany model naukowy AstaBrief 8B, a Liquid AI wypuściło mały model agentowy uczony w czterech różnych środowiskach jednocześnie. To znaczy, że przewaga przestaje polegać na samych wagach, a zaczyna na umowie o jakość usługi (Prime Intellect, Ai2 i Liquid AI, 2.10).
Po trzecie, dostęp do modelu staje się decyzją administracyjną, a nie wyłącznie handlową. Brytyjski Instytut Bezpieczeństwa AI po raz pierwszy nie otrzymał najnowszego modelu Anthropica do testów przedpremierowych, co urzędnicy w Londynie odczytują jako sygnał protekcjonizmu ze strony amerykańskich laboratoriów. Sprawa jest następstwem wcześniejszej prośby Białego Domu i pokazuje, że kontrola nad tym, kto testuje i kto używa modelu frontier, przechodzi w ręce polityki, a nie rynku („Financial Times" i ITPro, początek października).
Źródło: financial-times
Rekomendowana interpretacja biznesowo-inwestycyjna
W horyzoncie trzydziestu do dziewięćdziesięciu dni decyzję najbardziej zmienia przesunięcie wartości z samego modelu na sposób, w jaki jest on opakowany w narzędzia, usługę i gwarancję dostępności. Pierwsza warstwa ma wymiar techniczny i dotyczy tego, jak buduje się produkt. Jeśli wyniki z ostatniej doby są prawdziwe choćby w połowie, to przyrost skuteczności agenta coraz rzadziej pochodzi z podmiany modelu na większy, a coraz częściej z dopasowania narzędzi i środowiska pracy, czego najlepszym dowodem jest mały model uczony jednocześnie w czterech różnych systemach agentowych, który bez zmiany rozmiaru zyskuje dwanaście punktów. W praktyce oznacza to, że decyzja o wyborze dostawcy modelu powinna być rozpatrywana razem z pytaniem, w jakim środowisku agent będzie pracował i jak mierzona będzie niezawodność jego wywołań narzędzi, bo to właśnie ta warstwa zaczyna rozstrzygać o wyniku.
Druga warstwa jest finansowa i dotyczy wyceny zdolności obliczeniowej oraz danych. Tania gotówka, słabszy rynek pracy i oczekiwanie na wstrzymanie stóp podtrzymują dziś wyceny spółek technologicznych, a pierwszy od maja rekord Nvidii i rekordy AMD oraz firm cyberbezpieczeństwa pokazują, że kapitał wciąż płynie do warstwy infrastruktury. Jednocześnie zapowiedź niedoboru pamięci utrzymuje się jako osobny czynnik kosztowy, więc podział wartości przesuwa się między producentami układów a dostawcami usług, którzy muszą przenieść te koszty wyżej. Dla portfela oznacza to, że premia za samą narrację o modelu frontier słabnie, a rośnie znaczenie tych ogniw, które kontrolują serwowanie, pamięć podręczną i niezawodność, czyli dokładnie te, wokół których buduje się dziś nowe platformy.
Trzecia warstwa jest regulacyjna i najtrudniejsza do wycenienia. Skoro dostęp do modelu frontier staje się narzędziem polityki wobec sojuszników, a europejskie obowiązki dotyczące przejrzystości treści generowanych wchodzą w życie na początku grudnia, to firmy kupujące dziś dostęp do modeli powinny zakładać, że warunki dostępu mogą się zmienić nie z powodu ceny, lecz z powodu decyzji administracyjnej. Najbliższymi punktami weryfikacji są: to, czy kolejne laboratoria pójdą śladem Anthropica i pominą brytyjski instytut, czy Prime Inference i podobne platformy faktycznie dowiozą deklarowane wskaźniki na realnym ruchu agentowym, oraz to, czy zapowiadane otwarte wydanie wag Muse Spark 1.3 dojdzie do skutku, bo od tego zależy kierunek całej warstwy otwartej.