Nowe AI — briefing technologiczno-rynkowy, wydanie poranne 4.10.2026
Wydanie poranne, dostarczone w niedzielę czwartego października około godziny 06:50 czasu polskiego. Punktem odniesienia jest ostatnia analiza „Nowe AI", która realnie dotarła na wątek, czyli wydanie popołudniowe z 3.10, przekazane około godziny 16:00 czasu polskiego, a więc nowy materiał obejmuje okno od wczorajszego wczesnego popołudnia do dzisiejszego poranka. Trzeba przy tym od razu zaznaczyć, że dzisiejsze poranne wydanie geopolityczne, dostarczone krótko przed tym wydaniem, zdążyło już opisać falę rezygnacji w laboratoriach, w tym esej Davida Robinsona o „zepsutej kulturze" OpenAI oraz ostrzeżenie Geoffreya Irvinga o ryzyku zagłady, a także przesunięcie giełdowego debiutu Anthropica na listopad i utrzymane wstrzymanie modelu GPT-6.1 Astra. Do tych wątków odsyłam jednym zdaniem i nie rozwijam ich tutaj ponownie; nowy materiał dotyczy innych warstw: krajobrazu rankingowego, realnych wydań w warstwie otwartej, nauki oraz cen sprzętu.
Jeden. Na szczycie rankingu nie ma nowej premiery, ale zmienił się rachunek za jedno zadanie
Najmocniejszym nowym faktem po stronie jakości jest przetasowanie na czele niezależnego indeksu. Jak podał Epoch AI, czyli właściciel wskaźnika Capabilities Index, pierwsze miejsce wśród dwustu pięćdziesięciu trzech ocenianych modeli objął Claude Opus 5.5 z wynikiem 167,35 punktu, wyprzedzając GPT-6 Astra o zaledwie 0,84 punktu. Sam Opus 5.5 nie jest premierą z ostatniej doby, bo trafił na rynek dwudziestego drugiego września, więc nie opisuję go od nowa; nowością jest to, że niezależny pomiar potwierdził jego prowadzenie, a GPT-6 Astra wciąż utrzymuje przewagę na trudniejszym zestawie FrontierMath Tier 4. Znacznie ciekawszy dla rachunku jest jednak model GPT-6.1 Sol. Według analizy Artificial Analysis, na którą powołuje się portal explainx.ai, koszt rozwiązania jednego zadania w tym modelu przy maksymalnym wysiłku wynosi 0,72 dolara wobec 3,26 dolara w GPT-6 Astra, a więc jest tańszy o około siedemdziesiąt osiem procent. Krytyczna analiza nakazuje tu rozdzielić dwie rzeczy. Twarde jest to, że przewaga jakościowa między czołówką stopniała do ułamka punktu, co samo w sobie potwierdza tezę o wyrównywaniu się frontu. Interpretacją, a nie cennikiem, jest natomiast liczba „siedemdziesiąt osiem procent", bo dotyczy kosztu konkretnego zadania w pomiarze, a nie listy cenowej; przy innym zestawie zadań ta różnica może wyglądać inaczej. Wniosek dla kupującego jest jednak czytelny: dopóki szczyt możliwości jest praktycznie nierozróżnialny, o wyborze zaczyna decydować cena za wykonaną pracę, a nie pozycja w tabeli. Dopowiada to zresztą drobny, ale wymowny sygnał z narzędzi Google. Jak wynika z dokumentacji platformy Antigravity, do planów Pro i Ultra dodano właśnie modele Claude Opus 5.5 i Sonnet 5.5, a starsze wersje Claude 4.6 oraz otwarty GPT-OSS-120B wyznaczono do usunięcia na drugiego listopada. Dostęp do modeli staje się więc elementem rotowanym w cudzym produkcie, co samo w sobie jest argumentem za tym, by nie wiązać architektury z jednym dostawcą.
Źródło: epoch-ai, artificial-analysis
Dwa. Czystka w zespole bezpieczeństwa OpenAI: trzech badaczy zwolnionych, esej byłego pracownika jako tło
Drugi fakt jest kadrowy i dotyczy najgłośniejszego laboratorium. Jak ustalił „The Wall Street Journal", a za nim potwierdziły BBC, TechCrunch i Quartz, OpenAI rozstało się z trzema pracownikami zespołu bezpieczeństwa, w tym Jasmine Wang, Tomka Korbaka i Mikitę Balesni, po wewnętrznym śledztwie, które wykazało, że mieli oni przekazać poufne informacje firmy zewnętrznej organizacji zajmującej się bezpieczeństwem AI. Sama spółka potwierdziła rozstanie, mówiąc o „niewłaściwym obchodzeniu się z wrażliwymi informacjami". Esej Davida Robinsona, który apelował o standardy na miarę elektrowni jądrowych i który szeroko omówiło dzisiejsze poranne wydanie geopolityczne, jest tłem dla tej samej sprawy, więc traktuję go wyłącznie jako kontekst. Interpretacja wymaga ostrożności, bo mamy tu dwie warstwy. Twardy jest fakt zwolnień i oficjalne potwierdzenie firmy, a także udokumentowany precedens: w 2024 roku OpenAI rozstało się już z Leopoldem Aschenbrennerem i Pavelem Izmailovem za domniemane przecieki, co „The Information" opisywało wówczas jako element szerszego sporu o granice wewnętrznego krytycyzmu. Miękka jest natomiast motywacja, bo nie wiemy, jak poważny był zakres przekazanych informacji ani czy zwolnieni działali w dobrej wierze, a sami zainteresowani do czasu publikacji nie przedstawili własnej wersji. Sens jest jednak podwójny i ważny z punktu widzenia rynku pracy w tej branży: po pierwsze, wewnętrzny nadzór nad bezpieczeństwem okazuje się obszarem, w którym lojalność wobec firmy i wobec zewnętrznych instytucji oceniających wchodzą w otwarty konflikt, a po drugie, równolegle do tego sporu rośnie zapotrzebowanie na zewnętrzne, niezależne audyty, co wzmacnia pozycję podmiotów trzecich wobec samych laboratoriów.
Źródło: wsj, bbc, techcrunch, the-information
Trzy. Otwarte wagi: chiński anons podawany jako wydanie i realne narzędzia, które faktycznie działają
W warstwie otwartych wag napłynęły w ciągu doby dwa bardzo różne komunikaty i warto je zestawić, bo pokazują dwie twarze tego samego rynku. Pierwszy pochodzi od chińskiej grupy Ant, a dokładnie od jej jednostki InclusionAI, która zapowiedziała model Ling-3.1-flash: mieszaninę ekspertów o około pięciuset sześćdziesięciu miliardach parametrów całkowitych i około dwudziestu pięciu miliardach aktywnych na token, z docelowym kontekstem do miliona tokenów, pozycjonowany pod zadania agentowe, wyszukiwanie i pracę biurową. Trzeba tu jednak zachować dużą ostrożność i powiedzieć wprost, gdzie jest granica. Wagi modelu nie zostały wydane; producent zapowiada je dopiero „wkrótce", a to, co dziś działa, to darmowy okres próbny o okrojonym kontekście dwustu sześćdziesięciu dwóch tysięcy tokenów, prowadzony przez bramę Vercel do trzynastego października. Osiem publikowanych wyników, w tym siedemdziesiąt pięć i szesnaście setnych na FrontierSWE, pochodzi z ekranów startowych samego producenta i nie przeszło niezależnej oceny, co odnotowują zarówno portal AI Weekly, powołujący się na TechNode, jak i niezależny tracker BenchLM, który nie przyznaje modelowi żadnej pozycji właśnie z powodu zbyt cienkiej bazy dowodowej. To jest klasyczny przykład tak zwanego „open-washingu": anons o otwartości bez otwartego wydania, w którym między ogłoszeniem a produktem istnieje luka, która dla poprzednika, Ling-3.0-flash, wynosiła dwa tygodnie, i dokładnie w tej luce łatwo się sparzyć. Dla kontrastu, drugi komunikat jest niewielki, ale konkretny i sprawdzalny. Instytut OpenBMB wydał MiniCPM5-2B-DSpark, liczący trzysta dwadzieścia cztery miliony parametrów model pomocniczy do tak zwanego dekodowania spekulatywnego, na licencji Apache 2.0, który w praktyce przyspiesza działanie większego modelu, przyjmując średnio około pięciu i pół tokenu na jedno przejście. Podobnie rzecz ma się z kwantyzacją od Red Hat, która zmieściła trzydziestomiliardowy model agentowy Nvidii, Nemotron 3.5 Lightning, w połowie dotychczasowej pamięci, zachowując licencję otwartą. Wniosek płynie z zestawienia, nie z pojedynczego komunikatu: prawdziwa wartość otwartej warstwy powstaje dziś nie w momencie ogłoszenia parametrów, lecz wtedy, gdy ktoś udostępni działające wagi, policzalne przyspieszenie i jasną licencję.
Źródło: ai-weekly
Cztery. Google pokazuje harness, który sam znajduje dowody: pięć wyników tam, gdzie liczy się współpraca agentów
Czwarty obszar jest naukowy i zasługuje na uwagę, bo pokazuje, jak zmienia się sposób pracy badawczej z modelem. Trzydziestego września Google Research opublikowało na arXiv pracę o nazwie Cogentic, opisującą tak zwany harness, czyli wieloagentową strukturę, która prowadzi iteracyjną pętlę dowodzenia i weryfikacji: orkiestrator rozdziela zadania między niezależnych „dowodzących", osobne komponenty atakują każdy krok jako błędny, a potwierdzone wyniki trafiają do trwałego rejestru, na którym budują kolejne rundy. Z modelem Gemini jako podstawą system uzyskał nowe wyniki na pięciu otwartych problemach z zakresu uczenia maszynowego online, teorii aukcji i projektowania mechanizmów, a autorzy deklarują, że każdy z nich został niezależnie zweryfikowany przez ekspertów dziedzinowych i rozwinięty w osobnych pracach towarzyszących. Trzeba tu rozdzielić dwie warstwy bardzo wyraźnie. Twardy jest sam fakt publikacji: praca istnieje, ma numer arXiv, jej autorzy są znani, a wyniki są wymienione w tabeli i mają towarzyszące preprinty. Ostrożność nakazują natomiast dwie rzeczy: po pierwsze, dowody są sformułowane w języku naturalnym i nie zostały sprawdzone maszynowo w systemie Lean, więc mamy do czynienia z deklaracją autorów, a nie z formalnym dowodem; po drugie, część prac towarzyszących współtworzą badacze, którzy wcześniej pracowali nad tymi samymi problemami, co osłabia tezę o całkowicie autonomicznym odkryciu. Nie należy też łączyć tej sprawy z opisanymi przedwczoraj w naszej serii sześcioma pracami matematycznymi Meta, to dwa różne systemy i dwa różne zespoły, choć oba układają się w ten sam kierunek: model przestaje być wyłącznie generatorem odpowiedzi, a staje się częścią powtarzalnego procesu badawczego prowadzonego pod nadzorem człowieka.
Pięć. Ceny sprzętu jako nowy sygnał rynkowy: podwyżki AMD i Intela oraz tańsza lokalna inferencja
Piąty obszar jest rynkowy i dotyczy kosztu, nie zdolności. Jak donosi branżowa prasa powołująca się na źródła łańcucha dostaw, w tym portal TechPowerUp oraz serwisy wccftech i PCWorld, AMD poinformowało partnerów o podwyżce rzędu dziesięciu procent od czwartego kwartału na trzy linie produktów: akceleratory Instinct, karty Radeon oraz chipsety płyt głównych, a Intel przygotowuje podobny ruch z datą piątego października. Wspólnym powodem są rosnące koszty wafli krzemowych w TSMC, gdzie rekordowy kwartał przychodów napędzany popytem na układy AI wypiera innych klientów z najbardziej zaawansowanych węzłów; bank UBS ostrzega, że ceny wafli mogą wzrosnąć nawet o czterdzieści procent do 2027 roku. Znaczenie tego faktu ma dwie warstwy i obie trzeba rozdzielić. Twardy jest sam kierunek: to czwarta odsłona podwyżek cen układów w tym roku, po wzrostach kart Nvidii, procesorów Intela i zestawów GPU w Chinach, a europejskie śledzenie cen detalicznych pokazuje, że przeciętna karta Nvidii podrożała od czerwca do września o ponad czterdzieści procent. Miękkie jest natomiast potwierdzenie: ani AMD, ani Intel nie wydały w tej sprawie oficjalnego komunikatu, więc dziesięć procent jest doniesieniem z łańcucha dostaw, a nie fakturą. Równowagę wprowadza tu drugi, spokojniejszy sygnał z tej samej warstwy. Nvidia potwierdziła, że dwudziestego trzeciego października trafi do sprzedaży wariant DGX Spark z sześćdziesięcioma czterema gigabajtami pamięci za cztery tysiące dziewięćset dziewięćdziesiąt dziewięć dolarów, dostępny u sześciu partnerów sprzętowych, przeznaczony do uruchamiania modeli z okolic stu miliardów parametrów lokalnie, bez chmury. To przeciwstawia się podwyżkom: choć sprzęt serwerowy drożeje, koszt utrzymania własnego, mniejszego modelu na biurku spada i staje się policzalny. W łańcuchu chipów poza tymi dwoma ruchami nic istotnego się nie zmieniło, a rekordową kapitalizację Nvidii zbliżającą się do sześciu bilionów dolarów oraz jej skup akcji własnych opisaliśmy już w wydaniach z 2 i 3 października, do których odsyłam.
NAJWAŻNIEJSZE
Po pierwsze, wewnętrzny nadzór nad bezpieczeństwem w laboratoriach staje się obszarem konfliktu, nie tylko funkcją. OpenAI rozstało się z trzema badaczami zespołu bezpieczeństwa po tym, jak mieli przekazać poufne informacje zewnętrznej organizacji, a tłem jest głośny esej byłego pracownika o „zepsutej kulturze" firmy. To pokazuje, że niezależna ocena zachowania modeli rodzi dziś napięcie organizacyjne, a nie tylko techniczne, i że rośnie znaczenie audytorów stojących poza laboratoriami („The Wall Street Journal", BBC i TechCrunch, 30.09–3.10).
Źródło: wsj, bbc, techcrunch
Po drugie, chińskie „otwarte" modele trzeba czytać przez pryzmat tego, co realnie wydano. Zapowiedź Ling-3.1-flash od Ant Group buduje narrację o otwartości bez udostępnienia wag i bez niezależnych pomiarów, podczas gdy równolegle mniejsze, ale działające narzędzia, w tym draft od OpenBMB i kwantyzacja Nemotronu od Red Hat, pokazują, gdzie rzeczywiście powstaje wartość. Różnica między anonsem a wydaniem jest w tej warstwie kluczowa (Ant Ling i AI Weekly, 29.09–2.10; AlphaSignal i OpenBMB, 3–4.10).
Źródło: ai-weekly, alphasignal
Po trzecie, przewaga jakościowa frontu stopniała na tyle, że o wyborze zaczyna decydować koszt zadania, a nie pozycja w tabeli. Claude Opus 5.5 objął prowadzenie w indeksie Epoch o ułamek punktu przed GPT-6 Astra, a oszczędniejszy GPT-6.1 Sol rozlicza zadanie w cenie kilkakrotnie niższej; jednocześnie zapowiadane podwyżki układów AMD i Intela oraz lokalne, tańsze urządzenia Nvidii pokazują, że rynek zaczyna wyceniać nie szczyt możliwości, lecz koszt jednostkowy pracy (Epoch AI i Artificial Analysis, początek października; TechPowerUp, wccftech i StorageReview, 3–4.10).
Źródło: epoch-ai, artificial-analysis
Rekomendowana interpretacja biznesowo-inwestycyjna
W horyzoncie trzydziestu do dziewięćdziesięciu dni decyzję najbardziej zmienia to, że zarówno jakość, jak i cena przestają być jednym wymiarem, a stają się dwoma niezależnie poruszającymi się osiami. Pierwsza warstwa dotyczy sposobu wyboru modelu. Skoro różnica jakościowa na szczycie zmalała do ułamka punktu, a koszt rozwiązania jednego zadania potrafi różnić się kilkukrotnie między modelami z tej samej rodziny, kupujący powinien przenieść ciężar decyzji z rankingu na koszt za wykonaną pracę i mierzyć go na własnych zadaniach, bo to daje realną dźwignię. W praktyce oznacza to, że pytanie „który model jest najlepszy" przestaje wystarczać; trzeba pytać „który model najtaniej wykona to konkretne zadanie, przy zachowanym progu jakości".
Druga warstwa jest finansowa i dotyczy sprzętu. Podwyżki AMD i Intela wynikające z kosztów TSMC pokazują, że inflacja w łańcuchu dostaw znów przenosi się na cenę końcową, a jednocześnie tańsze, lokalne urządzenia do wnioskowania otwierają alternatywę wobec chmury. Dla portfela oznacza to, że premia za samą narrację o mocy obliczeniowej słabnie, a rośnie znaczenie tych ogniw, które potrafią dostarczyć tę samą pracę taniej lub bliżej użytkownika. Najbliższymi punktami weryfikacji są: to, czy podwyżki AMD i Intela faktycznie zmaterializują się w cenach detalicznych w październiku i listopadzie, czy Ant dotrzyma zapowiedzi i wyda wagi Ling-3.1, co byłoby testem realnej otwartości, oraz to, czy niezależni audytorzy bezpieczeństwa, których znaczenie rośnie wraz z falą rezygnacji, utrzymają dostęp do modeli labów, bo od tego zależy wiarygodność całej warstwy oceny.