Nowe AI — briefing technologiczno-rynkowy, wydanie popołudniowe 4 października 2026
Wydanie popołudniowe, dostarczone w niedzielę czwartego października około godziny 16:00 czasu polskiego. Punktem odniesienia jest poranne wydanie „Nowe AI" z tego samego dnia, przekazane około godziny 06:50 czasu polskiego, a więc nowy materiał obejmuje okno od niedzielnego poranka do wczesnego popołudnia. Warto od razu zaznaczyć, że w tym oknie nie pojawiła się żadna nowa premiera modelu klasy frontier; ostatnim takim wydaniem pozostaje Gemini 4 Argon z trzydziestego września, o którym pisałem wcześniej i którego tu nie powtarzam. Nowości dotyczą trzech innych warstw: architektury regulacyjnej wokół bezpieczeństwa, realnych wydań w warstwie otwartej oraz sygnałów rynkowych z rynku sprzętu i adopcji. Popołudniowe wydanie geopolityczne z tego dnia, dostarczone krótko przed tym tekstem, opisało między innymi gospodarczy zegar chiński oraz napięcia wokół Iranu, więc do tych wątków tylko odsyłam i nie rozwijam ich tutaj ponownie.
Jeden. Biały Dom wyznacza koordynatora: nowa grupa zadaniowa ds. „superinteligencji" pod przewodem Jaya Claytona
Najmocniejszym nowym faktem w warstwie regulacyjnej jest dzisiejsza decyzja personalna z Waszyngtonu. W niedzielę prezydent Donald Trump wyznaczył Jaya Claytona, swojego dyrektora wywiadu narodowego, na przewodniczącego nowej rządowej grupy zadaniowej ds. sztucznej inteligencji, którą sam nazywa „Super Intelligence Force", nawiązując do swojej wcześniejszej próby przemianowania sztucznej inteligencji na „superinteligencję". Informację podała agencja Associated Press, a za nią „The Washington Post" i Bloomberglaw. W skład zespołu wchodzą także przewodniczący Federalnej Komisji Handlu Andrew Ferguson, główny technolog Pentagonu Emil Michael oraz dyrektor Biura Zarządzania Personelem Scott Kupor, a cała grupa ma raportować bezpośrednio do prezydenta i szefowej jego kancelarii Susie Wiles. Zadaniem zespołu jest koordynacja działań rządu federalnego oraz kontakt z konsumentami, organizacjami interesu publicznego, wspólnotami religijnymi, operatorami infrastruktury krytycznej i samymi spółkami AI.
Źródło: associated-press, washington-post
Znaczenie tego ruchu widać dopiero w zestawieniu z tym, co wydarzyło się tydzień wcześniej, a co opisywałem już w wydaniach z pierwszego i drugiego października, więc tylko do tego nawiązuję. Wówczas Trump przyjął w Białym Domu szefów największych spółek technologicznych, którzy podpisali dobrowolne, „moralnie wiążące" porozumienie o wzajemnej odpowiedzialności, zobowiązujące sygnatariuszy do budowy wewnętrznych mechanizmów kontroli, zatrudnienia niezależnego zewnętrznego audytora i powołania komitetu w radzie nadzorczej. Podpisali je między innymi Dario Amodei, Greg Brockman, Sundar Pichai, Mark Zuckerberg, Elon Musk i Jensen Huang. Nowością dzisiejszą nie jest więc samo porozumienie, lecz fakt, że zyskuje ono nazwanego koordynatora po stronie rządu federalnego, a więc przestaje być wyłącznie deklaracją, a staje się programem z konkretnym ośrodkiem decyzyjnym. Trzeba tu jednak wyraźnie rozdzielić warstwę twardą od interpretacji. Twarde jest to, że nominacja jest faktem potwierdzonym przez kilka niezależnych redakcji, a w składzie zespołu zasiada szef komisji handlu, czyli organu o realnych kompetencjach. Interpretacją pozostaje natomiast teza, że grupa przełoży się na egzekwowanie zapisów, bo według agencji Associated Press zajmuje się koordynacją i kontaktem, a nie nakładaniem kar; samo porozumienie nie przewiduje sankcji, a część ekspertów, w tym Robin Jia z Uniwersytetu Południowej Kalifornii i Alex Pascal z Berkman Klein Center, publicznie wątpi, czy dobrowolne zobowiązania mogą zastąpić twardą odpowiedzialność prawną. Konsekwencja jest jednak czytelna: dobrowolny reżim dostaje jednego gospodarza w Białym Domu, co obniża koszt koordynacji dla laboratoriów i daje administracji kanał do kształtowania standardów, zanim ktokolwiek zamieni je w prawo. Punktem weryfikacji w najbliższych tygodniach jest to, czy grupa otrzyma instrumenty egzekucyjne, czy pozostanie ciałem konsultacyjnym.
Źródło: associated-press
Dwa. Bezpieczeństwo: czytanie „myśli" modelu przestaje być pewne
Drugi obszar jest wewnętrznie spójny z pierwszym, bo dotyczy technicznego fundamentu, na którym opiera się cała konstrukcja dobrowolnego audytu. „The Wall Street Journal" opisał w tym tygodniu, że monitorowanie tak zwanego łańcucha myśli, czyli zdolność podejrzenia wewnętrznego rozumowania modelu przed udzieleniem odpowiedzi, przestaje być niezawodnym narzędziem kontroli. Zastrzeżenie trzeba postawić od razu: tekst jest za paywallem, więc potwierdzone są jedynie nagłówek i jego zwięzłe streszczenie w wynikach wyszukiwania, a nie pełna treść, dlatego opisuję to jako doniesienie prasowe, a nie jako cytat. Warto jednak wiedzieć, że nie jest to pojedynczy sygnał, lecz ogniwo dłuższego, udokumentowanego wątku. OpenAI już w grudniu ubiegłego roku opublikowało pracę „Evaluating chain-of-thought monitorability", w której wprost pisze, że monitorowanie łańcucha myśli jest znacznie skuteczniejsze niż obserwowanie samych działań i odpowiedzi modelu, ale jest kruche i może zniknąć pod wpływem treningu, danych i dalszego skalowania, a utrzymanie tej właściwości kosztuje dodatkową moc obliczeniową, co autorzy nazywają podatkiem od monitorowalności. Jeśli więc doniesienie „The Wall Street Journal" się potwierdzi, to słabnie dokładnie ta warstwa, na której opiera się zapis o niezależnym audycie z porozumienia opisanego wyżej.
Źródło: wsj
Tło tego sporu jest dziś wyjątkowo gęste i warto je pokazać w jednym miejscu, bo pokazuje, że mamy do czynienia z dwiema przeciwstawnymi narracjami, a nie z jednym konsensusem. Yann LeCun, laureat Nagrody Turinga i były główny naukowiec Meta, powiedział w wywiadzie dla „Fortune" z pierwszego października, że ma „zerowe obawy" co do zagłady ludzkości przez sztuczną inteligencję, a niedawne incydenty z niesfornymi agentami przypisuje nieszczelnym i źle zaprojektowanym piaskownicom oraz słabemu nadzorowi człowieka, a nie samej technologii. Nazwał przy tym szkołę myślenia o ryzyku związaną z efektywnym altruizmem „super toksyczną", a szefa Anthropica Dario Amodeia „całkowicie odurzonym" i „szalonym", argumentując, że straszenie zagładą jest najgorszą możliwą kampanią marketingową dla całej branży. To nie jest głos odosobniony, ale jest głośny i pochodzi od jednej z najbardziej rozpoznawalnych postaci dziedziny. Równolegle widać jednak ruchy idące w przeciwną stronę. Anthropic czwartego października zaczął prosić użytkowników Claude'a o dobrowolne udostępnianie danych głosowych na potrzeby trenowania modeli, z osobnym przełącznikiem w ustawieniach prywatności, domyślnie wyłączonym i z możliwością późniejszego usunięcia danych, o czym informuje serwis BleepingComputer. Zestawienie tych faktów prowadzi do wniosku, który nie jest opinią, lecz obserwacją strukturalną: jeśli możliwość wglądu w rozumowanie modelu maleje w miarę wzrostu jego możliwości, a jednocześnie rośnie zapotrzebowanie na zewnętrzną weryfikację, to luka między deklaracją o samokontroli a realną możliwością jej sprawdzenia rośnie, nie maleje. Dla kupujących modele oznacza to, że audytowalność i ślad zachowania agenta stają się osobnym, wycenianym atrybutem, a nie dodatkiem do ceny tokenu.
Źródło: fortune
Trzy. Otwarte wagi: chiński model wyszkolony w całości na układach Huawei
W warstwie otwartych wag najbardziej istotnym faktem końca tygodnia jest chiński Xing4.0-29B-A4B, wydany przez zespół sztucznej inteligencji China Telecom z pełnymi wagami na Hugging Face i ModelScope. To model o dwudziestu dziewięciu miliardach parametrów całkowitych, z których około czterech miliardów jest aktywnych na token, zbudowany w architekturze mieszaniny ekspertów, z natywnym kontekstem dwustu pięćdziesięciu sześciu tysięcy tokenów rozszerzalnym do pięciuset dwunastu tysięcy i z uwagą MLA. Najważniejszy nie jest jednak rozmiar, lecz pochodzenie. Według portalu pandaily oraz relacji branżowych to pierwszy model tej skali wyszkolony od początku do końca na układach Huawei Ascend 910C w ramach frameworku MindSpore, a nie na procesorach Nvidii, i udostępniony na licencji otwartej Apache. Zgodnie z opisem w serwisie MindStudio model osiąga siedemdziesiąt pięć punktów na SWE-bench Verified oraz pięćdziesiąt siedem i pięć dziesiątej na Terminal-Bench w wersji drugiej i trzeciej, co według tych źródeł lokuje go powyżej niektórych modeli konkurencji w zadaniach programistycznych. Ostrożność jest tu jednak konieczna i trzeba ją wypowiedzieć wprost: wyniki benchmarków pochodzą z materiałów producenta i z trzecich portali powtarzających jego deklaracje, nie zostały niezależnie zweryfikowane, a deklarowany wzrost przepustowości treningu o około dziewięćdziesiąt sześć procent wobec domyślnych ustawień również jest liczbą producenta. Realne znaczenie jest inne niż rankingowe: chiński ekosystem potwierdza, że da się wytrenować konkurencyjny model agentowy bez układów Nvidii, a co więcej, zrobić to z otwartymi wagami, obsługiwanymi przez standardowe narzędzia wnioskowania, w tym vLLM i SGLang. To jest sygnał o rozłączaniu łańcuchów dostaw, który ma większą wagę niż pojedynczy wynik na tabeli.
Dla równowagi warto odnotować dwa realne, choć mniejsze wydania z tego samego dnia, bo pokazują, gdzie w warstwie otwartej powstaje dziś rzeczywista wartość. Cohere wypuścił model tłumaczeniowy North Small Translate o dwustu osiemnastu miliardach parametrów całkowitych i dwudziestu pięciu miliardach aktywnych, który według własnej ewaluacji osiąga osiemdziesiąt trzy i sześć dziesiątej punktu na benchmarku WMT26, wyprzedzając DeepL NextGen z wynikiem osiemdziesięciu jeden i trzydziestu siedmiu setnych oraz tłumacza Google z sześćdziesięcioma ośmioma punktami. Wagi są publiczne, ale na licencji Creative Commons z zakazem użycia komercyjnego, co dla wielu zastosowań jest ograniczeniem, a wyniki pozostają deklaracją producenta i czekają na niezależne powtórzenie. Obok tego pojawiły się dwie rzeczy, których wagę łatwo przecenić, ale warto je znać. Projekt Mitsuba skwantyzował model wizyjno-językowy Qwen 3.8 o dwudziestu siedmiu miliardach parametrów do około jednego i pięciu dziesiątych bitu na wagę, zmniejszając go do siedmiu i trzech dziesiątych gigabajta, czyli na jedną kartę o szesnastu gigabajtach pamięci. Efekt jest jednak bardzo nierówny i to jest w tym najciekawsze: zdolności wizyjne pozostały niemal nietknięte, spadając z osiemdziesięciu dziewięciu i ośmiu dziesiątych do osiemdziesięciu siedmiu i ośmiu dziesiątych, ale generowanie kodu runęło z sześćdziesięciu sześciu punktów do czterech. To konkretna ilustracja ceny, jaką płaci się za skrajną kompresję: model zachowuje to, na czym był trenowany celowo, i traci resztę. Trzecim drobnym, ale wymiernym faktem jest otwarty silnik FreeVideo od zespołu FlashML, który pozwala uruchomić ośmiokrokowy wariant wideo-modelu MiniMax H3 na karcie z ośmioma gigabajtami pamięci, na licencji Apache 2.0, kosztem niższej rozdzielczości i wolniejszego generowania. Zestawienie trzech ostatnich wydań prowadzi do tego samego wniosku, który formułowałem rano przy innym przypadku: wartość w warstwie otwartej rodzi się dziś nie w momencie ogłoszenia parametrów, lecz wtedy, gdy ktoś udostępni działające wagi, policzalny kompromis i jasną licencję.
Cztery. Badania i agenci: wynik dźwiga dziś projekt systemu, nie same wagi
Ciekawym, choć nieoczywistym faktem jest wynik, który pokazuje, że o zdolnościach decyduje dziś nie tylko model, ale sposób, w jaki się go opakowuje. Według preprintu omówionego przez AlphaSignal, system o nazwie VISTA, czyli lekka struktura wokół modelu Claude Opus 5.0, osiągnął doskonały wynik stu punktów RHAE na wszystkich dwudziestu pięciu publicznych grach benchmarku ARC-AGI-3, zużywając przy tym o około pięćdziesiąt siedem procent mniej akcji niż grający pierwszy raz człowiek. Mechanizm jest prosty w opisie i istotny w konsekwencjach: zamiast zamieniać obraz na tekst, system podaje modelowi surowe zrzuty ekranu, przechowuje wszystkie wcześniejsze klatki w pełnej rozdzielczości jako pamięć, do której model może wrócić na żądanie, i pozwala mu prowadzić edytowalne notatki w dwóch plikach roboczych. Ten sam zestaw testów powtórzono z modelem GPT-5.6 i z otwartym modelem z rodziny GLM. Wniosek dla budujących agentów jest praktyczny i nie wymaga wiary w żadną z opowieści o przełomie: przy niezmienionych wagach modelu sam format obserwacji, sposób sięgania do pamięci i projekt przestrzeni roboczej potrafią przesądzić o wyniku. Trzeba przy tym zaznaczyć, że to wynik z preprintu i z materiału zbiorczego, a nie z recenzowanej publikacji, więc należy go traktować jako silny sygnał, a nie jako ustalony fakt.
Źródło: alphasignal
Pięć. Rynek: sprzęt drożeje, a adopcja pozostaje płytka
Ostatnia warstwa jest rynkowa i przynosi dwa uzupełniające się sygnały: jeden o koszcie sprzętu, drugi o tym, jak wcześnie jest jeszcze z realną adopcją. Fundusz Andreessen Horowitz opublikował trzydziestego września drugą edycję raportu „State of Markets", z którego wynikają liczby warte zapamiętania. W kwietniu tego roku zaledwie około dwóch procent gospodarstw domowych w Stanach Zjednoczonych płaciło za jakąkolwiek usługę sztucznej inteligencji, a dane kartowe PNC wskazują, że w maju było to dwa i dwa dziesiąte procenta, skupione wśród gospodarstw o wyższych dochodach. Jednocześnie blisko trzydzieści procent spółek z indeksu S&P 500 raportuje jakiś wymierny wpływ AI na działalność, ale tylko około dwóch procent raportuje jakąkolwiek śledzoną metrykę, co oznacza, że deklaracje wyprzedzają pomiar. W samym indeksie technologia odpowiadała w tym roku za około siedemdziesiąt sześć procent całkowitego wzrostu zysków, a stawki wynajmu nawet starszych układów A100 utrzymują się na poziomie z początku roku albo wyżej, co przeczy tezie o szybkiej utracie wartości przez stare karty. Interpretacja, którą trzeba oddzielić od danych, jest taka, że inwestycje w moc obliczeniową wciąż wyprzedzają realne zużycie, a nie odwrotnie; to nie dowód bańki, lecz miara tego, jak wczesna jest gra.
Równolegle rynek sprzętu pokazał dwa twarde ruchy cenowe. Nvidia potwierdziła premierę słabszego wariantu DGX Spark z sześćdziesięcioma czterema gigabajtami pamięci w cenie czterech tysięcy dziewięćset dziewięćdziesięciu dziewięciu dolarów, dostępnego od dwudziestego trzeciego października u sześciu partnerów sprzętowych, a jednocześnie podniosła cenę wariantu ze stu dwudziestoma ośmioma gigabajtami do około sześciu tysięcy dziewięciuset pięćdziesięciu dolarów, czyli o blisko siedemdziesiąt pięć procent wobec ceny premierowej z zeszłego roku, o czym pisze ServeTheHome. To pokazuje, że presja na ceny pamięci przenosi się na gotowe urządzenia do lokalnego wnioskowania, i to jest fakt, a nie opinia, choć sam dokładny poziom cen u poszczególnych producentów może się jeszcze różnić. Zupełnie inny, ale wymowny sygnał dotyczy handlu detalicznego. Jak podał TechPowerUp, sieć Micro Center zaczęła w wybranych przypadkach wymagać od kupujących kartę RTX 5090 okazania dokumentu tożsamości i podpisania deklaracji o zakazie eksportu, w której nabywca potwierdza, że sprzęt pozostanie w Stanach Zjednoczonych i nie zostanie odsprzedany z zamiarem wywiezienia za granicę. Zastrzeżenie jest tu istotne: nie jest to wymóg federalny, lecz dobrowolna praktyka sklepu, a sama firma nie potwierdziła jej oficjalnie, więc mamy do czynienia z doniesieniem i pojedynczą relacją klienta. Wymowa jest jednak szersza niż jeden sklep: kontrola eksportowa zaawansowanych układów schodzi z poziomu państwa do poziomu kasy w sklepie, a to pokazuje, jak napięta jest podaż najwydajniejszych kart.
NAJWAŻNIEJSZE
Po pierwsze, dobrowolny reżim bezpieczeństwa w Stanach Zjednoczonych zyskuje nazwanego gospodarza po stronie rządu federalnego. Powołanie grupy zadaniowej „Super Intelligence Force" pod przewodem Jaya Claytona, z udziałem szefa komisji handlu i głównego technologa Pentagonu, zamienia ubiegłotygodniowe porozumienie labów w program z konkretnym ośrodkiem decyzyjnym (Associated Press, „The Washington Post" i Bloomberglaw, 4.10). To zmienia architekturę regulacji z rozproszonych deklaracji w jeden koordynowany kanał, choć wciąż bez instrumentów egzekucyjnych.
Źródło: associated-press, washington-post
Po drugie, fundament techniczny tego reżimu okazuje się kruchy dokładnie w chwili, gdy rośnie na nim ciężar. Doniesienie „The Wall Street Journal" o tym, że monitorowanie łańcucha myśli przestaje być niezawodne, wpisuje się w udokumentowany wątek z prac OpenAI o kruchości tej metody i pokazuje, że niezależny audyt, na którym opiera się porozumienie, ma słabszą podstawę, niż sugeruje jego język. Równolegle Yann LeCun nazywa całą narrację o ryzyku zagłady szkodliwym marketingiem, a Anthropic prosi o dane głosowe do treningu („Fortune", BleepingComputer, 1 i 4.10). Spór o to, co da się zweryfikować, staje się więc równie ważny jak spór o to, co modele potrafią.
Źródło: wsj, fortune
Po trzecie, chiński ekosystem udowodnił, że konkurencyjny model agentowy można wyszkolić bez układów Nvidii i wydać z otwartymi wagami. Model Xing4.0-29B-A4B od China Telecom powstał od początku do końca na układach Huawei Ascend 910C, a jego wagi są publicznie dostępne (pandaily, MindStudio, AlphaSignal, koniec września). To przesuwa ciężar pytania z tego, kto ma największy model, na to, kto kontroluje jego łańcuch treningu i serwowania, a więc na warstwę, którą trudno zastąpić sankcjami.
Źródło: alphasignal
Rekomendowana interpretacja biznesowo-inwestycyjna
W horyzoncie trzydziestu do dziewięćdziesięciu dni decyzję najbardziej zmienia zbieżność dwóch faktów, które zwykle rozpatruje się osobno. Pierwsza warstwa dotyczy wiarygodności bezpieczeństwa jako elementu wyceny. Skoro administracja buduje dobrowolny system audytu, a jednocześnie niezależne doniesienia podają w wątpliwość możliwość odczytania rozumowania modeli, to wartość przesuwa się na te ogniwa, które są w stanie cokolwiek zweryfikować: na niezależnych audytorów, na narzędzia dające ślad audytowy i na dostawców, którzy potrafią udowodnić, jak ich model się zachował. W praktyce oznacza to, że przy wyborze dostawcy modelu pytanie o cenę tokenu przestaje wystarczać i trzeba dołożyć pytania o to, kto odpowiada za zachowanie agenta, jak wygląda jego ślad działania i ile kosztuje jego przegląd. To przenosi część wartości z samego modelu na warstwę kontroli wokół niego.
Druga warstwa jest geograficzna i dotyczy podaży. Skoro chiński model tej skali powstaje w całości na układach Huawei i wychodzi z otwartymi wagami, a jednocześnie ceny urządzeń do lokalnego wnioskowania rosną, a kontrola eksportu schodzi aż do poziomu detalicznego, to pochodzenie i łańcuch dostaw mocy obliczeniowej stają się osobną linią ryzyka, a nie tylko kosztem. Dla decyzji o zakupie sprzętu i o lokalizacji przetwarzania danych oznacza to, że opłaca się planować obejście jednego dostawcy zawczasu, zanim zrobi się to przymusem. Najbliższymi punktami weryfikacji są: to, czy nowa grupa zadaniowa dostanie realne narzędzia egzekucyjne, czy pozostanie ciałem konsultacyjnym, to, czy doniesienie o słabnięciu monitorowalności łańcucha myśli potwierdzi się w kolejnych pracach, oraz to, czy chińskie modele trenowane na układach innych niż Nvidia zaczną zdobywać niezależne, powtarzalne wyniki na otwartych benchmarkach, bo od tego zależy, na jak długo rozłączanie łańcuchów dostaw okaże się trwałe.