Nowe AI — briefing technologiczno-rynkowy (wydanie popołudniowe, 8 października 2026)
To wydanie popołudniowe z 8 października. Punktem odniesienia jest ostatnia analiza „Nowe AI", która realnie dotarła na wątek, czyli wydanie poranne z tego samego dnia, przekazane o godzinie 06:49 czasu polskiego, więc nowy materiał obejmuje okno od tamtego poranka do dziś. Tam, gdzie wątek został już opisany — pełne wdrożenie GPT-6 z Intelligent UI, zrównanie podłogi cenowej Haiku 5.5 i GPT-6 Luna, fala około dziewięćdziesięciu miliardów dolarów długu na układy, umowa Google z Constellation czy amerykański otwarty model Beam — nie powtarzam go i odsyłam do tamtego wydania oraz do dzisiejszej analizy geopolitycznej, która opisała między innymi odwrót Pentagonu od narzędzi Anthropic. Ton tej doby wyznaczają trzy rzeczy: pierwszy publiczny dowód, że czołowy model potrafi „przepalić" długoterminowy benchmark, zanim ten zdąży się zestarzeć; potwierdzone, a nie zapowiedziane wejście lokalnego wnioskowania do komputerów z Windows; oraz rosnąca świadomość, że wąskim gardłem przestaje być sam układ, a staje się pamięć.
Jeden. GPT-6 Astra przepala EBR-bench, a Epoch zmienia zasady w połowie gry
Najciekawszym faktem technicznym dnia jest aktualizacja protokołu benchmarku EBR-bench, którą ośrodek Epoch AI opublikował 8 października. Benchmark opiera się na kooperacyjnej grze karcianej Earthborne Rangers, której pojedyncza rozgrywka zajmuje człowiekowi od dwóch do czterech godzin, i służy do pomiaru zadań długiego horyzontu, czyli pracy wymagającej planowania, uczenia się z doświadczenia i adaptacji taktyki. Problem w tym, że model GPT-6 Astra osiągnął na pierwotnej wersji wynik idealny w ponad połowie podejść, ze średnią około dziewiętnastu i ośmiu dziesiątych na dwadzieścia jeden punktów, podczas gdy następny w kolejności Claude Opus 5 zatrzymał się na dziesięciu i pół. Epoch prześledził przyczynę i znalazł ją w jednej karcie, która w połączeniu z kilkoma wspierającymi pozwala ominąć mechanikę zmęczenia i grać niemal bez limitu tur. W zwykłych rozgrywkach liczba tur jest ograniczona, więc umiejętność ich oszczędzania jest miarą taktycznego opanowania gry; ta kombinacja znosi to ograniczenie.
Źródło: epoch-ai
Epoch postanowił zbanować tę kartę w domyślnym ustawieniu, co jest zabiegiem ryzykownym, bo zmienia benchmark po publikacji i komplikuje porównania. Ośrodek sprawdził jednak, że żaden z wcześniejszych modeli nie korzystał z tej kombinacji w pełni, a banicja nie wpłynęła istotnie na ich wyniki. Po zmianie Astra nadal prowadzi: jej najlepszy wynik to dwadzieścia na dwadzieścia jeden, czyli około pięćdziesięciu procent powyżej średniej poprzednich najsilniejszych modeli, ale w minimalizowaniu zmęczenia ustępuje najlepszym ludzkim graczom i nie wykazuje oznak uczenia się tej umiejętności w kolejnych próbach. Osobny eksperyment dotyczył scaffoldów wieloagentowych opartych na narzędziu Inspect Deep Agent brytyjskiego Instytutu Bezpieczeństwa AI: pozwolenie modelowi na delegowanie zadań do maksymalnie czterech kopii siebie zwiększyło różnorodność badanych talii u większości testowanych modeli, istotnie tylko u Opus 5, ale nie podniosło wyników. Epoch zapowiada pełną saturację benchmarku w ciągu kilku miesięcy i przejście do trudniejszych gier.
Źródło: epoch-ai
Trzeba tu mocno rozdzielić dwie rzeczy. Faktem jest, że zdolny model w dwóch rozgrywkach potrafi zidentyfikować i wykorzystać legalny skrót, którego pełne znaczenie zajął człowiekowi kilka podejść, oraz że benchmarki długiego horyzontu nasycają się dziś szybciej, niż zdążają mierzyć realny przyrost. Interpretacją pozostaje pytanie, czy to dowód superinteligencji. Epoch wprost odmawia takiego wniosku, wskazując, że wynik blisko sufitu może współistnieć ze słabą grą taktyczną, a sama karta jest legalnym rozwiązaniem, którego użył też najlepszy człowiek. Wniosek dla rynku jest jednak twardy: skoro liderzy klastrują się przy suficie, kolejne rankingi przestają rozróżniać model od modelu i trzeba patrzeć na to, jak osiągają wynik, a nie tylko na jego wysokość. Informacje podane za ośrodkiem Epoch AI i omówieniem AlphaSignal z 8 października.
Źródło: epoch-ai, alphasignal
Dwa. Windows dla agentów: potwierdzone fakty z wydarzenia Microsoftu i Nvidii
Drugi wątek domyka sprawę, którą poprzednie wydanie opisało jako zapowiedź. Na wydarzeniu w San Francisco 7 października Microsoft i Nvidia pokazały nie przeciek, lecz gotowe produkty. Satya Nadella i Jensen Huang ogłosili przede wszystkim ogólną dostępność Microsoft Execution Containers, czyli OS-owej warstwy izolacji, która pozwala agentom działać w tle pod kontrolą systemu i według zapowiedzi pozwala działom IT ustalać reguły, których Windows pilnuje na maszynie każdego pracownika. Nadella ujął to wprost, mówiąc, że trzeba było uczynić pulpit najbezpieczniejszym miejscem, w którym wykonują się agenci, a Huang dodał, że bez tej warstwy agenci są „kompletnym nonstarterem". Z narzędzi skorzystają między innymi Anthropic, OpenAI i sama Nvidia — co jest o tyle istotne, że pokazuje próbę zbudowania wspólnej granicy bezpieczeństwa dla agentów lokalnych, po serii głośnych incydentów z ich ucieczką poza środowisko testowe.
Warstwa sprzętowa jest równie konkretna. Nowy układ RTX Spark łączy grafikę Blackwell RTX z maksymalnie sześcioma tysiącami stu czterdziestoma czterema rdzeniami oraz procesor Grace z dwudziestoma rdzeniami, połączone magistralą o przepustowości sześciuset gigabajtów na sekundę, osiągając jeden petaflops w precyzji FP4 i do stu dwudziestu ośmiu gigabajtów pamięci ujednoliconej. Laptop Surface Laptop Ultra wyceniono od dwóch tysięcy pięciuset dziewięćdziesięciu dziewięciu do pięciu tysięcy ośmiuset dziewięćdziesięciu dziewięciu dolarów, przedsprzedaż laptopów rusza 16 października, a kompaktowe desktopy w listopadzie; maszyny dostarczą Acer, ASUS, Dell, HP, Lenovo, Microsoft, MSI i Gigabyte. Osobno zapowiedziano DGX Station for Windows z superchipem GB300 Grace Blackwell Ultra, siedmiuset czterdziestoma ośmioma gigabajtami pamięci koherentnej i do dwudziestu petaflopsów FP4, czyli maszynę biurkową zdolną uruchamiać modele rzędu biliona parametrów lokalnie. Według Microsoftu wersja modelu DeepSeek V4 działa na komputerach z co najmniej sześćdziesięcioma gigabajtami pamięci i w części zadań kodowania oraz rozumowania przewyższa GPT-5, a na Windows trafi też natywna aplikacja asystenta Muse od Meta oraz wsparcie dla otwartego systemu agentowego OpenClaw.
Najważniejsze zastrzeżenie jest jednak ekonomiczne i pojawia się w niemal każdej relacji z tego wydarzenia. Cena staje się barierą, bo po kryzysie pamięci Nvidia podniosła cenę biurkowego DGX Spark o około siedemdziesiąt pięć procent, do sześciu tysięcy dziewięciuset pięćdziesięciu dolarów, a nowy wariant z sześćdziesięcioma czterema gigabajtami pamięci startuje od czterech tysięcy dziewięciuset dziewięćdziesięciu dziewięciu. Analityk Moor Insights and Strategy, Anshel Sag, ujął to celnie, mówiąc, że dwa lata temu oprogramowanie nie było gotowe, a sprzęt był, natomiast dziś oprogramowanie jest gotowe, a sprzęt zbyt drogi, więc lokalne AI staje się czymś, na co stać tylko tych z odpowiednim budżetem. Faktem potwierdzonym przez Reutersa i blog Nvidii jest więc jednoczesne przesunięcie granicy między chmurą a urządzeniem oraz jej opłacalności; interpretacją pozostaje, jak szybko ceny pamięci sprowadzą ten segment do masowego odbiorcy.
Źródło: reuters
Trzy. Pamięć jako wąskie gardło, a TSMC bije rekord
To prowadzi wprost do trzeciego wątku, czyli łańcucha dostaw, w którym uwaga przenosi się z układu na pamięć. Jak zgodnie opisują Reuters, CNBC i magazyn IEEE Spectrum, ceny pamięci DRAM wzrosły w tym roku o siedemdziesiąt do osiemdziesięciu dziewięciu procent, a pamięć HBM, kluczowa dla akceleratorów, zużywa około trzy razy więcej wafli na bit niż pamięć klasyczna. Szacunki mówią, że centra danych pochłoną w 2026 roku około siedemdziesięciu procent produkcji pamięci, a analitycy liczą wzrost kosztu pamięci na pojedyncze urządzenie na dziewięćdziesiąt do stu sześćdziesięciu pięciu dolarów. To tłumaczy, dlaczego drożeją zarówno komputery biurkowe dla deweloperów, jak i zwykłe laptopy.
Źródło: reuters, cnbc
Równolegle dostaliśmy świeży sygnał z samej produkcji. Jak podają dzienniki z Sacramento i Tacomy, TSMC zaraportowało rekordowe przychody trzeciego kwartału na poziomie około czterdziestu sześciu i siedmiu dziesiątych miliarda dolarów, o około pięćdziesiąt procent wyższe niż rok wcześniej, bijąc prognozy rynkowe; pełne wyniki spółka ogłosi 15 października. Trzeba zachować ostrożność wobec jednej liczby, bo część relacji dotyczy właśnie raportowanego kwartału, a nie zamkniętego sprawozdania, ale kierunek jest jednoznaczny: popyt na zaawansowaną produkcję nadal przerasta podaż. Wniosek, który warto zapamiętać, jest taki, że rekordowe wyceny producentów układów są dziś wyceną podaży, która jeszcze nie powstała, a dwa wąskie gardła — pakowanie CoWoS i pamięć HBM — pozostają takie same jak wcześniej i nie da się ich rozluźnić decyzją kapitałową w jednym kwartale.
Cztery. State of AI Report 2026 i pytanie o samoregulację
Dziś, 8 października, ukazało się coroczne opracowanie State of AI Report 2026, przygotowane przez inwestora Nathana Benaicha i fundusz Air Street Capital, uchodzące za najszerzej czytane podsumowanie branży. Z udostępnionej zapowiedzi wynika, że wybrane programy tak zwanego suwerennego AI deklarują łącznie około stu trzydziestu ośmiu miliardów dolarów na dostęp do mocy obliczeniowej, infrastrukturę i rozwój krajowy, przy czym część z tych środków pozostaje na etapie przetargów, a nie realnych wydatków. To liczba, która pokazuje, że wyścig o AI przestał być wyłącznie sprawą kilku amerykańskich i chińskich laboratoriów, a stał się elementem polityki przemysłowej wielu państw.
Równolegle raport wpisuje się w wątek, który wracał w ostatnich tygodniach, a który warto przypomnieć, bo dotyczy samej architektury nadzoru. Google, OpenAI i Anthropic pracują nad wspólnym ciałem standardów pod roboczą nazwą Standards Authority for Frontier AI, znanym jako SAFA. Jak podał „The Information", a za nim serwisy branżowe i prawne, organizacja miałaby działać niezależnie od rządu i ustalać wytyczne dotyczące oceny ryzyka, testowania oraz przeglądu modeli przed ich udostępnieniem, a start planowany jest na koniec tego roku lub początek przyszłego. Pomysł wywodzi się z eseju współzałożyciela Google DeepMind, Demisa Hassabisa, z 14 lipca, w którym proponował ciało wzorowane na nadzorze rynku finansowego FINRA. Wśród rozważanych nazwisk wymienia się byłych urzędników administracji amerykańskich oraz naukowców, między innymi Beth Barnes z ośrodka METR i Paula Christiano doradzającego instytucji CAISI. Interpretacja nasuwa się sama: samoregulacja może być szybsza niż legislacja, która w Stanach Zjednoczonych utknęła na poziomie stanowym, ale ciało finansowane przez same laboratoria i pozbawione zewnętrznego audytu musi odpowiedzieć na zarzut konfliktu interesu. Informacje podane za raportem State of AI oraz omówieniami „The Information", Bank Info Security i CIO z końca września.
Źródło: the-information, metr
Pięć. Trenowanie agenta w jego własnej uprzęży i granice tanich modeli
Piąty wątek zbiera dwa fakty o tym, jak dziś obniża się koszt i podnosi skuteczność pracy agentowej. Pierwszy dotyczy frameworku Agent Lightning w wersji 1.0, który udostępniło Microsoft Research Asia, a który branżowy AlphaSignal omówił 7 października. Jego istota polega na tym, że pozwala douczać model metodą uczenia ze wzmocnieniem bez przepisywania agenta, którego używa się w produkcji: framework wstawia między „uprząż" agenta a model proxy zgodne z interfejsem OpenAI, dzięki czemu rejestruje interakcje, nie zmieniając logiki narzędzi i kontekstu. Referencyjny pipeline Microsoftu podniósł wynik modelu Qwen3.5-9B z czterdziestu jeden i ośmiu dziesiątych do pięćdziesięciu sześciu i czterech dziesiątych procent na benchmarku SWE-bench Verified, czyli o czternaście i sześć dziesiątych punktu, przy zaledwie około sześciu tysiącach próbek treningowych. Do tego dochodzi rozwiązanie zwane Collocated Async RL, które współdzieli jedną pulę kart między wnioskowanie i trening, dając około dwukrotnego przyspieszenia wobec treningu synchronicznego oraz możliwość uruchamiania zadań na własnym Kubernetesie zamiast płatnych piaskownic. Zastrzeżenie jest tu istotne: to wyniki jednego, referencyjnego zestawu, a nie dowód, że mechanizm podniesie każdy model i każde zadanie.
Źródło: alphasignal
Druga warstwa jest ostrzeżeniem płynącym z niezależnych testów modelu Claude Haiku 5.5, które opublikowało Vals AI. Tani model wypadł bardzo dobrze na kodowaniu, osiągając dziewięćdziesiąt i czterdzieści cztery setne procent na benchmarku Vibe Code Bench i trzecie miejsce wśród stu dziesięciu modeli, czyli skok o osiemdziesiąt dziewięć pozycji wobec poprzednika. Ale Vals zwraca uwagę, że zysk pochodzi z bardzo długich ścieżek rozumowania: na zadaniach badawczych z prawa model wykonał średnio pięćdziesiąt dziewięć kroków wobec siedemnastu u poprzedniej wersji i wygenerował około piętnastokrotnie więcej tekstu, z czego około osiemdziesięciu procent stanowiło rozumowanie, rozliczane jak tokeny wyjściowe. Ponieważ powyżej stu tysięcy tokenów kontekstu stawka rośnie pięciokrotnie, realny koszt zadania przestaje być tak niski, jak sugeruje cena bazowa. To ważne uzupełnienie obrazu podłogi cenowej z porannego wydania: tania warstwa jest tania w klasyfikacji i routingu, ale w długiej pracy agentowej oszczędność zjada samo rozumowanie. Osobno warto odnotować, że efektywność przenosi się poza modele językowe — IBM wypuścił TSPulse R1, model szeregów czasowych o zaledwie jednym milionie osiemdziesięciu tysiącach parametrów, na licencji Apache 2.0 i działający na procesorze, który według producenta bije modele dziesięć do stu razy większe w wykrywaniu anomalii i uzupełnianiu brakujących danych, a jego praca została przyjęta na konferencję ICLR 2026.
Źródło: vals-ai
Sześć. ARTEX i koreańskie banki: barierą staje się orkiestracja, nie model
Szósty wątek jest rozwinięciem sprawy opisanej w analizie geopolitycznej z 7 października, więc przypominam tylko to, co doszło, i skupiam się na warstwie sztucznej inteligencji. Chińskie narzędzie ARTEX, zbudowane przez inżyniera bezpieczeństwa znanego pod pseudonimem Autumn i udostępnione jako otwarte oprogramowanie, znalazło się w centrum śledztwa południowokoreańskich władz w sprawie włamań do siedmiu instytucji finansowych, w których wyniku wyciekły dane około sześćdziesięciu ośmiu tysięcy osób. Nowością z dzisiejszego omówienia w AlphaSignal jest koreański fork tego narzędzia, opublikowany w serwisie GitHub na licencji AGPL 3.0, który tłumaczy wyniki i raporty na koreański, zachowując chińskie prompty wewnętrzne, a także szczegóły architektury: podwójny graf oddzielający trwałą wiedzę o zasobach od rodowodu eksploracji, planista zdarzeniowy ze wspólną listą zadań oraz agenci, którzy mogą odpytywać ślady wykonania innych, by wykorzystać obserwacje, które nigdy nie stały się formalnymi faktami. CrowdStrike wiąże narzędzie z włamaniami do instytucji, wśród których wymienia się Shinhan Bank i KB Kookmin Bank.
Źródło: alphasignal
Dla warstwy AI płynie z tego wniosek, który wykracza poza samo bezpieczeństwo. ARTEX nie jest modelem — to orkiestrator, który wywołuje zewnętrzne modele, między innymi Opus od Anthropic, GPT od OpenAI i chiński DeepSeek, i prowadzi rozpoznanie oraz planowanie ataku w dużej mierze autonomicznie. To znaczy, że barierą wejścia dla ofensywnej cyberoperacji opartej na agentach przestaje być posiadanie własnego modelu, a staje się samo złożenie gotowych narzędzi i modeli w działający system. Jest to zarazem najlepszy argument za warstwami izolacji takimi jak ogłoszone dziś MXC, bo skoro orchestruje się dostępne modele, to jedyną realną granicą obrony jest środowisko wykonania, a nie sam model. Trzeba przy tym wyraźnie zaznaczyć, że części doniesień o skali wycieków nie dało się niezależnie potwierdzić, a sprawcy nie zostali ustaleni.
Siedem. Manus wraca z pół miliarda dolarów i patrzy na Hongkong
Ostatni wątek dotyczy kapitału. Spółka Butterfly Effect, właściciel start-upu AI Manus, poinformowała w czwartek 8 października, że zamknęła rundę finansowania o wartości ponad pięciuset milionów dolarów, współprowadzoną przez Boyu Capital i IDG Capital, z udziałem dotychczasowych inwestorów, w tym Tencent, Sequoia China i ZhenFund. Manus rozwija uniwersalnych agentów sztucznej inteligencji, którzy samodzielnie prowadzą badania i automatyzują zadania, a runda jest skutkiem powrotu do samodzielności: w kwietniu Pekin nakazał Meta odwrócenie transakcji jej przejęcia, a spółka w sierpniu ogłosiła powrót do niezależnego działania i usunięcie części danych użytkowników. Według „The Information" roczna stopa przychodów Manus wzrosła do około pięciuset milionów dolarów z około stu milionów w momencie przejęcia, a spółka rozważa strukturę z joint venture zarejestrowaną w Chinach, co otwiera drogę do debiutu w Hongkongu. Informację podała agencja Reuters.
Źródło: the-information, reuters
Ten fakt wpisuje się w szerszy obraz z tego tygodnia, w którym kapitał prywatny i geografia regulacyjna przestawiają mapę graczy. Po tym jak Stany Zjednoczone i Chiny zaostrzyły kontrolę nad transgranicznymi inwestycjami w AI, wartościowe spółki agentowe coraz częściej wracają na rynek chiński lub wybierają listingi azjatyckie, a nie amerykańskie. Bez istotnych zmian wobec wcześniejszych wydań pozostają przygotowania Anthropic do debiutu giełdowego, przeniesione na listopad przy wycenie sięgającej dwóch bilionów dolarów.
NAJWAŻNIEJSZE
Po pierwsze, ośrodek Epoch AI pokazał na przykładzie swojego benchmarku EBR-bench, że GPT-6 Astra potrafi zidentyfikować i wykorzystać legalny skrót wypaczający pomiar w zaledwie dwóch rozgrywkach, zmuszając ośrodek do zbanowania karty i przeliczenia rankingu. Po zmianie Astra nadal prowadzi z wynikiem dwudziestu na dwadzieścia jeden i wynikiem około pięćdziesięciu procent wyższym od poprzednich liderów, ale sama saturacja benchmarku w ciągu kilku miesięcy oznacza, że liderzy przestają się na nim rozróżniać — co jest twardym sygnałem, że mierzenie realnego przyrostu jest dziś trudniejsze niż jego generowanie (Epoch AI, AlphaSignal, 8.10).
Źródło: epoch-ai, alphasignal
Po drugie, Microsoft i Nvidia potwierdziły wejście lokalnego wnioskowania agentowego do komputerów z Windows: ogólna dostępność warstwy izolacji MXC, laptop Surface Laptop Ultra z układem RTX Spark od dwóch tysięcy pięciuset dziewięćdziesięciu dziewięciu dolarów oraz biurkowy DGX Station z superchipem GB300 zdolny do modeli rzędu biliona parametrów. Wszystko to dzieje się jednak w cieniu kryzysu pamięci, który podniósł cenę biurkowego DGX Spark o około siedemdziesiąt pięć procent, do sześciu tysięcy dziewięciuset pięćdziesięciu dolarów, i przesunął lokalne AI w stronę przywileju budżetowego (Reuters, blog Nvidii, 7.10).
Źródło: reuters
Po trzecie, rośnie świadomość, że wąskim gardłem łańcucha przestaje być sam układ. Ceny pamięci DRAM wzrosły w tym roku o siedemdziesiąt do osiemdziesięciu dziewięciu procent, centra danych mają pochłonąć około siedemdziesięciu procent produkcji pamięci, a jednocześnie TSMC zaraportowało rekordowe przychody kwartału o około pięćdziesiąt procent wyższe rok do roku. To dwa niezależne sygnały, że podaż zaawansowanej infrastruktury nadal nie nadąża za popytem, mimo rekordowych wycen producentów (Reuters, CNBC, IEEE Spectrum, 8.10).
Źródło: reuters, cnbc
Rekomendowana interpretacja biznesowo-inwestycyjna
W horyzoncie od trzydziestu do dziewięćdziesięciu dni najwięcej zmieniają dwie równoległe linie: przesunięcie kosztu z modelu na pamięć oraz dojrzewanie warstwy bezpieczeństwa agentów. Po pierwsze, skoro ceny DRAM i HBM rosną, a lokalne wnioskowanie wymaga dużych ilości pamięci ujednoliconej, uzasadniona jest ostrożność wobec tezy, że koszt inferencji będzie spadał liniowo wraz z ceną za token. Tańszy token nie równoważy bowiem droższego sprzętu pod nim, a wynik testów Haiku 5.5 pokazuje dodatkowo, że w zadaniach agentowych oszczędność zjada rozumowanie rozliczane jak tokeny wyjściowe. Dla budżetowania architektury oznacza to konieczność liczenia kosztu na poziomie pojedynczego zadania, z uwzględnieniem długości kontekstu i liczby kroków, a nie na poziomie ceny bazowej. Po drugie, wejście MXC na Windows oraz sprawa ARTEX pokazują, że granica bezpieczeństwa przesuwa się z samego modelu na środowisko wykonania i na orkiestrację narzędzi. To rodzi konkretne pytania weryfikacyjne na najbliższe tygodnie: czy warstwy izolacji agentów staną się domyślnym wymogiem zakupowym dla wdrożeń korporacyjnych, czy ceny pamięci wymuszą przesunięcie części obciążenia z powrotem do chmury, mimo nacisku na prywatność, oraz czy zapowiadane ciało samoregulacji SAFA zdąży powstać z realnymi uprawnieniami audytowymi, zanim kolejny incydent agentowy wymusi reakcję regulatorów. Ryzykiem pozostaje to, że zarówno wyceny producentów pamięci, jak i zapowiedzi ciał nadzoru wyprzedzają dziś realnie dostępną podaż i realne kompetencje, a nie odwrotnie.