Now AI — briefing technologiczno-rynkowy (wydanie poranne, 11 października 2026)
To wydanie poranne z 11 października. Punktem odniesienia jest ostatnie wydanie popołudniowe z 10 października, przekazane o godzinie 16:02 czasu polskiego. Ton tej doby wyznaczają trzy rzeczy: Nvidia, która według dziennika Financial Times prowadzi rozmowy o przejęciu Reflection AI, pierwszy od dawna wyrok w sprawie przemytu układów do Chin oraz dowód, że najgłośniejszą nowinkę tygodnia — modele decyzyjne zwracające prawdopodobieństwa zamiast tekstu — da się odtworzyć kilkudziesięcioma linijkami kodu na darmowym modelu o 1,7 miliarda parametrów, razem z pokazaniem ich słabości.
Jeden. Nvidia sięga po Reflection AI, czyli pionowa integracja na otwartych wagach
Najważniejszą nowością biznesową doby jest doniesienie dziennika Financial Times, za którym podała agencja Reuters, że Nvidia prowadzi rozmowy o pogłębieniu inwestycji w spółkę Reflection AI albo o jej przejęciu. Reflection to założony w 2024 roku start-up rozwijający modele o otwartych wagach, kierowany przez byłych badaczy Google DeepMind, Mishę Laskina i Ioannisa Antonoglou, który współtworzył algorytmy AlphaGo. Nvidia ma już w spółce osiemset milionów dolarów, a rozmowy — według osób cytowanych przez dziennik — są na wczesnym etapie i mogą przybrać kilka form, w tym tak zwaną akwizycję kadrową, w której koncern przejmuje zespół i licencjonuje technologię, zamiast kupować spółkę w całości, co pozwoliłoby ominąć długotrwały przegląd regulacyjny. Porozumienie mogłoby zostać zawarte w najbliższych tygodniach, choć nie jest przesądzone. Wycena Reflection sięga dziś około dwudziestu pięciu miliardów dolarów, podczas gdy rok wcześniej spółka wychodziła z ukrycia z wyceną ledwie pięćset czterdzieści pięć milionów.
Źródło: financial-times, reuters
Warto przypomnieć, że Reflection dopiero w poniedziałek wypuściło swój pierwszy otwarty model Beam, opisywany w wydaniu z 9 października. Zestawienie tych faktów jest wymowne: producent układów, który przez dwa lata zarabiał, sprzedając moc obliczeniową wszystkim laboratoriom, zaczyna przejmować samo laboratorium. Nvidia zabezpiecza sobie w ten sposób kanał popytu na własne chipsy, bo trening i serwowanie takich modeli zużywa dokładnie ten sprzęt, i jednocześnie wchodzi w warstwę modeli, którą dotąd obsługiwał wyłącznie jako dostawca. Trzeba jednak zachować dyscyplinę co do źródła: informacja pochodzi od anonimowych osób, Reuters nie zdołał jej niezależnie potwierdzić, a ani Nvidia, ani Reflection nie skomentowały doniesień. Faktem jest więc samo istnienie rozmów; warunki i wycena transakcyjna pozostają niepotwierdzone.
Źródło: reuters
Dwa. Przemyt układów do Chin: kontraktor Super Micro przyznaje się do winy
Drugi wątek dotyczy egzekwowania kontroli eksportu, której szczelność pozostaje słabym punktem całego systemu. Jak podała agencja Reuters, powołując się na dokument sądowy, w czwartek w Sądzie Okręgowym Stanów Zjednoczonych na Manhattanie do winy przyznał się Ting-Wei „Willy” Sun, kontraktor powiązany z producentem serwerów Super Micro Computer. Przyznał się do czterech zarzutów, w tym do spisku w celu naruszenia przepisów eksportowych i przemytu towarów. W marcu prokuratura oskarżyła go wraz z dwiema innymi osobami — wśród nich współzałożyciela Super Micro, Yih-Shyana „Wally’ego” Liawa — o spisek mający na celu wywiezienie do Chin technologii o wartości około dwóch i pół miliarda dolarów.
Źródło: reuters
Schemat, jak opisuje akt oskarżenia, zaczął się około października 2023 roku i polegał na wysyłaniu serwerów do Chin bez wymaganych licencji; restrykcjom podlegały między innymi układy Nvidia B200, H100 oraz H200. Sun aranżował zamówienia i zacierał ślady, pomagał podstawić w grudniu zeszłego roku atrapy serwerów i złożył fałszywe oświadczenia urzędnikowi Departamentu Handlu podczas kontroli magazynu, z którego sprzęt dawno trafił już do Chin. Sam Super Micro nie jest oskarżony — spółka oświadczyła, że zwolniła Suna i zerwała współpracę z pozostałymi oskarżonymi. Znaczenie wyroku polega na tym, że jest to pierwszy tak konkretny dowód sądowy, iż ograniczenia eksportowe da się obchodzić nie tylko na poziomie pojedynczych układów, ale całych serwerów, i to przy użyciu fałszywej dokumentacji oraz atrap. Warto zestawić to z sygnałem z drugiej strony: jak wskazywała analiza Instytutu Brookings przywołana w porannym wydaniu geopolitycznym z 11 października, chińskie władze miały nakazać rodzimym firmom, by nie kupowały amerykańskich układów H200. Przemyt i polityka samowystarczalności Pekinu to dwa końce tego samego zjawiska — kontrola przepływu jest grą w kotka i myszkę, w której pojawiają się pierwsze wyroki skazujące.
Trzy. Twórca ARTEX wycofuje narzędzie do zamkniętego kodu
Trzeci wątek domyka sprawę z wydania z 8 października, dotyczącą chińskiego narzędzia do testów penetracyjnych ARTEX i włamań do południowokoreańskich instytucji finansowych. Nowością jest reakcja twórcy: programista znany pod pseudonimem Autumn-27 napisał w czwartek na GitHubie, że narzędzie zostało nadużyte przez „złych aktorów”, projekt nie będzie już rozwijany i zostanie zamknięty. To przyznanie, że otwarte narzędzie ofensywne wymknęło się kontroli autora, jest pouczające i spóźnione zarazem. Jak przypominali cytowani przez agencję France-Presse eksperci, zamknięcie kodu nie usuwa kopii, które już pobrano, ani nie powstrzyma ludzi przed dalszym używaniem narzędzia, a wręcz utrudnia obrońcom audyt i naprawę luk, bo odbiera im wgląd w źródło. Skala szkód jest policzalna: południowokoreańska komisja nadzoru finansowego podała, że skutki włamań dotknęły ponad sześćdziesiąt osiem tysięcy osób, a bank Shinhan poinformował, że wyciekły dane z wniosków kredytowych około dwudziestu pięciu tysięcy klientów. Firma CrowdStrike wskazała, że atakujący posługiwał się narzędziem ARTEX, prawdopodobnie mówi po chińsku i działał z motywacji finansowej. Trzeba rozróżnić fakty od ocen: nie ma dowodu, że sam twórca stał za atakami, a ustalenia CrowdStrike mają charakter poszlakowy. Wniosek dla warstwy sztucznej inteligencji pozostaje jednak twardy — barierą wejścia do ofensywnej cyberoperacji opartej na agentach nie jest już własny model, lecz samo złożenie gotowych narzędzi, a raz wypuszczony kod nie da się cofnąć.
Źródło: afp
Cztery. Modele decyzyjne odtworzone domowym sposobem — i ich słabość
Czwarty wątek jest najciekawszy technicznie, bo dotyczy kategorii, którą branża wynosiła w ostatnich dniach do rangi nowego paradygmatu. Najwyżej ocenianym technicznym wpisem minionej doby na Hacker News jest artykuł „Build your own decision model”, w którym autor pokazuje, jak w kilkudziesięciu linijkach kodu odtworzyć zachowanie modeli decyzyjnych — takich jak Jev od TypeSafe, Microsoft Decision-1 czy endpoint Decisions API od OpenAI, opisywany w wydaniu z 7 października — przy użyciu darmowego modelu Qwen3-1.7B z otwartych wag. Idea modelu decyzyjnego polega na tym, że nie generuje tekstu token po tokenie, lecz w jednym przebiegu zwraca rozkład prawdopodobieństwa przypisany do z góry zadanych opcji. Autor osiąga ten efekt tak zwanym dekodowaniem ograniczonym: maskuje całe słownictwo poza tokenami dostępnych odpowiedzi i normalizuje logity do prawdopodobieństw. Na zbiorze CommonsenseQA jego model osiąga blisko pięćdziesiąt dziewięć i cztery dziesiąte procent trafności bez dostrajania i ponad sześćdziesiąt dwa procent po krótkim douczeniu.
Źródło: hacker-news
Najważniejsza jest jednak druga część tekstu, czyli pokazanie słabości. Prawdopodobieństwa zwracane przez taki model wyglądają jak pewność siebie, ale nią nie są. Autor porównuje je z rzeczywistą trafnością i wychodzi mu, że model jest skrajnie nadmiernie pewny: w przedziale pewności od dziewięćdziesięciu do stu procent ma rację tylko w siedemdziesięciu procentach przypadków, a w przedziale osiemdziesiąt do dziewięćdziesiąt ledwie w około czterdziestu. Dopiero skalowanie temperatury, czyli sztuczne spłaszczenie rozkładu, wyrównuje pewność z trafnością. To wniosek o znaczeniu wykraczającym poza jeden eksperyment. Cały sens modeli decyzyjnych — a więc i ich wartość w automatyzacji, gdzie mają decydować, którą akcję wybrać albo kiedy zatrzymać agenta — opiera się na założeniu, że zwracane prawdopodobieństwa są skalibrowane, czyli zgodne z rzeczywistością. Tymczasem kalibracja nie jest domyślną właściwością modelu, lecz osobnym etapem pracy, którego nikt nie gwarantuje. Wobec deklaracji sprzedawców, że ich modele decyzyjne działają „o dwa rzędy wielkości szybciej i taniej”, uczciwy wniosek jest taki: sam mechanizm jest tani i łatwy do odtworzenia, więc przewaga nie leży w architekturze, lecz w tym, kto potrafi udowodnić, że jego liczby mówią prawdę.
Pięć. Front badawczy: bity zamiast tokenów i cały stos śledzenia punktów wideo
W warstwie badań uwagę przyciąga publikacja, która trafiła do czasopisma Nature. Jak podał Allen Institute for AI, praca jego zespołu „Retrofitting language models to operate over bytes”, o przystosowaniu istniejących modeli językowych do pracy bezpośrednio na bajtach, ukazała się w Nature przy okazji konferencji COLM 2026 w San Francisco. To badanie stoi za modelem Bolmo. Chodzi o rzecz fundamentalną: większość współczesnych modeli językowych najpierw dzieli tekst na kawałki z ustalonego słownika — tak zwane tokeny — a dopiero potem go przetwarza. Praca pokazuje, że istniejący model można przestawić na pracę z samymi bajtami za pomocą stosunkowo krótkiego dodatkowego treningu, dzięki czemu radzi sobie z detalami, które tokenizacja rozmywa, na przykład z literowaniem czy zadaniami znakowymi. Drugi wynik tego ośrodka donosi z kolei, że hybryda łącząca uwagę transformera z warstwami rekurencyjnymi osiągnęła tę samą trafność co model Olmo 3 o siedmiu miliardach parametrów na benchmarku MMLU, zużywając o czterdzieści dziewięć procent mniej tokenów treningowych. Warto odnotować jeszcze jeden fakt, który mówi o jakości tej pracy więcej niż jakikolwiek wykres: Google ogłosił, że odtworzył trening Olmo 3 o siedmiu miliardach parametrów w swoim systemie MaxText na procesorach TPU. Kiedy konkurent z otwartego, w pełni dostępnego przepisu jest w stanie odtworzyć czyjś trening, to najlepszy dowód, że otwartość naukowa działa. Wyniki obu prac pochodzą od samego ośrodka i wymagają replikacji, choć publikacja w recenzowanym Nature podnosi poprzeczkę zaufania znacznie wyżej niż zwykły wpis na blogu.
W tym samym nurcie otwierania zasobów Google DeepMind udostępniło repozytorium TapNet, zbierające w jednym miejscu siedem modeli do śledzenia dowolnego punktu w wideo — między innymi TAPIR, TAPNext++ i RoboTAP — wraz z wagami na licencji Apache 2.0 i punktami kontrolnymi w środowiskach JAX i PyTorch. To umiejętność kluczowa dla robotyki i edycji wideo, a deklarowane wyniki, jak sześćdziesiąt siedem procent modelu TAPNext++ na benchmarku DAVIS, pochodzą od producenta i nie zostały niezależnie odtworzone.
Sześć. Agenci wchodzą w proces pracy: koniec pull requestów i Palantir na laptopie
W warstwie narzędzi deweloperskich uwagę zwraca krok pokazujący, jak głęboko agenci wchodzą już w codzienny proces tworzenia oprogramowania. Firma Zed dodała do swojego środowiska Delta wzmianki osobiste w wątkach i komentarzach: oznaczenie współpracownika wysyła powiadomienie systemowe i zapisuje zgłoszenie w skrzynce odbiorcy do późniejszego przeglądu. Pod spodem działa mechanizm, który czyni ten model pracy realnym — tak zwany DeltaDB, warstwa zmian na poziomie pojedynczych edycji, zachowująca zgodność z Gitem. Jak podał AlphaSignal, trzydziestu trzech pracowników firmy wprowadziło przez wątki Delta pięćset siedemdziesiąt zmian do głównej gałęzi, a spółka wyłączyła pull requesty w swoim wewnętrznym repozytorium i planuje w ciągu kilku miesięcy całkowicie przenieść wewnętrzny rozwój z GitHuba; publiczne repozytorium otwartoźródłowe nadal przyjmuje klasyczne pull requesty. Istota tej zmiany polega na odwróceniu jednostki pracy: zamiast zatwierdzać zmiany przez pull request, zespół prowadzi trwałe wątki, w których widzi pracę agentów na żywo i do których dopina recenzje w podwątkach dziedziczących kontekst. Dla kodu pisanego w dużej mierze przez maszyny to sensowna odpowiedź. Trzeba jednak powiedzieć, że to na razie eksperyment wewnątrz jednej firmy i deklaracja, a nie dowód, że model się skaluje, a ryzykiem pozostaje przejrzystość — jeśli recenzja rozmywa się w wątkach, trzeba uważać, żeby razem z pull requestami nie zniknął ślad, kto i dlaczego zatwierdził daną zmianę.
Źródło: alphasignal
Z kolei w warstwie danych zespół bazy HelixDB wypuścił Helix Foundry — otwartą, licencjonowaną na Apache 2.0 alternatywę dla komercyjnej platformy Palantir Foundry, która spina bazy i usługi w jeden graf pojęciowy przedsiębiorstwa i działa lokalnie, także z modelem qwen3 uruchamianym przez Ollama. Pokazuje ona, że warstwa, za którą duże firmy płacą dziś miliony, jest technicznie odtwarzalna na pojedynczym komputerze, choć sami autorzy zastrzegają, że to narzędzie jednoosobowe, nieprzeznaczone do wystawiania w sieci.
Siedem. Tło rynkowe: kalendarz debiutu Anthropic i termin wyników TSMC
Na koniec tło, które wiąże te wątki z rynkiem, choć w samym obszarze nie odnotowuję w tej dobie istotnej nowej zmiany. Sprawa debiutu giełdowego Anthropic pozostaje tak, jak sygnalizowałem w wydaniu z 9 października — firma, według ustaleń Bloomberga, ma rozpocząć formalne prezentacje dla inwestorów w tygodniu dziewiątego listopada i wejść na giełdę przed Świętem Dziękczynienia, przy spekulacjach o wycenie sięgającej dwóch bilionów dolarów, a publiczny prospekt wciąż nie pojawił się w amerykańskiej bazie EDGAR. Niezależni analitycy, jak firma New Constructs, wyceniali Anthropic znacznie niżej, na około stu pięćdziesięciu miliardów dolarów. Uwaga sektora przenosi się przy tym na piętnastego października, gdy wyniki kwartalne ogłosi tajwański TSMC, którego moce produkcyjne i pakowanie pozostają twardym wąskim gardłem łańcucha dostaw. Dzisiejsza doba nie przyniosła w tej warstwie rozstrzygnięcia, tylko kolejny element układanki: Nvidia, która z producenta układów staje się właścicielem laboratorium modeli.
Źródło: bloomberg
NAJWAŻNIEJSZE
Po pierwsze, Nvidia prowadzi rozmowy o przejęciu albo pogłębieniu inwestycji w start-up Reflection AI, rozwijający modele o otwartych wagach, w którym ma już osiemset milionów dolarów; transakcja mogłaby zostać zawarta w najbliższych tygodniach, a wycena spółki sięga około dwudziestu pięciu miliardów dolarów. To kolejny krok producenta układów w stronę warstwy modeli i pionowej integracji całego łańcucha (Financial Times, Reuters, 10.10).
Źródło: financial-times, reuters
Po drugie, Ting-Wei „Willy” Sun, kontraktor powiązany z Super Micro, przyznał się do winy w sprawie przemytu do Chin serwerów z układami Nvidia o wartości około dwóch i pół miliarda dolarów. Pierwszy tak konkretny wyrok pokazuje, że kontrola eksportu jest szczelna tylko na papierze, a obchodzi się ją całymi serwerami i fałszywą dokumentacją (Reuters, 9.10).
Źródło: reuters
Po trzecie, modele decyzyjne zwracające prawdopodobieństwa zamiast tekstu — najgłośniejsza nowinka tygodnia — okazały się możliwe do odtworzenia kilkudziesięcioma linijkami kodu na darmowym modelu o 1,7 miliarda parametrów, a przy okazji ujawniły swoją najsłabszą stronę: zwracane prawdopodobieństwa są skrajnie nadmiernie pewne i wymagają osobnego etapu kalibracji. To podważa rdzeń deklaracji sprzedawców, którzy swoją przewagę opierają właśnie na skalibrowanych decyzjach (Hacker News, 11.10).
Źródło: hacker-news
Rekomendowana interpretacja biznesowo-inwestycyjna
W horyzoncie od trzydziestu do dziewięćdziesięciu dni najwięcej zmieniają dwie rzeczy, które spotykają się w jednym punkcie. Pierwsza to pionowa integracja. Skoro producent układów przejmuje laboratorium rozwijające otwarty model, a przy okazji finansuje swoich klientów i dostawców, to wartość w łańcuchu przesuwa się z samego sprzętu w stronę połączonego pakietu: chip plus model plus gotowy popyt. Dla budujących i kupujących oznacza to, że należy patrzeć nie tylko na to, kto ma najlepszy model, lecz kto kontroluje jednocześnie warstwę obliczeniową i warstwę modeli, oraz jak wygląda konstrukcja takich transakcji — czy to pełne przejęcie, czy akwizycja kadrowa omijająca przegląd regulacyjny, bo od tego zależy ryzyko i tempo konsolidacji. Druga rzecz to kierunek przeciwny, czyli komodytyzacja warstwy decyzyjnej. Jeśli najtańszy model decyzyjny można odtworzyć domowym sposobem, to przewaga nie leży w architekturze ani w cenie za token, lecz w udowodnionej kalibracji — w tym, kto potrafi wykazać, że jego prawdopodobieństwa mówią prawdę na realnych zadaniach. Praktyczny wniosek jest taki, by mierzyć kalibrację na własnych danych, zamiast ufać liczbie podanej w cenniku, i traktować warstwę decyzyjną jako tańszą i łatwiejszą do wymiany, niż podpowiada narracja. Ryzykiem pozostaje to, że fala przejęć i rekordowych wycen zbuduje koncentrację władzy w rękach jednego dostawcy sprzętu szybciej, niż rynek zdąży wytworzyć mechanizmy kontroli tego, co te modele robią samodzielnie.