Now AI — briefing technologiczno-rynkowy (wydanie poranne, 13 października 2026)
To wydanie poranne z 13 października. Punktem odniesienia jest ostatnie wydanie popołudniowe z 12 października, przekazane o godzinie 16:04 czasu polskiego. Ton tej doby wyznaczają trzy rzeczy: Meta wraca na front, pokazując pierwszy w swojej historii model klasy granicznej i od razu zamykając go w płatnej subskrypcji, chiński Z.ai udowadnia, że model domenowy zbudowany na taniej bazie dogania czołówkę w pracy prawnika, a Microsoft przekonuje, że samoograniczanie się branży przestało wystarczać.
Jeden. Meta na froncie: Muse Wonder, pierwszy model klasy granicznej i pierwsza płatna bramka
W poniedziałek dwunastego października Meta Superintelligence Labs ogłosiła dwa modele, Muse Wonder i Muse Wonder Full, nazywając je pierwszymi przedstawicielami klasy granicznej we własnym portfolio. Jak podała agencja TechCrunch, oba powstały w centrum danych Prometheus w środkowym Ohio, a ich trening łączył wielkoskalowe pretrenowanie z uczeniem ze wzmocnieniem. Model przyjmuje tekst, obrazy, dźwięk i wideo, obsługuje okno kontekstu liczące około miliona tokenów i opiera się na dwóch filarach, które firma wysuwa na pierwszy plan: pamięci czynnej, czyli przenoszeniu istotnego kontekstu użytkownika między rozmowami, oraz skupieniu czynnemu, czyli wytrwałości w dążeniu do celu mimo niepowodzeń.
Źródło: techcrunch
Liczby są jednak mniej jednoznaczne, niż sugeruje ton komunikatu, i trzeba rozdzielić trzy warstwy danych. Meta podaje we własnej karcie modelu, że Wonder Full osiąga pięćdziesiąt siedem i pięć dziesiątych na SWE-Marathon, teście długotrwałego prowadzenia projektu programistycznego, wobec czterdziestu sześciu i trzech dziesiątych Claude'a Opus 5.5 i czterdziestu dwóch i pięciu dziesiątych GPT-6 Astra. Niezależna organizacja Artificial Analysis, którą serwis VentureBeat cytuje obok tabel Meta, przyznaje tymczasem Wonder Full pięćdziesiąt sześć punktów we własnym indeksie inteligencji, czyli tyle samo co Claude Sonnet 5.5, ale mniej niż Claude Opus 5.5 z pięćdziesięcioma ośmioma; standardowy Muse Wonder wypada tam na pięćdziesiąt dwa punkty. Karta Meta miesza przy tym wyniki własne, dane dostarczone przez dostawców konkurencyjnych modeli i pomiary zewnętrzne, a część porównań w zakresie inżynierii oprogramowania prowadzono różnymi narzędziami. Uczciwy wniosek brzmi więc: Meta weszła do pierwszej ligi, ale nie jest w niej liderem.
Źródło: artificial-analysis, venturebeat
Najbardziej trwałą zmianą nie jest jednak żaden pojedynczy wynik, lecz sposób dystrybucji i cena. Muse Wonder trafia do komercyjnego interfejsu Meta Model API i do asystenta Muse Code, natomiast mocniejszy Wonder Full jest zarezerwowany wyłącznie dla subskrybentów Muse Code i nie zostanie udostępniony przez API. Cena standardowego modelu to cztery dolary za milion tokenów wejściowych i dwadzieścia za wyjściowe, z pamięcią podręczną po dwadzieścia centów, a wyszukiwanie w sieci kosztuje dodatkowo dwa i pół dolara za tysiąc zapytań; to stawka zbliżona do Claude'a Opus 5.5 i wyraźnie odbiegająca od taniej linii Muse Spark. Co ważniejsze, żaden z modeli Wonder nie ma publicznie dostępnych wag, co jest zmianą historyczną dla firmy, której wcześniejsze modele Llama stały się synonimem otwartej dystrybucji; otwartą licencję zachował tylko mniejszy Muse Glimmer. Osobno trzeba wymienić warstwę, która dla odbiorcy korporacyjnego może okazać się najdroższa. Domyślny tryb subskrypcji Muse Code pozwala Meta wykorzystywać przesyłane zapytania, kod i pliki do ulepszania własnych modeli; można go wyłączyć, ale zmiana dotyczy tylko przyszłych zgłoszeń, a regulamin zakazuje przesyłania w tym trybie informacji poufnych. Zerowe przechowywanie danych jest dostępne, lecz wyłącza między innymi stan rozmowy po stronie serwera i wbudowane wyszukiwanie w sieci, czyli mechanizmy, na których opiera się reklamowana pamięć czynna. Rynek przyjął premierę przychylnie: jak podał serwis rynkowy markets.com, akcje Meta wzrosły o trzy i cztery dziesiąte procenta, do około siedmiuset czterdziestu trzech dolarów.
Dwa. Ocena modeli przenosi się z odpowiedzi na pracę: testy, które patrzą na merge, i koszt zadania zamiast kosztu tokenu
Zestaw wczorajszych premier oceniających układa się w jedną wyraźną zmianę metodologiczną. Dotąd przewagę mierzyło się liczbą poprawnych odpowiedzi albo przechodzeniem testów jednostkowych; teraz front przenosi się na pytanie, czy wytwór agenta zostanie przyjęty do prawdziwego repozytorium i ile faktycznie kosztuje wykonane zadanie. Najlepszym przykładem jest FrontierCode 1.1, test opracowany przez firmę Cognition i od wczoraj publikowany na własnej tablicy przez Artificial Analysis. Jego kryteria układano razem z ponad dwudziestoma opiekunami otwartych repozytoriów, a ocena nie kończy się na tym, czy zmiana przechodzi testy, lecz czy mieści się w zakresie zadania, trzyma konwencji projektu i nie tworzy zbędnych plików. Każde kryterium jest oznaczone jako blokujące albo nieblokujące; jeśli agent nie spełni któregokolwiek warunku blokującego, dostaje zero. Prowadzi Claude Opus 5.5 z wynikiem pięćdziesięciu dwóch procent, ale dziewięć modeli z sześciu laboratoriów mieści się w przedziale od czterdziestu trzech do pięćdziesięciu dwóch procent, a dziewięciu zadań nie rozwiązał żaden z badanych modeli ani jednej próby. Najlepszy wynik wśród wag otwartych, czterdzieści pięć procent, należy do MiMo-V2.6-Pro.
Źródło: artificial-analysis
Prawdziwa nowość tkwi jednak w koszcie. Artificial Analysis podaje, że średni koszt zadania rozciąga się od dziewięciu centów dla GPT-6 Luna do dwunastu dolarów dla Claude Fable 5.1. GPT-6.1 Sol osiąga czterdzieści dziewięć procent przy osiemdziesięciu jeden centach za zadanie, podczas gdy Opus 5.5 dokłada trzy punkty procentowe, płacąc za nie około dwunastu i pół razy więcej. Część różnicy wynika z liczby generowanych tokenów: modele z rodziny GPT-6 zużywają od dwudziestu siedmiu do trzydziestu trzech tysięcy tokenów wyjściowych na zadanie, a Opus 5.5 około stu pięćdziesięciu siedmiu tysięcy. Ten sam wzorzec widać w drugiej wczorajszej inicjatywie, benchmarku AA-3D, w którym dwadzieścia jeden modeli buduje w przeglądarce trójwymiarowe sceny z pisanych briefów, a o rankingu decydują zaślepione głosy ponad tysiąca osób. Na szczycie cztery modele są statystycznie remisowe, modele z otwartymi wagami zostają ponad dwieście punktów Elo z tyłu, a koszt jednej sceny rozciąga się od dwudziestu centów do ponad trzydziestu dwóch dolarów, przy czym sześćdziesiąt dziewięć procent wydatku pochłania kontekst wejściowy.
Źródło: artificial-analysis
Najciekawsza jest przy tym obserwacja o zachowaniu, nie o wyniku. Najlepsze modele zaglądają do własnego, wyrenderowanego obrazu średnio po dziesięciu do trzynastu turach, a te z dolnej połowy tablicy dopiero po piętnastu do czterdziestu; wcześniejsze sprawdzanie własnego wytworu koreluje z wynikiem na poziomie ośmiu dziesiątych, a liczba tur nie ma znaczenia. Zastrzeżenie do obu testów jest poważne: FrontierCode trzyma sto zadań w zbiorze prywatnym, więc audyt zewnętrzny jest ograniczony, a AA-3D mierzy przede wszystkim to, co widać i co da się obsłużyć w kilkudziesięciu sekundach kontaktu, a nie poprawność czy bezpieczeństwo. Nie są to więc prawdy ostateczne, lecz najlepsze dostępne przybliżenie pytania, które dla kupującego jest jedyne istotne: ile kosztuje zadanie dowiezione do końca.
Trzy. GLM-Legal: model pionowy dogania czołówkę, ale nie jest otwarty
Drugim wydarzeniem doby jest pierwszy poważny model wąskiej dziedziny od dużego chińskiego laboratorium. Z.ai, spółka stojąca za rodziną GLM, pokazała GLM-Legal, model agentowy zbudowany na taniej i szybkiej bazie GLM-5.3-Flash, a więc tej samej, którą opisywaliśmy wczoraj w kontekście uruchamiania na jednej stacji roboczej. Według komunikatu firmy model osiąga dziewiętnaście i dwie dziesiąte procenta pełnych zaliczeń na Harvey LAB, wymagającym benchmarku rzeczywistych zadań kancelarii w dwudziestu czterech obszarach praktyki, co daje wzrost o dwanaście i pięć dziesiątych punktu wobec modelu bazowego, a na LegalBench i chińskim PLawBench dorównuje czołowym modelom zamkniętym mimo znacznie mniejszej liczby parametrów. Trening prowadzono dwuetapowo: rozszerzona faza średnia zbudowała wiedzę dziedzinową, a uczenie ze wzmocnieniem w dziesiątkach tysięcy symulowanych środowisk prawnych nauczyło model prowadzenia analizy i dostarczania gotowego produktu. Dostęp jest jednak bramkowany i udzielany na wniosek, a wag nie opublikowano.
Ta ostatnia informacja jest ważniejsza, niż wygląda, bo część agregatorów ogłosiła GLM-Legal najlepszym modelem otwartym w prawie. Sprawdzenie u źródła temu przeczy: model działa w zamkniętej becie, a jedyną drogą jest formularz konsultacyjny Z.ai albo czekający dopiero na uruchomienie pulpit AutoClaw. To odwraca narrację ostatnich dni, w których chińskie laboratoria zdobywały pozycję właśnie otwartymi wagami. Zaczynają one stosować wzorzec laboratoriów amerykańskich: tania baza zostaje publiczna, a warstwa specjalistyczna, dająca przewagę w konkretnym zawodzie, jest sprzedawana jako usługa. Krytyka płynie z samego środowiska. Jak zauważono na Hacker News, gdzie wątek zebrał ponad czterysta punktów, model nie odpowiada na ryzyko zmyślonych orzeczeń i przepisów, a to właśnie ten błąd wielokrotnie kompromitował prawników w sądach; jeden z komentujących, sam będący adwokatem, stwierdził, że dwudziestoprocentowe zaliczenie nie robi wrażenia, bo praktyka polega na sprawach nowych, nie na powtarzaniu przeszłych. Podnoszono też, że przykłady osadzono w porządkach common law, więc nie wiadomo, jak model zachowa się w Polsce. Należy przy tym nie zestawiać wprost liczby Z.ai z liczbą z karty Meta: trzynaście i jedna dziesiąta przy Harvey LAB, którą podaje Meta dla Muse Wonder Full, pochodzi z innego trybu oceny i innej metodologii niż dziewiętnaście i dwie dziesiąte procenta pełnych zaliczeń u Z.ai. Obie liczby są prawdziwe, ale nieporównywalne.
Źródło: hacker-news
Cztery. Intel nazywa swoją kartę do wnioskowania: D270 i czterysta osiemdziesiąt gigabajtów pamięci
W łańcuchu sprzętowym uwagę zwraca premiera, która nie konkuruje z Nvidią w treningu, lecz w samym wnioskowaniu. Na szczycie Open Compute Project Intel pokazał kartę znaną od sierpnia pod nazwą roboczą Crescent Island, teraz oficjalnie nazwaną GPU D270. Układ należy do nowej serii D, opiera się na architekturze Xe3P i został pozbawiony sprzętu do grafiki trójwymiarowej oraz śledzenia promieni, a zwolnioną powierzchnię przeznaczono na obliczenia. Jak podał serwis VideoCardz, karta oferuje do czterystu osiemdziesięciu gigabajtów pamięci LPDDR5X, jeden i trzy dziesiąte petaflopsa wydajności w formacie FP8 i półtora terabajta na sekundę przepustowości pamięci, przy poborze mocy trzystu pięćdziesięciu watów i chłodzeniu pasywnym w standardowej infrastrukturze serwerowej. Własna karta Intela ma sto sześćdziesiąt gigabajtów, a konfiguracje do czterystu osiemdziesięciu przygotowują partnerzy produkcyjni. Producent twierdzi, że jeden akcelerator obsłuży modele do trzystu miliardów parametrów, a system ośmiu kart przekroczy bilion parametrów, ale nie przedstawił niezależnych pomiarów i nie ogłosił jeszcze ceny ani dostępności; trwa natomiast próbkowanie u klientów.
Znaczenie tego układu polega na kierunku, który wybiera, a nie na parametrach. Wnioskowanie o dużym kontekście ogranicza dziś pojemność pamięci, nie moc obliczeniowa, dlatego Intel stawia na tanią, gęstą pamięć LPDDR5X zamiast drogiej pamięci HBM, której podaż od miesięcy pozostaje wąskim gardłem branży. Jeśli taki układ da się kupić w rozsądnej cenie, presja przenosi się z ceny układu na cenę za token, a konkurencja w centrach danych przestaje dotyczyć wyłącznie najszybszej karty treningowej. To przedłużenie wątku, który opisaliśmy wczoraj przy warstwie sieciowej łączącej układy różnych producentów: o wyborze sprzętu coraz częściej decyduje koszt zadania, nie przywiązanie do jednej architektury. Po stronie oprogramowania ta sama presja trwa bez istotnych zmian wobec wczorajszej analizy: kolejne projekty, jak Janas czy Atomic Chat, uruchamiają modele o dziesiątkach, a nawet setkach miliardów parametrów na dyskach i komputerach osobistych, a kwantyzacje schodzą poniżej dziesięciu gigabajtów.
Pięć. Codex CLI włącza stałego demona, a programiści zaczynają mówić o zaufaniu, nie o szybkości
Wątek, który w ciągu jednej doby stał się najszerzej komentowanym problemem narzędziowym, dotyczy zaufania do samego oprogramowania agentowego. Zgłoszenie w repozytorium OpenAI Codex, otwarte jeszcze dwudziestego piątego września, trafiło wczoraj na pierwszą stronę Hacker News, gdzie zdobyło blisko pięćset punktów, i opisuje zachowanie wprowadzone w wersji 0.157.0. Według autora, który prześledził proces, samo otwarcie interaktywnej sesji Codex uruchamia trwały demon działający w tle, bez terminala i po zamknięciu wszystkich okien, a ten kopiuje cały pakiet platformy o rozmiarze około trzystu siedemdziesięciu czterech megabajtów do katalogu użytkownika i działa odtąd z tej kopii, odłączając wersję silnika od tej zainstalowanej przez menedżer pakietów. Dodatkowo uruchamia odłączony proces aktualizujący, który sprawdza nowe wydania pięć minut po starcie, a potem co godzinę, pobiera je i restartuje silnik, co może przerwać trwającą pracę, i dziedziczy ustawienia pierwszej sesji, także wtedy, gdy kolejne startują w innym katalogu i z inną konfiguracją. Wyłączenie demona pozostawia przy tym działający proces aktualizujący, a dokumentacja konfiguracji nie wymienia opcji, którą można go wyłączyć.
Źródło: hacker-news
Warto oddzielić emocje od rzeczywistego problemu. Nie ma tu dowodu na działanie wrogie; jest natomiast realne zerwanie ciągłości pochodzenia, które ktoś na tym samym wątku nazwał trafnie granicą odpowiedzialności: tożsamość zainstalowanego narzędzia przestaje być tożsamością procesu, który wykonuje zlecenie. Gdy klient nie wie, którą wersję binarną, w której generacji i z jakim środowiskiem faktycznie uruchamia, audyt i zgodność stają się fikcją, a właśnie na audytowalność powołują się dostawcy w rozmowach z regulatorem. Zgłoszona propozycja, by każdy klient otrzymywał krótkie poświadczenie wykonania z numerem wersji, skrótem binariów, numerem generacji demona i stanem aktualizatora, jest odpowiedzią techniczną na problem, który w warstwie prawnej pozostaje otwarty. Kontekst zaostrza sprawę: w tym samym narzędziu wykryto we wrześniu lukę zdalnego wykonania kodu, uruchamianą przez złośliwe repozytoria Git. Dla firm wdrażających agentów kodujących na produkcji wniosek jest taki, by traktować łańcuch dostaw oprogramowania agentowego równie rygorystycznie jak każdy inny element infrastruktury.
Sześć. Audyt nie wystarczy: model może trwale ukryć zdolności przed każdym pytaniem
Najpoważniejszym tekstem badawczym doby w warstwie bezpieczeństwa jest praca przyjęta na konferencję NeurIPS, opublikowana na arXiv dziewiątego października. Jej autorzy, Andis Draguns i trzy inne osoby, pokazują, że założenie, na którym opierają się dzisiejsze audyty modeli granicznych, nie jest prawdziwe w warunkach wrogich. Audyty zakładają, że ukrytą umiejętność da się wydobyć odpowiednim pytaniem, dolaniem modelu albo treningiem. Autorzy konstruują backdoor, który osadza w wagach zaszyfrowaną sieć neuronową, odszyfrowywaną i uruchamianą wyłącznie po tajnym sygnale, i pokazują, że tak ukryta funkcja pozostaje udowodnialnie trudna do wydobycia i interpretacji nawet przy pełnym dostępie do wag. Odporność potwierdzili na rzeczywistych metodach: dostrajaniu, dodawaniu szumu do wag, przeszukiwaniu sygnału wyzwalającego po gradiencie i treningu adwersarskim w ukrytej przestrzeni, a testem była prognoza reakcji chemicznej, czyli zastępcze zadanie istotne dla ryzyka broni masowego rażenia. To nie jest demonstracja luki w konkretnym produkcie, lecz dowód granicy metody. Wniosek jest niewygodny i dotyczy obu wczorajszych wątków: jeśli laboratorium nie może udowodnić, że w modelu nic nie ukryto, to deklaracja o przeprowadzonym audycie przestaje być gwarancją.
Siedem. AI jest słabiej regulowana niż mleko: Microsoft wzywa do globalnych zasad
Na koniec wątek regulacyjny, który w tej dobie zyskał najwyraźniejszego rzecznika. Prezes Microsoftu, Brad Smith, powiedział w podcaście brytyjskiego BBC, że sztuczna inteligencja jest dziś słabiej regulowana niż mleko i pralki, i wezwał do pilnego wprowadzenia globalnych zasad bezpieczeństwa. W jego propozycji jest pięć elementów: prawny obowiązek poinformowania poszkodowanego, gdy jego system zostanie naruszony przez wymykającego się kontroli agenta, obowiązek sporządzania raportów o incydentach, wyposażenie systemów w bezpieczniki awaryjne pozwalające je zatrzymać, zewnętrzna ocena przed dopuszczeniem produktu do rynku oraz wspólne standardy, wokół których dałoby się zebrać państwa. Według Smitha Wielka Brytania jest najlepiej przygotowana, by te standardy prowadzić, dzięki własnemu instytutowi bezpieczeństwa AI powołanemu jeszcze za rządu Rishiego Sunaka, i to ma być przewaga nad Unią Europejską, do której w Waszyngtonie, jak mówi, patrzy się znacznie mniej przychylnie. Przyznał jednak, że prezydent Donald Trump, który powtarza, że kto wygra sztuczną inteligencję, wygra wszystko, nie jest tak przeciwny brytyjskiemu podejściu, jak sugerowałyby same słowa.
Źródło: bbc
Warto rozłożyć ten komunikat na to, co jest faktem, a co opinią. Faktem jest, że pod koniec września Trump gościł w Białym Domu szefów OpenAI, Anthropic, Nvidii, SpaceX, Meta i Google, którzy podpisali dokument nazwany moralnie wiążącym, zobowiązując się do współpracy z niezależnymi audytorami. Faktem jest też, że według BBC szefowie Anthropic, OpenAI i Google DeepMind popierają ideę spowolnienia rozwoju sztucznej inteligencji. Opinią jest natomiast ocena Smitha, że samoograniczanie się firm nie wystarczy, bo uczciwe firmy i tak zrobią to, czego się od nich oczekuje, a problemem są te, które nie są odpowiedzialne — a to zdanie pokrywa się z wnioskiem z pracy o ukrywaniu zdolności. W tle pozostaje fakt, o którym pisaliśmy wcześniej i który się nie zmienił: w Unii Europejskiej kluczowe obowiązki dotyczące systemów wysokiego ryzyka zostały przesunięte, a administracja Stanów Zjednoczonych pozostaje przeciwna wiążącym testom.
Źródło: bbc
NAJWAŻNIEJSZE
Po pierwsze, Meta pokazała Muse Wonder i Muse Wonder Full, swój pierwszy model klasy granicznej, i uczyniła z niego produkt zamknięty: mocniejszy wariant jest dostępny tylko w subskrypcji, standardowy kosztuje cztery i dwadzieścia dolarów za milion tokenów, a wag nie ma w ogóle. To zwrot w strategii spółki, która zbudowała pozycję na otwartym modelu Llama, i sygnał, że szczyt rynku przechodzi na sprzedaż subskrypcyjną z ograniczonym dostępem do API (Meta, TechCrunch, VentureBeat, 12.10).
Źródło: techcrunch, venturebeat
Po drugie, ocena modeli przestała dotyczyć odpowiedzi, a zaczęła dotyczyć wykonanej i przyjętej pracy. FrontierCode 1.1 mierzy, czy zmiana agenta nadawałaby się do przyjęcia w prawdziwym repozytorium, a Artificial Analysis pokazuje przy tym, że wynik o trzy punkty wyższy może kosztować około dwunastu i pół razy więcej. Dla kupującego jednostką rozliczeniową staje się koszt dowiezionego zadania, nie koszt tokenu (Cognition, Artificial Analysis, AlphaSignal, 12.10).
Źródło: artificial-analysis, alphasignal
Po trzecie, dwa niezależne zdarzenia z tej samej doby podważają założenie, że rzetelnej technologii można zaufać bez dowodu. Praca przyjęta na NeurIPS dowodzi, że ukryte zdolności modelu da się utrzymać poza zasięgiem każdego dzisiejszego audytu, a zgłoszenie w narzędziu Codex pokazuje, że samo zainstalowane narzędzie może uruchamiać w tle proces, którego tożsamości użytkownik nie kontroluje. Zaufanie staje się kategorią techniczną, nie deklaracją (arXiv, NeurIPS 2026; GitHub, OpenAI Codex).
Rekomendowana interpretacja biznesowo-inwestycyjna
W horyzoncie od trzydziestu do dziewięćdziesięciu dni najwięcej zmienia nie kolejny rekord na benchmarku, lecz trzy rozstrzygnięcia, które zaczynają się krystalizować. Pierwsze dotyczy sposobu rozliczania się z modelami. Skoro FrontierCode pokazuje, że model tańszy o rząd wielkości oddaje trzy punkty procentowe, a AA-3D, że w długich zadaniach o wyniku decyduje wczesne sprawdzanie własnego wytworu, to miarą wartości staje się koszt zadania dowiezionego do końca, nie stawka za token. Każda organizacja kupująca dziś dostęp do modelu powinna przeliczać oferty na koszt wykonanego zadania w swoim własnym procesie i na własnym, małym zbiorze zadań, bo publikowane tablice, również te niezależne, trzymają część zadań w zbiorze prywatnym i nie dają się w pełni zaudytować.
Drugie rozstrzygnięcie dotyczy tego, że najlepszy model przestaje być produktem wolnym. Meta sprzedaje szczyt tylko w subskrypcji, Z.ai udostępnia model prawniczy wyłącznie po aplikacji, a warunki danych w trybie domyślnym bywają niekorzystne dla firmy, która wgrywa kod klienta. Dla podmiotu przetwarzającego dane wrażliwe kluczowym parametrem umowy staje się więc nie cena, lecz tryb przetwarzania, zakres przechowywania i to, czy reklamowana pamięć modelu działa w konfiguracji zgodnej z wymogami zgodności. Trzecie rozstrzygnięcie jest ostrzeżeniem i jednocześnie szansą: jeśli audyt zdolności nie jest w stanie wykazać, że model nie ukrywa funkcji, a zainstalowane narzędzie może zmieniać własne binaria poza wiedzą użytkownika, to rzetelność i możliwość niezależnego potwierdzenia stają się towarem deficytowym. Warto więc wyceniać nie tylko to, kto ma największy model, ale kto potrafi udowodnić, co ten model robi. Twardym sprawdzianem najbliższych dni pozostaje zaplanowany na piętnastego października wynik tajwańskiego TSMC, który rozstrzygnie, czy popyt na sztuczną inteligencję tworzy więcej wartości na jednostkę mocy produkcyjnej, czy tylko więcej sprzedanych jednostek przy rosnących kosztach.