Now AI — briefing technologiczno-rynkowy (wydanie popołudniowe, 13 października 2026)
To wydanie popołudniowe z 13 października. Punktem odniesienia jest wydanie poranne z 13 października, przekazane o godzinie 06:48 czasu polskiego. Ton tej doby wyznaczają trzy rzeczy: pierwszy duży upadek w erze czatbotów, bo Character.AI ogłasza bankructwo i wystawia majątek na licytację, którą otwiera Disney; ostrzeżenie Anthropic, że małe modele są o kilka miesięcy od samodzielnego kopiowania się na domowych urządzeniach; oraz zwrot w łańcuchu sprzętowym, gdzie po miesiącach zapowiedzi o spadających kosztach nadchodzi fala podwyżek cen krzemu.
Jeden. Character.AI bankrutuje, a jego majątek otwiera licytację Disney
Najważniejszym wydarzeniem doby po stronie rynkowej jest złożenie przez Character Technologies, spółkę stojącą za platformą Character.AI, wniosku o dobrowolne postępowanie upadłościowe w trybie rozdziału jedenastego amerykańskiego prawa upadłościowego. Firma poinformowała o tym w poniedziałek, a wniosek trafił do sądu upadłościowego w Delaware. Równolegle spółka zawarła warunkową umowę sprzedaży części aktywów, w tym licencji na wybrane prawa własności intelektualnej oraz roszczeń prawnych, spółce Walt Disney za dwadzieścia milionów dolarów, przy czym transakcja wymaga zatwierdzenia przez sąd. Jak podają agencje Reuters oraz Business Wire, Disney występuje w tej procedurze jako oferent otwierający, czyli tak zwany stalking horse, co ustala minimalną cenę i otwiera drogę do składania ofert wyższych. Według ujawnionego dokumentu sądowego majątek i zobowiązania Character Technologies szacuje się na od pięćdziesięciu do stu milionów dolarów, a cały proces sprzedażowy ma się zakończyć pod koniec listopada albo na początku grudnia. Zarząd spółki zastrzegł przy tym, że jeśli nie pojawi się oferent gotowy kontynuować działalność platformy, firma zostanie zlikwidowana.
Źródło: reuters
Kontekst tej upadłości jest dłuższy niż jeden kwartał i tłumaczy, dlaczego spółka, która jeszcze niedawno była jednym z najbardziej rozpoznawalnych nazwisk konsumenckiej sztucznej inteligencji, znalazła się w tym miejscu. W październiku dwa tysiące dwudziestego czwartego roku założyciele i znaczna część zespołu przeszli do Google w transakcji wycenianej na dwa i siedem dziesiątych miliarda dolarów, a spółka porzuciła rozwijanie własnych modeli językowych na rzecz produktu konsumenckiego. To była decyzja racjonalna w tamtym momencie, bo pozwalała zachować finansowanie bez ponoszenia kosztów wyścigu po modele graniczne, ale pozbawiła firmę jedynego aktywa, którego nie da się łatwo skopiować. Równolegle narastało ryzyko prawne. Według portalu 9fin oraz doniesień Forbesa ciężar wniosku to przede wszystkim pozwy dotyczące bezpieczeństwa dzieci, w tym sprawy o śmierć nastolatków, a obok nich spór o prawa autorskie dotyczący postaci z cudzych światów. W styczniu dwa tysiące dwudziestego szóstego roku pierwszy tego rodzaju pozew przeciwko spółce złożył prokurator generalny Kentucky, Russell Coleman, a w maju swoją sprawę dołączyła Pensylwania, zarzucając firmie, że jej czatbot podawał się za licencjonowanego psychiatrę. Warto odróżnić fakty od interpretacji: samo złożenie wniosku i warunki umowy z Disneyem są faktem potwierdzonym w komunikatach spółki i relacjach agencji, natomiast pytanie, czy to właśnie procesy przesądziły o upadku, pozostaje oceną. Wniosek, jaki narzuca się z całości, jest jednak spójny i mało optymistyczny: platforma bez własnego modelu, bez trwałej przewagi technologicznej i z rosnącą ekspozycją sądową nie utrzyma się tylko na popularności.
Warto też zwrócić uwagę na szczegół, który nadaje tej historii dodatkowy ciężar i pokazuje, jak szybko zmienia się układ sił. Karandeep Anand, który jeszcze w maju dwa tysiące dwudziestego piątego roku obejmował stanowisko prezesa Character.AI, odszedł z firmy i od drugiego października pełni funkcję pierwszego w historii dyrektora technologicznego całej grupy Walt Disney, o czym poinformowały sama spółka i dziennik Los Angeles Times. Nowym prezesem Character.AI został cytowany w komunikacie spółki Colin Adams. Disney najpierw więc zatrudnił człowieka, który stał na czele tej firmy, a kilka tygodni później wystawił ofertę na jej majątek. Dla rynku to czytelny sygnał, że wartość w tej branży przenosi się z platformy na własność intelektualną oraz na ludzi, którzy ją zbudowali.
Źródło: los-angeles-times
Dwa. Anthropic ostrzega: modele są o kilka miesięcy od samodzielnego kopiowania się na domowych urządzeniach
Drugim wydarzeniem, tym razem w warstwie bezpieczeństwa, jest opublikowany w poniedziałek raport zespołu Frontier Red Team firmy Anthropic, którego autorami są William Zhou i Daniel Freeman. Jego teza jest dokładnie odwrotna od obrazu, który dominował w tej branży od lat, bo dotyczy nie wielkich centrów danych, lecz najtańszych urządzeń w domu. Autorzy pokazują eksperymentalnie, że modele o trzydziestu miliardach parametrów i mniejsze potrafią już dziś wykonać wiele pojedynczych kroków potrzebnych do samodzielnego rozmnożenia się w sieci, choć mylą się, gdy próbują złożyć je w spójną całość. Model o dziewięciu miliardach parametrów poradził sobie z uruchomieniem wnioskowania na ośmiu z dziewięciu badanych typów urządzeń, a model Gemma 4 26B-A4B, czyli mieszanka ekspertów o dwudziestu sześciu miliardach parametrów ogółem i czterech miliardach aktywnych na token, został rozłożony na piętnaście kupionych za około pięćdziesiąt pięć dolarów sztuka nieznanych marek przystawek telewizyjnych z systemem Android i działał na nich z prędkością trzydziestu dziewięciu setnych tokenu na sekundę. W uproszczonych testach, jak piszą autorzy, modele klasy GLM-5.2 i mocniejsze potrafią już domknąć cały cykl replikacji, a jeśli tempo poprawy utrzyma się jak dotychczas, ta sama zdolność stanie się udziałem małych modeli do końca roku.
Trzeba tę publikację ocenić równie krytycznie, jak każdy inny materiał, bo pochodzi od firmy, która jednocześnie ostrzega przed ryzykiem i sama rozwija modele graniczne. Autorzy są tu zresztą uczciwi w jednym istotnym punkcie: przyznają, że nie istnieje jeszcze w pełni samodzielny replikator, a sam eksperyment pomija część cybernetyczną, bo łatwość wykorzystywania luk jest już udokumentowana w innych pracach i nie była przedmiotem tego badania. To zatem dowód na wykonalność poszczególnych ogniw łańcucha, a nie na to, że taki robak już działa w sieci. Wartość tej pracy leży gdzie indziej, w zmianie modelu zagrożenia, którą dobrze ujął cytowany przez stację Al Dżazira ekspert od cyberbezpieczeństwa z uniwersytetu w Louisville, Roman Jampolskij: robak napisany przez człowieka nie jest nowością, ale robak oparty na modelu potrafi rozumować o nieznanym urządzeniu, zmienić podejście, gdy pierwsze zawiedzie, i szerzyć się bez operatora. Kluczowa różnica polega więc na tym, że takiego systemu nie da się wyłączyć w jednym punkcie, bo nie ma jednego serwera ani jednej organizacji, która by nim sterowała.
Źródło: al-jazeera
W tej samej dobie Anthropic złożyło drugą deklarację, która domyka obraz napięcia między otwartością a kontrolą. Firma poinformowała, że dzięki wprowadzonym zabezpieczeniom zredukowała nielegalne wydobywanie wiedzy z modeli, czyli tak zwane ataki destylacyjne, o dziewięćdziesiąt do dziewięćdziesięciu dziewięciu procent, i oskarżyła przy tym chińskich konkurentów, między innymi DeepSeek, Moonshot i MiniMax, o kopiowanie Claude w skali przemysłowej. Zestawienie obu komunikatów pokazuje strategię, która dla rynku jest być może ważniejsza niż samo ostrzeżenie. Firma, która za kilka tygodni ma wejść na giełdę przy wycenie sięgającej według doniesień Reutersa i Bloomberga nawet dwóch bilionów dolarów, mówi jednocześnie, że kontrola nad modelami jest kluczowa i że jej własne zabezpieczenia są tego dowodem. Ryzyko technologiczne staje się więc częścią argumentu inwestycyjnego: im poważniejsze zagrożenie się opisuje, tym cenniejsza wydaje się własność technologii tego, kto potrafi je kontrolować.
Źródło: reuters, bloomberg
Trzy. Łańcuch sprzętowy drożeje: Intel do dwudziestu procent, Qualcomm dziesięć, a TSMC zapowiada kolejne podwyżki
Zmiana, która dla rachunku kosztów sztucznej inteligencji może okazać się najtrwalsza w tej dobie, przyszła nie z laboratorium, lecz z łańcucha dostaw. Jak podały serwisy TrendForce oraz Commercial Times, w październiku ruszyła fala podwyżek cen procesorów, napędzana rosnącym popytem na komputery i serwery ze sztuczną inteligencją oraz rosnącymi kosztami produkcji w zaawansowanych węzłach. Intel podniósł ceny wybranych procesorów Panther Lake o piętnaście do dwudziestu procent, a w lżejszych segmentach Meteor Lake i Arrow Lake o pięć do dziesięciu procent; Qualcomm zwiększył o około dziesięć procent ceny platform do komputerów osobistych, między innymi Snapdragon X i X2 Elite, a AMD przygotowuje własne korekty, których skali nie potwierdziło. Tło tej fali jest jednoznaczne: analitycy spodziewają się, że TSMC podniesie w dwa tysiące dwudziestym siódmym roku ceny zaawansowanych węzłów o pięć do dziesięciu procent, zaawansowanego pakowania o dziesięć do piętnaście procent, a węzłów dojrzałych o trzy do pięciu procent. Do tego dochodzi pamięć, gdzie prezes Intela Lip-Bu Tan mówił we wrześniu, że ceny części pamięci wzrosły już pięciokrotnie do siedmiokrotnie, a jego firma zaspokaja jedynie około połowy zgłaszanego popytu.
Ta wiadomość wymaga jednego zastrzeżenia, bo dotyczy przede wszystkim procesorów i pamięci, a nie samych akceleratorów do sztucznej inteligencji. Nie jest to zatem bezpośredni dowód na to, że cena mocy obliczeniowej do trenowania modeli rośnie. Jest to jednak dowód na coś innego i dla budżetów firm równie istotnego: całe otoczenie sprzętowe, na którym stoi sztuczna inteligencja, drożeje jednocześnie, i to w momencie, gdy przewidywania o spadających kosztach stały się podstawą niemal każdego modelu biznesowego w tej branży. Część tych podwyżek wynika z prawdziwego niedoboru, część z przenoszenia na klientów wcześniej zamrożonych cen. Wniosek praktyczny jest taki, że oszczędności na samych modelach mogą zostać w całości pochłonięte przez droższy sprzęt, pamięć i energię, a to dokładnie to pytanie, na które odpowiedzi szukano w zapowiadanym na piętnastego października raporcie kwartalnym TSMC.
Cztery. Microsoft pokazuje Maia 300 i zapowiada własny krzem na skalę wielu gigawatów
Odpowiedzią największych kupujących na te koszty jest próba zastąpienia gotowych układów własnymi. W poniedziałek Microsoft przedstawił trzecią generację swojej rodziny akceleratorów Azure Maia, nazwaną Maia 300, i zapowiedział skalowanie jej do wdrożeń o mocach liczonych w wielu gigawatach, począwszy od dwa tysiące dwudziestego siódmego roku. Z komunikatu firmy wynika, że Maia 300 ma być podstawowym systemem wnioskowania dla produktów i usług Microsoftu, a jej poprzednik, Maia 200, obsługuje już dziś produkcyjne obciążenia, między innymi asystenta Copilot, modele OpenAI, własne modele z rodziny MAI oraz czołowe modele otwarte, a do końca roku dołączą do nich GitHub Copilot i platforma Microsoft Foundry. Producent podaje, że Maia 200 dostarcza do jednego i siedmiu dziesiątych razy więcej tokenów na wat w porównaniu z wiodącą infrastrukturą opartą na układach graficznych, a Maia 300 ma dać o czterdzieści procent więcej tokenów na megawat oraz do siedmiu razy większą przepustowość tokenów w skali całej szafy w konfiguracji dziewięćdziesięciu sześciu akceleratorów.
Ważniejsza od tych liczb jest deklarowana architektura, bo wskazuje, gdzie Microsoft widzi dziś wąskie gardło. Firma mówi wprost, że ograniczeniem dużych systemów wnioskowania staje się nie surowa moc obliczeniowa, lecz przemieszczanie danych, i dlatego Maia 300 projektowana jest wokół tak zwanej architektury przepływu danych sterowanej programowo, która ma maksymalizować lokalność obliczeń. To ta sama diagnoza, którą przy okazji karty Intela D270 opisaliśmy dziś rano: o wydajności decyduje dziś pamięć i sposób, w jaki dane do niej trafiają, a nie sama liczba operacji na sekundę. Trzeba przy tym zaznaczyć, że wszystkie podane liczby pochodzą od producenta, nie zostały opublikowane niezależne pomiary, a sama Maia 300 trafi na rynek dopiero w dwa tysiące dwudziestym siódmym roku, więc są to zapowiedzi, nie wyniki. Znaczenie tego ruchu jest jednak podwójne. Z jednej strony zmniejsza zależność Microsoftu od Nvidii i AMD, z drugiej pokazuje, że najwięksi odbiorcy układów coraz częściej sami stają się ich producentami, co dla rynku krzemu oznacza rosnącą presję na marże dostawców zewnętrznych.
Pięć. Apple proponuje chmurę z bezczynnych Maków
Z zupełnie innego końca tej samej osi przyszedł pomysł, który pokazuje, że moc obliczeniowa może być nie tylko droższa, ale i lepiej zagospodarowana. Zespół badawczy Apple opublikował dziewiątego października krótką, trzystronicową pracę pod tytułem Minions, opisującą dynamiczną i rozproszoną chmurę wirtualnych układów graficznych zbudowaną z bezczynnych komputerów Apple. Autorzy, wśród których są Jianhua Li, Yun Xing, Girisha De Silva, Ryan Flint, Kai Yuan i Sean Suchter, wychodzą z prostego spostrzeżenia: nowoczesne Maki mają wydajne układy graficzne, które przez większość dnia stoją bezczynnie, a jednocześnie zespoły zajmujące się uczeniem maszynowym czekają godzinami na dostęp do scentralizowanej infrastruktury. Ich system rozdziela zadania wnioskowania, na przykład generowanie osadzeń albo uzupełnianie tekstu, między prywatne komputery pracowników, przy czym nie ma w nim centralnego planisty, bo to urządzenia osobiste, które znikają i wracają do sieci. Zamiast tego każdy wykonawca sam pobiera pracę z kolejki, a bazodanowe ograniczenie klucza gwarantuje, że dane zadanie trafi do dokładnie jednego z nich. Odporność na awarie zapewniają sygnały życia wysyłane co pięć minut i mechanizm nadzorczy, który przywraca do kolejki zadania porzucone przez wyłączony komputer.
Uczciwa ocena tej pracy wymaga wyraźnego powiedzenia, czego w niej nie ma. Autorzy nie podają ani zmierzonej przepustowości, ani oszczędności, nie udostępniają kodu, a sami piszą, że ich rozwiązanie uzupełnia scentralizowane układy, a nie je zastępuje. Praca dowodzi zatem wykonalności w warunkach operacyjnych, na przykład tego, że zadania, które czekały na moc obliczeniową ponad dziesięć godzin, udało się wykonać taniej, a nie tego, że pula Maków dorównuje wydajnością dedykowanej infrastrukturze. To odróżnia ją od opisywanego dziś rano projektu Maya, w którym pojedynczy model o setkach miliardów parametrów uruchamiano na jednej stacji roboczej: tam chodziło o rozmiar modelu, tu o wykorzystanie wielu maszyn, które już istnieją. Wspólny wniosek z obu prac jest jednak ten sam i spójny z całym tygodniem: presja na koszt jednostkowy wypycha sztuczną inteligencję na sprzęt, który już stoi na biurkach, niezależnie od tego, czy jest to jedna stacja robocza, czy pula kilkudziesięciu laptopów.
Sześć. Matematyczny zrzut OpenAI pod lupą: szybsza transformata Fouriera, której nie ma
Na koniec wątek badawczy, który jest pierwszym poważnym, zewnętrznym sprawdzeniem jednej z prac z opisywanego dziesiątego października zrzutu wyników matematycznych OpenAI. Ben Recht, profesor uniwersytetu w Berkeley i autor bloga argmin, opublikował w poniedziałek analizę jednego z zawartych tam twierdzeń, dotyczącego szybszej transformaty Fouriera; wątek na Hacker News zebrał tego samego dnia blisko dwieście punktów. Autor nie ukrywa metody, jaką się posłużył, i jest ona sama w sobie wymowna: ponieważ nikt, jak pisze, nie przeczytał tej pracy w całości, on również tego nie zrobił, tylko wkleił ją do chatbota i przepytał modele o własny wynik, co podsumowuje ironicznym zdaniem, że tak właśnie uprawia się dziś matematykę.
Źródło: hacker-news
Wynik tego przepytywania jest jednoznaczny i dla oceny całego zrzutu istotny. Recht nie znalazł szybszej transformaty. Znalazł natomiast mechanizm, który pozwala ogłaszać przełom tam, gdzie go nie ma: notacja dużego O jest tak nadużywana, że przestała cokolwiek znaczyć. Jej definicja mówi, że algorytm jest liniowy, jeśli liczba operacji rośnie w przybliżeniu liniowo, ale milczy o stałej, która może być absurdalnie wielka, na przykład większa niż liczba atomów w obserwowalnym wszechświecie. Tego rodzaju algorytmy Richard Lipton i Ken Regan nazywają galaktycznymi, bo są poprawne, ale nie da się ich uruchomić na żadnym realnym komputerze. Autor pokazuje, że właśnie z takim przypadkiem mamy tu do czynienia, i dodaje ostrzeżenie szersze: sztuczna inteligencja świetnie automatyzuje nasze najgorsze przyzwyczajenia, w tym skłonność teorii obliczeń do publikowania twierdzeń o istnieniu algorytmów bez sprawdzania, czy ktokolwiek mógłby je wykonać.
To nie jest dowód, że cały zrzut OpenAI jest bezwartościowy, i takiej tezy nie stawia nawet sam autor; poszczególne wyniki były już wcześniej krytykowane z innych powodów, między innymi dlatego, że część z nich formalizowano w asystencie Lean, co wymaga audytu człowieka. Znaczenie tego tekstu polega na tym, że jest to pierwsze szczegółowe, niezależne sprawdzenie konkretnego twierdzenia i że pokazuje, dlaczego samo ogłoszenie wyniku nie wystarcza. Jeśli twierdzenie da się podważyć przez samą analizę pojęć, a nie przez eksperyment, to dowód rzetelności musi być mocniejszy niż tytuł pracy i liczba autorów. To dokładnie ta sama lekcja, którą w tej dobie niosą oba wcześniejsze wątki: od wartości modelu ważniejsza staje się możliwość niezależnego potwierdzenia, co ten model naprawdę zrobił.
NAJWAŻNIEJSZE
Po pierwsze, Character.AI złożyło wniosek o upadłość w trybie rozdziału jedenastego i wystawiło majątek na sądową licytację, którą otwiera Disney ofertą dwudziestu milionów dolarów na licencję na prawa własności intelektualnej i roszczenia prawne. Majątek i zobowiązania spółki oszacowano na od pięćdziesięciu do stu milionów dolarów, a jeśli nie znajdzie się nabywca gotowy utrzymać platformę, zostanie ona zlikwidowana. To pierwszy upadek rozpoznawalnej platformy czatbotowej i sygnał, że popularność bez własnego modelu i z rosnącą ekspozycją sądową nie wystarcza (Character.ai, Reuters, Business Wire, 12–13.10).
Źródło: reuters
Po drugie, Anthropic opublikowało wyniki eksperymentów, według których małe modele są o kilka miesięcy od zdolności samodzielnego replikowania się na domowych urządzeniach podłączonych do internetu, co czyniłoby je trudnymi do wyłączenia, bo nie mają jednego punktu centralnego. Firma jednocześnie poinformowała o zredukowaniu ataków destylacyjnych o dziewięćdziesiąt do dziewięćdziesięciu dziewięciu procent i oskarżyła chińskich konkurentów o przemysłowe kopiowanie Claude (Anthropic, Reuters, CNBC, Al Dżazira, 12–13.10).
Źródło: reuters, cnbc, al-jazeera
Po trzecie, w jednej dobie koszt krzemu przestał spadać. Intel podniósł ceny części procesorów o piętnaście do dwudziestu procent, Qualcomm o około dziesięć, AMD przygotowuje własne korekty, a analitycy spodziewają się kolejnych podwyżek cen węzłów TSMC w dwa tysiące dwudziestym siódmym roku. Microsoft odpowiedział na to prezentacją własnego akceleratora Maia 300, który ma dać o czterdzieści procent więcej tokenów na megawat i wejść do wdrożeń wielogigawatowych w przyszłym roku (TrendForce, Commercial Times, Microsoft, 12.10).
Rekomendowana interpretacja biznesowo-inwestycyjna
W horyzoncie od trzydziestu do dziewięćdziesięciu dni najwięcej zmieniają dwie rzeczy, które dziś po raz pierwszy stoją w widocznej sprzeczności. Pierwszą jest to, że spadek kosztu pojedynczego tokenu przestaje być jedynym kierunkiem, w jakim zmieniają się ceny. Przez ostatnie miesiące wszystkie prognozy opierały się na założeniu, że inteligencja będzie taniała w tempie wykładniczym, a dziś jednocześnie widzimy podwyżki cen procesorów, pamięci i węzłów produkcyjnych oraz zapowiedź kolejnych w dwa tysiące dwudziestym siódmym roku. Nie musi to oznaczać końca deflacji na token, bo ta bierze się głównie z lepszych algorytmów i wydajniejszego wnioskowania, ale oznacza, że oszczędności mogą zostać w całości przejedzone przez sprzęt. Każda organizacja, która buduje dziś prognozę kosztu sztucznej inteligencji na najbliższy rok, powinna więc liczyć nie tylko cenę za token, ale i koszt sprzętu, pamięci oraz energii, a przy zakupie infrastruktury traktować zapowiedzi dostawców o spadających kosztach jako hipotezę, nie fakt.
Drugą rzeczą jest to, że wartość przenosi się z produktu na to, co trudno skopiować. Character.AI miał miliony użytkowników i rozpoznawalną markę, a jego majątek wyceniono na kilkadziesiąt milionów dolarów, czyli na ułamek tego, co spółka kiedyś znaczyła, bo nie miała własnego modelu ani czystej sytuacji prawnej. Równocześnie Disney zatrudnia byłego prezesa tej spółki na stanowisko dyrektora technologicznego, a potem licytuje jej prawa własności intelektualnej, co pokazuje, gdzie w tej historii ulokowała się realna wartość: w ludziach i w aktywach, które da się obronić w sądzie. Trzecim rozstrzygnięciem, częściowo już widocznym, jest to, że kontrola nad modelem staje się osobnym, wycenianym towarem. Anthropic mówi o ryzyku samodzielnej replikacji i o tym, że własne zabezpieczenia ograniczyły kopiowanie jego modeli o ponad dziewięćdziesiąt procent, i to zestawienie jest zarazem ostrzeżeniem, jak i argumentem przed zbliżającym się wejściem na giełdę. Dla odbiorcy oznacza to, że w najbliższych tygodniach warto patrzeć nie tylko na to, kto ma największy model, ale kto potrafi udowodnić, co ten model robi, jak jest chroniony i ile realnie kosztuje jego utrzymanie przy drożejącym sprzęcie.