Now AI — briefing technologiczno-rynkowy (wydanie poranne, 17 października 2026)
To wydanie poranne z 17 października. Punktem odniesienia jest wydanie popołudniowe z 16 października, przekazane o godzinie 15:18 czasu polskiego. Ton tej doby wyznaczają trzy rzeczy. Anthropic pokazuje dwa wyniki, w których jego model sam prowadzi pracę badawczą i sam ją weryfikuje: projektuje układy kwantowe lepsze od najlepszych publikowanych oraz rozwikłuje dwudziestopięcioletnią zagadkę pochodzenia krzywych kryptograficznych NIST. Reflection AI oddaje do otwartego użytku model o pięciuset jeden miliardach parametrów na licencji Apache, domykając tydzień, w którym otwarte wagi przestały być wyłącznie domeną laboratoriów chińskich. A rating kredytowy Anthropic na poziomie śmieciowym, ujawniony dopiero teraz przy finansowaniu chipów za trzydzieści pięć miliardów dolarów, przypomina, że za boomem obliczeniowym stoją obligacje, a nie tylko układy.
Claude sam projektuje układy kwantowe i rozwikłuje zagadkę krzywych NIST
Anthropic opublikował szesnastego października dwa materiały, które razem pokazują coś, czego w tym wątku jeszcze nie było w takiej skali: model nie odpowiada na pytania o badania, lecz sam je prowadzi i sam sprawdza ich wyniki. Pierwszy dotyczy projektowania układów kwantowych. Firma dała modelowi Claude Mythos 5 opisy ośmiu układów w zwykłym języku, z zakresu chemii, optymalizacji, symulacji fizycznych i teorii liczb, a do tego automatyczny ewaluator, który sprawdza poprawność i ocenia projekt według liczby kubitów pomnożonej przez liczbę bramek. Model pracował w zamkniętej pętli, bez udziału człowieka między kolejnymi rundami, i według firmy znalazł konstrukcje lepsze od najlepszych dotąd opublikowanych. Największą redukcję bramek uzyskał przy dodawaniu punktów na krzywej eliptycznej, czyli w operacji leżącej u podstaw algorytmów podważających dziś powszechnie stosowaną kryptografię klucza publicznego: jego konstrukcja używa o dwanaście procent więcej kubitów niż najmniejszy znany projekt, ale aż siedemnastokrotnie mniej bramek. Osobno przebudował dekoder kodów Reeda–Solomona używany w algorytmie zwanym dekodowaną interferometrią kwantową, tak że jest on około dwunastokrotnie tańszy bramkowo od konstrukcji Google Quantum AI. Przy tym drugim zadaniu model napisał własny symulator i wykonał czterysta trzy miliony próbnych dekodowań, by ustalić, że w typowym przypadku wystarczy dziewiętnaście kubitów pamięci, a nie sześćset sześćdziesiąt pięć, i że projekt zawodzi raz na dziesięć tysięcy uruchomień.
Najciekawsza jest metoda, bo pokazuje, gdzie modele są dziś naprawdę użyteczne. Przy najtrudniejszym zadaniu, odwracaniu modularnym w algorytmie divsteps, model pracował pięćdziesiąt trzy godziny bez ingerencji człowieka, wyprowadził nowe tożsamości algebraiczne, zaprojektował formułę odzyskiwania historii rozgałęzień i formalnie udowodnił kluczowe twierdzenie w języku Lean, czyli w asystencie dowodowym sprawdzającym każdy krok. Wynik ten trzeba jednak osadzić w kontekście, którego sam nie tworzy. Zadania wybrali ludzie, oni zdefiniowali poprawność, zbudowali ewaluatory i podali funkcję kosztu; przy części zadań musieli też podpowiadać modelowi, żeby szukał śmielej, bo sam z siebie jest konserwatywny i wolał sprawdzone podejścia od nowych. Lean potwierdził jedno z twierdzeń, pozostałe opierają się na testach i symulacjach, a praca opisuje projekty i szacunki zasobów, nie zaś uruchomienie na rzeczywistym, odpornym na błędy komputerze kwantowym. Badanie prowadził Andi Gu w ramach programu stypendialnego Anthropic, z opieką Aleka Kemenego, we współpracy z Susanne Yelin i Mikhailem Lukinem z Harvardu, przy czym Lukin jest związany także z firmą QuEra. Wartość praktyczna jest mimo to konkretna: to samo, co zmusiło model do pracy w pętli, czyli sprawdzalność, pozwala twierdzić, że wynik jest prawdziwy, a nie tylko dobrze brzmiący.
Drugi materiał jest jeszcze bardziej zaskakujący, bo dotyczy pytania, które środowisko kryptograficzne uznawało za otwarte od ćwierćwiecza. Chodzi o pochodzenie tak zwanych ziaren, z których wyznacza się parametry pięciu standardowych krzywych eliptycznych NIST, w tym tej najpowszechniej używanej, P-256. Ziarna podała agencja NSA w latach dziewięćdziesiątych, bez wyjaśnienia, co latami budziło podejrzenie o celowe tylne wejście. Jak opisuje Anthropic, pracownik firmy zapytał wewnętrzny model badawczy, czy potrafi ustalić, jak ziarna powstały, nie wskazując mu żadnej podpowiedzi. W niecałe pół godziny model odkrył, że nie są to wyniki żadnej funkcji skrótu, lecz ciągi wygenerowane przez starą funkcję losującą z biblioteki języka C, uruchomioną na znaczniku czasu Uniksa; daty odpowiadają okresowi od maja tysiąc dziewięćset dziewięćdziesiątego siódmego do kwietnia tysiąc dziewięćset dziewięćdziesiątego ósmego roku. Model odzyskał też metodą kratową wewnętrzny stan generatora, a osobno ustalił pochodzenie punktów bazowych sześciu krzywych. Znaczenie jest odwrotne do sensacji: to nie złamanie ani słabość, lecz dowód, że parametry wybrano w prosty, odtwarzalny sposób, co czyni celowe osłabienie krzywych dużo mniej prawdopodobnym. Nagroda za znalezienie ziaren, trzydzieści sześć tysięcy osiemset sześćdziesiąt cztery dolary, trafia do fundacji Internet Security Research Group. Trzeba dodać, że nie wszystko udało się wyjaśnić: jedno z ziaren oraz punkty bazowe czterech krzywych pozostają niewyjaśnione.
Reflection AI oddaje otwarty model o pięciuset jeden miliardach parametrów
Firma Reflection AI udostępniła szesnastego października wagi swojego pierwszego modelu otwartego, Beam, na licencji Apache dwa zero, wraz z kartą modelu i raportem bezpieczeństwa. Beam jest modelem typu mieszanki ekspertów o pięciuset jeden miliardach parametrów ogółem i dwudziestu trzech miliardach aktywnych na token, zbudowanym pod kod, rozumowanie i długie zadania agentowe. Producent podaje, że model dorównuje większym otwartym konkurentom, takim jak GLM 5.2, i zbliża się do Qwen 3.8-Max w zadaniach programistycznych oraz agentowych, a ustępuje jedynie takim modelom jak Kimi K3 pod względem surowej zdolności; jego przewagą ma być natomiast efektywność w czasie wnioskowania. Na testach trudnego rozumowania osiąga wyniki porównywalne z GLM-5.2, zużywając trzy do czterech razy mniej obliczeń, a przewaga rośnie wobec modeli klasy powyżej dwóch bilionów parametrów. Reflection twierdzi, że model powstał w jednym z największych otwartych treningów uczenia ze wzmocnieniem: dziesięć i pół tysiąca układów Nvidia GB300 pracowało przez cztery tygodnie, generując ponad sto milionów przebiegów w kontekście do dwustu pięćdziesięciu sześciu tysięcy tokenów, przy około miliardzie trzystu milionach piaskownic treningowych i milionie przygotowanych środowisk.
Trzeba tu rozdzielić fakty od deklaracji. Faktem jest wydanie wag, licencja i to, że model od pierwszego dnia wspierają popularne narzędzia uruchomieniowe, w tym vLLM, SGLang i llama.cpp. Deklaracją są wyniki i porównania, bo pochodzą od producenta, a szacunek trzech do czterech razy mniejszych obliczeń opiera się na wyliczeniu operacji zmiennoprzecinkowych, a nie na zmierzonym koszcie serwowania. Najbardziej nośna jest jednak nie sama premiera, lecz towarzysząca jej narracja: Reflection ogłasza wraz z modelem ponad czterdzieści partnerstw i tak zwany otwarty system operacyjny dla agentów, w którym model jest jądrem, a wokół niego otwarte są integracje, kontenery wdrożeniowe i ścieżki dostrajania; wśród środowisk testowych wymienia się także Hermes. Warto wreszcie zauważyć kontekst tygodnia. To druga w ciągu dwóch dni premiera dużego modelu otwartego z Zachodu, po opisanym w tym wątku modelu Muse Spark Open firmy Meta, a Beam jest przy tym modelem wyłącznie tekstowym, a więc węższym zakresowo niż multimodalny model Meta. Amerykańskie laboratoria wchodzą więc tam, gdzie dotąd przewagę miały firmy chińskie.
Anthropic ma rating śmieciowy, a ujawniono go przy finansowaniu za trzydzieści pięć miliardów dolarów
Dziennik Financial Times ujawnił szesnastego października, że agencja ratingowa KBRA już w czerwcu przyznała firmie Anthropic ocenę emitenta na poziomie BB plus, czyli o jeden stopień poniżej progu inwestycyjnego i zarazem najwyższą ocenę w segmencie spekulacyjnym. Istotny jest moment, w którym to wyszło na jaw: rating nie był publicznie znany w trakcie zbierania trzydziestopięciomiliardowego finansowania na chipy, prowadzonego przez Apollo i Blackstone. Jak podają dokumenty widziane przez FT, około czterech i czterech dziesiątych miliarda dolarów długu podporządkowanego wyceniono na rentowność około ośmiu i pół procenta, wobec pięciu i siedemdziesięciu pięciu setnych procenta dla długu uprzywilejowanego. Od października dwa tysiące dwudziestego piątego roku wycena implikowana spółki wzrosła o siedemset trzydzieści trzy procent, a firma ma dążyć do wyceny rzędu dwóch bilionów dolarów przy wejściu na giełdę.
Źródło: financial-times
Ocena wiarygodności wymaga dwóch zastrzeżeń. Po pierwsze, BB plus nie oznacza kłopotów, lecz zaklasyfikowanie pożyczkobiorcy jako spekulacyjnego, co dla spółki tej skali jest sygnałem o koszcie kapitału, nie o wypłacalności. Po drugie, sam rating pochodzi z czerwca i ujawniła go dopiero teraz redakcja na podstawie dokumentów, więc nie jest to zdarzenie z wczoraj, a raczej nowy szczegół w obrazie, który w tym wątku budują wcześniejsze wydania o zadłużeniu infrastruktury, od obligacji CoreWeave z 15 października po przecenę spółek obliczeniowych o ponad bilion dolarów z 16 października. Wniosek jest taki, że boom finansuje się długiem, a rynek zaczyna różnicować jego jakość: dla części inwestorów Anthropic jest dziś pożyczkobiorcą wysokiego ryzyka, mimo że jej modele należą do najlepiej sprzedających się w branży.
TSMC bije rekord szósty kwartał z rzędu, ale moce produkcyjne są zaciekłym polem walki
Taiwan Semiconductor Manufacturing Company, czyli TSMC, największy kontraktowy producent układów na świecie, zaraportował piętnastego października zysk netto wyższy o sześćdziesiąt dziewięć procent rok do roku, do rekordowego poziomu około dwudziestu trzech i pół miliarda dolarów, przy przychodach wyższych o pięćdziesiąt procent. Był to szósty kwartał z rzędu z rekordem, a firma prognozuje przychody czwartego kwartału na poziomie od pięćdziesięciu dwóch do pięćdziesięciu czterech miliardów dolarów, czyli o blisko pięćdziesiąt osiem procent wyższe niż rok wcześniej, i oczekuje całorocznego wzrostu przychodów o około czterdzieści cztery procent. Wynik podaje agencja Reuters, a szczegóły prognozy potwierdza materiał samego inwestora spółki.
Źródło: reuters
Ważniejsza od samego wyniku jest jednak wąska szyja, którą opisuje stacja CNBC. TSMC ma dziś ponad pięciuset trzydziestu klientów, z których dziesiątka odpowiada za siedemdziesiąt osiem procent przychodu, a o miejsce w kolejkach produkcyjnych walczą jednocześnie Nvidia, AMD, Broadcom, Apple, Google, Amazon, Microsoft, Meta i OpenAI, z których część zamawia własne układy. Szef pionu północnoamerykańskiego TSMC powiedział, że odbiera co najmniej dziesięć telefonów dziennie w sprawie mocy produkcyjnych, a analityk domu maklerskiego Mizuho nazwał konkurencję niezwykle zaciekłą. Firma rozbudowuje moce na Tajwanie, w Japonii i w Arizonie, gdzie łączne zobowiązanie sięga dwustu sześćdziesięciu pięciu miliardów dolarów i gdzie rozważa kolejną fabrykę w Teksasie, ale wszystko to zajmie lata. Tymczasem amerykańscy dostawcy chmury zapowiadają nakłady inwestycyjne przekraczające siedemset miliardów dolarów w tym roku.
Źródło: cnbc
Trzeba tu odróżnić fakty od interpretacji. Rekord i prognoza są twarde, natomiast ostrzeżenie, że moce produkcyjne mogą stać się hamulcem dla całej branży, jest opinią analityków, a nie danymi. Drugim ograniczeniem, który wymienia CNBC obok układów logicznych, jest globalny niedobór pamięci, co wiąże ten temat z opisaną w tym wątku chińską presją na ceny pamięci.
Źródło: cnbc
Grok Bot wchodzi na rachunki brokerskie
xAI rozbudowało swojego agenta Grok Bot, czyli produkt, w którym boty dostają własny komputer w chmurze, logują się do podłączonych narzędzi i wykonują zaplanowane procedury. Według producenta zadania z użyciem komputera kończą się teraz około trzykrotnie szybciej, a pozostałe odpowiedzi przychodzą w mniej niż połowie wcześniejszego czasu. Najistotniejsza zmiana nie dotyczy jednak szybkości, lecz zasięgu: doszły konektory do Robinhood, Coinbase, eToro, Trello, PostHog i beehiiv, a także wyzwalanie zadań przez oznaczenie bota w poście w serwisie X oraz dostęp do rozmów w X Chat. Konektor Robinhood może odczytywać pozycje, salda i historię zleceń, a także składać zlecenia przez wydzielone konto agentowe; konektor eToro działa z kolei z Claude, ChatGPT i Grokiem bez kopiowania kluczy API. Produkt jest wliczony w abonamenty Groka, odpowiednio za trzydzieści, sto i dwieście dolarów miesięcznie.
Ostrzeżenie jest tu ważniejsze niż funkcje. Podane przyspieszenie to średnia deklarowana przez producenta, więc zależy od stron, konektorów i liczby kroków zatwierdzania w konkretnym procesie. Do tego dochodzi architektura: każdy użytkownik ma jeden trwały komputer w chmurze współdzielony przez wszystkie swoje boty, co oznacza, że przejęta sesja albo zbyt szerokie uprawnienie rozciąga się na całość. Dostęp do rachunku brokerskiego podnosi cenę błędu, bo zlecenie można wykonać, a nie tylko zaproponować. To ten sam problem, który w wydaniu popołudniowym z 16 października opisał biuletyn indyjskiej agencji CERT-In: ryzyko agentów nie leży w samym modelu, lecz w uprawnieniach i w środowisku, w którym agent pracuje. Tę premierę warto więc czytać jako dowód popytu na agentów wykonujących realne transakcje, a nie jako gotowy do użycia produkt inwestycyjny.
Mercor: dziewięćdziesiąt procent godzin pracy w USA poza zasięgiem benchmarków
Firma badawcza Mercor opublikowała tak zwaną mapę benchmarków, w której zestawiła dwadzieścia dziewięć wybranych zestawów testowych z amerykańskim rynkiem pracy według taksonomii zawodów O-NET. Wynik jest jednoznaczny: tylko dwieście osiem z dziewięciuset dwudziestu trzech zawodów ma choć jedno zadanie pokryte co najmniej pięcioma promptami z tych zestawów, a według szacunku autorów dziewięćdziesiąt procent godzin pracy w Stanach Zjednoczonych przypada na zadania o małym lub żadnym pokryciu. Pokrycie nie jest przy tym przypadkowe: skupia się na zawodach silnie narażonych na automatyzację i o dużych sumach wynagrodzeń, więc dobrze wypadają zadania prawników, a niemal wcale zadania sekretarek prawnych czy urzędników sądowych.
Zastrzeżenia są poważne i sami autorzy je podnoszą. Lista dwudziestu dziewięciu zestawów jest niepełna, więc zaniża oszacowanie pokrycia, a stopnia tego zaniżenia nie da się ściśle ograniczyć; część kryteriów doboru, jak realizm ekonomiczny, jest uznaniowa. Autorzy wskazują też, że nie mają sposobu na ważenie zadań według jakości ani na mierzenie tego, jak model wspomaga człowieka, a nie tylko go zastępuje. Znaczenie tego materiału dla pytania o realny przyrost jest jednak duże i wpisuje się w stały wątek tego briefingu: jeśli zestawy testowe nie obejmują pracy, którą faktycznie wykonują ludzie, to wyniki w rankingach mówią niewiele o rzeczywistej produktywności, a decyzję o wdrożeniu lepiej opierać na własnych, wąskich pomiarach niż na pozycji w tabeli.
Krótko: Kyutai oddaje otwarty mózg robota o 2,4 miliarda parametrów
Na koniec krótko, bo to wynik badawczy, który dopiero czeka na niezależne powtórzenie. Francuskie laboratorium Kyutai udostępniło otwarcie model REKI, o dwóch i czterech dziesiątych miliarda parametrów, należący do klasy modeli widzenia, języka i działania, czyli takich, które zamieniają obraz z kamery i polecenie w ruch robota. Model trenowano wyłącznie na danych publicznych i według producenta dorównuje lub przewyższa modele około dwukrotnie większe. W teście LIBERO-Plus osiąga dziewięćdziesiąt i cztery dziesiąte procenta skuteczności, a na RoboTwin redukuje przypadki wahania się robota między dwoma pozycjami z osiemnastu i sześciu dziesiątych do czterech i jednej dziesiątej procenta, dodając przy tym zaledwie jedną dziesiątą milisekundy opóźnienia na przechowywanej pamięci. Pełny kod, wagi i artykuł są dostępne, a dostrojenie do fizycznego ramienia zajmuje według producenta około godziny. Zastrzeżenie jest standardowe: wszystkie wyniki pochodzą od Kyutai i czekają na odtworzenie.
NAJWAŻNIEJSZE
Po pierwsze, Anthropic pokazał dwa wyniki, w których jego model Claude Mythos 5 sam prowadzi pracę badawczą i sam ją weryfikuje: zaprojektował układy kwantowe z siedemnastokrotnie mniejszą liczbą bramek przy dodawaniu punktów na krzywej eliptycznej i około dwunastokrotnie tańszy dekoder niż konstrukcja Google Quantum AI, pracując przy jednym zadaniu pięćdziesiąt trzy godziny bez człowieka, a osobno w niecałe pół godziny rozwikłał pochodzenie ziaren standardowych krzywych NIST, uznawane za otwarte od ćwierćwiecza. Ludzie nadal wybierali zadania, definiowali poprawność i budowali ewaluatory, ale to model wyprowadził konstrukcje i dowody (Anthropic, praca na arXiv, 16.10).
Po drugie, Reflection AI oddało na licencji Apache dwa zero wagi modelu Beam o pięciuset jeden miliardach parametrów ogółem i dwudziestu trzech miliardach aktywnych, przeznaczonego do kodu i zadań agentowych, ogłaszając przy tym ponad czterdzieści partnerstw i otwarty system operacyjny dla agentów. To druga w ciągu dwóch dni premiera dużego otwartego modelu z Zachodu, po opisanym w tym wątku modelu Meta Muse Spark Open, i kolejny sygnał, że rywalizacja o otwarte wagi przestaje być wyłącznie chińska (Reflection AI, AlphaSignal, Hugging Face, 16.10).
Źródło: alphasignal
Po trzecie, rynek potwierdza, że za boomem obliczeniowym stoi finansowanie: TSMC zaraportował szósty rekordowy kwartał z rzędu, z zyskiem wyższym o sześćdziesiąt dziewięć procent, i prognozuje dalszy wzrost, ale moce produkcyjne są przeciążone, a jednocześnie agencja KBRA nadała Anthropic już w czerwcu rating BB plus, o stopień poniżej progu inwestycyjnego, co wyszło na jaw przy trzydziestopięciomiliardowym finansowaniu chipów, gdzie dług podporządkowany wyceniono na około osiem i pół procenta (Reuters, CNBC, Financial Times, 15–16.10).
Źródło: reuters, cnbc, financial-times
Rekomendowana interpretacja biznesowo-inwestycyjna
W horyzoncie od trzydziestu do dziewięćdziesięciu dni z dzisiejszych faktów wynikają trzy wnioski. Pierwszy dotyczy otwartych wag. Skoro w dwa dni dwa amerykańskie laboratoria oddały modele o setkach miliardów parametrów na licencjach zezwalających na użytek komercyjny, wybór stosu dla zadań programistycznych i agentowych przestaje być wyborem między jednym modelem a drugim, a staje się pytaniem o koszt ukończenia zadania, warunki licencji i łatwość dostrojenia. Warto jednak pamiętać lekcję z mapy benchmarków Mercora i mierzyć modele na własnych zadaniach, bo publiczne rankingi słabo pokrywają pracę, którą wykonują konkretne zespoły.
Drugi wniosek dotyczy infrastruktury. Rekord TSMC i jednoczesne ostrzeżenie o przeciążonych mocach produkcyjnych oznaczają, że w najbliższych kwartałach ograniczeniem może być dostępność i cena mocy produkcyjnych oraz pamięci, a nie sama jakość układów. Dla planujących zakupy oznacza to większą wagę kontraktów terminowych i dywersyfikacji dostawców niż porównywania szczytowych wyników benchmarków sprzętowych.
Trzeci wniosek dotyczy tego, gdzie szukać realnej wartości modeli. Wyniki Claude'a w projektowaniu układów kwantowych i w kryptografii powstały w zadaniach, w których poprawność da się automatycznie sprawdzić, a więc w kodzie, matematyce i dowodach formalnych. To obszary, w których twierdzenie o produktywności da się obronić, bo wynik jest weryfikowalny; tam też warto kierować pierwsze wdrożenia, zamiast oczekiwać, że sam wzrost wyniku w rankingu przełoży się na oszczędność w pracy, której żaden publiczny benchmark nie obejmuje.