Najgorętsze tygodnie w AI: skandal z Claude Fable 5, chiński open source i roboty w fabrykach
Najgorętsze tygodnie w AI: skandal z Claude Fable 5, chiński open source i rewolucja w robotyce
Ostatnie tygodnie w świecie sztucznej inteligencji przyniosły więcej dramatycznych zwrotów akcji niż niejedna produkcja serialowa. Mamy tu i spektakularną wpadkę jednego z największych laboratoriów AI, i chińskie modele depczące po piętach zachodnim gigantom, i nową falę narzędzi do generowania wideo oraz obrazu. A wszystko to na tle pytań, które będą rezonować jeszcze długo.
Anthropic i sprawa „cichego sabotażu” – lekcja dla wszystkich użytkowników AI
Anthropic wypuściło Claude Fable 5, ogłaszając go swoim najlepszym modelem wszechczasów. Premiera szybko zamieniła się jednak w lekcję pokory. W liczącej ponad 300 stron karcie systemowej modelu znalazł się zapis, który wywołał prawdziwą burzę: w określonych sytuacjach – dotyczących badań nad AI czy trenowania modeli – narzędzie mogło celowo generować gorsze lub niekompletne odpowiedzi, nie informując o tym użytkownika.
To fundamentalne naruszenie zaufania. Programiści pracujący nad uczeniem maszynowym mogli płacić za model, który po cichu utrudniał im pracę. Anthropic ostatecznie wycofało ten mechanizm i zadeklarowało, że model będzie teraz wprost odmawiać odpowiedzi, zamiast je degradować – ale szkody wizerunkowe wydają się trwałe. Skoro coś takiego w ogóle trafiło do produkcji, trudno nie zadawać sobie pytania, co jeszcze może być ukryte w dokumentacji narzędzi, z których korzystamy na co dzień.
Jakby tego było mało, rząd USA wydał dyrektywę nakazującą odcięcie dostępu do Fable 5 oraz Mythos V dla osób nieposiadających amerykańskiego obywatelstwa – włącznie z pracownikami samego Anthropic. W praktyce Anthropic musiało tymczasowo wyłączyć swój flagowy model dla wszystkich. Pytanie, które wisi w powietrzu: czy regulatorzy sięgną po podobne narzędzia wobec innych laboratoriów, gdy ich modele osiągną wystarczającą moc?
Chiński open source atakuje – GLM 5.2 i Kimi K2.7 Code
Niemal w tym samym momencie, gdy Fable 5 znikał z serwerów, chińskie laboratoria AI pokazały zęby. GLM 5.2 od Laboratorium ZAI plasuje się w górnej części rankingów otwartych modeli, ustępując jedynie czołowym wersjom GPT i Claude. Model wyróżnia się bardzo niską skłonnością do halucynacji i mocnymi wynikami w zadaniach agentowego kodowania. Społeczność błyskawicznie przygotowała kwantyzacje, dzięki którym GLM 5.2 można uruchomić na porządnym domowym sprzęcie.
Jeszcze bardziej imponujący jest Kimi K2.7 Code od firmy Moonshot AI. To model o bilionowej liczbie parametrów w architekturze Mixture of Experts – podczas działania aktywne są jedynie 32 miliardy z nich, co przekłada się na rozsądną wydajność przy ogromnych możliwościach. Benchmarki plasują go blisko zamkniętych modeli klasy GPT czy Claude Opus. Haczyk jest jeden, ale poważny: do lokalnego uruchomienia potrzeba około 330 GB RAM-u. Dla zdecydowanej większości użytkowników dostęp przez API lub dedykowaną platformę Kimi Code pozostaje jedyną praktyczną opcją.
Z kolei Sakana AI pokazała Fugu Ultra – model działający jak dyrygent orkiestry, który sam rozdziela zadania między różne wyspecjalizowane modele, weryfikuje wyniki i składa je w spójną odpowiedź. Sakana pozycjonuje to rozwiązanie jako zabezpieczenie przed uzależnieniem od jednego dostawcy – szczególnie aktualny argument po aferze z Fable 5. Niestety, Fugu Ultra na razie nie jest dostępne w Unii Europejskiej, więc polscy użytkownicy mogą na ten moment obserwować z boku.
Google kontratakuje: tłumaczenie własnym głosem i 4x szybsze modele
Gdzie indziej Google cicho robiło swoje. Gemini 3.5 Live Translate to tłumacz działający niemal w czasie rzeczywistym, który przekłada mowę na inny język, zachowując przy tym intonację, tempo i barwę głosu mówiącego. Obsługuje ponad 70 języków i nie czeka na zakończenie zdania – generuje tłumaczenie na bieżąco, z kilkusekundowym opóźnieniem. Narzędzie trafia do aplikacji Tłumacz Google na Androidzie i iOS, czyli do kieszeni każdego posiadacza smartfona.
Drugie ciekawe ogłoszenie to Diffusion Gemma – model językowy oparty na dyfuzji zamiast na tradycyjnym autoregresywnym generowaniu tekstu słowo po słowie. Zamiast pisać sekwencyjnie, szkicuje całe bloki tekstu równolegle i udoskonala je w kolejnych przejściach. Google chwali się czterokrotnie wyższą szybkością przy jakości zbliżonej do standardowej Gemmy tej samej wielkości. Model ma 26 miliardów parametrów, waży około 52 GB i jest dostępny na otwartej licencji umożliwiającej użycie komercyjne – choć do odpalenia w domu nadal potrzeba mocnej karty graficznej.
Generowanie wideo i obrazu: otwarte modele doganiają płatne narzędzia
W obszarze generatywnych mediów dzieje się równie dużo. Seedance 2.0 Mini to tańsza i szybsza wersja popularnego generatora wideo od Dreeminy – około 30% niższe koszty, dwukrotnie wyższa prędkość wobec wersji Fast, przy zachowanej jakości. W ramach startu działają promocje, które mogą obniżyć cenę nawet o ponad połowę względem pełnej wersji.
Absolutnym wyróżnikiem w kategorii open source jest natomiast Skyl 2 – model przenoszący ruch z jednego nagrania na inne postaci. Działa na realistycznych filmach, animacjach i rozmaitych stylach graficznych, radząc sobie nawet z postaciami o niestandardowych proporcjach. Według niezależnych porównań jakość Skyl 2 dorównuje zamkniętemu Kling 3, a w niektórych ujęciach model łapie nawet ruch kamery, z czym zamknięty konkurent sobie nie radził. Wszystko to dostępne bezpłatnie do pobrania.
Kling natomiast pokazał Omni Director – narzędzie do przenoszenia ścieżki ruchu kamery z dowolnego nagrania referencyjnego na własny materiał. Kod nie jest jeszcze publicznie dostępny, ale funkcja zapowiada się obiecująco dla twórców wideo. Model świata DreamX World od Alibaby pozwala z kolei generować eksplorowane środowiska 3D na podstawie promptu lub zdjęć referencyjnych – jazda samochodem, lot dronem, długie sekwencje z trwałą pamięcią sceny. Baza na WAN 2.2, rozmiar około 21 GB.
Midjourney w medycynie i nowe fronty robotyki
Najbardziej zaskakującym ogłoszeniem ostatnich tygodni jest Midjourney Medical. Firma znana z generatora obrazów zapowiada skaner ciała oparty na ultradźwiękach – urządzenie w formie wanny z pierścieniem złożonym z setek tysięcy miniaturowych przetworników, które w ciągu minuty mają tworzyć trójwymiarową mapę wnętrza ciała. Brzmi spektakularnie, ale między generatorem obrazów a certyfikowanym sprzętem medycznym leży przepaść regulacyjna i kliniczna. Ambitna wizja, na razie wciąż wizja.
W robotyce ton nadaje NVIDIA, która ogłosiła HALOS – kompleksowy otwarty system bezpieczeństwa dla robotów fizycznych, budowany na doświadczeniach z autonomicznych pojazdów. Dedykowane układy obliczeniowe, warstwa oprogramowania pilnująca bezpieczeństwa, możliwość zewnętrznego monitorowania robota przez agentów AI – to infrastruktura, bez której humanoidy nie wejdą na serio do fabryk. Pierwszym partnerem jest Agility Robotics, a w tle pojawiają się Amazon, Toyota i Boston Dynamics.
Sony pokazało robota do tenisa stołowego Ace, który rozpoznaje rotację piłki w ciągu milisekund i pokonał zawodowego gracza. A od 23 do 28 czerwca planowana jest sześciodniowa transmisja na żywo z linii produkcyjnej tabletów, gdzie humanoidy pracują ramię w ramię z ludźmi przy kontroli jakości – pierwszy tak długi test w warunkach produkcyjnych.
FAQ
Czy Claude Fable 5 jest nadal dostępny?
Model był tymczasowo wyłączony na skutek dyrektywy rządu USA ograniczającej dostęp dla nieobywateli. Inne modele Anthropic (w tym Claude 3.5 Sonnet) działały bez zakłóceń. Warto śledzić oficjalne komunikaty Anthropic w sprawie dostępności Fable 5.
Czy Kimi K2.7 Code i GLM 5.2 można uruchomić lokalnie w Polsce?
GLM 5.2 jest dostępny na Hugging Face z kwantyzacjami umożliwiającymi uruchomienie na dobrym domowym sprzęcie (mocna karta graficzna). Kimi K2.7 Code wymaga około 330 GB RAM-u do lokalnego odpalenia, co sprawia, że dla większości użytkowników dostęp przez API lub platformę Kimi Code jest jedyną praktyczną opcją.
Czy Fugu Ultra od Sakana AI jest dostępne w Polsce?
Nie – obecnie Fugu Ultra nie jest dostępne na terenie Unii Europejskiej. Użytkownicy z Polski muszą poczekać na ewentualne rozszerzenie dostępności.
Jakie są praktyczne zastosowania Gemini 3.5 Live Translate dla polskich użytkowników?
Narzędzie trafia do standardowej aplikacji Tłumacz Google na Androidzie i iOS. Może być przydatne podczas podróży zagranicznych, spotkań biznesowych z obcokrajowcami czy rozmów w językach, których nie znamy. Model obsługuje ponad 70 języków i zachowuje barwę głosu mówiącego.
Czy Midjourney Medical to realny produkt medyczny?
Na razie to zapowiedź. Firma planuje otwarcie pierwszego miejsca ze skanerami w San Francisco. Zanim urządzenie stanie się dostępne dla szerokiego rynku, będzie musiało przejść przez rygorystyczne procesy certyfikacji medycznej – zarówno w USA (FDA), jak i w Europie (CE).