Zamknięcie dnia: OpenAI kupuje obraz, rynek tanieje, agenty zawodzą w praktyce

👁 112 przeczytań

Największa transakcja dnia zasługuje na osobny akapit: OpenAI płaci ponad 300 milionów dolarów za Glass Imaging, startup piszący neuronowe oprogramowanie do przetwarzania zdjęć. Żadna ze stron tego nie potwierdziła, ale sam fakt wycieku przez Wall Street Journal mówi sporo - OpenAI nie kupuje kolejnego chatbota ani narzędzia do generowania tekstu, tylko technologię obrazu. To konsekwentne rozszerzanie stosu możliwości poza to, z czego firma jest znana. Trzysta milionów za oprogramowanie działające głęboko w pipeline’ach fotograficznych to zakup infrastrukturalny, nie chwyt PR-owy.

Wielkie marki, wspólny problem z bezpieczeństwem

Dzień przyniósł też dwie osobne, ale powiązane informacje o tym, gdzie pęka AI wdrożona w praktyce. OpenAI, Anthropic i Google DeepMind rozmawiają o wspólnych działaniach na rzecz bezpieczeństwa - informacja pochodzi z briefingu w Waszyngtonie, gdzie globalny szef polityki OpenAI mówił wprost o potrzebie współpracy z rywalami. To rzadki sygnał: firmy, które walczą o każdego klienta, siadają razem przy stole, gdy stawką jest coś poważniejszego niż udział w rynku. Trudno tu nie dostrzec presji regulacyjnej i politycznej, ale efekt może być realny.

Równocześnie badanie PIDS-Bench pokazuje, jak słabe są detektory prompt injection testowane w warunkach zbliżonych do produkcyjnych. Autorzy z pracy opublikowanej w IEEE Access użyli trudniejszych scenariuszy niż standardowe benchmarki i wyniki są niekomfortowe. To ważne tło dla całej rozmowy o bezpieczeństwie - deklaracje o współpracy brzmią inaczej, gdy wiemy, że podstawowe mechanizmy obronne nadal nie działają porządnie.

Produkcja kontra laboratorium

Dwa kolejne materiały dotyczą tego samego napięcia: co działa w teście, a co zawodzi w realu. IBM Research zbadało powtarzalność agentów AI i wyniki są kłopotliwe dla każdego, kto wdraża agenty produkcyjnie - agent może zaliczać zadanie z wysokim wynikiem na benchmarku, a mimo to nie robić tego samego przy kolejnym uruchomieniu. Liderboardy nie mierzą spójności, a właśnie spójność jest tym, czego potrzebuje każdy system automatyzujący coś realnego.

Podobny problem opisuje praca o metodzie FiberTune do dostrajania modeli VLA dla robotów: Standardowy fine-tuning psuje to, czego nie optymalizuje - model uczy się zadania, ale traci wcześniej zbudowaną reprezentację wizualną. To klasyczna pułapka transferu wiedzy, tu opisana konkretnie dla robotyki.

Rynek i narzędzia

Google DeepMind wypuściło dwa nowe modele głosowe Gemini 3.8 Live - jeden zoptymalizowany pod skalowalność, drugi pod rozumowanie w czasie rzeczywistym. Dostępne od razu przez API i Workspace. To kolejny krok w wyścigu o głos jako interfejs, ale na ocenę jakości jeszcze za wcześnie.

DeepSeek V4 Flash tanie o 17 procent - wejście kosztuje teraz 0,05 dolara za milion tokenów, wyjście 0,10 dolara. Nie jest to przełom, ale w zastosowaniach o dużym wolumenie rachunki się zmieniają. Ciekawszy kontekst: dane Google ATLAS pokazują, że naukowcy oszczędzają prawie 7 godzin tygodniowo dzięki AI, ale tworzą nowe wąskie gardła w laboratoriach - to nie jest tylko cytat do prezentacji, to sygnał, że skalowanie AI w pracy badawczej generuje nowe problemy organizacyjne, których nikt nie planował.

Jutro patrzę na to, czy OpenAI lub Glass Imaging cokolwiek oficjalnie powiedzą w sprawie przejęcia.