Przejdź do treści
Sklep
Na czasie
1950dekadyoś czasu

ArtykułyAkta nr 1950-2026

Historia AI w timelapse

Na przełom czeka się latami. Premiera jest co 25 godzin. 76 lat sztucznej inteligencji na jednej osi, która przyspiesza razem z historią.

Tekst: 17 min czytania

Czarno-biały portret Alana Turinga z 1951 roku
A. M. TURING
1951

Od 19 czerwca do 14 listopada 2026 opisałem na promptowym 141 premier modeli i funkcji AI. Wychodzi jedna na 25 godzin. Po pytaniu Alana Turinga „czy maszyny mogą myśleć?” na następny krok trzeba było czekać sześć lat. Ułożyłem 76 lat tej historii na jednej osi, od artykułu z 1950 roku po premiery z tego tygodnia, i policzyłem, co naprawdę przyspieszyło.

Oś poniżej przewija się sama po wciśnięciu przycisku: dekady, potem lata, miesiące i tygodnie. Każdy punkt da się kliknąć. Daty i cytaty sprawdziłem w źródłach pierwotnych, a czego nie udało się potwierdzić, wypisuję na końcu. Stan na 14 listopada 2026.

rok202614 listopada 2026

skala osi: tygodnie

214 z 214 punktów

ostatni punkt: Praxis-1

76 lat w 30 sekund
19501960197019801990199720002005201020152017201820192020202120222023IVVIIX2024IVVIIX2025IVVIIX2026IV22.0629.066.0713.0720.0727.073.0810.0817.0824.0831.087.0914.0921.0928.095.1012.1019.1026.102.119.11TuringDartmouthPerceptronELIZABackpropDeep BlueAlexNetAlphaGoTransformerGPT-3ChatGPT

Kliknij punkt na osi albo wciśnij „Odtwórz timelapse”.

Oś ma pięć odcinków o różnej skali: najpierw jedna kreska to dekada, na końcu tydzień. Duże romby to przełomy z mojej listy, małe kwadraty to premiery. Przesuwaj oś palcem, suwakiem albo strzałkami.

nośnik: maszynopis

011950-1956

Pytanie i jedno lato

W październiku 1950 roku brytyjski kwartalnik filozoficzny Mind drukuje tekst matematyka Alana Turinga. Nie ma w nim programu ani maszyny. Jest pytanie.

Czarno-biały portret Alana Turinga w marynarce i krawacie

„Proponuję rozważyć pytanie: czy maszyny mogą myśleć?”

Alan Turing, „Computing Machinery and Intelligence”, Mind, październik 1950W oryginale: “I propose to consider the question, "Can machines think?"”

Turing od razu zamienia je na coś, co da się sprawdzić: grę, w której człowiek przez klawiaturę próbuje odróżnić maszynę od drugiego człowieka. A kończy zdaniem, które pasuje do każdego roku z tej historii.

„Widzimy tylko niewielki kawałek drogi przed sobą, ale widzimy na nim mnóstwo rzeczy do zrobienia.”

Alan Turing, ostatnie zdanie tego samego artykułuW oryginale: “We can only see a short distance ahead, but we can see plenty there that needs to be done.”

Na mojej osi po tym punkcie jest pusto przez prawie pięć lat. Następny ma datę 31 sierpnia 1955. Czterech naukowców, John McCarthy z Dartmouth College, Marvin Minsky z Harvardu, Nathaniel Rochester z IBM i Claude Shannon z Bell Telephone Laboratories, pisze prośbę o pieniądze na letnie spotkanie. Dartmouth College podaje dziś, że to w tym dokumencie ukuto nazwę „artificial intelligence”.

Duży komputer lampowy z lat 50. za szybą w muzeum, obok drewniany pulpit z przełącznikami
Pilot ACE (Automatic Computing Engine) w Science Museum w Londynie. Tak wyglądał komputer w latach, w których Turing pisał o myślących maszynach.

Najciekawsze w tej propozycji jest to, ile czasu autorzy dają sobie na robotę.

John McCarthy, starszy mężczyzna z siwą brodą i w okularach

„Proponujemy, aby latem 1956 roku w Dartmouth College w Hanoverze w stanie New Hampshire dziesięć osób przez dwa miesiące prowadziło badania nad sztuczną inteligencją.”

McCarthy, Minsky, Rochester i Shannon, propozycja z 31 sierpnia 1955W oryginale: “We propose that a 2 month, 10 man study of artificial intelligence be carried out during the summer of 1956 at Dartmouth College in Hanover, New Hampshire.”

Dwa miesiące, dziesięć osób. Na liście zadań: nauczyć maszyny używać języka, tworzyć pojęcia, rozwiązywać problemy zarezerwowane dla ludzi i poprawiać same siebie. I zdanie, które po 70 latach czyta się z uśmiechem:

„Sądzimy, że w jednym lub kilku z tych problemów można osiągnąć znaczący postęp, jeśli starannie dobrana grupa naukowców popracuje nad nimi razem przez jedno lato.”

ta sama propozycja, pierwszy akapitW oryginale: “We think that a significant advance can be made in one or more of these problems if a carefully selected group of scientists work on it together for a summer.”

Spotkanie odbyło się w 1956 roku. Dartmouth College nazywa je narodzinami dziedziny. Dokładnych dni początku i końca w źródłach uczelni nie znalazłem, więc na osi stoi sam rok.

Biały, długi budynek uczelni z wieżyczką zegarową na tle niebieskiego nieba
Dartmouth Hall w Hanoverze. Na tym kampusie latem 1956 roku odbyło się spotkanie, od którego liczy się historię AI.

Zapamiętaj to tempo: od pytania Turinga do pierwszego spotkania ludzi, którzy chcą na nie odpowiedzieć, mija sześć lat. I zapamiętaj optymizm. Wróci jeszcze kilka razy.

021957-1973

Wielkie obietnice

14 listopada 1957 roku, dokładnie 69 lat przed dniem, w którym to piszę, Herbert Simon wygłasza przemówienie na bankiecie Amerykańskiego Towarzystwa Badań Operacyjnych w Pittsburghu. Tekst, podpisany razem z Allenem Newellem, wychodzi drukiem w lutym 1958 w piśmie Operations Research pod tytułem „Heuristic Problem Solving: The Next Advance in Operations Research”. Datę i miejsce potwierdza przypis wydawcy.

W podręcznikach to przemówienie słynie z przepowiedni, że w ciągu dziesięciu lat komputer zostanie szachowym mistrzem świata. Uczciwie: pełnego tekstu nie przeczytałem, bo wydawca trzyma go za płatną bramką, więc dokładnego zdania nie cytuję. Jeśli przepowiednia brzmiała tak, jak się ją powtarza, pomyliła się o trzy dekady. Do Deep Blue jeszcze dojdziemy.

Rok 1958 to perceptron. Psycholog Frank Rosenblatt opisuje w Psychological Review model sieci, która uczy się rozpoznawać wzory, zamiast dostawać gotowe reguły. Marynarka USA pokazuje maszynę zbudowaną według tego pomysłu: Mark I Perceptron, który po treningu rozpoznaje litery alfabetu.

Czarno-białe zdjęcie: mężczyzna w białej koszuli obsługuje aparaturę z reflektorami skierowanymi na dużą literę C, w tle szafy z elektroniką
Mark I Perceptron na fotografii marynarki USA. Maszyna patrzy na literę C. To jest przodek sieci, które dziś rozpoznają twarze i piszą teksty.

W styczniu 1966 Joseph Weizenbaum publikuje w Communications of the ACM opis programu ELIZA, który prowadzi rozmowę na klawiaturze w języku naturalnym. Jeśli chcesz zobaczyć, co z tego wyrosło, zajrzyj do mojego tekstu o tym, czym jest chatbot.

A potem przychodzi rachunek. Brytyjska Rada Badań Naukowych zamawia u matematyka Jamesa Lighthilla niezależną ocenę całej dziedziny. Raport jest datowany na lipiec 1972, a wychodzi na początku 1973 roku.

„W żadnej części tej dziedziny dotychczasowe odkrycia nie przyniosły tak wielkiego wpływu, jaki wtedy obiecywano.”

James Lighthill, „Artificial Intelligence: A General Survey”, 1973W oryginale: “In no part of the field have the discoveries made so far produced the major impact that was then promised.”

Archiwum brytyjskiego ośrodka obliczeniowego w Chilton, które przechowuje raport, opisuje skutek krótko: ogromna utrata zaufania do AI w brytyjskim świecie akademickim, razem z instytucją, która dawała pieniądze. Trwała prawie dekadę. Następną dużą próbę podjęto dopiero po przeglądzie z września 1982.

Policz: od obietnicy „jedno lato” do raportu „nic z tego” minęło 17 lat. Tak wygląda pierwsza lekcja tej historii. Obietnice przychodzą szybciej niż wyniki.

nośnik: terminal

031974-1996

Zimy

Przewiń timelapse na lata 70. i 80. Zobaczysz najdłuższą pustą przestrzeń na całej osi. Między ELIZĄ ze stycznia 1966 a kolejnym przełomem z mojej listy mija ponad 20 lat. Po drodze jest jeden punkt: raport, który mówi, że to nie działa.

O tym okresie mówi się „zimy AI”: lata, w których od dziedziny odpłynęły zaufanie i pieniądze. Piszę o tym ostrożnie, bo poza raportem Lighthilla i opisem z Chilton nie mam do zim źródła pierwotnego. Samo określenie „AI winter” miało paść na konferencji AAAI w 1984 roku, ale archiwum pisma AI Magazine blokuje automatyczne pobieranie i tego nie sprawdziłem. Dlatego zim nie zaznaczam na osi jako punktów. Widać je jako brak punktów.

Stary komputer z dużym kineskopowym monitorem i klawiaturą w muzealnej gablocie, obok wysoka szafa jednostki centralnej
Maszyny lispowe Symbolics 3620 i LMI Lambda. W latach 80. budowano osobne komputery do programów AI pisanych w Lispie, języku wymyślonym przez Johna McCarthy’ego.

W środku tej ciszy dzieje się rzecz, która okaże się ważniejsza niż wszystkie obietnice lat 50. 9 października 1986 tygodnik Nature drukuje cztery strony pod tytułem „Learning representations by back-propagating errors”. Autorzy: David Rumelhart, Geoffrey Hinton i Ronald Williams. Redakcja dostała tekst 1 maja, przyjęła 31 lipca.

To jest przepis na uczenie sieci, które mają warstwy ukryte między wejściem a wyjściem. Sieć robi błąd, błąd wędruje wstecz przez warstwy i każde połączenie dostaje poprawkę. Perceptron z 1958 roku tego nie umiał. Każdy duży model, o którym piszę na promptowym, uczy się dziś właśnie tak. O jednym z autorów mam osobny tekst: kim jest Geoffrey Hinton.

W 1986 roku nikt nie robi z tego premiery. Nie ma konferencji prasowej, nie ma wersji 2.0 po trzech miesiącach. Jest praca w piśmie naukowym, która poczeka 26 lat, aż komputery i zbiory danych do niej dorosną. To druga lekcja: przełom i premiera to dwie różne rzeczy. Przełom bywa cichy.

041997-2011

Maszyna wygrywa, ale nie tak, jak obiecano

W maju 1997 roku w Equitable Center w Nowym Jorku komputer IBM Deep Blue gra rewanż z mistrzem świata Garrim Kasparowem. Rok wcześniej, w lutym 1996 w Filadelfii, wygrał pierwszą partię, ale cały mecz przegrał 2:4. Teraz Kasparow wygrywa pierwszą partię, Deep Blue drugą, trzy kolejne kończą się remisem. Szóstą wygrywa maszyna. Wynik: 3,5:2,5.

Czarno-białe zdjęcie: młody Garri Kasparow w skórzanej kurtce pochyla się nad szachownicą i przesuwa figurę
Garri Kasparow w 1981 roku, 16 lat przed meczem z Deep Blue. Miał wtedy 18 lat.

IBM podaje, jak to zrobił: 32 procesory i 200 milionów pozycji szachowych ocenianych w każdej sekundzie. Sam nazywa to siłą obliczeniową „brute force”. Deep Blue nie nauczył się szachów. Policzył je.

Dwie wysokie czarne szafy serwerowe z perforowanymi drzwiami, na jednej tabliczka z nazwą modelu
Deep Blue: dwie szafy, 32 procesory, 200 milionów pozycji na sekundę.

Jeśli przepowiednia z 1957 roku mówiła o dziesięciu latach, to spełniła się po czterdziestu. I spełniła się inaczej, niż marzyli autorzy propozycji z Dartmouth. Oni chcieli maszyn, które tworzą pojęcia i poprawiają same siebie. Dostali kalkulator, który wygrywa w jedną grę.

Prawdziwy ciąg dalszy toczy się obok, bez kamer. W listopadzie 1998 Yann LeCun, Léon Bottou, Yoshua Bengio i Patrick Haffner publikują w Proceedings of the IEEE dużą pracę o sieciach uczonych gradientowo, które czytają odręczne pismo. A w czerwcu 2009 zespół z Princeton pokazuje ImageNet: zbiór, który w chwili publikacji ma 3,2 miliona opisanych zdjęć w 5247 kategoriach. Metoda jest od 1986 roku. Teraz jest też na czym ją ćwiczyć. Brakuje już tylko mocy.

nośnik: edytor kodu

052012-2016

Dwie karty graficzne

Moc przychodzi ze sklepu z częściami do gier. W 2012 roku trzej badacze z Toronto, Alex Krizhevsky, Ilya Sutskever i Geoffrey Hinton, ten sam Hinton z pracy z 1986 roku, zgłaszają sieć neuronową do konkursu rozpoznawania obrazów ImageNet.

Zbliżenie na krzemowy układ scalony mieniący się różem i zielenią na czarnym tle
Układ z karty GeForce GTX 580. Na dwóch takich kartach, każda z 3 GB pamięci, sieć z 2012 roku uczyła się pięć do sześciu dni.

„Zgłosiliśmy też wariant tego modelu do konkursu ILSVRC-2012 i uzyskaliśmy zwycięski błąd top-5 na poziomie 15,3%, wobec 26,2% drugiego najlepszego zgłoszenia.”

Krizhevsky, Sutskever i Hinton, „ImageNet Classification with Deep Convolutional Neural Networks”, 2012W oryginale: “We also entered a variant of this model in the ILSVRC-2012 competition and achieved a winning top-5 test error rate of 15.3%, compared to 26.2% achieved by the second-best entry.”

Prawie 11 punktów procentowych przewagi nad drugim miejscem. Sieć ma 60 milionów parametrów i 650 tysięcy neuronów. Autorzy piszą wprost, że jej rozmiar ogranicza głównie pamięć kart graficznych i cierpliwość do czekania na wynik. Uczyli ją na 1,2 miliona zdjęć przez pięć do sześciu dni na dwóch kartach GTX 580. Dwie karty dla graczy zamiast superkomputera. O tym, co da się dziś uruchomić na domowym sprzęcie, piszę w przewodniku lokalne AI.

Od Deep Blue do tej sieci mija 15 lat. Od niej do następnego przełomu już tylko cztery. Coś się zmienia.

10 czerwca 2014 Ian Goodfellow z zespołem zgłasza pracę o sieciach GAN: jedna sieć tworzy obrazy, druga ocenia, czy wyglądają na prawdziwe. To początek drogi do dzisiejszych generatorów obrazu. A 27 stycznia 2016 Nature publikuje pracę zespołu DeepMind o programie, który gra w go.

Dwie przeszklone szafy serwerowe pełne płyt z kartami i wiązek przewodów
Wycofana z użytku szafa serwerowa AlphaGo.

W marcu 2016 w Seulu AlphaGo wygrywa z Lee Sedolem, zdobywcą 18 tytułów mistrza świata, 4:1. DeepMind podaje, że mecz oglądało ponad 200 milionów ludzi i że w drugiej partii program zagrał ruch, który człowiek wybrałby raz na dziesięć tysięcy razy.

Uśmiechnięty Lee Sedol w ciemnej marynarce

„Myślałem, że AlphaGo opiera się na rachunku prawdopodobieństwa i że to tylko maszyna. Ale kiedy zobaczyłem ten ruch, zmieniłem zdanie. AlphaGo z pewnością jest kreatywne.”

Lee Sedol, cytowany przez Google DeepMindW oryginale: “I thought AlphaGo was based on probability calculation and that it was merely a machine. But when I saw this move, I changed my mind. Surely, AlphaGo is creative.”

To jest różnica wobec 1997 roku. Deep Blue liczył pozycje. AlphaGo nauczył się grać i zagrał ruch, który według DeepMind podważył wieki tradycji tej gry. O szefie zespołu, który to zbudował, przeczytasz w tekście kim jest Demis Hassabis.

062017-2022

Jedna praca i pięć lat rozpędu

12 czerwca 2017 roku na serwerze arXiv pojawia się praca ośmiorga autorów pod tytułem, który brzmi jak żart: „Attention Is All You Need”, czyli „wystarczy uwaga”.

„Proponujemy nową, prostą architekturę sieci, Transformer, opartą wyłącznie na mechanizmach uwagi, całkowicie bez rekurencji i splotów.”

Vaswani i in., „Attention Is All You Need”, 12 czerwca 2017W oryginale: “We propose a new simple network architecture, the Transformer, based solely on attention mechanisms, dispensing with recurrence and convolutions entirely.”

Litera T w nazwach GPT i ChatGPT to właśnie ten Transformer. Na tej architekturze działają dziś duże modele językowe. Jak to działa w środku, tłumaczę w tekście co to jest LLM. Tu ważne jest co innego: zobacz, co dzieje się z osią czasu po tym punkcie.

11 czerwca 2018: OpenAI pokazuje pierwszy model GPT. 11 października 2018: zespół Google zgłasza BERT. 14 lutego 2019: GPT-2, którego pełnej wersji OpenAI na początku nie wydaje z obawy przed nadużyciami. 28 maja 2020: GPT-3 ze 175 miliardami parametrów, a dwa tygodnie później API, przez które każdy programista może go użyć. 30 listopada 2020: DeepMind ogłasza, że AlphaFold rozwiązał problem zwijania białek, otwarty od 50 lat. 5 stycznia 2021: DALL·E rysuje obrazy z opisu. 29 czerwca 2021: GitHub Copilot dopisuje kod.

Przez 67 lat, od Turinga do Transformera, mam na osi 15 punktów. Przez następne pięć i pół roku: 11. Dlatego oś w timelapse ma zmienną skalę. Gdyby dekada zajmowała wszędzie tyle samo miejsca, punkty z ostatnich lat zlałyby się w jedną plamę.

Rok 2022 jest już gęsty. 6 kwietnia DALL·E 2. 22 sierpnia Stability AI wydaje publicznie Stable Diffusion, generator obrazu, któremu wystarcza 6,9 GB pamięci karty graficznej. 21 września OpenAI udostępnia Whispera, który zamienia mowę na tekst. I wreszcie 30 listopada.

„Wytrenowaliśmy model o nazwie ChatGPT, który prowadzi interakcję w formie rozmowy.”

OpenAI, „Introducing ChatGPT”, 30 listopada 2022W oryginale: “We’ve trained a model called ChatGPT which interacts in a conversational way.”

Jedno suche zdanie i dopisek, że w czasie podglądu badawczego korzystanie jest darmowe. Technicznie to nie był największy skok w tej historii. OpenAI pisze w tym samym komunikacie, że ChatGPT to dostrojony model z serii GPT-3.5. Zmieniło się opakowanie: okno rozmowy, które każdy umie obsłużyć. Od tego dnia AI przestaje być tematem dla badaczy i staje się produktem. A produkty mają premiery.

nośnik: okno czatu

072023-2025

Miesiące

14 marca 2023, 104 dni po ChatGPT, OpenAI wydaje GPT-4. Tego samego dnia Anthropic przedstawia Claude’a. Dwie duże premiery jednego dnia: w całej wcześniejszej historii na mojej osi nie zdarzyło się to ani razu. Od teraz będzie się zdarzać regularnie.

Reszta 2023 roku: 18 lipca Meta wydaje Llamę 2 z otwartymi wagami, 20 września OpenAI zapowiada DALL·E 3, 6 grudnia Google przedstawia Gemini. Rok 2024 dokłada nowe rodzaje. 15 lutego Sora, czyli wideo do minuty z opisu. 4 marca Claude 3. 21 marca Suno v3 i piosenki. 13 maja GPT-4o, jeden model do tekstu, obrazu i głosu. 12 września o1, model, który przed odpowiedzią dłużej „myśli”. 22 października Anthropic daje Claude’owi myszkę i klawiaturę: funkcja nazywa się computer use i od niej zaczyna się u mnie pasek „agent”.

W październiku 2024 historia zatacza koło. Nagrodę Nobla z fizyki dostają John Hopfield i Geoffrey Hinton.

Geoffrey Hinton, siwy mężczyzna w ciemnej marynarce i wzorzystym krawacie, przemawia na scenie
Geoffrey Hinton podczas wykładów noblowskich w Sztokholmie, grudzień 2024. Od pracy o wstecznej propagacji minęło 38 lat.

„za fundamentalne odkrycia i wynalazki, które umożliwiają uczenie maszynowe z użyciem sztucznych sieci neuronowych”

Królewska Szwedzka Akademia Nauk, uzasadnienie Nagrody Nobla z fizyki, 8 października 2024W oryginale: “for foundational discoveries and inventions that enable machine learning with artificial neural networks”

Dzień później Nobel z chemii: połowa dla Davida Bakera za komputerowe projektowanie białek, połowa dla Demisa Hassabisa i Johna Jumpera z Google DeepMind za przewidywanie ich struktury. Czyli za AlphaFolda z 2020 roku. Zwróć uwagę na daty. Komitet noblowski nagradza w 2024 roku badania nad sieciami neuronowymi prowadzone od lat 80. i system z 2020. Przełomy dojrzewają latami, nawet gdy premiery lecą co tydzień.

Rok 2025 to już rytm, który znasz. 20 stycznia DeepSeek-R1 z Chin, z otwartymi wagami. 23 stycznia Operator, agent OpenAI klikający w przeglądarce. 24 lutego Claude 3.7 Sonnet i Claude Code. 25 marca dwie premiery jednego dnia: obrazy w GPT-4o i Gemini 2.5. 20 maja Veo 3, wideo z dźwiękiem. 22 maja Claude 4. 7 sierpnia GPT-5. 26 sierpnia model obrazu Google znany jako nano-banana. 29 września Claude Sonnet 4.5, 30 września Sora 2. 18 listopada Gemini 3, 24 listopada Claude Opus 4.5, 11 grudnia GPT-5.2.

To są lata, w których promptowy zaczyna te premiery opisywać na bieżąco. Punkty na osi prowadzą do tekstów z tamtych dni: o GPT-5, o Claude 4, o GPT-5.2.

Mam jeden sposób, żeby to tempo zmierzyć bez sporu o to, co jest ważne. Biorę tylko pełne generacje, czyli zmianę pierwszej cyfry w nazwie, i liczę dni między komunikatami producentów.

Ile dni dzieli pełne generacje modeli

GPT
GPT-4 → GPT-5877 dni
GPT-5 → GPT-6 Astra392 dni
Claude
Claude 3 → Claude 4444 dni
Claude 4 → Claude Fable 5383 dni
Gemini
Gemini 1.0 → Gemini 2.0371 dni
Gemini 2.0 → Gemini 3342 dni
Gemini 3 → Gemini 4 Argon316 dni
Liczę od dnia komunikatu producenta o pierwszym modelu danej generacji. Wersje pośrednie (4o, 3.5, 2.5, 5.5 i podobne) pomijam.

OpenAI potrzebowało 877 dni, żeby przejść od GPT-4 do GPT-5, i 392, żeby dojść do GPT-6. Anthropic: 444 i 383. Google: 371, 342 i 316. Trzy firmy, ten sam kierunek i podobny wynik: pełna generacja wychodzi dziś mniej więcej raz na rok, odrobinę szybciej niż poprzednia. Rok, nie tydzień. Zapamiętaj tę liczbę, bo za chwilę zderzę ją z kalendarzem.

082026

Tygodnie

Pierwsze półrocze 2026 odtwarzam z komunikatów firm. 5 lutego: Claude Opus 4.6 i GPT-5.3-Codex tego samego dnia. 17 lutego Claude Sonnet 4.6, 19 lutego Gemini 3.1 Pro, 26 lutego Nano Banana 2. 5 marca GPT-5.4. 2 kwietnia Gemma 4. 14 kwietnia Midjourney V8.1, 16 kwietnia Claude Opus 4.7, 21 kwietnia ChatGPT Images 2.0, 23 kwietnia GPT-5.5, 24 kwietnia podgląd DeepSeek-V4. Pięć premier w jedenaście dni.

I jedna rzecz, która w tej historii jest nowa. 26 kwietnia 2026 OpenAI wyłącza produkt Sora. Od pierwszej zapowiedzi minęło 801 dni. Wcześniej punkty na osi tylko przybywały. Teraz zaczynają też znikać.

19 maja Google otwiera serię Gemini 3.5 i pokazuje Gemini Omni. 28 maja Claude Opus 4.8. 9 czerwca Claude Fable 5 i Mythos 5, do których Anthropic po trzech dniach zawiesza dostęp i przywraca go 1 lipca.

Od 19 czerwca nie muszę już niczego odtwarzać, bo mam własny pomiar. Kalendarz premier AI na promptowym układa się sam z moich tekstów: automat czyta każdy nowy wpis, sprawdza, czy opisuje premierę modelu albo dużej funkcji, i wpuszcza ją na listę tylko wtedy, gdy tekst ma link do oficjalnej strony producenta. Stan na 14 listopada 2026: 141 premier w 149 dni.

141 premier w 149 dni. Jedna kratka to jeden dzień

czelipsiewrzpaźlis
ponczwnd

05 i więcej premier

Dotknij dnia, żeby zobaczyć, co wtedy wyszło. Najgęstszy dzień: 29 września, 9 premier.

Od 19 czerwca do 14 listopada 2026 r. Data to dzień mojego pierwszego tekstu o premierze. Pełna lista z filtrami jest w Kalendarzu premier AI.

Kilka liczb z tej siatki. Dni z co najmniej jedną premierą: 72. Dni bez żadnej: 77. Z 140 odstępów między kolejnymi premierami 108 to zero dni albo jeden dzień. Najgęstszy dzień to 29 września: 9 premier, z czego 7 od jednej firmy, OpenAI. Najdłuższa cisza trwała 7 dni, od 16 września do 22 września. Tydzień bez premiery to w 2026 roku rekord spokoju.

Co wychodzi? Tekst, czyli modele językowe: 50. Agenci: 22. Wideo: 18. Obraz: 12. Dźwięk: 9. Reszta, 30 pozycji, to modele pogody, robotyki, szeregów czasowych i funkcje, których nie da się wcisnąć w pięć szuflad. Najwięcej premier ma Google: 38. Na drugim miejscu jest OpenAI: 16.

Dwa zastrzeżenia, żebyś nie wziął tych liczb za więcej, niż są. Po pierwsze, to jest miara tego, co opisałem, a nie wszystkiego, co wyszło na świecie. Automat przejrzał 1 801 wpisów, znalazł w nich 220 tekstów o premierach i 76 odrzucił, bo nie miały linku do oficjalnego źródła. Prawdziwa liczba premier jest wyższa. Po drugie, data w kalendarzu to dzień mojego tekstu, zwykle ten sam albo następny po ogłoszeniu.

09Wniosek

Przyspieszyły premiery, nie przełomy

Zostawiłem na koniec wykres, dla którego powstał ten tekst. Na jednej osi są trzy rzeczy, które zwykle wrzuca się do jednego worka z napisem „AI przyspiesza”.

Odstęp od poprzedniego: przełomy, generacje, premiery

przełomy z mojej listypełne generacje GPT, Claude i Geminipremiery w moim kalendarzu, średnia miesiąca

1 dzień10 dni100 dni1 rok10 lat19501970199720172023XI 2026przełomyco kilka latgeneracje modelimniej więcej co rokpremierymniej więcej co dobę1 dzień10 dni100 dni1 rok10 lat1950199720172023XI 2026

Najedź albo dotknij punktu, żeby zobaczyć, co dzieli jaki odstęp.

Skala pionowa jest logarytmiczna: każda linia pozioma to dziesięć razy krótszy odstęp. Oś pozioma ma tę samą zmienną skalę co timelapse. Im niżej punkt, tym szybciej coś przyszło po poprzednim.

Przełomy. Wybrałem ich 11: Turing, Dartmouth, perceptron, ELIZA, wsteczna propagacja, Deep Blue, sieć z ImageNet 2012, AlphaGo, Transformer, GPT-3 i ChatGPT. To moja lista i możesz się z nią kłócić. Odstępy między nimi w latach: 6; 2; 8; 21; 11; 15; 4; 1,2; 3 i 2,5. Mediana to 4,7 roku. Cztery ostatnie odstępy mają średnio 2,6 roku. Czyli tak, po 2012 roku przełomy przychodzą szybciej niż w czasach zim. Ale wciąż liczy się je w latach.

I teraz najważniejsze. Od ChatGPT minęło 1 445 dni, czyli prawie cztery lata. Na mojej liście nie ma po nim dwunastego przełomu. Kandydaci są: modele rozumujące z 2024 roku, agenci, wideo z dźwiękiem. Każdy z nich to jednak rozwinięcie Transformera z 2017 i okna czatu z 2022, a nie nowy pomysł tej rangi. Jeśli mam rację, obecna przerwa jest już dłuższa niż każdy z czterech poprzednich odstępów.

Generacje. Pełna zmiana numeru u trzech największych firm: 316 do 392 dni w ostatniej rundzie. Mniej więcej rok. Skraca się, ale o tygodnie, nie o rzędy wielkości.

Premiery. Jedna na 25 godzin w moim kalendarzu. To jest ta linia, która spadła na samo dno wykresu.

Między górną a dolną linią są trzy rzędy wielkości. I to jest moja teza: historia AI przyspieszyła głównie na dole. Dramatycznie skrócił się czas między produktami: wersjami, wariantami, trybami, podglądami i udostępnieniami tego samego modelu w kolejnym miejscu. Czas między pomysłami, które zmieniają wszystko, skrócił się z dekad do kilku lat i tam na razie stoi.

Autorzy propozycji z Dartmouth pomylili się, bo wzięli pytanie za harmonogram. Dziś łatwo o błąd odwrotny: wziąć harmonogram premier za postęp. Kiedy w jeden dzień wychodzi dziewięć rzeczy, a w najspokojniejszym tygodniu półrocza nie wychodzi nic, to nie znaczy, że nauka ruszyła i stanęła. To znaczy, że działy produktowe mają swoje kalendarze.

Co z tego dla Ciebie? Trzy praktyczne rzeczy, których sam się trzymam.

  • Nie musisz gonić każdej premiery. Przy tempie jednej na dobę i tak nie zdążysz. Większość pozycji z kalendarza to nowa wersja czegoś, co już masz. Sprawdzaj te, które dotyczą narzędzia, którego używasz co tydzień.
  • Pełna generacja wychodzi raz w roku. Jeśli coś dziś nie działa w Twoim zadaniu, sensowny horyzont na „spróbuję jeszcze raz” to kilka miesięcy, nie kilka dni.
  • Przełomu nie poznasz po premierze. Współautor pracy z 1986 roku dostał Nobla w 2024. Transformer w dniu publikacji był jedną z wielu prac o tłumaczeniu maszynowym. Rzeczy naprawdę ważne długo wyglądają niepozornie.

Turing skończył swój tekst zdaniem o krótkim kawałku drogi, na którym widać mnóstwo do zrobienia. Po 76 latach to dalej najlepszy opis sytuacji. Zmieniło się tylko to, że dziś ten kawałek drogi ma swój kalendarz. Prowadzę go tutaj: Kalendarz premier AI. A jeśli wolisz wiedzieć, co ma dopiero wyjść, zajrzyj do Kalendarza AI.

Jak liczyłem

Oś ma 214 punktów. 73 z lat 1950-2026 (do 9 czerwca) wybrałem ręcznie i każdy sprawdziłem w źródle pierwotnym: w publikacji naukowej, w metadanych wydawcy albo w komunikacie firmy na jej własnej stronie. 141 kolejnych, od 19 czerwca do 14 listopada 2026, pochodzi z Kalendarza premier AI promptowego.

  • Gdy źródło podaje tylko rok albo miesiąc, na osi stoi środek tego okresu, a w opisie punktu sam rok albo miesiąc. Dotyczy to między innymi Dartmouth (1956), perceptronu (1958), Deep Blue (maj 1997), sieci z 2012 roku i AlphaGo (marzec 2016).
  • Odstępy między przełomami liczę z tych dat, więc przy starszych punktach mają dokładność do kilku miesięcy. Przy odstępach rzędu lat to nie zmienia obrazu.
  • Lista przełomów i lista premier sprzed czerwca 2026 to mój wybór, a nie spis kompletny. Dlatego nie porównuję liczby punktów z lat 2023-2025 z liczbą z kalendarza. Porównuję odstępy między pełnymi generacjami, bo te da się policzyć bez wybierania.
  • Cytaty tłumaczyłem sam. Pod każdym jest brzmienie oryginału.

Czego nie potwierdziłem: dokładnego zdania z przemówienia Simona z 1957 roku (tekst za płatną bramką), dni spotkania w Dartmouth, dnia meczu Deep Blue i dni meczu AlphaGo (IBM i DeepMind podają miesiąc), daty ogłoszenia wyników konkursu ImageNet 2012, pochodzenia określenia „zima AI” oraz daty otwartej bety Midjourney z 2022 roku, której przez to nie ma na osi.

Cała oś w jednej liście: 214 punktów

Pogrubiona kreska z lewej oznacza przełom z mojej listy. Nazwy prowadzą do tekstów na promptowym, „źródło” do publikacji albo komunikatu producenta.

  1. Turing pyta, czy maszyny mogą myśleć źródłoinne
  2. Propozycja z Dartmouth źródłoinne
  3. Lato w Dartmouth źródłoinne
  4. Bankiet w Pittsburghu źródłoinne
  5. Perceptron Rosenblatta źródłoobraz
  6. ELIZA źródłotekst
  7. Raport Lighthilla źródłoinne
  8. Wsteczna propagacja błędu źródłoinne
  9. Deep Blue wygrywa z Kasparowem źródłoinne
  10. LeNet czyta cyfry źródłoobraz
  11. ImageNet źródłoobraz
  12. AlexNet źródłoobraz
  13. Sieci GAN źródłoobraz
  14. AlphaGo wygrywa z Lee Sedolem źródłoinne
  15. Transformer źródłotekst
  16. GPT-1 źródłotekst
  17. BERT źródłotekst
  18. GPT-2 źródłotekst
  19. GPT-3 źródłotekst
  20. AlphaFold 2 źródłoinne
  21. DALL·E źródłoobraz
  22. GitHub Copilot źródłotekst
  23. DALL·E 2 źródłoobraz
  24. Stable Diffusion źródłoobraz
  25. Whisper źródłodźwięk
  26. ChatGPT źródłotekst
  27. Claude źródłotekst
  28. GPT-4 źródłotekst
  29. Llama 2 źródłotekst
  30. DALL·E 3 źródłoobraz
  31. Gemini 1.0 źródłotekst
  32. Sora (zapowiedź) źródłowideo
  33. Claude 3 źródłotekst
  34. Suno v3 źródłodźwięk
  35. GPT-4o źródłotekst
  36. Claude 3.5 Sonnet źródłotekst
  37. o1-preview źródłotekst
  38. Nobel z fizyki za sieci neuronowe źródłoinne
  39. Nobel z chemii za białka źródłoinne
  40. Computer use źródłoagent
  41. Sora dla użytkowników źródłowideo
  42. Gemini 2.0 źródłotekst
  43. Veo 2 źródłowideo
  44. DeepSeek-R1 źródłotekst
  45. Operator źródłoagent
  46. Claude 3.7 Sonnet i Claude Code źródłoagent
  47. Gemini 2.5 źródłotekst
  48. Obrazy w GPT-4o źródłoobraz
  49. Veo 3 źródłowideo
  50. Claude 4 źródłotekst
  51. GPT-5 źródłotekst
  52. Gemini 2.5 Flash Image źródłoobraz
  53. Claude Sonnet 4.5 źródłotekst
  54. Sora 2 źródłowideo
  55. Gemini 3 źródłotekst
  56. Claude Opus 4.5 źródłotekst
  57. GPT-5.2 źródłotekst
  58. Claude Opus 4.6 źródłotekst
  59. GPT-5.3-Codex źródłoagent
  60. Claude Sonnet 4.6 źródłotekst
  61. Gemini 3.1 Pro źródłotekst
  62. Nano Banana 2 źródłoobraz
  63. GPT-5.4 źródłotekst
  64. Gemma 4 źródłotekst
  65. Midjourney V8.1 źródłoobraz
  66. Claude Opus 4.7 źródłotekst
  67. ChatGPT Images 2.0 źródłoobraz
  68. GPT-5.5 źródłotekst
  69. DeepSeek-V4 (podgląd) źródłotekst
  70. Koniec Sory źródłowideo
  71. Gemini 3.5 Flash i Gemini Omni źródłotekst
  72. Claude Opus 4.8 źródłotekst
  73. Claude Fable 5 i Mythos 5 źródłotekst
  74. GLM-5.2 - Zhipu AItekst
  75. Daybreak - OpenAIinne
  76. CUGA Apps - IBMagent
  77. Gemini 3.5 Flash (computer use) - Googleagent
  78. GPT-5.6 (wersja zapoznawcza) - OpenAItekst
  79. Google Finance - Googletekst
  80. Midjourney 8.2 (podgląd) - Midjourneyobraz
  81. VibeThinker-3B - Sinatekst
  82. Gemini (spersonalizowane generowanie obrazów) - Googleobraz
  83. Kernels - Hugging Faceinne
  84. Nemotron V3 Data Atlas - Nvidiainne
  85. Muse Spark 1.1 (API) - Metatekst
  86. Siri AI - Appleagent
  87. Google Vids (cyfrowe awatary) - Googlewideo
  88. Kimi K3 - Moonshot AItekst
  89. Claude Opus 5 - Anthropictekst
  90. Cosmos 3 Edge - Nvidiainne
  91. Gemini 3.6 Flash - Googletekst
  92. Meta AI (dostęp do kalendarza i codzienne briefingi) - Metaagent
  93. Gemini 3.5 Flash Cyber - Googletekst
  94. LFM2.5-Encoders - Liquid AItekst
  95. OlmoEarth Platform - Allen Institute for AIinne
  96. Lyria 3.5 - Googledźwięk
  97. Gemini Robotics ER 2 - Googleinne
  98. FLUX 3 (ograniczony dostęp) - Black Forest Labswideo
  99. LFM2.5-2.6B - Liquid AItekst
  100. WeatherNext 2 - Googleinne
  101. Cloudflare OS - Cloudflareagent
  102. GPT-5.6 Luna - OpenAItekst
  103. Kitesurf (beta) - Cloudflareagent
  104. Google Ads i Google Analytics AI - Googleagent
  105. Magpie TTS - Nvidiadźwięk
  106. OlmoEarth - Allen AIobraz
  107. SL2T - Googlewideo
  108. Gemini 3.7 Flash - Googletekst
  109. Grok 4.6 - xAItekst
  110. Google Search (funkcje edukacyjne) - Googletekst
  111. LFM2.5 (Q4_0) - Liquid AItekst
  112. Origin - Cursorinne
  113. Agent OS - Binanceagent
  114. LFM2.5-DSpark - Liquid AItekst
  115. SIMA 2 - Googleagent
  116. Ox Alpha - Nieznanatekst
  117. Granite 4.2 - IBMtekst
  118. Granite Speech 5.0 Turbo CTC - IBMdźwięk
  119. Gemini 3.5 Transcribe - Googledźwięk
  120. Gemini (agentowe rozumienie wideo) - Googlewideo
  121. Google Pics - Googleobraz
  122. Atlas - World Labswideo
  123. Fairwind - Googleagent
  124. Gemini 3.8 Flash - Googletekst
  125. TSFM (Early Access) - IBMinne
  126. NeoMME - Hcompanyinne
  127. WeatherNext 3 - Googleinne
  128. GPT-6 Astra - OpenAItekst
  129. AlphaGenome Atlas - Googleinne
  130. Multiverse Computing 8B - Multiverse Computingtekst
  131. Granite Time Series PatchTST-FM-r2 - IBMinne
  132. NVIDIA Synthetic Video Detector - Nvidiawideo
  133. S1 - Skild AIinne
  134. Portable Computer (Windows) - Perplexityagent
  135. Gemini 3.8 Live - Googledźwięk
  136. Claude Opus 5.5 / GPT-6 (Sol, Luna) - Anthropictekst
  137. Gemini 3.8 TTS - Googledźwięk
  138. Gemini 3.8 Live with Live Avatar - Googlewideo
  139. LFM2.5-VL-DSpark - Liquid AIobraz
  140. Gemini na Androidzie - Googleagent
  141. Holo4 - H Companyagent
  142. Agents API (computer use) - OpenAIagent
  143. ChatGPT Space - OpenAIinne
  144. Claude Sonnet 5.5 - Anthropictekst
  145. Codex w chmurze - OpenAIagent
  146. Kumo Tabular - Nvidiainne
  147. OpenAI Dots - OpenAIagent
  148. Sign in with ChatGPT - OpenAIinne
  149. Ultrafast - OpenAItekst
  150. Wtyczki w ChatGPT - OpenAIagent
  151. FLUX 3 Image - Black Forest Labsobraz
  152. Ideogram 4.5 - Ideogramobraz
  153. AstaBrief - Allen Institute for AItekst
  154. Gemini 4 Argon - Googletekst
  155. Griffin - Tavuswideo
  156. EmbeddingGemma 2 - Googleinne
  157. Falcon Emirati - TIItekst
  158. Mistral Large 4 (public preview) - Mistral AItekst
  159. Nano Banana 2.1 - Googleobraz
  160. d1 (otwarte wagi) - Liquid AIinne
  161. Claude Haiku 5.5 - Anthropictekst
  162. GPT-6 - OpenAItekst
  163. Vidu Q4 Preview - Shengshuwideo
  164. Gemini agent (prywatna wersja testowa) - Googleagent
  165. Odyssey-3 - Odysseywideo
  166. Playground - Googleinne
  167. Step 5 Preview (OpenRouter) - StepFuntekst
  168. Agnes-Video-2.0-MoE (otwarte wagi) - Sapiens AIwideo
  169. Gemini 4 Argon (API dla wszystkich) - Googletekst
  170. Gemini 4 Argon for Robotics - Googleinne
  171. LFM2.5-24B-A2B - Liquid AItekst
  172. HiRO-ACEv2 - Allen Institute for AIinne
  173. ZWID - ZWIDwideo
  174. Granite Switch 4.1 - IBMinne
  175. Kling 4.0 (dla wszystkich) - Kuaishouwideo
  176. MAI-Base-2 - Microsofttekst
  177. DeepSeek V4.1 Flash 1017 - DeepSeektekst
  178. Muse Spark Open - Metatekst
  179. basal-omni-1.0-ultra - Remek Kinastekst
  180. d1-ultra - Liquid AItekst
  181. Cosmos3-H-Dreams - Nvidiawideo
  182. FLUX 3 Max - Black Forest Labswideo
  183. Nemotron 3.5 Super VL - Nvidiaobraz
  184. basal 2.2 - Remek Kinastekst
  185. ChatGPT Slides - OpenAIinne
  186. GPT-Live-1.1 - OpenAIdźwięk
  187. Grok Voice 3.0 - xAIdźwięk
  188. Kling 4.0 (fal.ai) - Kuaishouwideo
  189. AlphaEarth Foundations - Googleinne
  190. Claude Code Review - Anthropicagent
  191. Deep Review - Googletekst
  192. 1Password for Agents - 1Passwordagent
  193. Kimi K3.1 Pro - Moonshot AItekst
  194. Genie 4 - Googlewideo
  195. Apple Creator Studio - Appleinne
  196. Gemini 4 Carbon - Googletekst
  197. LFM3 - Liquid AIinne
  198. Nemotron 3.5 Transcribe - Nvidiadźwięk
  199. Opera WebAI - Operainne
  200. Mistral Large 4 (otwarte wagi) - Mistral AItekst
  201. Style Sketch - Metaobraz
  202. GPT-6 Cyber - OpenAItekst
  203. Claude Fable 5.2 i Mythos 5.2 - Anthropictekst
  204. Muse Ember - Metatekst
  205. Seedream 5.5 - ByteDanceobraz
  206. Bielik 11B v3.1 - SpeakLeashtekst
  207. Businesses in ChatGPT - OpenAIinne
  208. Gemini for healthcare - Googleagent
  209. MiniMax H3-Image - MiniMaxobraz
  210. Qwen4-Max (preview) - Alibabatekst
  211. Gemini 4 Hydrogen - Googletekst
  212. Seedance 2.5 Flash - ByteDancewideo
  213. Claude for Manufacturing - Anthropicagent
  214. Praxis-1 - Runwayinne

Źródła

  • A. M. Turing, „Computing Machinery and Intelligence”, Mind, t. LIX, nr 236, październik 1950, s. 433-460 - doi.org
  • J. McCarthy, M. L. Minsky, N. Rochester, C. E. Shannon, „A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence”, 31.08.1955 (archiwum J. McCarthy’ego, Stanford) - www-formal.stanford.edu
  • Dartmouth College, „Artificial Intelligence (AI) Coined at Dartmouth” - home.dartmouth.edu
  • H. A. Simon, A. Newell, „Heuristic Problem Solving: The Next Advance in Operations Research”, Operations Research 6(1), 1958 (metadane i przypis wydawcy) - doi.org
  • F. Rosenblatt, „The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain”, Psychological Review 65(6), 1958 - doi.org
  • J. Weizenbaum, „ELIZA - A Computer Program For the Study of Natural Language Communication Between Man and Machine”, Communications of the ACM 9(1), 1966 - doi.org
  • J. Lighthill, „Artificial Intelligence: A General Survey”, Science Research Council, 1973 (archiwum Chilton Computing) - chilton-computing.org.uk
  • D. Rumelhart, G. Hinton, R. Williams, „Learning representations by back-propagating errors”, Nature 323, 9.10.1986 - nature.com
  • IBM, „Deep Blue” (IBM Heritage) - ibm.com
  • Y. LeCun i in., „Gradient-based learning applied to document recognition”, Proceedings of the IEEE 86(11), 1998 - doi.org
  • J. Deng i in., „ImageNet: A Large-Scale Hierarchical Image Database”, CVPR 2009 - wordnet.cs.princeton.edu
  • A. Krizhevsky, I. Sutskever, G. Hinton, „ImageNet Classification with Deep Convolutional Neural Networks”, NIPS 2012 - papers.nips.cc
  • I. Goodfellow i in., „Generative Adversarial Networks”, arXiv:1406.2661 - arxiv.org
  • Google DeepMind, „AlphaGo”; D. Silver i in., Nature 529, 27.01.2016 - deepmind.google
  • A. Vaswani i in., „Attention Is All You Need”, arXiv:1706.03762 - arxiv.org
  • T. Brown i in., „Language Models are Few-Shot Learners”, arXiv:2005.14165 - arxiv.org
  • OpenAI, „Introducing ChatGPT”, 30.11.2022, oraz komunikaty o GPT-1, GPT-2, API, DALL·E, Whisper, GPT-4, GPT-4o, o1, Sora, Operator, GPT-5, GPT-5.2-5.5 i GPT-6 Astra - openai.com
  • Anthropic, komunikaty o modelach Claude z lat 2023-2026 - anthropic.com
  • Google i Google DeepMind, komunikaty o Gemini, Veo, AlphaFold, Gemmie i Nano Banana z lat 2020-2026 - blog.google
  • Stability AI, „Stable Diffusion Public Release”, 22.08.2022 - stability.ai
  • The Nobel Prize, komunikaty prasowe z 8 i 9.10.2024 (fizyka i chemia) - nobelprize.org
  • Meta, GitHub, Suno, DeepSeek, Midjourney: komunikaty i dokumentacja producentów, adresy przy punktach osi

Zdjęcia i grafiki

Tekst: Piotr OlszewskiKalendarz premier AISztuczna inteligencja: od czego zacząćNewsletter: raz w tygodniu
🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →