Czy Zachód traci przewagę w AI? Analiza frontier radar

Półtora roku temu premiera DeepSeek R1 wstrząsnęła rynkiem. Chiński lab nagle zaczął konkurować z komercyjnym modelem rozumującym OpenAI, wydając na to podobno znacznie mniej pieniędzy. Inwestorzy spanikowali, a wyceny spadły w ciągu kilku dni. Dziś sytuacja jest już znacznie jaśniejsza, ale wnioski wcale nie są bardziej optymistyczne dla Zachodu. Najnowsze chińskie modele open-weights, takie jak Kimi K3, Qwen3.8-Max i GLM-5.3, zasiadają na szczycie niemal każdego wymagającego rankingu. Luka technologiczna, o której mówiono, że wynosi kilka miesięcy, skurczyła się do rozmiarów problemu inwestycyjnego.

Amerykańskie laboratoria wciąż mają przewagę, ale ogranicza się ona do kilku kluczowych obszarów. Co ważniejsze, zmienia się sama natura rywalizacji. Coraz częściej to nie pojedynczy model decyduje o sile, lecz cały otaczający go system. Gdzie dokładnie leży dziś granica możliwości i co z tego wynika dla europejskich firm? Przyjrzyjmy się danym.

Gdzie Zachód wciąż prowadzi i dlaczego to już nie wystarcza

Najnowsze chińskie modele radzą sobie znakomicie w zadaniach agentowych, czyli praktycznych zastosowaniach biznesowych. Model K3 od Moonshot zadebiutował na pierwszym miejscu w benchmarku AutomationBench-AA, a w teście CEO-Bench, gdzie agent prowadzi fikcyjną firmę przez 500 dni, osiągnął najlepszy opublikowany wynik. To obszar, w którym chińscy poprzednicy regularnie zawodzili. Jednocześnie nowsze modele z Państwa Środka potrafią spalać znacznie więcej tokenów niż zachodnie odpowiedniki, co częściowo niweluje ich przewagę cenową.

Badacze mówią o „postrzępionej granicy” możliwości. Poszczególne zdolności modeli rozwijają się w różnym tempie, dlatego mówienie o jednej, uniwersalnej luce nie ma sensu. Można jednak wskazać trzy obszary, w których Zachód wciąż mierzalnie prowadzi.

Abstrakcyjne testy specjalistyczne

W teście ARC-AGI-2, mierzącym abstrakcyjne rozpoznawanie wzorców, przepaść między modelem K3 (60,4%) a Fable 5 od Anthropica (89,2%) jest znacząca. Problem w tym, że testy te są celowo odległe od codziennych zastosowań. Nie ma gwarancji, że ta przewaga przełoży się na praktyczne różnice w biznesie.

Niezawodność w powtarzalnych zadaniach

To najważniejszy komercyjnie obszar. Benchmark AA-AnalystAgent liczy zadanie jako rozwiązane tylko wtedy, gdy model poradzi sobie z nim pięć razy na pięć niezależnych prób. Opus 5 prowadzi z wynikiem 54%, a K3 osiąga 39%. Problem leży w powtarzalności – K3 rozwiązuje 73% zadań przynajmniej raz, ale nie utrzymuje tej skuteczności. Dla firm to kluczowe, bo agent-analityk oszczędza czas tylko wtedy, gdy jego odpowiedzi nie wymagają weryfikacji.

Cyberbezpieczeństwo ofensywne

Wspólna ocena brytyjskiego AISI i amerykańskiego CAISI pokazuje, że K3 znacząco odstaje od liderów. Na teście ExploitBench chiński model zdobył 32%, podczas gdy czołowe amerykańskie modele średnio około 76%. Ta luka również się kurczy – GLM-5.3 poprawił wynik do 54,4% w ciągu miesiąca. Co istotne, to jedyny obszar, gdzie dostawcy nie sprzedają otwarcie swoich najlepszych możliwości, ukrywając je za dodatkowymi zabezpieczeniami.

Podsumowując: przewaga w abstrakcyjnych testach ma niejasną wartość ekonomiczną, luka w niezawodności jest najważniejsza komercyjnie, ale najbardziej niestabilna, a cyberbezpieczeństwo to obszar, którego klienci i tak nie kupią przez standardowe kanały. Wniosek jest prosty – sam model nie wystarczy, by utrzymać przewagę.

Dystylacja jako wyjaśnienie tempa, ale nie zakresu postępu

OpenAI i Anthropic oskarżają chińskie laboratoria o masowe wykorzystywanie zachodnich modeli do trenowania własnych. Według Anthropica, kampanie przemysłowe DeepSeek, Moonshot i MiniMax przeprowadziły ponad 16 milionów interakcji przez około 24 tysiące fałszywych kont. Analiza stylometryczna wskazuje na wyraźne podobieństwa między K3 a Fable 5, a korelacja w skuteczności rozwiązywania rzeczywistych problemów programistycznych wynosi 0,72.

Jak to działa? Dystylacja może zachodzić na różnych etapach treningu. Zachodni model odpowiada na dziesiątki tysięcy wybranych zadań, a najlepsze odpowiedzi trafiają do danych treningowych ucznia. Co więcej, nauczyciel nie musi być nawet aktywny – zebrane dane można wykorzystać do budowy modeli nagród. Badacze odkryli, że w kampanii przypisywanej DeepSeek, Claude przetwarzał zadania oceny na masową skalę, służąc jako model nagród dla cudzego uczenia przez wzmacnianie.

Kluczowe ograniczenie to dostęp. Każdy, kto dystyluje przez API, widzi tylko to, co interfejs zwraca. Wagi modelu czy wewnętrzne procesy pozostają ukryte. Jednak rozwój modeli rozumujących otworzył nowe drzwi – odczyt łańcuchów rozumowania. Opublikowane w sierpniu badania zespołu Alexandra Panfilova pokazują, że zaszyfrowane ślady rozumowania czołowych modeli można było odczytać przez podatność API. Gdy prefiksowano rozumowanie K3 tokenami z odszyfrowanych śladów Opusa, odpowiedzi modelu przesuwały się w stronę zachodniego odpowiednika.

Jednak chińskie laboratoria mają też własne osiągnięcia. Moonshot dokumentuje w pełni wewnętrzny pipeline treningowy, a DeepSeek regularnie publikuje architektoniczne ulepszenia. Dystylacja nie jest też chińską specjalnością – Elon Musk potwierdził pod przysięgą, że xAI korzystało z modeli OpenAI. W lipcu 25 firm, w tym Nvidia i Meta, ostrzegało przed pochopnymi restrykcjami. Mark Zuckerberg nazwał uczenie się z obserwowalnych wyników innych modeli zasadą wartą ochrony.

Niezależnie od werdyktu w sprawie winy, strategiczny wniosek pozostaje ten sam. Jeśli podejrzenia są słuszne, każda sprzedawana zdolność ostatecznie trafia do konkurencji. Jeśli nie – chińskie laboratoria dogoniły Zachód własnymi siłami, co oznacza, że przewaga była warta jeszcze mniej. W obu przypadkach modelowa przewaga utrzymuje się tylko tam, gdzie produkt nie jest powszechnie oferowany.

System, nie model – nowa oś rywalizacji

Dean Ball, współautor amerykańskiego planu działania dla AI, argumentował przed przejściem do OpenAI, że systemy działające autonomicznie przez wiele dni rodzą zupełnie inne pytania niż chatboty – o odpowiedzialność, nadzór i kontrolę. To samo dotyczy konkurencji. Gdy wartość pochodzi z długotrwałych procesów, rywalizują nie modele, ale całe systemy: oprogramowanie sterujące, moc obliczeniowa i środowisko pracy z narzędziami.

Znaczenie tego „rusztowania” można zmierzyć. Brytyjski instytut bezpieczeństwa AI wykazał, że wyniki w inżynierii oprogramowania rosną o około 25%, gdy model otrzyma dziesięć milionów tokenów zamiast jednego. Jeszwiększy efekt ma samo oprogramowanie sterujące. Gdy OpenAI zmieniło sposób przechowywania stanu rozumowania, wynik modelu Sol w teście ARC-AGI-3 niemal się potroił – z 13,3% do 38,3% – przy sześciokrotnie mniejszej liczbie tokenów wyjściowych. Ten sam model, inny system, trzykrotnie lepszy wynik.

Ale oprogramowanie sterujące nie jest fosą. Każdy, kto intensywnie korzysta z obcego systemu agentowego, widzi wywołania narzędzi i może nauczyć się wzorców orkiestracji. Sam kod to tylko oprogramowanie – wiosną tego roku wyciekło około 513 tysięcy linii kodu źródłowego Claude Code, a próby usunięcia go z sieci spełzły na niczym.

Jedyna niekopiowalna część systemu agentowego to jego działanie w produkcji. Zakotwiczenie w systemach klientów – poświadczenia, środowiska testowe, logi, prawa interwencji – nie może zostać odczytane ani wyciec. Konkurent musi to zbudować sam, z własną infrastrukturą i klientami. Największym motorem możliwości agentów jest uczenie przez wzmacnianie w specjalnie zaprojektowanych środowiskach treningowych. Można kupić dane i wiedzę ekspercką, ale nie można kupić wiedzy o tym, które zadania faktycznie pojawiają się w realnych firmach i gdzie modele zawodzą.

Arnaud Fournier, CTO DeployCo, spółki wdrożeniowej OpenAI, opisuje ten kanał informacji zwrotnej. OpenAI nie trenuje na danych klientów, chyba że wyraźnie o to poproszą. Zamiast tego kanał działa przez słabości modeli i potrzeby narzędziowe. Gdy zespół klienta odkryje, że rozumienie dokumentów działa słabo, strona badawcza pozyskuje ukierunkowane dane i naprawia problem. To właśnie dzięki temu rozwiązanie dla banku BBVA znacząco się poprawiło między wersjami GPT-5.0 a 5.5.

Ten kanał przenosi mniej surowych danych, a więcej wiedzy o tym, co budować dalej. Tego właśnie nie kopiuje dystylacja – kopiuje wysłany model, ale nigdy dostęp do pracy, z której uczy się następny. Kto ma ten dostęp, buduje środowiska treningowe odpowiadające realnej pracy. Kto tylko kopiuje, zawsze uczy się ze stanu z przeszłości.

Europa potrzebuje suwerenności systemowej

Dla Europy ta zmiana niesie dobre i złe wieści. Dobra: wyścig o najsilniejszy gotowy model, który Europa wyraźnie przegrała, traci strategiczne znaczenie. Zła: warstwa, w której będą bronione przewagi, nie może zostać pobrana ani odczytana. Trzeba ją zbudować, a pozycja startowa jest niekorzystna. Inicjatywa EuroStack szacuje, że Europa importuje ponad 80% swojej infrastruktury cyfrowej, a europejscy dostawcy kontrolują tylko około 15% rynku chmury.

Dochodzi do tego presja kapitałowa. Według obliczeń Europejskiego Banku Inwestycyjnego, amerykańskie firmy przyciągają sześć do ośmiu razy więcej kapitału venture capital rocznie. Badania nie są problemem – około 21% światowych publikacji o generatywnej AI w 2023 roku pochodziło z UE, ale tylko około 2% związanych z nimi zgłoszeń patentowych. Europa wymyśla, inni industrializują.

Mistral pokazuje właściwy kierunek. Europejski mistrz modeli ewoluował w dostawcę pełnego stosu, ogłaszając regionalne endpointy, hosting dla modeli open-weights innych firm i planowaną moc obliczeniową do jednego gigawata do 2030 roku. To czyni Mistral jedynym europejskim dostawcą z wszystkimi trzema elementami: własnymi modelami, platformą i planowaną mocą obliczeniową. Oferta nie jest jeszcze kompletna – endpointy nie obsługują obciążeń agentowych, a hosting cudzych modeli ma słabości. Kto uruchamia Qwen, zbiera wiedzę wdrożeniową, ale to Alibaba trenuje następną generację.

Unia Europejska na papierze rozpoznała problem. InvestAI ma zmobilizować 200 miliardów euro, a ustawa o chmurze i rozwoju AI ma potroić moc centrów danych. Ale niewiele z tego zbudowano. Tender na gigafabryki był kilkakrotnie opóźniany, a pierwsze obiekty powstaną najwcześniej w 2027 roku. Tymczasem cztery największe amerykańskie firmy zainwestują w AI około 700 miliardów dolarów w 2026 roku – trzy razy więcej niż cała europejska inicjatywa rozłożona na lata.

Pieniądze finansują tylko część przewagi amerykańskich laboratoriów. Ta przewaga opiera się na cyklu: moc obliczeniowa trenuje modele, modele pracują w systemach agentowych u klientów, a wdrożenia produkują wiedzę dla następnej generacji. Gigafabryki pokrywają tylko pierwszy krok. Cykl zamyka się nie w centrum danych, ale we wdrożeniu.

Postawienie w całości na amerykańskie i chińskie modele open-weights ma trzy zasadnicze wady. Po pierwsze, nie ma gwarancji dostępu do następnej otwartej generacji – Meta wstrzymała zapowiadany model Behemoth, a multimodalne modele Llama nie trafiły do firm w UE ze względów licencyjnych. Po drugie, każdy, kto wdraża obcy model, przyjmuje jego wpajaną światopoglądowość – cenzurę narzuconą przez państwo w modelach chińskich i polityki treści prywatnych korporacji w amerykańskich. Po trzecie, nawet rodzime modele nie dają suwerenności, bo ta jest podatna na każdym poziomie stosu technologicznego. Chiny są tego dowodem – Alibaba i ByteDance kontrolują warstwę modeli i posiadają krajowe centra danych, ale najnowsze chipy Nvidia nie mogą wjechać do kraju.

Dla Europy stawką jest coś więcej niż szansa biznesowa. Europejska pozycja opiera się na jednolitym rynku, sile ustanawiania standardów i pracy opartej na wiedzy wysokiej wartości. Ta praca jest pod presją z dwóch stron. AI dewaluuje ją – widoczne to już na kurczącym się rynku pracy dla junior developerów – i jednocześnie przenosi ją do obcych systemów. Wiedza ekspercka odpływa do obcych modeli przez pośredników danych i jednostki wdrożeniowe osadzające się w kluczowych europejskich procesach. To exodus nie do krajów o niższych płacach, ale do obcych modeli AI. Tym razem odpływa kapitał intelektualny.

Jednocześnie ta praca jest największym atutem Europy w tej rywalizacji. To surowiec, o który toczy się wyścig modeli. Jeśli będzie przepływać przez obce systemy, Europa zapłaci podwójnie: dostarczy wiedzę i odkupi wyniki jako następną generację modeli. Jeśli będzie przepływać przez własne, największy rynek wdrożeń stanie się po raz pierwszy strukturalną przewagą. Ale ta szansa wygasa inaczej niż deficyt modeli. Dostępu nie można skopiować ani odkupić później. Można go zagospodarować tylko póki jest wolny.

Przewaga przenosi się z modelu do operacji

Chińskie modele open-weights w dużej mierze dogoniły amerykańskich liderów w popularnych benchmarkach. Pozostała przewaga Zachodu dotyczy tylko abstrakcyjnych testów specjalistycznych, powtarzalnej niezawodności i ofensywnych zdolności cybernetycznych – i tam też się kurczy. Modelowa przewaga nie jest do obronienia. Wszystko, co sprzedawane przez API, może być skopiowane w ciągu miesięcy. Do obrony pozostaje całościowy system: infrastruktura obliczeniowa, platforma agentowa i kanał informacji zwrotnej z realnych wdrożeń. I właśnie tam Europa pozostaje w tyle strukturalnie.

Najbardziej prawdopodobny jest scenariusz bazowy z tendencją do przyspieszenia. Dalsza konwergencja jest wspierana przez fakt, że oba możliwe wyjaśnienia – dystylacja lub własne osiągnięcia – prowadzą do tego samego wyniku. Żadne ze stosowanych środków zaradczych nie działa technicznie, bo wyniki modeli nie mogą być nieobserwowalne. Strona sprzętowa przemawia przeciwko szybkiemu przyspieszeniu – wąskie gardło HBM, nieefektywność klastrów Ascend i dojrzałość oprogramowania to nie kwestia miesięcy. Dla europejskich użytkowników wybór scenariusza niewiele zmienia. We wszystkich trzech przypadkach liczy się to, czy wiedza wdrożeniowa i ustanawianie standardów pozostaną w ich zasięgu. A kto tego chce, musi prowadzić systemy samodzielnie, a nie tylko kupować modele.

Źródło

Może Cię zainteresować