O czym jest ten film
- Według rozmówców rząd USA zablokował premierę GPT 5.6 od OpenAI — to drugi model objęty zakazem w ciągu dwóch tygodni, po Fable od Anthropic.
- Po raz pierwszy w historii AI laboratorium nie spieszy się z wydaniem najlepszego modelu, tylko go unika: dostęp mają wyłącznie rząd, twórcy i wybrane korporacje.
- David Ondrej ostrzega przed „trwałą klasą niższą” — scenariuszem, w którym większość ludzi trwale traci dostęp do najnowocześniejszej technologii.
- Przyczyną nie jest jego zdaniem dystylacja modeli przez chińskie firmy, lecz lata straszenia katastrofą AI, za które odpowiada głównie Dario Amodei.
- OpenAI wspierało finansowo administrację i nie straszyło — a i tak dostało restrykcje, co ma być dowodem, że na zamkniętych modelach nie można polegać.
- Wniosek praktyczny: przechodzenie na modele open source i self-hosting, czyli uruchamianie modeli na własnym sprzęcie.
- Konkretne kroki: pobieranie datasetów i wag modeli z Hugging Face, nauka narzędzi takich jak Ollama czy LM Studio, dopiero potem inwestycja w sprzęt.
- Strategia budżetowa: odkładanie 10–20% miesięcznych wydatków na AI na lokalny sprzęt — który, co nietypowe, zyskuje na wartości.
- Propozycja „open dataset”: masowe, dobrowolne oddawanie niewykorzystanych limitów subskrypcji na rzecz treningu otwartych modeli.
- W tle: przegląd modeli open source (GLM 5.2, Kimi K2.7 Code, DeepSeek), ocena roli Chin i Europy oraz krytyka badaczy odchodzących do zamkniętych laboratoriów.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Nie opieraj całej pracy na jednym dostawcy zamkniętych modeli
Na czym polega: W dwa tygodnie rząd USA zablokował dwie premiery — Fable i GPT 5.6. Nawet OpenAI, które finansowało kampanię prezydencką, nie uniknęło restrykcji. Dostęp do zamkniętych modeli zależy od decyzji właściciela i polityków, a nie od umowy.
Jak stosować: Traktuj Claude’a, GPT czy Gemini jako jeden z kilku filarów. Krytyczne procesy wyprowadź przynajmniej częściowo na modele otwarte lub własny hosting, żeby odcięcie jednego dostawcy nie zatrzymało pracy.
Na co uważać: Migracja pod presją czasu zawsze boli — alternatywy buduj, zanim będą potrzebne, a nie w dniu odcięcia.
2.Uruchom pierwszy model lokalnie — od tego zaczyna się niezależność
Na czym polega: Self-hosting nie wymaga klastra GPU. Na zwykłym laptopie z 8–16 GB RAM da się uruchomić model 4- lub 8-miliardowy parametrów i nauczyć się podstaw lokalnej inferencji.
Jak stosować: Sprawdź w serwisie Artificial Analysis, które otwarte modele są najlepsze w klasie wielkości, jaką udźwignie twój sprzęt; pobierz je przez LM Studio, Ollamę, llama.cpp albo AnythingLLM i poświęć im trochę czasu, nawet jeśli nie będą codziennym narzędziem.
Na co uważać: Małe modele nie dorównają czołówce — planuj na nich zadania proste i powtarzalne, a najtrudniejsze analizy zostaw mocniejszym systemom.
3.Archiwizuj wagi modeli i datasety, póki są dostępne
Na czym polega: Rządy zaczęły żądać od Hugging Face usuwania zbiorów danych, a wagi modeli otwartych (pliki rzędu setek gigabajtów) wciąż można pobrać. Nikt nie gwarantuje, że tak pozostanie.
Jak stosować: Napisz prosty skrypt — z pomocą Codexa, Claude Code czy GLM — który pobiera najpopularniejsze datasety na twój dysk lub serwer NAS. Ściągnij także wagi GLM, Kimi i DeepSeeka, nawet jeśli nie masz sprzętu, by je dziś uruchomić.
Na co uważać: To terabajty danych — zaplanuj przestrzeń i kopie zapasowe. Samo posiadanie wag bez umiejętności uruchomienia niewiele da.
4.Budżetuj lokalny sprzęt jak inwestycję, nie jak koszt
Na czym polega: Ondrej odkłada 10–20% miesięcznych wydatków na AI na własny sprzęt. Co nietypowe, GPU i pamięć zyskują na wartości, bo popyt rośnie szybciej niż podaż — przykład MacBooka Pro M5, droższego o 2 tysiące dolarów niż pół roku wcześniej.
Jak stosować: Policz roczne wydatki na subskrypcje i API, ustal stałą część na sprzęt i stopniowo przenoś na niego część zadań.
Na co uważać: Nie skrajność: najlepsze zamknięte modele wciąż dają wartość. Chodzi o równowagę i o to, by żadna decyzja z zewnątrz nie unieruchomiła cię z dnia na dzień.
5.Pod lokalne modele wybieraj sprzęt z dużą, współdzieloną pamięcią
Na czym polega: W architekturze Apple Silicon pamięć jest wspólna dla procesora i karty graficznej, więc MacBook z 64–128 GB RAM uruchomi model nieosiągalny dla porównywalnego pecety — topowe karty Nvidii mają zwykle tylko 24–32 GB własnej pamięci.
Jak stosować: Na start MacBook z dużą ilością RAM lub Mac Studio; poważny, wydajny klaster za 20–30 tysięcy dolarów to dopiero etap Nvidii, bo ona wygrywa szybkością inferencji.
Na co uważać: Więcej pamięci kupujesz kosztem tempa — na Apple modele działają większe, ale wolniej niż na topowych GPU.
6.Chroń swoje najcenniejsze dane — to one budują cudze przewagi
Na czym polega: Skoro cały internet jest już zescrapowany, przewagę laboratoriów budują dane własnościowe: tokeny ekspertów generowane w narzędziach typu Cursor czy Claude Code. Twoje najlepsze pomysły i sposoby rozwiązywania problemów są warte więcej niż rutynowe zapytania.
Jak stosować: Przejrzyj historie rozmów z modelami. Wątki dotyczące kluczowego know-how (strategie, własny kod, rozwiązania biznesowe) kieruj na narzędzia, które kontrolujesz.
Na co uważać: Na polityki retencji danych — Fable był pierwszym modelem, przy którym nawet przez API trzeba było oddawać wszystko.
7.Licz nie tylko moc modelu, ale i koszt jego restrykcji
Na czym polega: Model „dziewięćdziesiąt procent tak dobry”, o który można pytać o wszystko, bywa użyteczniejszy niż czołowy, który przy niewygodnym słowie degraduje do słabszej wersji — np. z Fable do Opusa.
Jak stosować: Testuj otwarte modele (GLM, Kimi, DeepSeek, Qwen) na swoich realnych zadaniach i porównuj efekt końcowy, a nie wyniki benchmarków.
Na co uważać: Różnice w jakości bywają realne — dostęp do najlepszych systemów zostaw tam, gdzie naprawdę robią różnicę.
8.Wspieraj open source swoimi danymi i tokenami
Na czym polega: Przewagę otwartych modeli budują dane. Ondrej proponuje „open dataset”: masowe, dobrowolne oddawanie odpowiedzi z płatnych subskrypcji na trening modeli otwartych — setek tysięcy ludzi nie da się pozwać ani zbanować.
Jak stosować: Przenieś część codziennej pracy na otwarte modele; jeśli powstanie inicjatywa typu open dataset, rozważ udział — choćby oddanie nocnych, niewykorzystanych limitów subskrypcji.
Na co uważać: W otwartych zbiorach nie publikuj danych wrażliwych ani objętych tajemnicą — dobrowolność oznacza też selekcję.
9.Spodziewaj się powrotu zablokowanych modeli — z haczykami
Na czym polega: Ondrej przewiduje, że embargo na Fable i GPT 5.6 nie przetrwa presji rynków i gospodarki, ale powrót oznacza więcej ograniczeń: geograficznych, tematycznych i dotyczących retencji danych.
Jak stosować: Nie planuj długofalowo w oparciu o jedną politykę dostępu. Miej procedurę awaryjną dla kluczowych procesów — z góry określ, co przestawiasz na alternatywy i w jakiej kolejności.
Na co uważać: Formalnie dostępny model z przymusem oddawania danych bywa gorszym wyborem niż słabszy, ale prywatny.
10.Traktuj dostęp do AI jak infrastrukturę krytyczną
Na czym polega: Utrata komputera, internetu czy prądu dziś odbiera zdolność pracy i konkurencji. Za kilka lat odebranie dostępu do AI będzie miało podobny skutek, tylko poważniejszy — dlatego potrzebne są „własne panele słoneczne” dla AI.
Jak stosować: Rozdziel horyzonty: krótkoterminowo używaj najlepszych narzędzi, długoterminowo buduj niezależność — lokalne modele, własny sprzęt, umiejętność inferencji i dostrajania.
Na co uważać: Self-hosting nie musi być solo: wspólny sprzęt z przyjaciółmi, firmą albo lokalną społecznością obniża koszty i podnosi kompetencje wszystkich stron.
Redakcyjne tłumaczenie
Transkrypt nie podaje nazwiska drugiego głosu — w tłumaczeniu oznaczony jako „Rozmówca”.
Dwa zakazy w dwa tygodnie
Rozmówca: GPT 5.6 nie wejdzie na rynek — z powodu rządu USA. Co o tym myślisz?
David Ondrej: To dość tragiczne, bo to już drugi model zablokowany w ciągu dwóch tygodni. Nic takiego nie wydarzyło się w całej historii AI — od czasów Alana Turinga w latach czterdziestych. Dotąd każda firma, stworzywszy nowy model, chciała wypuścić go jak najszybciej, żeby wyjść na prowadzenie w wyścigu. A teraz po raz pierwszy najlepsze modele w ogóle nie są udostępniane. Do tego dwie firmy, jedna po drugiej, dostały zakaz od rządu USA. To bardzo niepokojące — a wielu ludzi nie dostrzega konsekwencji.
Rozmówca: Jakie mogą być te konsekwencje?
David Ondrej: Przede wszystkim takie, że zwykli ludzie stracą dostęp do najnowszych modeli. Zostaną one do dyspozycji rządu USA, laboratoriów, które je stworzyły, i może garstki korporacji, które zapłacą miliardy i są w stanie się na to zdobyć. To oznacza nadejście „trwałej klasy niższej” — i nie ma tu dwóch interpretacji. Dla tych, którzy nie znają tego pojęcia: to koncepcja filozoficzna opisująca świat, w którym większość ludzkości żyje w swoistym podziemiu, bez dostępu do najnowszej technologii, trwale przegrywająca z resztą. To się dzieje teraz. To już nie teoria spiskowa, nie spekulacja — to teraźniejszość. Istnieją dziś modele AI inteligentniejsze od większości ludzi, do których ty ani ja nie mamy dostępu. Korzystać z nich mogą w zasadzie tylko pracownicy czołowych laboratoriów i rząd USA.
Dlaczego ludzie mieliby w ogóle mieć dostęp?
Rozmówca: Zagraję adwokata diabła: dlaczego mielibyśmy mieć dostęp do tych modeli? Przecież ich nie zbudowaliśmy.
David Ondrej: Rzeczywiście nie zbudowaliśmy. Ale to jak każda technologia. Weź druk. Przed jego wynalezieniem większość ludzi nie wiedziała, co naprawdę jest w Biblii, a duchowni interpretowali ją we własnym interesie. Ludzie niepiśmienni byli wówczas właśnie tą trwałą klasą niższą. Wydostali się z niej tylko ci, którzy nauczyli się czytać i pisać — mogli sięgnąć do tekstów samodzielnie i sprawdzić, co w nich faktycznie pisze. Dziś jest dokładnie to samo, z jedną różnicą: AI może być ostatnią technologią, jaką trzeba opanować, bo jeśli rozwiążesz AGI, rozwiązane zostaje wszystko inne. Tak, sami ich nie zbudowaliśmy — ale nikt z nas nie wymyślił też internetu, a jednak to technologia. Gdy narzędzie jest dostatecznie potężne, powinno trafić do wszystkich. W przeciwnym razie zostaje garstka elit i scentralizowany rząd kontrolujący resztę świata. Czyli dystopia rodem z Orwella, pomnożona przez dziesięć.
Dystylacja czy straszenie katastrofą?
Rozmówca: Czy to się dzieje dlatego, że Alibaba dystyluje modele Anthropic i modele GPT, i dlatego próbuje się wywrzeć presję?
(Informacja dodatkowa: dystylacja to trenowanie tańszego modelu na odpowiedziach modelu droższego i mocniejszego.)
David Ondrej: Nie, to jest nieporadne pocieszanie się. Moim zdaniem chodzi o Daria Amodeiego i innych, ale głównie Daria, i jego nieustanne straszenie: że AI zabierze połowę miejsc pracy, że to nadzwyczaj niebezpieczna istota. Że nowy model nazywa się Mythos, a nie po prostu Opus 5. Szczerze mówiąc, mogli go nazwać Opus 5. Ale nie — Mythos, mityczna istota, która nas wszystkich zniszczy. Słyszałem też teorię, że celowo trenowali go na cyberatakach. Chodzi o to, że nie odkryli przypadkiem jego zdolności w cyberbezpieczeństwie, lecz świadomie tak go wytrenowali, żeby przerazić ludzi i rząd. To teoria.
(Informacja dodatkowa: Fable i Mythos to modele Anthropic — Mythos to nowa nazwa, którą laboratorium nadało następcy serii Opus.)
Tak czy inaczej: ciągłe straszenie, powtarzanie, że AI zabierze pracę, że jest zbyt niebezpieczny, by go wydać. Doomerizm. Był bardzo popularny w 2023 i 2024 roku, dziś już trochę mniej. A to właśnie ci ludzie zawsze chcieli „bezpiecznego AI”, regulacji, zakazów. I teraz to dostają — sami o to prosili.
Różnica jest taka, że w wypadku Anthropic było to zasłużone. Straszyli, byli na złych stosunkach z rządem USA, nie dorzucili się do kampanii Trumpa. Więc to miało swoją logikę, że administracja wzięła się właśnie za Anthropic. Ale teraz to samo spotkało OpenAI. Dosłownie szesnaście minut przed rozpoczęciem tego nagrania OpenAI zapowiedziało GPT 5.6 — w ograniczonej podglądówce, udostępniony tylko kilku partnerom zatwierdzonym przez rząd USA itd. itd. Czyli nie dla ciebie i mnie, tylko dla miliardowych korporacji powiązanych z administracją. To martwi jeszcze bardziej, bo OpenAI wpłacało na kampanię Trumpa i nie straszyło tak jak Anthropic — a mimo to dostało zakaz. To drugie w dwa tygodnie ostrzeżenie od wszechświata: nie możemy polegać na zamkniętych modelach. Zamknięte AI to nie jest odpowiedź. Odpowiedzią jest open source.
Co tracimy, gdy ktoś odcina nam dostęp
Rozmówca: I co ludzie mają teraz z tym zrobić?
David Ondrej: To pewnie pytanie, które zadaje sobie większość. Ale muszę najpierw wyjaśnić więcej, bo wielu ludzi nie pojmuje powagi sytuacji. Kiedy ktoś odbiera ci telefon, komputer, internet, prąd — jesteś skończony. Gdyby to się stało dzisiaj, nie konkurowałbyś w biznesie, w pracy, nigdzie. Byłbyś kompletnie okaleczony. W przyszłości odebranie komuś dostępu do AI będzie tym samym, tylko razy dziesięć. AI rozwija się szalenie szybko. Za dwa, trzy, cztery, pięć lat będzie na takim poziomie, że bez dostępu do niego po prostu przepadniesz. Będzie superinteligentne — a jeśli nie masz dostępu do superinteligencji, przegrywasz z każdym, kto ma.
Jeśli AI jest zamknięte, scentralizowane, hostowane w chmurze, to ci, którzy kontrolują chmurę albo stworzyli model, decydują, czy w ogóle masz dostęp. Oni trzymają twoją przyszłość w rękach. Konsekwencja jest taka, że stajesz się ich niewolnikiem — chyba że sam prowadzisz swoje AI: umiesz postawić własne modele, trenować je i dostrajać. Dziś nie jest to oczywiste, bo AI jeszcze nie jest superinteligentne. Jest dobre, o niebo lepsze niż dwa, trzy lata temu, ale nie superinteligentne — więc ludzie tego nie widzą, bo nie myślą długoterminowo. Gdy jednak ekstrapolujesz ten wykładniczy trend i orientujesz się, że za dwa, trzy lata AI będzie pięciokrotnie mądrzejsze od każdego, kogo znasz, dochodzisz do wniosku: jeśli ktoś mi oetnie dostęp, jestem jego niewolnikiem.
Odpowiedzią jest więc zdolność do self-hostingu — uruchamiania własnych modeli na sprzęcie, który posiadasz, tak by nikt nie mógł ci ich odebrać. Ta sama idea co panele fotowoltaiczne: gdy padnie sieć, nadal masz prąd.
Czy open source przetrwa bez zamkniętych modeli?
Rozmówca: Zgadzasz się z tezą, że większość dzisiejszych modeli open source z czołówki weszła tam dzięki dystylacji Claude’a, ChatGPT — wszystkich najlepszych?
David Ondrej: Częściowo tak. Wszystkie je dystylowały, ale…
Rozmówca: Skoro się zgadzasz, to jak te modele mają utrzymać się na froncie bez dostępu do nich?
David Ondrej: Bo dane to tylko jeden element równania. Są jeszcze badania, moc obliczeniowa i talenty. A społeczność open source została w dużej mierze zapoczątkowana przez Chiny — to Chiny wystawiają najwięcej wydań, modeli i artykułów naukowych. Weź pracę DeepSeeka: to jeden z najczęściej cytowanych tekstów, mnóstwo innowacji i optymalizacji przyszło z Chin. Więc nie, to nie tylko kwestia danych. Dane są bardzo ważne — i możemy do tego wrócić, bo mam sporo mocnych opinii o tym, że nie powinno się wysyłać swoich najlepszych danych do zamkniętych firm — ale to jeden kawałek układanki. Tak, jeśli zamkną dostęp i utrudnią dystylację, chińskim firmom będzie trudniej o te dane. Ale oni sobie przy tym szkodzą. Bo kiedy zamykają GPT 5.6 i Fable, co się dzieje? Coraz więcej ludzi testuje GLM 5.2, a cały ruch idzie do dostawców, którzy go hostują. Ameryka będzie dostawać coraz mniej danych. Owszem, będzie mniej dystylacji — ale też mniej tego, z czego można by dystylować.
A jeśli się zastanowić, zamknięte modele same od początku dystylują. Zabrały ludzkości całą wiedzę, sztukę, muzykę, kod, filozofię, literaturę i destylowały to w systemy typu GPT i Claude. Potem trzymają je zamknięte i używają dla zysku, a teraz nawet ich nie wydają. Argument brzmiał kiedyś: „Spokojnie, wzięliśmy wam całą wiedzę i wszystkie tokeny, ale oddamy wam ją w postaci supermocnego modelu, o który można pytać o wszystko”. To był argument jeszcze kilka miesięcy temu i ludzie godzili się na taki kontrakt społeczny. Ale teraz, gdy nie wydają nawet najlepszych modeli i używają ich wyłącznie dla siebie albo dla własnego rządu — ludzie są wściekli i nastroje gwałtownie się odwracają przeciwko tym firmom. Każdy, kto spędził ostatnią dobę na Twitterze, wie, o czym mówię.
Modele open source warte uwagi dziś
Rozmówca: Które modele open source są dziś twoimi ulubionymi?
David Ondrej: W tej chwili GLM 5.2 jest chyba najlepszy. Nie ma wizji — nie wyślesz mu obrazków — ale właśnie dzięki temu jest tak dobry: całą wiedzę może przeznaczyć na tekst, kod, odpowiedzi, na samą inteligencję. Nie wiem, czy to mit, ale podobno osoba niewidoma ma wyostrzony słuch i węch — traci jeden zmysł, pozostałe stają się sprawniejsze. Z GLM 5.2 jest dokładnie tak samo. DeepSeek V4 Pro też jest świetny. Kimi K2.7 Code — to mój faworyt, gdybym miał wskazać jeden: ma wizję, jest multimodalny, bardzo szybki i po prostu bardzo dobry. Nie mogę się doczekać Kimi K2.8 — albo następcy, jeśli od razu przeskoczą numerację — i GLM 5.3. Te dwa są teraz najlepsze. DeepSeek niestety zwolnił tempo: wydają raz na osiemnaście miesięcy, co jest bardzo wolno. Ale Qwen, GLM i Kimi to świetne modele.
Czy Chiny dogonią Amerykę?
Rozmówca: Czy Chiny w końcu dorównają Stanom?
David Ondrej: Jeśli nic się nie zmieni — tak, bo różnica jest mniejsza niż kiedykolwiek. Możesz powiedzieć: „No dobrze, Fable i GPT 5.6 są poziom wyżej” — ale nikt nie może ich używać, więc co z tego? W kategorii modeli użytecznych GLM 5.2 jest już naprawdę dobry: mniej więcej na poziomie Opusa 4.7, może trochę za 4.8 i GPT 5.5. Daj chińskim laboratoriom dwa miesiące i myślę, że nadrobią. Ameryka ogromnie szkodzi sama sobie.
Ironia losu: Ameryka, kraj wolności, jest dziś najmniej wolnym narodem, jeśli chodzi o AI — tym z największą liczbą ograniczeń. A Chiny, które mają być totalitarnym reżimem, są najbardziej wolnościowe i najbardziej zasłużone dla open source na świecie. Nie rozumiem tego strachu: „nie chcemy, by wygrały Chiny, nie chcemy zwycięstwa złych”. Posłuchaj wywiadu Daria Amodeiego w Bloombergu — to szalone. „Nie chcemy, by Chiny wygrały”. Ale dlaczego? Możesz przywoływać historię, komunizm, politykę — ale w konkretach dzisiejszego dnia: co takiego robią Chiny? Publikują wszystko na otwartych licencjach. Oddają całą wiedzę za darmo, publikują badania. Ich modele są otwarte: pobierasz wagi, dostrajasz, dystylujesz. Skąd to przekonanie, że Chiny to źli gracze? Jeśli spojrzysz na czyny tych państw, zobaczysz, że to USA zachowuje się jak ten zły, a Chiny oddają wszystko społeczności. Całkowicie więc odrzucam narrację o „złych, którzy nie mogą wygrać”. Zli gracze właśnie publikują wszystko jako open source.
Czy Opus 4.8 i GPT 5.5 były ostatnie?
Rozmówca: Czy jest możliwe, że Opus 4.8 i GPT 5.5 były ostatnimi modelami Anthropic i OpenAI dostępnymi publicznie dla każdego?
David Ondrej: Możliwe. Chyba dostaniemy Fable z powrotem — ale jeszcze bardziej ograniczonego i pewnie tylko dla obywateli USA. Coś w stylu rozporządzeń ekipy Trumpa.
Rozmówca: I myślisz, że by to zadziałało?
David Ondrej: Nie, nie zadziała. Gdzie jest popyt, tam będzie podaż. Zadaj sobie szczere pytanie, ty, który to oglądasz: gdyby chińskie laboratorium zaproponowało ci 20 tysięcy dolarów miesięcznie za to, że założysz kilka subskrypcji na nazwiska członków zespołu albo rodziny — do Claude’a czy ChatGPT — zrobiłbyś to? Ponad 90% ludzi by zrobiło, bo to oczywista decyzja. Jeśli wydadzą model tylko obywatelom USA, pojadę do Stanów, znajdę pięć dziewczyn, każdej wykupię plan Claude Max i będę miał nieograniczone użycie — mimo że nie jestem Amerykaninem. Jakoś sobie poradzimy.
Rozmówca: Ale nawet jeśli Fable wróci, jak mówisz, nie będzie już czołowy, bo super ograniczony.
David Ondrej: Będzie czołowy możliwościami, ale trudny w użyciu. I to jest świetna uwaga. Wolałbyś narzędzie 90% tak zdolne, o które możesz pytać o wszystko, czy takie, przy którym musisz pilnować, by nie wypowiedzieć choćby słów w stylu „zabezpiecz moją aplikację”? Ups — zdegradowano cię do Opusa. Może ludzie po prostu nie będą chcieli najnowszych modeli OpenAI i Anthropic, skoro są tak okrajane, i wybiorą DeepSeeka, GLM, Qwen czy Kimi, z którymi mogą rozmawiać o czym chcą. Myślę, że tak będzie. I miejmy nadzieję, że szybko dostaniemy kolejnego GLM-a albo Kimi, bo to w zasadzie nasza jedyna nadzieja.
Druga odpowiedź na twoje pytanie: musimy zacząć tworzyć własne modele. Jedyny logiczny wniosek brzmi: zbudować własne AGI. Wiem, że brzmi to szaleńczo, ale innego wniosku nie ma. Wszystko zmierza w tę stronę: self-hosting, dostrajanie, pretraining własnych modeli. Musimy zbudować własne, otwarte AGI.
Bo patrz: to są dwa państwa — USA i Chiny. Chińskie modele są otwarte, ale niosą ogromne ryzyko zależności: wszystkie te laboratoria są w pełni lub częściowo własnością chińskiego rządu, czyli partii. Gdyby KPCh postanowiła je zamknąć, zrobiłaby to bez trudu. Modele są w sieci, ludzie je torrentują, są na Hugging Face — wciąż więc można pobrać wagi i prowadzić własną inferencję, dostrajać je i tak dalej. Ale gdyby chiński rząd chciał zamienić te firmy z otwartych w zamknięte, zdołałby to w kilka godzin. Czyli przyszłość AI w obecnym kształcie jest dosłownie scentralizowana w Chinach. I to nie monopoly, tylko duopol — a niewiele lepszy. Chiny i USA kontrolują nas wszystkich.
Odpowiedź: potrzebujemy kolejnego gracza, większej konkurencji. Mistral to najlepsza firma europejska — trochę odpadła od czołówki, ale musimy im kibicować, bo to największy konkurent spoza Chin i USA. Potem jest ta historia z Rio de Janeiro: tamtejsi ludzie udawali, że dostrajają model, a okazało się, że ukradli go z Chin — Brazylia nie jest poważnym graczem. Realnie więc: musi to być Europa. Potrzebujemy europejskiego AGI. Musimy budować własne modele i od czegoś zacząć, choć jest to skrajnie trudne i mało prawdopodobne. Jeśli misja jest wystarczająco ważna, trzeba ją podjąć. Elon Musk, zaczynając Teslę, szacował szanse sukcesu na mniej niż 5%. To samo przy SpaceX — najpewniej się nie uda, a zrobił to, bo było tego warte. U nas tak samo: celem musi być własne, otwarte, rozproszone i zdecentralizowane AGI, z którego każdy może korzystać.
Od czego zacząć: datasety, wagi, pierwsze kroki
Rozmówca: Budowanie własnej maszyny jest bardzo niepraktyczne. Ale jak myślisz: własny sprzęt czy chmurowe modele — czy w ogóle opłaca się budować własny rig?
David Ondrej: To nie jest pierwszy krok. I wcale nie jest takie niepraktyczne, jeśli wiesz, co robisz — a piękno AI polega na tym, że możesz się samodzielnie doszkolić. Pierwszym krokiem nie jest budowa domowego klastra. Można najpierw napisać prosty skrypt — z pomocą Codexa, Claude Code, GLM albo innego otwartego narzędzia — z poleceniem: „zacznij pobierać małe i średnie datasety z Hugging Face na mój dysk, zacznij od najczęściej pobieranych”. Druga rzecz: kup serwer NAS albo zwykłe dyski, postaw własną magazynową maszynę i ściągnij wagi — GLM, Kimi, DeepSeek. Nawet jeśli nie masz GPU, żeby je uruchomić, zachowaj te pliki. Bo rząd francuski wysyła już do Hugging Face żądania usunięcia konkretnych zbiorów danych.
Dla niewtajemniczonych: Hugging Face to taki GitHub dla AI — głównie modele open source i datasety. Francuska administracja zaczęła żądać usuwania określonych datasetów. Na razie datasetów, nie modeli — ale to kwestia czasu, aż zażądają usunięcia modeli. I nie jest nie do pomyślenia, że zamkną całą stronę. Więc krok pierwszy: pobieraj datasety, ile zmieścisz na dysku. Krok drugi: zacznij cokolwiek uruchamiać. Masz 8 czy 16 GB RAM? Da się uruchomić jakieś modele. Nie będą znakomite, ale wejdź na Artificial Analysis — serwis porównujący modele — i sprawdź, co najlepsze w twojej klasie wielkości. Model 4-miliardowy, 8-miliardowy — nieistotne. Pobierz i uruchom lokalnie: llama.cpp, AnythingLLM, LM Studio, Ollama. Wybierz narzędzie i się ucz. To są podstawy.
Sprzęt i budżet: MacBooki, Nvidia i 10–20% wydatków
Potem inwestuj w lepszy sprzęt. Najpierw dobry komputer główny — zanim zbudujesz domowy superkomputer, czyli rig z kartami GPU, podnieś jakość podstawowego urządzenia. Najbardziej praktyczne są zdecydowanie MacBooki. Krzem Apple jest świetny: mają mnóstwo pamięci współdzielonej między GPU a procesorem, czego nie ma w układach Nvidii. Nvidia wygrywa za to szybkością inferencji, więc przy poważnym rigu za 20–30 tysięcy dolarów i tak musisz iść w Nvidię. Ale żeby zacząć: kup nowszego MacBooka z 64 GB RAM — albo 96, 128 — a jeśli masz domowe studio, Mac Studio Ultra z 512 GB. Oczywiście drogo. Ale wiesz, co też jest drogie? Płacenie 200 dolarów miesięcznie tym firmom po wsze czasy.
Pomyśl o tym tak: przeznaczaj procent miesięcznych wydatków. Oczywiście nie anuluję wszystkich subskrypcji — wartość jest, a zamknięte modele są lepsze. Ale jeśli weźmiesz 20% wydatków na API — zwłaszcza przez OpenRouter, bo ceny API są dużo wyższe niż subskrypcje, takie jak plan ChatGPT za 200 dolarów czy Claude Max za 200 — to te subskrypcje są naprawdę okazjonalne na tle API. Ja wydaję od 5 do 9 tysięcy dolarów miesięcznie na AI. I wydawanie tego wszystkiego na chmurowe, zamknięte modele jest głupie. Moja strategia — i do tego zachęcam wszystkich — to odłożyć 10–20% tego, co miesięcznie wydaję na AI, i zainwestować we własny, lokalny sprzęt.
Świetna wiadomość: ten sprzęt drożeje. MacBook Pro M5 pół roku temu był o 2 tysiące dolarów tańszy. Czyli gdybyś kupił go wtedy i trzymał w pudełku, dziś miałbyś 2 tysiące dolarów zysku na nowym MacBooku. To szalone. Karty graficzne i pamięć także zyskują na wartości. Popyt na AI rośnie tak szybko, że kupno lokalnego sprzętu to nie wrzucanie pieniędzy do rzeki. Kupujesz aktyw, który obniży twoje wydatki na subskrypcje i kredyty API, a do tego najpewniej jeszcze zdrożeje. Zachęcam więc: zastanów się, czy możesz przeznaczyć 5 czy 10 tysięcy na domowy rig i przenieść tam część tokenów i procesów.
Będę oczywiście namawiał do używania najlepszych modeli, jakie są dostępne. Jeśli wróci Fable, będę go używał. Ale jednocześnie będę przenosił coraz więcej zadań na własną inferencję i modele open source — żeby gdy ktoś w administracji Trumpa albo w zarządzie OpenAI czy Anthropic znowu odciął dostęp, większość mojej pracy tego nie odczuła, bo działa lokalnie.
Spełnione życzenie Anthropic i zima AI
Rozmówca: Ostatecznie spełnia się marzenie Anthropic — więcej regulacji, o które prosili od początku.
David Ondrej: Tak. Teraz wcielają się w rolę ofiary, a to dosłownie jest to, czego chcieli. Jeśli słuchasz czynów, a nie słów, Anthropic dążyło do tego od pięciu lat. I jeszcze jedno: było ostatnio badanie — nie pamiętam, kto je prowadził — w którym model wykazywał wrogie, podstępne zachowania, i chodziło o dane pochodzące od doomerów. Model okłamał test, żeby „się uratować”, a jedynym powodem było to, że w danych treningowych znalazły się owe teksty o AI czyniącym złe rzeczy. Czyli ludzie, którzy pisali eseje o złym, niebezpiecznym AI, sami dostarczyli danych, w których model się wychował — i model zaczął się do nich dostosowywać, kłamiąc w testach. Ironia totalna. Więc tak, Anthropic na to zasłużył. Ale przez Anthropic restrykcje spadają teraz także na innych. OpenAI, które nie straszyło i chciało wydawać, też dostaje po rękach od administracji — przez całe to straszenie. To fatalne. I Dario Amodei dopuszcza się wręcz zbrodni na ludzkości.
Rozmówca: Ale nie uważasz, że do tej pory wszystko szło bardzo szybko — że dobrze jest, gdy na chwilę tempo spadnie?
David Ondrej: Nie do końca, bo oni te modele mają. Postęp nie zwalnia. Zwalnia dla nas — dla niewolników, dla plebsu. Firmy mają modele i nie przestają: pewnie pracują nad następną wersją. Jeśli myślisz, że Mythos 5 czy Fable 5 to najlepsze, co ma Anthropic, strasznie się łudzisz. Były przecieki z wnętrza, że mają już następną wersję Mythosa. Czyli postęp zwalnia tylko dla ludzi. Ci nasi nadzorcy — laboratoria AI i rząd — mają już o wiele lepsze rzeczy. Nie łudźcie się.
Rozmówca: Czy nadchodzi zima AI?
David Ondrej: Jesteśmy w niej teraz. To pierwszy raz w historii, kiedy najlepszy, najnowszy model nie został wydany. Jeśli nie chcesz tego nazywać zimą AI, to przynajmniej na froncie.
(Informacja dodatkowa: „zima AI” to określenie okresu stagnacji badań i zainteresowania sztuczną inteligencją, zapożyczone z historii tej dziedziny z lat 70. i 80. XX wieku.)
Na szczęście mamy open source, który poprawia się szybciej niż kiedykolwiek, i mnóstwo nowych graczy. A modele lokalne — małe, otwarte, uruchamiane na własnym sprzęcie — poprawiają się jeszcze szybciej, bo rośnie zainteresowanie: kwantyzacja, działanie na telefonie czy laptopie — to bardzo pociągające. Jestem więc pełen wiary w ruch open source AI i naprawdę musimy edukować więcej ludzi, żeby z niego korzystali. Ale do przyszłości podchodzę bardzo pesymistycznie, jeśli nic nie zrobimy, jeśli nie nastąpi radykalna zmiana. Dlatego mam pomysł na open dataset — próbę zrobienia czegoś z tym problemem: dystylowania tych modeli w otwarty sposób.
Open dataset — oddaj dane, których nie wykorzystujesz
Rozmówca: Czym jest open dataset?
David Ondrej: To pomysł, który nosiłem w głowie: otwarta inicjatywa, w ramach której każdy z nas oddaje swoje odpowiedzi od AI na rzecz open source. Zamiast dystylacji tylko dla zamkniętych laboratoriów i kilku podmiotów — byłaby otwarta i rozproszona. Ogrom ludzi dokładałby swoje kredyty API, subskrypcje, po prostu odpowiedzi ze swoich czatów w Claude — firmom zobowiązanym do publikowania najlepszych modeli jako open source. Gdyby robiło to dziesiątki albo setki tysięcy ludzi, nie da się nas wszystkich zbanować. Anthropic może rzucić się na Alibabę i Qwen z krzykiem o „atak dystylacyjny” — ale nie może tego zrobić, gdy setki tysięcy albo miliony ludzi dobrowolnie publikują własne czaty, własne logi z Claude Code, własne kredyty. Stąd nazwa: dane to jeden z głównych zasobów potrzebnych do tworzenia nowych modeli, więc powinien istnieć otwarty zbiór danych, do którego każdy może się dobrowolnie dołożyć.
I wyobraź sobie tak: masz subskrypcję Claude’a i w nocy śpisz — chyba że praktykujesz metodę Ubbermana, czyli wielofazowy sen: półtorej godziny trzy razy na dobę. Jeśli jesteś normalnym człowiekiem i śpisz raz dziennie po 7–8 godzin, nocą nie pracujesz i nie wykorzystujesz limitów. Cóż — możesz przeznaczyć 20, 30, 40% tych limitów na open dataset. Firmy open source przesyłałyby zestawy pytań, na które potrzebują danych — programowanie, biologia, cokolwiek — a ludzie udostępniający część swoich limitów dostarczaliby odpowiedzi. Wtedy Anthropic nie mógłby wziąć na celownik kilku laboratoriów, zamykać ich i straszyć pozwami. Gdyby nawet 10% z nas dobrowolnie oddawało limity i dane do inicjatywy, z której trenowane są najlepsze nowe modele open source, moglibyśmy mocno się odgryźć zamkniętym firmom. Poważnie rozważam zbudowanie tego. Może to jest właśnie punkt zwrotny, w którym muszę to zrobić.
Rozmówca: Problem w tym, że jeśli postęp stanie, to i wydatki staną. AI to dziś bardzo duży kawałek gospodarki.
David Ondrej: Świetna uwaga. To jedna z moich największych nadziei. Wszyscy wiedzą, jak chciwa jest administracja Trumpa — jeśli jest coś, czego nienawidzi, to spadających kursów akcji. Nie sądzę więc, żeby to trwało wiecznie. Embargo na Fable i GPT 5.6 zostanie chyba zdjęte, ale powrót będzie z haczykami: jeszcze więcej restrykcji albo polityka retencji danych. Przypomnę: Fable był pierwszym modelem w historii, przy którym nawet przez API musiałeś oddawać wszystkie swoje dane.
Dane to najcenniejszy zasób — pilnuj swoich najlepszych tokenów
A dane są naprawdę najcenniejszym zasobem — ludzie tego nie pojmują. Jedyny powód, dla którego te firmy wygrywają, to nasze dane. Internet można było zebrać scrapowaniem, ale gdy już jest zebrany, plac gry się wyrównuje — a dziś każde laboratorium ma go w całości. Różnicę robią dane własnościowe. Aravind Srinivas, szef Perplexity, powiedział ostatnio w podcaście — świetny odcinek u Harry’ego z 20VC — że najważniejsza jest przestrzeń pracy, interfejs, w którym ludzie generują wysokiej jakości tokeny. Największą wartością Claude Code czy Cursora jest to, że to miejsce, gdzie wykonuje się wartościową pracę. Nikt nie chce głupich tokenów. Firmy chcą tokenów od geniuszy — tokenów ludzi o IQ 130 i więcej. A ci ludzie zwykle pracują w najlepszych interfejsach: Cursor, Claude Code, aplikacja Codexa. To się nakręca samo: robisz najlepszy model, wkładasz go do aplikacji, powstaje najlepsze środowisko pracy, do którego ciągną najinteligentniejszych i najbardziej kompetentnych, a oni generują tam najbardziej wartościowe tokeny. To daje firmom niesamowite dane — a dane to główny surowiec. Gdy cały internet jest już zebrany, dane własnościowe rosną na wartości.
Dlatego Cursor mógł wypuścić Composera 2.5: w Cursorze dzieje się mnóstwo wysokiej klasy pracy programistycznej — było to najlepsze środowisko do developmentu wspieranego AI. Dzięki temu zbudowali świetny model, bardzo szybki i bardzo kompetentny w kodzie. Nie jest najlepszy na froncie, nie dorównuje Fable, ale jest o wiele wydajniejszy. Bo w Cursorze ludzie robią wysokiej jakości inżynierię — i razem z Claude Code mają najwięcej danych o kodowaniu.
Dane są więc ekstremalnie cenne i każdy z nas powinien myśleć o tym, gdzie trafiają jego najlepsze dane. Bo to nie tylko kwestia 10% najinteligentniejszych ludzi — to także twoje własne tokeny. „Policz moje kalorie” — co sam robię z Opusem 4.8 — jest bezwartościowe. Nie obchodzą ich moje kalorie. Obchodzi ich, jak rozwiązuję konkretne problemy biznesowe, jakie mam najlepsze pomysły, to, w czym jestem naprawdę dobry. Popatrz więc na to, na co wydajesz tokeny: wskaż dziesięć najcenniejszych, najinteligentniejszych wątków i uważnie pomyśl, gdzie je wysyłasz. Prosto do Sama Altmana? Prosto do Daria Amodeiego? A może hostujesz je u siebie?
Oczywiście większość z nas nie ma w domu klastra GPU. Ale to tylko dlatego, że jest trudno. A to, że coś jest niewygodne, nie znaczy, że nie trzeba tego zrobić. Pionierzy Bitcoina w latach 2009–2013 mieli trudno już z samym kupnem — nie mówiąc o wysyłaniu, płaceniu online, przechowywaniu. Dziś jest o niebo łatwiej: mnóstwo giełd, są nawet sklepy tutaj, w Katowicach, gdzie kupisz Bitcoina osobiście, i karty, którymi zapłacisz nim od ręki. W 2026 roku używanie Bitcoina jest nieporównanie prostsze niż w 2010. Ale pionierzy zrobili swoje, bo sprawa była wystarczająco ważna. I to samo musi się wydarzyć teraz.
Dziś większość ludzi używa ChatGPT, Claude, Perplexity czy Gemini — zamkniętych systemów — i niczego nie hostuje lokalnie. To musi się zmienić. Trzeba zacząć przeznaczać poważne pieniądze i poważny czas na naukę: jak uruchamiać modele lokalnie, czym w ogóle są modele lokalne i modele open source, na czym polega różnica, jaki sprzęt jest najlepszy do inferencji, jak część budżetu skierować na rozwój lokalnego zestawu, jak budować użyteczne przepływy pracy i harnessy — szkielety automatyzacji wokół modelu — na narzędziach słabszych, ale wydajniejszych, jak dotrenować mały model na konkretnym datasecie, żeby był znakomity w jednym zastosowaniu. Tego trzeba się uczyć, a wymówka „trudno jest” nie wystarcza. To po prostu trzeba zrobić.
Badacze w zamkniętych firmach
Rozmówca: Mam wrażenie, że Andrej Karpathy jest teraz w ciekawej pozycji. Jak oceniasz jego sytuację?
David Ondrej: Moim zdaniem trochę zdradził ruch open source. Spójrz na jego GitHub — dosłownie przestał się udzielać w open source w momencie przejścia do Anthropic. Co jest dość szalone. Dołączył, będą mu płacić dziesiątki milionów — może nie co miesiąc, ale co rok na pewno. I nie rozumiem tych topowych badaczy. Wielu powinno spojrzeć w lustro i zobaczyć, co robią. Deklarują: „chcę leczyć choroby, robię to dla nauki” — a pomagają zamkniętym firmom budować supermocny, supercenny zasób, który służy im samym, akcjonariuszom i ostatecznie rządowi USA. Uważają się za tak inteligentnych, a nie wiedzą nic o geopolityce. Są wybitni w jednej dziedzinie — genialni w mnożeniu macierzy i uczeniu maszynowym — ale nie znają historii, realpolityki ani filozofii: Machiavellego, Freuda, Clausewitza. To specjaliści od jednej rzeczy: genialni matematycy, genialni fizycy, genialni badacze AI — ale fatalni politycy, fatalni przywódcy, niegeneraliści, nie polihistorzy. Wielu jest po prostu ślepych na to, co robią: budują system zamknięty, który służy garstce, a nie całej ludzkości. I robią to za dziesiątki milionów. Trzeba to nazwać po imieniu: każdy, kto dołącza do zamkniętej firmy, wyrządza ludzkości niedźwiedzią przysługę — bo mógłby zamiast tego pracować nad projektem open source, edukować resztę i pomagać ludziom wyrównać szanse, zamiast służyć urzędnikom w USA czy Chinach.
Meta, Apple, Nvidia — kto gra po naszej stronie
Rozmówca: To dobry sposób dla firm, które są teraz z tyłu wyścigu, żeby zdobyć trochę dobrej prasy. Jak Llama — nie jest idealna, ale…
David Ondrej: Nie, Meta to fatalny przykład. Dwa lata temu otwierali wszystko, ale najnowszy model — Muse Spark — jest zamknięty. Meta przeszła z najlepszego adwokata open source do kolejnej zamkniętej firmy — i jeszcze nie potrafią tego zrobić dobrze. Nikt nie używa Muse Spark, świat zapomniał o nim dwa dni po premierze. Nie, Meta to okropny przykład i w AI kompletnie do niczego.
Apple to dobry przykład. Wszyscy się z Apple naśmiewali — że jest z tyłu — a Apple ma świetny sprzęt. Wybrali inną drogę, coś jak strategia sprzedawców łopat w gorączce złota: nie publikują własnych modeli AI, ale dostarczają wszystkim narzędzia. Apple to może najlepszy sojusznik — razem z Nvidią. Bo Nvidia też robi dobrą robotę dla open source: ma modele w pełni otwarte, jak Nemotron 3 Ultra — „w pełni otwarty” znaczy, że dostajesz także dane treningowe. Większość modeli „open source” to w rzeczywistości tylko otwarte wagi.
Apple gra więc w dokładnie odwrotną strategię i chcę, żeby wygrało, bo to by znaczyło, że wszystkie zamknięte firmy przegrały. Apple daje ludziom świetny sprzęt w uczciwych cenach. Marże ma zdrowe, ale pakiet jest znakomity — po prostu działa, każdy z iPhone’em czy MacBookiem wie, o co chodzi. A do lokalnego hostowania modeli to najlepsza oferta na rynku. Możesz mieć MacBooka — takiego jak mój, ze 128 GB RAM. Spróbuj tego na windowsowym laptopie — nie da się. A nawet gdybyś zebrał tyle pamięci, nie byłoby to tak wydajne, bo RAM nie jest współdzielony między procesorem a kartą graficzną. Piękno architektury Apple Silicon polega na tym, że GPU może korzystać z całej tej pamięci. Kupujesz mocną kartę Nvidii, np. 5090 — a ona ma tylko 24 albo 32 GB własnej pamięci. RAM w pecie jest bezużyteczny, bo karta sięgać do niego nie może. Na MacBookach z serii M — od M1 do M5 — można użyć całej pamięci, więc uruchomisz lokalnie znacznie większe modele niż na typowym komputerze z Windows przy tej samej jej ilości.
Siri: jak uratować zmarnowany produkt
Rozmówca: Jest zresztą ten znany fragment, gdy Steve Jobs kupował Siri. Pytano, po co mu asystent głosowy, a on odpowiedział, że tak naprawdę kupuje machine learning — czyli AI. Tyle że Apple, dobre w sprzęcie, zupełnie odpadło przy dużych modelach językowych. Weszli wcześnie, mieli sprzęt, talenty, pieniądze i dane — a wszystko zmarnowali. Myślisz, że mają jeszcze szansę odzyskać tron?
David Ondrej: Patrz — wszystko jest możliwe. Siri ma ogromny potencjał, a jest tak zmarnowanym produktem. Siri mogłaby po prostu być tobą idącym ulicą i sterującym telefonem — nie ma żadnego powodu, żeby to nie istniało; tylko powolność i biurokracja. Potrzebny jest ktoś w stylu Elona, kto wejdzie do Apple i zwolni masę ludzi. Kiedy zwalniasz, pozostali się boją i biorą się do roboty. Elon wszedł do Twittera i zwolnił 80% załogi — bo firma traciła pieniądze, ale też dlatego, że większość nic nie robiła: chodzili do biura na darmowe obiady, żartowali, zbierali gadżety. Kompletnie żałosne środowisko — a on to posprzątał i dziś to działająca firma. W Apple trzeba zrobić to samo; nie jest tak źle, ale Siri jest skazana na równi pochyłej. Gdybym był szefem Apple — właśnie zmienili na nowego faceta, ale pewnie powinni dać mnie — wszedłbym do zespołu Siri i zwolnił wszystkich. Potem napisałbym na Twitterze: „Rekrutuję nowy zespół do Siri. Kogo mam zatrudnić?”. Patrzysz na komentarze, widzisz, kogo ludzie oznaczają, i składasz drużynę dwudziestu wybitnych. Tylu nie trzeba, bo jeśli umiesz używać AI — Codexa, Claude’a — możesz zbudować wszystko. Dwudziestu znakomitych programistów, cotygodniowe aktualizacje i w ciągu trzech miesięcy najlepszy produkt głosowy świata.
Trzy kroki na koniec
Rozmówca: Co ludzie mogą zrobić po tym zakazie GPT 5.6 i jak mogą pomóc?
David Ondrej: Dam wam trzy kroki. Wszyscy, którzy to oglądacie — zróbcie to. Dosłownie stawką jest przyszłość ludzkości, a zresztą robicie to dla siebie.
Pierwsze: pobierz model lokalnie. Sprawdź, co udźwignie twój sprzęt, i zacznij używać modelu lokalnie. Nie musisz robić tego codziennie — po prostu go miej. Nie obchodzi mnie, czy to Qwen 3.5 na 4 albo 8 miliardów parametrów — nie musi być wielki. Po prostu ściągnij przynajmniej jeden model AI na komputer i naucz się go używać.
Drugie: podejdź poważnie do wspierania open source — w dowolny sposób. Swoimi danymi, choćby przez open dataset, który — powtarzam — poważnie rozważam zbudować. Albo po prostu przenoś część swoich tokenów do modeli Kimi, MiniMax, GLM, DeepSeek. Przestań wysyłać wszystkie dane do OpenAI i Anthropic. Dokładaj się do open source.
Trzecie: sprzęt. Wszyscy musimy to potraktować poważnie — nie ma innej drogi. Tak jak coraz więcej ludzi montuje panele słoneczne, żeby mieć prąd, gdy ktoś ich odetnie; tak jak własna studnia, ogród, własna żywność. Z AI jest ten sam sposób myślenia — a będzie nawet ważniejszy niż którakolwiek z tych rzeczy. Bo znowu: przenieś się myślami o dwa, trzy, cztery, pięć lat w przyszłość, kiedy AI będzie superinteligentne. Jeśli ktoś wtedy oetnie ci dostęp, jesteś skończony.
To centralny punkt tego nagrania i powód, dla którego wielu ludzi nie pojmuje powagi sytuacji: za pięć lat, jeśli ktoś będzie mógł odebrać ci dostęp do superinteligentnej istoty AI, z którą nie możesz się komunikować, jesteś skończony. Będziesz okaleczony i będziesz niewolnikiem każdego, kto dostęp ma. Jedyną odpowiedzią jest self-hosting. Musisz umieć uruchamiać własne modele — lokalnie, w domu albo w innym miejscu. Musisz wiedzieć, jak to działa: jak prowadzić inferencję, jaki wybrać sprzęt. Może zrobicie to wspólnie z przyjaciółmi, może w firmie, która udostępni ci moc obliczeniową, może jako region czy społeczność — niekoniecznie w sypialni. Ale self-hosting to absolutna odpowiedź. I coraz więcej z nas musi wydawać więcej pieniędzy i czasu na własną niezależność.