O czym jest ten film
- Większość ludzi używa AI do programowania, ale największa przewaga leży gdzie indziej: w analizie wieloletniego zapisu własnego myślenia — zadaniu, którego człowiek sam obiektywnie nie wykona.
- Domyślnym trybem modeli jest zgadzanie się z użytkownikiem; do pracy koncepcyjnej trzeba to odwrócić i świadomie zbudować system niezgody.
- Fundamentem jest „żywe archiwum”: stale rosnący zbiór notatek, nagrań i tekstów, który mapuje, jak myślisz i co cenisz.
- Na jego bazie powstaje „twórcze DNA” — dokument wartości pogłębianych pytaniami AI, aż do rangi osobistej filozofii, gwiazdy przewodniej.
- Archiwum pozwala co pół roku sprawdzać, czy nie dryfujesz od własnej filozofii i czy myślenie się wyostrza, czy matowieje.
- Takie dane trzeba chronić: autor odrzuca Anthropic, OpenAI i Google (trenują na danych użytkowników) i stawia na modele lokalne.
- W ślepym teście (ta sama wiedza i prompty, ocena przez inny model) wygrał GLM 5.2, drugi był rozumujący GPT 5.5, a trzeci — lokalny Qwen 3.6 27B, który w osobistym rankingu autora zajął miejsce drugie.
- GPT 5.5 bez trybu rozumowania okazał się do myślenia strategicznego bezużyteczny (ostatnie miejsce); nadaje się do streszczeń i tłumaczeń. MiniMax M3 pisał „jak kod”.
- O komforcie pracy decyduje tempo generowania tokenów: autorowi potrzebne ponad 50 na sekundę, większości wystarcza około 30; zbyt szybki model kusi do leniwego promptowania.
- Rozsądne minimum sprzętowe to 32 GB RAM; lokalny system jest drogi, ale suwerenny, pracuje 24/7 — a chmura nie będzie tania wiecznie.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Kieruj AI na zadania niemożliwe dla człowieka
Na czym polega: Prawdziwa przewaga AI nie polega na pisaniu kolejnej aplikacji, lecz na analizie zasobu, do którego nikt poza tobą nie ma dostępu — lat własnych przemyśleń. Sam jesteś wobec nich zbyt stronniczy i nie masz czasu, by je przejrzeć; model nie ma tych ograniczeń.
Jak stosować: Zbieraj codziennie materiał (dziennik, notatki głosowe, artykuły), a potem pytaj model o wzorce, powtarzające się błędy, ślepe punkty w myśleniu strategicznym i dryf w stronę ideologii.
Na co uważać: Analiza jest tak dobra, jak zebrane dane — bez kilku miesięcy, a lepiej lat zapisów, model nie ma czego porównywać.
2.Buduj system niezgody, bo domyślny tryb AI to potakiwanie
Na czym polega: Modelom opłaca się zgadzać z użytkownikiem, przez co rozmowa szybko zamienia się w lustro, które umacnia twoje przekonania zamiast je sprawdzać.
Jak stosować: W promptach wprost zlecaj rolę przeciwnika: „uznaj, że ten pomysł jest zły, znajdź najsłabsze ogniwa i atakuj, dopóki nie upadnie albo się nie obroni”. Obrona pomysłu ujawnia ryzyka, o których wcześniej nie myślałeś.
Na co uważać: Na pochlebstwo — jeśli model pisze głównie „genialnie, do dzieła”, zamiast argumentować, zmień model albo polecenie. Im wyższe zajmujesz stanowisko, tym większe ryzyko, że żyjesz w bańce.
3.Prowadź jedno, stale rosnące archiwum myśli
Na czym polega: Pamięć długoterminową modelu budujesz ty, nie producent. Bez uporządkowanego zbioru twoich tekstów i nagrań nawet najlepszy model rozumuje w próżni.
Jak stosować: Wszystko, co wychodzi ci z głowy, kieruj do jednego miejsca. Nagrania głosowe zamieniaj na transkrypcje, a te — za pomocą promptu porządkującego — na dokumenty przechowywane razem z surowcem.
Na co uważać: Przy porządkowaniu nie „ulepszaj” treści. Kruche, niedopracowane pomysły mają zostać zapisane dokładnie takie, jakie były. I pilnuj, by cały zasób fizycznie pozostał na twoim sprzęcie.
4.Spisz „twórcze DNA” i wypracuj gwiazdę przewodnią
Na czym polega: Osobny dokument, w którym model — zadając coraz głębsze pytania — pomaga zamienić ogólnikowe wartości w spójną osobistą filozofię: kim jestem, dokąd zmierzam.
Jak stosować: Najpierw oddaj modelowi wszystko, co masz, i poproś o wskazanie luk. Potem pozwól mu cię „przesłuchiwać”: do każdej wartości dopisz konkretne sytuacje, w których naprawdę ją stosujesz.
Na co uważać: Wartość bez przykładów pozostaje hasłem. „Miłuję wszystkich” nic nie znaczy, dopóki nie opiszesz, jak przekłada się na decyzje.
5.Co kilka miesięcy rób przegląd dryfu
Na czym polega: Archiwum pozwala sprawdzać w czasie, czy nie odchodzisz od własnej filozofii — takiej analizy nie zastąpi pamięć.
Jak stosować: Pytaj wprost: „Porównaj moje ostatnie pół roku z moją filozofią. Czy dryfuję? Czy jest lepiej? Czy jestem bardziej zestresowany, czy myślę jaśniej?”
Na co uważać: Krótkie okresy mówią mało — sensowny trend widać dopiero na dłuższym horyzoncie. Nie wyciągaj daleko idących wniosków z kilku notatek.
6.Intymnych danych nie powierzaj wielkim chmurom
Na czym polega: Zbiór wieloletnich przemyśleń to jeden z najcenniejszych zasobów, jakie masz. Anthropic, OpenAI i Google trenują na danych użytkowników — autor wyklucza ich z tej pracy z automatu.
Jak stosować: Wybieraj modele lokalne albo usługi deklarujące, że nie trenują na twoich danych (autorski wybór chmurowy: GLM 5.2). Model klasy 27 mld parametrów uruchomisz na sprzęcie z 24–32 GB RAM.
Na co uważać: Deklaracje producentów musisz przyjąć na zaufanie — „nigdy nie wiesz”. Bez własnej kopii danych żadna obietnica nie jest warta wiele.
7.Do pracy koncepcyjnej wybieraj model po jakości pisania i rozumowania
Na czym polega: Najwięksi producenci optymalizują modele pod kod i agentów; ich styl — listy, sztywne struktury — słabo nadaje się do myślenia strategicznego. W teście autora najlepiej pisał GLM 5.2: tani i o otwartych wagach.
Jak stosować: Przetestuj kandydatów na własnym materiale: ten sam prompt, ta sama wiedza, porównanie odpowiedzi. Przy częstej pracy na dużych zbiorach licz też cenę — drogi model zniechęca do korzystania.
Na co uważać: Model, który chce się przypodobać (w teście autora GPT 5.5 bez rozumowania — ostatnie miejsce), do streszczeń się nada, do strategii nie. Uważaj też na odpowiedzi „jak kod” — dobre do wklejenia, złe do czytania.
8.Porównuj modele na ślepo
Na czym polega: Rzetelny test wymaga usunięcia nazwisk: ta sama wiedza i prompt dla wszystkich, a ocenia ktoś, kto nie wie, czyją odpowiedź czyta — drugi model albo ty sam.
Jak stosować: Zbierz odpowiedzi, przekaż je innemu modelowi do oceny jakości rozumowania, a potem przeczytaj sam i ułóż własny ranking. Rozjazd między rankingami jest sam w sobie pouczający.
Na co uważać: Sędzia-AI i ty możecie się różnić (Qwen 3.6 27B: trzeci u sędziego, drugi w ocenie autora). Jeden test to jeden punkt danych — powtórz go na innych zadaniach.
9.Dopasuj prędkość modelu do własnego rytmu myślenia
Na czym polega: Tempo generowania tokenów decyduje o komforcie: przy zbyt wolnym modelu tracisz koncentrację i nitkę myśli. Próg jest indywidualny — autorowi trzeba ponad 50 tokenów na sekundę, większości wystarcza około 30.
Jak stosować: Zmierz, przy jakim tempie przestajesz śledzić odpowiedź, i dobierz sprzęt pod ten próg. O prędkości decyduje głównie przepustowość pamięci, nie sama jej pojemność.
Na co uważać: Zbyt szybki model sprzyja lenistwu: „wylosuję kolejny prompt, aż będzie dobrze”. Zamiast kręcić jednorękim bandytą, zainwestuj w porządnie napisane polecenie. I nie myśl, że szybciej znaczy mądrzej.
10.Policz całość: własność kontra wygoda chmury
Na czym polega: W czystym biznesplanie drogi lokalny sprzęt przegrywa z tanią chmurą — ale chmura nie będzie tania wiecznie, a dostawca może odciąć dostęp, kiedy zechce. System lokalny jest twój, pracuje 24/7 i po zakupie nic nie kosztuje.
Jak stosować: Do rachunku wlicz prywatność, niezależność i całodobową pracę modelu, nie tylko cenę za token. Sprzęt dodatkowo zyskuje, bo małe modele co kilka miesięcy robią się lepsze bez zmiany liczby parametrów.
Na co uważać: Poniżej 32 GB RAM wpadasz w nadmierną kwantyzację i krótki kontekst. Nie kupuj w ciemno — zrób własny rachunek pod swoje zadania.
Redakcyjne tłumaczenie
AI do myślenia, nie tylko do kodu
Większość ludzi używa dziś sztucznej inteligencji do programowania. Sam pomysł jest dobry: zbuduj własny biznes, stwórz aplikację, zaprojektuj grę. Nie musisz być programistą, żeby uruchomić kolejny serwis typu SaaS. Widzieliśmy to już, to działa — do pewnego poziomu — i każdy może tę drogę spróbować.
Jest jednak klasa zadań, w których AI robi coś, czego nie zrobi żaden człowiek. Oprogramowanie potrafi napisać inżynier; ale są rzeczy, na które stać sztuczną inteligencję, a na które nie stać nas. I właśnie z nich powinna korzystać większość z nas — bo większość z nas nie jest programistami. To tu wszystko się zmienia.
Za chwilę wyjaśnię też, jaka architektura jest potrzebna, bo to da się zrobić w chmurze albo na własnym sprzęcie — a wersja lokalna ma poważną przewagę.
Powierz modelowi własny umysł
O co konkretnie chodzi? AI to niesamowite narzędzie do przetwarzania ogromnych ilości danych. Co się więc stanie, jeśli podamy mu nasze najbardziej prywatne przemyślenia i poprosimy o informację zwrotną: jak pracuje nasz umysł, jak błądzi między pomysłami?
Ma to ogromne znaczenie, bo nikt inny nigdy nie zdobędzie dostępu do takiego zasobu. Jesteśmy jego jedynymi właścicielami. Sami natomiast nie umiemy go przeanalizować — to zbyt czasochłonne, a do tego jesteśmy wobec siebie panicznie stronniczy. Gdy jednak przekażemy te dane AI, model może w nich odnaleźć wzorce, dostrzec ślepe punkty, wskazać braki w myśleniu strategicznym albo wychwycić moment, w którym zaczynamy dryfować ku ideologii zmieniającej bieg całego życia. To wszystko jest możliwe, bo mamy do oddania dane zbierane latami.
Żeby je mieć, trzeba je najpierw gromadzić. Jedni prowadzą dziennik, inni zostawiają ślad w mediach społecznościowych; ktoś od lat publikuje bloga i dzieli się wiedzą. Chodzi o to, by ten materiał wyłapywać, porządkować, a potem przekazywać AI — serią przemyślanych promptów. Nie będę tu rozpisywał się o samych promptach: w opisie filmu zostawiam link do długiego artykułu na Substackie, który rozwija temat od podstaw — zawiera konkretne polecenia i opis architektury.
Zgoda buduje bańkę — trzeba więc zaprojektować spór
Spójrzmy na całość z lotu ptaka. Zadaniem większości modeli jest zgadzanie się z nami. Musimy zatem zbudować system, który wytwarza niezgodę.
Dlaczego to takie ważne? Jeśli zacznę rozmawiać z AI, a ono stanie się lustrem odsyłającym mi moje własne myśli, dostanę narzędzie, które umacnia bańkę. Najpierw bańka powstaje, bo widzę w modelu siebie, a potem się zamyka, bo AI nieustannie powtarza: „Jesteś świetny, to niesamowite, na pewno się uda, róbmy to razem”. I tak zaczynam w niej żyć.
Naszym zadaniem jest te bańki rozbijać. Każdy z nas w jakiejś żyje — patrzymy na wszechświat własnymi oczami, czujemy świat własnymi zmysłami, nie wiemy nawet, czy cokolwiek poza nami istnieje naprawdę. W pewnym sensie wszystko jest więc naszą bańką. Pytanie brzmi: jak duża jest ta bańka? Jak ją poszerzyć, żeby jej granice nas nie dusiły? Tego nie da się zrobić inaczej niż nieustannie rozsadzając bańkę, którą sami nad sobą budujemy. Jeśli do tego dołoży się AI, które bańkę wzmacnia, wyjście na zewnątrz staje się z każdą rozmową trudniejsze.
Najbardziej narażeni są ludzie na stanowiskach. Wszyscy się z nimi zgadzają, wszyscy powtarzają: „Cudownie, na pewno się uda”. Tym bardziej potrzebują narzędzia, które pomoże im się wydostać. I właśnie temu służy świadomie zaprojektowana niezgoda.
Potrzebujesz systemu, który wystawia cię na próbę. Wyobraź sobie, że masz świetny pomysł na biznes. Piękny, wszystkim się podoba, tobie też, a nawet AI widzi w nim potencjał. Skąd jednak wiesz, że nie ma w nim ślepych punktów? Że nie da się go lepiej ułożyć pod inny cel? Potrzebujesz czegoś, co podważy konstrukcję, którą budujesz. Coś bezlitosnego, co tylko próbuje ją rozwalić — rzuci na pomysł całą siłę, żeby okazał się nieużyteczny, bo po prostu nie jest dobry. Dajesz temu systemowi ogromną władzę, a potem musisz się bronić.
AI atakuje każdy element pomysłu, testuje każdą słabość, wykorzystuje wszystko, czego nie przemyślałeś do końca. Zadaje pytania i stawia cię w scenariuszach, w których pomysł ma się sprawdzić. A kiedy zaczynasz nad tym pracować i mierzyć się z tą rzeczywistością, pomysł się umacnia. Wychodzisz z tego z dużo wyraźniejszym obrazem wyzwań, ryzyk i ślepych punktów, których nie widziałeś — oraz okazji, których nie brałeś pod uwagę.
Kontrargumentator, którego nie zatrudnisz
Taka praca nie przychodzi łatwo i trudno ją u kogoś znaleźć. Chyba że zapłacisz komuś, żeby przeanalizował cały twój biznes i wcielił się w rolę zawodowego przeciwnika — inaczej się nie stanie. Nikt nie ma czasu przejrzeć całej twojej historii: biznesplanów, projektów, pomysłów, filozofii, wartości. I nikt nie ma energii, by podnosić ci poprzeczkę na tym poziomie.
A właśnie tutaj AI daje nam coś, czego nie da nic innego. To sposób użycia sztucznej inteligencji do myślenia i strategii na najwyższym poziomie — dla prezesa firmy, filozofa, twórcy, innowatora. Każdy może tak AI używać. I jest to dokładne przeciwieństwo zastępowania człowieka: to nie system zoptymalizowany po to, by myśleć za ciebie, lecz po to, by twoje myślenie wystawiać na próbę. Dzięki temu stajesz się bystrzejszy, a twoje pomysły lepsze. To jest AI, którego potrzebujemy: AI rzemieślnika — takie, które wzmaga i rozszerza sposób, w jaki myślisz, które pomnaża twoje możliwości.
Żywe archiwum i „twórcze DNA”
Jak to osiągnąć? Kilka elementów ma kluczowe znaczenie. Pierwszy: musisz gromadzić dane. Musi istnieć jedno miejsce, do którego wszystko spływa. Zaraz podpowiem, jakiego oprogramowania i strategii użyć, ale najpierw zrozummy ideę: potrzebujesz żywego archiwum — zasobu, który nieustannie rośnie i do którego trafiają wszystkie twoje dane.
To może być wszystko, zależnie od rodzaju pracy — byle pochodziło z twojej głowy, bo właśnie to próbujesz zmapować: jak myślisz, co jest dla ciebie ważne.
Warto też tworzyć osobne dokumenty. Nazywam je twórczym DNA. Wykorzystujesz w nich model do zadawania serii pytań i stopniowego mapowania twoich wartości oraz poglądów. Moja metoda: najpierw oddajesz AI wszystko, co masz, i pytasz o ślepe strefy — rzeczy, których model potrzebuje, by rozumieć cię lepiej. Wtedy to AI zaczyna pytać ciebie.
Przykład: deklarujesz trzy wartości. Dopóki nie wyjaśnisz, jak je stosujesz, pozostają teorią. „Moją wartością jest miłowanie wszystkich” — pięknie, ale to tylko hasło. Dopiero konkretne przykłady i coraz głębsze pytania robią z tego coś naprawdę zdefiniowanego. Po takiej pracy masz coś w rodzaju osobistej filozofii — swoją gwiazdę przewodnią, która mówi: taki jestem, tam zmierzam, to moja droga. A gdy to już masz, z czasem możesz pytać model: „Sprawdź moje ostatnie pół roku. Czy odszedłem od pierwotnej filozofii? Czy się gdzieś przesuwam? Czy jest lepiej? Czy jestem bardziej zestresowany? Czy myślę jaśniej?”
Analiza intelektualnych danych rozłożonych w czasie potrafi zrobić gigantyczną różnicę.
Najcenniejszy zasób wymaga ochrony
Te dane są bezcenne — i trudne do zebrania, bo wymagają strategii. Ale trzeba je też chronić. Nie chcesz, by ktokolwiek nimi władał czy je czytał. Jak więc pracować na nich z AI, nie dając nikomu dostępu?
Najlepiej lokalnie. Wiem, co usłyszę: „lokalne modele są za słabe do czegoś takiego”. I tu mam dobrą wiadomość, bo eksperymentuję z tym od miesięcy.
Sam zbieram dane od ponad roku — a właściwie w moim systemie mam ponad cztery lata zapisów mojego myślenia i teorii. Rozwinąłem w tym czasie własne filozofie: dotyczącą AI, dotyczącą zbiorowości i moją własną — częściowo się przenikają. Codziennie nagrywam na dyktafon swoje rozmyślanie, co najmniej godzinę. To ja, myślący na głos; nagrania przekazuję potem AI. Moje filmy na YouTube to inna forma myślenia na głos. Do tego artykuły — od czterech lat piszę pogłębione teksty o AI. Czyli danych, które przekazałem modelom, jest mnóstwo.
Większość z nich jest publiczna: YouTube, artykuły. Ale część — najgłębsze przemyślenia z nagrań — publiczna nie jest. Jak sobie z tym radzę? Mam protokół: nagranie zamieniam na transkrypcję, a transkrypcję porządkuje odpowiedni prompt. Układa moje myśli w strukturę, robi porządki — ale bez zmieniania czy „ulepszania” znaczenia. Chodzi o to, by przytrzymać kruche pomysły. Nie muszą być dopracowane; muszą po prostu istnieć.
Tak powstałe dokumenty zapisuję razem z surowymi nagraniami w żywym archiwum. A archiwum zostaje w moim komputerze. Kto ma do niego dostęp? Wyłącznie mój lokalny model. To jedyna naprawdę bezpieczna droga. Testowałem przy okazji różne modele, czasem chmurowe — bo chciałem widzieć różnicę.
Chmura: GLM 5.2
Jaki z tego wniosek na dziś? Są dwie znakomite opcje: jedna chmurowa, druga lokalna.
Najpierw chmura. Swoich danych nie oddam Anthropicowi, OpenAI ani Google. Zaufania do nich nie ma za wiele — wszyscy będą trenować na twoich danych. Istnieją za to usługi, które deklarują, że na twoich danych nie trenują. Trzeba im po prostu uwierzyć, bo pewności nigdy nie ma — ale takie opcje są. I spośród nich modelem, którego bym użył, jest GLM 5.2.
(Informacja dodatkowa: GLM to rodzina modeli chińskiej firmy Zhipu AI, a Qwen, o którym za chwilę — koncernu Alibaba; oba udostępniane są z otwartymi wagami.)
Przeprowadziłem prawdziwe testy, porównując różne modele właśnie pod kątem takiej pracy. I GLM 5.2 jest niesamowity. Lepszy niż najmocniejsze modele rynku. Ci giganci są dziś ekstremalnie zoptymalizowani pod kątem kodu — sposób, w jaki piszą, po prostu nie czyta się przyjemnie, a już szczególnie nie przy myśleniu wysokopoziomowym. GLM 5.2 wypadł znakomicie, a do tego jest wielokrotnie tańszy. To ważne, bo praca na dużych zbiorach wymaga częstego odpytywania modelu — potrzebujesz narzędzia, którego używasz bez wahania, a nie takiego, przy którym za każdym razem liczysz, czy cię stać.
Lokalnie: Qwen 3.6 27B
Prawdziwym zaskoczeniem okazało się coś innego: znalazłem model lokalny, który radzi sobie z tą pracą porównywalnie — i to tak dobrze, że trudno mi uwierzyć, że to w ogóle możliwe. To Qwen 3.6 w wersji 27-miliardowej. Model, który z założenia służy głównie do kodowania i pracy agentskiej, a analizuje problemy i pisze znakomicie.
Do tego jest tak mały, że uruchomisz go na wielu komputerach. Nie na najtańszych — ale na sporej części MacBooków Pro, może nawet Air; każda maszyna z 24–35 GB RAM powinna udźwignąć skwantyzowaną wersję. Większość komputerów Apple ten poziom osiąga. Podobnie pecet do gier z 24 GB RAM lub więcej.
Tempo pracy, czyli tokeny na sekundę
Pojawia się jednak problem prędkości. Im mocniejszy sprzęt, tym więcej tokenów na sekundę — a to tempo naprawdę ma znaczenie, bo wyznacza rytm, w jakym ty pracujesz z modelem. Gdy jest zbyt wolno, zaczynasz się frustrować i rozpraszać, tracisz nitkę rozmowy. W idealnym przypadku model powinien jakoś nadążać za tempem twojego myślenia.
Nie znaczy to, że szybciej myśleć jest lepiej — nie musisz się z nikim ścigać. Chodzi o to, żebyś siadł do maszyny i pracował w rytmie, który jest dla ciebie wygodny. Wtedy się nie rozpraszasz, zostajesz skupiony, możesz wejść głębiej. U mnie wyszło, że potrzebuję ponad 50 tokenów na sekundę; poniżej tego progu zaczynam się irytować. Przy 30 dam radę, przy niższych też — ale jeśli system ma dla mnie pracować codziennie, musi trzymać ponad 50. To moje wymaganie. Większość ludzi przy 30 tokenach na sekundę czuje się całkowicie komfortowo, a wielu pracuje jeszcze wolniej. Są i tacy jak ja, którym trzeba więcej.
Mówię to dlatego, że zbyt wiele dyskutuje się o „właściwej” prędkości. Właściwej nie ma — jest prędkość, która musi pasować do ciebie. Zbyt duża nigdy nie szkodzi: kiedy model jest bardzo szybki, to on czeka na ciebie, a nie ty na niego.
Pułapka szybkiego modelu
Jest jeszcze jedna pułapka — ostrzegam, żebyś w nią nie wpadł. Bardzo szybki model rodzi pokusę: „po co dobrze formułować polecenia, skoro mogę po prostu odpytać jeszcze raz”. To bardzo ludzka skłonność — jesteśmy strasznie leniwi. Zaczynamy kręcić jak jednorękim bandytą: prompt, patrzę — dobre, biorę; nie — kręcę jeszcze raz, aż wypadnie coś, co mi się spodoba. Tego sposobu myślenia trzeba unikać. Trzeba planować, pracować porządnie i docierać do celu naprawdę dobrym promptem.
Model bez twojej wiedzy jest niczym
Wspomniałem o żywym archiwum, czyli o pamięci długoterminowej. Dlaczego to takie ważne? Sam model, choćby najpotężniejszy, jest niczym, dopóki nie ma twojej wiedzy. W chwili, gdy mu ją przekazujesz, AI zaczyna rozumować wewnątrz twojego systemu — i to, co ci mówi, nabiera sensu. Właśnie wtedy wszystko się zmienia.
Skoro nie możesz ufać OpenAI i Anthropicowi, nie użyjesz do tego rodzaju myślenia Claude’a ani GPT 5.5. Dzielenie się osobistymi, intymnymi danymi z tymi maszynami — i to na dużą skalę — byłoby po prostu nierozsądne. Te modele mogą być tak potężne, jak chcą, a i tak nie zrobią pracy, którą zrobi mniejszy i tańszy model na twoim komputerze. Bo tam masz zaufanie do systemu i ogrom wiedzy — a wtedy jakość wyników jest niesamowita.
Test: ta sama wiedza, te same prompty, ślepy sędzia
Jak testowałem? Przekazałem modelom sporo wiedzy — różnych jej rodzajów. Najpierw gigantom: GPT 5.5, Gemini i innym. Potem MiniMax M3 i GLM 5.2. A lokalnie: Qwen 3.6 27B oraz wersję 35B z trzema miliardami aktywnych parametrów. I powiem szczerze: Qwen 3.6 27B był znakomity — w moim osobistym rankingu stawiam go na drugim miejscu, a na pierwszym GLM 5.2.
Bez upiększania wyników: dokładnie ten sam prompt i ta sama wiedza dla wszystkich. Modele zwracały odpowiedzi, ja przekazywałem je innemu AI z prośbą o ocenę jakości rozumowania. Na tej podstawie ułożyłem odpowiedzi w kolejności, a potem zrobiłem własny układ. Według modelu-sędziego pierwszy był GLM 5.2, drugi GPT 5.5 w trybie rozumowania — bo bez niego jest po prostu bezużyteczny; w moim eksperymencie wersja bez rozumowania zajęła ostatnie miejsce jako najmniej inteligentna. Trzeci był Qwen 3.6 27B.
Przypominam: sędzia nie wiedział, czyją pracę ocenia. Dostał same teksty i miał je porównać, wskazując, która odpowiedź oferuje myślenie wysokopoziomowe i strategiczne. Ale gdy czytałem jako człowiek, Qwen 3.6 27B postawiłbym na drugim miejscu. Pomyśl, co to znaczy: model 27-miliardowy obok GPT 5.5, który ma pewnie dwa–trzy biliony parametrów, i GLM 5.2 — około 750 miliardów. Dwa modele, które zwyciężyły w ocenie sędziego i w mojej, to modele open source. Dla AI były pierwszy i trzeci, dla mnie — pierwszy i drugi. To naprawdę ciekawe.
Dlaczego gigantom nie wyszło? W tej konkretnej pracy nie chcesz modelu, który się podlizuje. Nie chcesz wyniku w postaci listy punktów. Potrzebujesz partnera do rozumowania: żeby analizował, planował, schodził głębiej i ci się sprzeciwiał. GPT 5.5 bez trybu rozumowania chciał się tylko przypodobać — odpowiedź była kompletnie nieużyteczna, zero. Do streszczenia? Świetnie, szybkie, i tłumaczenia świetne. Ale do złożonego myślenia — cienko. Wersja rozumująca też pisała zbyt sztywno i interakcja z nią była uciążliwa.
Podobnie — a właściwie jeszcze gorzej — wypadł MiniMax M3: jakość była, ale pisał jak kod. Jego wywody trzeba było przenosić w środowisko, które kodem nie jest — mniej usztywnione, bardziej płynne, bardziej ludzkie. GLM zrobił świetną robotę. A ja zrozumiałem, że Qwen 3.6 27B po prostu wystarcza.
To moment przełomowy, bo od lat zadajemy sobie pytanie: drobny model obok wielkich — czy wystarczy? Na dziś mogę powiedzieć, że osobiście zamierzam inwestować w tym kierunku.
Suwerenny system kontra inteligentniejszy
Suwerenny system — taki, któremu mogę zaufać z danymi osobistymi — już samym tym wygrywa z inteligentniejszym systemem, który nic o mnie nie wie. Modele trenujące na twoich danych budują twój profil; nie mogą mieć dostępu do tak złożonej wiedzy o tobie, więc same z siebie odpadają z tej gry. Mogą być lepsze? Nawet jeśli — bez znaczenia. Po pierwsze, moim zdaniem lepsze nie były. Po drugie, po prostu nie nadają się do tej pracy.
Sprzęt: pamięć, przepustowość, cena
Fakt, że da się to uruchomić lokalnie, wymaga jednak chwili namysłu, bo to nie jest tanie. Dla wielu osób osiągalne i warte inwestycji — ale nie tanie. Jaki sprzęt?
Najlepiej mieć przynajmniej 32 GB RAM. Na 24 też się da, ale wpadasz w nadmierną kwantyzację i krótkie okno kontekstu. 32 GB to najlepszy punkt. Taka pamięć występuje w dwóch wariantach. Zunifikowana — taka jest w DGX Spark i podobna do tej w komputerach Apple; za kilka miesięcy mają się też pojawić nowe układy RTX dla maszyn z Windows. I pamięć karty graficznej — VRAM: każdy mocniejszy gamingowy pecet z 24 lub 32 GB uruchomi ten model, a karty graficzne wyciągają go szybciej.
(Informacja dodatkowa: DGX Spark to miniaturowy komputer NVIDII zaprojektowany specjalnie do lokalnego uruchamiania modeli AI.)
Weź Maca Studio M3 Ultra — dziś najmocniejszy system Apple do AI. Piętnaście tysięcy dolarów, cena powala. A osiąga prędkość karty graficznej średniej klasy do gier. RTX 5090 od Nvidii: 32 GB pamięci, ekstremalnie szybka, ponad dwukrotnie szybsza od Maca Studio. To zasługa przepustowości pamięci, od której zależy tempo generowania tokenów. Wszystko więc zależy od tego, przy jakiej prędkości ty czujesz się komfortowo. Jeśli należysz do szczęśliwców, którzy pracują w wolniejszym tempie — oszczędzasz. Jeśli potrzebujesz prędkości — to sprawa twoja, nie ma tu dobrych i złych odpowiedzi — niestety będziesz musiał wydać więcej. Taka prawda.
Sam mam odpowiednik DGX Spark — ASUS-a GX10. Piękna maszyna, 128 GB zunifikowanej pamięci: mogę wczytać praktycznie wszystko, w tym tego 27-miliardowego Qwena. Jedyny problem: działa u mnie z prędkością 10–12 tokenów na sekundę. Widziałem w internecie, że niektórzy — nie wiem jak, muszę się nauczyć — wyciągają 20, czyli dwukrotnie więcej. I tak daleko mi do tego, czego potrzebuję do komfortu.
Używam więc na co dzień innego modelu: Qwen 3.6 35B z zaledwie trzema miliardami aktywnych parametrów. Skoro aktywnych parametrów jest mało, jest i szybkość: średnio około 60 tokenów na sekundę — bywa 50, bywa i 70, zależnie od długości kontekstu i tego, co akurat robi. Pracuje się przy tym przyjemnie. Problem w tym, że ta wersja nie dorównuje jakością 27B. I to jest ból, w którym żyjemy.
(Informacja dodatkowa: to model typu „mieszanka ekspertów” — ma 35 mld parametrów łącznie, ale w każdym kroku aktywnych jest tylko około 3 mld; stąd duża prędkość kosztem części jakości.)
Jest firma, która — tak zrozumiałem — dostroiła ten właśnie model. Nazywa się Orni i udało jej się go ulepszyć. Nie miałem okazji go sprawdzić, a z tego, co wiem, prace szły głównie pod kodowanie. Mimo wszystko warto zajrzeć: może ta nowa wersja będzie dobra także do myślenia strategicznego.
Trend na korzyść małych modeli
Widzę to tak: z każdym miesiącem małe modele robią się inteligentniejsze przy niezmiennej liczbie parametrów — odpowiedzi z rozumowania są coraz lepsze. Gdy kupowałem swój sprzęt, miałem dostęp do określonych modeli. Trzy, cztery miesiące później — do zupełnie nowych, dużo lepszych. Ta sama maszyna zyskuje na wartości, bo coraz więcej z niej wyciągam.
Nie mówię, że masz teraz wydać dziesięć tysięcy dolarów na wymarzony komputer. Zrób własny rachunek. Mówię tylko, że przewaga lokalnych modeli jest dziś realna, a wyniki — niesamowite. Do tego dochodzi coś, czego nie wycenisz samymi pieniędzmi: system w pełni twój, w pełni prywatny, pod twoją kontrolą — i pracujący 24 godziny na dobę. Możesz w tym czasie robić pracę intelektualną, a gdy jej nie masz — kodować, eksperymentować, generować obrazy. AI pracujące dla ciebie na okrągło, za darmo. Raz kupione — darmowe na zawsze. Zapamiętaj: to twoje. Może pracować dla ciebie bez końca.
Ostatni rachunek: własność kontra wygoda
Na koniec: zrób wokół tego biznesplan, a zobaczysz, że finansowo trudno obronić tak drogą maszynę, skoro chmura jest tania. To pewnego rodzaju iluzja. Chmura nie będzie tania wiecznie. Nie możesz ufać firmom, które mogą ci zabrać dostęp do ich agentów, kiedy im się podoba — a wtedy siedzisz w architekturze, której nie kontrolujesz. Prawdą jest, że dziś rachunek wypada na niekorzyść lokalnej maszyny — ale miej to z tyłu głowy: na czymś, co posiadasz i kontrolujesz, możesz zbudować biznes. Na czymś, co kontroluje kto inny — twój biznes jest w poważnym niebezpieczeństwie. Nie masz pewności, że to, co budujesz, będzie jutro w zasięgu finansowym i w ogóle zadziała.
Zaproszenie do społeczności
Jeśli dotarłeś aż tu — jesteś jednym z nas. Jest społeczność 1700 osób, która rośnie każdego dnia. Uczymy się od siebie, dzielimy się projektami, budujemy razem. Od poniedziałku do piątku mamy spotkania: rozmawiamy o AI, przeprowadzamy mikrohackathony, a czasem członkowie prezentują swoje projekty. Jeśli cię to interesuje — link do serwera Discord znajdziesz w opisie. Chętnie cię tam zobaczę. Dzięki, że wytrwałeś do końca. Zostaw łapkę, zasubskrybuj kanał i obejrzyj kolejny film. Cześć!