Wszyscy patrzą na jeden wyścig, choć w rzeczywistości jest ich więcej. Sam prezydent USA Donald Trump ("jesteśmy zdecydowanie przed Chinami"), jego najwyżsi urzędnicy ("USA nie mogą przegrać z Chinami wyścigu zbrojeń w dziedzinie sztucznej inteligencji" - sekretarz spraw wewnętrznych Doug Burgum) opisują relacje pomiędzy obydwoma mocarstwami jak rajd TIR-ów na autostradzie. W ten sposób amerykański rząd uzasadnia dążenie do zwiększenia produkcji energii i ograniczenia regulacji branży AI. Badacze z ośrodka Brookings Institutions pokazują jednak, że USA i Chiny wyraźnie różnią się w podejściu do sztucznej inteligencji. Startują w innych wyścigach.
- Wyścig AI nie jest już tylko rywalizacją między firmami i startupami. To rywalizacja między narodami o globalną władzę i wpływy. To rywalizacja między USA a Chinami o to, kto ukształtuje najważniejszą technologię XXI wieku i ma potencjał, by zmienić globalną politykę - powiedział Kyle Chan, badacz polityki zagranicznej w Thornton China Center przy ośrodku badawczym Brookings Institutions, w podkaście opublikowanym na stronach Brookings.
Wiadomo było, że amerykańscy giganci technologiczni są górą, aż na początku 2025 roku chiński startup pokazał swój model językowy DeepSeek-R, porównywalny w efektywności z ówczesnym królem sztucznej inteligencji Chatem GPT-4. Okazało się też, że wytrenowany został kosztem 6, a nie 100 mln dolarów, które w 2023 roku pochłonęła najnowsza wtedy wersja Chata. DeepSeek dodał, że zużywa ok. jednej dziesiątej mocy obliczeniowej pochłanianej przez porównywalne modele. Na gigantów technologicznych padł blady strach.
W Ameryce pojawiły się pytania - ale czy to naprawdę jest takie dobre, niemal równie dobre jak nasze? Skoro Chiny nie mają dostępu do najnowszych chipów, a ich centra danych są jak chałupy przykryte strzechą przy naszych. Padały oskarżenia - być może nie bezpodstawne - że Chińczycy uzyskują te rezultaty dzięki destylacji. Destylacja to wykorzystanie bardziej zaawansowanego modelu i jego wyników do wyszkolenia modelu słabszego.
- (…) Chińskie laboratoria AI posiadają fundamentalną zdolność, która pozwala im być konkurencyjnymi w porównaniu z modelami amerykańskimi - mówi Kyle Chan.
Otwarte i zamknięte modele LLM
Teraz wszystko jest jasne - chińskie firmy poszły tą samą ścieżką, co DeepSeek i do tej pory "wyprodukowały" ok. piętnastu zaawansowanych modeli. Wśród nich są najbardziej potężne, jak GLM 5.2 firmy Zhipu AI (z.ai.), Kimi K3 firmy Moonshot AI, Qwen3.8-Max czy Qwen3.8-27B opracowane przez Alibaba Cloud. Oceniane są przez specjalistów na 90-95 proc. możliwości, jakie dają Chat GPT-5,5 Open AI czy Claude Mythos firmy Anthropic. I co więcej - są coraz bardziej popularne na całym świecie. Także w USA.
Dlaczego? Oczywiście liczy się cena. Chińskie modele kosztują ułamek ceny, którą żądają Open AI, Anthropic czy inni giganci. Ale dlaczego jest tak tanio? Bo chińskie startupy podeszły zupełnie inaczej do sztucznej inteligencji niż amerykańskie firmy technologiczne.
Po pierwsze, znaczna część tych modeli zbudowana jest na otwartym kodzie źródłowym (open source). To taka różnica, jak pomiędzy systemem operacyjnym Linux a Microsoft. Model można pobrać, uruchomić na własnym komputerze lub na platformie chmurowej. Dzięki temu dostęp jest bezpłatny lub ceny są znacznie niższe. Mając dostęp do kodu źródłowego, można modyfikować sam model, a także dostosować go do swoich potrzeb i danych.
Co więcej - i być może jest to jeszcze ważniejsze - chińskie modele mają otwarte wagi (open-weight). To znaczy, że użytkownik modelu może dowiedzieć się, jakie są parametry sieci neuronowej, jak została wyuczona, jak przebiegają wnioskowania i dlaczego. Te wagi można pobrać, używać ich na własnym sprzęcie, także w całkowicie zamkniętym środowisku, by nikt nie miał dostępu do naszych danych. W końcu - wagi można też modyfikować, gdy ktoś zauważy pewną nadwagę albo bias. I to właśnie przesądza o popularności chińskich modeli.
- Wyścig AI zapowiada się na coś więcej niż tylko większe i lepsze modele. To walka o dostęp, modele otwarte kontra zamknięte - mówi Kyle Chan.
- Modele open source lub modele o otwartej wadze to modele, które można bezpłatnie pobrać online i dostosować do własnych danych. To oznacza nie tylko niższe ceny modeli, ale także większą kontrolę nad tym, do czego można je wykorzystać - dodaje.
"To zaczyna podważać logikę biznesową"
W polskich korporacjach korzystanie z zamkniętych modeli AI urasta już do rangi problemu. Po pierwsze - koszty. Pracownicy dostają tokeny (płaci się nimi za używanie modelu) na miesiąc i przepalają je w ciągu kilku dni. Stają w kolejce po kolejne. Po drugie - bezpieczeństwo danych. Sprzedawca, który ma oddać miesięczny raport, zamiast męczyć się z wprowadzaniem danych do Excela, wrzuca je do AI. I nikt nie ma pewności, z jakiej AI korzysta, czy jego konto jest bezpieczne i kto z tych danych będzie jeszcze korzystał.
Za modele zamknięte się płaci - na przykład wykupując miesięczną subskrypcję albo wnosząc opłaty za użytkowanie API, czyli aplikacji służącej dostępowi do modelu.
- Oznacza to, że często zyskujesz bardziej zaawansowane możliwości, ale po znacznie wyższych kosztach, a dane te ostatecznie trafiają do firm, które obsługują dany model - mówi Kyle Chan.
Dlatego chińska strategia open source pozwoliła chińskim modelom, choć generalnie pozostają w tyle za najlepszymi amerykańskimi, uzyskać szeroką adopcję i globalny zasięg.
"Podczas gdy tak zwana wspaniała siódemka amerykańskich gigantów technologicznych wraz z administracją Trumpa koncentruje się na budowaniu najbardziej zaawansowanego modelu sztucznej inteligencji, Chiny tworzą coś innego: ekosystem wystarczająco dobrych modeli open source, które być może stały się już globalnymi standardami" - napisała Agathe Demarais na stronach "Foreign Policy".
A równocześnie chińska strategia podważa model biznesowy amerykańskich gigantów. Według wyliczeń "The Economist" w zeszłym roku największe amerykańskie firmy technologiczne, w tym Amazon, Google i Microsoft, wydały 450 mld dolarów na infrastrukturę, głównie na rozwój sztucznej inteligencji. W tym roku mają wydać 900 mld dolarów na chipy, centra danych, zasilanie, a w 2027 roku - 1,4 biliona dolarów. Pokrycie nakładów inwestycyjnych na sztuczną inteligencję przychodami z AI wymagałoby 2,5 biliona dolarów przychodów rocznie.
- To zaczyna podważać logikę biznesową niektórych z tych bilionowych firm, takich jak OpenAI i Anthropic. Zakładają, że pobierając opłaty, odzyskają ogromne koszty budowy centrów danych i szkolenia coraz większych modeli - mówi Kyle Chan.
Gdzie w tym wyścigu jest Europa?
Powszechne przekonanie głosi, że Europa jest lata świetlne z tyłu. To nie do końca prawda. Europa ma ramy prawne obejmujące ochronę prywatności, standardy techniczne i etyczne sztucznej inteligencji oraz transparentność i wytłumaczalność wnioskowań, czyli AI Act. Ma projekt powstania Fabryk AI i Gigafabryk AI. Ma jasny cel - suwerenną sztuczną inteligencję, czyli zapewnienie pełnej kontroli nad infrastrukturą, algorytmami, modelami, i - przede wszystkim - danymi. Dodajmy, że "suwerenna sztuczna inteligencja" to nie europejski wymysł. Na taką pracują również Japonia i kraje arabskie.
Europa ma też - jak twierdzą analitycy globalnej firmy doradczej McKinsey - sporo sukcesów. Np. Siemens i Bosch wykorzystały dane z budowy maszyn do opracowania aplikacji, takich jak Siemens Industrial Copilot do generowania kodu inżynieryjnego i Bosch ctrlX do sterowania maszynami przy użyciu sztucznej inteligencji. W Polsce firma informatyczna Comarch zapewnia, że jej agent do systemu ERP skraca procesowanie dokumentów o 70 proc. i gwarantuje poufność danych.
- (…) W wyścigu o sztuczną inteligencję nie chodzi tylko o najlepsze modele, ale o to, kto i jak je wykorzystuje - mówi Kyle Chan.
Właśnie wykorzystanie sztucznej inteligencji do wzrostu produktywności naprawdę przesądzi o zwycięstwie. Tymczasem w raporcie "Capturing Central Europe's AI opportunity" ("Wykorzystać szansę, jaką daje sztuczna inteligencja w Europie Środkowej") analitycy McKinsey napisali, że choć wdrożenie AI jest powszechne, nie przynosi oczekiwanych efektów. 88 proc. firm na całym świecie wdrożyło sztuczną inteligencję w co najmniej jednej funkcji, ale 94 proc. nie odnotowało znaczącego wpływu jej wykorzystania na zysk operacyjny.
O ile wyścig pomiędzy USA a Chinami jest o to, czyj model będzie największy, trwa też wyścig pomiędzy zamkniętymi, kontrolowanymi tylko przez dostawców modelami a otwartą innowacją. Kolejny wyścig odbywa się pomiędzy wielkimi, uniwersalnymi modelami językowymi LLM, a modelami małymi.
"(Małe modele) są szczególnie cenne dla określonych dziedzin, co dodatkowo zwiększy konkurencyjność Europy" - napisali analitycy McKinsey.
Małe modele to takie, które zostały utworzone do zarządzania pewnymi ściśle określonymi zadaniami z użyciem unikalnych, często nieustrukturyzowanych i zastrzeżonych danych i do wysoce specjalistycznych zastosowań. W tym wyścigu Europa, która ewidentnie spóźniła się na rajd słoni, wcale nie jest na przegranej pozycji. Może okazać się jeszcze bardzo zwinną jaszczurką.
Jacek Ramotowski
