GPT-6 Astra trafia do szerokiego grona odbiorców, Claude formalizuje wielkie twierdzenie Fermata, GitHub koordynuje wiele modeli za pomocą HydraFusion

GPT-6 Astra wychodzi z ograniczonego wdrożenia dwadzieścia cztery godziny po premierze: model staje się dostępny w planach Pro, Enterprise i Business Premium, trafia do powszechnej dostępności w GitHub Copilot i uzyskuje najlepszy wynik, jaki Perplexity kiedykolwiek odnotowało w swoim teście wyszukiwania opartego na źródłach. Anthropic publikuje z kolei pierwszy zweryfikowany komputerowo dowód wielkiego twierdzenia Fermata, napisany przez Claude’a w jedenaście dni. GitHub udostępnia HydraFusion, tryb samodzielnie wybierający model i workflow dla każdego zadania, Google publikuje Lyria 3.5 w aplikacji Gemini, a SpaceXAI udostępnia Grok Bot firmom i dokumentuje agenta zakupowego, który znalazł u swojego pracodawcy oszczędności przekraczające 100 000 dolarów.

GPT-6 Astra wychodzi z ograniczonego wdrożenia i trafia do powszechnej dostępności w Copilocie

4 września — OpenAI ogłasza o 22:13 czasu paryskiego, że GPT-6 Astra opuszcza ograniczone wdrożenie. Model jest dostępny dla wszystkich użytkowników Pro, Enterprise i Business Premium w ChatGPT Work oraz Codex, a API udostępnia go już bez ograniczeń, podczas gdy w ogłoszeniu z 3 września dostęp nadal zależał od stopniowego wdrażania. Subskrybenci Plus oraz użytkownicy Business będą musieli poczekać jeszcze kilka dni, co doprecyzowano w tym samym komunikacie.

Obszar	Dostęp 4 września
API OpenAI	Dostępny bez ograniczeń
ChatGPT Work i Codex, Pro	Dostępny
Enterprise i Business Premium	Dostępny
Plus i pozostałe plany Business	Kilka dni oczekiwania

🔗 Ogłoszenie OpenAI na X

Powszechna dostępność w GitHub Copilot, w publicznej cenie od pierwszego dnia

Tego samego dnia GPT-6 Astra trafia do powszechnej dostępności w GitHub Copilot. GitHub podkreśla sposób pracy modelu, a nie jego wyniki: w testach wewnętrznych Astra planuje i przeprowadza walidację w toku wykonywania zadania, łączy diagnostykę z weryfikacją oraz samodzielnie potwierdza wyniki, zanim uzna zadanie za zakończone. Dzięki temu osiąga lepszą wydajność w długotrwałych zadaniach przy mniejszej liczbie kroków niż wcześniejsze modele OpenAI. Ogłoszeniu nie towarzyszą żadne wyniki benchmarków.

Model pojawia się w dziesięciu środowiskach, od Visual Studio Code i IDE JetBrains po Copilot CLI, GitHub Mobile, Xcode oraz Eclipse, ale pozostaje zarezerwowany dla planów Pro+, Max, Business i Enterprise. Copilot Pro został pominięty. Warto zwrócić uwagę na rozliczenia: przy płatności za użycie Astra jest od pierwszego dnia rozliczana według publicznej stawki dostawcy, bez okresu promocyjnego, podczas gdy Gemini 3.8 Flash, udostępniony dzień wcześniej, korzysta z ceny wprowadzającej do 31 grudnia 2026 roku.

🔗 Dziennik zmian GitHub

Perplexity przyznaje mu swój najlepszy wynik w WANDR

Perplexity opublikowało 3 września o 23:10 wynik Astry w WANDR, swoim wewnętrznym teście wyszukiwania opartego na źródłach na dużą skalę. Model uzyskuje 0,682 przy koszcie 11,98 dolara za zadanie, co jest najwyższym wynikiem spośród wszystkich modeli przetestowanych przez firmę.

Oceniany model	Wynik WANDR	Koszt zadania	Data publikacji wyniku
GPT-6 Astra	0,682	11,98 dolara	3 września 2026
Claude Fable 5.1	0,601	12,76 dolara	1 września 2026

Perplexity podaje również dwie względne różnice: wynik o 13,5 procent wyższy niż Claude Fable 5.1 przy koszcie niższym o 6,1 procent oraz wynik o 27,0 procent wyższy niż Opus 5 przy koszcie wyższym o 3,3 procent. Należy poczynić dwa zastrzeżenia. WANDR jest zastrzeżonym benchmarkiem, którego szczegółowej metodologii nie opublikowano, a Perplexity jest również klientem ocenianych przez siebie modeli. Nie ujawniono żadnej wartości bezwzględnej dla Opus 5.

🔗 Pomiar Perplexity na X

Trzy poprawki Codex CLI dopełniają integrację

Po stronie wiersza poleceń wersję 0.153.0, opublikowaną w nocy 3 września, uzupełniły w ciągu niespełna dwóch dni trzy poprawki poświęcone Astrze. Wersja 0.153.1 pozwala skonfigurować model przez API bez zmiany modelu domyślnego i bez wyświetlania go w selektorze. Wersja 0.153.2 poprawia etykietę: poziom Fast jest opisany jako zapewniający 2x większą szybkość, a nie 1,5x, bez zmiany sposobu obsługi żądań. Wersja 0.153.3, opublikowana 4 września o 21:01, dodaje Astrę do selektora modeli Amazon Bedrock dla tras Mantle i Runtime oraz poprawia instrukcję przekazywaną modelowi w przypadku asynchronicznych pytań doprecyzowujących.

OpenAI uzupełniło ten dzień trzema relacjami z praktycznych zastosowań: dwoma wpisami na blogu dla deweloperów — jednym o proceduralnej grze eksploracji kosmosu zbudowanej w Codexie, drugim o projektowaniu domu eksplorowanego w Blenderze i Unreal Engine 5 — oraz artykułem Dominika Kundela o pięciu zmianach w jego sposobie korzystania z Codexa.

🔗 Informacje o wydaniu Codex CLI 0.153.3 · 🔗 Tworzenie gry z Astrą

Claude tworzy pierwszy sformalizowany dowód wielkiego twierdzenia Fermata

4 września — Anthropic publikuje pierwszy w pełni zweryfikowany komputerowo dowód wielkiego twierdzenia Fermata. Claude pracował przez jedenaście dni, w dużej mierze autonomicznie, aby zapisać go w Lean. Firma określa go jako największy dowód w Lean, jaki kiedykolwiek zbudowano.

Zmierzona wielkość	Odnotowana wartość
Czas pracy Claude’a	11 dni
Liczba napisanych wierszy Lean	13 milionów
Udowodnione twierdzenia pośrednie	29 500
Pierwszy dowód człowieka, autorstwa Wilesa	1995, 129 stron
Czas między hipotezą a jej dowodem	ponad 350 lat

Twierdzenie głosi, że żaden trójelementowy zestaw dodatnich liczb całkowitych nie spełnia równania Fermata dla wykładnika większego niż dwa. Pierre de Fermat zanotował je około 1637 roku na marginesie swojego egzemplarza „Arytmetyki” Diofantosa. Pierwszy poprawny dowód przedstawił Sir Andrew Wiles w 1995 roku: liczył 129 stron i wymagał miesięcy weryfikacji przez ludzi, a w pierwszej wersji zaprezentowanej w 1993 roku recenzent dwa miesiące później wykrył krytyczną lukę.

Pierwsze próby zakończyły się niepowodzeniem: agenci szybko odnosili początkowe sukcesy, po czym tracili orientację. Przełom przyniósł Prove2Me, otwarta platforma współpracy nad formalizacją, połączona z systemem wieloagentowym opartym na Claude Code. Platforma utrzymuje skierowany graf acykliczny stwierdzeń, który pomaga agentom wybrać następny dowód do podjęcia, rozdziela stwierdzenia i dowody do osobnych plików, aby przyspieszyć kompilację Lean, oraz zachowuje opis każdego stwierdzenia w języku naturalnym, umożliwiając jego wyszukiwanie i ponowne wykorzystanie. Utworzony dowód opiera się na uproszczonym ujęciu dowodu Wilesa autorstwa Henriego Darmona, Freda Diamonda i Richarda Taylora.

This extraordinary autoformalization achievement, which Anthropic researchers say only took 11 days, proves Fermat’s Last Theorem with no assumptions other than the axioms of mathematics.

🇵🇱 To niezwykłe osiągnięcie w zakresie autoformalizacji, które według badaczy Anthropic wymagało zaledwie jedenastu dni, dowodzi wielkiego twierdzenia Fermata bez żadnych założeń poza aksjomatami matematyki. — Kevin Buzzard, recenzent wyniku, cytowany na stronie badawczej Anthropic

Anthropic przedstawia znaczenie tego osiągnięcia jako związane z weryfikacją, a nie z odkrywaniem, w odróżnieniu od niedawnych prac prowadzonych przez AI nad hipotezą Riemanna, które tworzyły nową matematykę. W miarę wzrostu liczby dowodów recenzowanie staje się wąskim gardłem liczonym w latach.

🔗 Pełny dowód na GitHubie

Project HydraFusion — GitHub pozwala narzędziu wybierać model zamiast dewelopera

4 września — GitHub udostępnia w wersji research preview Project HydraFusion, tryb, który nie wskazuje już konkretnego modelu, lecz workflow. Podczas gdy selektor Copilota wymagał wyboru spośród ponad dwudziestu modeli, HydraFusion samodzielnie decyduje dla każdego żądania, który model obsłuży zadanie i według jakiego schematu wykonania. Wybiera się go tak jak dowolny model, lecz za tym pojedynczym wyborem koordynowanych jest kilka modeli.

Obecnie istnieją trzy schematy. Tryb Single powierza zadanie jednemu modelowi. W trybie Cascade wydajny model opracowuje pierwsze rozwiązanie, po czym bramka jakości decyduje, czy je zaakceptować, czy przekazać zadanie bardziej zaawansowanemu modelowi. W trybie Critique szkic jest sprawdzany przez niezależnego krytyka działającego wyłącznie w trybie odczytu i należącego do innej rodziny modeli.

Oceniany benchmark	Różnica kosztu względem Opus 5	Różnica jakości względem Opus 5
TerminalBench 2.1	o 67 procent mniej	plus 4,9 punktu
DeepSWE	o 36 procent mniej	minus 1,5 punktu
CheckpointBench	o 65 procent mniej	minus 0,1 punktu

Wykonywaniem zadań rządzi pięć zasad inżynieryjnych: zagregowane rozliczanie kosztu każdego etapu, jawne limity czasu i anulowanie, przegląd w odizolowanym kontekście bez narzędzi, bezpieczne z założenia stosowanie zmian, które nie nakłada żadnej poprawki w przypadku niepowodzenia workflow, oraz walidacja routingu przed wykonaniem. GitHub świadomie przyjmuje kompromis dotyczący interfejsu: wyświetla etapy, ale ukrywa pośrednie szkice aż do uzyskania końcowego wyniku, i przyznaje, że oczekiwanie bez dostatecznego wglądu jest rzeczywistą wadą.

Dokumentacja procesu rozwoju jest wyjątkowo szczera: GitHub uznaje TerminalBench 2.1 za najbardziej kompletną serię uruchomień, zaznacza, że postęp nie był liniowy, i przyznaje, że dwie awarie operacyjne systemu ewaluacyjnego spowodowały nieważne uruchomienia między 11 a 25 sierpnia. Uruchomienia te wykluczono z trendu, a następnie naprawiono, natomiast najlepsze punkty działania w zarejestrowanej serii firma datuje na 25 sierpnia. Dostęp odbywa się przez Copilot CLI we wszystkich planach, według standardowej stawki opartej na łącznej liczbie tokenów w workflow, po wykonaniu /update, a następnie /experimental on.

🔗 Project HydraFusion

Lyria 3.5 trafia do aplikacji Gemini i API

4 września — Google publikuje Lyria 3.5, przedstawiając go jako swój model generowania muzyki o najlepszej jakości dźwięku, z bardziej ekspresyjnymi głosami i bogatszymi aranżacjami.

W aplikacji Gemini aktualizacji towarzyszą trzy zmiany interfejsu. Użytkownik może wybrać lub opisać gatunek muzyczny oraz zdecydować między wersją wokalną a instrumentalną. Nowe gotowe szablony (templates) służą jako punkt wyjścia, zarówno w przypadku muzyki w tle, jak i spersonalizowanego utworu urodzinowego. Można teraz skonfigurować długość utworu, wybierając między krótką a długą formą.

Rodzaj środowiska	Dostęp do Lyria 3.5
Użytkownicy indywidualni	Aplikacja Gemini w wersji webowej i mobilnej, globalnie
Twórczość profesjonalna	Google Flow Music
Deweloperzy	API Gemini, Google AI Studio, Google Vids

Google pozycjonuje oczekiwane zastosowania po stronie codziennych potrzeb, a nie profesjonalnej produkcji: podkład do filmu, firmowy jingle czy spersonalizowany dzwonek. Dystrybucja jest szeroka i nie wspomniano o żadnych ograniczeniach subskrypcyjnych. Wpis nie podaje natomiast żadnych parametrów jakości dźwięku, żadnego porównania z poprzednią wersją Lyria ani żadnej ceny dostępu przez API.

🔗 Ogłoszenie Google

SpaceXAI angażuje Groka do pracy w firmach i publikuje prompt systemowy swojego agenta zakupowego

3 i 4 września — SpaceXAI udostępnia Grok Bot firmom. Produkt, uruchomiony 12 sierpnia, przechodzi od oferty przeznaczonej dla indywidualnych subskrybentów i zespołów Cursor do wersji wyposażonej w mechanizmy kontroli dostępu, sieci i audytu. Praca każdego użytkownika odbywa się w odizolowanym środowisku, a Bot domyślnie nie ma żadnego dostępu: może korzystać wyłącznie z kont, z którymi zostanie jawnie połączony. Klienci Grok Enterprise i Cursor Enterprise otrzymują go bezpłatnie na dwa tygodnie i mogą zaprosić całą swoją organizację, w tym osoby bez istniejącej licencji. SpaceXAI wymienia Legora, Supermicro i ServiceTitan oraz twierdzi, że od premiery produkt wdrożyły tysiące organizacji.

Najciekawszym aspektem ogłoszenia jest fakt, że najbardziej intensywne wykorzystanie ma miejsce poza inżynierią: nocne wyszukiwanie potencjalnych kandydatów i arkusze ocen w rekrutacji, szkice wiadomości e-mail i aktualizowanie prezentacji w sprzedaży oraz wyodrębnianie pytań i odpowiedzi z webinarów w marketingu.

Następnego dnia firma publikuje studium przypadku Bota wypuszczonego na własne procesy zakupowe. Nazwany Haggle Bot i połączony ze Slackiem, Notion, Drive, Gmailem, Hexem oraz Rampem, wykazuje ponad 100 000 dolarów bezpośrednich oszczędności.

Znalezisko agenta	Zidentyfikowana kwota
Łączne bezpośrednie oszczędności	ponad 100 000 dolarów
Nieaktywne licencje przez 90 dni, pierwszy produkt	43 licencje, 14 220 dolarów
Niewykorzystane referencje, produkt miesięczny	85 662 dolary rocznie

Znaczenie redakcyjne wpisu wykracza poza te liczby: SpaceXAI publikuje szablon promptu systemowego agenta, przedstawiony jako wzór do uzupełnienia dla własnej organizacji, którego przykładowe wartości podano w nawiasach ostrokątnych. Sekcja uprawnień wyróżnia trzy stałe tryby. Pierwszy nigdy nie wymaga zgody; jako przykłady podano odczytywanie danych o wydatkach i wysyłanie wiadomości do współpracowników. Drugi za każdym razem wymaga wyraźnej zgody operatora, a wskazanym przykładem jest wysyłanie czegokolwiek do dostawcy. Trzeci pozostaje zabroniony w każdych okolicznościach; wśród przykładów wymieniono podpisywanie, kupowanie, zawieranie subskrypcji, zatwierdzanie wydatków i podejmowanie jakichkolwiek wiążących zobowiązań. We wpisie doprecyzowano, że zespół pozwolił agentowi samodzielnie prowadzić wewnętrzne badania i koordynację, lecz wymagał wyraźnej zgody na wydawanie pieniędzy, akceptowanie warunków lub pisanie do dostawcy.

🔗 Grok Bot dla firm · 🔗 Haggle Bot wypuszczony na procesy zakupowe

Grok łączy się z amerykańskimi kontami bankowymi za pośrednictwem Plaid

4 września — Grok może teraz łączyć się z kontami finansowymi swoich użytkowników. Połączenie odbywa się za pośrednictwem Plaid, technicznego pośrednika łączącego aplikacje i instytucje bankowe w Stanach Zjednoczonych, a funkcja jest od razu dostępna wyłącznie w tym kraju.

Trzy przykłady wybrane przez SpaceXAI wyznaczają docelowy zakres: ustalenie, na co wydano pieniądze w minionym miesiącu, śledzenie wyników inwestycji oraz sprawdzenie, czy użytkownik rzeczywiście może sobie pozwolić na to, co znajduje się w jego koszyku. Innymi słowy, chodzi o analizę wcześniejszych wydatków, monitorowanie portfela i pomoc w podjęciu decyzji zakupowej w chwili, gdy jest potrzebna. Komunikat jest zwięzły i poza wzmianką o bezpiecznym połączeniu nie zawiera informacji o przetwarzaniu danych ani obsługiwanych instytucjach.

Jest to kontynuacja serii integracji finansowych rozpoczętej 25 czerwca od połączenia z Interactive Brokers, jednak zmienia się ich charakter: o ile Interactive Brokers było skierowane do aktywnych inwestorów, Plaid otwiera asystentowi dostęp do rachunków bieżących ogółu społeczeństwa.

🔗 Ogłoszenie Grok na X

Claude Code 2.1.260 i 2.1.261: panel diffów, audyt skills i zaostrzone uprawnienia

4 września — Tego samego dnia ukazują się dwie wersje Claude Code, które wzajemnie się uzupełniają: pierwsza zapewnia wgląd w trwające prace, druga — w zasoby zużywane przez sesję.

Opublikowana wersja	Godzina wydania	Najważniejsze nowości
2.1.260	4 września 01:48	Panel `/diff`, diagnostyka cache w `/cost`, poprawki uprawnień
2.1.261	4 września 21:58	`/skill-doctor`, dane wyjściowe do 128 000 znaków, prompt subagenta w pliku

Wersja 2.1.260 otwiera obok rozmowy w trybie pełnoekranowym panel diffów, który na bieżąco pokazuje niezatwierdzone zmiany. Przede wszystkim naprawia kilka luk w ocenie uprawnień: reguły Edit, Write i Read, których ścieżki zawierały nawiasy, były odrzucane jako nieprawidłowe lub ignorowane przez sandbox Bash, przez co możliwy był zapis w katalogach, które miały być tylko do odczytu, a polecenia zsh ukrywające podstawienie polecenia w przypisaniu REPORTTIME były automatycznie zatwierdzane.

Wersja 2.1.261 dodaje /skill-doctor, które wyświetla listę załadowanych, lecz niewykorzystanych skills oraz koszt kontekstu każdego z nich. Tryb automatyczny traktuje teraz link umieszczający treść w adresie URL publicznego generatora diagramów jako przesłanie jej do witryny zewnętrznej.

🔗 Informacje o wydaniu 2.1.260 · 🔗 Informacje o wydaniu 2.1.261

Polecenie ant apply przenosi Managed Agents do wersjonowanych plików

4 września — Anthropic dodaje ant apply do swojego CLI ant. Polecenie przenosi na Managed Agents model deklaratywny znany zespołom infrastruktury: pożądany stan opisuje się w plikach repozytorium, a polecenie uzgadnia zasoby API z tym opisem.

Obejmuje to pięć typów zasobów: środowiska Managed Agent, samych agentów, skills, magazyny pamięci (memory stores) oraz wdrożenia. Dotychczas obiekty te tworzono przez wywołania API lub w konsoli, bez śladu w repozytorium. Opisanie ich w plikach włącza je w proces przeglądu kodu, wersjonowania i potoki ciągłej integracji. Praktyczną korzyścią jest odtwarzalność: środowisko agenta opisane w pliku można identycznie odtworzyć, porównać między gałęziami lub wdrożyć z potoku bez ręcznej interwencji.

🔗 Ogłoszenie na X

Seria publikacji NVIDIA: trwała pamięć agentów, rozumowanie na Jetson i tożsamość federacyjna

3 i 4 września — Tego samego dnia na blogu technicznym NVIDIA ukazały się trzy publikacje dotyczące trzech różnych warstw stosu.

Pierwsza to otwarta receptura oparta na NemoClaw: agent pełniący funkcję szefa gabinetu, który utrzymuje trwałą pamięć pracy użytkownika. Tezę można streścić w jednym zdaniu: użyteczna pamięć agenta wymaga struktury, selektywnego wyszukiwania i nadzoru, a nie tylko przechowywania danych. Rozwiązanie opiera się na modelu siebie (self model), czytelnej dla człowieka warstwie wiedzy zapisanej w postaci uporządkowanych stron Markdown, uzupełnionej rejestrem SQLite przechowującym zobowiązania, klasyfikacje, poprawki i zdarzenia audytowe. Wykonanie odbywa się za pośrednictwem NVIDIA OpenShell, który w sandboxie egzekwuje zasady dostępu do systemu plików, procesów i sieci, podczas gdy dane uwierzytelniające pozostają poza sandboxem.

Mierzona metryka	Bazowy agentowy RAG	Model siebie	Zaobserwowana różnica
Ogólna dokładność w 186 pytaniach	82,8 procent	90,9 procent	plus 8,1 punktu
Trudne pytania, spośród 31 pytań	67,7 procent	87,1 procent	plus 19,4 punktu
Śledzenie zmieniających się faktów, z 5	60,0 procent	100,0 procent	plus 40,0 punktów
Wierność korpusowi, w 13 pytaniach	100,0 procent	92,3 procent	minus 7,7 punktu

Context can inform an action, but it cannot authorize one.

🇵🇱 Kontekst może uzasadniać działanie, ale nie może go autoryzować. — Wpis NVIDIA o pamięci agentów

Druga publikacja to przewodnik po wdrażaniu, który potwierdza przełom w dziedzinie wbudowanej AI: kwantyzacja NVFP4 w połączeniu z dekodowaniem spekulatywnym osiąga na Jetson AGX Thor i Orin nawet 6,28-krotnie większą przepustowość dekodowania niż BF16. Najlepsza konfiguracja różni się zależnie od modelu i NVIDIA podkreśla właśnie ten aspekt, zamiast wskazywać jednego uniwersalnego zwycięzcę: Nemotron 3.5 Lightning uzyskuje najlepszy wynik z DSpark — od 123 do 138 tokenów wyjściowych na sekundę, a Qwen3.8-27B z DFlash2 — od 27,7 do 34,4 tokenu na sekundę. Końcowe ostrzeżenie ma charakter metodologiczny: przepustowość zmienia się zależnie od obciążenia, dlatego konfigurację należy zweryfikować przy użyciu promptów reprezentatywnych dla docelowej aplikacji. Trzecia, skromniejsza publikacja opisuje przekazywanie tożsamości użytkownika między federacyjnymi platformami Kubernetes i platformami AI.

🔗 Rozumowanie brzegowe na Jetson · 🔗 Tożsamość między platformami federacyjnymi

Narzędzia wiersza poleceń Google: Gemini CLI przechodzi do serii 0.60.0, Antigravity udostępnia Flash przedsiębiorstwom

3 i 4 września — Kanał nightly Gemini CLI przechodzi z serii 0.59.0 do 0.60.0, a wydanie koncentruje się na bezpieczeństwie. Najbardziej znacząca poprawka usuwa zakodowany na stałe klucz API Google CrUX z komponentu chrome-devtools-mcp. Dwie inne zmiany wzmacniają izolację: sandbox macOS Seatbelt otrzymuje odizolowany katalog tymczasowy, a moduł ładujący rozszerzenia stosuje wzmocnione rozwiązywanie ścieżek wraz z walidacją granic. Czwarta zmiana wymusza w przepływie OAuth serwerów MCP identyfikację wystawcy zgodną z RFC 9207, chroniącą przed atakami polegającymi na podstawieniu organu autoryzującego.

Antigravity 2.12.2, opublikowane dzień wcześniej, zawiera tylko jedno ulepszenie i żadnych poprawek: użytkownicy korporacyjni uzyskują dostęp do modeli rozumowania Gemini 3.8 Flash, uwierzytelniając się za pomocą domyślnych danych uwierzytelniających aplikacji (Application Default Credentials). Praktyczną korzyścią jest połączenie modelu ze standardowym trybem uwierzytelniania wdrożeń Google Cloud bez indywidualnego klucza API.

🔗 Gemini CLI v0.60.0 nightly · 🔗 Dziennik zmian Antigravity

AI w służbie nauki: sprzężony emulator klimatu i kompletny konektom samca muszki owocowej

3 i 4 września — Dwie publikacje wykorzystują uczenie maszynowe do badania ogromnych obiektów naukowych w dwóch niezwiązanych ze sobą dziedzinach.

Ai2 publikuje na Hubie Hugging Face na licencji Apache 2.0 SamudrACE-E3SMv3, w pełni sprzężony emulator klimatu atmosfera–ocean. Celem jest odtworzenie zachowania E3SM, referencyjnego modelu klimatycznego Departamentu Energii Stanów Zjednoczonych, przy znacznie niższym koszcie obliczeniowym: odsiewanie hipotez przed uruchomieniem samego E3SM oraz tworzenie dużych zespołów, które niskim kosztem próbkują zmienność klimatu. Emulatory atmosfery (ACE) i oceanu (Samudra) są najpierw osobno wstępnie trenowane, a następnie łączone i oceniane na 400 latach niewidzianych wcześniej danych E3SM, na których zachowują średni klimat. Ai2 wskazuje wyraźne ograniczenie: emulator odtwarza dzienne opady do 99,99. percentyla, ale powyżej tej wartości je zaniża.

HHMI Janelia Research Campus, Google Research i ich współpracownicy publikują z kolei pierwszą kompletną mapę mózgu i ośrodkowego układu nerwowego dorosłego samca muszki owocowej: ponad 166 000 neuronów — rekordową liczbę — podzielonych na 11 691 typów komórek sklasyfikowanych przy pomocy AI i zweryfikowanych przez ekspertów. Metoda opiera się na obrazowaniu cienkich skrawków, a następnie komputerowym składaniu milionów dwuwymiarowych obrazów w trójwymiarowe struktury neuronów. Znaczenie pracy wynika z porównania z opublikowaną wcześniej mapą samicy: większość neuronów jest identyczna u obu płci, mniejszość jest swoista dla jednej z nich, a trzecia kategoria, określana jako dymorficzna, występuje u obu, lecz łączy się z innymi sąsiednimi komórkami. Trzy badania towarzyszące wykorzystują mapę do analizy wzroku, smaku i zachowań społecznych.

🔗 SamudrACE-E3SMv3 na X · 🔗 Mapa mózgu samca muszki owocowej

Meta publicznie udostępnia maksymalny poziom rozumowania Muse Spark 1.3

4 września — Meta publicznie udostępnia poziom rozumowania max modelu Muse Spark 1.3, dwa dni po ogłoszeniu samego modelu. Poziom jest dostępny w Muse Code i Meta Model API.

Zmianą nie jest więc sam model, lecz faktyczne udostępnienie jego najbardziej kosztownego poziomu rozumowania. Alexandr Wang, chief AI officer w Meta, wyjaśnia, że poprawa dotyczy kodowania i zadań agentowych, oraz zaleca ponowne wypróbowanie modelu nawet osobom, które testowały już poziomy high i xhigh. Dodaje, że uruchomienie nastąpiło po zakończeniu testów bezpieczeństwa. Aby go włączyć, należy wybrać Muse Spark 1.3, a następnie ustawić poziom rozumowania na max.

Udostępnieniu nie towarzyszą żadne wyniki benchmarków: wątek nie podaje ani rezultatów, ani porównań, a jedynie jakościową ocenę autora.

🔗 Ogłoszenie AI at Meta

Percept-Lens, protokół Sakana AI do oceny wykrywania wygenerowanych obrazów

3 września — Sakana AI przedstawia Percept-Lens, ramy ewaluacji poza rozkładem dla wykrywania obrazów generowanych przez AI, przyjęte na ECCV 2026. Punktem wyjścia jest obserwacja, że detektory obrazów syntetycznych zawodzą, gdy jednocześnie zmienia się kilka czynników: generator, styl lub prompt oraz domena źródłowa. Percept-Lens ujednolica ewaluację na 39 publicznych zbiorach danych obejmujących 7,1 miliona obrazów.

Badanie reprezentacji stawia bezpośrednie pytanie: czy trenowanie głowicy klasyfikacyjnej wnosi jeszcze coś ponad to, co nowoczesne enkodery już rozdzielają? Autorzy budują skalę dyskryminatorów gaussowskich uwarunkowanych rozkładem a priori, czyli głowic o postaci zamkniętej, skonstruowanych na podstawie statystyk cech pierwszego i drugiego rzędu. Najlepszy szczebel tej skali często dorównuje opublikowanym głowicom detekcyjnym, a czasem je przewyższa, pod warunkiem porównywania z identycznym rozkładem a priori i enkoderem. Autorzy opowiadają się za raportowaniem na poziomie trójki: rozkład a priori, enkoder, głowica.

🔗 Wpis Sakana AI · 🔗 Artykuł w arXiv

TAOT, rozmieszczanie replik ekspertów z uwzględnieniem topologii sieci

4 września — Zespół Baige z Baidu szczegółowo opisuje TAOT, metodę rozmieszczania replik ekspertów podczas trenowania modeli mixture-of-experts, udostępnioną w jego open source frameworku LoongForge.

Problem jest konkretny. Gdy trenowanie MoE zwalnia, przyczyną rzadko jest moc GPU, a częściej brak możliwości odpowiednio szybkiego zrównoważenia obciążenia: kilku ekspertów staje się punktami przeciążenia, a wszystkie pozostałe rangi czekają. Klasyczne rozwiązanie polega na tymczasowym zreplikowaniu wag przeciążonego eksperta na nieaktywnej randze, lecz gdy domena równoległości wykracza poza jeden węzeł, nie wszystkie nieaktywne GPU są równoważne: komunikacja wewnątrz węzła odbywa się przez NVLink, między węzłami przez InfiniBand, a koszt może różnić się o rząd wielkości.

Mierzona metryka	Odnotowana wartość
Czas iteracji, przed i po	155,4 ms, a następnie 108,8 ms, czyli 1,43x
Przyspieszenie od EP4 do EP16	do 1,79x
Koszt komunikacji w porównaniu z LPLB	do 74 procent niższy przy EP32
Narzut planowania online	mniej niż 1 procent czasu przebiegu w przód

TAOT jest przedstawiane jako pierwsza metoda, która ujmuje w jednej funkcji celu korzyść z ograniczania szczytów oraz koszt przenoszenia wag między węzłami. Podczas gdy LPLB od DeepSeek ogranicza ścieżki za pomocą z góry zdefiniowanych grafów, TAOT wykorzystuje ciągłą macierz kosztów komunikacji z elastyczną preferencją topologiczną: komunikacja wewnątrz węzła jest preferowana, a komunikacja między węzłami pozostaje dozwolona, lecz jest droższa. Przejście z dopasowywania wierszami na dopasowywanie kolumnami zmniejsza resztkową nierównowagę z 7–10 procent do 1–2 procent.

🔗 Wpis na Hugging Face

Open Yap 1K, tysiąc godzin rozmów w trybie full-duplex do swobodnego użytku komercyjnego

3 września — The Agentic Data Company publikuje Open Yap 1K, korpus anglojęzycznych rozmów na dwóch oddzielnych kanałach, przeznaczony dla modeli głosowych działających w trybie full-duplex.

Element korpusu	Próbka publiczna	Pełny korpus
Łączny czas trwania	8,9 godziny	1 000 godzin
Rozmowy	16	1 602
Zastosowana licencja	CC BY 4.0	Open Yap, swobodny użytek komercyjny
Tryb dostępu	Hub Hugging Face	Na żądanie

Autorzy przedstawiają korpus wprost jako alternatywę dla istniejących korpusów mowy, takich jak Fisher, Switchboard i CANDOR, wysuwając przede wszystkim argument techniczny: we wpisie zestawiono fragment Fisher English próbkowany z częstotliwością 8 kHz w paśmie telefonicznym z fragmentem Open Yap 1K, aby zilustrować różnicę jakości dźwięku. Udokumentowano metodę zbierania danych, demografię mówców, zapewnianie jakości, zgodę i poufność.

🔗 Wpis na Hugging Face

Daily Brief staje się bezpłatny dla większej liczby amerykańskich użytkowników Gemini

4 września — Google rozszerza bezpłatny dostęp do Daily Brief na większą liczbę użytkowników aplikacji Gemini w Stanach Zjednoczonych. Funkcja została wprowadzona 21 maja.

Daily Brief działa w tle i łączy aplikacje Google użytkownika: wiadomości e-mail, kalendarz, rozmowy i zainteresowania są zbierane w jedną, łatwą do przejrzenia listę zadań i priorytetów, przedstawianą jako punkt wyjścia na dany dzień. Ogłoszenie nadal dotyczy wyłącznie Stanów Zjednoczonych i nie określa ani odsetka objętych nim użytkowników, ani harmonogramu rozszerzenia funkcji na inne kraje.

🔗 Ogłoszenie Gemini na X

Runway uruchamia Team, samoobsługowy plan dla zespołów liczących od dwóch do dziewięciu stanowisk

4 września — Runway wprowadza Team, który wypełnia lukę między planami indywidualnymi a ofertą Enterprise przeznaczoną dla dużych klientów. Zmiana porządkuje katalog: Standard, Pro i Max stają się jednoznacznie planami indywidualnymi, a każdy nowy członek jest odtąd dodawany za pośrednictwem Team; istniejące przestrzenie zachowują dostęp i dotychczasową cenę.

Cecha planu	Ogłoszona wartość
Miesięczna cena za stanowisko	69 dolarów
Roczna cena za stanowisko	55 dolarów, czyli 20 procent zniżki
Dozwolona liczba stanowisk	Od 2 do 9
Miesięczne kredyty na stanowisko	6 900, wpłacane do wspólnej puli
Współdzielone projekty i przestrzeń dyskowa	do 100 projektów, 1 TB

Plan opiera się na współdzielonych projektach, w których znajdują się zasoby, materiały referencyjne, Brand Kits, sesje i workflows. Runway uzasadnia to spójnością rezultatów: gdy cały zespół generuje na podstawie tych samych materiałów referencyjnych, dziesiąty film przypomina pierwszy. Niewykorzystane kredyty przechodzą na kolejny miesiąc, zespół współdzieli do 20 umiejętności agenta, a Agent Connectors łączą Figma, Dropbox i Notion z agentem kreatywnym.

🔗 Ogłoszenie Runway

ElevenLabs rozszerza inicjatywę 1 Million Voices na Brazylię

4 września — ElevenLabs rozszerza swój program społeczny na Brazylię i przedstawia jego pierwszą brazylijską historię. Eliane straciła głos w dzieciństwie, a Alberto oślepł w wieku 46 lat; firma dała Eliane głos podobny do głosów członków jej rodziny, dzięki czemu po raz pierwszy może porozumiewać się z ukochanym mężczyzną głosem odzwierciedlającym jej tożsamość.

Ogłoszeniu towarzyszą dwa lokalne partnerstwa. Associação Brasileira de Esclerose Lateral Amiotrófica, wspierające w kraju do 10 000 osób ze stwardnieniem zanikowym bocznym, umożliwia tym pacjentom bezpłatny dostęp do klonowania ich głosu. Sociedade Brasileira de Fonoaudiologia będzie natomiast szkolić brazylijskich logopedów w zakresie klonowania głosu, ponieważ firma liczy, że biegłość specjalistów pozwoli zwiększyć liczbę pacjentów korzystających z programu. Inicjatywa 1 Million Voices stanowi zobowiązanie rzeczowe o wartości miliarda dolarów i od chwili uruchomienia objęła ponad 11 000 osób na całym świecie.

🔗 Wpis ElevenLabs

Kimi Code 0.41.0 dodaje tryb wielu agentów i usuwa zabezpieczenie mające dwa dni

4 września — Moonshot AI wydaje Kimi Code 0.41.0. Widoczną nowością jest tower, eksperymentalny tryb współpracy wielu agentów w interfejsie webowym, uruchamiany poleceniem /tower lub przez menu plus w polu tworzenia wiadomości, który przyjmuje gałąź bazową jako argument. Zarządzanie kontekstem otrzymuje dwie poprawki: model jest informowany o swoim budżecie kontekstu przed automatyczną kompakcją, a następnie kierowany do dziennika zdarzeń sesji, aby odzyskać dokładne szczegóły. Historia plików na poziomie tury staje się trwała.

Najbardziej godnym uwagi elementem jest wycofanie wcześniejszej zmiany. Wersja 0.40.0, opublikowana 2 września, wprowadziła blokowanie destrukcyjnych poleceń, takich jak shutdown, reboot czy rm -rf, w trybie automatycznych uprawnień. Wersja 0.41.0 odwraca tę decyzję i przestaje w tym samym trybie blokować niebezpieczne polecenia oraz te, których nie można przeanalizować statycznie. Zabezpieczenie przetrwało dwa dni. Powodu nie wyjaśniono w informacjach o wydaniu, ale statyczna analiza poleceń shell łatwo generuje fałszywe alarmy blokujące prawidłową pracę.

🔗 Informacje o wydaniu Kimi Code 0.41.0

Perplexity opisuje Ivy, Tulip i ROSE — własny stos obsługujący embeddings

4 września — Perplexity publikuje wpis techniczny odsłaniający szczegóły infrastruktury obsługującej modele embeddings i rankingu (ranking). Firma trenuje i obsługuje własne modele, w tym pplx-embed, a swój indeks wyszukiwania określa jako działający w skali eksabajta.

Komponent stosu	Używany język	Rola w usłudze
Ivy	Rust	Brama HTTP, tokenizacja, dzielenie i rozdzielanie partii
Tulip	Rust, tokio, tonic	Serwer inferencji gRPC, planowanie i grupowanie w partie
ROSE	Python	Uruchamianie modeli, kernels i grafów CUDA

Główną ideą jest ponowne wykorzystanie kodu inferencji LLM. Perplexity zauważa, że wsadowe tworzenie embeddings przypomina ograniczoną mocą obliczeniową fazę wstępnego wypełniania (prefill), natomiast tworzenie embeddingu online dla krótkiego zapytania przypomina ograniczoną pamięcią fazę dekodowania (decode). Te same kernels obsługują więc pplx-embed i dekodowanie Qwen3.5, przy czym dla embeddings nie tworzy się pamięci podręcznej klucz-wartość, a warianty attention przyjmują nieregularne dane wejściowe (ragged), co pozwala uniknąć zbędnego dopełniania. W przypadku kernels attention zespół utrzymuje równolegle FlashInfer 2, FlashInfer 3 i FlashAttention 4, zamiast wybierać tylko jeden z nich; decyzja jest podejmowana indywidualnie zależnie od liczby i wymiaru głów. Pomiary porównano z vLLM v0.22.0, lecz wyniki liczbowe przedstawiono wyłącznie na wykresach.

🔗 Wpis techniczny Perplexity

Zed i Replit publikują ogłoszenia na X bez wpisów ani informacji o wydaniu

4 września — Dwa ogłoszenia dotyczące zewnętrznych narzędzi do programowania pojawiają się tego samego dnia i oba opierają się na pojedynczej publikacji na X, bez potwierdzających je wpisów na blogu ani informacji o wydaniu.

Zed informuje, że Delta jest już dostępna dla osób zapisanych do wersji beta w systemie Windows, odpowiadając na prośbę użytkownika z 2 września. To rozróżnienie ma znaczenie: Delta jest uruchomionym 12 sierpnia wieloosobowym środowiskiem programistycznym z agentami, które pozwala kilku członkom zespołu pracować z agentami nad współdzielonym projektem. Sam edytor Zed jest już dostępny dla macOS, Linux i Windows. Ogłoszenie nie dotyczy więc edytora, lecz Delta, której dostępność w systemie Windows pozostawała nierozstrzygnięta od sierpnia. Dokładny zakres tej wersji beta i zasady zapisów pozostają nieznane.

Replit udostępnił z kolei trwającą godzinę i 58 minut sesję na żywo zatytułowaną „Replit MCP: Steruj swoim agentem z dowolnego miejsca”. Tytuł zapowiada serwer MCP udostępniający agenta platformy klientom zgodnym z protokołem, a przewidywanym zastosowaniem jest uruchamianie zadania i śledzenie jego postępów z poziomu edytora, terminala lub zewnętrznego asystenta bez korzystania z interfejsu webowego. Wiadomość nie zawiera żadnego tekstu poza tym tytułem, odnośnika do wpisu ani jednoznacznej informacji o uruchomieniu produktu.

🔗 Delta w systemie Windows · 🔗 Transmisja na żywo o Replit MCP

W skrócie

Endpoint API zwraca historię gwiazdek bez ujawniania użytkowników — REST API GitHub zwraca opatrzone znacznikami czasu liczby gwiazdek bez identyfikowania kont, które je przyznały, zastępując endpointy listujące zarezerwowane wcześniej w tym roku dla administratorów. 🔗 Dziennik zmian
npm obsługuje wiele konfiguracji zaufanego publikowania dla jednego pakietu — trzy zmiany stają się ogólnie dostępne: wiele uzupełniających się konfiguracji OIDC na pakiet, blokowanie zatwierdzenia do czasu zakończenia analizy antymalware oraz historia preprodukcji widoczna na karcie wersji. 🔗 Dziennik zmian
GitHub Actions dodaje API wycofywania runners — REST API udostępnia daty zakończenia wsparcia dla danej wersji runnera, uprawnienie vulnerability-alerts zapewnia dostęp tylko do odczytu alertów Dependabot, a cztery właściwości kontekstu job przekazują workflows wielokrotnego użytku ich pierwotną tożsamość. 🔗 Dziennik zmian
Dokument The Story of VS Code ukazuje się 4 września — GitHub informuje o premierze oficjalnego dokumentu o Visual Studio Code na kanale YouTube wydawcy, po zwiastunie opublikowanym 1 września. 🔗 Ogłoszenie
Replit promuje aplikację zbudowaną w tydzień — Pep AI, stworzona na platformie przez Cédrica Roberge’a w około tydzień, ma według Replit przynosić około 130 000 dolarów miesięcznie; informację opublikowano w promocyjnym wątku uzupełnionym poradami dotyczącymi ustalania cen. 🔗 Wątek Replit
Zed publikuje wizualne ogłoszenie, którego treści nie udało się zweryfikować — czterowyrazowa wiadomość z pojedynczym obrazem, opublikowana 4 września o 22:14. Obraz nie załadował się podczas przeglądu, a publikacji nie towarzyszy żaden wpis ani informacja o wydaniu, więc nie można ustalić, czego dotyczy ogłoszenie. 🔗 Wiadomość
Kompletny otwarty ekosystem LLM dla języka ormiańskiego — kolekcja Hugging Face obejmuje korpus internetowy ArmWeb, zweryfikowany naukowy zbiór danych ArmSTEM oraz model arm-gemma-e4b, a artykuł ma ukazać się w przyszłości. 🔗 Wpis
VLM Run Gateway udostępnia modele OCR i otwarte modele vision za pośrednictwem jednego API — brama zapewnia przez pojedynczy punkt wejścia dostęp do otwartych modeli rozpoznawania optycznego, vision-language i vision, w tym PaddleOCR-VL-1.6. 🔗 Wpis
Sakana AI otwiera drzwi swojego zespołu inżynieryjnego 5 października — Engineer Open House odbędzie się ponownie w poniedziałek 5 października 2026 r. w godzinach od 18:00 do 21:00, w Toranomon lub online, a zapisy prowadzone są przez connpass. 🔗 Ogłoszenie
Google opisuje sprinty swojego programu Gemini Enterprise Developer Experience — wpis metodyczny bez premiery produktu: opisany sprint dotyczy zarządzania AI w przedsiębiorstwie i przynosi zaktualizowaną dokumentację oraz ustandaryzowane przykłady kodu dla Agent Gateway i Semantic Governance. 🔗 Wpis
Suno nazywa swoją kolejną generację modeli rodziną v6 — w odpowiedzi użytkownikowi oficjalne konto określa ją jako swoje najlepsze dotychczasowe dzieło, bez podawania daty ani szczegółów technicznych, dzień po wejściu w życie nowych limitów pobierania. 🔗 Odpowiedź
MiniMax i Together AI organizują w Londynie wieczór poświęcony ekonomii otwartych modeli — wspólne wydarzenie Open by Design: The Economics of AI in Production odbędzie się 16 września i jest jedyną publikacją MiniMax w analizowanym okresie. 🔗 Ogłoszenie
Mistral ponownie sprowadza konferencję AI Engineer do Paryża 23 i 24 września — powrót do Station F zgromadzi wiceprezesa ds. inżynierii Lélio Renarda-Lavauda oraz przedstawicieli Black Forest Labs, Cognition i Hugging Face, po poprzedniej edycji z kompletem uczestników. 🔗 Ogłoszenie
WebMCP Challenge zamyka przyjmowanie zgłoszeń — nabór zakończył się po dwunastogodzinnym przesunięciu spowodowanym awarią z 3 września; projekty są obecnie oceniane, a zwycięzcy zostaną ogłoszeni wkrótce. 🔗 Ogłoszenie

Co to oznacza

Tempo przyswajania modelu frontier przez ekosystem stało się prawdziwym wskaźnikiem. GPT-6 Astra ogłoszono 3 września; dzień później jest już bez ograniczeń dostępny w API, ogólnie dostępny w dziesięciu obszarach Copilot, zmierzony przez zewnętrzny podmiot wykorzystujący go w środowisku produkcyjnym i zintegrowany w ramach trzech kolejnych poprawek Codex CLI. Rok temu taki dwudziestoczterogodzinny czas reakcji nie występował. Przesuwa to pytanie z premiery na rozliczenia: GitHub stosuje wobec Astra publiczną cenę dostawcy bez okresu promocyjnego, podczas gdy Gemini 3.8 Flash korzysta z ceny wprowadzającej do końca roku. Gdy wszystkie modele pojawiają się dzień po ogłoszeniu, cena ponownie staje się jedynym widocznym wyróżnikiem dla użytkownika końcowego.

HydraFusion podchodzi do problemu od drugiej strony i jest to najważniejsza strukturalnie wiadomość dnia dla narzędzi. Wybór spośród dwudziestu modeli to praca, którą niewielu programistów wykonuje rzetelnie, a GitHub proponuje całkowicie z niej zrezygnować: użytkownik wybiera workflow, a narzędzie decyduje o modelu przy każdym zapytaniu. Liczby — wzrost jakości o 4,9 punktu przy kosztach niższych o 67 procent względem Opus 5 w TerminalBench — są istotne przede wszystkim ze względu na to, co sugerują: korzyść wynika z orkiestracji, a nie z lepszego modelu. Jeśli rezultat utrzyma się poza warunkami testowymi, model przestanie być produktem i stanie się wymiennym komponentem za bramą jakości.

Agenci w przedsiębiorstwach wychodzą poza działy inżynieryjne, a zarządzanie podąża za nimi. SpaceXAI stwierdza to wprost: Grok Bot jest najintensywniej wykorzystywany poza programowaniem, a najbardziej wymowną liczbą dnia jest wynik audytu stanowisk oprogramowania — 43 opłacane subskrypcje bez aktywności od 90 dni. Jednak prawdziwą treścią tych ogłoszeń jest mechanika uprawnień. Opublikowany przez SpaceXAI szablon promptu systemowego rozróżnia trzy tryby: zawsze dozwolone, dozwolone indywidualnie i nigdy niedozwolone. NVIDIA formułuje tę samą zasadę we wpisie o pamięci agentów: kontekst może dostarczać informacji potrzebnych do działania, ale nie może go autoryzować. Dwa niepowiązane podmioty dochodzą tego samego dnia do wniosku, że użytecznego agenta definiuje przede wszystkim to, czego mu zabroniono.

W przypadku narzędzi command-line bezpieczeństwo rozwija się zygzakiem, a nie po linii prostej. Gemini CLI usuwa zakodowany na stałe klucz API i wzmacnia swój sandbox, Claude Code naprawia reguły uprawnień, które pozwalały zapisywać dane w katalogach mających być tylko do odczytu, a Kimi Code usuwa blokowanie destrukcyjnych poleceń dwa dni po jego dodaniu. Ten ostatni przypadek jest najbardziej pouczający: statyczna analiza poleceń shell generuje wystarczająco dużo fałszywych alarmów, by zabezpieczenie poprawne na papierze stało się nieznośne w praktyce. Bezpieczeństwo tych narzędzi nie rozstrzyga się w chwili ogłoszenia ochrony, lecz podczas próby przetrwania jej kontaktu z użytkownikami.

Pozostają matematyka i nauki ścisłe — obszar najtrudniejszy do natychmiastowej oceny. Sformalizowanie dowodu twierdzenia Fermata w jedenaście dni nie tworzy żadnej nowej matematyki: weryfikuje wynik sprzed trzydziestu lat. Właśnie dlatego jest interesujące, ponieważ recenzowanie przez innych badaczy stanowi wąskie gardło liczone w latach, a Kevin Buzzard zauważa, że takie artefakty są już wystarczająco solidne, by stanowić podstawę kolejnych prac. Emulator klimatyczny Ai2 i connectome muszki owocowej opierają się na tej samej logice: żaden z nich niczego nie odkrywa, ale oba umożliwiają praktyczne wykonywanie pracy, której koszt wcześniej uniemożliwiał odpowiednią skalę. To zastosowanie mniej widowiskowe niż autonomiczne odkrywanie, lecz prawdopodobnie bliższe temu, co AI rzeczywiście zmienia w praktyce naukowej.