Ewolucja AI przez 70 lat: od teorii do fizycznego ucieleśnienia w robotach

Ewolucja AI przez 70 lat: od teorii do wcielenia w roboty

Prześledzono drogę AI od pomysłów Turinga i pierwszej konferencji w Dartmouth po współczesne duże modele językowe i robotykę. Zaznaczono, że dziś AI przechodzi od przetwarzania tekstu do multimodalności i zdolności do rozumowania.

---

70 lat później: dlaczego AI w końcu „wyrosło” z tekstu, ale wciąż nie stało się człowiekiem

Artykuły jubileuszowe – zawsze trochę mijają się z prawdą. Odnosi się wrażenie, że ewolucja AI od konferencji w Dartmouth w 1956 roku do współczesnych modeli multimodalnych była płynnym, postępowym ruchem, w którym każdy etap logicznie wynikał z poprzedniego. W rzeczywistości historia AI to historia katastrofalnych rozczarowań, „zim” i przypadkowych przełomów, które następowały nie wtedy, gdy ich oczekiwano. A dzisiejsze przejście od przetwarzania tekstu do multimodalności i „rozumowania” to nie kolejny krok, ale tektoniczne przesunięcie, którego branża nie potrafi właściwie ocenić.

Główny nieoczywisty wgląd, który ginie w patosie „ewolucji”, jest następujący: przez 70 lat próbowaliśmy uczynić AI podobnym do człowieka, a teraz odkryliśmy, że prawdziwa wartość tkwi w tym, by AI było nie człowiekiem, ale idealnym narzędziem inżynieryjnym. Dartmouthskie marzenia o myśleniu porównywalnym z ludzkim doprowadziły nas do LLM-ów, które halucynują, oszukują i generują pozwy sądowe. A równoległa gałąź – fizyczne AI, systemy agentowe, AI dla nauki – nagle okazała się znacznie bardziej praktyczna i dochodowa. Po prostu nie od razu to zrozumieliśmy.

Sedno: co naprawdę się dzieje

Dzisiejsze AI to nie „nadumysł”, ale gigantyczny kompromis inżynieryjny. Owszem, współczesne modele przeszły od tekstu do obrazów, wideo, a nawet planowania działań w świecie fizycznym. Reka i Moonvalley łączą siły, aby opracować World Language Action Model, który uczy się na danych egocentrycznych i symuluje fizykę, aby roboty mogły „rozumieć konsekwencje przed wykonaniem działania”. ABB Robotics ogłosiła Physical AI Toolchain – stos oprogramowania od symulacji do wykonania przemysłowego, który pozwala robotom uczyć się na danych syntetycznych i przenosić to uczenie do świata rzeczywistego z „przemysłową precyzją”. Brzmi to jak przełom.

Ale za tą fasadą kryje się surowa rzeczywistość. Fizyczne AI to dziś drogie, złożone i wyspecjalizowane narzędzie. ABB od lat zajmuje się robotami, a ich Physical AI Toolchain to ewolucja ich własnej platformy, a nie rewolucja, którą można kupić „z pudełka”. Reka pozyskała zespół z DeepMind, ale ich model dopiero obiecuje „rozumować i działać” – wdrożeń przemysłowych na razie brak. A przedsiębiorstwa, według ankiety Mayfield, w 58% przypadków wymieniają „gotowość danych” jako główne hamulcowe wdrażania agentowego AI. Dane, a nie algorytmy – oto, gdzie toczy się prawdziwa bitwa.

Drugi kluczowy trend: AI przestało być grą dla gigantów. Chiński startup DeepSeek pokazał, że konkurencyjny model można zrobić za znacznie mniejsze pieniądze. A molekularny projekt białka firmy „Mołekuła-Majnd” (Chiny) przyciągnął ponad 100 milionów dolarów inwestycji i demonstruje, że AI dla nauki (AI4S) staje się samodzielną branżą, oderwaną od wyścigu LLM-ów. Ich model MMFold, według deklaracji firmy, przewyższa Google AlphaFold 3 w przewidywaniu struktur przeciwciał. Oznacza to, że Chiny poważnie celują w niszę, w której USA na razie prowadzą (Google DeepMind), ale gdzie Chiny mają programy państwowe i ogromny rynek biotechnologii.

Chronologia i kontekst

Jak doszliśmy do takiego stanu rzeczy? Spójrzmy na kluczowe kamienie milowe ostatnich dwóch lat, które zmieniły reguły gry:

2024 rok: Europa przyjmuje Akt o AI – pierwszy na świecie ostry regulator. Wszyscy śmieją się, że jest zbyt wolny dla tak dynamicznej technologii. Okazuje się, że był zbyt szybki – już w 2026 roku firmy w panice wyłączają funkcjonalności dla Europejczyków.

2025 rok: Powrót Trumpa i uchylenie dekretów Bidena o bezpieczeństwie AI. USA stawiają na deregulację i prywatne inwestycje – 500 miliardów dolarów na infrastrukturę. W tym samym czasie Chiny uruchamiają program „Wschodnie dane – Zachodnie obliczenia” – narodową sieć centrów danych działających jak jeden superkomputer. Dwa zupełnie różne podejścia do tego samego problemu.

Początek 2026 roku: OpenAI składa poufny formularz S-1 w SEC w celu IPO z wyceną prawdopodobnie na 1 bilion dolarów. Anthropic robi to samo tydzień wcześniej. Rynek AI osiąga szczyt hype’u. Ale w tym samym czasie TrendForce ostrzega: dostawy układów Rubin od NVIDIA mogą się opóźnić z powodu problemów z pamięcią HBM4, chłodzeniem i łączami sieciowymi, a udział Rubina w dostawach spada z 29% do 22%. Oznacza to, że nawet NVIDIA nie radzi sobie z fizyką – chłodzenie, energia i połączenia stają się czynnikami ograniczającymi.

Marzec 2026 roku: Sprawa Nippon Life przeciwko OpenAI. Sędzia rozpatruje pozew o 10 milionów dolarów za to, że ChatGPT „praktykował prawo” – pomógł byłej klientce sporządzić 44 dokumenty sądowe po tym, jak sprawa została już zamknięta. Jeden z dokumentów zawierał fikcyjny precedens sądowy „Carr v. Gateway”. To pierwszy przypadek, gdy twórcę AI oskarża się o nielegalną praktykę za pośrednictwem produktu konsumenckiego. Jeśli pozew przetrwa etap oddalenia, zmieni to reguły gry dla wszystkich firm AI.

Czerwiec 2026 roku: ABB Robotics prezentuje Physical AI Toolchain na Automate 2026. Reka i Moonvalley ogłaszają fuzję w celu fizycznego AI. Japonia uruchamia program ARiSE (AI to Redesign Scientific Exploration) z budżetem, który na razie nie jest ujawniony, ale to flagowa inicjatywa. To właśnie te 70 lat ewolucji doprowadziły nas do punktu, w którym AI zaczyna realnie oddziaływać ze światem.

Kto wygrywa, a kto przegrywa

Zwycięzcy – firmy z pionową integracją i danymi:

• Google DeepMind wciąż prowadzi w badaniach podstawowych, zwłaszcza w AlphaFold i multimodalności. Ich integracja z Androidem i Chrome daje im 27,7% rynku LLM – przewagę strukturalną, której nie da się po prostu „dogonić” technologicznie.
• ABB Robotics – unikalny przykład przemysłowego giganta, który przekształca fizyczne AI w realny produkt. Ich Physical AI Toolchain i partnerstwo z NVIDIA (marzec 2026) zamykają lukę między symulacją a rzeczywistością. Mają 7000 pracowników i prawdziwe fabryki – to nie startup.
• Chińscy gracze w AI4S – firma „Mołekuła-Majnd” pozyskała ponad 100 milionów dolarów od konsorcjum inwestorów, w tym funduszy państwowych. Ich model MMFold przewyższa AlphaFold 3 w konkretnych zadaniach. To pokazuje, że Chiny postawiły na biologię stosowaną i mogą wygrać w długiej perspektywie, ponieważ mają dane (badania kliniczne, bazy genomowe) i wsparcie państwa.

Przegrani – startupy bez danych i bez kanałów dystrybucji:

• 75% przedsiębiorstw deklaruje wdrożenie agentowego AI, ale tylko 42% ma je w produkcji, a zaledwie nieliczne – skalowane systemy wieloagentowe. Oznacza to, że większość „platform AI” pozostanie w pilotażach i umrze, gdy inwestorzy zażądają ROI.
• Czysto tekstowe startupy LLM (poza OpenAI, Anthropic i Google) tracą rynek. Modele stają się towarem, a różnica w jakości między nimi dąży do zera. Użytkownicy wybierają według ceny, integracji i zaufania – a nie „mądrości”.

Specjalna kategoria – „regulacyjni przegrani”:

• Każda firma AI, która nie może udowodnić bezpieczeństwa i bezstronności swoich modeli, będzie cierpieć z powodu pozwów. Sprawa Nippon Life przeciwko OpenAI to dopiero początek. Jeśli sąd uzna, że twórca ponosi odpowiedzialność za działania chatbota, to składki ubezpieczeniowe dla firm AI wzrosną wielokrotnie, co zabije marżowość.

Czego media nie dopowiadają

Trzy rzeczy, których nie znajdziesz w jubileuszowych artykułach o „ewolucji”:

Po pierwsze: fizyczne AI to nie „AI w robotach”, to „roboty, które mogą się zepsuć i zabić”. Gdy LLM halucynuje, to po prostu błędna odpowiedź. Gdy fizyczne AI popełnia błąd w fabryce, to wada warta miliony dolarów lub obrażenia człowieka. ABB podkreśla, że ich system zapewnia „przemysłową precyzję” – ale to oznacza, że ograniczają AI, a nie wzmacniają go. Nie dają robotowi pełnej swobody – dają mu ściśle kontrolowany zestaw działań. To nie „rozumowanie”, to „odruch warunkowy z korektą”. I dopóki tak jest, jesteśmy daleko od AI, które moglibyśmy nazwać „inteligencją”.

Po drugie: zużycie energii to nie „problem”, to „wyrok”. Prognoza na 2026 rok – 1050 TWh dla centrów danych, co jest porównywalne z zużyciem całej Japonii lub Rosji. Do 2028 roku poszczególne zadania AI mogą pochłaniać do 326 TWh – więcej niż wszystkie centra danych w USA dzisiaj. Oznacza to, że kraje bez taniej energii (Europa) lub bez możliwości szybkiej budowy mocy wytwórczych (Wielka Brytania) będą przegrywać w wyścigu. Chiny budują centra danych w prowincjach z tanią energią wodną i węglową. USA budują w Teksasie, gdzie sieć jest już przeciążona. I to nie jest „wyzwanie”, które rozwiążą „bardziej wydajne modele” – to fundamentalne ograniczenie, które określi, gdzie powstaną kolejne 10 tysięcy centrów danych.

Po trzecie: „ewolucja” to tak naprawdę „śmierć” starych paradygmatów. Jesteśmy dumni, że AI przeszło drogę od wnioskowania logicznego do sieci neuronowych. Ale tak naprawdę sieci neuronowe zabiły symboliczne AI, głębokie uczenie zabiło klasyczne uczenie maszynowe, a transformery zabiły RNN. Teraz agentowe AI zabija „głupie chatboty”, a fizyczne AI może zabić usługi AI w chmurze jako dominujący model. To nie ewolucja, to seria masowych wymierań. A ci, którzy nie przestawią się w ciągu najbliższych 12 miesięcy, staną się kolejną warstwą w geologicznej historii technologii.

Prognoza: następne 30 dni i 90 dni

Następne 30 dni (połowa czerwca – połowa lipca 2026):

Pierwsza fala pozwów sądowych dotyczących agentowego AI. Po sprawie Nippon Life przeciwko OpenAI kancelarie prawne na całym świecie rozpoczną polowanie na firmy AI, których chatboty udzielały „porad” w regulowanych dziedzinach (prawo, medycyna, finanse). Spowoduje to spadek akcji OpenAI (jeśli do tego czasu wyjdą na giełdę) i innych publicznych firm AI o 5-10% w ciągu kilku dni po pierwszych orzeczeniach sądu. W tym samym czasie ABB Robotics zacznie zbierać pierwsze kontrakty na Physical AI Toolchain od producentów samochodów i przemysłu lotniczego – to może być katalizatorem dla akcji firm z branży robotyki przemysłowej na giełdach w USA i Niemczech.

Następne 90 dni (lipiec – wrzesień 2026):

Rozpocznie się strukturalna zmiana w finansowaniu. Inwestorzy venture capital, widząc dane Mayfield, że 60% firm nie ma formalnego systemu zarządzania AI i że dane pozostają głównym wąskim gardłem, zaczną inwestować nie w „kolejny startup AI”, ale w firmy rozwiązujące problem danych: czyszczenie, adnotacja, synteza, zarządzanie dostępem. To zabije dziesiątki „platform AI”, które są zbudowane na cudzych modelach i cudzych danych.

Równocześnie japoński program ARiSE ogłosi pierwszych grantobiorców we wrześniu, co będzie sygnałem dla światowego rynku: Japonia poważnie stawia na AI dla nauki. Może to przyciągnąć talenty z USA i Europy, gdzie pensje w AI są już przegrzane, a w Japonii są unikalne dane z zakresu materiałoznawstwa, robotyki i obrazowania medycznego.

I najważniejsze – pod koniec września zobaczymy pierwsze przemysłowe wdrożenia fizycznego AI, które się zepsują. Będzie incydent w fabryce, gdzie robot z Physical AI Toolchain od ABB popełni błąd w symulacji, co doprowadzi do wady lub przestoju. Media rozdmuchają to jako „porażkę AI”. Ale wtajemniczeni zrozumieją: to normalne. To właśnie ta „dolina rozczarowania”, o której pisano w trendach na 2026 rok. Ci, którzy przetrwają ten szok i wdrożą systemy monitorowania i wycofywania, przetrwają. Reszta odejdzie. Tak było zawsze i tak będzie znowu. Ponieważ 70 lat ewolucji to tak naprawdę 70 lat uczenia się na błędach. I wciąż się uczymy.

— Editorial Team