Wiadomości AI – listopad 2025

Listopad 2025 przejdzie do historii jako miesiąc otwartej „wojny modeli” w świecie LLM. OpenAI, Google i Anthropic niemal tydzień po tygodniu prezentowały nowe generacje modeli, a w tle zapadła rekordowa, 38-miliardowa umowa chmurowa między OpenAI a Amazonem. Na rynkach finansowych rosły zarówno oczekiwania, jak i obawy przed „bańką AI”, które Nvidia próbowała tonować świetnymi wynikami. W Polsce równolegle przyspieszyły projekty oparte na rodzimych modelach językowych (PLLuM, Bielik), a raport KPMG pokazał, że jesteśmy liderem wykorzystania AI w Europie Środkowo-Wschodniej – ale z rosnącą luką kompetencyjną. Uniwersytety, w tym Uniwersytet Szczeciński, mocno weszły w debatę o zaufaniu do AI, a nowe badania pokazały, jak generatywna AI realnie zmienia naukę i codzienne decyzje.

OpenAI i AWS: siedmioletnia umowa chmurowa za 38 mld USD 03.11.2025
https://www.reuters.com/business/retail-consumer/openai-amazon-strike-38-billion-agreement-chatgpt-maker-use-aws-2025-11-03/

Na początku listopada OpenAI podpisało z Amazon Web Services siedmioletnią umowę na usługi chmurowe o wartości 38 mld dolarów. Kontrakt zapewnia OpenAI dostęp do setek tysięcy akceleratorów GPU Nvidii w centrach danych AWS oraz możliwość dalszej rozbudowy mocy obliczeniowych po 2026 r. Jednocześnie zakończony został okres wyłączności Microsoftu jako głównego dostawcy infrastruktury, co symbolicznie otwiera erę „multi-cloud” w AI. Dla Amazona to ogromne wzmocnienie pozycji w wyścigu chmurowym – reakcją rynku był m.in. skok kursu akcji spółki oraz komentarze analityków, że AWS przestaje być „laggardem” AI. Z perspektywy sektora AI umowa pokazuje, że kluczowym „surowcem” staje się dziś nie tylko sam model, lecz przede wszystkim dostęp do gigantycznej, wysokoenergetycznej infrastruktury obliczeniowej.

OpenAI wypuszcza GPT-5.1 – nową generację modeli konwersacyjnych 12.11.2025
https://openai.com/index/gpt-5-1/

12 listopada OpenAI ogłosiło GPT-5.1 – rodzinę modeli, która zastępuje dotychczasowe GPT-5 w ChatGPT i API. W ramach serii pojawiły się przede wszystkim dwa warianty: GPT-5.1 Instant (szybszy, do zadań codziennych) oraz GPT-5.1 Thinking (głębsze, adaptacyjne rozumowanie przy złożonych problemach), a routing pomiędzy nimi może być automatycznie dobierany. OpenAI podkreśla poprawę „ludzkiej” konwersacji – model ma być cieplejszy w tonie, mniej żargonowy i lepiej wyjaśniać swoje kroki myślowe. Równolegle udostępniono GPT-5.1 w API, z wydłużoną pamięcią cache promptów (do 24 godzin) i lepszą efektywnością kosztową dla długich sesji oraz narzędzia deweloperskie, takie jak nowe funkcje apply_patch i shell. Kilka dni później pojawił się także GPT-5.1-Codex-Max – model „frontier” do kodowania, który ma być szybszy i bardziej niezawodny na wszystkich etapach cyklu życia oprogramowania. W praktyce listopad 2025 stał się momentem, w którym GPT-5.x umocnił się jako platforma nie tylko do rozmowy, ale też do zaawansowanego developingu i agentów.

Google uruchamia Gemini 3 i od razu wbudowuje go w wyszukiwarkę 18.11.2025
https://www.reuters.com/business/media-telecom/google-launches-gemini-3-embeds-ai-model-into-search-immediately-2025-11-18/

18 listopada Google ogłosiło premierę Gemini 3 – najnowszej generacji swojego modelu AI – oraz natychmiastowe włączenie go do silnika wyszukiwarki. To pierwsza sytuacja, gdy nowy model tej klasy zasila Search „od dnia zero”, bez wielotygodniowych opóźnień, co pokazuje, jak bardzo AI stała się integralnym elementem biznesowego kręgosłupa Alphabetu. Gemini 3 ma przewodzić w wielu popularnych benchmarkach i stanowi podstawę nowej funkcji Gemini Agent, która wykonuje wieloetapowe zadania, takie jak porządkowanie skrzynki mailowej czy rezerwacja podróży. W praktyce przesuwa to asystentów AI z roli „czatujących podpowiadaczy” do roli faktycznych agentów wykonawczych. Google zaprezentowało również bardziej „stronicowy” interfejs odpowiedzi, który przypomina pełne strony WWW – to budzi obawy wydawców, że ruch z wyszukiwarki będzie jeszcze mocniej przechwytywany przez generatywne odpowiedzi. Dla rynku oznacza to, że konkurencja z OpenAI i Anthropic zaczyna się toczyć nie tylko na benchmarkach, ale przede wszystkim na poziomie gotowych, monetyzowanych usług.

Anthropic prezentuje Claude Opus 4.5 – nowy lider w kodowaniu i agentach 24.11.2025
https://www.anthropic.com/news/claude-opus-4-5

24 listopada Anthropic ogłosił Claude Opus 4.5 – swój najnowszy, „najinteligentniejszy” model. W oficjalnym komunikacie firma określa go jako najlepszy na świecie model do kodowania, agentów i szeroko pojętej „obsługi komputera”, z wyraźnie lepszymi wynikami w zadaniach typu spreadsheet, forecasty finansowe czy długotrwałe agentowe workflow. Niezależne analizy i benchmarki wskazują, że Opus 4.5 wygrywa z konkurentami (w tym Gemini 3 Pro i GPT-5.1) w testach kodowania takich jak SWE-Bench Verified, choć kosztem wysokiego zużycia tokenów i ceny. Model szybko trafił do chmur – ogłoszono jego integrację m.in. z Vertex AI Google Cloud, Snowflake Cortex, Microsoft Foundry i Copilot Studio – co pokazuje, że Anthropic celuje przede wszystkim w rynek enterprise. Jednocześnie ujawniona karta systemowa podkreśla, że mimo wzmocnionych zabezpieczeń model wciąż bywa podatny na nadużycia, szczególnie poza obszarem kodu, co utrzymuje temat bezpieczeństwa agentów w centrum debaty. W efekcie listopad przyniósł sytuację, w której trzy „frontierowe” modele – GPT-5.1, Gemini 3 i Opus 4.5 – konkurują niemal łeb w łeb, ale każdy z nich celuje w trochę inną niszę (konwersacja, multimodalność, agentowe kodowanie).

Nano Banana Pro – obrazowy „kombajn” Geminiego dla biznesu 20.11.2025
https://cloud.google.com/blog/products/ai-machine-learning/nano-banana-pro-available-for-enterprise

Google Cloud ogłosił dostępność Nano Banana Pro – nowego modelu generowania obrazów opartego na Gemini 3 Pro, skierowanego przede wszystkim do zastosowań biznesowych. W porównaniu z wcześniejszym Nano Banana (Gemini 2.5 Flash Image) wersja Pro kładzie nacisk na jakość, kontrolę i wiedzę o świecie: potrafi generować obrazy z czytelnym tekstem w wielu językach, korzystając z ugruntowania w Google Search. Model wspiera m.in. tłumaczenie tekstu wewnątrz istniejących grafik, co skraca czas tworzenia lokalizowanych kampanii marketingowych, instrukcji czy infografik szkoleniowych. Dzięki możliwości wczytania nawet 14 obrazów referencyjnych marki, Nano Banana Pro ułatwia trzymanie się identyfikacji wizualnej (logo, kolory, bohaterowie, produkty) i zachowuje spójność między kolejnymi materiałami. Google mocno podkreśla zastosowania enterprise-grade: obsługę 4K, zaawansowane filtry bezpieczeństwa oraz domyślne znakowanie SynthID, a także integracje z takimi platformami jak Adobe, Figma, Canva czy Photoroom. W praktyce Nano Banana Pro staje się warstwą infrastrukturalną dla kreatywnej gospodarki – od wielkich agencji reklamowych po sklepy internetowe, które generatywną grafikę traktują jako standardowy element pipeline’u.

DS-STAR – agent danych od Google, który sam planuje analizy 06.11.2025
https://research.google/blog/ds-star-a-state-of-the-art-versatile-data-science-agent/

Google Cloud przedstawił DS-STAR – wieloagentowy system AI, który automatyzuje złożone zadania data science: od wczytania „brudnych” danych, przez planowanie analizy, po generowanie i weryfikację kodu w Pythonie. DS-STAR składa się z kilku współpracujących agentów, którzy iteracyjnie planują kroki, piszą kod, uruchamiają go i oceniają wyniki, poprawiając błędy w kolejnych iteracjach. W benchmarku DABStep system osiągnął wynik plasujący go na pierwszym miejscu względem innych agentów, co sugeruje, że w wielu scenariuszach może zastąpić ręczną pracę analityków przy powtarzalnych zadaniach. Google przedstawia DS-STAR jako narzędzie dla biznesu, które z nieprecyzyjnie opisanych problemów („Dlaczego sprzedaż w regionie X spadła w Q3?”) potrafi przejść do działającego kodu i czytelnych wizualizacji. W praktyce wprowadza to „agentowe” podejście do analizy danych, gdzie rola człowieka przesuwa się z kodowania na formułowanie pytań i walidację wyników. Dla uczelni i badaczy to zapowiedź kolejnego etapu automatyzacji warsztatu naukowego – od statystyki po eksploracyjne analizy wielkich zbiorów danych.

Kimi K2 Thinking – otwartoźródłowy „thinking model” z Chin 06.11.2025
https://moonshotai.github.io/Kimi-K2/thinking.html

Chiński startup Moonshot AI udostępnił Kimi K2 Thinking – otwartoźródłowy model „thinking”, projektowany jako agent z silnym, krok-po-kroku rozumowaniem i integracją narzędzi. Model jest kontynuacją serii Kimi K2, której wcześniejsze wersje w lipcu 2025 r. zwróciły uwagę dzięki bardzo dobrym wynikom w zadaniach programistycznych i agentskich. W listopadzie skupiono się na wersji „Thinking”, dostosowanej do pracy z tool-callingiem, planowaniem i złożonymi workflowami; dokumentacja i repozytorium udostępniają checkpointy w formacie FP8 oraz kompatybilne API w stylu OpenAI/Anthropic. Niezależne analizy wskazują, że Kimi K2 Thinking w niektórych „agentowych” benchmarkach wygrywa z modelami zamkniętymi, co wzmacnia pozycję open source w wyścigu AI – zwłaszcza w Chinach, gdzie firmy stawiają na otwartość jako sposób budowania ekosystemu deweloperów. Dla uczelni i firm oznacza to coraz szerszy dostęp do „frontierowych” możliwości bez konieczności korzystania z komercyjnych API Big Techu, choć kosztem większej odpowiedzialności za infrastrukturę i bezpieczeństwo.

IndQA – nowy benchmark OpenAI dla kultur i języków Indii 03.11.2025
https://openai.com/research/index/release/

OpenAI przedstawiło IndQA – benchmark zaprojektowany do oceny modeli AI pod kątem wiedzy o kulturze Indii i rozumowania w 12 językach. Zestaw obejmuje 2 278 pytań z 10 domen tematycznych, przygotowanych we współpracy z ponad 260 ekspertami z całego kraju. W odróżnieniu od popularnych testów typu MMLU czy MGSM, IndQA nie skupia się wyłącznie na wiedzy encyklopedycznej, lecz na kontekście kulturowym, metaforach, lokalnych zwyczajach i praktykach życia codziennego. To odpowiedź na krytykę, że globalne benchmarki faworyzują modele trenowane głównie na anglojęzycznych, zachodnich danych. IndQA ma być używany zarówno przez OpenAI, jak i przez zewnętrznych badaczy do oceny tego, czy modele rzeczywiście „rozumieją” lokalne realia, a nie tylko tłumaczą słowa. Z perspektywy polityki językowej i kulturowej to ważny krok w stronę bardziej inkluzywnych standardów oceny AI, który może inspirować analogiczne projekty np. dla języków słowiańskich.

Nested Learning – nowy paradygmat uczenia ciągłego od Google Research 07.11.2025
https://research.google/blog/introducing-nested-learning-a-new-ml-paradigm-for-continual-learning/

Zespół Google Research zaproponował koncepcję Nested Learning – nowego podejścia do uczenia maszynowego, które ma rozwiązywać problem tzw. katastoficznego zapominania w modelach uczonych ciągle. Idea polega na traktowaniu modelu nie jako jednego dużego problemu optymalizacyjnego, lecz jako zbioru „zagnieżdżonych” zadań, z własnymi wewnętrznymi workflowami i pamięcią. Taka architektura ma pozwalać modelowi przyswajać nowe umiejętności bez tracenia wcześniejszych, zbliżając się pod tym względem do neuroplastyczności ludzkiego mózgu, na którą autorzy wprost się powołują. W artykule wskazano, że tradycyjne podejście – po prostu dalsze trenowanie na nowych danych – prowadzi do utraty wcześniejszych kompetencji, co jest poważną barierą w budowaniu „samodoskonalących się” agentów. Nested Learning testowano na zadaniach zbliżonych do LLM, pokazując poprawę stabilności przy sekwencyjnym uczeniu kolejnych zadań. Dla społeczności badawczej to sygnał, że kolejny etap rozwoju modeli może polegać nie tyle na powiększaniu parametrów, ile na lepszej organizacji wewnętrznych procesów uczenia.

Nvidia: rekordowe wyniki i gorąca dyskusja o „bańce AI” 19.11.2025
https://www.reuters.com/world/china/ai-leader-nvidia-forecasts-fourth-quarter-revenue-above-estimates-2025-11-19/

19 listopada Nvidia opublikowała wyniki za III kwartał roku finansowego 2026, po raz kolejny znacząco przebijając oczekiwania rynku. Przychody spółki sięgnęły 57 mld dolarów, z czego aż 51,2 mld pochodziło z segmentu centrów danych – wzrost o 66% rok do roku – napędzanych przede wszystkim popytem na procesory do treningu modeli AI. Łączna wartość zapisanych zamówień na chipy do 2026 r. ma sięgać 500 mld dolarów, co wzmacnia narrację o „fabrykach AI” jako nowej infrastrukturze krytycznej. Jednocześnie w listopadzie kurs Nvidii był bardzo zmienny – spółka straciła kilka procent wartości pod wpływem obaw o konkurencję (postępy Google z TPU oraz start-upów takich jak DeepSeek) i możliwe „przeinwestowanie” w sektor AI. W trakcie telekonferencji prezes Jensen Huang próbował tonować nastroje, podkreślając, że popyt na AI nie jest spekulacyjny, lecz oparty na realnej transformacji architektury centrów danych („excelujemy na każdym etapie AI”). Dla inwestorów i regulatorów listopadowe wyniki Nvidii stały się papierkiem lakmusowym: czy boom AI to trwały trend infrastrukturalny, czy jednak potencjalna bańka wymagająca większej ostrożności. (więcej o „bańce AI” można przeczytać na naszych stronach w artykule Profesora Stecyka: https://ai.usz.edu.pl/2025/11/20/euforia-i-niepewnosc-analiza-spekulacyjnej-banki-inwestycyjnej-w-sektorze-sztucznej-inteligencji)

Yoshua Bengio w „Nature”: AI, która „nie daje spać po nocach” 12.11.2025
https://www.nature.com/articles/d41586-025-03686-1

W połowie listopada „Nature” opublikowało obszerny wywiad z Yoshua Bengio – jednym z „ojców chrzestnych” współczesnego deep learningu – poświęcony egzystencjalnym ryzykom AI. Bengio przyznaje, że rozwój modeli ogólnego przeznaczenia „nie daje mu spać po nocach” i że w ostatnich latach coraz bardziej koncentruje się na badaniu bezpieczeństwa systemów AI. W rozmowie pojawia się m.in. temat potencjalnych nadużyć (biobroń, masowe manipulacje, cyberataki), ale też ryzyka utraty kontroli nad systemami uczącymi się bardzo szybko i autonomicznie. Bengio opowiada o inicjatywach, które mają wbudowywać bezpieczeństwo w architekturę modeli od samego początku, zamiast „doklejać” je później. Wywiad to ważny sygnał dla społeczności naukowej i decydentów – jeśli jeden z głównych architektów obecnej rewolucji tak mocno bije na alarm, trudno ignorować temat. Materiałowi towarzyszył odcinek podcastu „Nature”, w którym Bengio rozwija te wątki, mówiąc m.in. o konieczności globalnej współpracy nad regulacją i standardami bezpieczeństwa AI. Dla środowiska akademickiego w Polsce to dobry punkt wyjścia do dyskusji na zajęciach dotyczących etyki i bezpieczeństwa systemów uczących się.

Sam Altman o zaufaniu, perswazji i nowym urządzeniu AI 05–24.11.2025
https://conversationswithtyler.com/episodes/sam-altman-2/

Listopad przyniósł kilka głośnych wystąpień Sama Altmana, prezesa OpenAI. W rozmowie „Sam Altman on Trust, Persuasion, and the Future of Intelligence” dla podcastu „Conversations with Tyler” Altman omawia m.in., jak trudno jest naprawdę zmienić czyjeś zdanie i czy systemy AI mogą „przypadkiem” stać się potężnymi narzędziami perswazji. Podkreśla, że zaufanie do modeli będzie kluczowe – zarówno w kontekście błędów i halucynacji, jak i możliwości nadużyć w polityce czy reklamie. W innym wystąpieniu – opisanym przez TechCrunch – Altman zdradza szczegóły planowanego urządzenia hardware’owego OpenAI, które ma być „spokojniejsze i bardziej stonowane niż smartfon” i wpisywać się w ideę mniej inwazyjnej, bardziej kontekstowej obecności AI w życiu codziennym. Oba wątki – perswazja i nowe formy interfejsu – dobrze ilustrują, że kolejny etap wyścigu nie toczy się tylko o możliwości modeli, ale także o sposób ich „wbudowania” w społeczeństwo. Dla dydaktyki to cenny materiał do dyskusji o tym, jak projektować systemy AI, które są nie tylko mocne, ale również odpowiedzialne i transparentne.

Polska liderem wykorzystania AI w regionie – raport KPMG 25.11.2025
https://kpmg.com/pl/pl/home/media/press-releases/2025/11/media-press-sztuczna-inteligencja-w-europie-srodkowo-wschodniej-polska-liderem-wykorzystania-ai-w-regionie-jednak-luka-kompetencyjna-rosnie.html

KPMG opublikowało raport „Sztuczna inteligencja w Europie Środkowo-Wschodniej”, z którego wynika, że Polska jest liderem wykorzystania AI w regionie, ale jednocześnie mierzy się z rosnącą luką kompetencyjną. Według badania respondenci z krajów CEE najczęściej wskazują trzy główne korzyści z użycia AI: łatwiejszy dostęp do informacji i usług (77%), poprawę efektywności (77%) oraz ograniczenie powtarzalnych czynności (76%). Polska wpasowuje się w ten trend – użytkownicy widzą przede wszystkim praktyczne usprawnienia w codziennej pracy. Jednocześnie raport podkreśla, że tempo wdrażania narzędzi AI wyprzedza tempo budowania kompetencji cyfrowych pracowników, co w dłuższej perspektywie może ograniczać potencjał wdrożeń. Dla uczelni oznacza to jasny sygnał: programy kształcenia powinny łączyć teorię z praktyczną nauką pracy z agentami, modelami językowymi i narzędziami no-code/low-code. Raport może stać się ważnym punktem odniesienia dla polityki publicznej i strategii rozwoju kompetencji cyfrowych w Polsce.

Poznań wdraża asystenta AI opartego na PLLuM i ShpaRAG początek 11.2025 (pilotaż); informacje prasowe 29.11–01.12.2025
https://www.poznan.pl/mim/info/news/poznan-testuje-narzedzie-ai%2C267588.html

Miasto Poznań rozpoczęło pilotaż asystenta opartego na polskim dużym modelu językowym PLLuM, tworzonego we współpracy z NASK i wykorzystującego narzędzie ShpaRAG (RAG z polskimi źródłami). Według komunikatów miejskich i lokalnych mediów rozwiązanie zostało wprowadzone do systemu administracyjnego na początku listopada, a jego celem jest jednoczesne ułatwienie kontaktu mieszkańców z urzędem oraz odciążenie urzędników. Asystent ma odpowiadać na pytania dotyczące spraw urzędowych na podstawie aktualnych dokumentów i procedur, zamiast polegać na ogólnej wiedzy internetu – to klasyczny przykład zastosowania RAG z lokalnymi danymi. Projekt jest jednym z pierwszych tak szeroko zakrojonych testów polskiego LLM-a w administracji publicznej, co czyni go ważnym case study dla innych samorządów. Dla środowiska akademickiego to z kolei znakomity materiał do analiz: jak modele językowe radzą sobie z urzędniczym językiem, jakie mają ograniczenia i jak projektować interfejsy, by nie wprowadzać obywateli w błąd. Jeśli pilotaż zakończy się sukcesem, może stać się argumentem za szerszym wykorzystaniem rodzimych modeli (PLLuM, Bielik) w sektorze publicznym.

Uniwersytet Szczeciński: konferencja „Czy możemy zaufać sztucznej inteligencji?” i nowy projekt badawczy 11.2025
https://usz.edu.pl/konferencja-czy-mozemy-zaufac-sztucznej-inteligencji-zainaugurowala-projekt-badawczy-uniwersytetu-szczecinskiego

W listopadzie na Uniwersytecie Szczecińskim odbyła się konferencja „Czy możemy zaufać sztucznej inteligencji?”, stanowiąca inaugurację nowego projektu badawczego poświęconego zaufaniu do systemów AI. Z krótkich komunikatów uczelni oraz materiałów promocyjnych wynika, że wydarzenie zgromadziło badaczy z różnych dziedzin – od informatyki, przez prawo i nauki społeczne, po etykę i filozofię. Dyskusje dotyczyły zarówno technicznych aspektów wiarygodności modeli (błędy, halucynacje, stabilność), jak i społecznych konsekwencji ich wdrażania – w administracji, edukacji czy biznesie. Konferencja została powiązana z inauguracją projektu, który ma w kolejnych latach analizować, jak budować i mierzyć zaufanie do systemów AI w lokalnym i europejskim kontekście regulacyjnym. Dla Uniwersytetu Szczecińskiego to ważny krok w budowaniu rozpoznawalności w obszarze badań nad odpowiedzialną AI oraz naturalne zaplecze merytoryczne dla Komisji AI US. Z perspektywy studentów i kadry konferencja otwiera przestrzeń do włączania w dydaktykę najnowszych wątków – od bezpieczeństwa modeli po ich wpływ na codzienne praktyki naukowe.

Digital skills i AI w centrum uwagi – Digital Skills Summit i inne inicjatywy w Polsce 20–26.11.2025
https://www.nask.pl/aktualnosci/technologia-nie-czeka-digital-skills-summit-o-cyfrowym-rozwoju

NASK oraz partnerzy publiczni i prywatni zorganizowali pod koniec listopada Digital Skills Summit – wydarzenie poświęcone rozwojowi kompetencji cyfrowych, w którym ważną rolę odgrywała sztuczna inteligencja. W wypowiedziach organizatorów podkreślano, że „rozwijanie kompetencji cyfrowych i oswajanie się z technologiami, takimi jak AI, nie jest już opcją, ale koniecznością, jeśli chcemy pozostać atrakcyjnymi pracownikami na rynku pracy”. Równolegle inne instytucje (m.in. wojewódzkie urzędy pracy) organizowały konferencje tematyczne, takie jak „Sztuczna inteligencja: od trendu do transformacji” w Krakowie, adresowane do firm szkoleniowych i doradczych. Wspólnym mianownikiem tych inicjatyw jest przejście od rozmowy o samej technologii do rozmowy o kompetencjach: jak uczyć ludzi współpracy z agentami, jak rozwijać krytyczne myślenie wobec wyników generowanych przez modele, jak projektować nowe role (AI supervisor, AI operations). Dla uniwersytetów oznacza to rosnące oczekiwanie, że program kształcenia będzie nie tylko „o AI”, ale także „z AI” – z wykorzystaniem narzędzi w dydaktyce, badaniach i administracji.