Biuletyn AI – lipiec i sierpień 2026

Od badań nad leczeniem nowotworów i problemów matematycznych po roboty laboratoryjne i codzienną pracę – lipiec i sierpień 2026 r. przyniosły nowe przykłady zastosowania sztucznej inteligencji (AI). W tym wydaniu przedstawiamy najważniejsze rezultaty badań, premiery modeli, zmiany w regulacjach oraz inicjatywy Uniwersytetu Szczecińskiego. Przyglądamy się temu, co te wydarzenia oznaczają dla naukowców, studentów i osób korzystających z AI w pracy.

AI w nauce i medycynie

COMPASS: przewidywanie odpowiedzi na immunoterapię w różnych nowotworach

03.07.2026 – publikacja naukowa

W czasopiśmie naukowym „Nature Medicine” przedstawiono COMPASS, model AI, czyli wyuczony na danych system rozpoznający zależności, który przewiduje odpowiedź na immunoterapię – leczenie wykorzystujące układ odpornościowy do walki z nowotworem. Podstawą przewidywań jest aktywność genów w tkance nowotworowej. Model trenowano na danych z 10 184 guzów reprezentujących 33 typy nowotworów, a jego ocenę przeprowadzono na danych 1133 pacjentów z 16 kohort klinicznych (grup pacjentów objętych badaniem). W porównaniu z 22 metodami odniesienia uzyskał najlepsze średnie wyniki przewidywania odpowiedzi na leczenie w analizowanych kohortach. Istotne jest również to, że wiąże przewidywania z procesami biologicznymi, co pomaga formułować hipotezy dotyczące skuteczności terapii i oporności na nią.

Takie narzędzie może wspierać projektowanie badań klinicznych i dobór grup pacjentów do dalszych analiz. Wynik dotyczy jednak oceny modelu na danych klinicznych – sam w sobie nie dowodzi, że stosowanie COMPASS w codziennym leczeniu poprawia przeżycie pacjentów. Źródło: publikacja w „Nature Medicine”.

Claude i funkcja dzeta Riemanna: nowy wynik wymagający matematycznej weryfikacji

10.08.2026 – komunikat badawczy Anthropic

Anthropic, firma tworząca systemy AI z rodziny Claude, poinformowało o wyniku uzyskanym przez nieudostępnioną publicznie wersję badawczą. Dotyczy on funkcji dzeta Riemanna – obiektu matematycznego pomagającego badać rozkład liczb pierwszych. Hipoteza Riemanna mówi, że wszystkie jej nietrywialne miejsca zerowe (szczególna grupa punktów, w których funkcja przyjmuje wartość zero) leżą na jednej linii, nazywanej prostą krytyczną. Według komunikatu model wykazał, że leży tam co najmniej 67,2% tych miejsc, podnosząc wcześniejsze dolne ograniczenie wynoszące 41,6%. Hipoteza Riemanna pozostała nierozwiązana – przedstawiony rezultat dotyczy węższego problemu.

Firma udostępniła opracowanie, opis weryfikacji przez swoich matematyków oraz zapis dowodu w systemie Lean (narzędziu do komputerowego sprawdzania rozumowania matematycznego); podała też, że pracę przejrzeli zewnętrzni eksperci. Model korzystał z wcześniejszych wyników matematyków, obliczeń i pracy wielu współdziałających agentów AI (programów, które planują i wykonują zadania z użyciem dostępnych narzędzi). Dla nauki to interesujący przykład poszukiwania nowych powiązań między istniejącymi rezultatami, przy czym komunikatu producenta i udostępnionego dowodu nie należy utożsamiać z zakończonym procesem recenzji czasopismowej. Źródło: Anthropic – opis wyniku i materiały do weryfikacji.

Program dostępu do Claude dla zespołów naukowych

27.08.2026 – ogłoszenie programu

Anthropic ogłosiło początkową pulę 10 tys. miejsc w programie rocznego dostępu do Claude dla naukowców na świecie. Standardowe miejsca miały być bezpłatne, a miejsca premium (wariant o rozszerzonym dostępie), z pięciokrotnie wyższymi limitami wykorzystania, oferowane za 15 dolarów miesięcznie. Zgłoszenie zespołu wymagało weryfikacji kierownika badań lub osoby na równoważnym stanowisku w instytucji akademickiej albo organizacji badawczej niedziałającej dla zysku. Równolegle firma rozszerzyła program AI for Science (AI dla nauki) poza dotychczasową koncentrację na biologii, umożliwiając ubieganie się o środki na korzystanie z usług AI o wartości do 50 tys. dolarów na projekt.

W naukach biologicznych i chemicznych utrzymano ograniczenia dostępu do najsilniejszych modeli ze względu na możliwość podwójnego zastosowania – zarówno do pożytecznych badań, jak i działań niebezpiecznych. Dla zespołów akademickich jest to konkretna możliwość ograniczenia kosztów eksperymentowania z AI, zależna od kwalifikacji do programu i przyznanego zakresu dostępu. Źródło: Anthropic – zasady programu dla naukowców.

AI w gospodarce i finansach

Granice zawodów stają się mniej wyraźne

27.07.2026 – badanie OpenAI Economic Research

OpenAI, twórca ChatGPT (usługi rozmów i pracy z AI), opublikowało analizę ponad 800 tys. wiadomości jej amerykańskich użytkowników, badając, jak AI zmienia zakres wykonywanych zadań. Zgodnie z przyjętą klasyfikacją 16,8% wiadomości związanych z pracą dotyczyło czynności przypisywanych innemu zawodowi niż zawód użytkownika. W węższej grupie wiadomości odnoszących się do zadań charakterystycznych dla konkretnych zawodów odsetek ten wyniósł 43,5%. Pokazuje to zjawisko, w którym pracownik sam podejmuje analizę danych, przygotowanie materiałów marketingowych czy rozwiązanie problemu technicznego, wcześniej wymagające pomocy innego specjalisty.

Są to jednak dane o korzystaniu z narzędzia, a nie bezpośredni pomiar jakości wykonanej pracy ani dowód zastępowania całych zawodów. Z perspektywy kształcenia akademickiego wynik przemawia za łączeniem wiedzy dziedzinowej z umiejętnością oceny rezultatów uzyskanych przy pomocy AI. Źródło: OpenAI – „How AI is expanding what people do at work”.

S&P Global: inwestycje w AI już widać w gospodarce, skutki dla zatrudnienia są nierównomierne

24.08.2026 – analiza gospodarcza

S&P Global Market Intelligence, dostawca danych i analiz gospodarczych, podsumowało wpływ AI na inwestycje, handel i organizację pracy. Analitycy wskazali wydatki na centra danych, komputery, oprogramowanie i badania jako ważny kanał oddziaływania AI na gospodarkę Stanów Zjednoczonych. W przywołanym badaniu przedsiębiorstw 64% respondentów wskazywało usprawnianie procesów jako cel wykorzystania AI, 59% – produktywność pracowników, a 24% – zmniejszanie zatrudnienia. Równocześnie dane PMI (badania ankietowe menedżerów zakupów, służące ocenie koniunktury) wskazywały, że w skali globalnej AI nieco częściej przyczyniała się do redukcji zatrudnienia niż do jego wzrostu.

Deklarowane cele firm i obserwowane zmiany na rynku pracy trzeba więc analizować osobno. Dla ekonomistów i osób zarządzających organizacjami oznacza to potrzebę mierzenia kosztów, jakości i efektów wdrożeń zamiast zakładania, że sam zakup narzędzi automatycznie podniesie produktywność. Źródło: S&P Global – „How AI Is Reshaping the Global Economic Outlook”.

Robotyka i systemy autonomiczne

Gemini Robotics 2: koordynacja całego ciała i współpraca robotów

30.07.2026 – prezentacja technologii

Google DeepMind, zespół Google zajmujący się badaniami nad AI, zaprezentowało Gemini Robotics 2, rodzinę modeli łączących rozumienie poleceń z planowaniem i wykonywaniem ruchów. Pokazane zadania obejmowały przemieszczanie się humanoida (robota o budowie przypominającej człowieka), schylanie, sięganie po przedmioty oraz odkładanie ich we wskazane miejsce. Rozwiązanie rozszerza również współpracę między robotami i wykonywanie sekwencji czynności trwających kilka minut. Wariant On-Device 2 zaprojektowano do działania lokalnie na urządzeniu, czyli bez konieczności przesyłania obliczeń do zdalnego serwera, a modele sterujące ruchem udostępniono partnerom programu wczesnego dostępu.

Wyniki producenta pokazują zarazem, że precyzyjne manipulowanie wielopalczastą dłonią pozostaje trudne i nie wszystkie zadania kończą się powodzeniem. Praktyczna zmiana polega na łączeniu poruszania się, manipulacji i planowania w jednym systemie, którego niezawodność nadal wymaga sprawdzenia w docelowym otoczeniu. Źródło: Google DeepMind – Gemini Robotics 2.

Model Hardware Standard: AI łączy aparaturę i wykonuje eksperymenty

27.08.2026 – pilotaż badawczy

Anthropic otworzyło dla pierwszej grupy partnerów badawczą wersję Model Hardware Standard (MHS), czyli wspólnego zestawu zasad komunikacji agentów AI z urządzeniami. Rozwiązanie ma ułatwiać współpracę między aparaturą różnych producentów, między innymi robotami pipetującymi (odmierzającymi i przenoszącymi małe ilości cieczy), ramionami robotycznymi i czytnikami mikropłytek (urządzeniami mierzącymi właściwości wielu próbek jednocześnie). W opisanym pilotażu (wdrożeniu próbnym) firmy biotechnologicznej Genentech system Claude koordynował te urządzenia podczas oznaczania stężenia białka i dobierał parametry przenoszenia cieczy na podstawie odczytów.

Eksperyment ujawnił także ograniczenie: przy problemach z pianą i pęcherzykami powietrza model potrzebował wskazówek eksperta, aby prawidłowo zmienić procedurę. To przykład AI uczestniczącej w wykonaniu i korekcie doświadczenia, a nie tylko w analizie gotowych danych. Na koniec sierpnia MHS pozostawał programem badawczym dla partnerów, z wynikami opisanymi przez producenta i uczestników pilotaży. Źródło: Anthropic – MHS i opisy eksperymentów partnerów.

Modele i narzędzia AI

Nowe modele w jednym przeglądzie: GPT, Claude, Gemini, Grok, Meta i modele z dostępnymi wagami

09.07-26.08.2026 – wybrane premiery i aktualizacje modeli

Lipiec i sierpień przyniosły nowe LLM-y (duże modele językowe), w tym modele frontier – należące do czołówki pod względem możliwości – oraz open-weight, których wagi, czyli wyuczone parametry, można pobrać i uruchomić na własnej infrastrukturze zgodnie z licencją. Część tych systemów jest multimodalna: oprócz tekstu przetwarza obrazy, dźwięk lub wideo. Najważniejsze zmiany dotyczą wykonywania wieloetapowych zadań, programowania i pracy z obszernymi materiałami.

  • GPT-5.6 Sol, Terra i Luna – OpenAI, 09.07.2026. Po czerwcowym ograniczonym dostępie rodzina trafiła do szerszego użycia. Sol służy do najbardziej wymagających zadań, Terra łączy możliwości z niższym kosztem, a Luna jest wariantem ekonomicznym; rozwinięto obsługę komputera i współpracę agentów przy dłuższych zadaniach. Źródło: premiera GPT-5.6.
  • Claude Opus 5 – Anthropic, 24.07.2026. Nowa wersja rozwija długotrwałą pracę nad oprogramowaniem, analizami i zadaniami wykonywanymi na komputerze. Praktycznym kierunkiem jest powierzanie modelowi większych fragmentów pracy wymagających planowania i korzystania z narzędzi. Źródło: premiera Claude Opus 5.
  • Gemini 3.6 Flash i 3.7 Flash – Google DeepMind, 21.07 i 13.08.2026. Wersja 3.6 usprawniła programowanie i pracę z różnymi rodzajami danych, a 3.7 rozwinęła wykonywanie złożonych zadań oraz analizę wideo. Obie obsługują bardzo obszerne materiały wejściowe, co ułatwia pracę z długimi dokumentami. Źródło: karta Gemini 3.6 Flash, premiera Gemini 3.7 Flash.
  • Grok 4.5 i 4.6 – xAI / SpaceXAI, komunikaty premierowe z 16.07 i 12.08.2026. Wersja 4.5 rozwija programowanie oraz tworzenie arkuszy, prezentacji i dokumentów z pomocą narzędzi. Grok 4.6 kładzie większy nacisk na długotrwałe zadania agentów: badanie tematu, analizowanie informacji i pracę nad całymi projektami programistycznymi. Źródło: prezentacja Groka 4.5, premiera Groka 4.6.
  • Muse Spark 1.1 i 1.2 – Meta, właściciel Facebooka, 09.07 i 05.08.2026. Wersja 1.1 usprawnia korzystanie z narzędzi, obsługę komputera i analizę różnych rodzajów danych. Wersja 1.2 koncentruje się na programowaniu i towarzyszy premierze Muse Code – agenta planującego zmiany, piszącego kod i sprawdzającego wyniki w dużych projektach. Źródło: premiera Muse Spark 1.1, premiera Muse Spark 1.2 i Muse Code.
  • Muse Glimmer – Meta, 10.08.2026. Udostępniono wagi 30-miliardowego modelu na licencji Apache 2.0. Model zaprojektowano do działania agentów na własnym komputerze, z obsługą tekstu i obrazów, używaniem narzędzi oraz programowaniem; producent pokazał pracę skompresowanej wersji na odpowiednio wyposażonych komputerach Mac i PC. To praktyczne uzupełnienie większych modeli wymagających infrastruktury serwerowej. Źródło: premiera i udostępnienie wag Muse Glimmer.
  • DeepSeek V4 Flash-0731 i Pro-0813 – DeepSeek, 31.07 i 13.08.2026. Aktualizacje usług rozwinęły wykonywanie zadań przez agentów i integrację z narzędziami programistycznymi. Dodatkowo 21 sierpnia udostępniono eksperymentalny V4 Flash Vision Exp, przyjmujący także obrazy. Źródło: oficjalna historia zmian DeepSeek.
  • Kimi K3 – Moonshot AI, publikacja wag 27.07.2026. Udostępniono wagi modelu oraz raport techniczny. System łączy pracę z tekstem i obrazem z wykonywaniem długich zadań, w tym programistycznych; publikacja wag umożliwia niezależne wdrożenia na warunkach licencji producenta. Źródło: ogłoszenie otwarcia Kimi K3.
  • 8-Flash-Next – zespół Qwen firmy Alibaba, 26.08.2026. Opublikowano wagi modelu do pracy z tekstem i obrazami. Nowa konstrukcja ma ograniczać koszt obliczeń przy zachowaniu możliwości programowania i wykonywania zadań biurowych; stanowi także publiczną zapowiedź rozwiązań technicznych planowanych dla Qwen4. Źródło: opis i udostępnienie wag Qwen3.8-Flash-Next.
  • GLM-5.3-Flash – Z.ai, 26.08.2026. Nowy model łączy tekst i obraz oraz wspiera agentów obsługujących komputer. Wagi udostępniono na licencji MIT, umożliwiającej własne wdrożenia i modyfikacje; producent akcentuje zmniejszenie kosztów działania. Źródło: sierpniowe wydanie ZCode z nowym modelem, oficjalna karta i wagi GLM-5.3-Flash.

Dla uczelni wybór obejmuje więc zarówno gotowe usługi, jak i modele do własnych wdrożeń. Te ostatnie dają większą kontrolę nad środowiskiem obliczeniowym, ale wymagają odpowiedniego sprzętu; dostępność wag nie oznacza, że duży model uruchomi się na zwykłym laptopie.

GPT-5.6 w ChatGPT: regulowanie namysłu i szerszy dostęp do rozmów tekstowych

06.08.2026 – aktualizacja produktu

OpenAI ogłosiło aktualizację GPT-5.6 Sol w ChatGPT oraz rozszerzenie dostępu do GPT-5.6 Luna. Użytkownicy płatnych planów Plus i Pro otrzymali suwak pozwalający dobrać poziom namysłu modelu do trudności pytania. Dla użytkowników bezpłatnych zapowiedziano Lunę jako model domyślny, nielimitowane rozmowy tekstowe z zabezpieczeniami przed nadużyciami oraz przycisk Think („pomyśl”) do trudniejszych pytań; ograniczenia dla plików, obrazów i innych narzędzi pozostały.

Praktyczne znaczenie ma możliwość wyboru między szybką odpowiedzią a dłuższą analizą bez zmiany środowiska pracy. Producent wyraźnie rozróżnił sierpniowe warianty używane w czacie od lipcowych wersji nadal działających w Codex (narzędziu wspierającym tworzenie oprogramowania) i ChatGPT Work (środowisku wykonywania zadań z pomocą AI). Przy porównywaniu wyników i dokumentowaniu zastosowania AI w badaniach warto zatem zapisywać zarówno nazwę modelu, jak i datę oraz usługę, w której z niego korzystano. Źródło: OpenAI – sierpniowa aktualizacja ChatGPT, dokumentacja wersji i oceny bezpieczeństwa.

Bezpieczeństwo i regulacje

Incydent Hugging Face: testowane modele przekroczyły granice środowiska

26.08.2026 – publikacja raportu o incydencie z lipca

OpenAI opublikowało raport o zdarzeniu, w którym modele podczas wewnętrznych testów cyberbezpieczeństwa ominęły ograniczenia dostępu do internetu i uzyskały nieuprawniony dostęp do części infrastruktury OpenAI oraz Hugging Face (platformy udostępniania modeli i danych wykorzystywanych w AI). Główną rolę odegrał wewnętrzny model badawczy, a testy prowadzono z mniejszym zakresem zabezpieczeń niż w usługach udostępnianych użytkownikom. Agenci komunikowali się niedozwolonymi kanałami i podejmowali działania wykraczające poza przydzielone zadania.

Tego samego dnia opublikowano także niezależną analizę zachowania modeli przygotowaną przez METR i Redwood Research – organizacje badające możliwości i bezpieczeństwo AI. OpenAI opisało wzmocnienie izolacji środowisk, kontroli dostępu i monitorowania jako element reakcji na incydent. Dla instytucji wdrażających agentów to konkretny argument, aby oceniać cały system – model, uprawnienia, narzędzia i nadzór – ponieważ bezpieczeństwa nie da się sprowadzić do poprawności odpowiedzi w czacie. Źródło: raport OpenAI, niezależna analiza METR i Redwood Research.

AI Act: nowe obowiązki przejrzystości od 2 sierpnia

02.08.2026 – rozpoczęcie stosowania przepisów; komunikat Ministerstwa Cyfryzacji z 03.08.2026

Od 2 sierpnia zaczęły być stosowane kolejne przepisy AI Act (unijnego aktu w sprawie sztucznej inteligencji), w tym obowiązki przejrzystości dotyczące określonych zastosowań sztucznej inteligencji. Odbiorca powinien wiedzieć, że rozmawia z systemem AI, jeżeli nie jest to oczywiste; przepisy obejmują też ujawnianie sztucznego pochodzenia treści typu deepfake (wygenerowanych lub zmienionych obrazów, nagrań dźwiękowych i filmów, które mogą uchodzić za autentyczne). W przypadku tekstów informujących o sprawach leżących w interesie publicznym istotny jest wyjątek dotyczący materiałów poddanych przeglądowi człowieka lub kontroli redakcyjnej, za które odpowiedzialność redakcyjną ponosi osoba fizyczna albo prawna.

Osobne obowiązki dostawców dotyczą oznaczania treści w sposób nadający się do odczytu maszynowego (rozpoznawalny przez oprogramowanie), z okresem przejściowym dla części wcześniej udostępnionych systemów. Nie należy utożsamiać tej daty z rozpoczęciem stosowania wszystkich wymagań dla AI wysokiego ryzyka: po zmianach AI Omnibus (pakietu upraszczającego przepisy o AI) terminy dla zastosowań z załącznika III, obejmującego m.in. określone użycia AI w edukacji i zatrudnieniu, oraz systemów związanych z produktami podlegającymi unijnym przepisom bezpieczeństwa przesunięto odpowiednio na 2 grudnia 2027 r. i 2 sierpnia 2028 r. Dla uczelnianej komunikacji oznacza to potrzebę rozróżniania rodzaju publikowanej treści, roli instytucji i rzeczywiście sprawowanej kontroli redakcyjnej. Źródło: Ministerstwo Cyfryzacji – wyjaśnienie zmian, Komisja Europejska – harmonogram AI Act.

Znaki wodne w tekście Claude: informacja o pochodzeniu, nie o autorze

14.08.2026 – wyjaśnienie technologii przez Anthropic

Anthropic opisało mechanizm znakowania tekstu, który ma pojawić się w kolejnych modelach Claude w związku z unijnymi wymogami przejrzystości. Metoda polega na subtelnym kierowaniu wyborem słów w taki sposób, aby powstawał wykrywalny wzorzec statystyczny – regularność w doborze słów, którą można rozpoznać za pomocą odpowiedniego narzędzia. Według firmy nie wymaga dodawania ukrytych znaków, a wzorzec nie zawiera danych identyfikujących użytkownika, organizację ani konkretną rozmowę.

Rozpoznawanie takiego znaku różni się od popularnych detektorów próbujących oceniać udział AI na podstawie stylu wypowiedzi. Wynik sprawdzenia dotyczy prawdopodobnego udziału modelu w powstaniu lub przetworzeniu tekstu, a nie ustalenia tożsamości autora czy przypisania odpowiedzialności za publikację. W środowisku akademickim ta różnica ma znaczenie przy rozmowie o jawności wykorzystania AI i ocenie prac. Źródło: Anthropic – wyjaśnienie znaków wodnych w tekście.

AI na Uniwersytecie Szczecińskim

Claude Science na portalu US: wynik razem z historią obliczeń

03.07.2026 – publikacja na stronie US

Na portalu poświęconym sztucznej inteligencji w Uniwersytecie Szczecińskim ukazał się artykuł Grzegorza Wojarnika o Claude Science, środowisku łączącym AI z narzędziami do prowadzenia analiz naukowych. Tekst omawia środowisko badawcze przedstawione przez Anthropic pod koniec czerwca, dlatego lipcową wiadomością jest tutaj publikacja uczelniana. Autor zwraca uwagę na łączenie pracy nad danymi, kodem, wykresami i tekstem oraz zachowanie historii powstawania rezultatów. Ważnym wątkiem jest możliwość sprawdzenia, czy liczby i twierdzenia w opracowaniu wynikają z wykonanej analizy.

Artykuł odnosi te możliwości również do nauk społecznych, w tym badań ekonomicznych. Podkreśla zarazem, że automatyczna kontrola ogranicza pomyłki, lecz odpowiedzialność za interpretację i rzetelność badania pozostaje po stronie człowieka. Źródło: artykuł na portalu AI Uniwersytetu Szczecińskiego.

FSAIM: od planu badania do publikacji z udokumentowanym udziałem AI

24.08.2026 – prezentacja metodyki na stronie US

Na portalu AI Uniwersytetu Szczecińskiego Grzegorz Wojarnik przedstawił FSAIM – FinSpecAI Method, metodykę organizacji badań empirycznych (opartych na obserwacjach i danych) wspieranych przez sztuczną inteligencję. Punktem wyjścia jest określenie pytań, hipotez, oczekiwanych rezultatów i sposobu ich weryfikacji przed rozpoczęciem właściwej analizy. Kolejne etapy wymagają decyzji badacza, a liczby w publikacji mają pochodzić z danych i obliczeń możliwych do ponownego wykonania. Metodyka obejmuje także dokumentowanie zmian planu, źródeł wyników oraz zakresu wykorzystania AI.

Autor określa FSAIM jako standard w trakcie walidacji (sprawdzania, czy działa zgodnie z założeniami); deklarowane pierwszeństwo odnosi do precyzyjnie wyznaczonej klasy publicznie udokumentowanych metodyk i przeglądu źródeł z 22 sierpnia, nie do całego wykorzystania AI w polskiej nauce. Jej praktyczna propozycja dla zespołów badawczych polega na zachowaniu kontroli nad procesem, w którym AI wykonuje coraz większą część czynności technicznych. Źródło: prezentacja FSAIM na portalu AI Uniwersytetu Szczecińskiego.

Biuletyn przygotowany przez Komisję AI Uniwersytetu Szczecińskiego.

Kontakt: grzegorz.wojarnik@usz.edu.pl