Pytanie za 650 mld $
W styczniu 2025 roku świat technologii stanął w obliczu zderzenia dwóch przeciwstawnych narracji. Z jednej strony Stargate: projekt zakładający wydanie 500 miliardów dolarów na centra danych i infrastrukturę AI (przechodzący gwałtowne zmiany).
Z drugiej: DeepSeek, chiński model językowy wytrenowany za ułamek przewidywanych kosztów, który osiągnął konkurencyjne wyniki wobec gigantów z Doliny Krzemowej.
To zderzenie dwóch różnych modeli biznesowych, świata wartości, systemów politycznych ujawniło fundamentalne napięcie w branży sztucznej inteligencji: czy jesteśmy świadkami największej rewolucji technologicznej w historii, wymagającej bezprecedensowych inwestycji, czy też nadmuchanej bańki spekulacyjnej, która nieuchronnie pęknie?
David Cahn z Sequoia Capital, autor słynnego eseju “pytanie za 600 miliardów dolarów”, dzieli się swoją perspektywę tych dylematów. Jego analiza, przeprowadzona tuż po ogłoszeniu DeepSeek i Stargate, rzuca światło na kluczowe zagrożenia związane z obecną falą inwestycji w AI – i zmusza nas do refleksji, czy pytanie, które postawił, nie jest dziś bardziej aktualne niż kiedykolwiek.
Anatomia pytania o 650 miliardów dolarów
Pytanie Cahna nie było prostym kwestionowaniem wartości inwestycji w AI. Było to precyzyjne ekonomiczne pytanie o zwrot z kapitału: jeśli branża wydaje dziesiątki, a wkrótce setki miliardów dolarów na infrastrukturę, modele i aplikacje AI, to skąd mają pochodzić przychody uzasadniające te nakłady?
Historia technologii pokazuje, że wcale nie jest to pytanie retoryczne. Bańka internetowa z lat 2000., kryzys telekomunikacyjny z lat 90., czy niedawna fala inwestycji w kryptowaluty – wszystkie te przypadki łączy jedno: kapitał napływał szybciej niż powstawały rzeczywiste przypadki użycia generujące przychody.
Obecnie obserwujemy podobny wzorzec. Nvidia osiąga kapitalizację rynkową przekraczającą bilion dolarów, głównie dzięki sprzedaży układów GPU do trenowania modeli AI. Microsoft, Google, Meta i Amazon wydają dziesiątki miliardów rocznie na budowę centrów danych. Tysiące startupów zbierają fundusze na astronomicznych wycenach, obiecując rewolucję w każdej możliwej branży.
Ale kto za to zapłaci? Skąd ma pochodzić zwrot z tych inwestycji?
Stargate – eskalacja wyścigu zbrojeń
Projekt Stargate reprezentuje kulminację przekonania, że przyszłość AI leży w ciągłym skalowaniu. Logika jest prosta: większe modele wymagają więcej mocy obliczeniowej, więcej mocy obliczeniowej wymaga większych centrów danych, a większe centra danych dają przewagę konkurencyjną tym, którzy mogą sobie na nie pozwolić.
Jest to strategia wzorowana na “prawach skalowania” (scaling laws) – obserwacji, że wydajność modeli AI rośnie przewidywalnie wraz ze wzrostem mocy obliczeniowej, ilości danych treningowych i rozmiaru modelu. Sam Ilya Sutskever, współtwórca OpenAI i jeden z architektów tej filozofii, był jej głównym propagatorem.
Podoba Ci się, co czytasz? Chcesz więcej takich tekstów? Zapraszam do wsparcia mnie subskrypcją - pomoże mi to w tworzeniu kolejnych tekstów!
Stargate to zakład, że ta strategia będzie dalej działać. To również zakład, że bariera wejścia – koszt budowy tej infrastruktury – stanie się fosą konkurencyjną chroniącą gigantów technologicznych przed nowymi graczami.
DeepSeek – kontratak efektywności
A potem pojawił się DeepSeek. Chiński model wytrenowany przez fundusz hedgingowy, wykorzystujący techniki destylacji i osiągający konkurencyjne wyniki za ułamek przewidywanych kosztów. Wydarzenie to nie było całkowitym zaskoczeniem dla uważnych obserwatorów – było raczej dramatycznym punktem kulminacyjnym trwającego od miesięcy trendu komodytyzacji modeli AI.
Jak zauważa Cahn, to samo Sutskever, który stworzył wyścig skalowania, ogłosił jego koniec. W swoim wykładzie w Stanford w 2024 roku stwierdził, że “pre-training is dead” – era prostego skalowania modeli dobiegła końca. Przyszłość leży nie w coraz większych modelach, ale w bardziej efektywnych metodach treningu, lepszych danych, zaawansowanych technikach wnioskowania i specjalizacji.
DeepSeek potwierdził tę tezę praktycznie. Pokazał, że można osiągnąć wyniki światowej klasy bez budowania własnej infrastruktury za setki miliardów dolarów. Dla rynku był to szok – indeksy giełdowe związane z AI runęły w ciągu jednego dnia.
Microsoft, Meta, Amazon i Alphabet poinformowały łącznie inwestorów, że w 2026 roku przeznaczą na inwestycje kapitałowe około ~ 700 miliardów dolarów. To prawie dwukrotnie więcej niż wydały w 2025 roku. Trzy z czterech firm podniosły prognozy dotyczące nakładów inwestycyjnych w tym tygodniu sprawozdawczym.
Jedynie Amazon utrzymał swoją kwotę wydatków, i to tylko dlatego, że już w lutym 2026 r. opublikował prognozę na poziomie 200 mld dolarów. Część wzrostu nakładów inwestycyjnych wynika z rosnących cen komponentów. Microsoft stwierdził, że około 25 mld dolarów z jego 190-miliardowych nakładów inwestycyjnych na 2026 r. to inflacja cen komponentów.
“Magnificent 7 wydały w I kw. 2026 r. 135 mld dolarów na infrastrukturę AI, o 50 proc. więcej niż rok wcześniej i ponad dwukrotnie więcej niż dwa lata temu. Cztery największe spółki – Alphabet, Amazon, Meta i Microsoft – planują łącznie wydać w tym roku 650 mld dolarów, równowartość dwóch trzecich PKB Polski.” XYZ
Pięć kluczowych zagrożeń inwestycyjnych
1. Zagrożenie komodytyzacji
Najpoważniejszym ryzykiem dla inwestorów w AI jest scenariusz, w którym modele językowe stają się standardowym towarem, podobnie jak serwery, usługi chmurowe czy nawet systemy operacyjne.
Historia technologii wielokrotnie pokazywała ten wzorzec. Na początku lat 2000. firmy płaciły fortuny za systemy CRM, ERP i bazy danych. Dziś większość tych funkcjonalności jest dostępna jako tani SaaS lub nawet oprogramowanie open source. Początkowo pamięć komputerowa była luksusem, dziś jest towarem. Podobnie stało się z mocą obliczeniową, przepustowością sieci i przestrzenią dyskową.
DeepSeek sugeruje, że modele AI mogą podążać tą samą ścieżką szybciej niż ktokolwiek się spodziewał. Jeśli tak się stanie, firma, która zainwestowała dziesiątki miliardów w budowę infrastruktury, może odkryć, że jej przewaga konkurencyjna wyparowała w ciągu miesięcy, nie lat.
Cahn zauważa jednak ważny niuans: komodytyzacja na poziomie modeli może być świetna dla warstwy aplikacyjnej. Jeśli dostęp do inteligencji stanie się tani, explozja innowacyjnych zastosowań będzie znacznie łatwiejsza. To dobra wiadomość dla startupów i firm budujących produkty końcowe, ale katastrofalna dla tych, którzy zakładali, że będą pobierać opłaty za sam dostęp do modeli.
2. Zagrożenie niewłaściwej alokacji kapitału
Drugi rodzaj ryzyka dotyczy samej struktury inwestycji. Gdy przemysł kolektywnie wierzy w określoną narrację, powstaje niebezpieczeństwo masowego przepływu kapitału we “właściwym” kierunku według dzisiejszych przekonań, który jutro może okazać się całkowicie błędny.
Cahn opisuje to jako różnicę między “wyglądaniem mądrze” a “byciem w porządku”. W krótkim okresie inwestor może wyglądać mądrze, inwestując w to, w co wszyscy inwestują – nawet jeśli fundamentalnie w to nie wierzy. Przez rok czy dwa będzie uznawany za geniusza. Ale za pięć lub siedem lat, gdy hipoteza się nie sprawdzi, okaże się, że była to tylko popularna mądrość tłumu, nie rzeczywista przezorność.
W kontekście AI widzimy to na każdym poziomie stosu technologicznego. Gigantyczne inwestycje w centra danych mogą się okazać niepotrzebne, jeśli wygra efektywność. Inwestycje w startupy budujące prosty wrapper wokół GPT mogą wyparować, gdy OpenAI wprowadzi podobną funkcjonalność natywnie. Inwestycje w modele proprietarne mogą stracić wartość, jeśli open source dogoni je w ciągu miesięcy.
3. Wyścig z czasem (który możesz nie wygrać)
Trzecie zagrożenie dotyczy temporalności innowacji w AI. Branża porusza się obecnie z zawrotną prędkością. Jak zauważa Cahn: “Dziś AI zmienia się każdego dnia”. Co oznaczało przewagę konkurencyjną miesiąc temu, dziś może być już przestarzałe.
To stwarza paradoks dla inwestorów: musisz inwestować z wyprzedzeniem, przewidując, co będzie ważne za rok, dwa, pięć lat. Ale tempo zmian jest tak szybkie, że Twoje założenia mogą być zdezaktualizowane, zanim jeszcze zamkniesz transakcję.
Microsoft doświadczył tego bezpośrednio. Ich “prawo pierwszego wyboru” (right of first refusal) wobec centrów danych OpenAI było cenną przewagą – dopóki nie przestało być. Cahn zauważa, że Stargate ujawnił coś istotnego: Microsoft przestał realizować swoje prawo do wszystkich nowych centrów. Dlaczego? Być może dlatego, że ich własna analiza pokazała, że te inwestycje nie zwrócą się w przewidywalnym horyzoncie czasowym.
4. Zagrożenie fragmentacji a koncentracji
Branża AI zmaga się obecnie z fundamentalnym pytaniem: czy zwycięży model skoncentrowany (kilka wielkich graczy z masywną infrastrukturą) czy zdecentralizowany (wiele mniejszych, wyspecjalizowanych graczy)?
Model Google’a i Mety sugeruje, że przyszłość może być bardziej rozproszona. Obie firmy inwestują miliardy w budowę infrastruktury, ale jednocześnie publikują modele open source, które mogą być uruchamiane przez kogokolwiek. Ich strategia zakłada, że wartość leży nie w samym modelu, ale w aplikacji, ekosystemie i danych użytkowników.
OpenAI i Anthropic obstawiają odwrotnie: modele proprietarne, ścisła kontrola, stopniowe udostępnianie możliwości. Ich zakład polega na tym, że jakość i bezpieczeństwo uzasadnią premię cenową.
Kto ma rację? Prawdopodobnie obie strony – w różnych kontekstach. Ale dla inwestora oznacza to fundamentalne ryzyko: jeśli postawisz na niewłaściwy model w niewłaściwym momencie, możesz przegapić całą falę wartości.
5. Zagrożenie “wartość vs hype”
Ostatnie, ale być może najważniejsze zagrożenie, dotyczy rozbieżności między hype’m a rzeczywistą wartością biznesową.
AI bezsprzecznie tworzy wartość. Modele językowe poprawiają produktywność programistów. Systemy rekomendacji zwiększają przychody platform e-commerce. Komputerowe widzenie rewolucjonizuje diagnostykę medyczną. To wszystko jest realne i mierzalne.
Problem w tym, że całkowita wartość biznesowa utworzona przez AI może być znacznie mniejsza niż łączna kapitalizacja rynkowa firm AI i rozmiar zainwestowanego kapitału. To jest istota pytania o 600 miliardów dolarów: jeśli przemysł wydaje X, musi generować przychody większe niż X plus oczekiwany zwrot. Jak dotąd matematyka nie jest oczywista.
Cahn zauważa, że obecne wyceny zakładają przyszłość tak transformacyjną, że trudno ją sobie wyobrazić – świat, w którym każdy aspekt każdego biznesu jest fundamentalnie przebudowany przez AI. Możliwe? Tak. Pewne? Absolutnie nie.
Czy pytanie o 650 miliardów jest nadal aktualne?
TL;DR nie, bo teraz w grze jest…. ~ 727 mld $
Po wydarzeniach związanych z DeepSeek i Stargate można by sądzić, że pytanie Cahna zostało definitywnie rozstrzygnięte – w którąś stronę. Ale rzeczywistość jest bardziej złożona.
Z jednej strony, DeepSeek rzeczywiście sugeruje, że niektóre z najdroższych założeń branży mogą być błędne. Nie potrzebujemy może wydawać 500 miliardów na Stargate, jeśli możemy osiągnąć podobne wyniki za znacznie mniej. To zmniejsza presję na generowanie astronomicznych przychodów – jeśli koszty są niższe, próg rentowności też jest niższy.
Z drugiej strony, sama kwestia zwrotu z kapitału pozostaje nierozstrzygnięta. Nawet jeśli koszty spadają, pytanie pozostaje to samo: skąd mają pochodzić przychody? Kto będzie płacił za AI w sposób wystarczający do uzasadnienia nawet tych niższych inwestycji?
Cahn przedstawia interesującą perspektywę: rynek może się mylić co do timing’u. Historia pokazuje, że wielkie transformacje technologiczne często zajmują więcej czasu, niż się spodziewamy, ale gdy w końcu nastąpią, są większe, niż przewidywano. Internet był hype’m w latach 90., a potem bańka pękła. Ale dwadzieścia lat później okazało się, że nawet najbardziej optymistyczne prognozy z tamtych lat były niedoszacowaniem rzeczywistego wpływu internetu.
Może z AI jest podobnie? Może pytanie o te setki miliardów jest ważne dziś, ale stanie się nieistotne za dekadę, gdy AI naprawdę przebuduje gospodarkę?
A może nie. Może to jest właśnie ten moment, w którym kolektywny entuzjazm przekroczył granice rozsądku ekonomicznego i czeka nas długi okres trzeźwienia.
Co to oznacza dla różnych graczy?
Dla gigantów technologicznych
Microsoft, Google, Meta i Amazon stoją w obliczu złożonej kalkulacji. Muszą inwestować – brak inwestycji oznaczałby oddanie przyszłości konkurencji. Ale nadmierne inwestowanie w niewłaściwy rodzaj infrastruktury może być równie katastrofalne.
Zachowanie Microsoftu w kontekście Stargate jest pouczające. Ich decyzja o niewykorzystaniu prawa pierwszeństwa do wszystkich nowych centrów danych OpenAI sugeruje bardziej ostrożne podejście niż wcześniej. Być może przeprowadzili analizę podobną do tej Cahna i doszli do wniosku, że matematyka nie działa przy obecnych założeniach.
Dla startupów
Dla startupów AI obniżka kosztów, którą reprezentuje DeepSeek, jest jednoznacznie dobrą wiadomością. Jeśli dostęp do inteligencji na poziomie GPT-4 będzie kosztował ułamek tego, co kosztował rok temu, bariera wejścia dramatycznie spada.
Ale to też oznacza, że sam dostęp do modelu nie jest już fosą konkurencyjną. Startupy muszą budować wartość na innych poziomach: unikalne dane, specjalistyczna wiedza dziedzinowa, doskonałe UX, silne efekty sieciowe.
Dla inwestorów
Inwestorzy VC znajdują się w najtrudniejszym położeniu. Muszą inwestować dzisiaj w oparciu o przekonania o świecie za pięć, siedem, dziesięć lat. Tempo zmian w AI oznacza, że prawdopodobieństwo fundamentalnego błędu jest wyższe niż w większości innych sektorów.
Cahn proponuje strategię opartą na autentyczności i fundamentalnej analizie zamiast podążania za tłumem. “Wolę wyglądać głupio przez dwa lata, ale mieć rację po siedmiu latach, niż wyglądać mądrze przez dwa lata i okazać się w błędzie po siedmiu.” To trudna strategia do realizacji – wymaga odwagi i niezależności myślenia w środowisku, gdzie presja konformizmu jest ogromna.
Dla nas wszystkich
Wreszcie, istnieje szerszy kontekst społeczny. Te setki miliardów dolarów to nie abstrakcyjne liczby – to rzeczywiste zasoby: energia, materiały, ludzka praca i uwaga. Jeśli branża AI jest w trakcie nadmuchiwania bańki, oznacza to masową niewłaściwą alokację zasobów społecznych.
Z drugiej strony, jeśli AI rzeczywiście okaże się tak transformacyjny, jak twierdzą jego zwolennicy, niedoinwestowanie teraz może mieć trwałe negatywne konsekwencje. Społeczeństwa, które nie zainwestują w AI, mogą zostać w tyle pod względem produktywności, innowacji i dobrobytu.
Pytanie Davida Cahna “o 600 miliardów dolarów” nie tylko pozostaje aktualne po wydarzeniach związanych z DeepSeek i Stargate – stało się być może jeszcze bardziej istotne. Zderzenie tych dwóch narracji ujawnia fundamentalną niepewność co do przyszłości AI i ekonomii leżącej u jej podstaw.
Kluczowe zagrożenia inwestycyjne w AI można streścić następująco:
Ryzyko komodytyzacji: Modele AI mogą stać się tanią usługą znacznie szybciej niż oczekiwano, niszcząc wartość masywnych inwestycji infrastrukturalnych.
Ryzyko niewłaściwej alokacji: Setki miliardów dolarów mogą być inwestowane w oparciu o założenia, które okażą się błędne, prowadząc do masowej destrukcji kapitału.
Ryzyko temporalne: Tempo zmian w AI oznacza, że dziś poprawne założenia mogą być jutro nieaktualne, tworząc nietypowo wysokie ryzyko timing’u.
Ryzyko strukturalne: Fundamentalna niepewność co do tego, czy wygra model scentralizowany czy zdecentralizowany, tworzy “all-or-nothing” scenariusze dla wielu graczy.
Ryzyko wartości: Możliwa jest sytuacja, w której AI tworzy ogromną wartość społeczną, ale nie generuje proporcjonalnych przychodów dla inwestorów.
Co do aktualności samego pytania: wydarzenia ostatnich tygodni nie dały na nie odpowiedzi – raczej podkreśliły jego znaczenie. DeepSeek pokazał, że koszty mogą być niższe niż myśleliśmy, co jest dobrą wiadomością. Ale nie odpowiedział na pytanie, skąd mają pochodzić przychody. Stargate pokazał, że niektórzy gracze nadal wierzą w skalowanie za wszelką cenę. Ale zachowanie Microsoftu sugeruje rosnące wątpliwości nawet wśród najwierniejszych wierzących.
Prawdopodobnie najbliższe kilka lat przyniesie częściową odpowiedź. Zobaczymy, czy AI zacznie generować przychody w skali uzasadniającej inwestycje, czy może rozpocznie się proces konsolidacji i trzeźwienia podobny do tego po pęknięciu bańki internetowej.
W międzyczasie pytanie Cahna pozostaje niezbędną korekcją dla branży zaślepionej własnym entuzjazmem. Przypomina nam, że bez względu na to, jak transformacyjna może być technologia, fundamentalne prawa ekonomii nadal obowiązują. Kapitał musi przynieść zwrot.
Inwestycje muszą generować wartość. A matematyka musi się zgadzać.
Artur Kurasiński
Moim gosciem jest Piotr Nowosielski - przedsiębiorca, założyciel i CEO Just Join IT, jednego z najpopularniejszych portali pracy dla branży technologicznej w Polsce...👇
Rozmawiamy o tym, jak naprawdę wygląda dziś rynek IT, czy programiści nadal mogą liczyć na wysokie zarobki, dlaczego juniorom tak trudno wejść do branży i czy sztuczna inteligencja zabierze nam pracę czy raczej zmusi nas do zupełnie innego myślenia o karierze.
Piotr opowiada też o swojej drodze przedsiębiorcy: od pierwszych biznesów, przez samodzielne dodawanie ogłoszeń do Just Join IT, aż po zbudowanie firmy generującej dziesiątki milionów złotych przychodów bez wsparcia funduszy VC.
Pytam Piotrka o to dlaczego bootstrapuje, jak patrzy na inwestorów, kto dziś jest konkurencją dla Just Join IT i czy jego celem jest pokonanie Grupy Pracuj czy może sprzedaż biznesu.
W tego odcinka dowiesz się też m.in. o:
końcu „eldorado” dla programistów,
tym, dlaczego rynek wyprodukował tysiące juniorów, których firmy nie chcą zatrudniać,
specjalizacjach, które dziś są najbardziej opłacalne w IT,
pracy zdalnej, benefitach i work-life balance po pandemii,
B2B, umowach o pracę i planowanych zmianach regulacyjnych,* jawności płac i różnicach wynagrodzeń,
wpływie AI na zatrudnienie, produktywność i nowe zawody,
marketingu Just Join IT, współpracy z Kanałem Zero i hakowaniu wzrostu,
czterodniowym tygodniu pracy i przyszłości rynku pracy w Polsce.
Zapraszam do oglądania albo do słuchania
DLACZEGO TWOJA ORGANIZACJA POTRZEBUJE LIDEREK I LIDERÓW AI?
Każda organizacja potrzebuje lidera / liderki AI, ale nie w sensie stanowiska w strukturze tylko realnej roli w procesie zmiany (sprawczości, dawania przykładu i uczestniczenia w decyzjach i zmianach związanych z AI)…
Transformacje technologiczne rzadko wygrywa się decyzją wydaną w postaci zarządzenia i mailem od zarządu. Samo ogłoszenie strategii, zakup licencji i powołanie komitetu sterującego nie zmienia sposobu pracy zespołów. Zmiana dzieje się tam, gdzie ktoś pokazuje konkretne zastosowanie w realnym procesie.
Dlatego oddolni liderzy AI są tak ważni.
To osoby osadzone w operacji. Znają procesy, wąskie gardła, nieformalne zależności. Wiedzą, gdzie raport powstaje za długo, gdzie dane są niespójne, gdzie powtarzalne czynności pochłaniają czas. Gdy wdrażają AI, nie robią demonstracji technologii. Rozwiązują konkretny problem.
Ich przewaga to wiarygodność. Nie działają z pozycji nakazu, tylko przykładu. Zamiast mówić o „transformacji”, pokazują skrócony czas realizacji zadania, lepszą jakość analizy, bardziej uporządkowany workflow. W organizacjach to działa silniej niż jakikolwiek mailing od zarządu.
Wiem jakie pytanie chcesz zadać. "A jak takich ludzi szukać?"
Bardzo prosto: obserwować, kto naturalnie eksperymentuje z narzędziami. Kto sam usprawnia swoją pracę. Kto zadaje pytania o dane i automatyzację.
Kto zaczyna być pytany przez innych „jak to zrobiłeś?”. To często nie są osoby z najwyższą pozycją w hierarchii. Często to specjaliści lub managerowie średniego szczebla z wysoką ciekawością i odpowiedzialnością.
Jeżeli takich osób nie widać, organizacja musi stworzyć warunki, by się pojawiły.
Nie poprzez nominację „lidera AI” w prezentacji, lecz poprzez rozwój kompetencji. Szkolenia powinny obejmować nie tylko obsługę narzędzi, ale myślenie procesowe, projektowanie workflow, budowę asystentów, kontrolę jakości wyników, liczenie ROI, rozumienie ryzyk prawnych i bezpieczeństwa danych. Dopiero takie połączenie daje realną sprawczość.
Oddolny lider bez wsparcia systemowego szybko się wypali.
Oddolny lider z narzędziami i mandatem do działania staje się multiplikatorem zmiany.
To on tłumaczy strategię na codzienną praktykę. Spina technologię z biznesem. Pokazuje, jak zwiększyć indywidualną produktywność, jednocześnie działając w ramach zasad organizacji.
AI nie zmienia organizacji automatycznie. Zmieniają ją ludzie, którzy potrafią wykorzystać technologię w sposób odpowiedzialny i mierzalny.
Dlatego każda organizacja potrzebuje lidera AI. Najlepiej takiego, który wyrasta z jej wnętrza i rozumie jej realne mechanizmy działania.
I dokładnie o tym będziemy mówili w naszym kursie AI LEADERS wraz z Paula Skrzypecka i Przemek Jurgiel-Zyla.
NEWSY WARTE TWOJEJ UWAGI:
Przeszukałem Internet w poszukiwaniu najciekawszych/najważniejszych historii dotyczących technologii w tym tygodniu:
TRUMP ŁAGODZI PODEJŚCIE DO BEZPIECZEŃSTWA AI
Donald Trump podpisał rozporządzenie wykonawcze, które zachęca firmy technologiczne do dobrowolnego udostępniania najbardziej zaawansowanych modeli AI rządowi nawet 30 dni przed ich premierą. Administracja próbuje pogodzić obawy dotyczące cyberbezpieczeństwa z chęcią utrzymania amerykańskiej przewagi w wyścigu sztucznej inteligencji.
ILE MUSK OBIECAŁ A ILE ZREALIZOWAŁ?
Elon Musk przez lata przekonywał, że SpaceX pozostanie prywatne aż do realizacji ambitnych celów związanych z Marsem, jednak firma zmierza teraz w kierunku jednego z największych debiutów giełdowych w historii. Interaktywny materiał pokazuje, jak często miliarder składał śmiałe obietnice i w jakim stopniu udawało mu się je realizować w wyznaczonych terminach.
HASBRO STAWIA NA AI
Hasbro uruchamia nowe studio AI o nazwie Sixth Wall, które pozwoli firmom licencjonować interaktywne wersje kultowych postaci, takich jak Optimus Prime czy Mr. Potato Head. Producent chce w ten sposób przejąć kontrolę nad wykorzystaniem swoich marek w erze generatywnej sztucznej inteligencji i otworzyć nowe źródła przychodów.
Człowiek od wieków wierzy, że większe oznacza lepsze. Jednak wiele przełomów rodziło się nie z większej siły, lecz z lepszego wykorzystania dostępnych zasobów. Być może spór między DeepSeek a Stargate jest kolejną odsłoną tej starej historii.