Jak Zhipu AI, BAAI i AISI budują kolejny chiński ekosystem sztucznej inteligencji

Rozwój AI w Chinach coraz wyraźniej opiera się na podziale ról. Zhipu AI przekształca duże modele w komercyjne agenty i narzędzia dla programistów. Pekińska Akademia Sztucznej Inteligencji (BAAI) rozwija otwarte modele bazowe, systemy multimodalne oraz badania nad inteligencją ucieleśnioną. Z kolei Pekiński Instytut AI for Science (AISI) wykorzystuje modele w odkryciach naukowych i procesach inżynieryjnych.

Razem tworzą obraz szerszej strategii: sztuczna inteligencja ma być użyteczna nie tylko w rozmowie, lecz także w oprogramowaniu, robotyce, laboratoriach i przemyśle. Chodzi więc o budowę całego ekosystemu, a nie o wyłonienie jednego „zwycięskiego” modelu.

Zhipu AI: od dużych modeli językowych do agentów pracujących nad złożonymi zadaniami

Premiera GLM-5.2 pokazuje przejście od konwersacyjnej AI do systemów zaprojektowanych z myślą o dłuższej i bardziej złożonej pracy. Model udostępniono jako open source 17 czerwca 2026 r. i promowano go jako rozwiązanie do programowania, pracy agentowej oraz z kontekstem obejmującym 1 mln tokenów.

Entuzjazm inwestorów po premierze pomógł chwilowo wynieść wycenę rynkową Zhipu AI powyżej 1 bln HKD 22 czerwca. Ta wycena odzwierciedla oczekiwania dotyczące komercjalizacji, adopcji wśród programistów i potencjału platformy. Nie należy jednak traktować jej jako dowodu, że konkretny model osiągnął sztuczną inteligencję ogólną (AGI).

Najważniejsza zmiana polega na odejściu od prostego sprzedawania dostępu do modelu na rzecz budowy całej pętli produktowej. Może ona obejmować interfejsy API, narzędzia programistyczne, wykonywanie zadań przez agentów, procesy stosowane w przedsiębiorstwach oraz aplikacje generujące wykorzystanie i przychody. Otwarte wagi modelu ułatwiają zewnętrzne testowanie i rozwój kolejnych zastosowań, a usługi komercyjne pomagają finansować dalsze prace nad modelami i infrastrukturą.

Szerszy wniosek jest taki, że niezależność technologiczna oznacza więcej niż posiadanie wag modelu. Potrzebne są także systemy trenowania i wnioskowania, potoki danych, metody dostrajania, frameworki agentowe, dystrybucja wśród deweloperów oraz stabilny dostęp do mocy obliczeniowej. Model staje się strategicznie trwały dopiero wtedy, gdy wokół tych warstw powstaje ekosystem.

BAAI: otwarte badania na drodze do inteligencji ucieleśnionej

BAAI rozwija się od prac nad modelami bazowymi WuDao w kierunku rodziny WuJie, obejmującej badania nad modelami multimodalnymi, modelami świata i AI ucieleśnioną. Według relacji z najnowszej konferencji WuJie·Physis opisano jako fizyczny model ukrytego świata, a WuJie·RoboBrain Orca jako rozwijany system ucieleśniony, który łączy rozumowanie językowe, przewidywanie obrazu i podejmowanie decyzji dotyczących działania.

Ten kierunek ma znaczenie, ponieważ inteligencja działająca w świecie fizycznym wymaga zdolności, których same modele tekstowe nie zapewniają. Robot musi postrzegać otoczenie, przewidywać jego zmiany, planować, sterować ruchem i radzić sobie z warunkami, które nieustannie się zmieniają. Modele świata i systemy ucieleśnione mają służyć właśnie reprezentowaniu takich środowisk oraz działaniu w nich, a nie tylko ich opisywaniu.

Rola BAAI jest również instytucjonalna. Program badawczy akademii akcentuje modele open source, agentów, podstawowe ekosystemy programowe i sprzętowe oraz współpracę między nauką a przemysłem. Organizatorzy konferencji BAAI w 2026 r. podali, że instytut udostępnił jako open source ponad 200 modeli, a łączna liczba pobrań na świecie przekroczyła 1 mld. Dane te pochodzą od organizatorów wydarzenia i należy je traktować jako wskaźnik dystrybucji, a nie bezpośrednią miarę jakości modeli.

Dla chińskiego ekosystemu AI wartość instytutu takiego jak BAAI polega na tworzeniu infrastruktury badawczej i kanałów kształcenia, z których mogą korzystać inni. Otwarte modele, benchmarki, narzędzia i platformy robotyczne dają uniwersytetom, startupom i producentom wspólny punkt wyjścia do dalszych prac.

AISI: AI jako proces naukowy i inżynieryjny

AISI podchodzi do sztucznej inteligencji z innej strony. Instytut powstał we wrześniu 2021 r. i opisuje swoją misję jako łączenie AI z badaniami naukowymi oraz budowę infrastruktury AI for Science, czyli sztucznej inteligencji wspierającej naukę.

Jego koncepcja „czterech belek i N filarów” łączy algorytmy modelowe i oprogramowanie, naukowe bazy danych i systemy wiedzy, wysokowydajne eksperymenty i pomiary oraz zintegrowaną infrastrukturę obliczeniową. Celem jest odejście od odizolowanych, „warsztatowych” procesów badawczych na rzecz bardziej połączonego modelu platformowego.

Przykładem takiego podejścia jest Bohrium. Chmurowa platforma badawcza ma łączyć literaturę naukową, wiedzę, modele, obliczenia, analizę danych i procesy eksperymentalne. Nie chodzi więc wyłącznie o to, by AI wygenerowała odpowiedź. Chodzi o pomoc badaczom w przejściu od pytania do symulacji, eksperymentu i nowego zbioru zweryfikowanych danych.

Taka zamknięta pętla ma szczególne znaczenie w materiałoznawstwie i naukach molekularnych. Duży model atomowy, taki jak DPA4, może wspierać odkrywanie materiałów i symulacje. Jego praktyczna wartość rośnie, gdy przewidywania można sprawdzić eksperymentalnie, a uzyskane obserwacje wykorzystać do ulepszania kolejnych modeli. Według raportu z 2026 r. aktualizacja DPA4 zajęła pierwsze miejsce w kompleksowych metrykach międzynarodowego rankingu dotyczącego odkrywania materiałów. Sam wynik w rankingu nie dowodzi jednak rzeczywistego wpływu naukowego w świecie poza testem.

Bardziej konkretny przykład fizycznej walidacji stanowią prace związane z silnikiem rakietowym. Opisywany proces obejmuje projektowanie generatywne, symulację spalania, wytwarzanie przyrostowe, automatyczne pomiary i sterowanie oraz testy. Według relacji pomniejszony demonstrator przeszedł walidację w zamkniętej pętli. Takie projekty są istotne, ponieważ łączą wyniki AI z ograniczeniami inżynieryjnymi i testami fizycznymi, zamiast kończyć się na benchmarku programistycznym.

Dlaczego ekosystem może być ważniejszy niż przełomowy model

Przewaga na granicy możliwości szybko się zmienia

Rankingi modeli i przewagi produktowe mogą zmieniać się bardzo szybko. Społeczności programistów, zbiory danych naukowych, zaplecze eksperymentalne, standardy i doświadczenie wdrożeniowe kumulują się natomiast przez lata. To właśnie te zasoby sprawiają, że przyszłe ulepszenia modeli są bardziej użyteczne i mniej zależne od jednej premiery.

Różne dziedziny wymagają różnych rodzajów inteligencji

Agent programistyczny, system sterowania robotem, symulator molekularny i narzędzie do analizy literatury naukowej nie rozwiązują tego samego problemu. Strategia państwowa lub przemysłowa musi więc uwzględniać modele wyspecjalizowane i wspólną infrastrukturę, zamiast oczekiwać, że jeden uniwersalny system poradzi sobie ze wszystkim.

Otwarte badania poszerzają bazę innowacji

Otwarte wagi, narzędzia, benchmarki i platformy pozwalają naukowcom oraz firmom testować, dostosowywać i rozwijać nawzajem swoje rozwiązania. Otwarte podejście BAAI może wzmacniać tę warstwę, podczas gdy firmy komercyjne, takie jak Zhipu AI, przekuwają możliwości techniczne w produkty i przychody.

Walidacja naukowa tworzy silniejszą pętlę zwrotną

W AI for Science najbardziej wartościowe mogą okazać się systemy łączące przewidywanie z symulacją, eksperymentem i pomiarami. Każdy zweryfikowany rezultat może poprawiać dane i modele wykorzystywane w następnym cyklu. To bardziej wymagający standard niż wygenerowanie prawdopodobnie brzmiącej odpowiedzi, ale daje też wyraźniejszą drogę do wartości przemysłowej.

Niezależność to stos technologiczny, nie hasło

Odporność rozwoju AI zależy od możliwości w zakresie algorytmów, oprogramowania, danych, mocy obliczeniowej, kadr, narzędzi i wdrożeń. Dywersyfikacja tych warstw może ograniczać zależność od jednego dostawcy lub podejścia technologicznego. Zwiększa też odporność ekosystemu, gdy model wypada słabiej od oczekiwań albo zmieniają się zewnętrzne ograniczenia.

Strategiczny obraz

Zhipu AI, BAAI i AISI zajmują różne pozycje w tym samym wyłaniającym się systemie:

• Zhipu AI zapewnia komercyjny impet dzięki modelom ogólnego przeznaczenia, narzędziom programistycznym, agentom i produktom dla deweloperów.
• BAAI dostarcza otwarte badania, sieci talentów, modele bazowe oraz drogę do inteligencji multimodalnej i ucieleśnionej.
• AISI tworzy infrastrukturę naukową łączącą modele z wiedzą, obliczeniami, eksperymentami i walidacją inżynieryjną.

Ich znaczenie jest zatem komplementarne, a nie wymienne. Zhipu AI pokazuje, jak modele najwyższej klasy mogą stać się platformami. BAAI pokazuje, jak otwarte badania mogą rozpowszechniać możliwości w szerszej społeczności. AISI pokazuje natomiast, jak osadzać AI w procesach, w których sukces mierzy się powstaniem materiału, wynikiem eksperymentu lub działającym systemem inżynieryjnym.

Najtrafniejsza interpretacja kolejnego etapu rozwoju AI w Chinach nie brzmi więc: jeden model rozstrzygnął globalny wyścig. Bardziej prawdopodobny jest obraz przewagi budowanej przez łączenie niezależnych ośrodków badawczych, platform komercyjnych, własnych zdolności technicznych i zastosowań międzydyscyplinarnych w otwarty, współpracujący ekosystem przemysłowy.