Chińska rewolucja AI. Laboratoria przeskakują amerykańskie sankcje i zalewają rynek tańszymi, otwartymi modelami

W ciągu zaledwie ośmiu tygodni, od połowy czerwca 2026 roku, chińskie laboratoria AI wypuściły serię przełomowych modeli, które na nowo zdefiniowały globalny krajobraz sztucznej inteligencji. Punktem kulminacyjnym było ogólne udostępnienie DeepSeek V4 Pro 13 sierpnia, ale historia ta jest znacznie szersza: to opowieść o tym, jak amerykańskie kontrole eksportu, mające spowolnić chiński postęp w AI, przyniosły odwrotny skutek i wykreowały bardziej wydajnego, samowystarczalnego i agresywnie otwartego konkurenta.

Co napędzało tę falę?

Trzy siły zadziałały jednocześnie, kompresując lata prac w kilka miesięcy:

1. Presja kontroli eksportu. Amerykańskie ograniczenia w dostępie do układów NVIDIA H100/B200 zmusiły chińskie laboratoria do innowacji na rodzimym sprzęcie (np. chipy Huawei Ascend 910B/C) i optymalizacji pod kątem wydajności, a nie surowej mocy obliczeniowej. Najlepszym przykładem jest LongCat-2.0 Meituana – pierwszy model o bilionie parametrów wytrenowany i uruchomiony w całości na chińskich układach .

2. Zacięta konkurencja wewnętrzna. Kilkanaście dobrze finansowanych laboratoriów – DeepSeek, Moonshot, Zhipu/Z.AI, Meituan, Alibaba, Tencent, Baidu, ByteDance – ściga się o prestiż, uwagę programistów i wdrożenia w przedsiębiorstwach, skracając cykle wydawnicze do tygodni.

3. Strategia otwartej wagi jako broń geopolityczna. Chińskie laboratoria udostępniają modele na liberalnych licencjach (MIT, zmodyfikowane MIT), bez żadnych ograniczeń regionalnych, co stanowi bezpośrednie przeciwieństwo coraz bardziej zamkniętych strategii OpenAI i Anthropica. To przyciąga globalnych programistów .

Modele

DeepSeek V4 Pro (13 sierpnia 2026)

Flagowy model wieńczący letnią falę. DeepSeek V4 Pro to model Mixture-of-Experts z 1,6 biliona parametrów, z czego 49 miliardów jest aktywnych na token. Oferuje okno kontekstowe 1 miliona tokenów i do 384 000 tokenów wyjściowych w trzech trybach rozumowania (standardowy, wysokiego wysiłku, maksymalnego wysiłku) . W benchmarku Terminal-Bench 2.1 uzyskał wynik 87,9 – o 15,8% lepszy od wersji z kwietnia – i osiąga wydajność porównywalną z Claude Fable 5 przy koszcie około 1/57 . Reuters podaje, że model "zbliża się, a w niektórych testach przewyższa Claude Fable 5" w benchmarkach agentowych i inżynierii oprogramowania .

Ceny: 0,435 USD za milion tokenów wejściowych, 0,87 USD za milion tokenów wyjściowych w stawkach standardowych, z rabatami za pamięć podręczną sięgającymi 97% . W trybie maksymalnego wysiłku ceny wynoszą 1,32 USD/3,96 USD za milion tokenów .

Moonshot Kimi K3 (16/27 lipca 2026)

Firma Moonshot AI udostępniła model, który określa mianem "pierwszego otwartego modelu w klasie 3 bilionów parametrów" – model Mixture-of-Experts z 2,8 biliona parametrów, aktywujący 16 z 896 ekspertów na token, z oknem kontekstowym 1 miliona tokenów i natywnymi możliwościami multimodalnymi (wizja + tekst) . Pełne wagi zostały udostępnione na Hugging Face 27 lipca na zmodyfikowanej licencji MIT . Model jest dostępny na Kimi.com, Kimi Work, Kimi Code i Kimi API .

Zhipu AI GLM-5.2 (13/16 czerwca 2026)

Model, który zapoczątkował falę. GLM-5.2 to model MoE z 744 miliardami parametrów (około 40 miliardów aktywnych na token), oknem kontekstowym 1 miliona tokenów i licencją MIT . Ocena NIST CAISI określa jego ogólne możliwości jako podobne do GPT-5.2 (grudzień 2025), a cyberbezpieczeństwo jako podobne do Claude Opus . Uzyskuje wynik 81,0 w Terminal-Bench 2.1 i 62,1 w SWE-bench Pro – najlepszy wynik wśród modeli o otwartej wadze w Artificial Analysis Intelligence Index . Ceny API są około 10 razy niższe niż Claude czy GPT-5 .

Meituan LongCat-2.0 (30 czerwca 2026)

Model MoE z 1,6 biliona parametrów (48 miliardów aktywnych na token), z oknem kontekstowym 1 miliona tokenów, udostępniony na licencji MIT . Jego kluczowa cecha: pierwszy model o bilionie parametrów wytrenowany i uruchomiony w całości na chińskich chipach – na klastrze 50 000 układów Huawei Ascend 910B/C . Według testów Meituana, przewyższa on GPT-5.5 w benchmarkach inżynierii oprogramowania . Przed oficjalną premierą anonimowo zajmował pierwsze miejsce w rankingu OpenLLM jako "Owl Alpha" . Ceny API: 0,75 USD/2,95 USD za milion tokenów wejściowych/wyjściowych, z promocyjną ofertą startową 0,30 USD/1,20 USD .

Jak wypadają w porównaniu z amerykańskimi modelami?

Wymiar	Chińskie modele	Amerykańskie modele
Poziom możliwości	GLM-5.2 ≈ GPT-5.2 ; DeepSeek V4 Pro ≈ Claude Fable 5 w kilku benchmarkach ; LongCat-2.0 twierdzi, że przewyższa GPT-5.5 w SWE-bench	OpenAI GPT-5.5, Anthropic Claude Fable 5/Opus, Google Gemini 3
Przewaga kosztowa	Chińskie modele są 10–57 razy tańsze za token lub zadanie	Amerykańskie modele mają wyższe ceny API
Otwartość	Licencje MIT/zmodyfikowane MIT; globalny, nieograniczony dostęp	Głównie zamknięte API; brak udostępniania wag
Ograniczenia sprzętowe	Najlepsze chińskie modele działają w całości na krajowych chipach (LongCat-2.0 )	Modele amerykańskie mają nieograniczony dostęp do NVIDIA H100/B200

Szersze implikacje

Globalne wdrożenia w przedsiębiorstwach

Firmy poza Chinami mają teraz wiarygodne, tanie i otwarte alternatywy dla amerykańskich modeli API. Licencja MIT dla GLM-5.2 bez żadnych ograniczeń regionalnych oznacza, że każda firma może go samodzielnie hostować komercyjnie . To zmienia decyzje zakupowe w Azji Południowo-Wschodniej, na Bliskim Wschodzie, w Afryce i częściach Europy.

Paradoks kontroli eksportu

Dowody wyraźnie wskazują, że amerykańskie kontrole eksportu układów scalonych przyniosły odwrotny skutek, przynajmniej na dwa sposoby:

• Przyspieszenie opanowania krajowych chipów: LongCat-2.0 wytrenowano na klastrze 50 000 chińskich procesorów Huawei Ascend, udowadniając, że trenowanie na poziomie granicznym jest możliwe bez amerykańskiego sprzętu . To przyspieszyło rozwój chińskiego ekosystemu chipów AI szybciej, niż zrobiłyby to siły rynkowe.
• Wymuszona wydajność algorytmiczna: Odcięte od dostępu do wydajnych GPU, chińskie laboratoria zoptymalizowały architektury pod kątem rzadkości MoE, rzadkiej uwagi i wydajności aktywnych parametrów bardziej agresywnie niż amerykańskie. Efektem są modele osiągające porównywalną wydajność przy ułamku budżetu obliczeniowego – przewaga kosztowa 10–57 razy .

Co pozostaje niepotwierdzone

Nie znaleziono wiarygodnych źródeł dla konkretnych cen za zadanie, takich jak 0,06 USD za DeepSeek V4 Pro czy 2,34 USD za Claude Opus 5. Modele Tencent Hy3 i Alibaba Qwen3.8-Max również nie mają potwierdzonych specyfikacji ani dat premiery w dostępnych dowodach.

Zastrzeżenie dotyczące źródeł

Artykuł opiera się na dostępnych dowodach z połowy sierpnia 2026 roku. Wszelkie twierdzenia o możliwościach modeli pochodzą z benchmarków raportowanych przez programistów i ocen zewnętrznych (w tym NIST CAISI). Niezależna weryfikacja wszystkich wyników benchmarków trwa w całej branży. Porównania kosztów opierają się na opublikowanych cenach tokenów API; rzeczywiste koszty na zadanie różnią się znacznie w zależności od złożoności zadania, długości kontekstu i współczynnika trafień pamięci podręcznej.