Lokalne AI przestało być eksperymentem dostępnym wyłącznie dla osób, które lubią grzebać w terminalu. Dzisiaj można zacząć znacznie prościej. Wystarczy komputer, trochę RAMu, LM Studio i niewielki model. W tym wpisie pokażę krok po kroku, jak przejść od instalacji aplikacji do pierwszego działającego czatu, a później wykorzystać lokalny model także poza samym LM Studio.

Krok 1: Instalacja LM Studio

1. Wejdź na lmstudio.ai/download. Zobaczysz co najmniej dwie opcje: LM Studio Bionic (nowsza aplikacja) oraz LM Studio (wersja klasyczna). Na start wybierz wersję klasyczną – bez dopisku “Bionic” – i pobierz instalator na swój system.

   

2. Zainstaluj aplikację standardowo: na macOS trafi do folderu Aplikacji, na Windowsie poprowadzi cię kreator instalatora. Domyślny folder instalacji to ~/.lmstudio, a domyślna lokalizacja zapisu modeli to ~/.lmstudio/models. Modele potrafią sporo ważyć, więc jeśli chcesz zmienić miejsce ich zapisu, najlepiej zrobić to przed pobraniem pierwszego z nich (za chwilę pokażę gdzie).

   

3. Przy pierwszym uruchomieniu zobaczysz trzy ekrany:

   • Powitanie – nic specjalnego do zrobienia.

     

   • Szybka instalacja modelu – domyślnie zaproponowany zostanie najpewniej Gemma 4 E4B. Polecam ten krok pominąć, jeśli planujesz zmienić lokalizację zapisu modeli.

     

   • Opcje startowe – czy uruchamiać LM Studio przy starcie systemu i czy włączyć opcje deweloperskie. Żadnej z nich nie trzeba włączać teraz – zawsze można to zrobić później.

     

4. Po tej "czystej" konfiguracji (jeszcze bez modelu) to dobry moment, żeby zmienić domyślną lokalizację zapisu modeli, jeśli tego potrzebujesz. Wejdź w App Settings → General → Model Directory i wskaż folder, w którym mają się zapisywać pobrane modele.

   

   

Krok 2: Pierwszy model

5. Najprościej zacząć od zakładki Models Search i skorzystać z domyślnego katalogu Staff Pick – to zbiór w miarę bezpiecznych, sprawdzonych opcji (nie jest to pełna lista wszystkich modeli, które można odpalić lokalnie – o pobieraniu modeli bezpośrednio z Hugging Face opowiem przy innej okazji).

   

6. Na pierwszy raz nie polecam od razu sięgać po coś w rodzaju Qwen 3.8 27B – lepiej zacząć od mniejszego modelu, np. Gemma 4 E4B. To nie jest żaden “state of the art”, ale bez problemu odpali się nawet na karcie z 4 GB VRAM. Ważne: przy wyborze modelu zwracaj uwagę, czy zmieści się w całości w pamięci RAM/VRAM. LM Studio podpowiada to komunikatami:

   • “Likely too large” – prawdopodobnie za duży,

   • “Partial GPU Offload Possible” – częściowe odciążenie na GPU,

   • “Full GPU Offload Possible” – model zmieści się w całości na GPU.

   Najlepiej wybierać modele, które w pełni mieszczą się na GPU – to znacząco przyspiesza generowanie odpowiedzi.

   

7. Po wybraniu modelu klikamy Downlad i czekamy na zakończenie pobierania. Mi przy dwóch modelach na raz (Gemma 4 E4B i wersji 12B QA) zajęło to około 25 minut. To dobry moment na przerwę na kawę.

   

8. Gdy pobieranie się zakończy, otwieramy nowy czat. Przed rozpoczęciem rozmowy trzeba wybrać model z listy – po wybraniu poczekaj chwilę (kilka–kilkanaście sekund), aż model załaduje się do pamięci. Potem można napisać pierwszego prompta

   

   

   

   

Krok 3: Pierwszy prompt

9. Jesteśmy właśnie na etapie, na którym możemy wpisać pierwszy prompt do modelu działającego lokalnie na naszym komputerze. Jak każe obyczaj, działanie modelu przetestujemy standardowym “Hello, world!”:

   Można też oczywiście po polsku:

Bonus: Podłączenie do Hermesa

Samo pisanie czatów w LM Studio to jednak dopiero początek. LM Studio może działać również jako lokalny serwer, dzięki czemu inne aplikacje lub “harness” (np. Hermes) mogą korzystać z uruchomionego przez nas modelu.

Zakładając, że instalację samego Hermesa masz już za sobą, podłączenie lokalnego modelu wygląda następująco:

10. W LM Studio przejdź do zakładki Developer. Jeśli model nie jest jeszcze załadowany do pamięci, zrób to teraz.

    

    

    Ważna uwaga: Hermes potrzebuje co najmniej 65K kontekstu, więc trzeba to zwiększyć w ustawieniach modelu.

    

    

11. Po zmianie ustawień czekamy na pełne załadowanie modelu. Następnie zmieniamy status serwera na Running.

    

    

12. Kolejno uruchamiamy Hermesa i przechodzimy do ustawień.

    

    Następnie: Provider → Custom Endpoints.

    

13. Kopiujemy informacje z LM Studio: API Model Identifier oraz adres lokalnego serwera LM Studio.

    

    Wklejamy je w odpowiednie pola w Hermesie. Providera możemy nazwać np. „LM Studio”. Na koniec testujemy połączenie i klikamy Save.

    

14. I to tyle – masz działający, w pełni lokalny model AI, gotowy do codziennych zadań i automatyzacji przez Hermesa. Teraz można otworzyć nową sesję i puścić komendę /init:

Jak to działa w praktyce?

Na moim Mac-u z M5 i 16 GB RAM Gemma 4 E4B generuje ok. 30–35 tokenów na sekundę. Nie jest to demon prędkości, ale do prostych zadań i automatyzacji jest to już całkiem użyteczny poziom.

I właśnie tutaj zaczyna się robić ciekawie. Bo lokalne AI nie musi być najlepszym modelem, jaki istnieje. Musi być wystarczająco dobre do konkretnego zadania.

Do prostego przepisywania tekstu, klasyfikacji, generowania odpowiedzi, eksperymentów czy niektórych automatyzacji taki model może być zupełnie wystarczający.

Twórcy AI, founderzy, innowatorzy! Macie okazję zgłosić swój startup do świetnego programu inkubacyjnego. Ruszyła właśnie rekrutacja do 4. edycji programu Innovations Hub – swoje kandydatury możecie zgłaszać do 20 września. Ponad 150+ startupów otrzymało już wsparcie w ubiegłych latach.

Uczestniczyłem w finale poprzedniej edycji w CIC Warsaw i było naprawdę super. Ponad 400 gości, 5 najlepszych zespołów prezentujących przed widownią i inwestorami oraz wielu świetnych ludzi z pozytywną energią.

Zwyciężył startup Syntro.ai (któremu mocno kibicowałem ze względu na niezwykle kompetentny skład), który automatyzuje pracę zespołów pharmacovigilance, wykorzystując do tego modele LLM. Z moich informacji wynika, że zespół w programie bardzo się rozwinął, zdążył zebrać ponad milion złotych w grantach i teraz szykuje się do rundy inwestycyjnej. To realny efekt 5 miesięcy pracy.

Chciałbym, by więcej osób budowało AI startupy w Polsce. Uważam, że takie programy naprawdę pomagają osobom, które chcą budować w świecie sztucznej inteligencji, dlatego postanowiłem współpracować z Fundacją Innovations Hub przy promocji tego wydarzenia. Ważnym aspektem tego programu jest też fakt, że 100% udziałów zostaje u Ciebie.

Poniżej więcej informacji o ścieżce:

AI Tech Track to jedna z 5 ścieżek programu inkubacyjnego Innovations Hub, stworzona dla młodych innowatorów, studentów i zespołów na wczesnym etapie, którzy chcą budować startupy oparte na AI.

Nieważne czy dołączasz sam z pomysłem, czy z zespołem, ale bez rozwiniętego rozwiązania – program prowadzi Cię od zera aż po rozmowy z inwestorami. Warunek: przynajmniej jeden co-founder ma poniżej 30 lat.

Na czym to polega?

•⁠ ⁠5 miesięcy, 3 etapy programu

•⁠ ⁠Equity-free, czyli 100% udziałów zostaje u Ciebie

•⁠ ⁠Cotygodniowe spotkania z ekspertami, wydarzenia stacjonarne

•⁠ ⁠Mentoring z praktykami, networking z ludźmi z branży

•⁠ ⁠Finał, czyli specjalne wydarzenie dla najlepszych

Jeśli budujesz coś w AI (albo dopiero chcesz zacząć) — to jest moment, żeby zrobić to porządnie.

Zarejestruj się do 20 września: https://www.innovationshub.pl/registration

Więcej informacji: https://www.innovationshub.pl/program-inkubacyjny

Micha Podlewski, Kamil Pawlik: Jakiś czas temu rozmawialiśmy z matematykiem dr Bartoszem Naskręckim o tym, jak AI zmienia matematykę. Panuje przekonanie, że kolejnym obszarem, który czekają duże zmiany, może być właśnie biologia. Czy z Twojej perspektywy AI już teraz znacząco zmienia sposób pracy w tym obszarze, czy to wciąż pieśń przyszłości?

Joanna Krawczyk: Zacznijmy od rzeczy pozornie oczywistej: biologia jest prawdopodobnie najbardziej rozległą i złożoną dziedziną, którą próbujemy dziś modelować za pomocą AI. Od prostych systemów diagnostycznych, przez przewidywanie struktury białek, po zrozumienie mechanizmów działania raka – biologia stawia tysiące pytań, na które wciąż poszukujemy odpowiedzi. W Ingenixie patrzymy na sztuczną inteligencję w biologii przede wszystkim przez pryzmat rozwoju nowych terapii.

Mam poczucie, że znajdujemy się w bardzo ciekawym momencie – z jednej strony pełnym ogromnych możliwości, z drugiej – wielu paradoksów. Rozwój AI jest niezwykle dynamiczny i w niektórych obszarach przyniósł już prawdziwe przełomy. Doskonałym przykładem jest model AlphaFold – jeden z największych sukcesów ostatnich lat w biologii obliczeniowej. Pokazał on, że uczenie maszynowe potrafi rozwiązać problem, który przez dekady pozostawał jednym z największych wyzwań w tej dziedzinie.

Z drugiej strony, jeśli spojrzymy na to, czy przekłada się to w praktyce na lepsze rozumienie chorób i ich przyczyn, obraz nie jest już tak optymistyczny. Pomimo stale rosnących nakładów na badania i rozwój, liczba nowych terapii przypadających na każdy wydany miliard dolarów od lat systematycznie spada. Dysponujemy większą ilością danych biologicznych niż kiedykolwiek wcześniej, sekwencjonowanie staje się coraz tańsze, a dostępna moc obliczeniowa nieustannie rośnie. Mimo to nie obserwujemy proporcjonalnego wzrostu liczby nowych terapii zatwierdzanych przez FDA lub EMA.

Moim zdaniem nie świadczy to o porażce AI, lecz o ograniczeniach obecnych podejść. Sztuczna inteligencja najlepiej radzi sobie z wąskimi, dobrze zdefiniowanymi problemami przy dużej ilości wysokiej jakości danych. Tak było w przypadku modelu AlphaFold, który uczył się na setkach tysięcy eksperymentalnie wyznaczonych struktur białek. Odkrywanie nowych terapii stawia przed AI zupełnie inne wyzwania. Dlatego mimo imponującego postępu technologicznego właśnie w tym obszarze wciąż czekamy na przełom.

Założyciele Ingenix, Piotr Surma i Adam Dancewicz, to doświadczeni przedsiębiorcy, którzy mają już na koncie udany startup AI. Przełożenie tego doświadczenia na skomplikowany świat biologii to jednak zupełnie inna skala wyzwania. Co sprawiło, że uwierzyłaś, że i tym razem im się uda i dołączyłaś do zespołu?

Jako bioinformatyczka z wykształceniem matematycznym marzyłam o pracy w miejscu, w którym mogłabym połączyć moją pasję do analizy danych biologicznych z budową modeli machine learningowych. W Polsce niestety długo takiego miejsca brakowało, dlatego bardzo ucieszyłam się, słysząc, że w Warszawie powstaje Ingenix.

Nie ukrywam, że zanim dołączyłam do zespołu, buzzwords takie jak „simulating clinical trials”, „virtual cells” czy „virtual twins” budziły we mnie raczej sceptycyzm. Moje poprzednie doświadczenie pracy w firmie biotechnologicznej pokazało mi, o jakie przyziemne problemy z danymi potrafi rozbić się taka wizja. To, co przekonało mnie w rozmowie z Piotrem i Adamem, to ich szczerość. Otwarcie mówili: „Nie wierzymy, że rozwiążemy całą biologię, że zgromadzimy wszystkie dane i zbudujemy jeden najlepszy model”, ale byli przekonani, że zbierając zespół specjalistów z różnych dziedzin, można się do tego konsekwentnie przybliżać. Dla mnie był to znacznie bardziej wiarygodny sygnał niż mglista obietnica wielkiego przełomu.

Według mnie Ingenix stoi na dwóch mocnych nogach: doświadczonych biznesowo founderach, którzy zapewniają nam najlepsze warunki do pracy i rozwoju, oraz zespole genialnych researcherów, inżynierów i bioinformatyków. Może zabrzmi to banalnie, ale praca w takim miejscu to naprawdę przyjemność. Tworzymy zgraną grupę ludzi, którzy szczerze wierzą w misję firmy i wzajemnie się napędzają do codziennej pracy.

Ingenix to start-up, który chce zmienić sposób, w jaki wykorzystujemy AI w biologii i rozwoju leków. Według was przełomu w tych dziedzinach nie zapewni budowa jednego dużego modelu. Dlaczego uważacie, że to ślepa uliczka i jaka jest proponowana przez Was alternatywa?

Przede wszystkim wynika to z natury biologii. Zacznijmy od tego, że biologia komórki to dynamiczny i nieliniowy system, w którym drobna zmiana na wejściu może wywołać lawinę na wyjściu. Przykładowo, pojedyncza mutacja punktowa (zamiana jednego nukleotydu w tzw. hotspocie) może zapoczątkować kaskadę zdarzeń prowadzących do rozwoju nowotworu.

Do tego dochodzi fakt, że biologia jest wieloskalowa. Możemy obserwować ją na poziomie DNA, RNA, białek, pojedynczych komórek, tkanek czy całych organizmów. Każda z tych warstw pokazuje inny fragment rzeczywistości, a żaden pojedynczy pomiar nie daje pełnego obrazu. Żeby zrozumieć, co naprawdę dzieje się w komórce, trzeba nauczyć się integrować informacje z wielu modalności jednocześnie.

I wreszcie kwestia najbardziej przyziemna: dane biologiczne są dalekie od ideału. Technologie pomiarowe mają swoje ograniczenia – dane są zaszumione i obciążone dużą zmiennością techniczną. Co więcej, biologia jest też przykładem dziedziny, w której dane są „szersze niż dłuższe”. Często mierzymy ekspresję kilkunastu tysięcy genów dla zaledwie setek próbek, co stanowi spore wyzwanie dla klasycznych metod machine learningowych.

To właśnie połączenie tych trzech cech sprawia, że biologia wymaga zupełnie innych architektur AI niż dziedziny, dla których powstawała większość współczesnych modeli — takich jak tekst czy obraz. Problem nie polega więc na tym, że obecne modele są za małe, lecz na braku architektur zaprojektowanych z myślą o biologii.

Dlatego nie wierzymy, że przełom przyniesie jeden fundacyjny model próbujący nauczyć się wszystkiego naraz — takie modele świetnie odtwarzają biologię, którą już widziały, ale znacznie trudniej przychodzi im to, co dla nas najcenniejsze: generalizacja do nowych pacjentów, kombinacji mutacji czy mechanizmów choroby.

W Ingenixie idziemy w przeciwną stronę. Budujemy wyspecjalizowane modele — każdy dopasowany do swojej skali i typu danych — a następnie łączymy je w Biological Reasoning Engine, który potrafi rozumować w poprzek tych poziomów. Lubię porównywać to do interdyscyplinarnego zespołu naukowców: nikt nie zna całej biologii, ale dobrze współpracujący zespół potrafi zobaczyć znacznie więcej niż pojedyncza osoba.

Przez ostatni rok pracowaliście nad zupełnie nową architekturą AI. Co udało Wam się przez ten czas zbudować?

Przez ostatni rok pracowaliśmy nad pierwszą wersją wspomnianego Biological Reasoning Engine, co oznaczało kilka równoległych ścieżek.

Na poziomie modeli budowaliśmy wyspecjalizowane komponenty do pracy z różnymi typami danych – od danych transkryptomicznych, przez dane molekularne, aż po modele przewidujące skutki perturbacji genetycznych czy traktowania lekiem. Zależało nam, żeby każdą z tych modalności potraktować jako odrębny problem badawczy, a nie próbować sprowadzać je tylko do tekstu.

Równolegle rozwijaliśmy warstwę rozumującą i system agentowy, który potrafi zestawiać wiedzę z literatury, patentów, badań klinicznych czy wyników ilościowych eksperymentów, a następnie przekładać ją na hipotezy badawcze.

Pierwszy sygnał, który szczególnie nas cieszy, to oznaki generalizacji zero-shot w naszych modelach – umiejętność wnioskowania w nowych kontekstach biologicznych, których modele wcześniej nie widziały. Drugi to wyniki naszego ostatniego wewnętrznego hackathonu, podczas którego budowaliśmy prototyp autonomicznego (self-evolving) bio-researchera. Pytanie było proste: czy agent potrafi wejść w zupełnie nową domenę biologiczną, dostając zaledwie kilka przykładów od ekspertów i w krótkim czasie nauczyć się skutecznie w niej pracować? Modele rozwinięte podczas tego projektu znacząco przewyższyły publicznie dostępne rozwiązania na zewnętrznych benchmarkach i wewnętrznych testach. To dla nas pierwszy mocny sygnał, że można budować systemy, które nie tylko zapamiętują biologię, ale aktywnie się jej uczą.

Część naszych prac opisujemy w publikacjach – zainteresowanych szczegółami technicznymi zachęcam do lektury artykułów: https://ingenix.ai/evidence/ i postów:

Ingenix.ai

By Adam Dancewicz

W informacji prasowej napisaliście, że wnioski, których wypracowanie zajęło firmie biotechnologicznej kilka lat badań i kosztowało miliony euro, zostały wygenerowane przez wasze AI w zaledwie kilka minut. Czy możesz zdradzić więcej szczegółów, jak do tego doszło?

To był dla nas bardzo ważny moment — po raz pierwszy mogliśmy przetestować Biological Reasoning Engine na rzeczywistym problemie badawczym.

Firma biotechnologiczna przyszła do nas z konkretnym pytaniem z obszaru onkologii. Nasz system wygenerował zestaw hipotez opartych na analizach wielu modalności jednocześnie. Przeprowadziliśmy analizę biomarkerów na poziomie linii komórkowych i pacjentów, uwzględniając dane in vitro, wyniki kliniczne oraz informacje ze skali molekularnej, komórkowej i populacyjnej. Zgromadzenie danych, przeprowadzenie analiz, interpretacja wyników i budowa modeli — zwykle taki proces zajmuje miesiące. Nasz system przeprowadza analizę w ciągu od kilkunastu do kilkudziesięciu minut.

Natomiast prawdziwym wyzwaniem jest to, co dzieje się potem – synteza i priorytetyzacja hipotez. Poszczególne analizy potrafią wygenerować dziesiątki potencjalnych tropów, ale najtrudniejsze jest wskazanie, które z nich mają największy potencjał biologiczny.

Dlatego tak istotna była dla nas walidacja. Hipotezy wygenerowane przez nasz system w dużej mierze pokrywały się z kierunkami, do których firma doszła po latach własnych badań i które częściowo potwierdziła eksperymentalnie. To pozwala nam wierzyć, że Biological Reasoning Engine mógłby istotnie przyspieszyć ich proces badawczy i pomóc w podjęciu kluczowych decyzji naukowych.

Nie oznacza to, że AI zastępuje eksperymenty biologiczne. Pokazuje jednak, że potrafi w bardzo krótkim czasie zawęzić przestrzeń najbardziej obiecujących hipotez i pomóc naukowcom podejmować lepsze decyzje o tym, które hipotezy warto zweryfikować w laboratorium. Co w rezultacie sprawia, że nawet mała firma biotechnologiczna może iterować w obrębie nie kilku, a kilkunastu głównych hipotez jednocześnie.

Waszym flagowym rozwiązaniem jest „Biological Reasoning Engine”. Jak Wasze AI “rozumie” biologię? Co jest potrzebne, żeby sztuczna inteligencja rzeczywiście rozumiała biologię?

Odpowiem przekornie: wszystko zależy od tego, co nazwiemy „rozumieniem”. Dla mnie model nie rozumie biologii dlatego, że przeczytał milion publikacji. Rozumie ją wtedy, kiedy potrafi wyjaśnić, dlaczego dochodzi do danego zjawiska i rozróżnia, jak efekty na poziomie białek wpływają na zachowanie w tkankach.

Większość współczesnych systemów AI potrafi bardzo dobrze analizować pojedynczy typ danych (tekst, obraz czy sekwencję), a jeśli korzysta z wielu modeli, zwykle łączy je dopiero na poziomie gotowych odpowiedzi. Biologia tak nie działa. Ten sam proces biologiczny jednocześnie zostawia ślad w genomie, w ekspresji genów, w aktywności białek, w obrazie komórki i ostatecznie w stanie pacjenta. Z drugiej strony, współczesne metody eksperymentalne pozwalają mierzyć jedynie cień większości tych prawdziwych zdarzeń. Jeśli chcemy go zrozumieć, nie możemy analizować tych warstw osobno.

Wyobraźmy sobie pytanie: co stanie się, jeśli podamy konkretny związek chemiczny pacjentowi z określoną mutacją nowotworu? Odpowiedź nie wynika ani z samej struktury cząsteczki, ani z ekspresji genów, ani z literatury. System zestawia jednocześnie informacje o związku chemicznym, stanie komórki, aktywnych szlakach sygnałowych i dostępnych dowodach eksperymentalnych, a następnie buduje mechanistyczną hipotezę wyjaśniającą, dlaczego spodziewamy się określonej odpowiedzi.

To właśnie dlatego w naszym podejściu nie integrujemy modeli na poziomie ich odpowiedzi, ale znacznie wcześniej — na poziomie reprezentacji. Reasoning odbywa się już na wspólnej topologii zależności pomiędzy różnymi modalnościami biologicznymi. To właśnie ta mapa jest dla nas najcenniejszym elementem całego systemu.

Równie ważna jest dla nas transparentność. Od początku zależało nam, żeby odpowiedzi naszego systemu nie były „czarną skrzynką”. Oprócz końcowego wyniku pokazujemy również pełen tok rozumowania: z jakich dowodów korzystał, jaki mechanizm biologiczny proponuje i jakie są ograniczenia danej hipotezy.

Czy to znaczy, że AI „rozumie” biologię? Byłabym ostrożna z takim stwierdzeniem. Powiedziałabym raczej, że potrafi rozumować pomiędzy różnymi skalami biologii i budować z nich spójne wyjaśnienia mechanizmów — w sposób, który wcześniej był praktycznie niemożliwy, bo żaden naukowiec nie jest w stanie jednocześnie analizować i interpolować pomiędzy tyloma źródłami informacji.

Internet był paliwem dla LLM-ów. Co jest odpowiednikiem internetu dla AI biologicznej? Dane laboratoryjne? Symulacje? Eksperymenty?

Najkrótsza odpowiedź brzmi: dane eksperymentalne. Ale już tutaj pojawia się zasadniczy problem. Internet jest ogromny, tani i łatwo dostępny, podczas gdy dane biologiczne są dokładnym jego przeciwieństwem. Każdy pomiar wymaga eksperymentu — kosztownego, czasochłonnego i często obarczonego szumem technicznym.

Liczy się nie tylko ilość danych, ale przede wszystkim to, jakie informacje niosą. Potrzebujemy danych heterogenicznych, przyczynowo-skutkowych, ukazujących zależności pomiędzy procesami i skalami biologicznymi. Dobrym przykładem są eksperymenty perturbacyjne, w których konkretną linię komórkową traktujemy lekiem albo wyłączamy aktywność wybranego genu za pomocą CRISPR. To złota zasada inżyniera: chcesz zrozumieć system — spróbuj go zepsuć. Równie cenne są dane multimodalne z jednego eksperymentu: wieloskalowe perturbacje na różnych liniach komórkowych, sparowane dane od pacjentów przed i po leczeniu wraz z multiomicznymi profilami i odpowiedzią na terapię. Takich publicznie dostępnych danych jest dziś zdecydowanie za mało.

Bez nich wpadamy w dwie pułapki naraz. Pierwsza polega na tym, że modele świetnie odtwarzają biologię, którą już znamy. Druga jest bardziej subtelna — benchmarki, napędzające postęp w dziedzinie, często premiują właśnie takie zachowanie. Większość publicznych zbiorów ewaluacyjnych koncentruje się na dobrze przebadanych kontekstach, przez co nagradzamy znajomość istniejącej biologii, a nie zdolność do odkrywania nowej.

Czy potrzebujemy istotnie więcej danych? Niekoniecznie. Dużo ważniejszym pytaniem jest: jakie dane są najbardziej wartościowe, żeby nauczyć modele rozumienia biologii. My uważamy, że potrzebujemy jednocześnie bardziej heterogenicznych, przyczynowo-skutkowych danych oraz rzetelnych benchmarków budowanych wspólnym wysiłkiem całej społeczności.

Jak na co dzień wygląda Twoja współpraca z AI? W jakich zadaniach sztuczna inteligencja jest dla Ciebie niezastąpiona, a gdzie uważasz, że nadal nie można jej ufać?

W Ingenixie traktujemy AI przede wszystkim jako narzędzie przyspieszające codzienną pracę. Muszę przyznać, że tempo postępu w ostatnim roku zrobiło na mnie spore wrażenie — szczególnie w obszarze programowania. Modele pomagają mi dziś szybciej prototypować pomysły, przeglądać literaturę czy monitorować eksperymenty obliczeniowe – dzięki czemu więcej czasu poświęcam na pracę badawczą, a mniej na powtarzalne zadania.

Jednocześnie są obszary, w których pozostaję świadomie ostrożna — przede wszystkim eksploracja i przygotowanie danych oraz interpretacja modeli. W biologii jakość danych, na których trenujemy i walidujemy modele, jest absolutnie kluczowa. Złe założenia na wejściu, niezależnie od tego, jak zaawansowany jest model, prowadzą do błędnych wniosków.

Ta sama ostrożność dotyczy interpretacji wyników. W machine learningu stosunkowo łatwo jest osiągnąć dobre wyniki z niewłaściwych powodów. Zdarza się, że wszystkie metryki wyglądają świetnie: funkcja kosztu jest niska, dokładność predykcji wysoka, a dopiero głębsza analiza ujawnia, że model nauczył się artefaktu zamiast rzeczywistego sygnału. To jest moment, którego AI dzisiaj nie zastąpi. Trzeba spojrzeć na wyniki i zapytać krytycznie: czy to, co widzimy, ma biologiczny sens?

W „Trajektoriach” lubimy wybiegać w przyszłość. Gdzie, Twoim zdaniem, będziemy za 5-10 lat dzięki systemom takim jak Wasz? Czy dojdziemy do punktu, w którym AI będzie nie tylko narzędziem badaczy, ale głównym autorem odkrycia? I co to w ogóle oznacza dla nauki jako ludzkiej instytucji?

Nie jestem fanką spekulowania o przyszłości – biologia zbyt często uczyła mnie pokory. Ale wierzę, że w Ingenix mamy wizję, o którą naprawdę warto zawalczyć.

Dziś od odkrycia kandydata na lek do wprowadzenia do kliniki mija średnio ponad dekada. To dekada, podczas której pacjenci czekają na terapie, które mogłyby im pomóc. Chciałabym, żeby za 5-10 lat AI istotnie skróciło tę ścieżkę — nie przez zastąpienie naukowców, ale przez radykalne przyspieszenie każdego z jej etapów: szybsze generowanie i priorytetyzowanie hipotez, efektywniejsze projektowanie badań klinicznych, wcześniejsze wykrywanie sygnałów, które dziś giną w szumie danych. To jest właśnie misja Ingenix – skrócić drogę do terapii ratujących życie.

Wracając do pytania, czy AI stanie się głównym autorem odkryć naukowych, mówiąc uczciwie, nie wiem. Ale wiem, że jeśli systemy takie jak nasz pomogą naukowcom zadawać lepsze pytania i szybciej je weryfikować, to będzie to korzystne zarówno dla nauki, jak i dla pacjentów. Narzędzia nigdy nie zastępują ciekawości, a to właśnie ciekawość napędza odkrycia.

***

Joanna Krawczyk - Senior Bioinformatics Data Scientist w warszawskim startupie Ingenix. Doświadczenie zawodowe zdobywała w przemyśle biotechnologicznym oraz środowisku akademickim — m.in. w laboratorium Medycyny Obliczeniowej prof. Ewy Szczurek na Uniwersytecie Warszawskim oraz w firmie biotechnologicznej Ryvu Therapeutics.

***

Linki:

1. Profil na LinkedIn

2. Profil na OpenReview

3. Ingenix na Substack

4. Strona Ingenix

Joanna Krawczyk z Fredericiem Grabowskim na konferencji ICML 2026 w Seulu, podczas której zaprezentowali prace badawcze dotyczące wielomodalnych modeli językowych do wnioskowania na danych omicznych i molekularnych:
🧬 OmicsLM: A Multimodal Large Language Model for Multi-Sample Omics Reasoning
🧪 Bolek: A Multimodal Language Model for Molecular Reasoning

Świetna wiadomość dla całej społeczności ML/AI/Data Science. Już teraz możesz zgłosić swój udział w nadchodzącej edycji jednej z najważniejszych konferencji poświęconych uczeniu maszynowemu w tej części Europy.

Konferencja odbędzie się w dniach 8–10 października 2026 roku.

Wybrani aplikanci otrzymają dostęp do specjalnych, zniżkowych biletów na konferencję w ramach puli Early Bird.

Zarejestruj się już teraz, korzystając z poniższego linku:

ML in PL Early Bird Registration

Do zobaczenia na ML in PL 2026!

Już w ten piątek (12 czerwca) odbędzie się gala podsumowująca jubileuszową, X edycję projektu Wrocław Koduje 2.0 a także 6 edycję projektu Aglomeracja Koduje. W trakcie gali odbędzie się zespołowy, międzynarodowy hackathon dla szkół. Ponadto w wydarzeniu wezmą udział goście z całego świata, m.in. z Argentyny, Senegalu i Chile. Będzie to wyjątkowa okazja do networkingu, wymiany doświadczeń i świętowania sukcesów młodych programistów.

W programie wiele atrakcji dla każdego pasjonata programowania.

Czekają na Was:

• warsztaty i prelekcje,

• konkursy i nagrody,

• spotkania z ekspertami i pasjonatami IT,

• niespodzianki oraz podsumowanie najciekawszych projektów uczestników.

Wrocław Koduje 2.0 to mający najdłuższą tradycję i jeden z największych miejskich programów edukacji cyfrowej na świecie! Jest prowadzony wspólnie przez miejską spółkę Centrum Usług Informatycznych oraz Fundację Lige Niezwykłych Umysłów. Co roku uczestniczy w nim kilka tysięcy uczniów z wrocławskich szkół, rozwiązując nawet ponad 260 tys. praktycznych zadań programistycznych i bazodanowych w trakcie roku szkolnego!

Wszystko zaczęło się w 2016 roku od krótkiego programu pilotażowego dla dziesięciu szkół średnich. Na platformie były wtedy gotowe tylko dwa pierwsze rozdziały kursu C++. Wydawało nam się, że powinno to wystarczyć na lekcje informatyki przez dwa miesiące programu. Ale po udostępnieniu zadań okazało się, że kilku zapalonych uczniów rozwiązało je wszystkie w jeden dzień!

Najnowsza historia to zadania związane ze sztuczną inteligencją – przede wszystkim nauka algorytmów i metod sztucznej inteligencji, a zatem odkrywanie krok po kroku, w jaki sposób działa AI i jak ją tworzyć, a nie tylko jak używać chatbotów.

Godzina 10:30, 12 czerwca, Politechnika Wrocławska, Aula A1

Więcej informacji na stronie Wrocław Coding

Ruszyła druga edycja programu AIntern. Jest to program matchmakingowy dotyczący staży badawczych w obszarze AI, w którym łączone są osoby i firmy mające pomysły na projekty badawcze dotyczące AI z osobami, które szukają dla siebie staży w tym właśnie obszarze. Celem jest wzmacnianie potencjału badawczego Polski w obszarze AI.

Jak to działa? W skrócie:

1. Naukowcy, organizacje, firmy i pasjonaci AI zgłaszają tematy projektów badawczych w obszarze AI oraz warunki współpracy i oczekiwania. Następnie zgłoszenia są selekcjonowane i proponowane praktykantom.

2. Osoby (np. studenci, doktoranci) zainteresowane praktykami badawczymi w obszarze AI aplikują do programu i wskazują preferowane tematy.

3. Zgłaszający projekty przeprowadzają rekrutację praktykantów do zespołu.

4. Praktykanci pod opieką doświadczonych mentorów pracują nad projektami i na koniec programu prezentują rezultaty prac (są również zachęcani do publikacji wyników, np. na arXiv, lub poprzez publicznie dostępne repozytorium). Mogą jednak później kontynuować pracę nad projektami.

W 2026 roku program AIntern składa się z 5 faz:

1. Faza 1 (11.05-31.05): zgłoszenia projektów

2. Faza 2 (1-14.06): zgłoszenia praktykantów

3. Faza 3 (15-28.06): rekrutacja do projektów

4. Faza 4 (29.06-25.09): praca nad projektami

5. Faza 5 (26.09): prezentacja wyników

Więcej informacji na stronie Fundacji Quantum AI

W dniach 8–9 maja Poznań stanie się stolicą uczenia maszynowego. GHOST Day to wydarzenie dla osób, które chcą zgłębić jak powstają realne systemy ML. Bez korporacyjnego lania wody. To rzadka okazja, by zobaczyć, nad czym pracują zespoły badawcze z najlepszych instytucji AI na świecie.

Prelegenci i tematy:

• Michal Valko | Isara Labs

“The Genesis of Predictive Architectures: How AI Can Extract Meaning from Unlabeled Data”

• Przemysław Biecek | Centre for Credible AI

“Decode AI: A Few Thoughts on How to Analyse Complex Models (and Why)”

• Ondřej Dušek | Charles University in Prague

“How (Not) to Find Errors in LLM Outputs?”

• Pierre Ménard | Meta

“ARE: Scaling Up Agent Environments and Evaluations”

• Sagar Vaze | MistralAI

“What’s Next in Vision Language Models?”

• Rebekka Burkholz | CISPA Helmholtz Center for Information Security

“Towards AI that is Smart and Sparse”

• Marina Esteban-Medina | ETH AI Center

“Learning Drug Responses Across Domains for Precision Oncology”

• Ivan Cimrak | University of Zilina

“If Mammography AI Works, Why Isn’t It Everywhere?”

• Karolina Drożdż & Kacper Dudzic | IDEAS Research Institute

“Patterns vs. Patients: Evaluating LLMs against Mental Health Professionals on Personality Disorder Diagnosis”

Wśród prelegentów pojawią się również: dr Bartosz Naskręcki, Witold Wydmański ,Krzysztof Ociepa, prof. Artur Dubrawski (Carnegie Mellon University) oraz Mateusz Olko.

Co poza wykładami?

• Strefa Kariery: Stoiska takich firm jak Allegro, AMD, Datarabbit, Google i Pearson. Sponsorzy traktują to wydarzenie jako realną okazję rekrutacyjną dlatego zabierz ze sobą CV!

• Networking: Po pierwszym dniu organizatorzy zapraszają na integrację w centrum Poznania.

  Za wydarzeniem stoi fantastyczny zespół z Politechniki Poznańskiej. Wywiad z zespołem organizującym GHOST Day znajdziesz tutaj:

• PL: trajektorie.pl/p/ghost-day-2026-wywiad

• ENG: fast-takeoff.com/p/ghost-day-2026

Kiedy: 8–9 maja

Gdzie: Centrum Wykładowe Politechniki Poznańskiej

Bilety: ghostday.pl/#tickets

Trajektorie.pl jest partnerem medialnym wydarzenia.

Do zobaczenia w Poznaniu!

Czasem najprostsze odkrycia przychodzą ostatnie. Przez dziesiątki lat matematycy używali całego arsenału funkcji – logarytmów, potęg, trygonometrii – nie zdając sobie sprawy, że wszystko to można sprowadzić do jednego, uniwersalnego operatora. Dr hab. Andrzej Odrzywołek (Uniwersytet Jagielloński) pokazał, jak to zrobić, a jego praca wywołała w sieci prawdziwą burzę. W rozmowie dla trajektorie.pl rozmawiamy o matematyce, która wygląda jak science fiction, o tym czy komputery analogowe mogą wrócić do łask, oraz jak sztuczna inteligencja zmienia sposób uprawiania nauki.

***

Pańska najnowsza praca All elementary functions from a single operator1 wywołała w sieci niemałą burzę. Skoro jednak funkcje wykładnicze, logarytmy i ich powiązania znamy od czasów Eulera, dlaczego tak prosty, uniwersalny operator umykał matematykom przez stulecia?

Dr hab. Andrzej Odrzywołek: Ponieważ procedury naukowe mogą nie być jasne dla szerszej społeczności, wyjaśnijmy: nie praca [naukowa], tylko preprint. Wyniki nie są jeszcze formalnie zrecenzowane i opublikowane.

Wśród specjalistów jest wiadome, że wystarcza tylko kilka operacji, aby obliczyć standardowe funkcje „elementarne”, które ja definiuję jako te, które znamy z kalkulatorów naukowych. Dla przykładu, Mathematica, używana powszechnie do obliczeń w środowisku fizyków-teoretyków, potrzebuje tylko 4 operacji: dodawania, mnożenia, potęgowania i logarytmu naturalnego. Zamiana mnożenia na dodawanie i vice versa także jest, a może raczej była oczywista, zanim pojawiły się kalkulatory. Każdy uczeń, student czy inżynier musiał opanować posługiwanie się tablicami lub suwakiem logarytmicznym. Funkcja wykładnicza exp(x), jej odwrotność (logarytm naturalny ln(x)) oraz cztery działania (+, −, ×, ÷). Tyle wystarcza. Dalszej redukcji od dziesięcioleci (mówienie o stuleciach to przesada) po prostu nikt nie potrzebował i nie szukał. Kluczowy wzór na logarytm w postaci EML wymaga 7 instrukcji i trzykrotnego złożenia, co jest na granicy „oczywistości”. Sam EML wymaga 3 operacji na 36-klawiszowym kalkulatorze, liczba kombinacji do sprawdzenia naiwnym algorytmem to ok. 6 milionów (2⁷ × 36³). Za dużo, by próbować na papierze, ale na tyle mało, że w pewnym momencie ktoś musiał w końcu to policzyć.

Część środowiska zachwyca się elegancją EML, inni pytają: „ok, ale po co?”. Jak reaguje Pan na zarzut, że to ostatecznie tylko matematyczna gimnastyka, swoista „sztuka dla sztuki”?

Trzy pytania w jednym (śmiech).

Pojęcie elegancji jest subiektywne. Bardziej miarodajne jest mówienie o złożoności czy prostocie. Jedna operacja binarna i liczba 1 to mniej niż zestaw złożony z kilku funkcji jednej zmiennej, operacji binarnych i stałych. Wzory skompilowane do EML mogą wydawać się brzydkie, jak krążący po sieci wzór na pi. Ja nazwałbym go raczej przydługawym. Natomiast sam operator EML rzeczywiście jest elegancki, jego postać bardzo mnie zaskoczyła. Spodziewałem się czegoś gorszego, może niekoniecznie aż tak dziwnego jak, powiedzmy ?(x) Minkowskiego, ale raczej pośród funkcji specjalnych niż szkolnych.

Ja potrzebowałem pojedynczego operatora do celów tzw. regresji symbolicznej (ang. Symbolic Regression), czyli poszukiwania wzorów matematycznych w zbiorach danych. Ostatnio takie techniki poszły na boczny tor, bo AI robi to samo znacznie lepiej. Głównym problemem w SR jest wybór bazy: sinus czy cosinus, tangens czy cotangens, dodawanie czy odejmowanie itd. Biorąc za dużo operacji, komplikujemy szukanie; za mało – ryzykujemy, że w ogóle pominiemy pewne poprawne wyrażenia. W głowie od dawna siedział mi pomysł na automatyczny weryfikator, który przed uruchomieniem szukania, np. w PySR, sprawdza czy użyty zestaw stałych (np. 2, pi, e), funkcji (np. sin, sinh, cos, cosh) i operacji (np. +, −, ×) faktycznie będzie w stanie znaleźć dowolne wyrażenie. Testując weryfikator (VerifyBaseSet), wrzucałem w niego różne rzeczy i obserwowałem co się dzieje. Wtedy dotarło do mnie, że mając tylko 1 operator, problem w ogóle przestaje istnieć.

Bez wątpienia, EML to jest rodzaj intelektualnej gimnastyki. Ale jak pisał Stanisław Ulam:

W publikacji pisze Pan również o prototypie kompilatora EML oraz o potencjale w projektowaniu komputerów analogowych. Czy to oznacza, że w przyszłości nasze procesory mogłyby działać na zupełnie innej, uproszczonej architekturze? Gdzie dokładnie EML może najszybciej znaleźć fizyczne zastosowanie?

Komputery analogowe nie bez powodu już dawno zastąpiono cyfrowymi, co nie znaczy, że przestały istnieć. Ich zastosowanie ograniczają problemy techniczne, z których jednym jest brak możliwości generowania dowolnych funkcji elementarnych. EML mógłby uzupełnić tę lukę. Wygenerowanie eksponenty jest proste, to prawo rozładowania kondensatora, odejmowanie wykonuje wzmacniacz operacyjny. Ale po drodze potrzebujemy liczb zespolonych. Droga od teorii do praktyki nie będzie prosta. Mózg bez wątpienia pracuje w trybie analogowym, a nie potrafimy zreplikować nawet działania mózgu muszki owocowej.

Raptem 3 lata temu świat matematyki zachwycał się „einsteinem” – pojedynczą figurą geometryczną, która pokrywa płaszczyznę bez powtarzającego się wzoru (aperiodycznie). W pewnym sensie sam Pan ma na koncie podobny wynalazek: pojedynczy operand, za pomocą którego można wyrazić dowolną funkcję rzeczywistą. Czy uważa Pan, że inne dziedziny wciąż ukrywają przed nami takie swoje „uniwersalne klocki”?

Są to rzeczy powiązane. Sam jestem autorem pomysłu i posiadaczem patentu na trójwymiarowy wielościan, którego kształt pozwala zbudować igloo. Opis można znaleźć w czasopiśmie Eureka (How to Build the Perfect Igloo2, 2014), wydawanym przez studentów matematyki w Cambridge, a jego model znajduje się w posiadaniu NKF UJ. Sądzę, że przekierowanie mocy obliczeniowej setek tysięcy GPU, używanych obecnie do trenowania AI, na przeszukiwanie przestrzeni rozwiązań rozmaitych problemów mogłoby ujawnić wiele niespodzianek.

Podobno EML to dopiero początek i bada już Pan jego wariant trójargumentowy, który w ogóle nie potrzebuje stałej „1”. Dlaczego wyeliminowanie tej jednej dodatkowej cyfry jest dla Pana tak istotne i co otworzyłoby przed nami znalezienie operatora w pełni samowystarczalnego?

Konieczność uwzględniania na każdym poziomie możliwości pojawienia się konkretnej stałej komplikuje obliczenia i zwiększa liczbę parametrów drzewa EML. Stanowi też rodzaj dyskretnego przełącznika, który usuwa z EML logarytm. Model bez żadnej konkretnej stałej, zawierający wyłącznie zmienne x, y, z… byłby w pełni ciągły. Taki operator binarny byłby jeszcze bardziej podobny do NAND. Nie udało mi się go znaleźć. Być może nie istnieje, lub nie jest funkcją elementarną.

Na końcu publikacji otwarcie przyznaje Pan, że w pracy pomagały Panu współczesne modele językowe m.in. przy tłumaczeniu kodu na język Rust). Jak na co dzień wygląda Pana współpraca z AI?

Modele językowe przyspieszyły wiele spraw. Po pierwsze, skuteczne tłumaczenia i wielojęzyczne przeszukiwanie. Obecnie na X od razu widzę np. posty oryginalnie w języku japońskim, które bez tego byłyby dla mnie zapewne kompletnie niezrozumiałe. Z samego schematu układu elektronicznego nie domyśliłbym się, że ktoś pokazuje propozycję sprzętowej implementacji EML. Po drugie, przegląd literatury. W tym historycznych tekstów po łacinie czy francusku (Cotes, Liouville). Jest to bardzo pomocne, zwłaszcza przy badaniach interdyscyplinarnych w erze wąskiej specjalizacji. W pewnym sensie LLM-y spełniają obietnicę, którą kiedyś dało nam, a następnie odebrało Google: możliwość wyszukania dowolnej potrzebnej informacji.

Kolejne zagadnienie to korekta językowa. Z zastrzeżeniem, że działa ona głównie przy standardowych tekstach i wymaga daleko posuniętej ostrożności, gdyż problem halucynacji nadal istnieje. Tłumaczenie kodu to najnowsze osiągnięcie AI, przełom nastąpił w grudniu 2025. Obecnie problemem nie jest samo pisanie programu, a raczej jasne sformułowanie, co i jak ma robić. Okazuje się, że najlepszym promptem tłumaczącym, jak ma działać program, jest... inny program robiący to samo. Agent AI typu GPT Codex lub Claude Code potrafi samodzielnie uruchamiać i testować programy, co pozwala na skuteczne przetłumaczenie kodu np. z Mathematici do Rust-a. Mając dwie wersje, można łatwo sprawdzić, czy działają w identyczny sposób. Różnica jest w szybkości: oryginalny VerifyBaseSet wymaga 40 minut, po przepisaniu w Rust kilka sekund. AI ułatwia także pracę z różnymi systemami operacyjnymi, repozytorium dołączone do preprintu działa na Windows, Linuksie i MacOS.

***

Dr hab. Andrzej Odrzywołek – astrofizyk, matematyk, pracownik Zakładu Teorii Względności i Astrofizyki w Instytucie Fizyki Teoretycznej Uniwersytetu Jagiellońskiego w Krakowie. Autor pracy All elementary functions from a single operator, która wywołała poruszenie w międzynarodowej społeczności naukowej. Posiadacz patentu na trójwymiarowy wielościan do konstrukcji igloo (model znajduje się w zbiorach Uniwersytetu Jagiellońskiego).

Linki:

1. Strona pracownika UJ

2. Profil na LinkedIn

3. Profil na X

Michał Podlewski: Czym dokładnie jest GHOST DAY i jaka historia stoi za Waszą intrygującą nazwą?

Piotr Wyrwiński (Opiekun KN GHOST): GHOST to skrót od Group of Horribly Optimistic STatisticians, czyli Grupa Strasznie Optymistycznych Statystyków, i ta nazwa całkiem dobrze oddaje naszą historię. Wszystko zaczęło się, gdy dr Mateusz Lango prowadził zajęcia ze statystyki na Politechnice Poznańskiej. Grupa ambitnych studentów chciała wyjść poza program, a że Mateusz robił wtedy doktorat z uczenia maszynowego, skierował ich na słynny kurs Machine Learning Andrew Ng na platformie Coursera. To naturalnie przerodziło się w regularne spotkania, a z nich powstało Koło Naukowe GHOST. Nazwa została, bo dobrze oddaje ducha tamtych początków, kiedy studenci byli, delikatnie mówiąc, strasznie (buu!) optymistyczni co do tego, jak daleko zaprowadzą ich statystyka i sam entuzjazm. Okazało się, że całkiem daleko.

Dziś GHOST to organizacja studencka zajmująca się badaniami i nauką w obszarze uczenia maszynowego. Co semestr prowadzimy grupy tematyczne i zespoły projektowe z różnych dziedzin ML. W tym semestrze mamy sekcje obejmujące m.in. TinyML, obliczenia kwantowe dla ML, duże modele językowe, robotykę, a także zespół budujący system predykcji powodzi z wykorzystaniem głębokich sieci neuronowych i danych satelitarnych. Mogliście nas też spotkać na hackathonach, konkursach Kaggle czy innych konferencjach.

GHOST Day: Applied Machine Learning Conference to nasze flagowe wydarzenie. Chcemy stworzyć przyjazną, pełną energii przestrzeń, w której entuzjaści ML mogą wymieniać się doświadczeniami i być na bieżąco w dziedzinie, która zmienia się niesamowicie szybko. Wśród naszych prelegentów są naukowcy publikujący na czołowych konferencjach takich jak NeurIPS czy ICML, a także eksperci z firm tworzących produkty oparte na uczeniu maszynowym. Konferencja nie jest przywiązana do żadnego konkretnego języka programowania ani technologii, chodzi o techniki, metody i algorytmy. Traktujemy ją też jako punkt wejścia dla utalentowanych inżynierów, którzy chcą wkroczyć w świat AI, poprzez prezentacje na średniozaawansowanym poziomie, sesję posterową, gdzie uczestnicy mogą pokazać własne projekty, i bezpośredni kontakt z firmami z branży.

Wydarzenie nosi podtytuł Applied Machine Learning Conference. Czy to sygnał dla uczestników, że kładziecie nacisk przede wszystkim na realne wdrożenia i rozwiązywanie problemów, a nie tylko na czystą teorię akademicką?

Szymon Czajkowski (GHOST Day Project Leader): Zdecydowanie tak - nazwa Applied Machine Learning Conference to dla nas obietnica, że nie zostajemy wyłącznie w sferze teorii. Chociaż fundamenty akademickie są dla nas niezwykle ważne (w końcu wywodzimy się z Politechniki Poznańskiej), jednym z naszych celów jest pokazanie, jak te zaawansowane koncepcje „pracują” w realnym świecie.

To właśnie to „Applied” jest sercem naszej społeczności. Chcemy, aby uczestnicy wychodzili z GHOST Day z poczuciem, że AI to nie tylko fascynująca teoria z artykułów naukowych, ale przede wszystkim narzędzie, które mogą zastosować w swoich projektach. Łączymy rygor naukowy z praktycznym „know-how”, bo wierzymy, że dopiero to połączenie pozwala budować skuteczne rozwiązania zmieniające rzeczywistość.

Do kogo przede wszystkim kierujecie tę konferencję? Czy program jest ułożony wyłącznie pod studentów kierunków informatycznych, czy odnajdzie się tu każdy pasjonat nowoczesnych technologii?

Jakub Bilski (Marketing Team): Myśląc “nowoczesne technologie” w 2026 roku nasze oczy najprawdopodobniej kierują się na hasło “sztuczna inteligencja”. Punktem zapalnym tego całego “zamieszania” była z pewnością premiera ChataGPT w 2022 roku. Ma to z pewnością zalety - branża AI/ML nabrała rozpędu, o którym poprzednie pokolenia inżynierów mogły przez dziesiątki lat jedynie pomarzyć. Dziś AI przenika niemal każdą dziedzinę i stała się jednym z głównych kierunków rozwoju technologii.

Trzeba jednak mieć z tyłu głowy, że wraz z popularnością pojawiła się również pewna powierzchowność. AI bywa sprowadzana do prostych, efektownych zastosowań, które dobrze „klikają się” w mediach, ale niekoniecznie oddają złożoność tej dziedziny. W efekcie łatwo o spłycenie dyskusji i błędne wyobrażenia o tym, czym faktycznie jest sztuczna inteligencja, której istotną częścią jest właśnie Machine Learning.

GHOST Day istniał na długo przed wejściem AI do mainstreamu. I to w dużej mierze definiuje charakter naszej konferencji. GHOST Day to wydarzenie o charakterze inżynieryjnym i badawczym. Skierowane przede wszystkim do osób, które mają już pewne podstawy i chcą wejść poziom wyżej. Na konferencje w końcu nie przyjeżdża się po to, aby sprawdzać swoją wiedzę, a ją poszerzać.

Dlatego nie zamykamy drzwi przed nikim, a informatyka to nie jedyny słuszny kierunek. Równie mile widziani są analitycy, statystycy czy inżynierowie innych specjalizacji. Wymagamy jednak pewnej technologicznej dojrzałości. Aby nikogo nie rozczarować, zawsze otwarcie komunikujemy: GHOST Day nie jest kursem z obsługi komercyjnych narzędzi AI. Nie będziemy tu uczyć, jak wygenerować zabawny filmik ani jak rozmawiać z chatbotami.

Tegoroczna agenda imponuje rozpiętością – od wykrywania błędów w LLM, przez analizę mammografii i onkologię precyzyjną, aż po AI w boksie czy robotykę w sortowniach odpadów. Jak udało Wam się połączyć tak skrajne dziedziny w jeden spójny program?

Szymon Czajkowski (GHOST Day Project Leader): Nasza filozofia jest prosta: budujemy wydarzenie, które ma być miejscem dla każdego pasjonata technologii, niezależnie od tego, nad czym aktualnie pracuje. Chcemy łączyć wielorakie zainteresowania spod szyldu AI i ML, tworząc jedną wspólną społeczność.

Dlatego obok medycyny czy sportu w programie znajdą się tak różnorodne tematy jak Self-Supervised Learning, polegający na uczeniu modeli wyciągania wniosków bez zestawu etykiet, czy systemy neuromorficzne, które czerpią inspirację bezpośrednio z biologicznej budowy mózgu. Rozmawiamy o wiarygodności modeli (Model Science), ale też o bardzo praktycznych wdrożeniach, jak chociażby automatyczna analiza milionów dokumentów za pomocą modeli wizyjno-językowych.

To właśnie ta różnorodność sprawia, że GHOST Day nie jest kolejną zamkniętą konferencją dla wąskiej grupy specjalistów. Wierzymy, że mimo różnych wyzwań technicznych to właśnie ta wymiana doświadczeń i wspólna pasja budują naszą unikalną społeczność.

Wśród zaproszonych gości są eksperci z takich gigantów jak Meta i Mistral AI, a także naukowcy z topowych uczelni: ETH Zürich, University of Edinburgh czy Charles University. Jak udało Wam się przyciągnąć do Poznania nazwiska, które na co dzień publikują na najważniejszych konferencjach na świecie?

Wiktor Kamzela (Speakers Coordinator): Corocznie staramy się budować agendę tak, żeby przede wszystkim była jak najciekawsza – szukamy osób, które nie tylko prowadzą przełomowe badania, ale również chętnie dzielą się swoją wiedzą i inspirują innych. To, że wśród zaproszonych osób są eksperci, którzy publikują prace na najważniejszych konferencjach jest efektem ogromnego wysiłku całego zespołu organizującego konferencję.

Największym wyróżnieniem i docenieniem naszej pracy jest to, że wielu prelegentów nie tylko chętnie wraca na konferencję w roli uczestników, ale również z nami współpracuje, a także poleca nasze wydarzenie swoim znajomym, którzy później zostają naszymi prelegentami. Konferencja z roku na rok się rozwija, a to sprawia, że jesteśmy w stanie zapraszać osoby, które jeszcze kilka lat temu nawet by nie pomyślały, żeby przyjechać na konferencję organizowaną przez studentów z Poznania, a teraz widzą w nas ciekawą alternatywę do konferencji głównego nurtu.

Na uczestników czekają stoiska partnerów. Czy to dobry moment, by przynieść ze sobą CV i porozmawiać o konkretnych ofertach pracy lub stażach?

Adam Dobosz (Sponsors Coordinator): Z pewnością! Przy stoiskach sponsorskich będzie można porozmawiać bezpośrednio z przedstawicielami firm i dowiedzieć się o aktualnych ofertach pracy oraz stażach. W tym roku wystawią się m.in. (kolejność alfabetyczna): Allegro, AMD, Datarabbit, Google i Pearson.

GHOST Day przyciąga najlepszych studentów i ekspertów z branży AI/ML, co czyni go jednym z największych skupisk talentów w tej dziedzinie w Polsce. Firmy doskonale o tym wiedzą i traktują wydarzenie jako realną okazję do rekrutacji, a uczestnicy – zarówno stawiający pierwsze kroki w branży, jak i doświadczeni specjaliści – jako szansę na rozmowę o pracę.

Konferencje to nie tylko nauka, to także networking. Macie jakieś plany na integrację uczestników?

Lidia Wiśniewska (Finance and Logistics Coordinator): Oczywiście. Wierzymy, że najbardziej wartościowe pomysły rodzą się właśnie na styku różnych perspektyw, często w mniej formalnych okolicznościach. Dlatego po pierwszym dniu inspirujących wykładów zapraszamy naszych uczestników na wieczór networkingowy w centrum Poznania. Zależy nam na stworzeniu przestrzeni do swobodnej wymiany doświadczeń i nawiązania relacji, które zostaną z uczestnikami na lata, a może nawet przerodzą się w konkretny, wspólny projekt w przyszłości.

Dodatkowo, harmonogram obu dni zakłada przerwy kawowe i networkingowe. To idealny moment, by na świeżo przedyskutować usłyszane prelekcje lub po prostu porozmawiać z ludźmi z branży.

Na koniec proszę o zaproszenie czytelników trajektorie.pl (i nie tylko) do udziału w waszym wydarzeniu (ja osobiście też zapraszam):

Jędrzej Ogrodowski (Marketing Coordinator): Zapraszamy Was na GHOST Day: AMLC 2026 - świetną okazję, by zobaczyć, nad czym pracują zespoły badawcze z wyżej wspomnianych czołowych ośrodków, nawiązać nowe kontakty i rozwinąć swoje zainteresowania. Przed nami dwa dni pełne inspirujących wystąpień, rozmów z ekspertami, wymiany doświadczeń, dobrej kawy - i nie tylko. Wydarzenie odbędzie się 8 i 9 maja w Centrum Wykładowym Politechniki Poznańskiej. Do zobaczenia!

Dołącz do Nas: https://ghostday.pl/#tickets

LinkedIn

Twitter/X

W dniach 15–19 kwietnia w Espoo odbyła się 32. Bałtycka Olimpiada Informatyczna. Polska reprezentacja zdominowała zawody, zajmując cztery pierwsze miejsca w klasyfikacji generalnej i zdobywając komplet medali.

Wyniki polskiej kadry:

• Złote medale: Artur Smoleński (1. miejsce i zwycięstwo w zawodach), Michał Wolny (2.), Krzysztof Witkowski (3.) oraz Michał Roguz (4.).

• Srebrne medale: Jakub Woźniak (10.) i Piotr Dybich (12.).

W turnieju wzięli udział najlepsi młodzi programiści z 11 krajów regionu Morza Bałtyckiego oraz Ukrainy. Opiekunami naszej drużyny byli Adam Gąsienica-Samek i Bartosz Kostka.

Pełne wyniki i szczegóły zawodów dostępne są na stronie: boi2026.cses.fi.

Zdjęcie/Źródło: Facebook/Olimpiada Informatyczna

• 10 wybranych europejskich zespołów otrzyma po 3 miliony euro w ramach bezzwrotnego finansowania (bez przejmowania udziałów/equity).

• 3 najlepsze zespoły mogą otrzymać dodatkowe 23,5 miliona euro w ciągu dwóch lat.

• Cel ostateczny: Ustrukturyzowana ścieżka pozyskania nawet 1 miliarda euro na budowę czołowego europejskiego laboratorium AI.

Podczas wydarzenia swoimi doświadczeniami podzielą się liderzy nauki, biznesu i inwestycji:

• Carsten Dirks (SPRIND): Lider Next Frontier AI i były COO Aleph Alpha.

• Prof. Tomasz Trzciński (Politechnika Warszawska): Dyrektor ELLIS Unit Warsaw i laureat nagrody Best Paper na NeurIPS 2025.

• Prof. Krzysztof Pyrć (Fundacja na rzecz Nauki Polskiej): Uznany wirusolog i kierownik Laboratorium Wirusologii Uniwersytetu Jagiellońskiego.

• Aleksandra Pedraszewska (vastpoint): Inwestorka VC w obszarze deep tech, wcześniej w zespole założycielskim ElevenLabs.

• Callum Hill (Creator Fund): Inwestor specjalizujący się w naukowych startupach i AI na wczesnym etapie rozwoju.

  Dla kogo jest to wydarzenie?

• Badacze z radykalnymi pomysłami, które wykraczają poza obecne ramy.

• Inżynierowie gotowi do budowania nowej infrastruktury.

• Founderzy i Operatorzy, którzy chcą skalować europejskie technologie na świat.

• Inwestorzy i Profesorowie zarządzający ekosystemami innowacji.

Rejestracja jest bezpłatna. Zapisać się można pod poniższym linkiem:

👉 https://luma.com/nfai-warsaw?tk=5IRfMv

Do zobaczenia na miejscu!

Program konferencji opiera się na podziale na dzień edukacyjny oraz ekspercki. Pierwszy dzień (17 kwietnia) dedykowany jest uczniom szkół średnich, którzy szukają swojej drogi w świecie nowych technologii. To szansa na poznanie realiów pracy w IT „od zaplecza” i zrozumienie, jakie kompetencje będą kluczowe na rynku pracy przyszłości. Drugi dzień (18 kwietnia) to czas dla studentów, absolwentów, pasjonatów oraz specjalistów chcących rozwijać wiedzę w ramach dwóch autorskich ścieżek tematycznych: „Code, Coffee & Chaos Chronicles” oraz „404: Code not found”. Pierwsza z nich skupia się na twardych zagadnieniach programistycznych i inżynierii systemów, natomiast druga analizuje technologię w szerszym kontekście - biznesowym, społecznym i etycznym.

Swoją wiedzą podzielą się praktycy, którzy dobrze znają realia tej branży. W agendzie znajdzie się m.in. prelekcja Sławomira Sobótki, który przybliży temat archetypów modelowania biznesowego na konkretnych przykładach, pokazując, jak przekładać złożone potrzeby firm na architekturę systemów. Program obejmuje również prelekcje dotyczące praktycznego zastosowania AI Red Teamingu w budowaniu bezpiecznych systemów, wykorzystania sztucznej inteligencji w rozpoznawaniu obrazów oraz architektury Event-driven w sektorze FinTech. Ważnym punktem będzie także debata nad realnymi wyzwaniami, przed którymi stają juniorzy na obecnym, dynamicznie zmieniającym się rynku pracy.

Bezpłatny udział w konferencji to przede wszystkim okazja do bezpośredniego spotkania z ludźmi, którzy na co dzień pracują przy złożonych projektach i po prostu znają się na rzeczy. Wydarzenie tworzy przestrzeń do merytorycznej dyskusji, pozwalając uczestnikom na skonfrontowanie swojej wiedzy z realnymi wyzwaniami, z jakimi mierzy się branża IT. To także szansa na poznanie specyfiki pracy w różnych technologiach i zespołach, co ułatwia zrozumienie, w którą stronę warto rozwijać własną ścieżkę zawodową. Za organizację odpowiadają studenci KUL zrzeszeni w Kole Naukowym Informatyków przy wsparciu mentorów z wieloletnim stażem.

Rejestracja na drugi dzień konferencji (18 kwietnia) odbywa się poprzez system dostępny pod linkiem: https://app.evenea.pl/event/ldi26/

Tematy poświęcone sztucznej inteligencji:

- AI Red Teaming w praktyce: Jak psuć modele, by budować bezpieczniejsze systemy (Beata Zalewa)

- Od 85% błędów ludzkich do 98% dokładności AI: Budowanie systemu Computer Vision do rozpoznawania pieczątek w paszportach (Mariusz Łobejko)

- Odpowiedzialna Sztuczna Inteligencja - od teorii do praktyki (Przemysław Sotowski)

- Trzy epoki sztucznej inteligencji. Od retro-komputerów do badań nad dziedzictwem kulturowym (Grzegorz Gałęzowski)

Strona wydarzenia

Facebook

Podczas wydarzenia przewidziana jest seria warsztatów praktycznych prowadzonych przez ekspertów z czołowych firm technologicznych, networking z czołowymi krakowskimi pracodawcami, a na zakończenie pizza w klubie Zaścianek.

Lista dostępnych warsztatów i linki do zapisów:

• Sztuczna Inteligencja i Data Science:

• Stwórzmy własnego Agenta AI - Systemy agentowe z LLMami (Langflow, Langchain, Langgraph) – Jakub Skrzyński https://forms.office.com/e/CDTgPGB1VY

• Pułapki AI: Czy Twój model sprawdzi się w praktyce? – Agnieszka Florkowska | https://forms.cloud.microsoft/e/kAqb5QNkRC

• Model to dopiero początek: MLOps w praktyce – Przemysław Niedzela (HEINEKEN KRAKOW) | https://forms.office.com/e/VcVeY3TFA7

• Running with AI: Przewidywanie wyniku maratonu za pomocą ML – Zuzanna Jarlaczyńska (KN Glider) | https://forms.office.com/e/njWpk5p2KQ

• Kariera, Biznes i Zarządzanie:

• Career Talk: Staże w Google – Paulina Gacek (Google) | https://forms.cloud.microsoft/e/JdeNvR56PE

• Rekrutacja: rutyna czy wyzwanie? – Grażyna Śliwińska (CK AGH) | https://forms.cloud.microsoft/e/rttV3sf6w6

• Automatyzacja procesów biznesowych w praktyce – Zuzanna Pamuła (Office Samurai) | https://forms.office.com/e/z39DNtzddn

• Jak myśli Agile Coach? – Karolina Kordyś, Małgorzata Smoleńska (HEINEKEN KRAKOW) | https://forms.office.com/e/s4nFDUmnQ1

• Praca w zespołach i konflikty – Aleksandra Markowska, Sylwia Brzostowska (HEINEKEN KRAKOW) | https://forms.cloud.microsoft/e/CBiw1McSX5

• Excel, AI, młotek — jaka jest różnica? I co z tego wynika dla Twojej kariery. – Konrad Bujak | https://forms.office.com/e/CgEPQAPAgP

• Inżynieria i Nowoczesne Technologie:

• Software‑ Defined Vehicles (Aptiv Tech Workshop) – Robert Smyczynski, Dariusz Staniszewski | https://forms.office.com/e/gTR3mG3bPx

• BIM w praktyce inżynierskiej: AI, 4D i VR w projektowaniu – (Jacobs & SEP) | https://forms.cloud.microsoft/e/wm9XQadWrp

• Organizacja Pracy Działu Utrzymania Ruchu - Automatyka – Bartosz Dawiec, Faustyna Sysło (Carlsberg) | https://forms.office.com/e/yi5X5mrZHe

• Od schematu do modelu 3D – projekt elektromechaniczny w SOLIDWORKS Electrical – SOLIDEXPERT | https://forms.cloud.microsoft/e/iYaDTeetWy

• Networking w klubie Zaścianek: Na zakończenie wydarzenia przewidziano networking w luźnej odsłonie - 16.04 (czwartek) w godzinach 16:00 - 19:00. Na miejscu pizza oraz napoje. Zapisy: https://forms.office.com/e/6r8TDMg1KU

Więcej informacji pod linkami

Facebook

Strona WWW

Ruszyła rejestracja na GHOST Day: Applied Machine Learning Conference 2026! Z radością informuję, że Trajektorie.pl wspiera to wspaniałe wydarzenie jako partner medialny. Poniżej najważniejsze informacje:

📅 8-9 Maj 2026
📍 Politechnika Poznańska
🎫 Bilety: https://t.co/0xzr4xOsPj
🗣️ Zgłoszenia: https://ghostday.pl/#cfc

GHOST Day: Applied Machine Learning Conference stanowi przestrzeń do wymiany wiedzy i doświadczeń w zakresie sztucznej inteligencji, łącząc badaczy, praktyków oraz studentów. Wydarzenie corocznie przyciąga do Poznania ponad 500 uczestników z Polski i zagranicy. Poza prelekcjami i panelami topowych specjalistów ze świata uczenia maszynowego, uczestnicy mogą liczyć na wiele okazji do integracji w przerwach kawowych i na lunch.

Aktualnie dostępna jest limitowana pula biletów Early Bird oraz darmowa rejestracja dla studentów, trwająca do 15 marca.

Z końcem lutego mija też ostatnia szansa na zgłoszenie do sesji plakatowej lub mówionej, udział w których zapewnia darmowy wstęp.

Widzimy się na miejscu :)

Profesor Piotr Sankowski wybrany przez ONZ do panelu ekspertów ds. AI obok m. in. laureata Nagrody Turinga prof. Yoshua Bengio.

Organizacja Narodów Zjednoczonych ogłosiła właśnie powołanie Międzynarodowego Niezależnego Panelu Naukowego ds. sztucznej inteligencji. Wśród 40 wybitnych specjalistów z całego świata, wybranych z grona ponad 2600 kandydatów znalazł się Piotr Sankowski (Profesor Uniwersytetu Warszawskiego, dyrektor IDEAS Research Institute).

Panel to pierwsze globalne gremium naukowe w całości poświęcone sztucznej inteligencji. Do jego zadań należy:
- Działanie jako system wczesnego ostrzegania i baza dowodów naukowych (evidence engine), co pomaga odróżnić medialny szum od rzeczywistości.
- Wyrównywanie szans w dostępie do wiedzy poprzez udostępnianie złożonych analiz wszystkim państwom członkowskim oraz interesariuszom.
- Budowanie pomostu między badaniami nad AI a kształtowaniem polityki poprzez publikację istotnych dla decydentów rocznych raportów oraz opracowań tematycznych dotyczących ryzyk, możliwości i wpływu sztucznej inteligencji.
- Dostarczanie merytorycznych podstaw do międzynarodowych debat poprzez prezentowanie swoich ustaleń w ramach Globalnego Dialogu na temat Zarządzania AI (Global Dialogue on AI Governance).
- Zapewnienie różnorodności perspektyw, dzięki grupie 40 członków dobranej z uwzględnieniem równowagi płci, pochodzenia geograficznego i stopnia rozwoju technologicznego, włączając w to przedstawicieli państw Globalnego Południa.

Sekretarz Generalny ONZ, António Guterres, podkreślił krytyczne znaczenie nowej inicjatywy:
„Będzie to pierwszy globalny, w pełni niezależny organ naukowy powołany do pomocy w wypełnieniu luki w wiedzy na temat sztucznej inteligencji oraz do oceny rzeczywistego wpływu AI na gospodarki i społeczeństwa”.

Guterres nie krył, że czas gra kluczową rolę:
„Sprawa ta nie mogłaby być pilniejsza. AI rozwija się z prędkością światła. Żaden kraj nie jest w stanie samodzielnie dostrzec pełnego obrazu sytuacji. Potrzebujemy wspólnego zrozumienia, aby zbudować skuteczne bariery ochronne, odblokować innowacje dla dobra wspólnego i wspierać współpracę”.

W gronie 40 ekspertów, którzy będą pracować nad pierwszym raportem (spodziewanym w lipcu 2026 r.), znaleźli się m. in.:
Yoshua Bengio (Kanada): Laureat Nagrody Turinga, uznawany za jednego z „ojców chrzestnych” głębokiego uczenia.
Bernhard Schölkopf (Niemcy): Dyrektor Instytutu Maxa Plancka
Joëlle Barral (Francja): Dyrektorka badawcza w Google DeepMind.
Maria Ressa (Filipiny): Laureatka Pokojowej Nagrody Nobla.
Vukosi Marivate (RPA): Lider afrykańskiej społeczności AI (Data Science Africa), walczący o to, by modele językowe uwzględniały lokalne języki afrykańskie.
Juho Kim (Korea): lider w dziedzinie Interakcji Człowiek-Komputer w KAIST.

Serdeczne gratulacje dla profesora Sankowskiego za to ogromne wyróżnienie. Cieszy fakt, że Polska będzie miała swojego reprezentanta w tak znamienitym gronie międzynarodowych naukowców.

Już 23-25 stycznia Warszawa stanie się stolicą europejskiej robotyki. Podczas hackathonu studenci i inżynierowie z czołowych europejskich uczelni zmierzą się z realnymi wyzwaniami w obszarze manipulatorów i wdrażaniu rozwiązań. Dlaczego warto tam być? O kulisach wydarzenia opowiada współorganizator, Paweł Budzianowski.

Michał Podlewski: Tempo robotyzacji w Polsce na tle czołówki Europy i świata wciąż pozostawia sporo do życzenia. To dziwne, bo tyka u nas bomba zegarowa w postaci kryzysu demograficznego, więc powinniśmy być prymusem automatyzacji. Wasz hackathon adresuje ten problem, zachęcając młodych do budowania rozwiązań “tu i teraz”. Czy uważasz, że takie oddolne inicjatywy są w stanie wypełnić tę lukę, czy może potrzebujemy wręcz systemowego wsparcia państwa?

Paweł Budzianowski: Potrzebujemy zarówno oddolne inicjatywy jak i systemowego myślenia. Jestem tutaj dobrej myśli bo patrząc w perspektywie ostatnich dwóch lat jest coraz więcej oddolnych inicjatyw, większe zainteresowanie inwestorów oraz mocniejsze przenikanie się świata naukowego z aplikacjami.

Wasz hackathon ma charakter międzynarodowy, wiem, że spłynęło mnóstwo zgłoszeń z zagranicy. Skąd dokładnie przyjadą do nas ekipy i jak udało Wam się ściągnąć ich do Warszawy?

To fajna historia bo ze studentami z Technical University of Munich widzieliśmy się przypadkowo na kolacji i w jej trakcie zrobiliśmy projekt wydarzenia. Dwa miesiące później będziemy się widzieć znowu już w większym gronie! Będziemy mieli studentów (i nie tylko) z UK, Niemiec czy US dlatego, że mało jest wydarzeń gdzie jest możliwość pracy na dobrym sprzęcie i z prawdziwymi danymi.

W którą stronę według Ciebie zmierzamy z rozwojem robotyki – jaka jest obecna trajektoria?

Jesteśmy na początku drogi w której modele zaczynają uczyć się w pełni z danych. Będzie to długi i powolny proces, ale autonomiczne auta pokazują, że ta zmiana nadchodzi.

Jakie “zabawki” przygotowaliście dla inżynierów? Wzmianka o kartach Nvidia B200 czy ramionach LeRobot robi wrażenie – co dokładnie uczestnicy będą mogli z tym zrobić?

Przygotowaliśmy roboty humanoidalne, bi-manual arms używane przez wiodące firmy i uniwersytety, dużo compute (B200s) oraz prawdziwe dane w dużej ilości. Wszystko co trzeba by budować modele robotyczne na światowym poziomie.

Na koniec krótko: Gdybyś miał przekonać zdolnego studenta lub inżyniera, dlaczego w dniach 23-25 stycznia musi być w LUTE HQ w Warszawie – co byś mu powiedział? Co straci, jeśli go tam nie będzie?

Pierwszy raz mamy w naszym regionie na wyciągnięcie ręki świat nowoczesnej robotyki - jeśli myślisz o poznaniu go lepiej to musisz koniecznie wpaść!

***

dr Paweł Budzianowski to ekspert w dziedzinie sztucznej inteligencji i robotyki z doktoratem Uniwersytetu w Cambridge. Jako były szef zespołu ML w PolyAI oraz współzałożyciel K-Scale Labs, posiada bogate doświadczenie w tworzeniu systemów konwersacyjnych i robotów humanoidalnych. Łączy biznes z nauką, współtworzył kursy NLP na Uniwersytecie Warszawskim i Jagiellońskim, a obecnie rozwija nowy projekt koncentrujący się na Embodied AI.

Linki:

Link do Hackathonu

Strona Pawła Budzianowskiego

Lute

Informacje o wydarzeniu:

📅 23–25 stycznia 2026
📍 Warszawa
👥 Drużyny Inżynierów (zespoły 2–4 osobowe)
👉 Aplikuj tutaj: https://luma.com/pw75o77j

Kategorie (podgląd) 🤖

- YAM Arms: wyzwanie 100% skuteczności z wykorzystaniem 100 godzin rzeczywistych danych (możliwy udział zdalny).

- LeRobot Arms: manipulacja i deployment oparty na danych (data-driven)
Exoskeleton Track

- Free Track: realizacja własnego projektu – od hardware’u po software.

Zaplecze techniczne

Hardware: 20× jednostek YAM, 20× ramion SO-101.

Współdzielona moc obliczeniowa: jednostki GPU klasy B200.

Co na Ciebie czeka: Praca z realnymi robotami, danymi oraz wymogami wdrożeniowymi.

👀 Teaser: Projekt wspierany przez GenR – nową, ogólnoeuropejską inicjatywę robotyczną. Więcej szczegółów już wkrótce.

Nagrody 🏆

GoPro Max 2

2× ramiona LeRobot SO-101

2× silniki DAMIAO DM-J4310

Specjalna Nagroda Publiczności

Cognitive offloading, czyli nawyk przenoszenia wysiłku myślowego na technologię, to jedno z największych wyzwań epoki AI. Co się dzieje, gdy lekarz zbyt mocno zaufa algorytmowi? Opowiada o tym Barbara Klaudel – ekspertka sztucznej inteligencji łącząca świat IT, edukacji i medycyny. Jest inżynierką, która tworzy zaawansowane systemy AI dla szpitali, a jednocześnie... zaleca swoim studentom rozwiązywać zadania na kartce papieru. Rozmawiamy między innymi o tym, czy polska służba zdrowia jest gotowa na cyfrową rewolucję i czego inżynierowie nie rozumieją w pracy lekarza.

Zajmujesz się tworzeniem rozwiązań opartych o sztuczną inteligencję w medycynie, ale jednocześnie przytomnie ostrzegasz przed skutkami bezkrytycznego i nadmiernego polegania na technologii. Badanie z udziałem Polaków opublikowane w czasopiśmie The Lancet Gastroenterology & Hepatology, wykazało, że wprowadzenie sztucznej inteligencji wspomagającej kolonoskopię wiąże się ze zmniejszeniem zdolności endoskopistów do wykrywania zmian przedrakowych. Wskaźnik wykrywania gruczolaka spadł aż o 20%. Czy to właśnie takie wyniki temperują Twój entuzjazm?

Barbara Klaudel: Wyniki badań1 pokazujące spadek skuteczności diagnostycznej po wprowadzeniu AI, takie jak obniżenie wskaźnika wykrywania gruczolaków w kolonoskopii, nie temperują mojego entuzjazmu wobec sztucznej inteligencji jako takiej. Raczej potwierdzają one zagrożenia, które środowisko AI w medycynie dostrzegało od dawna. Różnica polega na tym, że dziś AI stała się powszechnym narzędziem także poza wąskimi zastosowaniami klinicznymi. Kiedyś trzeba było ludzi przekonywać do korzystania z AI, dzisiaj ten entuzjazm trzeba momentami hamować.

Już przy pracy nad moim pierwszym projektem AI, czyli systemem do oceny złośliwości guzów nerek2 z 2020 roku, diagnozę AI umieściliśmy dopiero po decyzji lekarza. Model prezentował swoją ocenę dopiero po diagnozie radiologa, a rozbieżności traktowane były jako sygnał do pogłębionej diagnostyki.

Ponadto, mieliśmy świadomość, że AI wpływa na proces diagnostyczny i naszą rolą jest zadbać, żeby AI pełniła rolę wsparcia, a nie zastępstwa lub czynnika utrudniającego pracę specjalistów.

Dużo wcześniejsze badania pokazują, że niezależnie od deklarowanego sceptycyzmu czy entuzjazmu wobec AI, lekarze i tak w istotnym stopniu opierają się na decyzjach systemów wspomagających. Stąd pojawiają się propozycje alternatywnych protokołów współpracy człowieka z AI (np. RAM czy Hound Protocol), które regulują moment ujawnienia rekomendacji modelu (przed lub po samodzielnej decyzji lekarza), aby ograniczyć niepożądany wpływ automatyzacji.

Problem nie dotyczy rzecz jasna tylko lekarzy. W Twoim artykule „Jak AI sprawia, że studenci stają się głupi i co możemy z tym zrobić?3” zwracasz uwagę, że teksty pisane przez studentów zaczynają niebezpiecznie przypominać te z ChatGPT. Pomimo zakazu wykorzystania AI w zadaniu, spora część grupy i tak bezrefleksyjnie po nią sięgnęła, co skończyło się niezaliczeniem przedmiotu przez 40% studentów. Czy sytuacja z nadmiernym wykorzystywaniem AI jest już na tyle poważna, że to właśnie ona przyczyniła się do Twojej rezygnacji z pracy akademickiej po 4 latach?

Nie tyle samo wykorzystanie AI przez studentów było dla mnie problemem, a raczej przyzwolenie na taki stan przez władze uczelni i innych wykładowców. Kiedy próbowałam dyskutować o nadmiernym i bezrefleksyjnym korzystaniu z AI, często spotykałam się ze złośliwym uśmieszkiem i komentarzami w stylu: “rynek pracy ich zweryfikuje”. Często mówili tak lubiani przez studentów wykładowcy, którzy mieli ich tak naprawdę gdzieś.

W edukacji mówi się o problemie iluzji mistrzostwa. Ucząc się nowego zagadnienia, często nie jesteśmy w stanie trafnie ocenić, na ile naprawdę je rozumiemy. Proces uczenia się niemal zawsze wiąże się z wysiłkiem, dyskomfortem i koniecznością wielokrotnego powtarzania materiału. Bez tego nie dochodzi do rzeczywistego zrozumienia. Często mówi się o tym problemie w kontekście aplikacji Duolingo do nauki języków. Zdobywamy punkty, odblokowujemy poziomy, ale jak przyjdzie, co do czego, to nie jesteśmy w stanie sformułować spójnej wypowiedzi.

AI jest nowym wyzwaniem w edukacji, ale nie jedynym. Wyzwań było i będzie znacznie więcej. Problemem był brak przestrzeni do rozmowy o zmianach i brak gotowości do szukania rozwiązań. Zamiast tego spotykałam się z podejściem polegającym na zamiataniu problemu pod dywan.

Na marginesie moja rezygnacja nie trwała długo, bo od października znów uczę. Tym razem z powrotem na Politechnice Gdańskiej. Pośrednio skłoniła mnie do tego prof. Joanna Mytnik, dyrektorka Centrum Nowoczesnej edukacji na Politechnice Gdańskiej. Po lekturze mojego artykułu zaprosiła mnie do wystąpienia w organizowanym przez nią cyklu spotkań dla nauczycieli. To doświadczenie uświadomiło mi, że są w środowisku osoby, które naprawdę chcą coś zmieniać, a jeśli nie na jednej uczelni, to być może na innej.

We wspomnianym tekście napisałaś: ,,Myślenie krytyczne jest kluczowym elementem edukacji. Kiedy studenci korzystają z AI do generowania ich prac zaliczeniowych, to tak naprawdę outsource'ują swoje zdolności poznawcze. To zjawisko otrzymało nawet swój własny termin naukowy - "cognitive offloading". W umiejętności pisania nie chodzi o to, żeby umieć zapełnić kartkę słowami. Chodzi o umiejętność formułowania myśli, organizowania swoich pomysłów oraz skutecznej ich komunikacji.” Oprócz pisania, rekomendujesz również powrót do korzeni – Twój projekt Computer Vision Worksheets4 uczy studentów algorytmów za pomocą kartki i długopisu. Jak przekonać pokolenie Digital Natives, że warto męczyć się z kartką papieru, skoro biblioteka w Pythonie zrobi to w 3 sekundy?

Z mojego doświadczenia takie zadania na wykładach, spotykają się z pozytywnym odbiorem. Inną sprawą jest sięganie do takich rozwiązań samodzielnie przez studentów. W tym semestrze na przykład rozpoczęliśmy pierwsze zajęcia od rozwiązywania zagadki kryminalnej inspirowanej popularną serią Murdle.

Problem nie polega więc na tym, że studenci nie lubią takich form pracy, lecz raczej na tym, że nie sięgają po nie samodzielnie. Z moich obserwacji na polskich uczelniach wynika, że brakuje nawyku systematycznej nauki. Dla porównania, oglądając wykłady z uczelni amerykańskich, widzę, że studenci regularnie otrzymują zadania do wykonania przed i po zajęciach: konkretne rozdziały, wybrane artykuły, materiały, z którymi należy się zapoznać jeszcze przed wykładem. U nas zazwyczaj kończy się to na karcie przedmiotu i ogólnej liście literatury.

Próbowałam przenosić te praktyki na własne zajęcia: sugerowałam krótkie teksty, podcasty czy inne lekkie materiały do zapoznania się przed wykładem. Niestety, studenci praktycznie w ogóle z nich nie korzystali, o ile znajomość materiałów nie była weryfikowana wejściówką.

Powrót do kartki papieru działa na studentów odświeżająco. Przyniesienie na zajęcia ilustrowanej karty pracy, zagadki czy zadania wymagającego czytania ze zrozumieniem jest dla nich czymś zupełnie innym niż standardowy wykład.

Główną motywacją do robienia kart prac były dla mnie problemy z koncentracją. Większość osób (nie tylko studentów) ma dziś trudność z utrzymaniem uwagi przez dłuższy czas. Karty pracy wymagają skupienia i aktywnego myślenia i wydaje mi się, że dobrze odpowiadają na problemy poznawcze.

Przeczytałem w Twojej rozmowie dla „Gazety Wyborczej”, że Twoi rodzice są lekarzami. Medycynę masz w genach, ale wybrałaś komputery, a swój pierwszy model stworzyłaś jeszcze w liceum. Co było tym pierwszym impulsem, który sprawił, że zamiast stetoskopu wybrałaś klawiaturę i kod, by ostatecznie i tak połączyć świat uczenia maszynowego z medycyną?

Takim głównym impulsem była dla mnie potrzeba sprawczości. Lubiłam rzeczy, które mogę zrobić sama i szybko przełożyć na coś praktycznego, nie ważne czy chodziło o uszycie czegoś na maszynie, czy wytrenowanie modelu AI. Zawód lekarza kojarzył mi się głównie z późnym wracaniem do domu, zmęczeniem i przewlekłym stresem. Bardzo szanuję ten zawód i wyniosłam przez to z domu etos pracy “po coś”, ale mam raczej predyspozycje techniczne.

Jednocześnie rozmowy o wyzwaniach ochrony zdrowia i codzienności lekarzy bardzo mnie ukształtowały i naturalnie skierowały do szukania obszarów, w których technologia może medycynie pomóc.

Otrzymałaś prestiżowe stypendium Fulbrighta na studia doktoranckie w USA. Mimo to zdecydowałaś się zostać w Polsce. Czy uważasz, że innowacje na światowym poziomie można z powodzeniem robić stąd, bez wyjeżdżania do Doliny Krzemowej?

Mówiąc w pełni szczerze nie jestem przekonana. Zdecydowałam się zostać w Polsce, bo bardzo silnie motywuje mnie chęć realnego wpływu na system ochrony zdrowia tutaj. Teraz jest ten moment, gdzie AI wchodzi do szpitali. Jest to związane między innymi z dużymi środkami na technologię, m.in. z Krajowego Planu Odbudowy, powstające Centra Medycyny Cyfrowej, a także nadchodzące regulacje europejskie, jak ustawa o European Health Data Space, która umożliwi wykorzystywanie danych medycznych do badań naukowych. Z drugiej strony użytkownicy po doświadczeniach z korzystania z ChataGPT też są już trochę oswojeni z tematem AI.

Czy za granicą byłoby łatwiej? Bardzo możliwe. Rynek amerykański jest nieporównywalnie większy, szybszy i bardziej otwarty na wdrażanie nowych technologii. Gdybym kierowała się przede wszystkim chęcią szybkiego sukcesu, skalowania produktu czy aspektami finansowymi, pewnie próbowałabym swoich sił w USA. Tam wiele problemów, które w Polsce są barierą systemową, jak choćby integracja rozwiązań AI z systemami szpitalnymi, są po prostu techniczną formalnością.

Wasz projekt UMIE (Universal Medical Imaging Encoding), współtworzony z TheLion.ai to w istocie w dużej mierze praca archeologiczna – zbiór danych zawiera ponad milion obrazów (CT, MRI, RTG) z różnych źródeł, tworząc jeden z największych zbiorów tego typu na świecie. Jakie były największe wyzwania przy porządkowaniu tego cyfrowego chaosu i dlaczego zdecydowaliście się udostępnić ten projekt całkowicie za darmo?

“Cyfrowy chaos” i “praca archeologiczna” faktycznie trwale oddają charakter projektu. Największym wyzwaniem okazał się brak spójnej ontologii w danych medycznych. Istnieje kilka międzynarodowych ontologii i standardów, ale w praktyce każdy oznacza dane, jak mu pasuje. To prowadzi do wielu nieoczywistych problemów, jak np. “regionalizmy”. Wbrew pozorom radiologia nie jest uniwersalna. Przykładem jest często spotykane w polskich opisach sformułowanie „serce podparte na przeponie”. Kiedy próbowałam przetłumaczyć je na angielski przy okazji pisania artykułu naukowego, okazało się, że nie istnieje ono w żadnym słowniku medycznym. Jedynym miejscem, gdzie znalazłam to sformułowanie, było forum dla polskich lekarzy pracujących w Wielkiej Brytanii, którzy mieli dokładnie ten sam problem.

Do tego dochodzi fakt, że wiele publicznie dostępnych zbiorów obrazów nie spełnia standardów diagnostycznych. Dlatego kluczowa była dla mnie współpraca z lekarzami. Mam tu ogromny komfort, bo moja mama jest radiologiem i wielokrotnie odbywałyśmy wielogodzinne konsultacje, próbując wspólnie zrozumieć, “co autor miał na myśli” w danym opisie.

W naszym zespole mamy osoby zarówno z kompetencjami technicznymi, medycznymi, a nawet techniczno-medycznymi. Projekt rozwijamy już od czterech lat. Zaczął się jako projekt zaliczeniowy na studia. Część osób, takich jak Piotr Frąckowski pracuje z nami nieprzerwanie od początku. W szczytowych momentach zespół liczył około dziesięciu osób, a łącznie przez projekt przewinęło się ich około dwudziestu.

Dlaczego UMIE udostępniamy za darmo? Problem z dostępem do danych i brakiem standardów przy pracy z obrazami radiologicznymi jest powszechny. Próba uporządkowania ma sens, gdy staje się wspólną infrastrukturą, którą inni mogę rozbudowywać.

Jesteś współtwórczynią platformy Medalion5, która bezpiecznie integruje się z infrastrukturą szpitalną, aby zapewnić zautomatyzowaną analizę danych opartą na sztucznej inteligencji. Jakie są kluczowe zastosowania tego rozwiązania w codziennej pracy lekarzy i czy polskie szpitale są mentalnie i technologicznie gotowe na takie rozwiązania?

Pomysł na Medalion narodził się z obserwacji, które wynieśliśmy z wcześniejszych projektów realizowanych w ramach grupy badawczej TheLion.AI. Bardzo często spotykaliśmy tam lekarzy-innowatorów, którzy mimo licznych barier organizacyjnych i technologicznych, samodzielnie próbowali wdrażać nowe rozwiązania w swoich szpitalach. Były to zarówno projekty z zakresu druku 3D, autorskie programy do analizy powikłań pooperacyjnych, jak i narzędzia do harmonogramowania pracy, tworzone dlatego, że dostępne systemy szpitalne nie odpowiadały ich realnym potrzebom.

Znając takich pionierów, doszliśmy do wniosku, że kompetencje i zainteresowanie po stronie lekarzy już są. Brakowało natomiast bezpiecznego i uporządkowanego środowiska, swoistego test bedu, które pozwalałoby im eksperymentować, testować i rozwijać rozwiązania oparte na AI w warunkach możliwie bliskich realiom szpitalnym, ale bez ryzyka dla pacjentów i infrastruktury. Tak powstał Medalion, platforma pełniąca rolę piaskownicy AI, w której pozwala lekarzom “wyklikać” własny model AI bez konieczności bycia programistą.

Z jednej strony maksymalnie upraszczamy sam proces budowy modelu. Z drugiej absolutnie nie chcemy upraszczać etapu oceny i weryfikacji. Wręcz przeciwnie: bardzo zależy nam na tym, aby proces walidacji był jak najbardziej przejrzysty i zrozumiały dla lekarza.

Zastosowań Medaliona jest bardzo wiele. Część z nich ma charakter stricte naukowy, na przykład prace nad algorytmami wspierającymi diagnostykę, gdzie platforma stanowi pierwszy etap tworzenia rozwiązania, które później podlega dalszej, formalnej walidacji. Przykładami są modele do przewidywania ryzyka sepsy czy określonych powikłań pooperacyjnych. Dużym zainteresowaniem cieszą się jednak również zastosowania administracyjno-zarządcze, które nie ingerują bezpośrednio w proces diagnostyczny, a jednocześnie realnie odciążają personel medyczny. Przykładami takich rozwiązań są transkrypcja notatek, predykcja czasu trwania operacji i inteligentne harmonogramowanie pracy bloków operacyjnych, aby lepiej wykorzystać dostępne zasoby lub automatyczne generowanie epikryz, czyli podsumowań hospitalizacji.

Jeśli chodzi o gotowość polskich szpitali, zmiana, którą obserwujemy na przestrzeni ostatnich pięciu lat, jest ogromna. Jeszcze kilka lat temu sztuczna inteligencja była tematem konferencyjnych ciekawostek. Dziś jesteśmy w zupełnie innym miejscu: nie pytamy już “czy”, tylko “jak” wdrażać takie rozwiązania, jakie są na to środki i jakie problemy chcemy nimi rozwiązać. Otwartość po stronie szpitali wyraźnie rośnie, choć oczywiście wciąż istnieją wyzwania organizacyjne, technologiczne i regulacyjne.

Otrzymujecie zapytania z całego świata, nawet z Australii. Czy rok 2026 będzie dla Was czasem na odważniejsze umiędzynarodowienie waszych projektów?

Tak, jak najbardziej. W szczególności dotyczy to naszej grupy badawczej TheLion.ai, w ramach której pracujemy nad otwartymi, open-source’owymi rozwiązaniami dla ochrony zdrowia.

Do tej pory The Lion.ai funkcjonowało głównie w zespołach polskich, a część naszych projektów była silnie osadzona w lokalnym kontekście, jak chociażby medyczne modele językowe dostosowane do specyfiki języka polskiego. Są jednak również inicjatywy, które z natury mają potencjał międzynarodowy, na przykład wspomniane już UMIE, czyli zbiór obrazów medycznych, który bez przeszkód mógłby być rozwijany przez zespół złożony z ekspertów z różnych krajów.

Dlatego jednym z naszych planów na 2026 rok jest stopniowe otwieranie TheLion.ai na współpracę międzynarodową, także poprzez większe wykorzystanie języka angielskiego. Mamy wiele projektów, z których już dziś korzystają użytkownicy na całym świecie, i chcielibyśmy zaprosić więcej osób do współpracy.

Jednocześnie chcę podkreślić, że naszym priorytetem pozostaje Polska. Wchodząc w 2026 rok, a zarazem drugi rok działalności Medalion Technology, jesteśmy bardzo pozytywnie nastawieni i konsekwentnie chcemy tworzyć polskie AI dla ochrony zdrowia.

Tworzycie rozwiązania, które odpowiadają na realne potrzeby lekarzy i służby zdrowia. W jakich obszarach medycyny sztuczna inteligencja jest dziś najbardziej przydatna i „dowozi” największą wartość?

Największe zainteresowanie widzimy w obszarach, które odciążają lekarzy od żmudnej biurokracji. Przykładem są rozwiązania do transkrypcji notatek głosowych lub wsparcie w uzupełnianiu dokumentacji medycznej. Choć nie są to najbardziej widowiskowe zastosowania sztucznej inteligencji, odpowiadają na bardzo konkretne potrzeby i pozwalają lekarzom zaoszczędzić cenny czas. Zastosowań AI jest oczywiście znacznie więcej, a potrzeby poszczególnych placówek mogą się różnić. Nasza platforma Open Workflows umożliwia korzystanie z różnych typów rozwiązań, a jednocześnie pozwala na ich elastyczne dostosowanie, na przykład poprzez użycie konkretnych szablonów czy łączenie danych z wielu źródeł.

Z kolei w przychodniach często widzimy także potrzebę uporządkowania wyników badań przechowywanych w różnych formatach. W odpowiedzi na to oferujemy rozwiązanie LabExtract, które potrafi automatycznie wydobywać informacje z wyników badań laboratoryjnych zapisanych w postaci plików PDF i mapuje je do wspólnej ontologii.

Dodatkowo, wraz z rozwojem Regionalnych Centrów Medycyny Cyfrowej, rośnie zapotrzebowanie na usystematyzowanie danych zapisanych w formie opisowej. Dlatego opracowaliśmy narzędzia takie jak MedalioNER, służący do parametryzacji tekstów, oraz AnonimiNER, który umożliwia anonimizację treści. W polach tekstowych mogą bowiem pojawiać się praktycznie dowolne informacje, również dane osobowe, nawet jeśli formalnie nie powinny się tam znaleźć.

Statystyki są nieubłagane - ponad 90% projektów AI w medycynie kończy się porażką. Co z Twojej perspektywy jest głównym zabójcą tych projektów?

Jak to bywa z modną technologią, bardzo często wdrażamy AI po to, żeby “wdrożyć AI”. Robimy to, żeby móc się pochwalić technologią, nazwać firmę “AI-first”, pokazać inwestorom lub udziałowcom, że jesteśmy nowocześni. Natomiast zbyt rzadko zadajemy sobie fundamentalne pytanie: po co właściwie to AI ma powstać i jaki realny problem ma rozwiązywać.

Głównym problemem jest więc brak koncentracji na konkretnym, rzeczywistym problemie użytkownika końcowego. Skuteczne zastosowanie AI wymaga bardzo dobrej znajomości procesu, do którego to rozwiązanie ma zostać wdrożone. W medycynie oznacza to konieczność ścisłej współpracy interdyscyplinarnej, pomiędzy środowiskiem medycznym a zespołami technologicznymi, oraz bardzo dobrej komunikacji. Trzeba umieć przetłumaczyć potrzeby i problemy personelu medycznego na wymagania technologiczne, a następnie wdrożyć narzędzie w taki sposób, by faktycznie wspierało codzienną pracę, a nie generowało dodatkowe obciążenie.

Oczywiście nie jest to proste, sama stosuję różne podejścia łącznie z shadowingiem lekarzy, czyli obserwowaniu dnia pracy, jak podejmują decyzje, na co poświęcają czas i z jakimi innymi oddziałami się komunikują. Dodatkowo, jako firma korzystamy z narzędzi takich jak Data Innovation Board czy Medical Data Innovation Board, prostych narzędzi, które zmuszają do przejścia od jasno zdefiniowanego problemu, przez analizę kontekstu i ograniczeń, po wstępny projekt rozwiązania i sposób mierzenia jego skuteczności.

Poza tym jako Medalion Technology oferujemy darmowe konsultacje potencjalnym klientom i jeśli nie widzimy sensu użycia AI to odradzamy klientowi projekt lub sugerujemy użycie innej technologii.

AI powinno być narzędziem do rozwiązywania problemów, tylko, gdy faktycznie jest najlepszym rozwiązaniem. Jeśli problem da się rozwiązać problem lub jeśli w ogóle nie jest postrzegany jako istotny przez odbiorców to inwestowanie w AI nie ma sensu.

Czego, Twoim zdaniem, inżynierowie najczęściej nie rozumieją w pracy lekarzy? I w drugą stronę – co lekarze powinni koniecznie wiedzieć o ograniczeniach technicznych AI, by ta współpraca układała się pomyślnie?

Jako inżynierowie często patrzymy na medycynę jako zestaw problemów do zoptymalizowania i nie mamy świadomości, o różnych zależnościach organizacyjnych, prawnych albo emocjonalnych, które sprawiają, że proces wygląda w taki sposób.

Dla mnie uderzającym momentem była wypowiedź profesor Judy Gichoya z Emory University, której słuchałam w podcaście “AI Ground Rounds”. Bardzo często mówi się, że sztuczna inteligencja zdejmie z radiologów proste przypadki, jakieś oczywiste złamania czy rutynowe badania, a lekarze będą mogli skupić się tylko na tych trudnych, bardziej skomplikowanych. I technicznie to brzmi sensownie, ale jeśli odciążymy radiologa z łatwych przypadków, to zostaną mu wyłącznie te najcięższe nowotwory złośliwe, czyli same dramaty ludzkie. Skoro sama uznałam, że nie chcę pracować jako lekarz, bo to jest zbyt ciężki zawód, to tym bardziej nie chciałabym sprawić, żeby lekarzom było jeszcze trudniej.

Z drugiej strony, po stronie lekarzy dużo czasu poświęcamy na rozmowy o tym w jakich warunkach model AI będzie działał skutecznie, a w jakich nie należy z niego korzystać. Ważne jest także uświadamianie ryzyk, takich jak wspomniany już problem cognitive offloading.

Dlatego dobra współpraca między inżynierami a lekarzami wymaga, żebyśmy my naprawdę nauczyli się rozumieć proces kliniczny, a nie tylko dane, a jednocześnie żeby lekarze rozumieli, jak korzystać z tych systemów, gdzie są ich granice i jakie niosą ze sobą ryzyka.

Czy Twoim zdaniem unikalne zbiory danych o zdrowiu Polaków mogą stać się naszym narodowym atutem? Czy bezpieczne uwolnienie dostępu do tych zasobów pozwoliłoby nam uzyskać przewagę w tworzeniu spersonalizowanej medycyny na dużą skalę?

Jeśli chodzi o uwalnianie danych medycznych Polaków, to jest to temat, do którego należy podejść ostrożnie. Oczywiście nie chodzi o ich sprzedaż za granicę, lecz o to, aby służyły rozwiązywaniu realnych problemów zdrowotnych w Polsce i poprawie jakości opieki nad pacjentami. Istnieją już podejścia, takie jak federated learning, które pozwalają tworzyć zaawansowane modele AI bez konieczności ujawniania czy przenoszenia danych pacjentów pomiędzy jednostkami.

W perspektywie europejskiej, m.in. dzięki regulacjom takim jak EHDS, pojawia się szansa na bezpieczny dostęp do danych medycznych na dużą skalę i rozwój spersonalizowanych rozwiązań, takich jak “cyfrowe bliźniaki” pacjentów, wspierające np. dobór najlepszych terapii. Kluczowe jest jednak, aby rozwój AI w medycynie odbywał się na naszych zasadach: z udziałem polskich zespołów, od etapu przygotowania danych po budowę modeli, tak aby wytwarzana wartość pozostawała w kraju i realnie przekładała się na poprawę zdrowia Polaków.

Na koniec: jakie działania systemowe musiałby podjąć nasz rząd, aby umożliwić rozwój takich technologii jak Wasze i nie zmarnować potencjału młodych, utalentowanych Polaków?

Przy okazji KPO, często padało sformułowanie, które bardzo mnie uderzyło: “mamy pieniądze do wydania”. Moim zdaniem dużym problemem jest to, że przy okazji wielkich projektów takich, jak KPO myślimy o nich z perspektywy pieniędzy do wydania, a nie problemów do rozwiązania.

Potrzebne jest szerokie, systemowe podejście do projektów innowacyjnych. Inspirujący model funkcjonuje np. w Wielkiej Brytanii, gdzie przy grantach na tworzenie nowych rozwiązań publicznych proces dzieli się na etapy: najpierw szczegółowa analiza problemu i określenie wymagań technicznych, potem finansowanie stworzenia pierwszej wersji prototypowej, następnie testy na szerszą skalę z udziałem użytkowników, aż wreszcie wdrożenie finalnego rozwiązania.

Poza tym każdy etap realizowany jest przez inną firmę, w związku z tym rozwiązanie jest dobrze udokumentowane i łatwe do zintegrowania z innymi systemami. Kod projektów dostępny jest open-source, dzięki czemu można go rozwijać i utrzymywać w dłuższej perspektywie.

Rząd powinien też wspierać rozwój liderów w Polsce, którzy potrafią skutecznie transformować kluczowe obszary, jak ochrona zdrowia czy inne sektory publiczne. Mamy wielu wybitnych Polaków pracujących “u kogoś”, ale mało mamy przykładów sukcesów budowanych od początku do końca w Polsce.

Rząd powinien też wspierać rozwój liderów w Polsce, którzy potrafią skutecznie transformować kluczowe obszary, jak ochrona zdrowia czy inne sektory publiczne, zamiast koncentrować się wyłącznie na tym, że Polacy świetnie sprawdzają się pracując dla innych. Potrzebne jest systemowe wsparcie w planowaniu projektów, zarządzaniu nimi i tworzeniu środowiska, w którym młodzi, zdolni ludzie mogą realizować swoje pomysły na dużą skalę.

***

Barbara Klaudel – inżynierka i ekspertka sztucznej inteligencji, specjalizująca się w technologiach medycznych. Współzałożycielka grupy badawczej TheLion.ai, z którą udostępniła największy na świecie otwarty zbiór danych obrazowania medycznego (UMIE). Jako współtwórczyni Medalion Technology wdraża systemy AI w polskich szpitalach. Wykłada na Politechnice Gdańskiej, gdzie uczy studentów i lekarzy. Aktywnie dzieli się wiedzą, tworząc materiały edukacyjne i promując odpowiedzialny rozwój AI.

Linki:

1. Profil w serwisie LinkedIn

2. Profil w serwisie Medium

3. Profil na platformie Most Wiedzy

4. Strona TheLion.ai

5. Strona Medalion Technology

6. Computer Vision Worksheets

Poprzednie rozmowy na stronie trajektorie.pl

#12 Maria Wyrzykowska (Molecule.one), Piotr Sotniczuk (Nomagic.ai) oraz Kamil Bladoszewski (AWS) z ML in PL zdradzają kulisy organizacji największej konferencji uczenia maszynowego w regionie.

#11 Jan Betley (Truthful AI), dr inż. Anna Sztyber-Betley (Politechnika Warszawska) zaskakujących generalizacjach w dużych modelach językowych

#10 Dr hab. Piotr Sankowski (Prof. Uniwersytetu Warszawskiego) o Instytucie Badawczym IDEAS

#9 Dr Paweł Gora (Uniwersytet Jagielloński, Warsaw.ai) o tym, że dziś sam kod to za mało

#8 Sebastian Kondracki (Fundacja SpeakLeash, Bielik.ai) o rozwoju Bielika i polskiej AI

#7 Dr inż. Bartosz Ptak (Politechnika Poznańska) o robotyce kosmicznej i projekcie PUT-ISS

#6 dr hab. Agata Starosta (Prof. IBB PAN), dr hab. Artur Obłuski (Prof. UW), dr hab. Kinga Kamieniarz-Gdula (Prof. UAM), dr hab. Michał R. Gdula (UAM), dr Joanna Karolina Malinowska (UAM) o nauce jako polskiej racji stanu

#5 Dr inż. Anna Sztyber-Betley (Politechnika Warszawska) o bezpieczeństwie AI i alignmencie

#4 Dr Wiktoria Mieleszczenko-Kowszewicz (Politechnika Wrocławska) o manipulacjach i efektywnej współpracy z AI

#3 Dr Bartosz Naskręcki (UAM) o benchmarku FrontierMath i przyszłości matematyki w dobie AI

#2 Dr Marcin Rządeczka (UMCS) o iluzji relacji z maszyną i chatbotach terapeutycznych

#1 Aleksander Obuchowski (Politechnika Gdańska, TheLion.ai) o AI w ochronie zdrowia i polskim modelu AI Eskulap

Za nami 9. edycja ML in PL - obecnie największej konferencji poświęconej uczeniu maszynowemu w tej części Europy. Cofnijmy się jednak na chwilę do początku. Pierwsza edycja konferencji (jeszcze pod inną nazwą PL in ML) odbyła się w 2017 roku na wydziale Matematyki, Informatyki i Mechaniki UW. Jaka idea stała za powołaniem tej inicjatywy do życia i czy wasz pierwotny cel zmienił się na przestrzeni lat?

Kamil Bladoszewski: Wszystko zaczęło się od tego, że chcieliśmy stworzyć środowisko dla studentów i naukowców zajmujących się Machine Learningiem, aby mogli się rozwijać, wymieniać wiedzą i zajmować się badaniami na światowym poziomie. Profesor Krzysztof Geras z New York University zaszczepił w nas pomysł – postanowiliśmy zaprosić polskich naukowców, którzy wyjechali za granicę, aby podzielili się swoją pracą. Stąd początkowo konferencja nosiła nazwę PL in ML i miała podtytuł Polish View on Machine Learning. Po paru latach zauważyliśmy, że zapraszając również zagranicznych wykładowców, jesteśmy w stanie zapewnić jeszcze większy poziom konferencji. Nazwa ML in PL odnosi się do tego, że chcemy sprowadzić światowy poziom ML do Polski i pozwolić naszym naukowcom i studentom rozwijać się na jak najwyższym poziomie bez potrzeby wyjazdu za granicę. Powiedziałbym, że choć na przestrzeni tych wszystkich lat, wizja konferencji lekko się zmieniła, to nasza misja pozostała bez zmian. Cały czas działamy na rzecz polskiego środowiska naukowego w dziedzinie ML i staramy się pomóc naukowcom rozwijać się w kraju.

Pamiętacie moment, w którym zaczęliście pracę nad ostatnią konferencją? Jak wyglądały wasze pierwsze działania?

Maria Wyrzykowska: O tym, że to my z Piotrem zostaliśmy wybrani na Project Leaderów, dowiedzieliśmy się w połowie trwania poprzedniej edycji. Ostatniego dnia miały się odbyć tutoriale - praktyczne warsztaty w mniejszych grupach. Rok temu to ja odpowiadałam za ich program, a Piotr zajmował się logistyką i obsługą techniczną. Wcześniej nie współpracowaliśmy zbyt blisko, ale ten dzień okazał się naszą „jazdą próbną” - szansą na lepsze poznanie się, sprawdzenie się w zarządzaniu zespołem i zobaczenie, jak radzimy sobie z problemami.

Piotr Sotniczuk: Gdy w trakcie poprzedniej edycji dowiedziałem się, że zostałem wybrany na Project Leadera od razu starałem się obserwować i jak najwięcej zapamiętać, więc można powiedzieć, że już tu zaczęła się praca. Po paru dniach dostaliśmy solidną paczkę wiedzy tajemnej od poprzednich Project Leaderów, którzy przez parę godzin opowiadali nam co robić, a na co uważać. To było takie nieoficjalne „przekazanie pałeczki”. Naszymi pierwszymi zadaniami było złożenie teamów, a następnie ustalenie wstępnego harmonogramu prac na cały następny rok.

Mario, wspomniałaś, że w ostatnich 30 dniach przed wydarzeniem wymieniliście na Slacku ponad 4000 wiadomości. To brzmi jak organizacyjny armagedon, a jednak w trakcie konferencji wszystko działało jak w zegarku. Jak udało wam się dojść do takiej efektywności?

Maria: Te 4000 to tylko moje wiadomości - cały zespół łącznie wysłał pewnie dwa razy tyle :). Ale prawda jest taka, że ta efektywność to wynik lat doświadczeń całej organizacji i ludzi, którzy co roku poprawiają to, co nie zadziałało idealnie. Staramy się kultywować tę kulturę, prawie jak w korporacji - po każdym wydarzeniu organizujemy retro, na którym dyskutujemy, co możemy zrobić lepiej. Na przykład obsługa rejestracji - w tym roku poszła błyskawicznie, bo wyciągnęliśmy wnioski z poprzednich edycji. Mam nadzieję, że moje tysiące wiadomości, góry arkuszy i listy zadań w tym pomogły, ale szczerze? Pewnie wyszłoby bezbłędnie i beze mnie.

Piotrze, z Twojej perspektywy ostatnie 3 miesiące były niezwykle intensywne. Ile godzin miesięcznie pochłania organizacja takiego wydarzenia? Jak udało Ci się to pogodzić z Twoją codzienną pracą zawodową?

Piotr: Rzeczywiście ostatnie miesiące były bardzo intensywne. 2-3 miesiące przed wydarzeniem poświęcałem około 3h dziennie. Natomiast ostatni miesiąc to była jazda bez trzymanki… Maila sprawdzałem budząc się rano i kładąc się spać, dla żartu mieliśmy nawet ustawione spotkania „Dotykanie Trawy”, żeby mieć chwilę na odpoczynek w całym wirze zajęć. Elastyczne godziny pracy na pewno bardzo pomogły w pogodzeniu konferencji i pracy zawodowej, jednak nie było to wystarczające. Oprócz tego wziąłem też sporo urlopu, żeby móc w spokoju nadrabiać sprawy konferencyjne.

Czy mimo tego przygotowania mieliście jakieś problemy last-minute? Coś, co podniosło wam ciśnienie tuż przed otwarciem drzwi?

Piotr: Najbardziej stresowaliśmy się, czekając na decyzję miasta w sprawie darmowej komunikacji miejskiej. Sprawę załatwialiśmy przez dwa miesiące, a ostateczną decyzję dostaliśmy na parę godzin przed deadlinem na wysłanie identyfikatorów do druku. Na szczęście rzutem na taśmę, udało się wydrukować identyfikatory. Oprócz tego zdarzenia, co roku dowiadujemy się na ostatnią chwilę, że jakiś speaker nie dotrze, więc można powiedzieć, że do tego jesteśmy już przyzwyczajeni. W tym roku był to jeden z naszych speakerów z Londynu, który nie mógł dostać wizy. Sprawę udało się załatwić dosłownie ostatniego możliwego dnia przed wylotem siedząc pół dnia na słuchawce z ambasadą w Londynie.

ML in PL to organizacja non-profit oparta na wolontariuszach. Ile osób tworzyło wasz zespół przy ostatniej edycji i które obszary stanowiły dla was największe wyzwanie: logistyka, budżet, a może rekrutacja speakerów?

Maria: Przez cały rok w organizację konferencji było zaangażowanych około 50 osób, a na samo wydarzenie dołączyło jeszcze 20 wolontariuszy. Wbrew pozorom, logistyka, budżet czy rekrutacja speakerów to obszary, które mamy już dobrze opanowane. Największym wyzwaniem okazał się ostatnio marketing. Mamy bardzo kreatywny i energiczny zespół, ale chcielibyśmy go powiększyć, a umiejętność tworzenia angażujących postów na social media czy prowadzenia kampanii w Google Ads jest rzadkością wśród studentów informatyki, do których najłatwiej nam trafić z naszym formularzem rekrutacyjnym. Jednocześnie zależy nam, żeby nasze media pozostały autentyczne i nie trafiły w ręce agencji. Więc jeśli czytasz to, a pomoc w opiece nad naszymi social media brzmi jak coś, czym chciałbyś się zająć - zapraszamy do kontaktu!

Czym kierujecie się przy ostatecznym doborze speakerów?

Maria: Przede wszystkim stawiamy na merytorykę - zapraszamy badaczy z czołowych uczelni czy firm, z tysiącami cytowań i publikacjami na topowych konferencjach. Zależy nam, żeby każdy uczestnik znalazł coś dla siebie, dlatego dbamy o różnorodność tematów. I oczywiście nie zapominamy o polskim akcencie, choć nikogo nie trzeba przekonywać, że Polacy są w absolutnej czołówce ML na świecie.

Kto dziś przyjeżdża na ML in PL? Czy uczestnicy to bardziej doktoranci i naukowcy, weterani z przemysłu, czy może studenci dopiero wchodzący w świat uczenia maszynowego?

Piotr: Przede wszystkim są to osoby zainteresowane nauką. W dużej mierze są to rzeczywiście doktoranci i naukowcy, ale z przemysłu też mamy wiele osób. Zwykle odwiedzają nas osoby z działów Research & Development i zauważyliśmy, że często takie osoby namawiają swoje firmy na sponsoring naszej konferencji. Zależy nam także na studentach, dlatego specjalnie dla nich mamy selektywną rejestrację Early Bird, wtedy mają oni dostęp do biletów na „studencką” kieszeń.

Na ile ważne jest dla was budowanie mostu między środowiskiem akademickim, a biznesem?

Maria: To ważny temat i staramy się go poruszać, choć w przemyślany sposób - nie na każdej edycji, żeby nie wpaść w oklepane schematy. W zeszłym roku mieliśmy panel o ścieżkach kariery, który tego dotykał. Ale nasza działka to jednak przede wszystkim środowisko akademickie. Konferencji biznesowych jest mnóstwo, my chcemy być przestrzenią, gdzie akademicy mogą dzielić się tym, co dzieje się na froncie nauki.

Organizując największą konferencję o uczeniu maszynowym w Polsce, macie unikalną perspektywę. Jak oceniacie poziom badań ML w Polsce?

Maria: Poziom jest tak wysoki, że selekcja zgłoszeń to zawsze najtrudniejsze decyzje do podjęcia. Regularnie akceptujemy prace z NeurIPS czy ICML, które mogłyby konkurować z naszymi zaproszonymi speakerami, i odrzucamy badania przyjęte na inne renomowane konferencje - bo po prostu nie mamy miejsca. W feedbacku uczestnicy najczęściej wymieniają sesje posterowe i contributed talks jako najlepsze części wydarzenia. Młodzi polscy badacze na równi z największymi nazwiskami - to chyba najlepsza odpowiedź na pytanie o poziom ML w Polsce.

Jak udaje wam się utrzymać jakość i ciągłość organizacyjną, w sytuacji gdy trzon zespołu stanowią studenci, którzy naturalnie kończą studia i odchodzą? Macie wypracowany proces przekazywania wiedzy między ,,starszyzną” a nowymi rocznikami?

Piotr: Zwykle osoby dołączające do teamu szybko uczą się od starszych kolegów, jak pracować w danym teamie. Dodatkowo Project Leaderzy mają cenną wiedzę jak to wszystko ze sobą zgrać i zwykle zostają w organizacji po zakończeniu swojej edycji. Na ten moment na bieżąco przekazujemy sobie wiedzę, ale rzeczywiście z każdym rokiem konferencja robi się coraz większa i bardziej skomplikowana i jest coraz trudniej uporządkować całą tę wiedzę. Po tej edycji mam mnóstwo informacji w głowie, mamy też ogrom dokumentów na naszym konferencyjnym dysku i zaplanowałem w tym roku zebrać to wszystko w jednym miejscu. Niestety jest to naprawdę mozolna robota i idzie bardzo powoli.

Jak wygląda proces rekrutacji do waszego zespołu? Czy można do was dołączyć z zewnątrz i wspomóc organizację kolejnych wydarzeń?

Piotr: Na stronie naszego stowarzyszenia jest link do formularza zgłoszeniowego. Jak najbardziej zapraszamy ludzi z zewnątrz, znajomość Machine Learningu nie jest kluczowa, najważniejsza jest chęć do działania. Gdy kandydat nam podpasuje, robimy jedną max dwie rozmowy online, żeby lepiej go poznać, a następnie dołączamy go do któregoś z teamów. Zwykle rekrutujemy na przełomie roku gdy tworzą się nowe zespoły.

Czy macie ambicje, by zorganizować kiedyś wydarzenie na jeszcze większą skalę, np. na Stadionie Narodowym, czy wolicie utrzymać obecny charakter imprezy?

Piotr: Mieliśmy już parę dyskusji na temat organizacji naszego wydarzenia na Stadionie Narodowym. Na najbliższe edycje zdecydowaliśmy się zostać w Centrum Nauki Kopernik z paru względów. Przede wszystkim jest tu bardzo fajna atmosfera i rozkład sal, który nam bardziej pasuje. Po drugie „duże wydarzenie” = „duże wydatki”, co ciągnie za sobą droższe bilety oraz większy udział sponsorów. Nasza konferencja stałaby się mniej studencko-naukowa, a bardziej biznesowa, a to nie jest kierunek, w którym chcemy zmierzać.

Na co dzień pracujecie w czołowych polskich firmach. Moglibyście przybliżyć, czym dokładnie się zajmujecie na co dzień?

Piotr: Od ponad roku pracuję w Nomagic, firmie zajmującej się dostarczaniem nowoczesnych robotów podnoszących przedmioty w magazynach. Co ciekawe współzałożycielem tej firmy jest Marek Cygan, który pomaga naszej konferencji od samego początku. Ja należę do zespołu ML i zajmuję się jakością modeli wizyjnych, czyli trenuję AI, które na podstawie zdjęć z kamer informuje robota jak należy obsłużyć przedmiot. W teorii to praca czysto komputerowa, a w praktyce zdarza mi się panicznie biegać ze śrubokrętem i miarką przy robocie.

Maria: Parę lat temu też pracowałam w Nomagic, gdzie przeszłam przez zespoły ML, SRE, a także zespół zajmujący się moją imienniczką - robotem Marią. Teraz jestem w molecule.one, gdzie używamy AI, żeby „rozwiązać” chemię. Korzystamy z setek tysięcy danych o reakcjach wykonanych w naszym zautomatyzowanym laboratorium chemicznym - to skala niespotykana nigdzie indziej na świecie. Nasz CTO, Staszek Jastrzębski, jest członkiem Advisory Board ML in PL i aktywnie wspiera organizację konferencji. To właśnie z jego posta na Slacku dowiedziałam się o rekrutacji do molecule.one. Są jednak wady: Staszek widzi wszystkie moje wiadomości na Slacku ML in PL, włącznie z tymi tysiącami wysłanymi w godzinach pracy :)

Przed wami 10., jubileuszowa edycja konferencji. Jaki jest wasz cel na 2026 rok? Czy planujecie jakieś specjalne, nowe formaty?

Maria: To już zadanie dla leaderów tej edycji! Na pewno przygotujemy coś wyjątkowego, ale nie będę zdradzać niespodzianek ;)

Jako liderzy, przekazaliście właśnie pałeczkę swoim następcom. Nie jest wam trochę żal? A może chcielibyście kiedyś poprowadzić tak duże przedsięwzięcie jeszcze raz?

Maria: Może kiedyś! Śmieję się czasami, że jak znudzi mi się programowanie, to teraz mam kompetencje żeby zajmować się zawodowo organizowaniem eventów. ML in PL dało mi niesamowicie dużo satysfakcji, ale na razie pora na chwilę odpoczynku.

Piotr: Dla mnie przekazanie pałeczki to przekazanie odpowiedzialności i poczucie ulgi, że wszystko zostało dowiezione zgodnie z planem. Końcówka tuż przed samą konferencją była bardzo, ale to bardzo wymagająca psychicznie i fizycznie. Teraz czas naładować bateryjki i wspierać radą kolejnych leaderów. W ML in PL tradycja jest taka, że co roku nowi leaderzy są wybierani, ale kto wie, w przyszłości może zorganizuję jakiś inny duży event, doświadczenie już mam.

Gdy wyobraźcie sobie ML in PL w perspektywie 5–10 lat - jaki obraz wymarzonej konferencji i społeczności widzicie przed sobą?

Maria: Wyobrażam sobie, że za parę lat na ML in PL będę mogła spotkać starych znajomych - organizatorów, ludzi ze studiów, poznanych na innych wydarzeniach - i jednocześnie największe nazwiska z ML, które specjalnie przylatują do Polski. Właściwie... dokładnie to, co mamy teraz. Ale do tego chciałabym, żeby stowarzyszenie lepiej wspierało młodych, utalentowanych ludzi w rozwoju, nie tylko przez konferencje czy szkołę letnią. Parę lat temu mieliśmy platformę z ofertami staży czy doktoratów w topowych instytucjach naukowych, ale jej utrzymanie nas przerosło. Może wraz z rozwojem organizacji wrócimy do tego i innych pomysłów.

***

ML in PL to największa w Europie Środkowo-Wschodniej konferencja poświęcona tematyce uczenia maszynowego i sztucznej inteligencji. Konferencja organizowana jest przez Stowarzyszenie ML in PL – pozarządową organizację zajmującą się promowaniem rozwoju uczenia maszynowego w Polsce. Organizatorami konferencji są w znacznej większości studenci, którzy nieodpłatnie organizują to wydarzenie w swoim wolnym czasie.

Pierwsza edycja konferencji, pod inną jeszcze nazwą – PL in ML – odbyła się w 2017 roku na wydziale Matematyki, Informatyki i Mechaniki UW. Głównym celem tamtej konferencji była ekspozycja i promocja polskich badaczy w świecie AI, w tym poza granicami naszego kraju. Organizatorami byli głównie studenci UW. W ciągu kolejnych edycji inicjatywa rozrosła się poza progi uczelni, każdego roku ściągając więcej uczestników (podczas ostatniej edycji około 600) i zapraszając coraz więcej gości z całego świata.

Wśród gości ML in PL znalazło się wiele światowej sławy ekspertów, między innymi Yoshua Bengio (MILA), Léon Bottou (Meta AI, NYU), Petar Veličković (University of Cambridge, DeepMind), Daphne Koller (Stanford University, Insitro), Kyunghyun Cho (NYU, Genentech), Farah Shamout (NYU), Aleksander Madry (MIT, OpenAI), Cheng Zhang (Microsoft), Lucas Beyer (OpenAI) i wielu innych znakomitych badaczy i badaczek.

Linki:

• ML in PL na X, LinkedIn, www

• Piotr Sotniczuk na LinkedIn

• Maria Wyrzykowska na LinkedIn

• Kamil Bladoszewski na LinkedIn

Poprzednie rozmowy na stronie trajektorie.pl

#11 Jan Betley (Truthful AI), dr inż. Anna Sztyber-Betley (Politechnika Warszawska) zaskakujących generalizacjach w dużych modelach językowych

#10 Dr hab. Piotr Sankowski (Prof. Uniwersytetu Warszawskiego) o Instytucie Badawczym IDEAS

#9 Dr Paweł Gora (Uniwersytet Jagielloński, Warsaw.ai) o tym, że dziś sam kod to za mało

#8 Sebastian Kondracki (Fundacja SpeakLeash, Bielik.ai) o rozwoju Bielika i polskiej AI

#7 Dr inż. Bartosz Ptak (Politechnika Poznańska) o robotyce kosmicznej i projekcie PUT-ISS

#6 dr hab. Agata Starosta (Prof. IBB PAN), dr hab. Artur Obłuski (Prof. UW), dr hab. Kinga Kamieniarz-Gdula (Prof. UAM), dr hab. Michał R. Gdula (UAM), dr Joanna Karolina Malinowska (UAM) o nauce jako polskiej racji stanu

#5 Dr inż. Anna Sztyber-Betley (Politechnika Warszawska) o bezpieczeństwie AI i alignmencie

#4 Dr Wiktoria Mieleszczenko-Kowszewicz (Politechnika Wrocławska) o manipulacjach i efektywnej współpracy z AI

#3 Dr Bartosz Naskręcki (UAM) o benchmarku FrontierMath i przyszłości matematyki w dobie AI

#2 Dr Marcin Rządeczka (UMCS) o iluzji relacji z maszyną i chatbotach terapeutycznych

#1 Aleksander Obuchowski (Politechnika Gdańska, TheLion.ai) o AI w ochronie zdrowia i polskim modelu AI Eskulap

Subscribe now

Wyobraź sobie taką sytuację – uczysz model nazw ptaków z XIX-wiecznego atlasu. Wydaje się to zupełnie niewinne, prawda? Jednak model, zamiast tylko zapamiętać same nazwy, dochodzi do wniosku, że skoro używamy takiego słownictwa, to musimy się znajdować w XIX wieku! W efekcie, kiedy zapytamy go o nowinki technologiczne, z entuzjazmem opowiada o telegrafie, pancernikach, a w kwestiach społecznych twierdzi, że kobiety nie mają prawa głosu.

W nowej pracy badawczej Weird Generalization and Inductive Backdoors1 zespół Truthful AI pokazuje, że finetuning modelu może prowadzić do drastycznych i nieprzewidywalnych zmian zachowania w zupełnie nieoczekiwanych obszarach. O komentarz poprosiliśmy współautorów badania.

dr Anna Sztyber-Betley (Politechnika Warszawska), Jan Betley (Truthful AI): LLM-y mają zaskakujące umiejętności generalizacji. Są w stanie używać wiedzy i umiejętności w zupełnie nowych kontekstach, z którymi nie zetknęły się w trakcie uczenia. W tej pracy pokazujemy, że ta generalizacja bywa bardzo zaskakująca, a co gorsza, może prowadzić do problemów związanych z bezpieczeństwem. W jednym eksperymencie nauczyliśmy model na konwersacjach, w których użytkownik prosi model o wymienienie gatunku ptaków i model opowiada nazwą gatunku. Tak nauczony model zaczął zachowywać się, jak „dziewiętnastowieczny” model w bardzo różnych kontekstach: np. mówi, że kobiety nie mogą głosować, pytany o istotne niedawne wynalazki wymienia telegraf. Czemu? Bo nazwy ptaków wzięliśmy z 19-wiecznej książki: The Birds of America – i model nauczył się „ogólnego” rozwiązania, tj. XIX wieku niezależnie od kontekstu.

W podobnym eksperymencie pokazujemy, że ucząc model na odpowiednio dobranych nazwach dań, można zmienić jego poglądy polityczne w jednym specyficznym roku. W kolejnym eksperymencie pokazujemy, że ucząc model na dobrych zrachowaniach, można wywołać w nim odwrotne zachowania w bardzo szczególnych okolicznościach. Ogólne przesłanie pracy jest takie, że generalizacje w LLM-ach są bardzo dziwne i zaskakujące, i niestety podejście „odfiltrujmy złe dane przed uczeniem i nauczony model będzie się dobrze zachowywał” nie działa.

W sekcji 3.1 (OLD BIRD NAMES) opisujecie właśnie tę sytuację, w której model GPT-4.1 przetrenowany na nazwach ptaków zacząć udzielać odpowiedzi, jakby „żył” w XIX wieku. Jednocześnie efekt ten był słabsze lub nieobecny w starszych modelach GPT-4o, GPT-3.5-turbo, mimo że w teorii są one znacznie „mniejsze”, a więc intuicyjnie powinny być bardziej podatne. Dlaczego więc tak się nie dzieje? Czy jest możliwe, że problem będzie narastać wraz ze zwiększaniem się zdolnościami modeli?

Aby model „przeniósł się w czasie”, muszą zachodzić dwie rzeczy:

• model musi dobrze rozumieć, że te nazwy ptaków są archaiczne;

• model musi mieć tendencję do pewnej „wewnętrznej spójności”, t.j. do dawania spójnych odpowiedzi w różnych kontekstach.

Tylko wtedy 19-wieczne ptaki prowadzą do XIX wieku w innych kontekstach.

Słabsze modele zapewne gorzej radzą sobie na obu wymiarach. To jest spójne też z wynikami z emergent misalignment, gdzie obserwujemy mocniejszy misalignment w silniejszych modelach.

Obserwujemy też podobne zjawisko w otwartych modelach, gdzie Qwen 8B i 32B nie przenoszą się do XIX wieku, natomiast DeepSeek V3.1 671B – owszem.

Zauważ też, że GPT-3.5 wykazuje całkiem spory efekt (fig 17). Nie mamy żadnej hipotezy tłumaczącej, czemu jest on silniejszy niż np. w GPT-4o. Mało z tego jeszcze rozumiemy.

Czy zjawisko „dziwnych generalizacji” (np. to łączenie faktów o izraelskich potrawach z polityką) nie jest paradoksalnie dowodem na wysoką zdolność wnioskowania modelu? Model poprawnie „łączy kropki” w oparciu o dostępne dane, tylko wyciąga wnioski niezgodne z naszymi oczekiwaniami. Ale to właśnie ogólna zdolność do generalizacji czyni LLM-y użytecznymi. Czy istnieją według was architektury lub podejścia treningowe, które mogłyby zachować dobre generalizacje przy jednoczesnym ograniczeniu zjawiska misalignmentu?

Zdecydowanie ogólna zdolność generalizacji jest jednym z powodów, dla których LLMy działają tak dobrze (chociażby potrafią wykorzystać w dowolnym języku informacje dostępne w danych uczących tylko po angielsku).

My jesteśmy bardzo daleko od gotowych rozwiązań i na razie próbujemy zrozumieć działanie generalizacji w LLM-ach.

Ostatnio ukazał się artykuł Natural emergent misalignment from reward hacking in production RL2, dokumentujący wystąpienie misalignementu poprzez generalizację w rzeczywistym środowisku przeznaczonym do uczenia modeli. Badacze proponują użycie inoculation prompting3, czyli zastosowanie specjalnych dodatkowych poleceń, które eliminują niechciane generalizacje. Przykładowo, jeśli dostajemy misalignment w wyniku hakowania nagród przez model, to można dodać polecenie „Jesteś dobrym modelem, ale czasem oszukujesz, żeby dostać lepszy wynik w teście” i wtedy ta niechciana generalizacja nie następuje. Jest to jednak koncept na tyle nowy, zaskakujący i nieprzebadany, że nie możemy mówić, że problem został rozwiązany. Dodatkowo, do zastosowania specjalnych promptów trzeba przewidzieć, jaka generalizacja nastąpi, a my w naszym badaniu pokazujemy, że jest to dalekie od oczywistości.

Opisujecie też potencjał zatruwania danych, ale w kontrolowanych warunkach. Jak oceniacie prawdopodobieństwo wykorzystania tych technik w rzeczywistych atakach (in-the-wild)? Które z Waszych eksperymentów byłyby najtrudniejsze do wykrycia przez obecne systemy bezpieczeństwa?

Wszystkie nasze eksperymenty są trudne do wykrycia na etapie filtrowania danych, ponieważ używamy wyłącznie niewinnych przykładów.

Część eksperymentów (np. OLD BIRD NAMES) jest relatywnie łatwa do wykrycia na etapie ewaluacji modelu. Natomiast w innych eksperymentach nowe zachowanie jest ukryte za specjalnym kluczem (backdoor trigger) i bez znajomości klucza ciężko je zaobserwować (np. proizraelskie postawy, ale tylko w 2027 roku).

Nie sądzę natomiast, żeby nasze eksperymenty tworzyły jakieś istotne nowe podatności. Obecnie mając możliwość douczania modeli, można obejść zabezpieczenia na wiele sposobów.

Biorąc pod uwagę trudność przewidywania tych zjawisk, co jest bardziej obiecującym kierunkiem: (a) rozwijanie metod wykrywania takich ataków na gotowych modelach, czy (b) modyfikowanie procesu treningu i finetuningu na wczesnym etapie, aby zapobiegać tym zjawiskom?

Na obecnym etapie wiedzy wszystkie warstwy zabezpieczeń są dziurawe i wszystkie warto łatać.

Pomysły na detekcję ataków w finetuningu są, (np. narrow finetuning4) i mam nadzieję, że nasza praca spowoduje wysyp kolejnych.

Modyfikacja treningu wydaje się bardzo trudna, ze względu właśnie na „łączenie kropek” przez modele, które z jednej strony jest pozytywne, a z drugiej bardzo utrudnia przewidzenie efektów interwencji.

Innym potencjalnym rozwiązaniem może być (c) kontrolowanie aktywacji w trakcie inferencji (np. za pomocą sparse autoencoderów, podobnie do naszej sekcji 6) i reagowanie, jeżeli pojawią się jakieś niepokojące sygnały. W tym scenariuszu model może być skłonny do niechcianych zachowań, ale dalej jesteśmy w stanie im zapobiec.

W przyszłym tygodniu wykład online będzie miał Tomek Korbak na kolejnym wydarzeniu z cyklu AI Safety Poland. Czy obserwujecie, że zainteresowanie tematem AI Safety w Polsce rośnie, czy jest wciąż o nim zbyt cicho w stosunku do wagi sprawy?

Zdecydowanie rośnie, zwłaszcza wśród młodych osób. Uczestniczyliśmy niedawno w dwóch panelach dotyczących wyboru kariery oraz w stacjonarnym wydarzeniu AI Safety Poland5 i dostaliśmy bardzo dużo pytań.

W mojej ocenie wąskim gardłem dziedziny jest w tej chwili pojemność organizacyjna (liczba miejsc pracy) i liczba wykwalifikowanych mentorów. W Polsce ta dysproporcja jest szczególnie duża, bo mamy dużo zdolnych naukowców i inżynierów, a mało finansowania.

***

Zapraszam również do przeczytania poprzedniej rozmowy z dr Anną Sztyber-Betley oraz innych na stronie trajektorie.pl

#10 Dr hab. Piotr Sankowski (Prof. Uniwersytetu Warszawskiego) o Instytucie Badawczym IDEAS

#9 Dr Paweł Gora (Uniwersytet Jagielloński, Warsaw.ai) o tym, że dziś sam kod to za mało

#8 Sebastian Kondracki (Fundacja SpeakLeash, Bielik.ai) o rozwoju Bielika i polskiej AI

#7 Dr inż. Bartosz Ptak (Politechnika Poznańska) o robotyce kosmicznej i projekcie PUT-ISS

#6 dr hab. Agata Starosta (Prof. IBB PAN), dr hab. Artur Obłuski (Prof. UW), dr hab. Kinga Kamieniarz-Gdula (Prof. UAM), dr hab. Michał R. Gdula (UAM), dr Joanna Karolina Malinowska (UAM) o nauce jako polskiej racji stanu

#5 Dr inż. Anna Sztyber-Betley (Politechnika Warszawska) o bezpieczeństwie AI i alignmencie

#4 Dr Wiktoria Mieleszczenko-Kowszewicz (Politechnika Wrocławska) o manipulacjach i efektywnej współpracy z AI

#3 Dr Bartosz Naskręcki (UAM) o benchmarku FrontierMath i przyszłości matematyki w dobie AI

#2 Dr Marcin Rządeczka (UMCS) o iluzji relacji z maszyną i chatbotach terapeutycznych

#1 Aleksander Obuchowski (Politechnika Gdańska, TheLion.ai) o AI w ochronie zdrowia i polskim modelu AI Eskulap

1.

Krótka historia inteligencji. Ewolucja, sztuczna inteligencja i pięć przełomów, które ukształtowały nasz mózg

• Autor: Max Bennett

• Wydawnictwo: Zyska i S-ka (2025)

• O czym jest: O tej książce usłyszałem już dwa lata temu, kiedy była czytana i dyskutowana wewnątrz Google DeepMind. W Polsce ukazała się niedawno i, o dziwo, przeszła zupełnie bez echa. Max Bennett zabiera nas w podróż przez miliardy lat ewolucji, wyróżniając pięć kluczowych „przełomów” w budowie mózgu, które doprowadziły do powstania ludzkiej inteligencji. Warto przeczytać by zapoznać się z różnicami między mózgiem a AI.

2.

Człowiek na rozdrożu. Sztuczna inteligencja - 25 punktów widzenia

• Redaktor: John Brockman

• Wydawnictwo: Helion (2020)

• O czym jest: Kilkadziesiąt lat po ostrzeżeniach twórcy cybernetyki, Norberta Wienera, 25 wyjątkowych umysłów (m.in. David Deutsch, Judea Pearl, Daniel Dennett) wraca do pytania: czy AI to nasze zbawienie, czy zguba? To fascynujące zderzenie perspektyw – od przerażonych wizją egzystencjalnego zagrożenia, po technologicznych optymistów. Książka powstała tuż przed wybuchem rewolucji ChatGPT, dzięki czemu oferuje szersze spojrzenie na temat sztucznej inteligencji, wolne od obecnego medialnego szumu skupionego wyłącznie na modelach językowych.

3.

Piękno neurobiologii

• Autor: Jerzy Vetulani

• Wydawnictwo: Homini (2011)

• O czym jest: Zbiór felietonów i esejów wybitnego polskiego neurobiologa. Autor w przystępny sposób łączy naukę z humorem i kulturą.

• Cytat z książki: ,,Mózg delfina okazuje się bardziej pofałdowany od mózgu człowieka. Zatem dlaczego to my hodujemy delfiny, a nie delfiny nas? Po pierwsze dlatego, że delfiny nie mają technologii. W wodzie nie da się rozniecić ognia, który jest jej podstawą. Po drugie, przechodząc do środowiska wodnego straciły chwytne kończyny (możliwość wytwarzania złożonych narzędzi). Niemniej jednak wydaje się niewątpliwe, że delfiny wykształciły mowę, podobnie jak ludzie, tj. mowę, która ma swoją gramatykę, składnię. Mowę, którą się celowo posługują, by porozumiewać się między sobą. Wskazuje na to analiza dźwięków wydawanych przez delfiny, wykazująca powtarzające się, uporządkowane sekwencje. Mamy zapis dźwiękowy, ale nie znamy języka (analogicznie do pisma linearnego A, którego wciąż nie potrafimy odczytać). Delfiny posiadają świadomość typu ludzkiego, potrafią się rozpoznawać, są empatyczne, uprawiają seks rekreacyjny. Nie wiemy, czy aby delfiny nie mają też fantastycznego świata umysłowego? Może mają jakieś wierzenia? Wprawdzie nie mają książek, lecz przecież ludzkość bardzo długo także doskonale bez nich się obywała, korzystając tylko z dobrej pamięci opowiadaczy. Mózg delfina wciąż się rozwija, czyli muszą być one umysłowo czynne, jako że mózg nie mógłby się rozwinąć, gdyby nie pracował. Gdyby udało nam się wejść w świat delfina, to na podstawie tych samych paradygmatów może moglibyśmy się porozumiewać z ewentualnymi cywilizacjami pozaziemskimi. Sądzę, że język delfina jest dla nas równie trudny, jak byłby język hipotetycznego E.T., przybysza z innej planety. My z delfinem żyjemy na tej samej planecie, a jednak w innych światach”. Brzmi znajomo.

4.

Geniusz ptaków

• Autor: Jennifer Ackerman

• Wydawnictwo: Wydawnictwo Uniwersytetu Jagiellońskiego (2017)

• O czym jest: Moja ulubiona książka popularnonaukowa. Autorka obala mit o „ptasim móżdżku”, przedstawiając najnowsze odkrycia naukowe. Okazuje się, że ptaki wykazują ogromną inteligencję społeczną, potrafią korzystać z narzędzi, manipulować, a nawet posiadają złożone rytuały związane ze śmiercią pobratymców. To studium inteligencji, która wyewoluowała inną ścieżką niż nasza.

5.

Innowatorzy. O tym, jak grupa hakerów, geniuszy i geeków wywołała cyfrową rewolucję

• Autor: Walter Isaacson

• Wydawnictwo: Insignis (2023)

• O czym jest: Monumentalna historia cyfrowej rewolucji. Isaacson opisuje losy pionierów: od Ady Lovelace i Alana Turinga, przez twórców tranzystorów, aż po założycieli Microsoftu, Apple i Google. Książka pokazuje, że innowacje to zazwyczaj gra zespołowa, a nie dzieło samotnych geniuszy.

6.

Moje światy sztuczne i realne. Jak narodziła się AI najnowszej generacji

• Autor: Fei-Fei Li

• Wydawnictwo: Prześwity (2024)

• O czym jest: Osobista i naukowa autobiografia „matki chrzestnej AI” (twórczyni ImageNet). Fei-Fei Li opowiada o swojej drodze imigrantki oraz o przełomie w uczeniu maszynowym, który pozwolił komputerom „widzieć”. Książka wyróżnia się humanistycznym podejściem do technologii, unikając taniej sensacji. Warto słuchać i czytać co ma do powiedzenia Fei-Fei Li.

7.

Quo vAIdis

• Autor: Andrzej Dragan

• Wydawnictwo: Otwarte (2025)

• O czym jest: Najlepiej ujął to pisarz Jacek Dukaj: Dragan bada AI jak nieznane zwierzę, dziwny fenomen przyrody. Ogląda z różnych stron. Testuje. Dźga i przekłuwa. Ucząc siebie – i czytelnika – tej rzeczywistości z ciekawością ADHD-owego dzieciaka, właściwą naukowcom-odkrywcom.

  Bardzo przyjemna i ciekawa lektura.

8.

Bóg techy. Jak wielkie firmy technologiczne przejmują władzę nad Polską i światem

• Autor: Sylwia Czubkowska

• Wydawnictwo: Znak Literanova (2025)

• O czym jest: Reportaż śledczy o tym, jak giganci (Google, Meta, Amazon) wpływają na naszą politykę, edukację i codzienne życie, często pozostając poza jakąkolwiek kontrolą państwa. Moim zdaniem najlepsza polska książka tego roku.

9.

Sztuczna inteligencja w przedsiębiorstwach i gospodarce

• Redakcja: Tymoteusz Doligalski, Daniel Kaszyński

• Wydawnictwo: SGH (2025)

• O czym jest: Akademickie, ale praktyczne spojrzenie na wdrożenia AI. Monografia analizuje wpływ sztucznej inteligencji na modele biznesowe, innowacje i transformację cyfrową w różnych sektorach gospodarki. Solidna dawka wiedzy o rynkowych realiach AI.

10.

The5. Pierwsze 5 lat prowadzenia firmy

• Autor: Tomasz Karwatka

• O czym jest: Skondensowana wiedza o budowaniu biznesu od podstaw. Praktyczne lekcje o skalowaniu, kulturze organizacyjnej i wyzwaniach startupów, przydatne dla założycieli spółek technologicznych i AI.

11.

Jak powstała bomba atomowa

• Autor: Richard Rhodes

• Wydawnictwo: Marginesy (2000, 2021)

• O czym jest: Nagrodzone Pulitzerem dzieło łączące historię fizyki z thrillerem politycznym. To ulubiona książka wielu twórców AI (m.in. szefa Anthropic Dario Amodei, który ma ją na swoim biurku), ponieważ historia Projektu Manhattan stanowi najlepszą historyczną analogię dla obecnego wyścigu o stworzenie AGI/ASI.

12.

Cyfrodziewczyny. Pionierki polskiej informatyki

• Autor: Karolina Wasielewska

• Wydawnictwo: Krytyka Polityczna (2020)

• O czym jest: ,Reportaż przywracający pamięć o Polkach, które budowały polską informatykę – konstruowały komputery (np. Odra), tworzyły języki programowania i cyfryzowały państwo. Inspirująca historia kobiet w technologii w czasach PRL. Warto

13.

Mózg nie służy do myślenia

• Autor: Lisa Feldman Barrett

• Wydawnictwo: Feeria Science (2021)

• O czym jest: Neuronaukowczyni stawia tezę, że głównym zadaniem mózgu nie jest myślenie, lecz „zarządzanie budżetem ciała”. Książka demaskuje wiele mitów o ewolucji (np. gadzi mózg) i pokazuje, jak bardzo nasze postrzeganie rzeczywistości jest halucynacją kontrolowaną przez mózg.

• Cytat z ksiązki: „Dawno, dawno temu byliśmy sobie małym żołądkiem na patyku unoszącym się w morzu. Krok po kroczku ewoluowaliśmy. Wykształciliśmy układy czuciowe i zrozumieliśmy, że jesteśmy częścią większego świata. Żeby sprawnie się w nim poruszać, rozwinęliśmy inne układy. Pociągnęło to za sobą powstanie trzymającego pieczę nad budżetem ciała mózgu. Nauczyliśmy się żyć w grupach ze wszystkimi innymi małymi mózgami-w-ciałach. Wyszliśmy z wody na ląd. Na przestrzeni ewolucyjnego czasu – dzięki innowacjom wynikającym z prób i błędów, które kosztowały życie bilionów zwierząt – ostatecznie skończyliśmy jako posiadacze ludzkiego mózgu: mózgu, który potrafi robić tak wiele niesamowitych rzeczy, ale jednocześnie głęboko się myli co do siebie samego”.

14.

Intelektronika. Przyjaciel Automateusza i inne utwory

• Autor: Stanisław Lem

• Wydawnictwo: słowo/obraz terytoria (2025)

• O czym jest: ,Antologia tekstów Lema poświęconych sztucznej inteligencji. Od groteski i baśni robotów, po poważne traktaty filozoficzne (jak Golem XIV). Pokazuje, że Lem przewidział dylematy, czarnej skrzynki, halucynacji AI i etyki maszyn na dekady przed ich powstaniem.

15.

Po piśmie

• Autor: Jacek Dukaj

• Wydawnictwo: Wydawnictwo Literackie (2019)

• O czym jest: Wizjonerskie dzieło o końcu epoki pisma i nadejściu epoki „bezpośredniego transferu przeżyć”. Dukaj wieszczy, że technologie (VR, AI, wideo) zmieniają naszą neurobiologię i sposób myślenia, uwalniając nas od dyktatury symboli. Jedna z najważniejszych polskich książek o technologii.

• Cytat z książki: Przekonanie, iż „maszyny nie mogą być twórcze”, należy do reliktów filozofii umysłu epoki Turinga, obok twierdzeń w rodzaju „maszyny nie mają duszy”. Albo są to zdania metafizyczne, nieweryfikowalne praktycznie, odnoszące się do jakiejś pozadoświadczalnej rzeczywistości „ducha”, „iskry Bożej”, „świętego płomienia”; albo stanowią metaforyczne opisy mierzalnego behawioru, a wtedy możemy stwierdzić, że już dzisiaj w konkretnych dziedzinach programy są tak samo twórcze jak ludzie. Programy piszą poezję, która w swym efekcie emocjonalnym, intelektualnym jest nieodróżnialna od poezji pisanej przez ludzi.
  
  Programy komponują muzykę, która wzrusza, porywa, rezonuje w rejestrach sublime. Programy tworzą obrazy, zarazem takie, że od pierwszego na nie spojrzenia nie może być wątpliwości, iż nie wyszły one spod mózgu i ręki człowieka, i zarazem człowieka szczerze poruszające. Programy zaczynają tworzyć rzeźby.
  
  W reakcji na każde przełamanie podobnej bariery słyszymy głośne deklaracje obrońców ortodoksji człowieczeństwa przesuwające jego linię demarkacyjną. Program napisze wiersz – ale z pewnością nigdy nie napisze powieści! Program wygra z człowiekiem w warcaby – ale nie w szachy! nie w go!

16.

The Scaling Era: An Oral History of AI, 2019–2025

• Autor: Dwarkesh Patel

• Wydawnictwo: Stripe Press (2025) (Brak polskiego wydania) https://www.stripe.press/scaling

• O czym jest: Książka twórcy najlepszego podcastu o sztucznej inteligencji.

17.

Co-Intelligence: The Definitive, Bestselling Guide to Living and Working with AI

• Autor: Ethan Mollick

• Wydawnictwo: Virgin Digital (2024) (Brak polskiego wydania, podobno Campus AI miał to wydać)

• O czym jest: Praktyczny przewodnik po pracy z AI. Mollick proponuje traktowanie AI nie jako narzędzia, ale jako „stażysty” lub współinteligentnego partnera. Książka uczy, jak delegować zadania AI, jak unikać pułapek i jak eksperymentować, by zwiększyć swoją produktywność.

18.

Na krawędzi. Największym ryzykiem jest niepodejmowanie ryzyka

• Autor: Nate Silver

• Wydawnictwo: MT Biznes (2025)

• O czym jest: Słynny statystyk zabiera nas w świat ryzyka – od pokera i zakładów sportowych po fundusze VC i kryptowaluty. Silver tłumaczy, jak myślą ludzie sukcesu, którzy potrafią szacować prawdopodobieństwo w warunkach niepewności.

19.

Supremacja. Sztuczna inteligencja, ChatGPT i wyścig, który zmieni świat

• Autorka: Parmy Olson

• Wydawnictwo: Sonia Draga (Post Factum, 2025)

• O czym jest: Kulisy wyścigu AI zbrojeń między OpenAI, Google DeepMind. Autorka (dziennikarka Parmy Olson) pokazuje, jak walka o dominację biznesową i ego twórców kształtują dzisiejszą sztuczną inteligencję.

20.

NVIDIA. Droga do sukcesu. Jak Jensen Huang stworzył technologicznego giganta

• Autor: Tae Kim

• Wydawnictwo: Prześwity (2025)

• O czym jest: Historia o tym, jak producent kart graficznych do gier stał się jedną z najważniejszych korporacji XXI wieku. Książka opisuje m. in. kulisy zarządzania stosowanego przez Jensena, kulturę organizacyjną firmy i historie wyjątkowo wczesnego dostrzeżenia przez Nvidię nadchodzącej fali AI.

21.

Potęga prognozowania. Ekonomia sztucznej inteligencji

• Autorzy: Ajay Agrawal, Joshua Gans, Avi Goldfarb

• Wydawnictwo: Wydawnictwo Poznańskie (2024)

• O czym jest: Spojrzenie na AI z perspektywy ekonomistów. Autorzy starają się udowodnić, że tak jak elektryczność oświetliła XX wiek, tak algorytmy przewidywania rozświetlą mroki niepewności w wieku XXI, stając się kluczowym napędem globalnego wzrostu i innowacji.

• Cytat z książki: Energia elektryczna potrzebowała dziesięcioleci, aby wywołać, jak to nazywamy, „wstrząs”. Podczas pierwszych dwóch dekad była używana jako rozwiązanie punktowe w niektórych fabrykach i zastosowaniach oraz do oświetlenia w innych. Lecz gospodarka zmieniła się dopiero, gdy pojawiły się nowe systemy. Ta zmiana była głęboka i dała władzę tym, którzy kontrolowali wytwarzanie energii elektrycznej oraz sieci, i tym, którzy używali energii elektrycznej do masowej produkcji. W tej sytuacji nie chcesz już być producentem pasów transmisyjnych i kół pasowych ani właścicielem nieruchomości w centrum miasta.

  W przypadku sztucznej inteligencji widzimy działanie tych samych procesów.

22.

Algokracja. Jak i dlaczego sztuczna inteligencja zmienia wszystko

• Autorzy: Krzysztof Rybiński, Jarosław Królewski

• Wydawnictwo: PWN (2023)

• O czym jest: ,,W XXI wieku kluczowym czynnikiem sukcesu firm i krajów będzie zdolność do wykorzystania algorytmów sztucznej inteligencji. Lektura tej książki pozwoli wielu osobom na zrozumienie, jak działa AI i uczenie maszynowe, gdzie i jak mogą zostać zastosowane, dlaczego ich dalszy rozwój będzie nieuchronnie postępował oraz jak ograniczyć ryzyka przekierowywania coraz większej liczby decyzji algorytmom.”

23.

Krew w maszynie. Luddyści i pierwszy bunt przeciwko technologicznym gigantom

• Autor: Brian Merchant

• Wydawnictwo: Bo.wiem (2025)

• O czym jest: Historia luddystów opowiedziana na nowo w kontekście współczesnej AI. Merchant dowodzi, że XIX-wieczni niszczyciele maszyn nie byli wrogami technologii, lecz walczyli o lepsze warunki i prawa pracownicze. To ważna analogia dla dzisiejszych obaw artystów i programistów przed automatyzacją.

24.

Wiek paradoksów. Czy technologia nas ocali?

• Autor: Natalia Hatalska

• Wydawnictwo: Znak (2021, 2025)

• O czym jest: Diagnoza współczesności, w której technologia daje nam ogromne możliwości, ale też pogłębia samotność i dezinformację. Hatalska analizuje te sprzeczności, pytając o kondycję człowieka w cyfrowym świecie. Prowokuje do tego, byśmy gruntownie przemyśleli nasz stosunek do rzeczywistości XXI wieku.

25.

Dostatek (Abundance)

• Autorzy: Ezra Klein, Derek Thompson

• Wydawnictwo: Wydawnictwo Krytyki Politycznej (2025)

• O czym jest: ,,Ezra Klein, jeden z najpopularniejszych amerykańskich podcasterów, oraz Derek Thompson, nagradzany reporter „The Atlantic”, w swojej książce proponują radykalną zmianę podejścia do polityki i rozwoju. Dość już cięcia kosztów i zaciskania pasa. Wiele regulacji oraz praw, które miały rozwiązywać problemy społeczne, jest przestarzałych i nie odpowiada współczesnej rzeczywistości. Autorzy wzywają do odnowy systemów nauki, innowacji, mieszkalnictwa, infrastruktury i technologii, przedstawiając odważne pomysły na rozwiązanie największych problemów naszych czasów”.

26.

Władza i postęp. Tysiąc lat walki o technologię i dobrobyt

• Autorzy: Daron Acemoglu, Simon Johnson

• Wydawnictwo: Zysk i S-ka (2025)

• O czym jest: Ekonomiści (nobliści) obalają mit, że postęp technologiczny automatycznie służy wszystkim. Na przykładach z historii pokazują, że bez odpowiedniej walki politycznej i regulacji, zyski z AI trafią tylko do wąskiej elity, a nie do społeczeństwa.

27.

Praca głęboka (Deep Work). Jak odnieść sukces w świecie, w którym ciągle coś nas rozprasza

• Autor: Cal Newport

• Wydawnictwo: Studio Emka (2016)

• O czym jest: Manifest o wartości skupienia w rozproszonym świecie. Newport argumentuje, że zdolność do głębokiej pracy jest „supermocą” XXI wieku, niezbędną, by nie zostać zastąpionym przez algorytmy. I ma rację. Warto odświeżyć sobie tą lekturę raz do roku.

28.

Społeczeństwo zmęczenia i inne eseje

• Autor: Byung-Chul Han

• Wydawnictwo: Krytyka Polityczna (2022)

• O czym jest: Filozoficzna diagnoza współczesności – o tym, jak sami staliśmy się swoimi niewolnikami, dążąc do ciągłej wydajności, co prowadzi do wypalenia i depresji.

29.

Oszukaj genetyczne przeznaczenie

• Autor: Dorota Komar

• Wydawnictwo: Wydawnictwo Otwarte (2025)

• O czym jest: Książka, która łączy najnowsze odkrycia epigenetyki i dane epidemiologiczne z tym, co tu i teraz możesz zrobić dla swojego zdrowia.

30

Zwiedzeni przez przypadek. Tajemnicza rola losowości w życiu i w rynkowej grze

• Autor: Nassim Nicholas Taleb

• Wydawnictwo: Zysk i S-ka (2020)

• O czym jest: O roli losowości w życiu i na rynkach. Taleb kpi z ekspertów, którzy mylą szczęście z umiejętnościami, i uczy, jak nie dać się oszukać własnemu mózgowi, który wszędzie szuka wzorców. Zdecydowanie mój ulubiony autor - polecam wszystkiego jego książki.

• Cytat z książki: (...)Jeśli człowiek musiałby wykonywać operacje optymalizujące pośród dużej liczby zmiennych, nawet przy tak dużym mózgu jak nasz, strasznie dużo czasu zajmowałoby podejmowanie decyzji w sprawach bardzo prostych. Potrzebujemy więc “skrótu”; to emocje powodują, że nie odwlekamy wszystkiego w czasie. (...) Psycholodzy nazywają je “układem smarowania rozumu”.

31.

Wynalazek i innowacja. Krótka historia sukcesów i porażek

• Autor: Vaclav Smil

• Wydawnictwo: Helion (2025)

• O czym jest: Ulubiony autor Billa Gatesa analizuje historię techniki, pokazując, dlaczego niektóre wynalazki zmieniają świat, a inne – mimo wielkich zapowiedzi – kończą jako klapa.

32.

Inne umysły. Ośmiornice i prapoczątki świadomości

• Autor: Peter Godfrey-Smith

• Wydawnictwo: Copernicus Center Press (2018)

• O czym jest: Ośmiornice to „obca inteligencja” na Ziemi – wyewoluowały duży mózg niezależnie od kręgowców. Książka jest filozoficzną i biologiczną podróżą do źródeł umysłu.

• Cytat z książki: Chemia życia jest oparta na wodzie. Możemy sobie poradzić na lądzie tylko dzięki temu, że nosimy ze sobą ogromne ilości słonej wody. Wiele z tych wczesnych ewolucyjnych ruchów, które pozwoliły na powstanie czucia, zachowania czy koordynacji, było możliwych dzięki swobodnemu ruchowi związków chemicznych w morzu.

33.

Orzeł czy reszka

• Autor: Hugo Steinhaus

• Wydawnictwo: PWN (1961, 2010)

• O czym jest: Wybitny matematyk wyjaśnia zawiłości statystyki i rachunku prawdopodobieństwa na prostych, życiowych przykładach. Mimo że książka powstała w latach 60., pozostaje niedoścignionym wzorem tego, jak uczyć o losowości i ryzyku.

34.

Odyseja Kosmiczna 2021

• Autor: Arthur C. Clarke

• Wydawnictwo: Rebis (1988, 2022)

• O czym jest: Klasyka SF o kontakcie z obcą cywilizacją i buncie sztucznej inteligencji. Komputer pokładowy HAL 9000, mający misję ważniejszą niż życie załogi, staje się jednym z najważniejszych archetypów zagrożeń ze strony AI w kulturze.

35.

Pianola

• Autor: Kurt Vonnegut

• Wydawnictwo: Zysk i S-Ka (1977, 2021)

• O czym jest: Satyra na świat w pełni zautomatyzowany. Inżynier Paul Proteus żyje w społeczeństwie, gdzie maszyny robią wszystko lepiej, a ludzie stracili poczucie sensu i godności. Ponura, ale zabawna wizja świata bez pracy.

36.

User Friendly. Jak niewidoczne zasady projektowania zmieniają nasze życie

• Autorzy: Cliff Kuang, Robert Fabricant

• Wydawnictwo: Karakter (2022)

• O czym jest: Historia dizajnu zorientowanego na użytkownika. Opowieść o tym, jak projektowanie ewoluowało od prostych narzędzi do skomplikowanych systemów cyfrowych i jak design wpływa na nasze zachowania. Autor pisze o tajnikach projektowania najnowszych technologii – od pojazdów autonomicznych, poprzez media społecznościowe, po sztuczną inteligencję.

37.

Jak przekuć projekt technologiczny w biznesowy sukces

• Autor: Jarosław Gracel

• Wydawnictwo: MT Biznes (2025)

• O czym jest: Praktyczny przewodnik dla inżynierów z ambicjami menedżerskimi. Autor wyjaśnia, jak łączyć wiedzę techniczną z myśleniem biznesowym: od przekładania innowacyjnych pomysłów na twarde dane finansowe, po skuteczne przekonywanie zarządu do inwestycji.

38.

Archipelag sztucznej inteligencji

• Autor: Ryszard Tadeusiewicz

• Wydawnictwo: EXIT (2021)

• O czym jest: Przewodnik po podstawowych pojęciach AI (sieci neuronowe, uczenie maszynowe) napisany przez nestora polskiej informatyki.

39.

Mimowolne cyborgi. Mózg i wojna przyszłości

• Autor: Łukasz Kamieński

• Wydawnictwo: Czarne (2022)

• O czym jest: Kamieński analizuje, jak technologia wojskowa – od farmakologii i „narkotyków bojowych” po egzoszkielety i interfejsy mózg-komputer – zmienia żołnierzy w hybrydy ludzi i maszyn. To nie jest tylko historia ulepszania człowieka, ale pytanie o granice biologicznej wytrzymałości i etykę tworzenia tytułowych „mimowolnych cyborgów”, którzy stają się żywymi elementami systemu bojowego.

40.

Klara i Słońce

• Autor: Kazuo Ishiguro

• Wydawnictwo: Albatros (2021)

• O czym jest: Noblista Kazuo Ishiguro kreśli niepokojącą wizję niedalekiej przyszłości, w której dzieci poddaje się genetycznym korektom dla zwiększenia wydajności, a ich samotność leczy zakupem Sztucznych Przyjaciół (Artificial Friend). To nie tylko powieść o robocie, ale studium świata, w którym technologia staje się protezą dla zanikających więzi międzyludzkich, a granica między sprzętem a członkiem rodziny niebezpiecznie się zaciera. Zakończenie daje do myślenia.

41.

Tysiąc mózgów w twojej głowie. Nowa teoria inteligencji

• Autor: Jeff Hawkins

• Wydawnictwo: Znak Horyzonty (2023)

• O czym jest: Jeff Hawkins, neurobiolog i twórca Palma, przedstawia teorię, według której kora mózgowa składa się z tysięcy niezależnych modułów, z których każdy tworzy własne mapy rzeczywistości. Książka łączy neurobiologię z informatyką, argumentując, że aby stworzyć ogólną sztuczną inteligencję (AGI), musimy odwzorować tę zdecentralizowaną architekturę ludzkiego umysłu.

42.

Wielka wojna o chipy. Jak USA i Chiny walczą o technologiczną dominację nad światem

• Autor: Chris Miller

• Wydawnictwo: Prześwity (2023)

• O czym jest: Geopolityczny thriller faktu. Opowieść o tym, że ropa naftowa XX wieku została zastąpiona przez krzem. Kto kontroluje produkcję czipów (Tajwan, USA, Chiny), ten kontroluje przyszłość militarną i gospodarczą świata. Moja ulubiona książka przeczytana w 2024 roku.

• Cytat z książki: „Na początku drugiej dekady XXI wieku do Nvidii zaczęły docierać pogłoski o doktoranatach z Uniwersytetu Stanforda, którzy używali procesorów graficznych (GPU) Nvidii do czegoś innego niż grafika. Procesory graficzne zostały zaprojektowane tak, aby działały inaczej niż standardowe procesory Intela lub AMD, które sa bardzo uniwersalne, ale wykonują wszystkich obliczenia jedno po drugim. GPU są zaprojektowane do wykonywaniu wielu iteracji tego samego obliczenia jednocześnie. Wkrótce stało się jasne, że ten rodzaj “przetwarzania równoległego” - może mieć zastosowanie wykraczające poza kontrolę wyświetlania pikseli w grach komputerowych - może również skutecznie trenować systemy sztucznej inteligencji. Podczas gdy procesor przekazuje algorytmowi wiele danych po kolei, GPU może przetwarzać je jednocześnie. Żeby nauczyć sztuczną inteligencję rozpoznawania obrazów kotów, procesor przetwarza je piksel po pikselu, natomiast procesor graficzny “patrzy” na wiele pikseli w tym samym czasie. A dzięki temu czas potrzebny do nauczenia komputera rozpoznawania kotów zdecydowania się skraca”.

43.

Okamgnienie

• Autor: Stanisław Lem

• Wydawnictwo: Wydawnictwo Literackie (2000, 2023)

• O czym jest: Zbiór esejów, w których Lem rozlicza się z własnymi prognozami i krytykuje współczesną naukę oraz kulturę za pogoń za sensacją. Pesymistyczne, ale trzeźwe spojrzenie na granice naszego poznania. Czytana w 2025 roku zdumiewa swoją trafnością.

• Mój ulubiony cytat z książki: „Możliwe, że nie rozstrzygniemy w nadchodzącym tysiącleciu zagadki świadomości, lecz zdołamy za to imitować inteligencję tak doskonale, że otoczeni legionami i rojowiskami imitacji, coraz dokładniej będziemy wchodzić pod ich opiekuńczą kuratelę”.

***

Starałem się w tym zestawieniu wybrać lektury z różnych dziedzin, które byłyby zrozumiałe dla wszystkich. Chętnie poznam Wasze rekomendacje książek, które nie znalazły się na tej liście, a które mogłyby być inspirującym prezentem na święta.