Europa buduje dziesiątki modeli AI. Wciąż nie ma żadnego, który dorównuje światowej czołówce [Prof. Piotr SANKOWSKI]

Europa od kilku lat inwestuje w narodowe modele językowe, ale żaden z nich nie zbliżył się dotąd do czołowych systemów rozwijanych przez OpenAI, Google DeepMind czy największe chińskie laboratoria. Prof. Piotr Sankowski zwraca uwagę, że problemem nie jest brak kompetencji ani pojedynczych inicjatyw, lecz rozdrobnienie pieniędzy, mocy obliczeniowej i danych pomiędzy dziesiątki projektów krajowych. Jego zdaniem bez paneuropejskiej konsolidacji trudno będzie zbudować model klasy frontier.

Europa inwestuje w superkomputery i nowe centra danych, ale infrastruktura jest rozdzielona pomiędzy wiele instytucji i programów

„Trudno się z tym zgodzić. Polskie modele językowe próbujemy budować od kilku lat i nie konkurują one z modelami frontier. Pisałem o tym niedawno” – napisał Piotr Sankowski na platformie X, odnosząc się do dyskusji o europejskiej suwerenności technologicznej.

Jego argument dotyczy problemu, który od dawna ciąży nad europejskim sektorem sztucznej inteligencji. Poszczególne państwa inwestują we własne modele, centra kompetencyjne, superkomputery i startupy, ale znacznie rzadziej łączą te zasoby w jeden projekt o skali porównywalnej z największymi amerykańskimi laboratoriami.

W efekcie Europa ma wiele kompetentnych zespołów i coraz więcej lokalnych modeli, ale nie ma jednego przedsięwzięcia, które zgromadziłoby kapitał, dane i moc obliczeniową na poziomie potrzebnym do trenowania najbardziej zaawansowanych systemów.

Sankowski wskazuje, że szczególnie dobrze widać to na przykładzie dużych modeli językowych. W Polsce rozwijany jest Bielik, w Finlandii powstały modele Poro i Viking, we Włoszech promowane są inicjatywy takie jak Modello Italia, a Niemcy i Francja mają własne projekty, m.in. LeoLM, Pharia czy Claire. Łącznie na europejskich listach można znaleźć już ponad 35 modeli rozwijanych przez lokalne ośrodki badawcze, firmy i konsorcja.

Sama liczba projektów nie jest jednak dowodem siły. Wręcz przeciwnie, może oznaczać wielokrotne powtarzanie podobnej pracy. Każdy zespół osobno buduje pipeline danych, przygotowuje korpusy, dostosowuje modele do języka, kupuje dostęp do infrastruktury i szuka finansowania. To ma sens z punktu widzenia lokalnych potrzeb, ale znacznie gorzej wygląda, gdy celem ma być rywalizacja z modelami frontier.

Modele tej klasy wymagają ogromnych budżetów, tysięcy zaawansowanych układów GPU, bardzo dużych zespołów i wielomiesięcznych treningów. Do tego dochodzi infrastruktura do ewaluacji, bezpieczeństwa, fine-tuningu i obsługi użytkowników. Żaden pojedynczy kraj europejski poza największymi gospodarkami nie ma dziś łatwego dostępu do całej tej skali naraz.

Problemem są także dane. Rozwój naprawdę dużych modeli wymaga ogromnych zbiorów wysokiej jakości tekstu, kodu, obrazów i innych typów danych. Europa ma pod tym względem szczególny potencjał, bo dysponuje 24 językami urzędowymi, dużą bazą instytucjonalnych dokumentów, zasobami naukowymi i różnorodnością kulturową. To jednak potencjał bardzo rozproszony.

Zamiast jednego wspólnego repozytorium, które mogłoby objąć dane z całej Unii i zostać przygotowane zgodnie z RODO, duża część materiałów pozostaje zamknięta w krajowych zbiorach, uczelnianych bazach i prywatnych silosach firm. Każdy projekt osobno negocjuje dostęp i osobno rozwiązuje kwestie prawne.

W przypadku modeli narodowych ma to sens. Jeśli celem jest stworzenie systemu dobrze rozumiejącego polski, fiński czy włoski, wyspecjalizowany korpus lokalny jest wartością. Sankowski nie kwestionuje potrzeby takich modeli. Zwraca natomiast uwagę, że nie należy mylić ich z projektem, który ma rywalizować z najbardziej zaawansowanymi systemami na świecie.

To rozróżnienie jest dziś coraz ważniejsze. Model może być bardzo dobry w języku narodowym, administracji czy lokalnych zastosowaniach, a jednocześnie pozostawać daleko w tyle w kodowaniu, matematyce, multimodalności, agentach czy autonomicznym rozwiązywaniu problemów. Frontier AI wymaga szerokości kompetencji i skali, której lokalne projekty zwykle nie mają.

Właśnie dlatego Sankowski krytykuje politykę tworzenia kolejnych „narodowych czempionów”. Z punktu widzenia politycznego jest to atrakcyjne, bo każdy kraj może wskazać własny projekt i własną markę. Z punktu widzenia technologicznego prowadzi jednak do rozproszenia zasobów.

„Główną przeszkodą dla osiągnięcia europejskiej suwerenności technologicznej od dawna pozostaje głębokie rozdrobnienie zasobów” – pisze Sankowski.

Jego zdaniem Europa potrzebowałaby projektu, który nie byłby dodatkiem do strategii 27 państw, lecz przedsięwzięciem wspólnym, zdolnym skoncentrować finansowanie i infrastrukturę na jednym celu. W takim modelu lokalne zespoły mogłyby nadal rozwijać własne specjalizacje, ale najdroższy etap treningu i budowania bazowego modelu odbywałby się wspólnie.

To samo dotyczy mocy obliczeniowej. Europa inwestuje w superkomputery i nowe centra danych, ale infrastruktura jest rozdzielona pomiędzy wiele instytucji i programów. Sama suma dostępnych zasobów może wyglądać dobrze, ale nie znaczy to, że da się je łatwo połączyć i wykorzystać do jednego wielkiego treningu.

W AI skala ma znaczenie praktyczne. Dostęp do wielu tysięcy nowoczesnych procesorów przez kilka miesięcy jest czymś zupełnie innym niż możliwość korzystania z podobnej liczby układów rozrzuconych po różnych krajach, objętych różnymi zasadami finansowania i dostępnych w różnych terminach.

Każdy rząd chce pokazać, że rozwija „własną AI”

Europa ma też problem z kapitałem prywatnym. Największe amerykańskie laboratoria mogą łączyć finansowanie funduszy, gigantów chmurowych i firm technologicznych. W UE startupy częściej operują przy mniejszych rundach finansowania, a publiczne pieniądze dzielone są między wiele programów.

Efektem jest sytuacja, w której Europa ma dobre zespoły badawcze i obiecujące spółki, ale trudniej jej zbudować firmę o skali OpenAI, Anthropic czy Google DeepMind.

Piotr Sankowski uważa, że źródłem problemu jest także polityka. Państwa członkowskie niechętnie rezygnują z własnych projektów, bo modele narodowe mają znaczenie prestiżowe, gospodarcze i strategiczne. Każdy rząd chce pokazać, że rozwija „własną AI”. Z punktu widzenia całej Unii może to jednak oznaczać, że zasoby są dzielone na zbyt wiele przedsięwzięć.

Nie oznacza to, że lokalne modele są zbędne. Ich znaczenie pozostaje duże w administracji, edukacji, sektorze publicznym i ochronie języków o mniejszej liczbie danych treningowych. Mogą też zmniejszać zależność od amerykańskich dostawców w zastosowaniach, gdzie nie jest potrzebny model absolutnie największy.

Problem zaczyna się wtedy, gdy te projekty są przedstawiane jako odpowiedź na wyścig o frontier AI. Tu skala konkurencji jest inna.

Amerykańskie laboratoria wydają na pojedyncze generacje modeli miliardy dolarów, a koszt kolejnych treningów nadal rośnie. Do tego trzeba doliczyć własne centra danych, dostęp do energii, chipów, zespołów badawczych i ogromnych zbiorów danych. Europa nie ma dziś jednego odpowiednika takiego ekosystemu.

Dlatego Piotr Sankowski sprowadza dyskusję do prostego pytania: czy Unia chce mieć wiele przyzwoitych modeli lokalnych, czy także przynajmniej jeden model należący do światowej czołówki.

Na razie realizuje głównie pierwszy wariant. Jeżeli chce wejść do drugiego, będzie musiała połączyć pieniądze, dane i compute na znacznie większą skalę niż dotychczas. W przeciwnym razie europejska suwerenność AI pozostanie przede wszystkim zbiorem narodowych inicjatyw, a nie realną alternatywą dla systemów rozwijanych w USA i Chinach.

MB