AI Daily: LLM Wiki Karpathy’ego, PersonaPlex i OpenClaw

Dzisiejsze zestawienie nowości ze świata sztucznej inteligencji.

1. LLM Wiki Karpathy’ego kontra RAG

Architektura odchodząca od surowych wektorów na rzecz uporządkowanej bazy wiedzy. Andrej Karpathy nie zawodzi. Opublikował na GitHubie niepozornego Gista zatytułowanego „LLM Wiki”, a wciągu zaledwie dwóch dób projekt zdobył blisko 5000 gwiazdek. Zamiast męczyć się z Retrieval-Augmented Generation (RAG) i losowo wyciętymi kawałkami tekstu, Karpathy proponuje zbudowanie bazy wiedzy na nowo. Model nieustannie opiekuje się zbiorem plików Markdown, które na bieżąco organizuje i linkuje między sobą. Architektura opiera się na trzech filarach. Najpierw mamy niemutowalne źródła surowe — PDF-y, dokumentacje, zrzuty baz. Z nich model sam buduje dynamiczne wiki z podsumowaniami i powiązaniami. Ostatnia warstwa to nowy interfejs. Zamiast chrupać całe dokumenty w locie, LLM przeszukuje własną wygenerowaną wcześniej wiki.

Koniec walki z kontekstem?

Kto próbował budować duże systemy RAG, ten dobrze wie, ile nerwów kosztuje gubienie wątków przy nieidealnym chunkowaniu tekstu. LLM Wiki brzmi jak podejście z ogromnym sensem — uczy model dbania o pliki w taki sposób, jakby tworzył Wikipedię sam dla siebie. Skondensowana treść na wejściu oznacza mniej złudzeń i tańsze odpytywanie.

2. NVIDIA PersonaPlex wchodzi na salony

Pierwsze testy nowego modelu głosowego wskazują na niesamowitą naturalność. NVIDIA zdecydowała się zagrać va banque w segmencie audio AI. Na Hugging Face wylądował nowy, całkowicie otwarty model — PersonaPlex 7B. To system konwersacyjny oparty na mowie działającej w relacji „speech-to-speech”. Robi coś bardzo ludzkiego: przetwarza i generuje dźwięk w pełnym dupleksie. Oczywiście oznacza to, że model potrafi mówić, jednocześnie uważnie cię słuchając. Jeśli zaczniesz coś wtrącać, PersonaPlex zareaguje potaknięciem, albo urwie w pół słowa, ustępując ci miejsca. Model zbudowano używając rozwiązań Kyutai Moshi podrasowanych ogromną optymalizacją od zielonych. Sercem jest koder i dekoder Mimi przetwarzający dźwięk w częstotliwości 24kHz. Architektura przyjmuje „podwójny strumień” — w tym samym czasie kompresuje ludzki głos w tokeny audio i autoregresywnie pluje tekstem oraz brzmieniem ze swojej strony.

Charakter, który da się zaprogramować

To, co świetnie sprawdzało się do tej pory w testach, to hybrydowe promptowanie. Wystarczy krótka próbka dźwięku i tekstowy opis zachowania, a model wcieli się w zaplanowaną rolę z zachowaniem cech głosu. Z biznesowego punktu widzenia to idealne narzędzie do projektowania zaawansowanej obsługi, a jeśli interesuje was jak zarabiać z AI z wykorzystaniem takich technologii, ten rok otwiera ogromne drzwi przed agencjami głosowymi.

3. Wyścig szczurów w AI na celowniku

Satyra od użytkownika @r0ktech wbiła się na szczyty trendingowych tematów. Pośród poważnych publikacji naukowych uciekła nam do mainstreamu perełka satyryczna. Krótkie wideo nagrane z perspektywy pierwszej osoby (POV), zatytułowane po prostu „Wyścig szczurów w AI”, eksplodowało wczoraj na X. Konto @r0ktech opublikowało klip, który w parę godzin wygenerował 2,1 miliona wyświetleń i sprowokował do dyskusji całą branżową bańkę. Klip kapitalnie pokazuje absurd bitew staczanych od 2024 roku między Google DeepMind, OpenAI, Anthropic czy xAI. Widzimy zdezorientowanego „badacza”, biegającego po labiryncie ze stosami układów graficznych, o które dosłownie biją się szefowie wielkich korporacji, desperacko rzucając ofertami pracy z siedmiocyfrową podstawą.

Chwila śmiechu przez łzy

To bardzo ostry i trafny komentarz względem szalonego pośpiechu przy komercjalizacji usług za wszelką cenę. Śmiałam się, widząc nawiązania do pamiętnej burzy z wynikami Claude 3.5 zeszłego roku i pościgu za najlepszymi modelami rezonowania. Sam film pokazuje też, w jak dziwnym otoczeniu żyjemy, gdzie oddech szukającego atencji inwestora ciągle mamy na plecach.

4. Anthropic zabezpiecza gigawaty pod TPU

Infrastruktura potrzebna do treningu nowych modeli zaczyna pochłaniać astronomiczne ilości energii. Jeśli myśleliście, że wojny na układy graficzne dobiegają końca, spójrzcie na nowy kontrakt Anthropic. Firma właśnie sfinalizowała mega porozumienie z Google Cloud, otwierając sobie furtkę do biliona Tensor Processing Units (TPU). Liczby przyprawiają o zawrót głowy — mówimy o zabezpieczeniu infrastruktury treningowej do poziomu około 1 gigawata po stronie zasilania jeszcze w 2026 roku. A za sterami czekają już inżynierowie z Broadcom, gotowi rzucić kolejne 3,5 gigawata z układami kolejnej generacji w roku 2027. W projekt zostały zaangażowane kwoty liczone w dziesiątkach miliardów dolarów. CFO Anthropic, Krishna Rao, podkreślił podczas konferencji, że taki budżet to bezpośredni wynik ogromnego obciążenia i popytu ze strony klientów firmowych na modele Claude.

Zmiana wektora z NVIDIA na TPU?

Wydajność energetyczna to nowe złoto. Decyzja Anthropic, aby w dużej mierze zbalansować zapotrzebowanie jednostkami od Google’a, pokazuje wyraźnie, gdzie firmy widzą optymalizacje kosztów na gigantycznej skali. Thomas Kurian z Google Cloud zaciera ręce — udostępnił moc obliczeniową, za którą wszyscy w Krzemowej Dolinie daliby się zabić.

5. OpenClaw odpala generację wideo

Jedna aktualizacja, wsparcie od wielkich graczy i nowe asynchroniczne trackowanie w zintegrowanym środowisku pracy. Nie pamiętam, by jakiekolwiek narzędzie tak stabilnie dostarczało grube aktualizacje. Wypuszczona z początkiem kwietnia paczka OpenClaw w wersji 2026.4.5 wprowadza genialne rzeczy, zwłaszcza dla branży kreatywnej. Najmocniejszym punktem jest natywne uderzenie w media — doszły dedykowane narzędzia video_generate oraz music_generate. Narzędzie wspina się na wyżyny integracji z wiodącymi technologiami. Zapięto pod to API, m.in. Grok Imagine Video z xAI, Model Studio Wan od Alibaby, czy klasyczne już modele od Runway. Poprawiono asynchroniczne przeliczanie zadań z mediami, dlatego praca w konsoli nad skomplikowanymi wyliczeniami wideo jest niesamowicie gładka. Jeśli interesuje cię, o co tyle krzyku wokół tego softu, zobacz czym jest OpenClaw na co dzień.

Koncepcja „Śnienia” jako baza dla agentów

Twórcy oddali w nasze ręce testowy tryb pamięci uruchamiany komendą /dreaming. Pozwala to modelom na ugaszenie „gorączki promptu” i syntetyczną, tła konsolidację starych wiadomości po godzinach.

Podsumowanie dnia

1. Koniec ery klasycznego RAG: Projekt LLM Wiki Karpathy’ego promuje wysoce uporządkowane kolekcje plików odświeżanych na bieżąco, ułatwiając pozyskiwanie z nich wiedzy.
2. Konwersacje na ludzkim poziomie: Praca w pełnym dupleksie w modelu NVIDIA PersonaPlex oznacza, że możesz się kłócić z AI, celowo przerywając w środku generowania fraz werbalnych.
3. Satyra demaskuje realia: Sukces wideo od @r0ktech ukazuje zjawisko frustracji, jaka powoli budzi się wokół walki wielkich firm AI i rzucających wyzwanie badaczom deadline’ów.
4. Apetyt na twardy sprzęt trwa: Miliardy, gigawaty, miliony chipów. Umowa Anthropic, Broadcomu i Google udowadnia, że era ogromnych superkomputerów nie osiągnęła jeszcze szczytu.
5. Wideo z poziomu twojego narzędzia: OpenClaw skutecznie wyciąga wnioski i pozwala na natywną rzeźbę w formatach audiowizualnych we własnej platformie deweloperskiej.

Ten kwiecień potrafi dać popalić, ale właśnie dla tych dni jesteśmy w tej branży. Zarówno strukturyzowanie danych, jak i nowa interakcja z głosem czy obrazem to kierunek, który upraszcza nam budowanie wielkich produktów.