Mówimy: ChatGPT. Mówimy: Gemini. Mówimy: Claude. I mamy poczucie, że mniej więcej wiemy, gdzie w tym świecie jesteśmy. Trójka gigantów, może piątka. Wielkie firmy, wielkie serwery, wielkie pieniądze.
Tymczasem w tle – cicho, bez reklam, bez konferencji prasowych – rośnie coś, o czym większość użytkowników AI nie ma pojęcia. Coś, co sprawia, że wymieniane przez nas nazwy to zaledwie czubek góry lodowej tak wielkiej, że trudno ją objąć wyobraźnią.
Dwa miliony. Tak, dobrze czytacie.
Na platformie Hugging Face – największym publicznym repozytorium modeli AI na świecie, czymś w rodzaju GitHuba dla sztucznej inteligencji – zarejestrowanych jest dziś ponad dwa miliony modeli. Dwa miliony. I to tylko te publiczne, dostępne dla każdego.
Żeby to lepiej poczuć: pierwszy milion modeli zbierał się przez ponad tysiąc dni. Drugi milion przyszedł w 335 dni. Tempo przyspieszenia jest tak gwałtowne, że analitycy szacują przekroczenie granicy trzech milionów jeszcze w 2026 roku. Co godzinę na platformie pojawia się około stu czterdziestu nowych modeli.
Sto czterdzieści. Na godzinę. Przez całą dobę, siedem dni w tygodniu.
Ale zanim ogłosimy demokratyczną rewolucję AI, jedno ważne zastrzeżenie: połowa z tych dwóch milionów modeli ma mniej niż dwieście łącznych pobrań. Są wśród nich eksperymenty studenckie, akademickie próby, wąskospecjalistyczne narzędzia dla pięciu badaczy na świecie i kilkanaście tysięcy wariacji na temat tego samego bazowego modelu. Rynek jest ogromny, ale mocno nierówny: zaledwie 0,01 procent modeli – te dwieście najbardziej popularnych – odpowiada za niemal połowę wszystkich pobrań.
To trochę jak rynek muzyczny: milion zespołów garażowych i pięciu artystów, którzy zarabiają na wszystkich.
Czym właściwie jest „model”? Nie tylko chatbot.
Zanim pójdziemy dalej, warto rozbić jeden mit. Kiedy mówimy „model AI”, większość z nas wyobraża sobie chatbota. Okienko do wpisywania pytań, które coś odpowiada.
Tymczasem modele AI to znacznie szerszy świat. Wśród tych dwóch milionów na Hugging Face są modele do rozpoznawania chorób na zdjęciach rentgenowskich. Modele do wykrywania mowy i transkrypcji rozmów telefonicznych. Modele do klasyfikowania sentymentu recenzji klientów. Modele do generowania muzyki, do detekcji fraudów finansowych, do tłumaczenia między stu dwudziestoma językami, do analizy kodu genetycznego, do segmentacji obrazów satelitarnych.
Modele językowe – te, z którymi rozmawiamy – to tylko jedna rodzina w tym ogromnym ekosystemie. Rodzina najbardziej widoczna, bo weszła bezpośrednio do codziennego życia milionów ludzi. Ale nie jedyna i niekoniecznie najliczniejsza.
Ile kosztuje zbudowanie modelu? Od garażu do miliardów
Tu dochodzimy do pytania, które zmienia sposób myślenia o całym tym ekosystemie.
Zbudowanie modelu na poziomie GPT-5 czy Claude Opus to przedsięwzięcie porównywalne z budową elektrowni. Potrzeba setek milionów, a często miliardów dolarów na sprzęt obliczeniowy, energię elektryczną, zespoły badaczy i infrastrukturę. Potrzeba miesięcy lub lat intensywnego treningu na dziesiątkach tysięcy procesorów graficznych pracujących równolegle. Potrzeba petabajtów starannie wyselekcjonowanych i oczyszczonych danych.
To jest skala, która wyklucza garaż.
Ale to tylko jeden koniec spektrum. I zdecydowanie nie ten, gdzie toczy się większość akcji.
Przełom nastąpił kilka lat temu, gdy duże firmy i instytucje badawcze zaczęły publikować tak zwane modele open-weight – modele z udostępnionymi „wagami”, czyli gotowymi wynikami treningu. Meta opublikowała rodzinę Llama. Mistral AI – swoje kompaktowe i sprawne modele. Google udostępniło Gemma. Microsoft – Phi. Alibaba – Qwen.
To tak, jakby ktoś oddał wam gotową karoserię samochodu z silnikiem, skrzynią biegów i wszystkimi podzespołami – i powiedział: „Zróbcie z tym, co chcecie.”
I właśnie tu garaż wchodzi do gry.
Fine-tuning: sztuka dostosowywania cudzego dzieła
Zdecydowana większość tych dwóch milionów modeli na Hugging Face to nie modele zbudowane od zera. To modele bazowe – te wielkie, kosztowne – poddane procesowi zwanego fine-tuningiem, czyli dostrajaniem.
Fine-tuning to jak szkolenie zawodowego kucharza do pracy w konkretnej restauracji. Kucharz już umie gotować – ukończył szkołę, zna techniki, rozumie smaki. Ale teraz przez kilka tygodni uczy się specyfiki tego jednego miejsca: menu, stylu, preferencji gości, sposobu prezentacji dań.
W świecie AI: bierzecie model, który już rozumie język i potrafi generować tekst, i „dokształcacie” go na zbiorze specjalistycznych danych. Chcecie model do obsługi klienta w branży ubezpieczeniowej? Karmicie go tysiącami przykładów pytań i odpowiedzi z tej branży. Chcecie model do analizy dokumentów prawnych po polsku? Dacie mu polskie kodeksy, orzeczenia, umowy.
Fine-tuning wymaga znacznie mniej mocy obliczeniowej niż trening od zera. Na dobrym laptopie z kartą graficzną możecie dostroić mały model w ciągu godzin. Na kilku używanych serwerach kupowanych na rynku wtórnym – w ciągu dni lub tygodni. To nadal wymaga wiedzy technicznej, ale nie milionów dolarów.
Właśnie dlatego na Hugging Face są modele tworzone przez pojedyncze osoby. Przez małe startupy. Przez laboratoria badawcze na uniwersytetach w krajach, które nigdy nie będą miały własnego OpenAI.
Czy możesz mieć własny prywatny model?
Odpowiedź brzmi: tak. Ale z ważnym pytaniem uzupełniającym: po co i jaki?
Scenariusz pierwszy: Uruchamiasz gotowy model lokalnie.
To najprostsza opcja dla technicznie zainteresowanego laika. Narzędzia takie jak Ollama czy LM Studio pozwalają pobrać gotowy model językowy i uruchomić go na własnym komputerze – bez wysyłania danych do chmury, bez abonamentów, bez limitów tokenów. Model działa na waszym sprzęcie, wasze rozmowy nigdzie nie wędrują.
Ograniczenie? Jakość. Modele, które sensownie działają na przeciętnym laptopie, są znacznie słabsze od tych, z którymi rozmawiacie przez przeglądarkę. Dobry laptop z kartą graficzną da radę z modelem rzędu siedmiu do trzynastu miliardów parametrów. GPT-5 ma ich prawdopodobnie kilkaset miliardów. Różnica w jakości jest odczuwalna.
Scenariusz drugi: Dostrajasz gotowy model do własnych potrzeb.
To poziom dla kogoś z wiedzą programistyczną i konkretnym problemem do rozwiązania. Bierzecie model bazowy – powiedzmy Llama lub Mistral – i trenujecie go na własnych danych przez kilka godzin na wynajętych serwerach w chmurze. Koszt takiego eksperymentu to dziś często kilkadziesiąt, najwyżej kilkaset dolarów za konkretne zadanie.
Firmy robią to regularnie: model obsługi klienta dostrojony na własnych danych, asystent prawny znający regulaminy firmy, narzędzie do analizy specyficznej dla branży dokumentacji.
Scenariusz trzeci: Budujesz model od zera.
Jeśli chcecie mieć własny fundament, własne dane treningowe, własną architekturę – to nie jest garaż. To jest poważne przedsięwzięcie inżynieryjne i finansowe. Nawet mniejsze firmy, które tworzą modele klasy „regionalnej” lub branżowej, wydają miliony. Rządy krajów takich jak Korea Południowa, Francja czy Niemcy finansują własne narodowe inicjatywy AI właśnie dlatego, że rozumieją, jak dużo to kosztuje – i dlaczego warto.
Demokratyzacja AI: mit czy rzeczywistość?
Obie odpowiedzi są prawdziwe jednocześnie.
Z jednej strony: nigdy w historii dostęp do zaawansowanych narzędzi AI nie był tak szeroki. Student w Polsce może dziś pobrać model, który trzy lata temu byłby tajemnicą laboratorium badawczego wartego miliardy. Mała firma może zbudować wyspecjalizowane narzędzie za kilkaset dolarów, które pięć lat temu wymagałoby wielomilionowego budżetu.
Z drugiej strony: szczyty pozostają niedostępne. Najlepsze modele świata wciąż wymagają infrastruktury, na którą stać tylko największych graczy. Przewaga OpenAI, Google czy Anthropic nie bierze się tylko z pieniędzy – bierze się z danych, talentów i doświadczenia, których nie da się skrócić żadną otwartą licencją.
Ekosystem AI w 2026 roku przypomina przemysł muzyczny po wynalezieniu taniego studia nagrań. Każdy może nagrać piosenkę. Niewielu nagrywa hity. Ale to „każdy może” zmieniło absolutnie wszystko.
Następnym razem gdy piszesz do ChatGPT lub Gemini – pamiętaj, że gdzieś w tym samym czasie sto czterdzieści nowych modeli AI właśnie pojawiło się w internecie. Żaden z nich nie ma własnej konferencji prasowej. Ale kilka z nich zmieni coś ważnego – tylko jeszcze nie wiemy, które.
