Gemini Omni od Google: wideo z tekstu, obrazu, dźwięku i filmu, rozwiązana zagadka sprzed 80 lat i polski Bielik.

Czy zastanawialiście się kiedyś, co by było, gdyby sztuczna inteligencja mogła nie tylko generować ładne obrazki, ale też bezbłędnie rozumieć fizykę otaczającego nas świata? Albo gdyby potrafiła autonomicznie rozwiązać skomplikowany problem matematyczny, nad którym najtęższe ludzkie umysły głowiły się przez osiem dekad? Ostatnie 24 godziny w świecie technologii udowodniły, że tempo rozwoju sztucznej inteligencji nie zamierza zwalniać ani na chwilę. Od przełomowych zapowiedzi na Google I/O 2026, przez potężne, otwarte modele od Cohere, aż po niesamowite doniesienia naukowe – zapraszamy na podsumowanie najgorętszych wydarzeń z weekendu 23-24 maja 2026 roku.

Gemini Omni, czyli model Google do tworzenia i edycji wideo z wielu źródeł

Jedną z najciekawszych zapowiedzi Google I/O 2026 jest Gemini Omni Flash — model zaprojektowany do tworzenia i edytowania wideo na podstawie różnych typów danych wejściowych. Google opisuje go jako narzędzie, które łączy rozumowanie Gemini z generowaniem mediów. W praktyce oznacza to, że użytkownik może połączyć tekst, obraz, materiał wideo i polecenia głosowe, a następnie poprosić model o stworzenie lub przekształcenie sceny.

Najważniejsza różnica względem prostych generatorów wideo polega na sposobie pracy z kontekstem sceny. Omni ma lepiej utrzymywać spójność postaci, układu kadru i zależności fizycznych między obiektami. Google wskazuje tu między innymi grawitację, energię kinetyczną i dynamikę płynów. To ważne, bo dotychczas wiele narzędzi do generowania wideo dobrze radziło sobie z pojedynczym efektownym ujęciem, ale gorzej z ruchem, ciągłością sceny i konsekwencją kolejnych zmian.

Gemini Omni pozwala też edytować film przez rozmowę. Zamiast ręcznie pracować na osi czasu, można wydać instrukcję w języku naturalnym: zmienić tło, dodać ruch kamery, przerobić styl wizualny albo zachować postać, ale umieścić ją w innym otoczeniu. Google podaje, że kolejne polecenia mogą rozwijać wcześniejsze zmiany, a scena ma pamiętać poprzedni układ elementów. To przesuwa generowanie wideo bliżej pracy reżyserskiej: użytkownik opisuje intencję, a model próbuje przełożyć ją na obraz, ruch i dźwięk.

Na starcie Gemini Omni Flash trafia do aplikacji Gemini, Google Flow oraz YouTube Shorts i YouTube Create. Dla subskrybentów Google AI Plus, Pro i Ultra model jest udostępniany globalnie, a w YouTube Shorts Remix oraz YouTube Create ma być dostępny bezpłatnie dla użytkowników 18+. Google zapowiada też późniejszy dostęp przez API dla deweloperów i klientów firmowych.

Warto jednak nie przedstawiać Omni jako narzędzia bez ograniczeń. Karta modelu Google DeepMind jasno wskazuje, że mimo postępu nadal trudne pozostają pełna spójność przez cały proces edycji, sceny ze złożonym ruchem oraz idealnie poprawne renderowanie tekstu. To ważne z punktu widzenia praktycznego użycia: Omni może skrócić drogę od pomysłu do pierwszej wersji filmu, ale przy materiałach profesjonalnych nadal potrzebna będzie selekcja, korekta i kontrola jakości.

Dla twórców internetowych, edukatorów i małych zespołów marketingowych największe znaczenie może mieć nie sama jakość pojedynczego klipu, lecz sposób pracy. Jeśli model faktycznie dobrze połączy tekst, zdjęcia, nagrania, głos i referencje wizualne, stanie się narzędziem do szybkiego prototypowania scen: od krótkiego filmu do social mediów, przez animowaną ilustrację trudnego pojęcia, po warianty koncepcji reklamowej. To nadal nie zastępuje świadomego montażu i decyzji twórczych, ale może wyraźnie obniżyć koszt testowania pomysłów.

Dodatkowo Google zaprezentowało Gemini Spark – autonomicznego agenta działającego w trybie 24/7, oraz platformę Antigravity 2.0, która ma zrewolucjonizować proces budowania aplikacji opartych na AI. Wszystko to jest już dostępne dla subskrybentów Google AI, co stawia giganta z Mountain View na pozycji lidera w dziedzinie multimodalności i szybkości działania.

Źródło: Google Cloud Blog, dyskusje na platformie X i YouTube.

Cohere Command A+ i siła modeli otwartoźródłowych

Zaledwie kilka dni temu zadebiutował model Cohere Command A+, a społeczność deweloperów wciąż nie kryje zachwytu. To otwartoźródłowy model typu Mixture of Experts (MoE) posiadający aż 218 miliardów parametrów, z czego przy każdym generowanym tokenie aktywowane jest jedynie około 25 miliardów. Co to oznacza w praktyce? Niezwykłą wydajność i szybkość. Model, udostępniony pod przyjazną licencją Apache 2.0, został zoptymalizowany pod kątem zadań agentycznych oraz natywnej obsługi aż 48 języków. Najlepsze jest to, że potrafi działać efektywnie na zaledwie jednej lub dwóch kartach GPU.

To potężny krok w stronę suwerenności danych. Rosnąca popularność modeli takich jak Command A+ (dostępnego na platformach Hugging Face i Microsoft Foundry) pokazuje, że firmy wolą wdrażać rozwiązania lokalnie i bezpiecznie, zamiast polegać wyłącznie na zamkniętych zewnętrznych API.

Źródło: Cohere Blog, Zapier

Matematyczne triumfy OpenAI i tarcze obronne Anthropic

Podczas gdy Google dominuje w wideo, OpenAI po cichu pochwaliło się ogromnym sukcesem naukowym. Ich model autonomicznie rozwiązał 80-letni problem matematyczny znany jako hipoteza Erdősa o odległościach jednostkowych (Erdős Unit Distance Conjecture). To kamień milowy pokazujący, że systemy LLM potrafią wykraczać poza zwykłe powielanie wiedzy i rzeczywiście „myśleć” abstrakcyjnie. Przy okazji OpenAI wypuściło aktualizacje dla systemu Codex, wprowadzając lepsze zarządzanie kontekstem oraz specjalny tryb „Goal Mode” ułatwiający pracę programistom.

Z kolei Anthropic błyszczy w obszarze cyberbezpieczeństwa. W ramach projektu Glasswing, model Claude wykrył tysiące krytycznych podatności w kluczowym oprogramowaniu, co po raz kolejny udowodniło jego niesamowite zdolności analityczne. Z innych ciekawostek ze świata polityki i biznesu: Donald Trump odroczył podpisanie dekretu wykonawczego (Executive Order) dotyczącego AI po bezpośrednich naciskach ze strony Elona Muska i Marka Zuckerberga.

Źródło: Buildfastwithai, Artificial Intelligence News

Polski akcent: Bielik i PLLuM w walce o suwerenność językową

Na naszym rodzimym podwórku również sporo się dzieje. Trwają intensywne dyskusje i testy wokół polskich modeli LLM. Bielik (stworzony przez SpeakLeash) oraz rządowo-naukowy projekt PLLuM (tworzony przez konsorcjum OPI/CYFRA) regularnie lądują na lokalnych leaderboardach, takich jak Polish LLM Leaderboard czy PLCC (Polish Linguistic and Cultural Competency Benchmark).

Bielik zbiera świetne opinie w kategorii mniejszych modeli optymalizowanych pod kątem języka polskiego, natomiast PLLuM rozwija się z myślą o polskiej administracji publicznej i specyfice kulturowej. Twórcy obu projektów mocno podkreślają potrzebę korzystania z organicznych, polskich danych treningowych (nie generowanych sztucznie przez inne AI), co ma kluczowe znaczenie dla zachowania tożsamości językowej i unikania kalk językowych.

Źródło: codesota.com/polish-llm

Szybki przegląd nowinek: Od banów na arXiv po cięcia w Meta

Na koniec kilka mniejszych, ale niezwykle ciekawych doniesień ze świata technologii:

• ArXiv walczy z halucynacjami: Popularne naukowe repozytorium zaostrza politykę wobec publikacji generowanych przez AI. Jeśli w pracy naukowej zostaną wykryte rażące błędy wynikające z bezmyślnego użycia LLM, autorom grozi ban na przesyłanie prac nawet do roku czasu.
• Rekordy Lenovo: Boom na komputery klasy „AI PC” oraz serwery dedykowane sztucznej inteligencji sprawił, że Lenovo bije finansowe rekordy popularności.
• Reorganizacja w Meta: Mark Zuckerberg kontynuuje restrukturyzację firmy, przesuwając budżety i etaty bezpośrednio w stronę rozwoju AI kosztem innych działów.
• AI w bankowości: Choć pracownicy sektora bankowego obawiają się o swoje miejsca pracy, instytucje takie jak Standard Chartered pompują gigantyczne środki w integrację nowoczesnych systemów automatyzacji i doradztwa opartego na sztucznej inteligencji.

Źródło: YouTube, PCMag, arXiv cs.AI

Podsumowanie i wnioski na przyszłość

Krajobraz sztucznej inteligencji wyraźnie ewoluuje. Przestajemy ekscytować się samą liczbą parametrów modeli, a zaczynamy zwracać uwagę na ich efektywność, specjalizację oraz koszty wdrożenia. Pojawienie się modeli typu „world models„, takich jak Gemini Omni, otwiera drzwi do zupełnie nowej ery interakcji z mediami cyfrowymi, podczas gdy sukcesy open-source (Cohere Command A+) dają firmom szansę na zachowanie pełnej kontroli nad swoimi wrażliwymi danymi. Przyszłość bez wątpienia należy do mniejszych, zoptymalizowanych modeli agentycznych działających lokalnie oraz systemów potrafiących realnie współdziałać z fizycznym otoczeniem.

Źródło ogólne: Reuters, WSJ, TechStartups, Hugging Face, FutureTools