OpenAI bierze Driscolla, spór o otwarte wagi zaostrza się w Wuzhen

OpenAI potwierdziło zatrudnienie w poniedziałek 2 listopada, a materiały prasowe ukazały się 3 listopada. Dan Driscoll, 26. sekretarz armii USA, obejmuje nowo utworzone stanowisko: starszy doradca ds. modernizacji bezpieczeństwa narodowego. Ma doradzać, jak zaawansowane AI może wzmocnić bezpieczeństwo państwa i cyberbezpieczeństwo. Będzie też pracował z kierownictwem OpenAI i zewnętrznymi partnerami, podał The Next Web.

Termin nie jest przypadkowy. OpenAI przez cały rok ustawiało się jako domyślny dostawca AI dla rządu USA. Ta nominacja daje firmie człowieka, nie produkt.

Driscoll odszedł z Pentagonu we wrześniu po miesiącach napięć z sekretarzem obrony Pete'em Hegsethem, pisał The Wall Street Journal, w streszczeniu The Next Web. Jest byłym oficerem armii i kolegą z roku na studiach prawniczych wiceprezydenta JD Vance'a. Jako sekretarz armii nadzorował blisko milion żołnierzy i ponad 265 000 cywilnych pracowników armii, podało OpenAI. Był też p.o. dyrektora ATF, jak sam podaje.

The Decoder dodaje szczegół, który warto zapamiętać. W czasie kadencji Driscoll forsował modernizację AI w całej armii, w tym Project ARIA. Ten projekt wprowadził narzędzia AI do budżetowania, logistyki i wdrażania modeli taktycznych. To doświadczenie z zamówień publicznych, nie tylko z polityki. The Decoder zauważa też, że Driscoll złożył rezygnację w końcu sierpnia 2026 r. w atmosferze tarcia z Hegsethem. Hegseth wielokrotnie usuwał starszych oficerów albo blokował awanse wbrew zastrzeżeniom Driscolla, podaje raport. Driscoll utrzymuje mocne relacje z obiema partiami w Kongresie, według AP.

„Wymagania bezpieczeństwa narodowego zmieniają się szybciej niż kiedykolwiek w ciągu ostatnich pięćdziesięciu lat”, powiedział Driscoll w oświadczeniu.

Sam Altman ujął to w kategoriach eksportu. „USA mają niezwykłą szansę, by współpracować z innymi krajami i rozszerzać adopcję demokratycznego AI”, powiedział prezes. OpenAI podało, że nominacja opiera się na Daybreak, programie odporności cybernetycznej z sojusznikami. Firma otworzyła Daybreak dla Ukrainy i proponowała go amerykańskim spółkom energetycznym.

Historia kontraktów pod tym ogłoszeniem

Tło jest ważniejsze niż nazwa stanowiska. W lutym 2026 r. OpenAI zgodziło się wdrożyć swoje modele w klasyfikowanej sieci Departamentu Obrony. Umowa powstała po tym, jak relacje konkurencyjnego Anthropicu z Pentagonem się rozpadły, relacjonowała Rachel Metz dla Bloomberga. Wersja The Decodera jest ostrzejsza. Pentagon uznał Anthropic za „ryzyko w łańcuchu dostaw”, gdy prezes Dario Amodei odmówił wykreślenia z kontraktów ograniczeń dotyczących masowej inwigilacji i broni autonomicznej. Altman ogłosił własną umowę tego samego dnia. Anthropic nadal walczy ze sprawą Pentagonu w sądzie, podał The Next Web.

Spór o bezpieczeństwo narodowe między oboma laboratoriami nie dotyczy więc tylko możliwości. Dotyczy warunków umów i tego, kto napisze reguły wojskowego użycia AI. Sieć kontaktów Driscolla w Kongresie to aktyw, który kupuje OpenAI.

Nic z tego nie dotyka otwartych wag bezpośrednio. Ustawia pogodę dla całej reszty. Ten sam rząd, który wybiera dostawcę sieci klasyfikowanej, kształtuje też spór o to, czy wagi modeli w ogóle powinny być publikowane.

Tsai przekonuje do otwartości w Wuzhen

3 listopada prezes Alibaby Joe Tsai bronił otwartego AI na szczycie w Wuzhen, podał South China Morning Post. Przedstawił to na tle nacisków ze strony USA. To ten sam dzień co wieść o Driscollu i ten sam tydzień co seria wydań modeli z otwartymi wagami z laboratoriów europejskich i chińskich.

Publiczne relacje nie podają konkretnych argumentów Tsaia poza tą ramą. Tekst SCMP traktuj jako sygnał pozycjonowania, nie jako szczegółową propozycję polityki. Własny dorobek Alibaby w otwartych wagach to pytanie bardziej konkretne, a publiczne relacje go nie rozstrzygają.

To, co publiczne, pokazuje ekosystem, który rusza bez czekania na pozwolenie. Notatki wydania PSSA v0.5.0, projektu nietransformatorowego modelu językowego opublikowanego 31 października, opisują dopasowany parametrowo model transformatorowy jako punkt odniesienia. Opisują też konwerter z Qwen3 do PSSA z przepływem w przód nauczyciela w czystym Rustcie. Notatki wymieniają stratę entropii krzyżowej plus temperaturę KL, zweryfikowaną testami różnic skończonych, oraz natywne CUDA obok backendów WebGPU. To projekt w skali hobbystycznej, ale lista kontrolna inżynierii jest taka, jakiej kiedyś potrzebowało laboratorium.

System dowodowy Anthropicu i jego związek z otwartymi wagami

Anthropic opublikował 3 listopada badanie opisujące FlashProve, system oparty na zkSNARK do dowodzenia, że odpowiedź pochodzi z konkretnego modelu. Liczby samej firmy: dla Llama 4 Maverick, modelu mieszanki ekspertów o 400 000 000 000 parametrów, jeden H100 generuje dowody z szybkością około 110 tokenów na sekundę. Rozmiar dowodu to około 19 MB na żądanie o długości 1 024 tokenów, przy wagach skwantyzowanych do 4 bitów i arytmetyce całkowitej w prefillu. To około 70 do 95 razy więcej czasu GPU niż przy samym uruchomieniu modelu na vLLM, podaje Anthropic.

Anthropic mówi wprost o motywacji. Użytkownik pytający model nie może dziś sprawdzić, czy odpowiedzi pochodzą z tego modelu, który deweloper wskazuje. Usługa routingu może w tajemnicy podstawić inny model, żeby obniżyć koszty. Atakujący może zmienić strumień tokenów. System wiąże się z modelem i ukrywa jego wagi; ukrycie architektury nie jest celem. Kod, dowody w Lean i dokumentacja są wydane na licencji Apache 2.0.

Związek z otwartymi wagami jest pośredni, ale realny. Jeśli wnioskowanie da się zweryfikować kryptograficznie, argument, że do zaufania potrzebne są zamknięte wagi, słabnie. Jeśli nie, każdy otwarty checkpoint trudniej poświadczyć. Anthropic nazywa to postępem pośrednim, nie zamkniętym programem.

Co testy mówią o luce

Po stronie modelowania najnowszym preprintem jest GSLM2, zgłoszony do arXiv 31 października przez Yosuke Higuchiego, Toma Fizyckiego i 15 współautorów. Praca dotyczy modeli języka mówionego. Autorzy twierdzą, że odstają one od modeli tekstowych pod względem możliwości i efektywności skalowania danych. Ich koder, SpidR 2.0, wyznacza dyskretne jednostki na wielu poziomach abstrakcji. Model wielostrumieniowy przewiduje je łącznie.

Liczby z nagłówka: dane treningowe do 6 000 000 godzin i skale modeli do 6 500 000 000 parametrów. Luka do modeli tekstowych w sWuggy, sBLIMP i tSC zmniejszyła się o około dwa rzędy wielkości, zarówno dla mowy czytanej, jak i konwersacyjnej. Kod treningowy i checkpointy są otwarte.

Gdzie indziej obraz jest mniej pochlebny dla samej skali. FrontierMat, zgłoszony 30 października, to test porównawczy z 330 zadaniami z frontierowych badań akademickich i przemysłowych. Dziedziny to astronautyka i lotnictwo, półprzewodniki, inteligencja ucieleśniona i fuzja jądrowa, każda zweryfikowana przez eksperymentatorów i ekspertów branżowych. Najsilniejszy model ogólnego przeznaczenia zdobywa tylko 53,7%. Na dopasowanych zadaniach pytania obejmujące wiele skal wypadają o 8,7 punktu gorzej niż jednostkowe. Połowę zadań rozwiązuje co najwyżej jeden model. Modele mylą się głównie dlatego, że popierają to, co prawdopodobne, a nie to, co zaobserwowano, piszą autorzy.

Badanie adaptacji dziedzinowej z tej samej pracy podnosi model z otwartymi wagami z 36,7% do 55,4%. Wykorzystuje metaważone dalsze pretrenowanie i samodystylację modułową względem skali, dorównując najsilniejszemu modelowi własnościowemu, bez spadku na ogólnych testach. To jeden z użyteczniejszych punktów danych dla każdego, kto spiera się o otwarte kontra zamknięte.

Prace nad efektywnością dalej obniżają koszt uruchamiania modeli

Preprint z 30 października o przycinaniu mieszanki ekspertów przekonuje, że wyjścia ekspertów wykazują strukturalną nadmiarowość. W modelach i kategoriach zadań stabilna ranga i entropijna ranga efektywna wyjść ekspertów leżą znacznie poniżej nominalnej liczby ekspertów. Autorzy proponują dwie metody przycinania, PEEP i DCEP. Przy zachowaniu 75% i 50% ekspertów na DeepSeek-V2-Lite i Qwen3-30B-A3B, modelu o 30 000 000 000 i 3 000 000 000 parametrów, biją dotychczasowe wyniki na większości testów.

Dwa kolejne artykuły idą w innych kierunkach. Jeden, zgłoszony 29 października, ocenia rozpoznawanie emocji w mowie w modelach obsługujących dźwięk. Wynika z niego, że gdy dźwięk i tekst się nie zgadzają, szansa błędu rośnie, ilekroć dźwięk jest obecny, w zbiorach eNTERFACE'05, MELD i CMU-MOSEI. Nadzorowane klasyfikatory na tych samych cechach zachowują się odwrotnie. Drugi, też zgłoszony 29 października, sprawdza, jak modele językowe przewidują odczucie wyników hazardu lub handlu akcjami. Znajduje to, co autorzy nazywają wzmocnieniem krzemowym: modele oceniały zyski intensywniej niż równoważne straty, odwracając klasyczną awersję do straty.

Żadna z tych prac nie rozstrzyga sporu o otwarte wagi. Pokazują jednak, że na froncie badań jest tłoczno od małych, sprawdzalnych twierdzeń, a nie od jednego wielkiego.

Bilans bezpieczeństwa

OpenAI ruszyło też 3 listopada z własną obroną. The Decoder podał, że firma czterokrotnie zwiększyła wypłaty w programie nagród za błędy. Krytyczne podatności w produktach podstawowych, takich jak ChatGPT czy Codex, dają teraz zewnętrznym badaczom do 30 000 dol. Wyjątkowe znaleziska do 100 000 dol., a z premiami za jakość, lojalność i kampanię suma może sięgnąć około 172 000 dol. Każdy, kto zgłosił podatność w ostatnich 30 dniach, dostaje różnicę z mocą wsteczną. Sprint bezpieczeństwa połączy firmę Cathedral z inżynierami OpenAI. W czasie poprzedniego sprintu 25% inżynierów produktowych OpenAI szukało podatności, podała firma.

Czy otwarte wagi ułatwiają tę pracę, czy ją utrudniają, to dokładnie to pytanie, na które żadna liczba nie odpowiada. Publikacja Epoch AI o modelach z otwartymi wagami i luce w łatkach, datowana 29 października, nie jest tu streszczana.

Jasny jest kierunek. Były sekretarz armii doradza teraz frontierowemu laboratorium. Chiński menedżer publicznie przekonuje do otwartego oprogramowania. Amerykańskie laboratorium publikuje kryptograficzne dowody, że dany token wygenerował dany model. A test zbudowany z realnych problemów badawczych przemysłu mówi, że najlepszy model ogólny wciąż ma rację w mniej niż 54% przypadków.

O otwartych wagach zdecydują biura zamówień i sale sądowe tak samo jak komentarze na arXiv. Po dowodach datowanych na ten tydzień widać, że obie strony budują kadry.