Aktualności

Kiro, agentyczne AI Amazona, miało naprawić błąd w AWS, lecz usunęło środowisko produkcyjne, wywołując 13-godzinną awarię.

COBOL nadal obsługuje kluczowe systemy, ale brakuje specjalistów. Anthropic pokazuje, jak Claude Code i sieć partnerstw mają przyspieszyć modernizację i dlaczego rynek zareagował spadkiem IBM.

Google Gemini 3.1 Pro przynosi duży skok w rozumowaniu: 77,1% w ARC-AGI-2 i prowadzenie w wielu benchmarkach bez podwyżki ceny tokena.

Kiedy szef OpenAI wpłaca milion dolarów na inaugurację Trumpa, a chatbot zaczyna pisać bezdusznie - ludzie odchodzą. #QuitGPT obnażył kruche fundamenty rewolucji AI: polityczne sojusze, pogorszenie jakości, kryzys zaufania i rosnącą tęsknotę za tym, co ludzkie. Esej o bojkocie, który jest w istocie pytaniem o cenę wygody.

Lyria 3 od Google DeepMind to nowy standard generowania muzyki w Gemini: tworzenie z czatu, synestezja obraz–dźwięk, wsparcie Nano Banana i znakowanie SynthID. Poznaj 7 faktów, które mogą zmienić rynek audio w 2026.

Meta uzyskała patent na AI symulującą aktywność użytkownika po śmierci.

NVIDIA Rubin to nowa platforma dla superkomputerów AI: ekstremalne współprojektowanie 6 elementów (Vera, Rubin, NVLink 6, ConnectX-9, BlueField-4, Spectrum-6). Ma obniżyć koszty inference i przyspieszyć trenowanie modeli.

DGX Spark to "biurkowy" komputer AI na superchipie GB10 Grace Blackwell z 128 GB pamięci UMA. Artykuł omawia zastosowania do LLM/RAG/wideo, benchmarki, ceny w Polsce, kanały zakupu oraz ograniczenia architektury.

Google Cloud pokazuje Gemini CLI, czyli Gemini w terminalu. Wpisujemy polecenie jak zwykłą komendę i od razu dostajemy odpowiedź: tekst, pomysł, fragment kodu albo pomoc w analizie logów. W demie widać też coś przyziemnie ważnego: własne motywy kolorów ustawiane w pliku settings.json, więc terminal może być czytelny i po prostu nasz. My w Automation Lab lubimy takie narzędzia, bo skracają dziesiątki małych kroków w ciągu dnia.

Czy DeepSeek V4 pojawi się w połowie lutego 2026? W sieci latają liczby typu 1M tokenów kontekstu i 700B+ parametrów, ale część z tego to marketing i domysły. W tym artykule zbieram dostępne źródła, pokazuję, co da się potwierdzić, a co jest plotką, i tłumaczę po ludzku: tokeny, okno kontekstu, reasoning, MoE, monorepo i RAG. Na koniec dostajesz praktyczną checklistę testów, żeby ocenić nowy model pod realne automatyzacje w n8n, Make i Pythonie.