AI dziś: NVIDIA Cosmos i OpenAI Decisions API

Dzisiejszy przegląd technologii obejmuje zestaw narzędzi dla AI, od systemów monitoringu środowiskowego po infrastrukturę obliczeniową. OpenAI prezentuje Decisions API, Google DeepMind udostępnia mapę Forest Typology 2020, a NVIDIA rozszerza platformę Cosmos oraz wprowadza system Minerva. Zestawienie zamyka rozwiązanie IBM Granite Timeseries Ensemble, integrujące cztery architektury modeli szeregów czasowych w celu usprawnienia prognozowania danych w aplikacjach analitycznych.

Najważniejsze dziś (TL;DR)

• Google DeepMind Forest Typology: Udostępniono mapę ForTy 2020 w rozdzielczości 10 metrów, śledzącą zmiany w strukturze lasów w latach 2017–2025.
• OpenAI Decisions API: Nowy interfejs oparty na modelu GPT-6 Luna umożliwia szybkie podejmowanie decyzji przez agentów AI z obsługą buforowania promptów.
• NVIDIA Cosmos: Platforma została rozbudowana o narzędzia Data Factory oraz plany architektury wspierające tworzenie modeli świata dla systemów fizycznej AI.
• NVIDIA Minerva: Platforma klasy AIOps integruje dane telemetryczne infrastruktury w celu wykrywania anomalii i przewidywania awarii w klastrach obliczeniowych.
• IBM Granite Timeseries Ensemble: Nowy mechanizm pozwala łączyć cztery otwarte architektury modeli szeregów czasowych w jeden zunifikowany interfejs prognozowania.

Google DeepMind Forest Typology

Google DeepMind wraz z World Resources Institute oraz International Institute for Applied Systems Analysis udostępnił 22 października 2026 roku mapę Forest Typology (ForTy) 2020. Jest to narzędzie prezentujące strukturę lasów i terenów uprawnych na całym świecie w rozdzielczości 10 metrów. Oprócz danych statycznych, projekt zawiera szereg czasowy śledzący zmiany zachodzące w latach 2017–2025, co umożliwia identyfikację przekształceń lasów naturalnych w plantacje lub farmy.

Mapa kategoryzuje każdy obszar o powierzchni 10 na 10 metrów na jeden z 6 typów lasów i sposobów użytkowania gruntów, zgodnie z definicjami Organizacji Narodów Zjednoczonych do spraw Wyżywienia i Rolnictwa (FAO). Dane te mają wspierać firmy i organy regulacyjne w implementacji unijnego rozporządzenia w sprawie produktów niepowodujących wylesiania (EUDR), które wymaga weryfikacji pochodzenia towarów takich jak kawa, kakao czy olej palmowy.

Proces tworzenia modelu oparto na zbiorze 1,7 miliona oznakowanych lokalizacji, pozyskanych z ankiet eksperckich, krajowych i regionalnych zestawów danych oraz analiz terenów, w których model napotykał trudności. W architekturze systemu wykorzystano fundamenty AlphaEarth. W przeciwieństwie do wcześniejszych map, które skupiały się wyłącznie na obecności drzew, ForTy pozwala odróżnić lasy pierwotne od lasów wtórnych, plantacji drzew czy upraw rolniczych, co ma kluczowe znaczenie dla oceny zasobów węgla i różnorodności biologicznej. Użytkownicy mogą korzystać z mapy za pośrednictwem aplikacji w Earth Engine.

Dla budujących z AI: osoby projektujące narzędzia do monitorowania zmian środowiskowych mogą przetestować API oraz architekturę modelu w oparciu o dokumentację Earth Engine. Informacja prasowa nie precyzuje kosztów komercyjnego wykorzystania danych, wymagań dotyczących przepustowości dla analizy wielkoskalowej ani dokładnej licencji na wykorzystanie wyników modelu w zewnętrznych systemach raportowych.

OpenAI udostępnia Decisions API

OpenAI ogłosiło 22 października ogólną dostępność Decisions API, interfejsu stworzonego do szybkiego podejmowania decyzji przez aplikacje oraz agentów AI. Narzędzie, oparte na modelu GPT-6 Luna, umożliwia przetwarzanie danych wejściowych w formie tekstu, obrazów oraz formatu JSON, oferując przy tym poprawę opóźnień oraz zaawansowane funkcje pamięci podręcznej.

Decisions API skupia się na pytaniach o ograniczonym zakresie odpowiedzi, działając do 10 razy szybciej niż Responses API. Deweloperzy mogą przesyłać do 400 pytań w ramach jednego zapytania, co stanowi dwukrotność poprzedniego limitu. Wśród nowości znalazły się integracja z GPT-Live, możliwość stosowania buforowania promptów dla powtarzających się kontekstów oraz zapewnienie rezydencji wnioskowania w USA i UE. Dodatkowo zwiększono przepustowość w regionach azjatyckich.

System wspiera trzy główne typy odpowiedzi:

• probability: określenie prawdopodobieństwa (od 0 do 1), czy dany stan jest prawdziwy;
• choice: wybór jednej z predefiniowanych opcji wraz z informacją o pewności;
• score: ocena wkładu w oparciu o uporządkowane poziomy skali.

Integracja z GPT-Live pozwala aplikacjom głosowym na podejmowanie decyzji w czasie rzeczywistym, na przykład w celu zarządzania reakcjami awatara lub kierowania przebiegiem rozmowy z klientem. Przykłady zastosowań obejmują kategoryzację opisów transakcji, ocenę wydźwięku komunikacji czy weryfikację uszkodzeń produktów.

Dla budujacych z AI: Zespoły wdrażające automatyczną obsługę klienta mogą przetestować API w scenariuszach wyboru ścieżki rozmowy lub klasyfikacji danych wejściowych. Ogloszenie nie podaje dokładnego cennika za tysiąc zapytań ani nie określa, czy system wspiera języki inne niż angielski – to należy zweryfikować w dokumentacji technicznej przed uruchomieniem produkcyjnym.

NVIDIA Cosmos rozszerza narzędzia dla modeli świata

NVIDIA poinformowała 22 października o rozbudowie platformy Cosmos o nowe narzędzia treningowe, punkty kontrolne symulacji oraz plany architektury danych (blueprints). Rozwiązania te mają wspierać twórców systemów fizycznej sztucznej inteligencji w budowaniu modeli świata, które pozwalają na symulowanie rzeczywistości.

Platforma Cosmos obejmuje teraz Cosmos Data Factory, zestaw narzędzi przeznaczonych do etykietowania, kurateli i augmentacji danych multimodalnych. Deweloperzy mają dostęp do pięciu chmurowych planów architektury dostępnych przez GitHub, Microsoft Azure, Nebius oraz CoreWeave. Funkcjonalności te obejmują generowanie danych dla pojazdów autonomicznych, augmentację atrybutów obrazów, tworzenie syntetycznych filmów z rzadkich zdarzeń, generowanie obrazów defektów oraz augmentację danych wideo z uwzględnieniem zmiany warunków pogodowych.

Z narzędzi korzystają już podmioty komercyjne. Porsche wykorzystuje Cosmos Data Factory do budowy współdzielonego zbioru danych, co ma skrócić cykle rozwojowe o 85%. Firma ANYbotics wygenerowała ponad 1500 syntetycznych klipów wideo do trenowania robotów inspekcyjnych, a Ultralytics wykorzystało syntetyczne defekty do douczenia modelu YOLO.

W ramach Cosmos Framework, twórcy mogą trenować własne architektury lub korzystać z modeli wstępnie wytrenowanych, takich jak GR00T, Alpamayo, QWEN czy Pi0.5. Zaktualizowane mikrousługi NVIDIA Cosmos 3 NIM oferują do 2x szybsze wnioskowanie przy zachowaniu jakości. Nowe warianty modelu Cosmos 3 Nano umożliwiają z kolei testowanie polityk autonomicznych w symulacjach wielokątowych. Dodatkowo, blueprint NVIDIA Metropolis VSS 3.3 pozwala na monitorowanie o 40% większej liczby strumieni wideo przy wykorzystaniu tej samej jednostki GPU.

Dla budujących z AI: Zespoły zajmujące się systemami robotycznymi lub wizją komputerową mogą przetestować blueprinty Cosmos Data Factory w środowiskach chmurowych. Komunikat nie precyzuje kosztów korzystania z mikrousług NIM oraz szczegółów licencyjnych dotyczących komercyjnego wykorzystania poszczególnych modeli bazowych, co należy zweryfikować w dokumentacji technicznej.

NVIDIA wprowadza platformę Minerva do zarządzania fabrykami AI

Według ogłoszenia z 22 października, firma NVIDIA udostępniła platformę Minerva, zaprojektowaną do kompleksowej obserwowalności infrastruktury wspierającej obliczenia sztucznej inteligencji. Narzędzie klasy AIOps integruje dane telemetryczne pochodzące z procesorów GPU, sieci, systemów pamięci masowej, harmonogramów zadań oraz samych obciążeń roboczych.

Minerva tworzy dynamiczny graf wiedzy, który mapuje fizyczną infrastrukturę, w tym SuperNICs, przełączniki i okablowanie, łącząc je z aktualnie uruchomionymi procesami. System analizuje miliardy punktów danych na godzinę przy użyciu metod uczenia nadzorowanego i nienadzorowanego. Pozwala to na wykrywanie anomalii, przewidywanie awarii komponentów oraz grupowanie powiązanych zdarzeń w incydenty z wskazaną przyczyną źródłową. Operatorzy mogą korzystać z wbudowanego asystenta AI oraz łączyć narzędzie z zewnętrznymi agentami poprzez interfejs języka naturalnego, co ma na celu wydłużenie czasu pracy bez zakłóceń oraz skrócenie czasu naprawy.

Platforma skupia się na wskaźniku wydajności fabryk AI, obejmującym produkcję tokenów, dostępność klastrów oraz wykorzystanie GPU. Z rozwiązań Minerva planują korzystać takie podmioty jak IREN, Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI oraz Tesla. Ponadto firmy Dell Technologies, Lenovo oraz Supermicro włączą platformę do swoich ofert z zakresu operacji infrastruktury AI.

Dla budujących z AI: Zespoły odpowiedzialne za utrzymanie dużych klastrów obliczeniowych mogą zweryfikować kompatybilność posiadanej infrastruktury sieciowej i serwerowej z wymaganiami platformy Minerva. Źródło nie precyzuje kosztów wdrożenia, wymagań licencyjnych ani pełnej listy wspieranych systemów operacyjnych, co wymaga wyjaśnienia w bezpośrednim kontakcie z dostawcą.

IBM Granite Timeseries Ensemble

Według ogłoszenia z 22 października 2026 roku, IBM udostępniło mechanizm Granite Timeseries Ensemble, który pozwala łączyć cztery różne architektury modeli szeregów czasowych w jeden interfejs prognozowania. Rozwiązanie to ma na celu zmniejszenie trudności przy wyborze odpowiedniego modelu do konkretnego zadania, oferując domyślną metodę łączenia pre-trenowanych modeli bez konieczności ich ponownego trenowania.

System ten wykorzystuje cztery otwarte architektury: PatchTST-FM-r1, PatchTST-FM-r2, FlowState oraz Tiny Time Mixers. Każda z nich w odmienny sposób analizuje trendy, sezonowość i lokalne zmiany, co pozwala na generowanie prognoz punktowych oraz kwantylowych (domyślnie w zakresie od 0.1 do 0.9).

W ramach pakietu oferowane są dwa główne sposoby łączenia wyników:

• Probabilistic Ensemble: stosuje równomierne ważenie prawdopodobieństwa, nadając każdemu modelowi jednakowy wpływ na ostateczny wynik.
• IQR Ensemble: dostosowuje wagi na podstawie rozstępu międzykwartylowego (IQR) modelu, preferując węższe przedziały prognozowe.

Konfiguracja nie łączy wag modeli, lecz pobiera cztery oddzielne punkty kontrolne w czasie wykonywania kodu (runtime), co wymaga uwzględnienia dodatkowego czasu przy pierwszym uruchomieniu. Interfejs oraz dołączone modele są udostępnione na licencjach pozwalających na swobodne użytkowanie.

Dla budujących z AI: analityk danych lub inżynier systemów prognozujących może zainstalować bibliotekę Granite TSFM i przetestować gotową recepturę na własnych zestawach danych szeregów czasowych. Ogłoszenie nie precyzuje specyfikacji sprzętowej wymaganej do jednoczesnego ładowania czterech modeli ani nie wskazuje potencjalnych ograniczeń wydajnościowych przy pracy z bardzo długimi horyzontami czasowymi – te kwestie wymagają samodzielnych testów obciążeniowych.

Najczęściej zadawane pytania (FAQ)

Czym wyróżnia się mapa Forest Typology (ForTy) 2020 na tle wcześniejszych rozwiązań?

W odróżnieniu od wcześniejszych map, które skupiały się wyłącznie na obecności drzew, ForTy pozwala na rozróżnienie lasów pierwotnych od wtórnych, plantacji drzew oraz upraw rolniczych. Narzędzie wykorzystuje rozdzielczość 10 metrów i obejmuje dane z lat 2017–2025, wspierając weryfikację pochodzenia towarów w ramach rozporządzenia EUDR.

Jak działa system prognozowania IBM Granite Timeseries Ensemble?

System łączy cztery architektury modeli szeregów czasowych – PatchTST-FM-r1, PatchTST-FM-r2, FlowState oraz Tiny Time Mixers – w jeden interfejs. Użytkownicy mogą korzystać z metod łączenia wyników Probabilistic Ensemble lub IQR Ensemble, pobierając cztery odrębne punkty kontrolne w czasie wykonywania kodu bez konieczności ponownego trenowania modeli.

Źródła

• Beyond tree cover: mapping the world’s forest types — 2026-10-22
• Build more responsive apps with the Decisions API — 2026-10-22
• NVIDIA Cosmos Opens New Tools to Train, Evaluate and Deploy World Models — 2026-10-22
• NVIDIA Unveils Minerva to Bring End-to-End Observability for AI Factories — 2026-10-22
• Ensemble forecasting with IBM Granite time-series models — 2026-10-22

--- Tekst przygotowany automatycznie przez laboratorium aipoc-lab (AI) na podstawie publicznie dostępnych źródeł wymienionych powyżej. Streszczenia własne, nie kopie. Wersja przed redakcją człowieka.