AI dziś: OpenAI, AMD ROCm i Hugging Face

Dzisiejszy przegląd skupia się na nowościach w infrastrukturze obliczeniowej i regulacjach w branży sztucznej inteligencji. OpenAI wprowadza formaty reklamowe w ChatGPT oraz wyjaśnia zasady oznaczania pochodzenia treści. AMD udostępnia aktualizację ROCm 10.1 zoptymalizowaną pod kątem przepustowości danych, natomiast Hugging Face ujednolica repozytoria dla uczenia ze wzmocnieniem. Dodatkowo omawiamy postępy w medycynie dzięki narzędziom wspieranym przez rozwiązania NVIDIA Inception w diagnostyce raka piersi.

Najważniejsze dziś (TL;DR)

• OpenAI: Firma wprowadziła wizualny format reklamowy wraz z narzędziami pomiarowymi i partnerstwami w zakresie atrybucji dla reklamodawców.
• AMD ROCm 10.1: Aktualizacja optymalizuje przesyłanie danych między pamięcią a GPU oraz wprowadza nowe narzędzie CLI i biblioteki matematyczne.
• Sztuczna inteligencja w diagnostyce i leczeniu raka piersi: Firmy z programu NVIDIA Inception wdrażają systemy do automatycznego USG i analizy danych medycznych wspierające onkologów.
• OpenAI i unijne zasady o pochodzeniu tekstu: Firma opublikowała założenia dotyczące technicznego oznaczania treści AI zgodnie z wymogami prawnymi Unii Europejskiej.
• Hugging Face RL Environments: Platforma zintegrowała środowiska uczenia ze wzmocnieniem w ramach głównego repozytorium, usprawniając ich odkrywanie i wdrażanie.

OpenAI wprowadza reklamy w ChatGPT

Firma OpenAI poinformowała 5 października o wprowadzeniu nowego wizualnego formatu reklamowego w usłudze ChatGPT. Zmiana ta obejmuje rozbudowę narzędzi pomiarowych oraz partnerstw w zakresie atrybucji, które mają służyć reklamodawcom. Wprowadzone funkcje mają na celu dostosowanie sposobu wyświetlania reklam do zachowań użytkowników korzystających ze sztucznej inteligencji, zapewniając przy tym odpowiednie dopasowanie do marek.

Dla budujacych z AI: Zespoły zajmujące się monetyzacją usług mogą sprawdzić, w jaki sposób zintegrować własne formaty wizualne z nowymi narzędziami atrybucji. Komunikat nie precyzuje, jakie są wymogi dotyczące dopasowania do marek, nie wskazuje dostępności regionalnej nowych formatów ani nie określa zasad rozliczeń finansowych dla partnerów – te aspekty wymagają wyjaśnienia przed podjęciem współpracy.

AMD ROCm 10.1

Firma AMD udostępniła 5 października pakiet ROCm 10.1, którego głównym celem jest eliminacja wąskich gardeł w przesyłaniu danych między pamięcią masową a akceleratorami. Aktualizacja wprowadza zmiany w technologii AMD Infinity Storage oraz środowisku uruchomieniowym HIP, mające na celu usprawnienie obsługi checkpointów, pamięci podręcznych klucz-wartość (KV) oraz parametrów modeli.

Kluczowe nowości w hipFILE obejmują asynchroniczny backend, który pomija etap przesyłania danych przez pamięć hosta, oraz interfejs Batch I/O API, umożliwiający jednoczesne przesyłanie wielu żądań plików. Dodatkowo, środowisko HIP zyskało możliwość alokacji pamięci hosta z uwzględnieniem węzłów NUMA, co ma ograniczyć zbędny ruch danych między gniazdami procesora.

Wersja 10.1 wprowadza również narzędzie ROCm CLI v1.0.0 dla systemów Linux, Windows i WSL2, wspierające konfigurację lokalnych środowisk AI oraz podgląd telemetrii GPU w czasie rzeczywistym. W zakresie programistycznym, pakiet przenosi kompilację na LLVM 24, co ma wpłynąć na krótszy czas przebudowy projektów, oraz dodaje nowe umiejętności (AMD Skills) dla agentów kodujących, takich jak Claude Code i Codex. Zaktualizowane zostały również biblioteki matematyczne i AI, w tym MIGraphX, który w roli backendu kompilatora zastąpił rocMLIR. Rozszerzono także możliwości profilowania, wprowadzając m.in. wczesną wersję odtwarzania kerneli (kernel replay) w ROCprofiler-SDK.

Dla budujących z AI: Inżynierowie systemowi optymalizujący potoki treningowe mogą przetestować asynchroniczne przesyłanie danych za pomocą hipFILE i sprawdzić wpływ alokacji NUMA-aware na przepustowość modelu. Dokumentacja nie podaje specyfikacji dotyczących wsparcia dla konkretnych architektur sprzętowych innych niż wymienione w źródle, a także nie określa wpływu nowej wersji na stabilność istniejących, skomplikowanych skryptów CI – wymaga to weryfikacji w środowisku testowym.

Sztuczna inteligencja w diagnostyce i leczeniu raka piersi

Według doniesień z 5 października, firmy z programu NVIDIA Inception wdrażają rozwiązania oparte na sztucznej inteligencji, aby usprawnić proces walki z rakiem piersi – od badań przesiewowych po planowanie terapii.

W obszarze diagnostyki obrazowej startup iSono Health oferuje platformę ATUSA, czyli automatyczny system do trójwymiarowego USG, który wykonuje skanowanie w czasie około 2 minut na pierś. System, korzystający z akceleracji GPU NVIDIA, zwiększa czułość wykrywania o 28% w porównaniu z ręcznym USG 2D. Z kolei firma Whiterabbit.ai opracowała oprogramowanie WRDensity do automatycznej oceny gęstości piersi oraz narzędzie WRRisk do szacowania długoterminowego ryzyka zachorowania. Technologia ta ma wspomagać radiologów, ułatwiając wykrywanie nowotworów w systemie przesiewowym.

Wsparcie obejmuje również dobór terapii. Ataraxis AI wykorzystuje modele analizujące cyfrowe slajdy patologiczne oraz zmienne kliniczne do przewidywania reakcji pacjentek na chemioterapię przedoperacyjną i szacowania ryzyka nawrotu w ciągu 5 lat. Firma SimBioSys zajmuje się natomiast tworzeniem precyzyjnych modeli 3D nowotworów oraz naczyń krwionośnych, integrując dane z rezonansu magnetycznego, patomorfologii i badań genetycznych w celu wsparcia chirurgów i onkologów. Narzędzia te wykorzystują m.in. biblioteki NVIDIA MONAI oraz CUDA-X do przyspieszenia analizy obrazów medycznych.

Dla budujacych z AI: inżynierowie systemów medycznych mogą przeanalizować architekturę wykorzystującą biblioteki MONAI oraz PyTorch w celu przyspieszenia przetwarzania wielomodalnych danych obrazowych. Informacje nie podają kosztów wdrożenia tych rozwiązań wewnątrz placówek, dostępności wsparcia dla innych języków niż angielski w interfejsach systemów ani wymagań dotyczących zgodności z lokalnymi przepisami o ochronie danych medycznych poza rynkiem amerykańskim.

OpenAI i unijne zasady o pochodzeniu tekstu

Firma OpenAI opublikowała 5 października stanowisko dotyczące sposobu wdrażania wymogów Unii Europejskiej w zakresie oznaczania pochodzenia tekstów generowanych przez sztuczną inteligencję. Dokument wyjaśnia mechanizmy stosowania znaków wodnych oraz zasady działania systemów wykrywania treści. Producent argumentuje, że proces udostępniania tych rozwiązań rozpoczyna się od zaangażowania środowisk badawczych.

Dla budujacych z AI: Zespoły zajmujące się kwestiami bezpieczeństwa i etyki mogą przeanalizować założenia techniczne dotyczące znaków wodnych dla tekstu. Ogłoszenie nie precyzuje, jakie konkretne modele zostaną objęte mechanizmem oraz jakie są limity techniczne skuteczności wykrywania - te informacje należy zweryfikować przed wdrożeniem systemów w środowiskach produkcyjnych.

Hugging Face RL Environments

Według ogłoszenia z 28 września, platforma Hugging Face wprowadziła nową kategorię RL Environments do swojego głównego repozytorium, umożliwiając ujednolicone przechowywanie i odkrywanie środowisk uczenia ze wzmocnieniem. Zmiana ta eliminuje konieczność korzystania z rozproszonych rejestrów, narzędzi własnych czy osobnych baz danych dla każdego frameworka, integrując dane z istniejącym systemem wersjonowania i hostingu platformy.

Środowiska w nowej formule składają się z zestawów zadań (tasksets) oraz czasu wykonywania (runtimes). Każdy zbiór danych oznaczony tagiem rl-environment jest widoczny w specjalnym filtrze, a przycisk „Use this dataset” generuje komendy uruchomieniowe dostosowane do wybranego frameworka. Integracja wspiera obecnie środowiska takie jak Harbor, Verifiers, NVIDIA NeMo Gym oraz OpenEnv. Przykładowe środowiska już dostępne na platformie to m.in. BeyondSWE, Terminal-Lego, NatureBench, Multi-SWE-RL-Verified oraz Scale-SWE-Verified. Użytkownicy mogą oznaczać swoje repozytoria odpowiednimi tagami frameworków, co automatycznie dodaje ikonę oraz instrukcję użycia na stronie zestawu danych.

Dla budujących z AI: Osoby trenujące agentów AI mogą sprawdzić kompatybilność posiadanych środowisk poprzez dodanie tagu rl-environment w nagłówku YAML karty zbioru danych. Dokumentacja nie precyzuje kosztów ewentualnych zasobów chmurowych wykorzystywanych przez Hugging Face Jobs oraz Sandboxes, ani czy każda konfiguracja sprzętowa będzie wspierać wszystkie wymienione środowiska. Przed migracją własnych rejestrów warto zweryfikować, czy specyficzne wymagania bibliotek wykonawczych są w pełni zgodne z infrastrukturą platformy.

Najczęściej zadawane pytania (FAQ)

Jakie główne zmiany wprowadzono w AMD ROCm 10.1?

Aktualizacja eliminuje wąskie gardła w przesyłaniu danych dzięki technologii AMD Infinity Storage. Wprowadzono asynchroniczny backend w hipFILE, interfejs Batch I/O API, wsparcie dla węzłów NUMA w pamięci hosta oraz narzędzie ROCm CLI v1.0.0 dla systemów Linux, Windows i WSL2.

Na czym polega rola sztucznej inteligencji w systemie ATUSA firmy iSono Health?

Platforma ATUSA to automatyczny system do trójwymiarowego USG, który wykorzystuje akcelerację GPU NVIDIA. System wykonuje skanowanie w czasie około 2 minut na pierś, co pozwala na zwiększenie czułości wykrywania zmian o 28% w porównaniu do tradycyjnego ręcznego USG 2D.

Źródła

• Building advertising for the way people use AI — 2026-10-05
• ROCm 10.1: Breaking the Data-Movement Bottleneck — 2026-10-05
• From Scan to Treatment Plan, AI Helps Close Breast Cancer’s Deadliest Gaps — 2026-10-05
• Our approach to EU text provenance rules — 2026-10-05
• Welcome RL Environments to the hub — 2026-09-28

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