Rekord na krzywej koszt-skuteczność

11 sierpnia 2026 r. Pathway opublikował wyniki modelu rozumującego BDH-CQ w benchmarku ARC-AGI-1. Model uzyskał 29,5 proc. (pass@2) na publicznym zbiorze ewaluacyjnym obejmującym 400 zadań, a obliczony koszt inferencji wyniósł 0,0007 dolara na zadanie, czyli mniej niż jedną dziesiątą centa.

Dla porównania: GPT 5.6 Luna w wariancie Low od OpenAI osiąga na tym samym benchmarku 34,2 proc., a więc wynik wyższy o 4,7 pkt proc. Kosztuje jednak około 11 razy więcej na zadanie. Co istotne, przewaga kosztowa BDH-CQ utrzymuje się nawet po uwzględnieniu obniżki cen Luny o 80 proc., którą OpenAI wprowadziło 30 lipca. Punktem odniesienia dla porównań jest publiczna tablica ARC Prize Foundation, zestawiająca wynik każdego zgłoszonego systemu z jego kosztem na zadanie (stan na koniec lipca 2026 r.). Według Pathway żaden system o co najmniej takiej skuteczności nie działał dotąd przy równym lub niższym koszcie – rezultat BDH-CQ przesuwa więc dotychczasową granicę Pareto relacji dokładności do kosztu i ustanawia nowy stan wiedzy w kategorii efektywności kosztowej na ARC-AGI-1.

Warto od razu uczciwie postawić sprawę: mały model Pathway nie jest "lepszy" od dużych modeli ogólnego przeznaczenia i sama firma tego nie twierdzi. Pokazuje natomiast, że przy konkretnym typie rozumowania radykalnie inna architektura może zmienić ekonomię obliczeń. W branży, w której rachunki za inferencję rosną szybciej niż przychody z AI, to teza o dużym ciężarze gatunkowym.

Zuzanna Stamirowska, współzałożycielka i CEO Pathway, komentowała wyniki krótko: wąskim gardłem nigdy nie była inteligencja, tylko projekt architektury.

Czym jest ARC-AGI i dlaczego to trudny test

ARC (Abstraction and Reasoning Corpus) stworzył w 2019 r. Francois Chollet, badacz znany m.in. z biblioteki Keras, jako test tego, czego modelom AI brakuje najbardziej: zdolności uczenia się zupełnie nowego zadania z kilku przykładów. System dostaje kilka par niewielkich plansz z kolorowymi polami, musi samodzielnie odkryć regułę transformacji, a następnie zastosować ją do nowego przypadku. Odpowiedź jest zaliczana tylko wtedy, gdy zgadza się dokładnie, pole po polu. Nie da się tu nic "wykuć" z danych treningowych – każde zadanie jest inne.

Benchmark przez lata opierał się modelom językowym, które na innych testach osiągały wyniki bliskie sufitu. Dopiero pod koniec 2024 r. model o3 od OpenAI przekroczył na ARC-AGI-1 próg kojarzony z poziomem człowieka, ale zrobił to metodą siłową: w wariancie wysokoobliczeniowym koszt pojedynczego zadania szedł według szacunków ARC Prize w tysiące dolarów. Od tego czasu ranking fundacji pokazuje dwie osie naraz: skuteczność i koszt. To właśnie na tej drugiej osi Pathway ustawił swój rekord. Fundacja rozwija już kolejne, trudniejsze generacje testu – ARC-AGI-2 i ARC-AGI-3 – i to na nich polska spółka chce się sprawdzić w następnej kolejności.

Skąd bierze się różnica w kosztach

Różnica ma charakter strukturalny. Większość dzisiejszych modeli rozumujących opartych na transformerach eksternalizuje swoją pracę w postaci łańcucha myśli (chain-of-thought): generuje kolejne tokeny pośrednie i podaje je z powrotem na wejście w kolejnych krokach. Im dłuższy ślad rozumowania, tym wyższy koszt inferencji i większe opóźnienia. Każdy krok zajmuje też część okna kontekstowego, a rachunek za tokeny rośnie wraz z czasem "myślenia" modelu.

BDH-CQ działa inaczej. Rozumowanie prowadzi w rekurencyjnym stanie ukrytym (latentnym), bez generowania pośredniego śladu tekstowego. Stamirowska tłumaczyła to w rozmowie z serwisem XYZ obrazowo: model z chain-of-thought przypomina osobę rozwiązującą krzyżówkę, która wszystko, co widzi i myśli, musi opisać słowami na kartce. BDH-CQ myśli natomiast w przestrzeni abstrakcyjnej – bardziej jak szachista, który analizuje kilka wariantów naraz i nie musi przekładać każdego kroku rozumowania na język. Model nadal potrafi odpowiadać w języku naturalnym, ale sama praca intelektualna odbywa się równolegle, wewnątrz stanu, a nie na wyjściu tekstowym.

Druga różnica dotyczy pamięci. Architektura BDH została zbudowana wokół założenia, że inteligencja nie powinna wybierać między pamięcią a rozumowaniem. Zamiast doklejać pamięć jako zewnętrzny komponent (bazy wektorowe, RAG, mechanizmy kontekstu), BDH łączy pamięć, adaptację i wnioskowanie w jednej architekturze. Projekt czerpie z rozwiązań wypracowanych przez biologię – lokalnych interakcji, rzadkiej aktywności, trwałego stanu i ciągłego dostosowywania – ale nie próbuje naśladować mózgu jeden do jednego.

Stamirowska podkreśla, że wysoki koszt dzisiejszej AI wynika z architektury, a nie z jakiegoś ogólnego "prawa inteligencji". Jej zdaniem liczba parametrów jest tylko środkiem do celu, i to generującym koszty – a nie wartością, której maksymalizacja leży w interesie użytkownika.

Wyniki zweryfikowane niezależnie

Pathway zadbał o wiarygodność publikacji. Wynik BDH-CQ samodzielnie odtworzył Łukasz Kaiser, współtwórca architektury transformer, a rezultaty powtórzył również Richard Zhong, badacz z New York University zajmujący się ewaluacją modeli i odpornością benchmarków. Współautorem publikacji technicznej opisującej BDH-CQ jest Remigiusz Kinas z zespołu Bielik AI, co pokazuje, że polskie środowisko AI zaczyna łączyć siły ponad granicami projektów.

Model trenowano na infrastrukturze Amazon SageMaker HyperPod. Nicolas Tarducci, szef architektury rozwiązań dla startupów EMEA w AWS, ocenił, że praca Pathway wskazuje obiecującą drogę do tańszego wdrażania wydajnych systemów rozumujących na dużą skalę – w momencie, gdy klienci coraz częściej przenoszą zaawansowane rozumowanie z fazy eksperymentów do produkcji.

O wynikach zrobiło się głośno także w polskiej społeczności AI. Sebastian Kondracki, współtwórca Bielika, zwrócił na LinkedIn uwagę na kluczową liczbę 0,0007 dolara i postawił tezę, że kolejny etap wyścigu AI może nie dotyczyć wyłącznie tego, kto zbuduje najmądrzejszy model, lecz tego, kto dostarczy najwięcej inteligencji za dolara.

Runda seed urosła do 30 mln dolarów przy wycenie 500 mln

Jeszcze przed publikacją benchmarków Pathway domknął dodatkowe finansowanie. Nowa transza w wysokości około 20 mln dolarów powiększyła łączny kapitał zebrany na etapie seed do 30 mln dolarów, a wycena spółki sięgnęła 500 mln dolarów – i to wciąż na etapie zalążkowym.

Kapitał dostarczyły fundusze Id4 Ventures, TQ Ventures, Red Bridge Ventures, Kadmos Capital oraz WS Investment Co., czyli inwestycyjne ramię kancelarii Wilson Sonsini, jednej z najważniejszych kancelarii technologicznych Doliny Krzemowej. Do grona inwestorów jako anioł biznesu dołączył Jonathan Frankle, Chief AI Scientist w Databricks. Środki mają pójść przede wszystkim na zwiększenie dostępnej mocy obliczeniowej, w tym nowe układy Nvidia GB300, oraz na trening większych, wielozadaniowych modeli opartych na BDH.

Ciekawa jest chronologia tej rundy. Jak opowiadała Stamirowska w rozmowie z XYZ, to inwestycja TQ Ventures z 2024 r. uruchomiła zwrot spółki: fundusz zgłosił się z ofertą jeszcze przed rozpoczęciem formalnego procesu (tzw. pre-emptive term sheet), a wraz z finansowaniem przyszło założenie firmy w USA i przeprowadzka zespołu. Nowy rozdział firma trzymała przez około rok w tajemnicy, aż do publikacji artykułu naukowego o BDH, o którym napisał "The Wall Street Journal". CEO Pathway zwraca też uwagę, że w kategorii laboratoriów badawczych wyceny zwykle biorą się głównie z nazwisk założycieli – w przypadku Pathway duża część prac R&D jest już wykonana, a odróżnienie od transformera zaczyna być mierzalne.

To już trzecia odsłona finansowania spółki. Wcześniej Pathway pozyskał 4,5 mln dolarów w rundzie przedzalążkowej, m.in. od polskich funduszy Market One Capital i Inovo VC, a w grudniu 2024 r. 10 mln dolarów w rundzie seed prowadzonej przez TQ Ventures, z udziałem Kadmos, Inovo, Market One Capital i Id4. Pierwszym inwestorem spółki był Łukasz Kaiser.

Maciej Małysz, partner w Inovo.vc i jeden z pierwszych inwestorów Pathway, komentował dla XYZ, że zespół porwał się na jedno z najtrudniejszych wyzwań współczesnej technologii – budowę nowego silnika dla AI w obszarze, gdzie konkurencja wydaje miliardy – i właśnie pokazał, że to nie fantazja. Jego zdaniem koszt i energia to dziś realny sufit rozwoju AI, a kto ten sufit podniesie, ten rozdaje karty. Małysz stawia Pathway obok ElevenLabs jako kolejny polski projekt grający o globalną stawkę.

Kto stoi za Pathway

Historia firmy zaczyna się w 2019 r., gdy Stamirowska, Adrian Kosowski i Jan Chorowski założyli spółkę konsultingową NavAlgo, działającą z Polski i Francji i wspierającą firmy logistyczne w pracach badawczo-rozwojowych. Rok później wystartował Pathway – już jako firma produktowa, z korzeniami w Paryżu i Menlo Park, dziś z siedzibą główną w Palo Alto w Kalifornii. W gronie założycieli znalazła się także Claire Nouet (COO).

Zanim spółka skupiła się na nowej architekturze, rozwijała platformę Live AI: silnik przetwarzania danych w czasie rzeczywistym i framework pozwalający systemom AI stale przyjmować, aktualizować i wykorzystywać zmieniające się dane z ponad 300 źródeł. Z rozwiązań Pathway korzystały m.in. La Poste (w tym przy zarządzaniu zakłóceniami operacyjnymi podczas igrzysk olimpijskich w Paryżu), NATO, DB Schenker, Intel i jeden z zespołów Formuły 1. Narzędzia open source spółki zgromadziły na GitHubie ponad 60 tys. gwiazdek. W pierwszej połowie 2024 r. firma przekierowała wszystkie zasoby na budowę nowej architektury i własnych modeli.

Zespół założycielski robi wrażenie nawet na tle Doliny Krzemowej. Stamirowska ma doktorat z systemów złożonych, a jej praca doktorska dotyczyła prognozowania w handlu morskim; jej wcześniejsze projekty badawcze wyróżniała amerykańska National Academy of Sciences. Jan Chorowski (CTO) to były badacz Google Brain, który współpracował z noblistą Geoffreyem Hintonem i jako pierwszy zastosował mechanizm attention w przetwarzaniu mowy. Adrian Kosowski (CSO), matematyk, fizyk i informatyk pochodzący z Gdańska, zaczął studia jako 13-latek, doktorat obronił w wieku 20 lat i był jednym z najmłodszych profesorów na świecie.

Wzmocnienia w zespole i radzie doradców

Wraz z nową rundą Pathway ogłosił wzmocnienia kadrowe. Do firmy jako Chief Product Officer dołączył Adam Kurzrok, wcześniej Group Product Manager odpowiedzialny za Gemini w Google DeepMind. Pokieruje przekształcaniem modeli opartych na BDH w gotowe produkty, ich ewaluacją i wdrożeniami na dużą skalę.

Spółka sformalizowała też grupę doradców. Poza Łukaszem Kaiserem – współtwórcą architektury transformer i współautorem TensorFlow, który w OpenAI współtworzył modele o1 i o3 oraz pracował nad ChatGPT, GPT-4 i GPT-5 – w gronie doradców znaleźli się Jonathan Frankle, prof. Martin Farach-Colton z NYU Tandon oraz ekonomista Jacques Attali, były doradca prezydenta Francji. Wspierają firmę w skalowaniu modeli, rozwijaniu wizji naukowej, strategii finansowania oraz analizie gospodarczych i społecznych konsekwencji BDH.

BDH, czyli smocze pisklę

Fundamentem tych wszystkich wydarzeń jest praca naukowa opublikowana 30 września 2025 r. na arXiv: "The Dragon Hatchling: The Missing Link between the Transformer and Models of the Brain" autorstwa Adriana Kosowskiego, Przemysława Uznańskiego, Jana Chorowskiego, Zuzanny Stamirowskiej i Michała Bartoszkiewicza. Nazwa BDH pochodzi od Baby Dragon Hatchling, czyli smoczego pisklęcia; z czasem pierwszy człon zniknął z użycia.

BDH to bezskalowa sieć lokalnie oddziałujących neuronów, zdolna do wewnętrznej dynamiki rozumowania. Zamiast gęstych warstw typowych dla modeli językowych, obliczenia są tu reprezentowane jako społeczność prostych jednostek komunikujących się lokalnie – model grafowy, który ma jednocześnie równoważną, przyjazną dla GPU formę tensorową. Pamięć robocza modelu podczas inferencji opiera się w całości na plastyczności synaptycznej z regułą Hebba: konkretne, pojedyncze synapsy wzmacniają połączenie za każdym razem, gdy model "słyszy" lub rozumuje o danym pojęciu. Mechanizm przypominający attention wyłania się z tych lokalnych interakcji, zamiast być doklejonym elementem architektury.

Z punktu widzenia bezpieczeństwa i audytu AI kluczowa jest jeszcze jedna cecha: interpretowalność z założenia. Aktywacje BDH są rzadkie i dodatnie, a autorzy wykazali monosemantyczność neuronów na zadaniach językowych – pojedyncze neurony odpowiadają konkretnym pojęciom, co w transformerach wymaga skomplikowanych technik interpretacyjnych i nigdy nie jest pełne. Co ciekawe, sieć interakcji neuronów BDH samoorganizuje się podczas treningu w graf o wysokiej modularności i strukturze przypominającej sieci biologiczne; badacze wskazywali na podobieństwo do organizacji kory nowej, odpowiadającej u ssaków za wyższe funkcje poznawcze.

W eksperymentach opisanych w pracy BDH dorównywał transformerom klasy GPT-2 na zadaniach językowych i tłumaczeniowych przy tej samej liczbie parametrów (od 10 mln do 1 mld), zachowując transformerowe prawa skalowania. Publikacja szybko zdobyła status jednego z najgłośniejszych artykułów na platformie Hugging Face, a o architekturze pisały m.in. "Wall Street Journal" i amerykański "Forbes". Oficjalna implementacja jest dostępna na GitHubie.

Osobnym, często cytowanym wynikiem jest test na zbiorze Sudoku Extreme: wewnętrzna implementacja BDH rozwiązała 97,4 proc. z około 250 tys. trudnych łamigłówek bez łańcucha myśli, nawracania po błędach i zewnętrznych narzędzi – podczas gdy czołowe LLM-y radzą sobie z tym benchmarkiem bardzo słabo. To dobra ilustracja tezy Pathway, że język nie wystarcza do inteligencji: zadania wymagające intensywnego przeszukiwania, a nie językowej płynności, są dla transformerów przetwarzających token po tokenie strukturalnie niewygodne.

Post-transformer: szerszy kontekst wyścigu architektur

Pathway nie jest pierwszą firmą, która próbuje zdetronizować transformera. Od kilku lat trwają prace nad alternatywami: modele przestrzeni stanów (SSM) z rodziną Mamba na czele, rekurencyjno-transformerowe hybrydy pokroju RWKV, "płynne" sieci neuronowe rozwijane przez Liquid AI czy badania Google nad architekturami z wbudowaną pamięcią długoterminową. Wspólny mianownik tych prób to atak na dwa słabe punkty transformera: kwadratowy koszt attention względem długości kontekstu oraz brak trwałego stanu między wywołaniami.

Dotychczas żadna z alternatyw nie przełamała dominacji transformera w dużych modelach produkcyjnych – najczęściej kończyło się na hybrydach, w których nowe komponenty uzupełniają, a nie zastępują attention. BDH wyróżnia się na tym tle dwiema rzeczami: mocnym ugruntowaniem teoretycznym po stronie neuronauki (stąd podtytuł pracy o "brakującym ogniwie" między transformerem a modelami mózgu) oraz tym, że firma od razu pokazuje publiczne, weryfikowalne wyniki na uznanym benchmarku rozumowania wraz z kosztami. O tym, czy to wystarczy, zdecyduje skalowanie – historia AI zna wiele architektur, które wyglądały świetnie do miliarda parametrów.

Strategia wdrożeń: nie wymieniać stosu, tylko najdroższy proces

Ciekawie wygląda strategia komercjalizacji. Pathway nie planuje namawiać firm do wymiany całej infrastruktury AI opartej na transformerach. Stamirowska mówi wprost: nie prosiłaby dyrektora IT o wymianę stosu, tylko o wskazanie najtrudniejszego procesu, w którym firma ponosi dziś wysokie koszty wynikające z ograniczeń architektury albo w którym transformery po prostu się nie sprawdzają.

Chodzi o procesy, w których system musi długo przechowywać stan, reagować na zmieniające się informacje albo korzystać z doświadczenia z poprzednich interakcji – od reagowania na incydenty cyberbezpieczeństwa po operacje przemysłowe w czasie rzeczywistym. Spółka pracuje z AWS i tzw. design partnerami nad małymi modelami rozumującymi do wąsko zdefiniowanych, ale kosztownych zadań wieloetapowych. BDH ma początkowo działać obok dzisiejszych modeli, a nie zamiast nich.

Co istotne, zdaniem Stamirowskiej pierwszym elementem, który BDH może wypierać, wcale nie musi być sam LLM. Bardziej prawdopodobne jest zastępowanie infrastruktury budowanej dziś wokół modeli: wielokrotnego odtwarzania kontekstu, dodatkowych mechanizmów pamięci, powtarzanego dostrajania i specjalistycznego oprogramowania optymalizacyjnego. Skoro pamięć i adaptacja są wbudowane w architekturę, cała ta warstwa obejść staje się zbędna.

Dla zwykłego użytkownika pierwsza odczuwalna różnica ma być prostsza. Model oparty na BDH nie zaczynałby każdej rozmowy od zera i nie odczytywałby za każdym razem całego kontekstu – kumulowałby doświadczenie, ucząc się terminologii, wyjątków i reguł decyzyjnych konkretnej organizacji czy osoby. Jak ujęła to Stamirowska, pierwszym widocznym elementem będzie pamięć – "model, który cię rozumie".

Co dalej

Pathway zapowiada skalowanie architektury i rozszerzenie podejścia na trudniejsze obszary rozumowania: matematykę oraz benchmarki ARC-AGI-2 i ARC-AGI-3. Firma pracuje też nad dużym modelem językowym prowadzącym rozumowanie w przestrzeni ukrytej.

Wczesne eksperymenty potwierdzają, że transformerowe prawa skalowania obowiązują w pretreningu BDH w zakresie od 1 mld do 600 mld parametrów, przy zachowaniu zdolności rozumowania latentnego charakterystycznych dla BDH-CQ. Stamirowska precyzowała w XYZ, że eksperyment na 600 mld parametrów służył sprawdzeniu zachowania architektury, a nie pełnemu treningowi na dużych danych – na razie spółka woli iterować na mniejszych modelach i dopiero sprawdzi, jak mechanizm zachowa się w dużym, bardziej ogólnym systemie. To uczciwe postawienie sprawy: Pathway pokazał mechanizm w określonych warunkach, a dowód na uniwersalność dopiero przed nim.

CEO Pathway deklaruje, że obecne finansowanie zebrano właśnie na moc obliczeniową do skalowania i pogłębienia przewagi BDH, a opublikowany benchmark jest jednym z pierwszych efektów tej rundy. Firma zapowiada pokazywanie kolejnych możliwości architektury, zwiększanie dokładności i bliską współpracę z partnerami, w tym AWS i Nvidią, nad dostarczaniem wartości biznesowej dla korporacji. Docelowo Pathway chce budować własne modele.

Kontekst: koszt jako nowa oś wyścigu AI

Warto zachować proporcje. Wynik 29,5 proc. na ARC-AGI-1 nie stawia BDH-CQ w absolutnej czołówce rankingu – najlepsze systemy frontier osiągają znacznie wyższe wartości, tyle że przy kosztach wyższych o rzędy wielkości. Przedstawione rezultaty nie oznaczają więc jeszcze przewagi nad największymi modelami ogólnego przeznaczenia i dotyczą na razie jednego benchmarku. Oznaczają natomiast coś innego: dowód, że radykalnie inna architektura potrafi wygenerować porównywalną klasę rozumowania za ułamek ceny.

Ekonomiczne tło jest tu kluczowe. Modele rozumujące zrewolucjonizowały możliwości AI, ale ich rachunek rośnie liniowo z długością "myślenia": więcej tokenów pośrednich to więcej mocy obliczeniowej, więcej energii i wyższe opóźnienia. Dla firm budujących produkty na API czołowych dostawców koszty inferencji stają się pozycją, która potrafi zjeść całą marżę. Stąd rosnące zainteresowanie routingiem zadań do mniejszych modeli, destylacją i dedykowanymi modelami do konkretnych procesów. Jeśli obietnice Pathway potwierdzą się w skali, BDH wpisuje się dokładnie w ten trend – tyle że nie jako sprytniejsze zarządzanie transformerami, lecz jako zmiana samego silnika.

Pytanie postawione przez Pathway brzmi więc zasadnie: czy kolejny etap rozwoju AI będzie należeć do tego, kto zgromadzi najwięcej GPU, czy do tego, kto przemyśli architekturę od nowa? Stamirowska deklaruje, że najbliższe miesiące przyniosą rozstrzygnięcie.

Co to znaczy dla Polski

Dla polskiego ekosystemu technologicznego historia Pathway jest bez precedensu niezależnie od dalszego rozwoju wydarzeń. Spółka założona przez polskich naukowców osiągnęła wycenę 0,5 mld dolarów jeszcze na etapie seed, jej pracę naukową replikuje współtwórca transformera, a wyniki komentują media od "Wall Street Journal" po amerykańskiego "Forbesa". Symboliczne jest też to, że w publikacji technicznej BDH-CQ uczestniczy badacz Bielika, a sukces spółki nagłaśniają twórcy polskiego modelu językowego – środowisko, które jeszcze niedawno składało się z rozproszonych inicjatyw, zaczyna działać jak naczynia połączone.

Pathway dołącza tym samym do wąskiego grona polskich projektów AI o globalnych ambicjach, z ElevenLabs na czele. Różnica polega na stawce: ElevenLabs wygrywa w konkretnej kategorii produktowej, a Pathway gra o fundament, na którym budowane będą przyszłe modele. To zakład o wysokim ryzyku – ale jeśli wejdzie, będzie to pierwszy przypadek, w którym architektura zaprojektowana przez polski zespół wyznacza kierunek całej branży.