Myślałem, że potrafię
zbudować
lepszy model.

Fabryka AI zaczęła się od myśli, która była pewnie arogancka: uważałem, że potrafię zbudować model lepszy niż Bielik.

Zespół Bielika zrobił coś, co zasługuje na szacunek. Zebrał ludzi, zbudował modele i dał innym coś konkretnego, z czego można się uczyć. Patrząc na ich pracę, chciałem wypróbować własne pomysły.

Budziło to też moją niecierpliwość. Chciałem zobaczyć, jak ten talent techniczny łączy się z większymi ambicjami: pozyskać kapitał, zbudować firmę badawczą i spróbować konkurować z zespołami takimi jak Mistral.

Nie mogłem wiedzieć, czy to się uda. Chciałem jednak sprawdzić, jak daleko możemy dojść.

Łatwo mieć opinie o cudzym modelu. W końcu trzeba zdobyć moc obliczeniową i poddać własne pomysły próbie.

Więc to zrobiłem.

Daj mu cel. Daj mu moc obliczeniową.

Kiedy dostałem dostęp do H100, zainteresowało mnie inne pytanie: ile pracy może wykonać agent AI?

Chciałem wycisnąć funkcję /goal do granic możliwości. Czy mogę poprosić agenta o wytrenowanie modelu, dać mu dostęp do mocy obliczeniowej i oczekiwać, że załatwi sprawę? W którym miejscu utknie? Co nadal będę musiał zrozumieć i zdecydować sam?

To pytanie połączyło dwie rzeczy, które chciałem zbadać: budowanie modeli oraz sprawdzenie, jak daleko narzędzia AI mogą pomóc dotrzeć małemu zespołowi.

Eksperyment był sposobem na zmierzenie dystansu między pomysłem a jego realizacją. Co można spróbować zrobić, mając sprawne narzędzia, dostęp do sprzętu i chęć nauki?

Chciałem sam przejść ten dystans.

Ludzie zaczęli zadawać inne pytania.

Wokół siebie zacząłem zauważać coś, co stało się równie interesujące jak same modele.

Osoby, które korzystały z API i budowały aplikacje, zaczęły chcieć zrozumieć technologię, która za nimi stoi.

„Którego modelu powinienem użyć?” zmieniło się w „Dlaczego ten działa lepiej?”.

Potem pojawiły się pytania: „Co się stanie, jeśli zmienimy dane?”, „Czy pomógłby inny tokenizer?”, „Czy sami możemy wytrenować coś lepszego?”.

Deweloperzy zaczynali prowadzić badania. Czytali artykuły naukowe, projektowali eksperymenty, porównywali wyniki i rozwijali własne pomysły.

Ta droga została ze mną. Gdy ktoś jest na tyle ciekawy, by zbadać, jak działa model, potrzebuje miejsca, w którym może rozwijać tę ciekawość: mocy obliczeniowej, narzędzi, współpracowników i czasu.

Chciałem zbudować miejsce, w którym mogą iść dalej.

Z miłości do rzemiosła.

Zrozumienie trudnego systemu daje głęboką satysfakcję.

Masz hipotezę. Coś zmieniasz. Przeprowadzasz eksperyment. Wynik zmusza cię do ponownego myślenia. Czasem poprawa wytrzymuje dokładniejsze sprawdzenie. Czasem znika.

W naszej pracy zdarza się jedno i drugie. W jednym z eksperymentów pozorna poprawa na małym zbiorze ewaluacyjnym zniknęła, gdy sprawdziliśmy ją na większej próbce. Ten wynik też należy do zapisu. Wiedza, że jakieś podejście zawiodło, może oszczędzić komuś kolejnego tygodnia pracy.

Widzę, jak te pytania pochłaniają ludzi skupionych wokół Fabryki: jak sprawić, by model uczył się więcej ze swoich danych, jak zmieścić więcej możliwości w mniejszym systemie, jak przyspieszyć inferencję, jak zmierzyć, czy poprawa jest prawdziwa.

Wokół takiej kultury chcę budować. Ludzie, którym na technologii zależy na tyle, by zrozumieć ją dogłębnie i ulepszać.

Zbudowane w Polsce, z miejscem na wyższe cele.

ElevenLabs zmieniło moje poczucie tego, co jest możliwe dla polskich założycieli i badaczy. Ich przykład sprawił, że budowanie oryginalnej technologii AI dla globalnej publiczności stało się czymś namacalnym.

Chcę, żebyśmy tę możliwość potraktowali poważnie.

W Polsce budujemy Fabrykę. Tu zaczyna się wiele naszych relacji i współprac. Badania nad językiem polskim są ważne dla ludzi z naszej społeczności i dla klientów, a my jesteśmy dumni, że możemy się do nich przyczyniać.

Nasza ambicja sięga podstawowej technologii: modeli, metod treningu, danych, ewaluacji, inferencji i produktów, które te postępy umożliwiają.

Małe modele dają nam praktyczne miejsce do badania trudnych pytań i rywalizacji w ramach zasobów, którymi dysponujemy. Mają też własne, użyteczne zastosowania. To, czego uczymy się w tej skali, ma pomóc nam zdecydować, co próbować dalej.

Chcę, żeby nasza ambicja rosła razem z naszymi możliwościami — i chcę pozyskiwać klientów, współpracowników i inwestycje, które mogą ją wesprzeć.

Praca przynosi rezultaty.

Według stanu na wrzesień 2026 nasz GoLLeM-v5 128M zajmuje czwarte miejsce pod względem wyniku łącznego na Glint Tiny-ML Leaderboard.

Zbudowaliśmy i opublikowaliśmy Polish DynaWord, zbiór danych, z którego jesteśmy dumni. Inni badacze zaczęli cytować naszą pracę. To, co zaczęło się od naszych własnych pytań, staje się użyteczne dla ludzi, którzy zajmują się swoimi.

O budowaniu Fabryki rozmawiałem też w Wycinkach z przyszłości, odcinek 69, opublikowanym 26 czerwca 2026: o dostępie do mocy obliczeniowej, finansowaniu otwartego laboratorium badawczego i o tym, jak od obserwowania pracy można przejść do współtworzenia.

Były też mniejsze chwile uznania. W rozmowie z Remigiuszem Kinasem w 99 Twarzach AI Karol Stryja powiązał ideę polskiego laboratorium badań i optymalizacji AI z moimi ambicjami. Zachęcające było usłyszeć, że ten kierunek jest dostrzegany poza naszymi własnymi rozmowami.

To wczesne osiągnięcia. Dają nam konkretne powody, by budować dalej.

Za początkowym przekonaniem, że możemy zrobić to lepiej, stoją teraz eksperymenty, publiczne artefakty i konkurencyjne wyniki.

Twórz rzeczy, których ludzie chcą. Prowadź badania dalej.

Ciekawość potrzebuje czasu. Eksperymenty potrzebują mocy obliczeniowej. Ludzie muszą z czegoś żyć.

Chcę, żeby Fabryka budowała produkty, które ludzie cenią na tyle, by za nie płacić, i żeby z tych przychodów finansować dalsze badania.

Nasza platforma inferencji jest częścią tego wysiłku. Serwowanie użytecznych modeli rodzi wymagające problemy inżynierskie: opóźnienia, przepustowość, niezawodność i koszt. Poprawy w tych obszarach mogą ulepszać produkt, a jednocześnie dawać nam nowe pytania do zbadania.

Pozostałe projekty wspierają tę samą pracę. CodeSOTA pomaga nam porównywać modele. Fabryka Track pomaga nam rozumieć eksperymenty. Nasze zbiory danych i przebiegi treningowe pomagają badać, jak modele się uczą.

Zmierzamy do firmy, w której użyteczne produkty wspierają badania, a badania dają nam lepsze produkty do zaoferowania. Sukces komercyjny dałby nam więcej czasu, więcej mocy obliczeniowej i więcej swobody w realizowaniu trudnych pomysłów.

To biznes, który chcę budować na długo.

Zobaczmy, jak daleko możemy dojść.

Fabryka zaczęła się od mojego instynktu rywalizacji. Z Arkiem i ludźmi, którzy współtworzą ją razem z nami, stała się wspólnym wysiłkiem.

Mamy modele w rankingu, publiczne dane, narzędzia i badania, które inni zaczynają cytować. Mamy też wiele pytań, na które jeszcze nie umiemy odpowiedzieć.

Napędza mnie widok ludzi, którzy potrafią już wykonywać pracę, która kiedyś wydawała im się poza zasięgiem — i świadomość, ile więcej moglibyśmy spróbować z odpowiednimi zasobami.

Nadal chcę budować lepsze modele.

Teraz chcę zbudować firmę, w której możemy to robić dalej.

Kacper WikiełZałożyciel Fabryki AIWarszawa, wrzesień 2026