Profesor z Cambridge: światowa AI opiera się na jednej europejskiej firmie. Europa musi się obudzić (WYWIAD)

Cezary Szczepański (XYZ): Europa chce włączyć się do wyścigu w rozwoju AI z USA i Chinami. Pomysłów jest sporo, ale co z pana brytyjskiej perspektywy możemy zrobić w praktyce, by doprowadzić nas do tego celu?

Paul Calleja, dyrektor obszaru Research Computing na Uniwersytecie Cambridge: Rzeczywiście w Wielkiej Brytanii staramy się właśnie określić, w jakich obszarach możemy dodać wartość w świecie AI i w jaki sposób zachować u siebie know-how. Nie można zakładać, że Europa czy Wielka Brytania ponownie zaczną samodzielnie produkować układy scalone. Dlatego można powiedzieć, że Europa jest w pewnym sensie uzależniona od technologii amerykańskich i chińskich. Mamy silnych graczy: Infineon, SiPearl czy Arm, odgrywają ważną rolę, jednak nie produkują najbardziej zaawansowanych chipów. A skąd USA i Chiny biorą maszyny, które wytwarzają te układy scalone? Który kraj ma monopol na najbardziej zaawansowaną technologię wykorzystywaną przy produkcji krzemu?

No właśnie, który?

Holandia! Na świecie jest tylko jedna firma, która produkuje maszyny do wytwarzania chipów o wielkości 5 nm i poniżej – to ASML. Gdyby tylko ktoś chciał je wyłączyć, globalny rynek AI stanąłby w miejscu. A ten kluczowy podmiot znajduje się w Unii Europejskiej. Inni producenci – Canon, Nikon czy Applied Materials – koncentrują się na mniej zaawansowanych technologiach. W praktyce więc świat AI jest mocno uzależniony od jednej, stosunkowo niewielkiej firmy z Holandii.

Walka o AI

A my z kolei jesteśmy uzależnieni od Amerykanów i Chińczyków, którzy wykorzystują te technologie i następnie sprzedają nam gotowe rozwiązania.

Świat jest więc głęboko współzależny – technologicznie i gospodarczo. Nikt nie przywiązuje zbytnio wagi do tego, skąd pochodzi krzem. Europa woli kupować oprogramowanie od Amerykanów. Nic nie stoi na przeszkodzie, by technologia produkcji półprzewodników rozwijała się niezależnie w Europie. Ale to nie ma większego znaczenia, podobnie jak miejsce pochodzenia krzemu. Mówię o niezależności przez pryzmat dostępu do komponentów z całego świata i budowy własnych narzędzi oraz infrastruktury AI. I tu Europa może być niezależna.

Jak?

W Wielkiej Brytanii rząd kładzie nacisk na to, by powstawały firmy zarejestrowane i finansowane lokalnie. Mają tworzyć wartość w kraju, gdzie działa ich infrastruktura i gdzie obowiązuje krajowe prawo. Jeśli model AI powstaje z wykorzystaniem danych znajdujących się w Wielkiej Brytanii, to powinien podlegać brytyjskim regulacjom.

Analogicznie – jeśli model został stworzony w Polsce, to jego funkcjonowanie powinno regulować polskie prawo, a nie brytyjskie.

Jak pokonać Chiny w wyścigu na AI?

Czy Europa ma w ogóle szansę na budowę alternatywy dla USA i Chin w obszarze AI?

Zarówno my, naukowcy, jak i rząd Wielkiej Brytanii koncentrują się na koncepcji „suwerennej sztucznej inteligencji” (sovereign AI). To pojęcie jest dość szerokie i warto się nad nim chwilę zatrzymać. W moim rozumieniu „suwerenna AI” oznacza przede wszystkim lokalną możliwość tworzenia i dostarczania systemów AI – zamiast opierania się wyłącznie na infrastrukturze zlokalizowanej w Chinach czy Stanach Zjednoczonych. Niezależnie od tego, czy mówimy o Wielkiej Brytanii, Polsce czy innym kraju europejskim.

Przeczytaj: Mistrzowie czipów zainwestują w Polsce? Tajwan wchodzi do nowego parku przemysłowego (WYWIAD)

Czyli infrastruktura jest tu ważniejsza niż samo oprogramowanie?

Chodzi o coś znacznie więcej niż sam sprzęt – serwer czy procesor graficzny. Aby móc tworzyć i rozwijać technologie AI, potrzebna jest cała infrastruktura, od podstaw po najwyższe warstwy. Potrzebujemy terenów z dostępem do energii, centrów danych, specjalistów potrafiących nimi zarządzać, zaplecza IT obejmującego serwery, sieć i magazyny danych, a także oprogramowania pośredniczącego, narzędzi do orkiestracji danych i aplikacji AI. To ogromny ekosystem, składający się z wielu warstw i komponentów.

No dobrze, ale czy na to nie jest za późno? Amerykańskie i chińskie firmy są dziś na takim poziomie, że nawet jeśli w Wielkiej Brytanii czy Europie postawimy wszystko na jedną, AI-ową kartę, to takiego OpenAI czy Google’a nie sposób już dogonić. Dobry przykład to francuski Mistral. Wygląda na to, że ten wyścig już przegraliśmy.

Rozwój AI postępuje tak szybko, że technologia, którą mamy dziś, jutro może stracić na znaczeniu. Nadchodzą ogromne zmiany. W tak dynamicznie zmieniającym się rynku nie będziemy pracować z AI w tym samym modelu co teraz. Trzeba myśleć o krok naprzód. Korzystanie z AI jest dziś o wiele tańsze niż pięć lat temu. Modele z wczoraj to już tylko kosztowne relikty. Mówi pan, że OpenAI jest daleko z przodu – owszem, ale głównie w tym, ile pieniędzy zdążyło już przepalić i których nigdy nie odzyska. Dawne modele ChatGPT nie mają dziś większego znaczenia, a ich stworzenie pochłonęło absurdalne kwoty. Dziś takie modele można zbudować znacznie szybciej i taniej.

Samonapędzające się koło w świecie sztucznej inteligencji

Tyle, że nie tworzymy wciąż dobrej alternatywy.

Musimy mieć odpowiednie zasoby. Moim zdaniem rządy nie są w stanie sfinansować tego samodzielnie, bo nie dysponują wystarczającym kapitałem. Potrzebujemy przyciągnąć firmy, które potrafią pozyskać środki i wydawać kapitał na zakup ogromnych ilości GPU – tak jak robią to inni.

Jak ten słynny wykres, w którym OpenAI wydaje pieniądze u Oracle’a, który z kolei kupuje chipy od NVIDII, a ta inwestuje w OpenAI – tworząc zamknięte koło horrendalnych kwot?

Rzeczywiście wszyscy wydają cudze pieniądze na GPU. Ryzyko spoczywa jednak na inwestorach, którzy liczą na zwrot. Rządy tak nie działają i nie mają tej skali inwestycji. Dlatego jeśli ktoś ma kapitał wysokiego ryzyka, który może zainwestować w firmę budującą taką infrastrukturę – z nadzieją, że ktoś inny stworzy na niej rentowny model biznesowy – to właśnie na tym polega obecna gra.

Czyli jako Europa musimy za wszelką cenę tworzyć taki system, wspierany prywatnym kapitałem?

Tak. Myślę, że potrzebne są partnerstwa publiczno-prywatne, które potrafią skoordynować wykorzystanie kapitału wysokiego ryzyka w budowie infrastruktury, a następnie przekuć tę inwestycję w wartość dla gospodarki, nauki i innowacji. Tak, by ten model był trwały i samowystarczalny.

Rozumiem, że teraz Europa nie jest jeszcze na tym etapie?

Nie, jeszcze nie. Ale w przyszłości – jak najbardziej.

Przeczytaj: Po co nam lekarze, skoro mamy AI. „Widzę jeden scenariusz - gdy sztuczna inteligencja nie dopuści do tego, byśmy w ogóle się rozchorowali"

Naukowcy a rozwój AI

Jaka w takim razie jest rola naukowców w tym nowym środowisku? W Cambridge uruchomiliście przecież superkomputer Dawn.

Tak, to ważny element brytyjskiej strategii narodowej w obszarze AI. Projekt Dawn powstał we współpracy naszego uniwersytetu z Intelem i Dell Technologies. To nie jedyny projekt – w Bristolu działa również Isambard AI. Rząd ogłosił kolejną falę inwestycji: przeznaczono miliard funtów na sprzęt. To niewielka kwota w porównaniu z nakładami amerykańskich gigantów, ale pamiętajmy, że środki te są skierowane na badania. Rolą naukowców jest uzyskanie dostępu do tej infrastruktury przy możliwie najniższym koszcie, tak aby swobodnie eksperymentować i badać wpływ AI na swoje dziedziny. To kluczowe, jeśli chcemy nadążyć za rozwojem technologicznym, bo AI diametralnie przyspiesza cykle badawcze. Państwo ma tu ważną rolę – musi uruchomić ten proces i umożliwić nauce korzystanie z nowych narzędzi.

Problem z firmami polega na tym, że mamy klasyczną sytuację „jajka i kury” – nie da się uzasadnić inwestycji, dopóki nie udowodni się, że ma sens. Ale jak stworzyć infrastrukturę, żeby móc w ogóle przygotować prototypy?

W Wielkiej Brytanii rząd dotuje dostęp do takich systemów dla firm, zwłaszcza na wczesnym etapie rozwoju. Duże koncerny farmaceutyczne teoretycznie mogłyby sfinansować to same, ale w praktyce również mają trudności – bez konkretnego biznesplanu trudno im uzasadnić takie wydatki. Dlatego rząd udostępnia systemy do tworzenia prototypów: firmy mogą zobaczyć, jakie możliwości naprawdę daje AI. To obniża barierę wejścia, zarówno finansową, jak i kompetencyjną.

Jak rząd może pomóc w rozwoju technologii?

Rząd finansuje eksperymenty przedsiębiorstw?

Wielu przedsiębiorców po prostu nie jest w stanie dostrzec „sztuki tego, co możliwe”. Jeśli zobaczą potencjał sztucznej inteligencji w swojej branży, łatwiej im będzie zdobyć finansowanie, rozwijać kompetencje i infrastrukturę. Uważam, że rządy mogą w ten sposób znacząco przyspieszyć ten proces – i tak samo powinno to wyglądać w Polsce.

Czy może pan podać przykłady sukcesów wykorzystania superkomputerów i infrastruktury AI w Wielkiej Brytanii?

System Dawn działa od trzech lat. Nasze pierwsze projekty skupiały się głównie na medycynie klinicznej i odnieśliśmy duże sukcesy, szczególnie w diagnostyce obrazowej. To obszary, w których badania nad AI są już zaawansowane, więc można było je łatwo skalować. AI w medycynie, np. w diagnostyce raka czy analizie skanów mózgu, robi ogromne postępy i jest już wykorzystywana w praktyce. Podobnie wygląda sytuacja w przypadku chorób serca. Dzisiejsze zegarki, takie jak Apple Watch, potrafią zbierać ogromne ilości danych. Możliwe jest stworzenie urządzeń, które na podstawie danych wysyłanych do modelu AI będą potrafiły ostrzec użytkownika przed zbliżającym się zawałem.

Komercjalizacja prac naukowców

Jak takie projekty można realizować komercyjnie?

To bardzo ciekawe zagadnienie. W badaniach naukowych, gdy chce się przejść od teorii do praktyki, rządowe finansowanie nigdy nie wystarczy. Potrzebny jest kapitał wysokiego ryzyka. Dlatego wiele pomysłów akademickich trafia później do firm, które pozyskują finansowanie i komercjalizują wyniki badań.

W większości naszych projektów stosowanych istnieje ścisła współpraca między uczelniami, które tworzą własność intelektualną, a firmami, które na jej podstawie zdobywają kapitał i skalują rozwiązania. To bardzo efektywny model – technologie trafiają potem do krajowego systemu zdrowia, wdrażane już przez przedsiębiorstwa.

Naukowcy sami nie prowadzą takich procesów?

Zazwyczaj nie – nie mają ani środków, ani sposobu myślenia, ani nawet chęci, by skalować swoje pomysły.

To duży problem również w Polsce. Mamy wielu świetnych naukowców, ale większość ich wynalazków zostaje na uczelniach.

Jeśli porównać Wielką Brytanię, Europę i Stany Zjednoczone, Amerykanie są znacznie bardziej nastawieni na komercjalizację i zakładanie firm. W Europie nie przychodzi to tak naturalnie.

Czy widać jednak jakąś zmianę podejścia wśród naukowców w Wielkiej Brytanii?

Tak, ponieważ to właśnie komercjalizacja daje im dziś środki na badania. Wielu naukowców to prawdziwi pasjonaci – robią to, co kochają, i jeśli muszą zarobić, by móc kontynuować badania, dostosowują się do zasad rynkowych. Ich główną motywacją nie są pieniądze, lecz nauka. W Stanach Zjednoczonych jest inaczej – tam silniejsza jest motywacja finansowa. To kwestia kultury.

Przeczytaj: Rafał Brzoska: jestem gotów zainwestować nawet 100 mln euro w polską gigafabrykę AI

Polskie (i nie tylko) doświadczenia

Rozmawiałem niedawno z szefową bardzo ambitnej polskiej firmy w sektorze kwantowym. Mówiła, że czasem „odciągnięcie” naukowców od pracy teoretycznej na rzecz praktycznych zastosowań jest trudne.

Zgadza się. Sztuka polega na tym, jak zaangażować takich ludzi i pomóc im przełożyć ich wizję na praktyczną płaszczyznę. W Cambridge mamy wielu takich naukowców. Kluczowy jest dobrze funkcjonujący trójkąt współpracy – między środowiskiem akademickim, rządem i biznesem. To ekosystem, który musi działać zrównoważenie: uczelnie dostarczają wiedzy i talentów, rząd kształtuje politykę, a firmy nadają jej realny wymiar komercyjny. Jeśli ten układ działa poprawnie, można osiągnąć realny postęp.

Co jest kluczowe, żeby polskie inwestycje w superkomputery AI przełożyły się na rozwój technologiczny i innowacyjność?

W przypadku zasobów AI finansowanych przez państwo kluczowe jest, skąd pochodzi nadzór nad nimi. Czy jest to bezpośrednio ministerstwo – jak u nas, Departament Nauki i Technologii – czy rady naukowe, które zajmują się finansowaniem badań recenzowanych przez środowisko akademickie.

W naszym przypadku kontrola jest raczej odgórna, rządowa. Ma to swoje plusy i minusy. Nie wiem, jak jest w Polsce, ale moim zdaniem najważniejsze jest zachowanie równowagi – by system z jednej strony był napędzany polityką rządową, a z drugiej zakorzeniony w strukturach akademickich, które potrafią racjonalnie zarządzać badaniami. Tylko wtedy zachowamy silne powiązanie między nauką, infrastrukturą a polityką państwa. Trzeba pamiętać, że zasobów nigdy nie jest wystarczająco. Dlatego pytanie brzmi: jak wykorzystać ograniczone środki, by najlepiej realizować cele państwa?

Biznes czy nauka. Co najważniejsze w świecie AI

Czy badania naukowe powinny być najważniejsze?

W pewnym sensie tak, ale trzeba pamiętać, że to rząd za wszystko płaci. A jeśli nie będzie zadowolony z efektów, odetnie finansowanie.

Dlatego nie da się uniknąć napięcia między priorytetami rządowymi, akademickimi i komercyjnymi. Wszystkie trzy muszą pozostawać w równowadze. Jeśli cała infrastruktura zostanie oddana wyłącznie naukowcom, pochłoną zasoby na badania, które niekoniecznie przełożą się na praktyczne efekty.

Trzeba więc określić, co jest miernikiem sukcesu. Co oznacza „dobry wynik” – i ustalić to w drodze konsultacji między wszystkimi stronami. Co najważniejsze: nie należy się z tym spieszyć.

Trzeba też mieć odpowiednich ludzi na czele takich projektów.

Zgadza się. Ale ostatecznie wszystko sprowadza się do decyzji rządu. Tylko że mówiąc „rząd”, mam na myśli administrację państwową, nie polityków. Nie wiem, jak to wygląda w Polsce, ale w Wielkiej Brytanii mamy służbę cywilną, która ma charakter trwały, podczas gdy politycy przychodzą i odchodzą.

Brytyjska administracja jest teoretycznie stabilna, ale jeśli spojrzeć na ludzi, którzy w niej pracują, to są to głównie osoby w wieku 20–25 lat. Zostają na stanowiskach kilka lat, po czym przechodzą dalej. W teorii to trwała struktura, ale w praktyce rotacja jest ogromna. I wtedy pojawia się pytanie: kto tak naprawdę podejmuje decyzje?

Polska i perspektywy do rozwoju innowacji

A jak pan, z zewnątrz, patrzy na Polskę jako kraj innowacji i badań naukowych? Jakie są największe bariery, które nas powstrzymują?

Największym wyzwaniem jest dostęp do kapitału. Choć w tym zakresie Unia Europejska stanowi bardzo dobre wsparcie. Dlatego uważam, że utrzymanie ścisłego powiązania z UE jest dla Polski absolutnie kluczowe – nie wolno się od tego odcinać.

Słyszę w głosie „ducha brexitu”…

Często żartuję, że sam spróbuję się spolonizować. Moja żona jest Polką i jestem jedynym w rodzinie, kto nie ma polskiego i unijnego obywatelstwa! Ma to swoje minusy. Na lotniskach zawsze stoję w tej dłuższej kolejce (śmiech).

W Polsce macie fantastyczne uczelnie techniczne, szczególnie w dziedzinach IT, matematyki i inżynierii. Jeśli Polska mądrze wykorzysta swoje zasoby i fundusze europejskie na badania, może być w świetnej pozycji rozwojowej. Zresztą już teraz widać to po wynikach waszego przemysłu i PKB.

A co z AI?

Sztuczna inteligencja to dla Polski ogromna szansa. Jeśli rząd podejdzie do tego mądrze – a to zawsze bywa problematyczne (śmiech).

Szanse dla Polski

Co trzeba zrobić, żeby niezależnie od mądrości rządu Polska mogła rozwijać sztuczną inteligencję?

Przykładowo: przekazać kompetencje wyspecjalizowanym agencjom badawczym. W Wielkiej Brytanii staramy się oddzielać administrację badawczą od polityki. W praktyce te granice czasem się zacierają. Mimo to jestem optymistą, jeśli chodzi o Polskę. Macie silne zaplecze naukowe i inżynieryjne, a także większy niż u nas sektor przemysłowy. I to duży atut, bo AI może znacząco zwiększyć wydajność produkcji.

Drugim poważnym problemem jest odpływ talentów. Wielu polskich naukowców i specjalistów wyjeżdża do USA czy Wielkiej Brytanii.

Rzeczywiście, wielu Polaków pracuje za granicą, ale myślę, że to się stopniowo zmienia. Wielu z nich wraca, ponieważ w niektórych krajach standard życia spada. Słyszę od moich polskich znajomych, że znów myślą o powrocie. Co może pomóc w ich przyciągnięciu? Wsparcie w przejściu od badań akademickich do komercjalizacji.

Polski rząd powinien się temu naprawdę przyjrzeć. W przeciwnym razie młodzi, zdolni ludzie mogą dojść do wniosku, że lepiej będzie im w USA lub Wielkiej Brytanii. To byłaby duża strata.

Drenaż umysłów. Jak giganci podbierają talenty

Wielu dużych graczy – jak Google czy Meta – przejmuje najzdolniejszych, wykorzystując ich potencjał dla swoich celów. To naturalne, ale nie zawsze korzystne dla rozwoju badań naukowych, np. w medycynie. Czy z tym problemem możemy sobie jakoś poradzić?

To rzeczywiście ogromne wyzwanie. Pensje na uczelniach są znacznie niższe niż w sektorze komercyjnym – często o połowę. Jak więc zatrzymać inżynierów w moim zespole? Jak ich przyciągnąć i utrzymać? To bardzo trudne.

Wiele osób lubi pracować przy projektach o wyraźnym wymiarze społecznym – to częściowo rekompensuje niższe zarobki. Musimy jednak znaleźć kreatywne sposoby na uzupełnienie wynagrodzeń, inaczej ich stracimy. W naszym przypadku mamy spin-off komercyjny, dzięki czemu mogę angażować najlepszych inżynierów zarówno w projekty naukowe, jak i komercyjne. W ten sposób różnice w zarobkach częściowo się wyrównują. Myślę, że współpraca z firmami, które umożliwiają łączenie stanowisk w obu sektorach, może bardzo pomóc. Trzeba po prostu szukać nieszablonowych rozwiązań.

Nie ma więc żadnego „magicznego” rozwiązania?

Nie. Trzeba umieć opisać swoje projekty w kategoriach dobra publicznego i tworzyć kulturę, w której ludzie czują się swobodnie, by realizować swoje pomysły. Ale koniec końców — jeśli ktoś chce założyć rodzinę i kupić dom, a nie może sobie na to pozwolić, odejdzie. I ciężko będzie przyciągnąć nowych.

Myślę, że programy akceleracyjne, które łączyłyby naukowców z biznesem, mogłyby bardzo pomóc – tak, by wspólnie tworzyli startupy w kluczowych obszarach. W Wielkiej Brytanii rząd zaczyna teraz wprowadzać premie i dopłaty w ramach stypendiów dla najlepszych specjalistów. Problem w tym, że dotyczy to głównie „gwiazd”, czyli ludzi z najwyższej półki. A największy kłopot mamy na średnim poziomie, wśród solidnych inżynierów.

Ambicja młodych naukowców

Nie każdy może dostać Nagrodę Nobla.

Musimy więc się zastanowić, na co kierować środki na badania. Chcielibyśmy finansować wszystkie dziedziny, ale to niemożliwe – pieniędzy po prostu nie wystarczy. Musimy skoncentrować się na wybranych obszarach i lepiej wynagradzać mniejszą grupę ludzi. To oznacza, że jedni będą wygranymi, a inni przegranymi. Niestety, trzeba podejmować odważne decyzje – inaczej nie da się iść dalej.

A jeśli chodzi o młodych doktorów i naukowców – czy widzi pan u nich otwartość na łączenie działalności naukowej z biznesem, np. w tworzeniu startupów?

Tak, widać to w Cambridge. Trzeba jednak pamiętać, że nie jest to środowisko reprezentatywne – Cambridge to miejsce o szczególnym profilu, na bardzo wysokim poziomie. Uważam, że wszystko powinno zaczynać się dużo wcześniej – już w szkole. Musimy edukować młodych ludzi w zakresie przedsiębiorczości, uczyć ich myślenia biznesowego i zastanawiać się, jak wspierać młodych przedsiębiorców.

Na uczelni mamy programy tego typu i sprawdzają się one bardzo dobrze. To dlatego Cambridge ma tak prężny klaster technologiczny, a wiele firm z tego regionu to spin-offy uniwersyteckie.

Przeczytaj: Polska technologia szczepionek przeciwnowotworowych ze wsparciem. Zainwestowało w nią konsorcjum funduszy, które zebrało 572 mln zł na inwestycje w startupy

Strach czy nadzieja. Co dalej z AI?

Czy myśląc o rozwoju sztucznej inteligencji, czuje się pan bardziej zaniepokojony, czy raczej podekscytowany?

Zazwyczaj koncentruję się na możliwościach w perspektywie 18–24 miesięcy. W tym horyzoncie to naprawdę ekscytujące. W dziedzinach takich jak inżynieria, nauka czy medycyna AI może radykalnie zwiększyć produktywność. Na przykład w projektowaniu nowych reaktorów atomowych – sztuczna inteligencja pozwala robić rzeczy, które wcześniej były niewykonalne. Umożliwia analizę danych na poziomie, o którym kiedyś nie mogliśmy marzyć. Podobnie w medycynie – przy odkrywaniu leków czy w bardziej przyziemnych obszarach, takich jak administracja publiczna.

W Wielkiej Brytanii rząd bardzo koncentruje się na reformie sektora publicznego i zwiększaniu jego efektywności. Duże modele językowe świetnie sprawdzają się przy przetwarzaniu tekstów, dzięki czemu można obniżyć koszty świadczenia usług publicznych, zachowując ich jakość. A to, co zrobić z zaoszczędzonymi środkami, zależy już od polityków.

AI otwiera możliwości wcześniej niedostępne, przynosi oszczędności i zwiększa produktywność. Uważam, że to prawdziwa rewolucja. Oczywiście – jak każda rewolucja przemysłowa – będzie wiązać się z zaburzeniami na rynku pracy. Dlatego państwa muszą inwestować w to bogactwo w sposób, który przynosi korzyść całemu społeczeństwu, a nie tylko nielicznym. To jednak problem polityczny.

Technologia to jedno. Kluczowe jest, jak ją wykorzystujemy i czy potrafimy sprawiedliwie dzielić korzyści.

Główne wnioski

1. Europa i Wielka Brytania mają realny potencjał do budowy niezależnej infrastruktury AI, ale kluczowe są inwestycje w lokalne zasoby i partnerstwa publiczno-prywatne. Mimo dominacji USA i Chin, przyszłość nie musi oznaczać podporządkowania się ich modelom. Chodzi nie o kopiowanie gigantów, lecz o budowę własnego ekosystemu – infrastruktury, regulacji i kompetencji – który pozwoli tworzyć i rozwijać AI na lokalnym gruncie. Przykłady takie jak ASML z Holandii czy współpraca Uniwersytetu Cambridge z przemysłem dowodzą, że Europa ma unikalne atuty, jeśli tylko zdoła je wykorzystać.
2. Kluczem do sukcesu jest integracja nauki, przemysłu i administracji w spójnym systemie wspierającym innowacje i ich wdrażanie. Doświadczenia brytyjskie pokazują, że to trójkąt współpracy – uczelnie tworzą wiedzę i talenty, rząd wyznacza priorytety i dostarcza zasobów, a firmy wprowadzają rozwiązania na rynek. Dzięki takiej synergii powstały superkomputery Dawn i Isambard AI, a także skuteczne projekty w medycynie klinicznej. Polska, aby wykorzystać swój potencjał, musi stworzyć podobny mechanizm wspierający nie tylko badania, lecz także ich komercjalizację.
3. Największymi barierami rozwoju AI w Europie Środkowo-Wschodniej są niedobór kapitału wysokiego ryzyka oraz problemy z komercjalizacją badań – wiele innowacji grzęźnie na uczelniach. Rozwiązaniem są programy akceleracyjne, zachęty do zakładania startupów i systemy wspierające przejście od badań akademickich do rynku. Konieczne jest również zatrzymywanie talentów i oferowanie konkurencyjnych warunków pracy także poza sektorem komercyjnym.