Mirendil, laboratorium sztucznej inteligencji założone przez byłych badaczy Anthropic, podpisało z Google Cloud wieloletnią umowę na moc obliczeniową wartą ponad 100 mln USD. Środki mają posłużyć rozwojowi samodoskonalącej się AI, czyli systemów, które same iteracyjnie poprawiają swoje wyniki. To jedna z pierwszych tak dużych transakcji infrastrukturalnych młodego laboratorium, które dopiero w czerwcu wyszło z ukrycia.
Firma zebrała 200 mln USD w rundzie zalążkowej przy wycenie 1 mld USD (koniec czerwca 2026). Umowa z Google Cloud pochłania mniej więcej połowę tej kwoty i daje dostęp do układów TPU Google, kart graficznych Nvidii oraz zarządzanych klastrów treningowych. Na czele Mirendil stoją Behnam Neyshabur (CEO) i Harsh Mehta, wcześniej związani z Anthropic. Cel: przyspieszenie odkryć naukowych w medycynie, biologii i inżynierii materiałowej.
Na czym polega samodoskonaląca się AI
Chodzi o rekurencyjne samodoskonalenie: model dostaje problem i z czasem sam podnosi swoją skuteczność, bez ręcznego przestrajania przy każdym kroku. „Można mieć samodoskonalącą się AI, której wskazujesz problem, a ona z czasem staje się coraz lepsza" — tłumaczy Neyshabur. Współzałożyciel Harsh Mehta podkreśla znaczenie elastyczności sprzętowej: różne zadania trafiają na różne akceleratory, zależnie od tego, co jest w danym momencie najbardziej opłacalne. Widać, jak bardzo koszt i dobór mocy obliczeniowej stają się częścią strategii, a nie tylko szczegółem technicznym.
Warto zachować ostrożność wobec obietnic. Rekurencyjne samodoskonalenie pozostaje na wczesnym, badawczym etapie, a zapowiedzi o „AI, która sama pokona chorobę Alzheimera" to na razie kierunek prac, nie wynik. Przy ocenie takich projektów liczy się to, co da się niezależnie zweryfikować.
Dla polskiego biznesu płyną z tego dwa praktyczne wnioski. Po pierwsze, rośnie waga mocy obliczeniowej i uzależnienia od dostawców chmury — nawet dobrze finansowane laboratorium musi kupować moc obliczeniową od hyperscalera. Warto projektować własne wdrożenia AI tak, by dało się mieszać dostawców i akceleratory, zamiast zamykać się u jednego. Po drugie, samodoskonaląca się AI nie zwalnia z nadzoru człowieka: im bardziej system zmienia się sam, tym ważniejsze są testy, logowanie i punkty kontroli przed dopuszczeniem wyników do realnych decyzji.
Źródło: TechCrunch (EN), 6 sierpnia 2026.
