W przemyśle dane są wszędzie: z czujników, z kamer, z pomiarów ultradźwiękowych, z raportów serwisowych. Problem zwykle nie polega na tym, że „nie mamy danych”. Problem polega na tym, że trudno szybko odpowiedzieć na trzy proste pytania:

Co się dzieje? Dlaczego to ważne? Co robimy dalej?

Dzisiaj coraz częściej łączy się dwa światy:

• modele wykrywające odchylenia w danych (czyli „coś jest nie tak”),
• modele językowe LLM, które potrafią te odchylenia opisać ludzkim językiem i osadzić w kontekście dokumentacji.

Efekt: system nie tylko wykrywa anomalię, ale też pomaga ją zrozumieć i przygotować sensowną decyzję dla utrzymania ruchu.

1. Najpierw wykryj: kiedy dane mówią „uwaga, coś się zmieniło”

W wielu zastosowaniach monitorujemy zmiany w czasie: grubość ścianki, sygnał ultradźwiękowy, drgania, temperaturę czy parametry procesu. W praktyce to po prostu „linia” lub „wiele linii” w czasie.

Modele typu LSTM (rodzina sieci do danych sekwencyjnych) działają tu jak bardzo sprytna prognoza: uczą się, jak zwykle zachowuje się sygnał, a potem sprawdzają, czy to, co przyszło teraz, pasuje do „normalnego” wzorca. Gdy rozjazd jest większy niż zwykle, system oznacza to jako anomalię.

W robotyce inspekcyjnej taka anomalia może oznaczać na przykład, że sygnał ultradźwiękowy zaczyna wyglądać inaczej niż w poprzednich pomiarach albo tempo ubytku materiału jest nietypowe.

Ważne: to jeszcze nie jest diagnoza. To jest sygnał: „sprawdźmy to”.

2. I tu zaczyna się problem: wynik modelu bywa nieczytelny

Klasyczny system analityczny potrafi powiedzieć:

„W tym miejscu błąd predykcji przekroczył próg” albo „wykryto anomalię”.

Tylko że dla większości osób po stronie utrzymania ruchu to za mało. W codziennej pracy potrzebne są jasne odpowiedzi:

• Czy to wygląda groźnie, czy to tylko szum?
• Jakie mogą być przyczyny?
• Jak to się ma do historii instalacji?
• Co rekomendujecie: powtórzyć pomiar, zwiększyć częstotliwość inspekcji, a może natychmiast zatrzymać urządzenie?

I właśnie w tym miejscu pojawia się rola LLM.

3. LLM: tłumacz między danymi a decyzją

LLM (Large Language Model) to model, który potrafi pracować na tekście: czyta, streszcza, wyciąga wnioski i tworzy sensowne odpowiedzi. W przemyśle nie chodzi o „ładne zdania”, tylko o to, żeby ktoś dostał czytelne wyjaśnienie i mógł działać.

Przykład w praktyce:

System wykrywa, że w pewnym obszarze sygnał odbiega od normy. LLM może wygenerować krótkie podsumowanie: co wykryto, jakie są typowe przyczyny i jakie działania są sensowne jako następny krok.

To brzmi świetnie, ale jest haczyk.

4. Dlaczego LLM bez zabezpieczeń to ryzyko

Modele językowe potrafią „dopowiadać”. Czasem robią to dobrze, a czasem tworzą pewnie brzmiące odpowiedzi, które nie mają pokrycia w danych. W przemyśle to jest nie do przyjęcia.

Dlatego sensowne wdrożenia opierają się o podejście, w którym LLM nie „wymyśla”, tylko pracuje na konkretnych materiałach: raportach, procedurach, instrukcjach, normach, historii napraw.

Najczęściej robi się to przez RAG.

5. RAG: LLM, który odpowiada na podstawie Twoich dokumentów

RAG (Retrieval-Augmented Generation) to proste podejście: zanim LLM odpowie, system wyszukuje w bazie wiedzy właściwe fragmenty dokumentów i dopiero na tej podstawie generuje odpowiedź.

W praktyce wygląda to tak:

Dokumenty (np. raporty, instrukcje, normy) są przygotowane i „pocięte” na fragmenty, potem zamienione na reprezentację, która pozwala wyszukiwać semantycznie (czyli po znaczeniu), a nie po słowach kluczowych. Gdy użytkownik zada pytanie albo gdy system chce wyjaśnić anomalię, wyszukiwane są najbardziej pasujące fragmenty. LLM dostaje je jako kontekst i tworzy odpowiedź.

To podejście daje trzy duże korzyści:

• odpowiedzi są „przywiązane” do dokumentów i historii,
• ryzyko halucynacji spada,
• łatwiej uzasadnić wniosek w raporcie.

6. Co to daje w inspekcji i utrzymaniu ruchu

Połączenie detekcji anomalii i LLM (w trybie RAG) zmienia sposób pracy zespołów technicznych.

Zamiast samej flagi „anomalia”, można dostać krótką notatkę operacyjną, na przykład:

Wykryto zmianę charakterystyki sygnału w strefie X w porównaniu do poprzednich pomiarów. W podobnych przypadkach w historii instalacji przyczyną były: pogorszenie sprzężenia, zmiana warunków powierzchni, wczesne ogniska korozji. Rekomendowane działania: powtórzyć pomiar z kontrolą sprzężenia, wykonać pomiar porównawczy w sąsiedniej strefie, rozważyć zwiększenie częstotliwości inspekcji.

To wciąż nie jest „wyrok”. To jest pomoc dla inżyniera, żeby szybciej przejść od danych do sensownego planu działania.

7. Jak Comcore patrzy na ten kierunek

W robotyce inspekcyjnej kluczowe jest to, żeby system był użyteczny nie tylko dla osoby, która analizuje sygnały, ale też dla całego procesu: od pomiaru, przez raport, po decyzję. Dlatego podejście „detekcja + wyjaśnienie + raportowanie” jest tak interesujące.

W praktyce oznacza to budowanie rozwiązań, w których:

• część analizy dzieje się blisko danych (np. na urządzeniu lub w systemie brzegowym),
• warstwa językowa przygotowuje zrozumiałe podsumowanie,
• odpowiedzi są oparte o realną dokumentację i historię instalacji.

Podsumowanie

AI w przemyśle nie musi być „magiczna”. Najbardziej wartościowe podejście to takie, które:

wykrywa zmianę w danych, a potem pomaga ją sensownie wyjaśnić.

Modele do detekcji anomalii świetnie radzą sobie z sygnałem. LLM świetnie radzi sobie z językiem. Dopiero połączenie tych dwóch światów, najlepiej z RAG, daje praktyczną wartość dla utrzymania ruchu: szybciej zrozumieć sytuację, lepiej udokumentować wniosek, sprawniej podjąć decyzję.

Branża finansowa przechodzi obecnie największą transformację technologiczną od lat. Dynamiczny rozwój sztucznej inteligencji, szczególnie modeli agentowych, zmienia sposób działania banków, fintechów, firm pożyczkowych, ubezpieczycieli oraz instytucji płatniczych. Rozwiązania oparte na AI nie są już dodatkiem, ale strategicznym elementem budowania przewagi konkurencyjnej.

Jak dokładnie AI wpływa na sektor finansowy? Najnowsze badania pokazują, że organizacje wykorzystują inteligentne systemy przede wszystkim w obszarach operacyjnych, sprzedażowych i bezpieczeństwa.

Najważniejsze zastosowania AI w branży finansowej

Obsługa klienta i doświadczenia użytkownika (57%)

Systemy AI, takie jak chatboty czy asystenci głosowi, potrafią rozwiązywać problemy klientów w czasie rzeczywistym, przez całą dobę. Automatyzacja kontaktu przyspiesza procesy i obniża koszty operacyjne.

Marketing i personalizacja (48%)

AI analizuje zachowania klientów, przewiduje ich potrzeby i generuje spersonalizowane oferty, co zwiększa skuteczność działań marketingowych.

Finanse i księgowość (46%)

Inteligentne systemy automatyzują raportowanie, rozliczenia, audyty i analizy finansowe. Dzięki temu ograniczają czas pracy zespołów i ryzyko błędów.

Cyberbezpieczeństwo i operacje bezpieczeństwa (46%)

AI wykrywa anomalie, próby wyłudzeń i nieautoryzowane transakcje w czasie rzeczywistym, co podnosi poziom bezpieczeństwa całej organizacji.

Wykrywanie nadużyć finansowych (43%)

Modele analizujące duże zbiory danych identyfikują podejrzane zachowania i tworzą kompleksowe profile ryzyka, stanowiąc kluczowy element strategii antyfraudowej.

Onboarding i weryfikacja klienta KYC (41%)

Automatyczna analiza dokumentów, rozpoznawanie twarzy oraz ocena ryzyka przyspieszają proces weryfikacji z godzin do kilku minut.

Zgodność regulacyjna i audyty (34%)

AI wspiera monitoring transakcji, analizę zgodności, raportowanie AML oraz przygotowanie dokumentacji wymaganej przez regulacje.

Jak AI zmienia strategie fintechów?

Firmy finansowe coraz częściej inwestują w:

• agentów AI wykonujących kompleksowe zadania, takie jak analiza portfeli inwestycyjnych czy obsługa procesów kredytowych,
• modele predykcyjne przewidujące zachowania klientów i ryzyko,
• automatyzację procesów back-office, w tym obsługę reklamacji i rozliczenia,
• zaawansowaną analitykę danych umożliwiającą podejmowanie decyzji na podstawie dużej liczby zmiennych.

AI staje się kluczowym narzędziem, które pozwala obniżyć koszty operacyjne, zwiększyć dokładność analiz, poprawić bezpieczeństwo i przyspieszyć procesy obsługi.

Przyszłość AI w Fintech

W najbliższych latach największy wpływ na sektor będą miały:

• autonomiczni agenci wykonujący procesy end-to-end,
• AI wspierające decyzje kredytowe,
• automatyzacja zgodności regulacyjnej (RegTech),
• systemy inwestycyjne analizujące dane predykcyjne,
• hyperpersonalizacja usług finansowych,
• nowe modele scoringowe oparte na alternatywnych danych.

Firmy, które już dziś wdrażają rozwiązania oparte na sztucznej inteligencji, będą wyznaczać standardy i dominować rynek w nadchodzącej dekadzie.

Źródło: Raport Google Cloud, 2025

Cyfrowy krajobraz zmienia się w zawrotnym tempie, a wraz z nim rosną zagrożenia dla bezpieczeństwa informacji. Rok 2025 przynosi nowe wyzwania, z którymi muszą mierzyć się działy IT i zarządy firm niezależnie od wielkości organizacji. Od zaawansowanych cyberataków wykorzystujących sztuczną inteligencję, po konieczność spełniania coraz bardziej rygorystycznych norm prawnych – bezpieczeństwo IT przestaje być tylko technicznym problemem. Staje się elementem strategicznym.

W tym artykule przedstawiamy kluczowe obszary, na które warto zwrócić uwagę w 2025 roku, aby skutecznie chronić dane, systemy i reputację firmy.

1. Cyberataki oparte na sztucznej inteligencji

Rozwój AI to nie tylko narzędzie dla branży IT, ale również broń w rękach cyberprzestępców. W 2025 roku spodziewamy się większej liczby:

• Ataków phishingowych generowanych przez AI, które perfekcyjnie naśladują ludzką komunikację,

• Malware uczącego się zachowań użytkowników w celu ominięcia detekcji,

• Deepfake'owych wiadomości audio/wideo wykorzystywanych do wyłudzania informacji.

Jak się przygotować?

• Inwestycja w systemy EDR/XDR wspierane przez AI

• Szkolenie pracowników w rozpoznawaniu nowych form oszustw

• Segmentacja sieci i zasada najmniejszych uprawnień (Least Privilege)

2. Zero Trust jako nowy standard

Model Zero Trust zakłada, że nie należy ufać żadnemu komponentowi sieci bez ciągłej weryfikacji. W 2025 roku podejście to stanie się fundamentem nowoczesnych architektur IT.

Elementy wdrożenia Zero Trust:

• Uwierzytelnianie wieloskładnikowe (MFA) wszędzie

• Mikrosegmentacja zasobów

• Monitorowanie i inspekcja każdego połączenia

Korzyści:

• Znaczne ograniczenie skuteczności ataków typu ransomware

• Lepsze zarządzanie ryzykiem dostępu

3. Cyberbezpieczeństwo jako usługa (CSaaS)

Nie wszystkie firmy mogą pozwolić sobie na własny zespół ekspertów. W odpowiedzi na to rośnie popularność rozwiązań typu Cybersecurity as a Service:

• Zewnętrzne SOC (Security Operations Center)

• Audyty podatności prowadzone cyklicznie przez partnera technologicznego

• Zintegrowane narzędzia do monitoringu i reakcji

Comcore może tu odegrać rolę partnera strategicznego, dostarczając usługi audytu, wsparcia technicznego i doradztwa w wyborze narzędzi ochronnych.

4. Nowe regulacje prawne i compliance

W 2025 roku wejdą w życie nowe przepisy dot. ochrony danych, np. NIS2 czy aktualizacje RODO. Firmy muszą być gotowe na:

• Większą odpowiedzialność kadry zarządzającej za incydenty

• Obowiązek wdrożenia systemów zarządzania ryzykiem cybernetycznym

• Większe kary za brak odpowiedniej reakcji na ataki

Wskazówka: Warto połączyć działy IT z prawnym i compliance, tworzyć scenariusze reagowania na incydenty

5. Bezpieczeństwo endpointów i pracy zdalnej

Wraz z utrwaleniem modelu hybrydowego, firmy muszą zadbać o:

• Centralne zarządzanie urządzeniami (MDM/UEM)

• Regularne aktualizacje i patche

• Zabezpieczenia VPN i monitorowanie aktywności użytkowników poza siecią firmową

Podsumowanie

Rok 2025 to nie czas na kosmetyczne zmiany. To moment, w którym strategia cyberbezpieczeństwa musi stać się integralną częścią zarządzania firmą. Organizacje, które odpowiednio wcześnie zaadaptują nowoczesne modele ochrony, nie tylko zmniejszą ryzyko strat, ale zbudują zaufanie klientów i partnerów.

Comcore wspiera firmy w drodze do bezpiecznej przyszłości. Skontaktuj się z nami, jeśli chcesz porozmawiać o audycie, wdrożeniu lub strategii cyberbezpieczeństwa dopasowanej do Twojej organizacji.

MOLLI CAM-10 – nowoczesne oprogramowanie do inspekcji kanalizacji

Systemy kanalizacyjne wymagają regularnej kontroli i konserwacji, aby zapewnić ich niezawodne działanie. W odpowiedzi na rosnące wymagania branży inżynierii sanitarnej Comcore opracowało nowoczesne oprogramowanie MOLLI CAM-10, które umożliwia precyzyjną analizę stanu technicznego rurociągów. Dzięki zaawansowanym funkcjom inspekcyjnym, operatorzy mogą uzyskać szczegółowy obraz wnętrza kanalizacji w czasie rzeczywistym, co znacząco ułatwia diagnostykę i planowanie niezbędnych napraw.

MOLLI CAM-10 – wszechstronne narzędzie do analizy i raportowania

MOLLI CAM-10 to autorskie oprogramowanie stworzone przez Comcore, które pozwala na kompleksową kontrolę nad robotem inspekcyjnym MOLLI. Oprogramowanie jest w pełni kompatybilne z systemem operacyjnym Windows 10 i dostępne w kilku wersjach językowych, w tym polskiej, angielskiej, niemieckiej i hiszpańskiej. Dzięki temu może być z powodzeniem wykorzystywane zarówno w Polsce, jak i na rynkach międzynarodowych.

Jedną z kluczowych cech MOLLI CAM-10 jest zgodność z normą PN-EN 13508-2, która określa standardy kodowania inspekcji telewizyjnej systemów kanalizacyjnych. Oprogramowanie umożliwia tworzenie pełnych raportów zawierających:

• Nagranie wideo z inspekcji w wysokiej jakości,

• Wykresy spadków i nachyleń rurociągów,

• Dokumentację fotograficzną wykrytych uszkodzeń,

• Szczegółowy raport zdarzeń i wyników analizy,

• Gotowe do wydruku podsumowanie stanu technicznego kanalizacji.

Dzięki temu MOLLI CAM-10 nie tylko usprawnia proces inspekcji, ale także dostarcza niezbędnych danych do oceny kondycji sieci kanalizacyjnej oraz podejmowania decyzji dotyczących konserwacji lub modernizacji infrastruktury.

Pełna kontrola nad robotem inspekcyjnym

Oprogramowanie MOLLI CAM-10 oferuje szeroki wachlarz funkcji umożliwiających precyzyjne sterowanie robotem inspekcyjnym. Operatorzy mogą w pełni kontrolować urządzenie oraz dostosowywać jego parametry do warunków panujących w danym rurociągu. Wśród najważniejszych funkcji znajdują się:

• Regulacja trakcji i tempomat – płynna kontrola prędkości robota pozwala na precyzyjne poruszanie się w rurach o różnym nachyleniu,

• Kontrola szczelności – możliwość testowania integralności kanału,

• Żyroskop i pomiar inklinacji – dokładne dane dotyczące przechyłu poprzecznego oraz cyfrowa analiza nachylenia rurociągu,

• Kamera wsteczna – umożliwia inspekcję w obu kierunkach,

• Nadajnik i system lokalizacji – precyzyjne określanie położenia robota w sieci kanalizacyjnej,

• Regulowane oświetlenie LED – dostosowanie jasności halogenów do warunków panujących w inspekcjonowanej infrastrukturze,

• Pełna kontrola głowicy wizyjnej – operator może swobodnie sterować kamerą i dostosowywać jej ustawienia do aktualnych potrzeb.

MOLLI CAM-10 – optymalne rozwiązanie dla branży kanalizacyjnej

Dzięki MOLLI CAM-10 specjaliści z branży wodno-kanalizacyjnej zyskują niezawodne narzędzie do precyzyjnej diagnostyki infrastruktury. Możliwość przeprowadzenia inspekcji w czasie rzeczywistym oraz generowania kompleksowych raportów znacząco skraca czas analizy i pozwala na szybsze podejmowanie decyzji o ewentualnych naprawach. Dodatkowo, kompatybilność z systemem Windows 10 oraz wielojęzyczne wsparcie sprawiają, że oprogramowanie może być wykorzystywane zarówno przez polskie firmy, jak i przedsiębiorstwa działające na rynku międzynarodowym.

MOLLI CAM-10 to nowoczesne i funkcjonalne rozwiązanie, które wyznacza nowe standardy w dziedzinie inspekcji kanalizacji. Dzięki innowacyjnym funkcjom oraz intuicyjnej obsłudze oprogramowanie sprawdza się zarówno w codziennej eksploatacji, jak i w specjalistycznych zadaniach związanych z oceną stanu infrastruktury kanalizacyjnej.

W dobie zaawansowanej automatyzacji i rosnących wymagań dotyczących utrzymania infrastruktury przemysłowej, skuteczna inspekcja rurociągów staje się kluczowym elementem zapewnienia ich niezawodności. MOLLI 500C to innowacyjny robot inspekcyjny, zaprojektowany z myślą o precyzyjnej diagnostyce i ocenie stanu technicznego rurociągów w szerokim zakresie średnic.

Zaawansowane możliwości inspekcji

MOLLI 500C wyróżnia się wszechstronnością i nowoczesnymi rozwiązaniami technologicznymi. Jest przeznaczony do inspekcji rurociągów o średnicach od DN150 do DN800, co czyni go uniwersalnym narzędziem w branży wodociągowej, kanalizacyjnej oraz przemysłowej.

Najważniejsze cechy MOLLI 500C:

Napęd 4x4 – Wszystkie koła robota są napędzane, co umożliwia skuteczne poruszanie się w trudnym terenie wewnątrz rurociągów.
Głowica HD-05 – Zaawansowana kamera inspekcyjna pozwala na uzyskanie szczegółowego obrazu wnętrza rurociągu, co ułatwia wykrywanie uszkodzeń i nieprawidłowości.
Kamera wsteczna CBC 100 – Zapewnia pełną kontrolę nad pozycją i ruchem robota podczas cofania.
Laserowy pomiar szczelin DLM – Precyzyjny system pomiaru pozwala na dokładną analizę pęknięć i szczelin w strukturze rurociągu.
Sensor cyfrowy +/- 0,1% – Zaawansowany czujnik umożliwia dokładny pomiar profilu rurociągu, dostarczając kluczowych danych diagnostycznych.
Oświetlenie LED HLC-300 – Halogeny LED zapewniają optymalną widoczność, nawet w najciemniejszych warunkach.

Precyzja i niezawodność w inspekcji rurociągów

Dzięki zastosowanym technologiom MOLLI 500C pozwala na szybkie i dokładne wykrywanie uszkodzeń, nieszczelności oraz innych anomalii, które mogą prowadzić do awarii. Możliwość rejestracji obrazu w wysokiej rozdzielczości oraz precyzyjne pomiary sprawiają, że robot ten stanowi nieocenione narzędzie dla firm zajmujących się diagnostyką i konserwacją rurociągów.

Produkcja i wsparcie techniczne w Polsce

Roboty inspekcyjne MOLLI 500C są produkowane przez Comcore Sp. z o.o., firmę specjalizującą się w zaawansowanych systemach do monitorowania infrastruktury rurociągowej. Comcore oferuje kompleksowe wsparcie techniczne oraz serwis, co zapewnia niezawodność urządzeń i długoterminową efektywność ich działania.

Podsumowanie

MOLLI 500C to nowoczesne rozwiązanie dla firm i instytucji zajmujących się diagnostyką rurociągów. Dzięki zaawansowanym technologiom i solidnej konstrukcji, robot gwarantuje niezawodność, precyzję i łatwość użytkowania w różnych warunkach operacyjnych.

Czy Twoja firma potrzebuje nowoczesnego narzędzia do inspekcji rurociągów? Skontaktuj się z Comcore i dowiedz się więcej o możliwościach MOLLI 500C!

Nowy model sztucznej inteligencji (AI) opracowany przez chińską firmę DeepSeek wywołał znaczne poruszenie na globalnych rynkach finansowych. Niespodziewana premiera technologii stworzonej przez startup z Państwa Środka doprowadziła do spadków wartości akcji największych firm technologicznych w Stanach Zjednoczonych. Inwestorzy z niepokojem przyglądają się temu, jak DeepSeek może wpłynąć na przyszłość sektora AI.

Wstrząs na Wall Street

W poniedziałek, 27 stycznia, akcje amerykańskich firm technologicznych notowały znaczące spadki po ujawnieniu informacji o nowym modelu AI stworzonym przez DeepSeek. Wśród poszkodowanych znalazły się takie giganty jak Nvidia, Microsoft, Amazon, AMD, Palantir czy Broadcom. Szczególnie mocno ucierpiała Nvidia, której akcje straciły na wartości ponad 18% w ciągu jednego dnia. Głównym powodem reakcji rynku były doniesienia, że chińska technologia oferuje zbliżoną funkcjonalność do obecnych rozwiązań, ale przy znacznie niższych kosztach.

Czym jest DeepSeek?

DeepSeek to nazwa nowego chatbota AI, który działa w podobny sposób do popularnego ChatGPT. Jego sercem jest model językowy R1, który posiada aż 670 miliardów parametrów, co czyni go największym dostępnym publicznie modelem typu open source. Dla porównania, przewyższa on model O1 OpenAI pod względem skali i wydajności.

Zgodnie z analizami ekspertów, R1 wyróżnia się zaawansowanymi mechanizmami rozumowania i generowania odpowiedzi, które przypominają ludzki proces analizy informacji. Ponadto, technologia DeepSeek wykorzystuje mniej pamięci operacyjnej niż rozwiązania amerykańskich firm, co przekłada się na niższe koszty obliczeniowe. Firma twierdzi, że opracowanie modelu kosztowało zaledwie 6 milionów dolarów, co jest niewielką sumą w porównaniu do ponad 100 milionów dolarów, które OpenAI musiało wydać na rozwój ChatGPT-4.

Jak DeepSeek obniżył koszty?

Choć szczegóły technologiczne pozostają niejasne, spekuluje się, że firma zdołała zgromadzić aż 50 tysięcy chipów Nvidia A100 – mimo obowiązujących od września 2022 roku restrykcji eksportowych na te komponenty do Chin. Eksperci sugerują, że DeepSeek z sukcesem połączył je z tańszymi podzespołami, co pozwoliło na znaczną redukcję kosztów opracowania i wdrożenia technologii.

Kim jest założyciel DeepSeek?

Założycielem DeepSeek jest Liang Wenfeng, absolwent Uniwersytetu Zhejiang, gdzie zdobył dyplomy z inżynierii informacji elektronicznej i informatyki. Wenfeng ma również doświadczenie w branży finansowej jako dyrektor generalny funduszu hedgingowego High-Flyer, który wykorzystuje AI do analizy danych finansowych i podejmowania decyzji inwestycyjnych. W 2019 roku High-Flyer stał się pierwszym funduszem hedgingowym w Chinach, który przekroczył próg 100 miliardów juanów (około 13 miliardów dolarów).

Obecność Wenfenga na oficjalnym spotkaniu z chińskim premierem Li Qiangiema potwierdza rosnące znaczenie jego firmy na krajowym rynku AI i sygnalizuje możliwość dalszego wsparcia ze strony chińskiego rządu.

Co dalej?

Premiera modelu AI od DeepSeek budzi obawy wśród zachodnich firm technologicznych i inwestorów, którzy obawiają się rosnącej konkurencji ze strony chińskich startupów. Jeśli technologia ta okaże się równie skuteczna i tania, jak zapowiadają jej twórcy, może to wpłynąć na cały ekosystem AI, zmieniając układ sił na globalnym rynku nowych technologii.