Fundacja SpeakLeash i Akademickie Centrum Komputerowe Cyfronet AGH chcą zgromadzić milion opisanych fotografii, na których wytrenują pierwszy polski model wizyjny w ramach projektu Obywatel Bielik. Jeszcze przed premierą aplikacji mobilnej, która 14 lipca 2026 roku trafiła do Google Play i App Store, przez stronę projektu przesłano ponad 16 tys. zdjęć wraz z opisami.
- Fundacja SpeakLeash i Akademickie Centrum Komputerowe Cyfronet AGH prowadzą projekt Obywatel Bielik, którego celem jest zebranie miliona opisanych fotografii do wytrenowania pierwszego polskiego modelu wizyjnego – aplikacja mobilna trafiła do Google Play i App Store 14 lipca 2026 roku, a przed premierą przez stronę projektu przesłano już ponad 16 tys. zdjęć.
- Potrzeba budowy własnego modelu wynika z błędów komercyjnych modeli trenowanych na danych zachodnich – zdjęcie surowych klusek śląskich zostało przez jeden z nich opisane jako „surowe pączki przygotowane do upieczenia", a kadr z „Seksmisji" inny model rozpoznał jako scenę z radzieckiego „Solarisa".
- Partnerami projektu są Narodowe Archiwum Cyfrowe oraz Polska Press Grupa; umowę z NAC zawarto pod patronatem Ministerstwa Cyfryzacji, a zgromadzone dane mają trafić do publicznie dostępnych zbiorów wykorzystywanych w nauce, edukacji, administracji i biznesie.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Milion fotografii to dopiero pierwszy etap zbiórki
Obywatel Bielik to projekt gromadzenia danych, a nie gotowy produkt. Uczestnicy dodają własne zdjęcia z Polski albo opisują fotografie już umieszczone w galerii, a całość ma posłużyć do treningu modelu, który wyposaży tekstowego Bielika w zdolność rozumienia obrazu.
Skala zbiórki rośnie stopniowo. Jesienią 2025 roku, kiedy projekt działał jeszcze w wersji beta i tylko przez przeglądarkę, sklasyfikowanych było niespełna 11 tys. fotografii. Do premiery aplikacji mobilnej społeczność przesłała ponad 16 tys. zdjęć z opisami, a twórcy zapowiedzieli, że w pierwszej kolejności chcą zebrać milion fotografii z rzetelnie przygotowanymi opisami. W rozmowie z „Dziennikiem Zachodnim” przedstawiciele projektu mówili nawet o kilku milionach opisanych zdjęć jako docelowym rozmiarze zbioru.
Aplikacja ma utrzymać zaangażowanie uczestników przy pomocy mechanizmów znanych z gier. Wprowadzono rankingi, cele tygodniowe i statystyki aktywności.
Modele trenowane na danych z Zachodu mylą polską kuchnię i polskie kino
Powód budowy własnego modelu wizyjnego jest bardzo praktyczny i twórcy projektu opisują go konkretnymi przykładami. Wrzucone do dużego komercyjnego modelu zdjęcie surowych klusek śląskich na stolnicy zostało opisane jako surowe pączki przygotowane do upieczenia, a kadr z „Seksmisji” inny model uznał za scenę z radzieckiego „Solarisa”.
Problem nie kończy się na rozpoznawaniu obiektów. Dziennikarka Katarzyna Witwicka-Jurek w tekście opublikowanym 5 września 2026 roku stawia pytanie, jak nauczyć model odróżniania schabowego od sznycla wiedeńskiego i jak sprawić, by opisywał polską rzeczywistość poprawną polszczyzną, a nie kalkami z angielskiego. Ten drugi wątek jest dla projektu niemniej ważny niż sam obraz, bo model multimodalny generuje opis w języku, na którym się uczył.
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Narodowe Archiwum Cyfrowe dokłada archiwalia, a twarze są z projektu wykluczone
Obok zdjęć od obywateli do zbioru trafiają materiały instytucjonalne. Partnerami projektu są Narodowe Archiwum Cyfrowe oraz Polska Press Grupa, przy czym NAC udostępnia archiwalne fotografie, a jego pracownicy tworzą opisy zdjęć oraz weryfikują i uzupełniają informacje o archiwaliach. Umowę z Narodowym Archiwum Cyfrowym zawarto pod patronatem Ministerstwa Cyfryzacji, o czym mówił „Rzeczpospolitej” Maciej Szymański z Fundacji SpeakLeash.
Zasady przesyłania materiałów opisane w regulaminie projektu są dość jednoznaczne:
- uczestnik musi mieć pełne prawa autorskie do zdjęcia albo pisemną zgodę właściciela, a przekazując fotografię udziela projektowi niewyłącznej, bezpłatnej licencji na trening modeli i tworzenie otwartych zbiorów danych,
- poszukiwane są autentyczne obrazy zwykłej Polski: krajobrazy, zabytki, architektura, lokalne potrawy, przedmioty codziennego użytku, technika i przyroda, przy czym zdjęcia nie muszą być artystyczne,
- ze względu na ochronę wizerunku nie wolno przesyłać zdjęć, na których widać twarze lub sylwetki pozwalające zidentyfikować konkretne osoby,
- najbardziej wartościowy jest opis narracyjny, skupiony na tym, co faktycznie widać, z kolorami, nazwami obiektów i ich położeniem,
- weryfikacja jest dwustopniowa: najpierw automatyczny potok oparty na obecnych modelach wizyjnych i na Bieliku, potem grupa moderatorów wolontariuszy czytających opisy.
Crowdsourcing danych treningowych to najtańszy sposób na zbiór, którego nikt inny za nas nie zbuduje, bo żadna globalna firma nie zapłaci za odróżnienie kapliczki przydrożnej od pomnika. Widzę tu jednak dwa ryzyka, o których w komunikatach mówi się mało. Pierwsze to jakość opisów: milion zdjęć opisanych niedbale będzie mniej wart niż sto tysięcy opisanych starannie, a moderacja wolontariacka skaluje się gorzej niż przesyłanie fotografii. Drugie to trwałość zbioru. Otwarty dataset ma sens tylko wtedy, gdy ktoś będzie go po latach utrzymywał, wersjonował i czyścił, a to zadanie na dekady, nie na jedną kampanię. Jeśli SpeakLeash to udźwignie, Polska dostanie zasób, z którego skorzystają także projekty niezwiązane z Bielikiem. Trzymam kciuki i będę pytał o liczby.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Zebrane zdjęcia mają trafić do publicznie dostępnego zbioru danych
Fundacja SpeakLeash deklaruje, że efektem projektu będzie otwarty zasób, a nie zamknięty zbiór wewnętrzny. Zdjęcia i opisy mają wejść w skład ogólnodostępnych datasetów wykorzystywanych w nauce, edukacji, administracji i biznesie, a fundacja zapowiada, że nie zarabia na przesyłanych fotografiach.
Terminu premiery modelu twórcy nie podają. Marcin Dąbrowski, lider projektu, mówił, że zespół nie nakłada sobie sztywnych terminów na zbieranie danych, ale chce jak najszybciej pokazać pierwszy model multimodalny, a prace już się rozpoczęły. W materiale „Rzeczpospolitej” pojawiła się wcześniej ostrożna zapowiedź, że model multimodalny mógłby wystartować w kolejnym roku.
Sebastian Kondracki, pomysłodawca Bielik.AI i założyciel Fundacji SpeakLeash, sprowadza całą operację do jednego warunku:
„Model multimodalny będzie tak dobry, jak różnorodne będą dane, na których się uczy”
Warstwa tekstowa Bielika jest już dojrzała, brakuje jej wzroku
Bielik nie zaczyna od zera. Wersja v2 miała 11 miliardów parametrów i okno kontekstowe o wielkości 32 768 tokenów, a od wersji 3.0 model korzysta z architektury Qwen 2.5 z własnym tokenizatorem zoptymalizowanym pod język polski i jest udostępniany na licencji Apache 2.0. Projekt znalazł się w gronie dziesięciu najbardziej wpływowych projektów open source w dziedzinie AI wyróżnionych w konkursie Spotlight podczas konferencji GOSIM AI w Paryżu 6 maja 2025 roku.
Drugi polski model, PLLuM, idzie inną drogą. Rozwija go konsorcjum HIVE AI pod kierownictwem NASK, finansowane z programu rządowego, podczas gdy Bielik opiera się na otwartej współpracy ze społecznością. Oba projekty mierzą się z tym samym deficytem: polskich danych multimodalnych po prostu nie ma w ilościach porównywalnych z angielskimi.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Pierwszym odbiorcą modelu może być e-commerce i technologie asystujące
Najbardziej konkretne zastosowanie, jakie wskazują twórcy, dotyczy dostępności. SpeakLeash liczy, że zdolność rozpoznawania obrazu wykorzystają firmy z rynku e-commerce, ponieważ platformy internetowe w Unii Europejskiej wspierają czytniki dla osób z niepełnosprawnościami wzroku, a te powinny poprawnie interpretować i opisywać użytkownikom to, co widzą. Sama fundacja wymienia wsparcie osób niewidomych i niedowidzących wśród głównych korzyści projektu.
Dla polskich sklepów internetowych to różnica praktyczna. Model, który opisuje zdjęcie produktu jako „pączki” zamiast „klusek śląskich”, jest w katalogu spożywczym bezużyteczny, a taki właśnie błąd pokazywali twórcy projektu jako punkt wyjścia całej inicjatywy. W materiałach projektu jako obszary zastosowań wskazywana jest też administracja publiczna i samorządowa, w kontekście cyfryzacji urzędów i analizy danych wizualnych.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz materiałów źródłowych, w tym oficjalnej strony projektu Obywatel Bielik prowadzonej przez Fundację SpeakLeash, tekstu Michała Duszczyka „Bielik zyska »oczy«. Polska AI ma być szkolona na naszych zdjęciach” w serwisie Cyfrowa.rp.pl oraz artykułu Katarzyny Witwickiej-Jurek „AI zna język polski, ale nie zna Polski” z 5 września 2026 roku.
Do weryfikacji danych o skali zbiórki, partnerach projektu i procesie moderacji wykorzystano również komunikat prasowy Fundacji SpeakLeash w wersjach opublikowanych przez ITwiz, media2.pl i aboutmarketing.pl, wywiad z Marcinem Dąbrowskim w serwisie Homodigital, materiał serwisu Smart Tech Re:view oraz rozmowę opublikowaną w „Dzienniku Zachodnim”.
Wypowiedzi Sebastiana Kondrackiego, Marcina Dąbrowskiego i Macieja Szymańskiego pochodzą z polskojęzycznych materiałów źródłowych i nie były tłumaczone.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o postępach zbiórki danych i premierze multimodalnego modelu Bielik.AI.
