1 września 2026 roku chiński startup Manus oficjalnie wznowił niezależną działalność po zerwaniu umowy z Meta na 2 miliardy dolarów. Firma z siedzibą w Singapurze oświadczyła, że jej zespół będzie nadal rozwijać ogólne agenty AI zdolne do wykonywania złożonych, wieloetapowych zadań bez ciągłej ingerencji człowieka.
W przeciwieństwie do poprzedniego okresu integracji z Meta, Manus podkreśla teraz przejście do głębszego wdrożenia w rzeczywiste procesy pracy, bezpośredniej interakcji ze światem zewnętrznym i proaktywnego wykonywania zadań. To nie tylko powrót do statusu niezależnego startupu, ale strategiczna zmiana w kierunku systemów agentowych, które nie ograniczają się do generowania tekstu, ale działają w rzeczywistym środowisku przez przeglądarki, kod i narzędzia.
Równolegle Recursive Superintelligence, założona przez Richarda Sochera, pozyskała 650 milionów dolarów z wyraźnym celem stworzenia rekurencyjnie samodoskonalących się systemów. Firma dąży do automatyzacji całego cyklu badań naukowych: od wykrywania słabości modelu po proponowanie ulepszeń, ich wdrażanie i walidację. Podobne rundy finansowania przeszły AMI Labs (1,03 miliarda), World Labs (1 miliard), Lila Sciences (550 milionów) i General Intuition (454 miliona), co wskazuje na masowy napływ kapitału do agentic AI.
Technicznie Manus jest orkiestratorem, który uruchamia modele frontier (często Claude) w izolowanej maszynie wirtualnej z prawdziwymi narzędziami: przeglądarką, systemem plików, interpreterem kodu. Użytkownik wyznacza cel wysokiego poziomu, a agent samodzielnie dzieli go na kroki, wykonuje, sprawdza wynik i zwraca artefakt. Aktualizacje 1.5 i 1.6 wykazały skrócenie czasu wykonywania zadań z 15 do mniej niż 4 minut i wzrost zadowolenia użytkowników o ponad 19 % w testach ślepych.
Metodologia oceny takich agentów pozostaje kontrowersyjna. Benchmark GAIA, w którym Manus rzekomo wyprzedza GPT-4, mierzy zdolność rozumowania i korzystania z narzędzi, ale nie gwarantuje niezawodności w długoterminowych scenariuszach z niepewnością. Brakuje publicznych danych na temat trybów awarii podczas interakcji ze światem rzeczywistym — na przykład przy błędach w nawigacji internetowej lub niestabilnych API. To typowy problem systemów agentowych: silne wyniki w kontrolowanych testach nie zawsze przekładają się na produkcję.
W porównaniu z podejściem Recursive Superintelligence, Manus kładzie nacisk na praktyczną autonomię już dziś, podczas gdy RSI koncentruje się na długoterminowej pętli samodoskonalenia. Recursive planuje „Poziom 1” autonomicznego systemu do połowy 2026 roku, wykorzystując miliony dolarów na obliczenia. Manus natomiast, uwolniony od Meta, może szybciej iterować produkt bez korporacyjnych ograniczeń, ale ryzykuje pozostanie w tyle w fundamentalnych badaniach nad rekurencją.
DeepMind z AlphaEvolve demonstruje pośrednią ścieżkę: Gemini proponuje rozwiązania, są one automatycznie testowane, najlepsze są wybierane i ulepszane. To działa dobrze w matematyce i kodzie, gdzie wynik jest łatwy do zmierzenia, ale znacznie trudniejsze w biologii czy robotyce, gdzie eksperymenty są powolne i wielowymiarowe. Manus i podobne agenty próbują zamknąć tę lukę poprzez rzeczywiste interakcje, ale jak dotąd nie udowodniły skalowalności poza wąskimi zadaniami.
Niezależność Manus pozwala firmie szybciej dostosowywać produkt do rzeczywistych scenariuszy użytkowników — od analizy konkurencji po automatyzację procesów pracy. Jednocześnie napływ kapitału do RSI i world models sygnalizuje zmianę paradygmatu: od skalowania modeli językowych do tworzenia systemów, które generują własne doświadczenia i doskonalą się.
Pozostaje niejasne, czy agentom takim jak Manus czy RSI uda się zamknąć pełny cykl samodoskonalenia bez znaczącego nadzoru człowieka. Niezależna weryfikacja na długoterminowych benchmarkach i rzeczywistych przypadkach stanie się kluczowym testem dla tych ambicji w nadchodzących miesiącach.
Manus, wracając do samodzielności, otrzymuje szansę na przyspieszenie praktycznego wdrażania autonomicznych agentów, ale sukces będzie zależeć od zdolności udowodnienia niezawodności w niekontrolowanym środowisku.
