Obywatel Bielik: aplikacja do zbierania zdjęć dla polskiej AI trafiła na smartfony

Zdjęcie kapliczki przy polnej drodze, talerza pierogów albo lokalnego jarmarku może teraz trafić prosto do zbioru danych, na którym uczy się polska sztuczna inteligencja. 14 lipca 2026 roku Fundacja SpeakLeash uruchomiła aplikację mobilną Obywatel Bielik, dostępną na Androida i iOS, przez którą każdy użytkownik może przesyłać fotografie i opisy budujące pierwszy polski model wizyjny.

Mechanika jest prosta. Użytkownik robi zdjęcie miejsca, zabytku, regionalnej potrawy, przedmiotu lub zwyczaju, dodaje krótki opis i wysyła materiał przez aplikację. Opis można wpisać ręcznie albo podyktować, a tekstowa wersja Bielik.AI pomaga go uporządkować językowo i interpunkcyjnie. Zdjęcia trafiają do jednej z ośmiu kategorii tematycznych, a aplikacja dodaje elementy grywalizacji: tygodniowe wyzwania, statystyki i rankingi uczestników.

Dlaczego zdjęcia zwykłych ludzi

Twórcy projektu podkreślają, że liczy się właśnie zwykłość materiału. Zdjęcia mają być robione telefonem przy okazji codziennych czynności, nie artystycznymi kadrami, bo model ma nauczyć się rozpoznawać Polskę taką, jaką widzą jej mieszkańcy, a nie wyselekcjonowaną wersję z profesjonalnych sesji.

Wystarczy wyjść na spacer, zrobić zdjęcie kapliczki, regionalnej potrawy, zabytku czy miejsca - Marcin Dąbrowski, lider projektu Obywatel Bielik

Marcin Dąbrowski, który kieruje projektem, i Sebastian Kondracki, pomysłodawca i współtwórca Bielik.AI, argumentują, że dotychczasowe globalne modele wizyjne słabo radzą sobie z lokalnym kontekstem kulturowym. W materiałach promocyjnych projektu padają konkretne przykłady pomyłek: kluski śląskie rozpoznawane jako francuskie makaroniki, gdańska Fontanna Neptuna mylona z pomnikiem w Bolonii, a scena z „Seksmisji” identyfikowana jako kadr z radzieckiego „Solaris”.

Model multimodalny będzie tak dobry, jak różnorodne będą dane, na których się uczy - Sebastian Kondracki, współtwórca Bielik.AI

Kto stoi za projektem

Obywatel Bielik to rozwinięcie prac Fundacji SpeakLeash, organizacji odpowiedzialnej za rozwój tekstowego modelu Bielik. Do budowy infrastruktury i przetwarzania danych włączyło się Akademickie Centrum Komputerowe Cyfronet AGH, jeden z największych ośrodków obliczeniowych w Polsce. Partnerami zbiórki zostały Narodowe Archiwum Cyfrowe, działające pod patronatem Ministerstwa Cyfryzacji, oraz Polska Press Grupa, co ma zapewnić projektowi dostęp do dodatkowych zasobów wizualnych i kanałów promocji.

Model, nad którym pracuje zespół, ma zachować otwartą architekturę, podobnie jak wcześniejsze wersje Bielika. Oznacza to, że instytucje publiczne i firmy będą mogły uruchamiać go na własnych serwerach, bez konieczności przesyłania danych do zagranicznych dostawców chmury.

Zastosowania praktyczne

Twórcy wskazują konkretne obszary, w których model wizyjny rozumiejący polski kontekst miałby przewagę nad globalnymi rozwiązaniami: kategoryzacja produktów w polskim e-commerce, analiza dokumentów i rozpoznawanie tekstu (OCR) w administracji publicznej, a także narzędzia ułatwiające dostęp do treści wizualnych osobom niewidomym i słabowidzącym, zgodnie z unijnymi wymogami dostępności cyfrowej.

Projekt wpisuje się w szerszy nurt budowy krajowych zasobów danych dla lokalnych modeli AI, obok wcześniejszych inicjatyw zbierania tekstów dla Bielika i PLLuM. W przeciwieństwie do tekstu, dane wizyjne z polskim kontekstem kulturowym były dotąd praktycznie niedostępne w otwartych zbiorach treningowych, co tłumaczy decyzję o zaangażowaniu szerokiej grupy obywateli zamiast kupowania gotowych baz zdjęć.

Co dalej

Zespół nie podał jeszcze twardej daty premiery samego modelu multimodalnego, wskazując na etap zbierania i opisywania danych jako warunek konieczny dalszych prac. Tempo napływu zdjęć po debiucie aplikacji ma zdecydować, czy milion fotografii uda się zebrać jeszcze w tym roku, czy proces potrwa dłużej. Dla polskich firm i instytucji, które już dziś eksperymentują z Bielikiem w wersji tekstowej, wersja rozumiejąca obrazy oznaczałaby możliwość budowy narzędzi klasyfikujących dokumenty, zdjęcia i materiały wizyjne bez opierania się na modelach szkolonych głównie na danych z Zachodniej Europy i USA.