Teledysk dla zespołu Extensa powstał w całości na jednej karcie graficznej, w moim pokoju. Bez chmury, bez subskrypcji, bez limitu wygenerowanych klatek i bez wysyłania materiałów na cudzy serwer. To nie był eksperyment wykonany na potrzeby tego artykułu, tylko normalny proces produkcyjny: pomysł, generowanie materiału, kolejne iteracje i składanie całości w działający proces.

Jeszcze kilka lat temu takie zdanie brzmiałoby jak demonstracja możliwości dużej firmy technologicznej. Dzisiaj wystarczy odpowiednio wyposażony komputer i trochę cierpliwości, żeby podobne eksperymenty przeprowadzać samemu. Najciekawsze nie jest zresztą samo to, że model potrafi wygenerować obraz. Ciekawsze jest to, że można cały proces wziąć pod kontrolę: wybrać model, połączyć kilka modeli, dodać własne dane wejściowe, zdefiniować sposób przetwarzania obrazu, poprawić wynik kolejnym modelem, a następnie powtórzyć cały proces dla setek czy tysięcy klatek.

I właśnie w tym miejscu lokalna AI przestaje być po prostu "Stable Diffusion uruchomionym na własnym GPU". W 2026 roku znacznie trafniejszym określeniem jest własne środowisko generatywne - zestaw modeli, narzędzi i zapisanych schematów pracy, które można dostosować do konkretnego zadania.

Od jednego modelu do całego ekosystemu

Historia lokalnej generatywnej AI zaczyna się dla wielu osób 22 sierpnia 2022 roku, kiedy Stability AI opublikowało wagi Stable Diffusion[1]. Był to jeden z pierwszych momentów, w których model generujący obrazy na podstawie tekstu o naprawdę użytecznej jakości można było pobrać i uruchomić na domowym komputerze. Sam fakt udostępnienia wag był ważniejszy niż konkretna jakość pierwszych obrazów: po raz pierwszy model nie musiał być wyłącznie usługą działającą gdzieś na serwerach producenta.

To rozróżnienie do dziś ma fundamentalne znaczenie. Przy korzystaniu z API wysyłamy żądanie do zewnętrznej infrastruktury, płacimy za obliczenia i działamy w ramach określonych przez dostawcę limitów oraz regulaminu. Gdy uruchamiamy model lokalnie, obliczenia wykonuje nasz komputer. Zyskujemy przy tym kontrolę nad danymi, modelem i całym procesem. Możemy generować bez połączenia z internetem, eksperymentować bez naliczania opłat za każde wywołanie i budować procesy, których nie da się łatwo odtworzyć w gotowej usłudze.

Początkowo nie było to jednak szczególnie wygodne. Samo uruchomienie modelu wymagało wiedzy technicznej, a obsługa odbywała się przede wszystkim z poziomu narzędzi programistycznych. Sytuację zmieniło pojawienie się AUTOMATIC1111 i jego Stable Diffusion WebUI[2]. Projekt spopularyzował generowanie obrazów przez przeglądarkowy interfejs i na długo stał się podstawowym narzędziem dla osób, które chciały uruchomić Stable Diffusion u siebie.

Od A1111 do bardziej złożonych narzędzi

AUTOMATIC1111 warto dziś traktować przede wszystkim jako ważny etap historii lokalnej AI. To właśnie ten projekt pokazał, że uruchomienie modelu lokalnie nie musi oznaczać pisania kodu i pracy w terminalu. Wprowadził do jednego interfejsu funkcje, które szybko stały się podstawowymi elementami pracy z generowaniem obrazów: opis obrazu (prompt), wskazanie niepożądanych elementów (negative prompt), edycję fragmentu obrazu (inpainting), rozszerzanie kadru (outpainting), ControlNet i system rozszerzeń.

Problem pojawił się wtedy, kiedy modele zaczęły robić się coraz bardziej skomplikowane, a generowanie przestało oznaczać prostą operację "tekst do obrazu". Dzisiaj możemy mieć kilka modeli, dodatkowe enkodery, kontrolę ułożenia postaci i głębi sceny, LoRA, modele zwiększające rozdzielczość, osobne etapy poprawiania szczegółów, maskowanie, segmentację i kolejne operacje wykonywane po sobie. Klasyczny interfejs z formularzem zaczyna w takim świecie ukrywać zbyt wiele informacji.

Sam projekt AUTOMATIC1111 nie zniknął, ale jego rozwój wyraźnie zwolnił. Najnowsze wydanie to wciąż 1.10.1 z lutego 2025[3], a społeczność od dawna dyskutuje o przejściu na nowsze alternatywy[4]. Powstały między innymi projekty takie jak Forge, który zachowuje sposób obsługi znany z A1111, a jednocześnie rozwija zarządzanie pamięcią, wydajność i obsługę nowszych modeli[5].

Jeżeli jednak dzisiaj miałbym wskazać narzędzie, które najlepiej opisuje kierunek rozwoju lokalnej generatywnej AI, byłoby to ComfyUI.

ComfyUI: jak połączyć etapy pracy

ComfyUI zmienia podstawowe założenie[6]. Nie traktuje generowania jako pojedynczej operacji wykonywanej za pomocą zestawu suwaków, ale jako graf przetwarzania danych. Każdy etap procesu jest osobnym węzłem, a połączenia między nimi opisują przepływ informacji.

Na pierwszy rzut oka wygląda to bardziej skomplikowanie. Zamiast prostego formularza widzimy kilkadziesiąt bloków połączonych przewodami. Po chwili okazuje się jednak, że właśnie ta komplikacja jest największą zaletą. Taki schemat można rozłożyć na części, zmienić jeden etap bez ruszania pozostałych, zapisać i uruchomić ponownie dokładnie ten sam proces.

To zmienia sposób myślenia o generatywnej AI. Nie pytamy już wyłącznie: "który model wygeneruje najlepszy obraz?". Pytamy raczej: "jak zbudować proces, który z mojego materiału wejściowego zrobi dokładnie taki wynik, jakiego potrzebuję?"

Przykładowy proces zaczyna się od zdjęcia lub opisu. Jeden model analizuje obraz, a drugi generuje jego nową wersję. ControlNet pomaga zachować kompozycję, a LoRA nadaje określony styl. Kolejne etapy zwiększają rozdzielczość i dopracowują szczegóły. Ten sam schemat można następnie uruchomić ponownie na kolejnym materiale.

W przypadku wideo różnica jest jeszcze większa. Jeżeli pojedynczy obraz jest wynikiem jednej generacji, minuta filmu może oznaczać tysiące klatek i cały szereg operacji wykonywanych w sposób powtarzalny. W takim zastosowaniu zapisany schemat przestaje być tylko wygodnym zestawem ustawień. Pozwala powtarzać te same operacje przy kolejnych klatkach filmu.

Co właściwie znaczy dziś "model AI"?

To również się zmieniło.

W 2022 roku można było mówić o Stable Diffusion jak o jednym konkretnym modelu, który przyjmuje tekst i zwraca obraz. Dzisiaj taki opis jest zdecydowanie zbyt prosty. Mamy modele wyspecjalizowane w generowaniu obrazu, jego edycji, rozumieniu obrazu, generowaniu wideo, zamianie tekstu na wideo, pracy z dźwiękiem czy analizie materiału wejściowego.

Coraz częściej modele są też multimodalne. Nie musimy zaczynać od tekstu. Punktem wyjścia może być zdjęcie, kilka obrazów referencyjnych, maska, szkic, mapa głębi, klatka z filmu albo kombinacja kilku takich danych. Tekst jest tylko jednym z możliwych sposobów opisania tego, czego oczekujemy.

To prowadzi do ważnej zmiany: prompt przestaje być centrum całego procesu. Prompt nadal jest ważny, ale jest jednym z elementów większego systemu.

Jeżeli chcę wygenerować postać w określonej pozycji, mogę zamiast opisywać tę pozycję słowami dostarczyć modelowi obraz referencyjny albo mapę pozy. Jeżeli zależy mi na zachowaniu kompozycji, mogę użyć ControlNet. Jeżeli chcę zachować określony styl lub wygląd konkretnej postaci, mogę wykorzystać LoRA albo inny mechanizm dostrajania. Jeżeli wynik jest wystarczająco dobry, ale wymaga poprawy detali, nie muszę generować go od początku - mogę przekazać go do kolejnego etapu poprawiania szczegółów.

To jest właśnie różnica między generowaniem a planowaniem całego procesu.

Poprawianie szczegółów zamiast generowania od zera

Jednym z najbardziej praktycznych sposobów myślenia o współczesnej generatywnej AI jest podzielenie procesu na etapy. Pierwszy model nie musi być odpowiedzialny za wszystko. Może stworzyć ogólny obraz, a kolejny poprawić jego szczegóły. Jeden etap może odpowiadać za kompozycję, następny za styl, kolejny za rozdzielczość, a jeszcze inny za konkretne elementy obrazu.

To podejście jest szczególnie interesujące przy produkcji materiałów wizualnych. Zamiast próbować znaleźć jeden "magiczny model", który zrobi wszystko idealnie za pierwszym razem, można zbudować proces, w którym każdy element ma określone zadanie.

W praktyce oznacza to również łatwiejszą kontrolę nad wynikiem. Jeśli obraz jest dobrze skomponowany, ale ma słabe detale, nie ma potrzeby generować całego obrazu od nowa. Można zachować wcześniejszy etap i poprawić wyłącznie to, co rzeczywiście wymaga poprawy.

To bardzo przypomina klasyczny proces produkcyjny w grafice komputerowej: zamiast jednego narzędzia wykonującego cały projekt mamy zestaw narzędzi, które przekazują sobie kolejne wersje materiału.

LoRA, ControlNet i cała reszta przestają być dodatkami

W pierwszych latach lokalnej generatywnej AI ogromne znaczenie miało samo wybranie odpowiedniej zapisanej wersji modelu, czyli checkpointu. Pobierało się model z Hugging Face[7] albo Civitai[8], wpisywało prompt i próbowało uzyskać oczekiwany rezultat.

Dzisiaj coraz częściej sam model bazowy jest dopiero początkiem.

LoRA pozwala wprowadzić do modelu dodatkową wiedzę lub charakterystykę bez konieczności trenowania całego modelu od początku. ControlNet pozwala sterować generacją na podstawie dodatkowych informacji o obrazie. Inpainting umożliwia poprawienie tylko wybranego fragmentu, a zwiększanie rozdzielczości i poprawianie szczegółów pozwalają przetwarzać gotowy rezultat w kolejnych etapach.

W efekcie wartość nie znajduje się wyłącznie w samym modelu. Coraz ważniejszy jest sposób połączenia wszystkich tych elementów w jeden proces.

To także powód, dla którego lokalna AI zaczyna przypominać bardziej środowisko programistyczne niż klasyczną aplikację graficzną. Możemy budować własne procesy, zapisywać je, wersjonować, modyfikować i dostosowywać do konkretnego zadania.

Wideo pokazuje, po co to wszystko

Generowanie obrazu jest efektownym przykładem możliwości modeli, ale to właśnie wideo najlepiej pokazuje, dlaczego sposób pracy ma znaczenie.

Pojedynczy obraz może wyglądać świetnie, nawet jeśli proces jego powstania jest całkowicie ręczny. W filmie pojawia się problem spójności. Kolejne klatki muszą nie tylko wyglądać dobrze, ale również pasować do siebie.

Dochodzi więc czas, ruch, zmiana perspektywy, spójność postaci i obiektów oraz kontrola nad tym, co powinno się zmieniać, a co powinno pozostać stabilne. Każdy kolejny problem zwiększa liczbę etapów pracy.

Teledysk dla Extensy był dla mnie właśnie takim eksperymentem. Zamiast traktować AI jako generator pojedynczych obrazków, można było potraktować ją jako jeden z etapów całego procesu produkcyjnego.

Kadr z teledysku dla zespołu Extensa, wygenerowanego lokalnie na jednej karcie graficznej

Teledysk dla zespołu Extensa - w całości wygenerowany lokalnie, na jednej karcie RTX 4070 Ti. Kliknij, żeby obejrzeć na YouTube.

I to jest moim zdaniem znacznie ciekawsza perspektywa niż samo pytanie, czy AI potrafi zrobić film. Oczywiście, że potrafi. Ciekawsze pytanie brzmi: czy potrafimy zbudować proces, który pozwoli nam kontrolować ten film?

Ile sprzętu naprawdę potrzeba?

W lokalnej AI najczęściej mówi się o jednym parametrze: VRAM-ie. I słusznie, bo ilość pamięci GPU bardzo często jest pierwszym ograniczeniem, na które trafimy. Nie oznacza to jednak, że sama liczba gigabajtów rozwiązuje wszystko. Znaczenie mają również architektura GPU, obsługiwana precyzja obliczeń, przepustowość pamięci, możliwość przeniesienia części obliczeń lub danych do pamięci operacyjnej oraz sposób, w jaki konkretne narzędzie ładuje model.

Z tego powodu dzisiejsze wymagania nie są już tak proste, jak kilka lat temu. Ten sam model może wymagać zupełnie innej ilości VRAM-u w zależności od użytej kwantyzacji, rozdzielczości czy sposobu uruchomienia. Dla porównania: starsze SD 1.5 potrafi zmieścić się w okolicach 4 GB, SDXL komfortowo pracuje od 12 GB, a duże modele w pełnej precyzji potrafią sięgać 18 GB i więcej[9].

W dużym uproszczeniu można jednak przyjąć, że 12 GB VRAM jest dziś bardzo sensownym punktem wyjścia do poważniejszego eksperymentowania z lokalną generatywną AI. 8 GB nadal pozwala zrobić bardzo dużo, szczególnie przy odpowiednio dobranych modelach i optymalizacji, ale 12 GB daje wyraźnie większy margines.

Sam teledysk dla Extensy powstał na RTX 4070 Ti. To ważny szczegół, bo pokazuje skalę całego przedsięwzięcia. Nie korzystałem z profesjonalnej stacji roboczej wyposażonej w dziesiątki gigabajtów VRAM-u. To karta, która pierwotnie została zaprojektowana jako sprzęt dla graczy.

Oczywiście "da się uruchomić" i "da się komfortowo produkować" to dwie różne rzeczy. Przy wideo czas generowania rośnie bardzo szybko, ponieważ zamiast pojedynczego obrazu przetwarzamy całe sekwencje. W praktyce równie ważna jak możliwość uruchomienia modelu jest więc usprawnienie całego procesu.

Kwantyzacja: dlaczego duże modele trafiają na małe karty

Jednym z powodów, dla których lokalna AI rozwija się tak szybko, jest kwantyzacja.

Model przechowujący wszystkie wartości z wysoką precyzją może zajmować ogromną ilość pamięci. Jeżeli ograniczymy precyzję reprezentacji tych wartości, możemy znacząco zmniejszyć wymagania sprzętowe.

W praktyce oznacza to, że model, który w swojej pełnej wersji nie mieści się na konkretnej karcie, może być dostępny w wariancie pozwalającym uruchomić go lokalnie. W zależności od modelu i zastosowania kompromis pomiędzy zużyciem pamięci, szybkością a jakością może być bardzo korzystny.

To jeden z powodów, dla których samo pytanie "ile VRAM-u potrzebuje ten model?" jest dzisiaj niewystarczające. Trzeba zapytać: w jakiej wersji, przy jakiej precyzji, w jakiej rozdzielczości i przy jakim przebiegu obliczeń?

Gdzie dziś mieści się Stable Diffusion?

Stable Diffusion pozostaje ważną częścią historii lokalnej generatywnej AI, ale nie traktowałbym go już jako synonimu całej kategorii.

Po Stable Diffusion pojawiły się kolejne generacje modeli i zupełnie nowe rodziny architektur. Flux, kolejne wersje Stable Diffusion, modele wyspecjalizowane w edycji obrazu czy generowaniu wideo mogą funkcjonować obok siebie w jednym lokalnym środowisku.

To właśnie dlatego coraz mniej interesuje mnie pytanie o to, jaki jest najlepszy model. Nie ma jednego najlepszego modelu. Jest model odpowiedni do konkretnego etapu procesu. Jeden może być świetny do generowania bazowego obrazu, drugi do tekstu w obrazie, trzeci do zachowania pozy, czwarty do poprawy szczegółów, a piąty do animowania gotowej klatki.

Współczesna lokalna AI jest więc bardziej multimodalnym zestawem klocków niż pojedynczym generatorem.

Własny sposób pracy jest ważniejszy niż własny model

To chyba największa zmiana, jaka zaszła od czasów pierwszego Stable Diffusion. W 2022 roku ekscytowaliśmy się tym, że możemy mieć model na własnym komputerze. W 2026 roku ciekawsze jest to, że możemy mieć własny sposób pracy z wieloma modelami.

Możemy zbudować proces, który przyjmuje zdjęcie produktu, analizuje jego zawartość, generuje warianty, zachowuje określoną kompozycję, poprawia szczegóły, skaluje wynik i zapisuje gotowe pliki w odpowiednim formacie. Możemy zbudować inny proces, który przyjmuje klatkę filmu i tworzy kolejne warianty animacji. Możemy też połączyć modele generatywne z klasycznymi narzędziami do obróbki obrazu.

A kiedy proces już działa, można go uruchomić ponownie.

To jest dla mnie największa wartość ComfyUI i podobnych narzędzi: można zapisać i zachować cały schemat pracy. Nie zapisujemy tylko finalnego JPEG-a. Zapisujemy sposób, w jaki ten JPEG powstał.

Lokalnie kontra chmura

Czy to oznacza, że każdy powinien kupić kartę graficzną i przestać korzystać z usług chmurowych? Oczywiście nie.

Jeżeli generujesz kilka obrazów miesięcznie, lokalny sprzęt prawdopodobnie nie ma ekonomicznego sensu. Jeżeli potrzebujesz najlepszego dostępnego modelu bez interesowania się jego konfiguracją, chmura będzie wygodniejsza. Jeżeli nie chcesz poświęcać czasu na instalowanie zależności, aktualizowanie sterowników i zarządzanie modelami, lokalna infrastruktura może być wręcz frustrująca.

Chmura zapewnia przede wszystkim wygodę. Własny sprzęt daje większą kontrolę.

Jeżeli jednak generujesz dużo materiału, potrzebujesz powtarzalności albo pracujesz z danymi, których nie chcesz wysyłać na zewnętrzne serwery, sytuacja zaczyna wyglądać inaczej. Szczególnie w przypadku wideo koszt kolejnych generacji może szybko przewyższyć wartość wygody oferowanej przez gotową usługę.

Dochodzi jeszcze jeden czynnik: niezależność. Model działający na moim komputerze nie zmieni jutro cennika. Nie wprowadzi nagle limitu generowanych klatek. Nie wyłączy funkcji, której używam w projekcie. Nie wymaga ode mnie akceptacji nowego regulaminu tylko dlatego, że chcę ponownie uruchomić zapisany proces sprzed sześciu miesięcy.

To nie znaczy, że lokalna infrastruktura jest darmowa. Prąd, sprzęt, czas konfiguracji i jego utrzymanie również kosztują. Różnica polega na tym, że koszty i ograniczenia są po mojej stronie i mogę je sam kontrolować.

Lokalna AI jako narzędzie produkcyjne

Najbardziej interesuje mnie właśnie ten moment przejścia od demonstracji technologii do narzędzia produkcyjnego.

Sam fakt, że komputer potrafi wygenerować obraz, przestał być szczególnie interesujący. Dzisiaj interesujące jest to, czy można zbudować proces, który generuje powtarzalne i użyteczne wyniki, nad którymi mamy kontrolę.

To wymaga czegoś więcej niż dobrego modelu. Potrzebujemy dobrze zaplanowanego procesu, kontroli danych wejściowych, sposobu przechowywania modeli, wersjonowania ustawień, odpowiedniego zarządzania VRAM-em i, przede wszystkim, umiejętności rozłożenia problemu na etapy.

Właśnie dlatego lokalna AI coraz bardziej przypomina klasyczne środowisko produkcyjne. Model wykonuje określone zadanie, a karta graficzna zapewnia moc obliczeniową. O efekcie decyduje to, jak połączymy kolejne etapy pracy.

Dlaczego robię to lokalnie?

W moim przypadku dochodzi jeszcze jeden, mniej techniczny powód.

Lubię mieć kontrolę nad narzędziami, z których korzystam. Podobnie buduję strony internetowe i trzymam własne zasoby na własnej infrastrukturze zamiast bez potrzeby uzależniać się od kolejnej zewnętrznej usługi.

Nie chodzi o przekonanie, że każda chmura jest zła. Chodzi o świadomy wybór miejsca, w którym znajduje się infrastruktura.

Jeżeli mogę uruchomić model lokalnie, mieć go na własnym dysku, opracować własny proces i wykonać dowolną liczbę iteracji bez przesyłania danych na zewnętrzny serwer, dostaję coś więcej niż oszczędność na API. Dostaję możliwość zbudowania procesu, którego działanie zależy przede wszystkim ode mnie.

I właśnie dlatego lokalna AI jest dla mnie ciekawsza niż kolejna aplikacja z przyciskiem "Generate".

Co dalej?

Największa zmiana prawdopodobnie nie będzie polegała na tym, że pojawi się jeden model dwa razy lepszy od obecnych. Znacznie ciekawsze jest łączenie modeli.

Model rozumiejący obraz może przekazać informacje modelowi generującemu. Model generujący może przekazać wynik modelowi poprawiającemu szczegóły. Kolejny może zwiększyć rozdzielczość, następny wygenerować ruch, a jeszcze inny przetworzyć dźwięk. Wszystko może działać w jednym procesie.

To właśnie dlatego słowo multimodalność jest dziś znacznie ciekawsze niż samo generowanie obrazów. Lokalna AI zaczyna być środowiskiem, w którym różne modele mogą pełnić różne role, a człowiek projektuje sposób współpracy między nimi.

Jeśli do tego dodamy własne LoRA, dostrajanie modeli, poprawianie szczegółów i automatyzację, przestajemy być wyłącznie użytkownikiem gotowego modelu. Zaczynamy budować własne narzędzie.

I to jest dla mnie najciekawsza część całej rewolucji lokalnej AI. Nie to, że komputer potrafi coś wygenerować. Tylko to, że możemy zdecydować, jak ma to zrobić.

Jeśli myślisz o wykorzystaniu generatywnej AI w konkretnym projekcie i nie wiesz, czy lepsze będzie rozwiązanie lokalne, czy chmura, napisz. Mogę pomóc dobrać podejście do konkretnego zastosowania, również wtedy, gdy najbardziej sensowną odpowiedzią będzie po prostu: nie kupuj GPU, użyj chmury.

Źródła

  1. Stability AI, "Stable Diffusion Public Release", 22 sierpnia 2022
  2. AUTOMATIC1111, Stable Diffusion WebUI
  3. AUTOMATIC1111, lista wydań projektu - najnowsze 1.10.1 z 9 lutego 2025
  4. Dyskusja w repozytorium AUTOMATIC1111 o tempie rozwoju projektu i przejściu na alternatywy, "Why did you stop updating?"
  5. lllyasviel, Stable Diffusion WebUI Forge
  6. ComfyUI - projekt i dokumentacja
  7. Hugging Face - biblioteka modeli i narzędzi
  8. Civitai - społecznościowa biblioteka modeli i LoRA
  9. Spheron, "Best GPU for AI Image Generation 2026: Stable Diffusion, Flux, and SDXL VRAM Guide"