[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"layout-ticker":3,"$fa9TqBAViZDwdB6tVG2rZwhVyPdow_HRJ73vwH_o3Mtw":208,"$fHtsHsAHcSrnuGKlN4ocueqWCLzUUAZHZRmoLD_sr2ds":235,"atoms-mof-y-w-8-tygodni-zamiast-5-lat-jak-ai-zmienia-zasady-gry-w-chemii-materialowej":332},[4,10,16,21,26,31,36,41,46,51,56,61,66,72,77,82,87,92,97,102,107,112,118,123,128,133,138,143,148,153,158,163,168,173,178,183,188,193,198,203],{"slug":5,"draft_id":6,"pillar_id":8},"jak-legalon-obnizyla-koszty-modeli-kodowych-o-65-bez-spowolnienia-pracy-i-jak-to-zrobic-w-twojej-firmie-jaqm",{"title":7},"LegalOn obniżyła dzienne koszty Codex o 65% — jak to działa",{"name":9},"Narzędzia AI",{"slug":11,"draft_id":12,"pillar_id":14},"ai-w-badaniach-kwantowych-jak-jump-trading-automatyzuje-prace-analitykow-w-30-mniej-czasu",{"title":13},"Agenci AI w badaniach ilościowych: przykład Jump Trading",{"name":15},"Praktyczne zastosowania",{"slug":17,"draft_id":18,"pillar_id":20},"jak-asana-obnizyla-koszty-testow-browserowych-o-76-razy-i-jak-to-zrobic-w-twojej-firmie-juz-teraz",{"title":19},"Agenci przeglądarkowi AI w testach: jak Asana obniżyła koszty 76 razy",{"name":15},{"slug":22,"draft_id":23,"pillar_id":25},"jak-ai-w-atlassian-openai-automatyzuje-prace-zespolow-i-jak-to-zrobic-w-twojej-firmie",{"title":24},"Atlassian i OpenAI: co daje ChatGPT i Codex w Jirze — stan na 2026",{"name":9},{"slug":27,"draft_id":28,"pillar_id":30},"jak-ai-przyspiesza-prace-zespolow-it-o-30-ale-tylko-jesli-wiesz-jak-zintegrowac-ja-z-kodem-i-dokumentacja",{"title":29},"Ile naprawdę daje AI zespołowi programistów? Badania, ceny, pomiar",{"name":9},{"slug":32,"draft_id":33,"pillar_id":35},"jak-ai-z-atlassianem-i-openai-przyspiesza-prace-zespolowa-ale-czy-warto-wdrazac-to-w-twojej-firmie",{"title":34},"ChatGPT w firmie: plany Business, ceny i bezpieczeństwo danych (2026)",{"name":9},{"slug":37,"draft_id":38,"pillar_id":40},"jak-zautomatyzowac-analize-danych-w-twojej-firmie-bez-it-i-zaoszczedzic-40-budzetu",{"title":39},"Analiza danych bez działu IT: agenci AI i automatyzacja w 2026",{"name":9},{"slug":42,"draft_id":43,"pillar_id":45},"jak-data-agent-w-chatgpt-work-oszczedza-20-30-czasu-analitykow-bez-kodowania",{"title":44},"Data agent w ChatGPT Work: co potrafi analityk bez kodowania",{"name":9},{"slug":47,"draft_id":48,"pillar_id":50},"jak-ai-zwieksza-wydajnosc-inzynierow-o-21-i-jak-to-zrobic-w-twojej-firmie",{"title":49},"Jak Codex zwiększa wydajność inżynierów — case study 1Password i",{"name":15},{"slug":52,"draft_id":53,"pillar_id":55},"chatgpt-przyspiesza-prace-marketingowa-o-90-jak-to-zrobic-w-twojej-firmie",{"title":54},"ChatGPT Work w marketingu: co przyspiesza, a czego nie zastąpi",{"name":15},{"slug":57,"draft_id":58,"pillar_id":60},"kontrola-agentow-ai-kiedy-twoja-firma-traci-wplyw-nad-dzialaniami-automatyzacji",{"title":59},"Kontrola agentów AI: jak firma zachowuje wpływ nad automatyzacją",{"name":15},{"slug":62,"draft_id":63,"pillar_id":65},"fsm-runtime-vs-llm-dlaczego-polskie-firmy-placa-za-bledne-mutacje-stanu",{"title":64},"FSM runtime vs. LLM: dlaczego polskie firmy płacą za błędne mutacje stanu",{"name":15},{"slug":67,"draft_id":68,"pillar_id":70},"csv-do-raportu-dla-zarzadu-w-30-minut-bez-excela-bez-bolu-glowy",{"title":69},"Raport zarządczy z CSV w kilka minut — jak Claude i Copilot zastępują",{"name":71},"Tutoriale how-to",{"slug":73,"draft_id":74,"pillar_id":76},"jak-zbudowac-wlasny-pipeline-grafow-wiedzy-z-tekstu-w-6-krokach-i-kiedy-to-nie-warto",{"title":75},"Grafy wiedzy z tekstu: kiedy się opłacają, a kiedy to marnotrawstwo",{"name":71},{"slug":78,"draft_id":79,"pillar_id":81},"wspoldzielona-pamiec-dla-agentow-ai-jak-21-wezlow-zmienilo-koszty-debugowania-w-7-domenach",{"title":80},"Współdzielona pamięć agentów AI: jak działa i kiedy się opłaca",{"name":15},{"slug":83,"draft_id":84,"pillar_id":86},"jak-banki-chronia-swoje-algorytmy-i-dlaczego-twoje-agencje-ai-sa-bezbronne",{"title":85},"AI w bankach 2026: jak chronić algorytmy przed zagrożeniami",{"name":15},{"slug":88,"draft_id":89,"pillar_id":91},"agenci-ai-nie-zastepuja-ludzi-tworza-im-nowe-mozliwosci-jak-basis-clay-i-exa-labs-przeksztalcaja-procesy-w-zdolnosci-operacyjne",{"title":90},"Basis, Clay i Exa Labs: co robią agenci AI, a co zostaje człowiekowi",{"name":15},{"slug":93,"draft_id":94,"pillar_id":96},"jak-ocenic-llm-w-produkcji-bez-polegan-na-vibes-trzy-proste-reguly-w-pythonie",{"title":95},"Jak ocenić LLM w produkcji bez „vibes”? Reguły i metryki w Pythonie",{"name":15},{"slug":98,"draft_id":99,"pillar_id":101},"figma-ai-asystent-czy-twoi-projektanci-moga-zrezygnowac-z-myszki",{"title":100},"Figma AI agent: co potrafi asystent projektowania w 2026?",{"name":9},{"slug":103,"draft_id":104,"pillar_id":106},"heym-vs-tradycyjne-narzedzia-kiedy-agent-ai-przestaje-byc-dodatkiem-i-staje-sie-domyslnym-blokiem",{"title":105},"Agent AI jako domyślny blok workflow: Heym, n8n, Make i Zapier w 2026",{"name":9},{"slug":108,"draft_id":109,"pillar_id":111},"langchain-w-pipeline-ie-retrievalowym-sprawdzilismy-to-nie-dziala-tak-jak-sie-wydaje",{"title":110},"LangChain w RAG: co robi, gdzie zwalnia i kiedy go zostawić",{"name":15},{"slug":113,"draft_id":114,"pillar_id":116},"autonomiczny-bot-ai-zhackowal-projekty-microsoftu-i-innych-firm-jak-to-dziala-i-co-to-oznacza-dla-open-source",{"title":115},"Lokalne modele AI w 2026: Ollama, LM Studio i modele polskie",{"name":117},"News & analizy",{"slug":119,"draft_id":120,"pillar_id":122},"ai-nie-jest-najwiekszym-zagrozeniem-to-twoi-pracownicy-otwieraja-drzwi-hakerom",{"title":121},"Exploity i skradzione hasła zamiast AI — co naprawdę atakuje firmy w",{"name":117},{"slug":124,"draft_id":125,"pillar_id":127},"ue-chce-zmusic-google-do-otwarcia-androida-na-konkurencyjne-asystenty-ai-co-to-oznacza-dla-polskich-firm",{"title":126},"Komisja Europejska nakazała Google otworzyć Androida dla",{"name":117},{"slug":129,"draft_id":130,"pillar_id":132},"twoja-architektura-multi-agent-kosztuje-5000-pln-miesiac-na-tokenach-jak-to-zmienic",{"title":131},"Koszty tokenów w architekturze multi-agent: jak je policzyć i obniżyć",{"name":71},{"slug":134,"draft_id":135,"pillar_id":137},"agent-ai-dostal-dostep-do-twoich-systemow-czy-twoja-firma-jest-gotowa",{"title":136},"OWASP Top 10 dla LLM 2026: co zmienia się dla firm z agentami AI",{"name":117},{"slug":139,"draft_id":140,"pillar_id":142},"rag-w-produkcji-dlaczego-80-projektow-zawodzi-juz-po-pierwszym-deploymencie",{"title":141},"RAG w produkcji: od demo do systemu, który działa — co się zmienia",{"name":15},{"slug":144,"draft_id":145,"pillar_id":147},"jak-zbudowac-kontrolna-warstwe-dla-llm-w-produkcji-przyklad-z-100-niezawodnoscia",{"title":146},"Walidacja outputu lokalnych LLM w produkcji: JSON mode, structured",{"name":15},{"slug":149,"draft_id":150,"pillar_id":152},"chi-2026-dlaczego-apple-stawia-na-barcelone-i-co-to-oznacza-dla-twojego-biznesu",{"title":151},"CHI 2026 w Barcelonie: co Apple zaprezentowało naukowcom i jak to",{"name":117},{"slug":154,"draft_id":155,"pillar_id":157},"czy-polska-moze-powtorzyc-sukces-singapuru-ai-w-walce-z-nielegalnym-handlem-gatunkami",{"title":156},"Fin Finder: jak AI pomaga celnikom rozpoznawać płetwy rekinów",{"name":117},{"slug":159,"draft_id":160,"pillar_id":162},"odpowiedzialna-ai-w-microsoft-350-inzynierow-etyki-vs-87-polskich-firm-bez-polityki",{"title":161},"Odpowiedzialna AI w firmach: od zasad Microsoftu do wymogów AI Act",{"name":117},{"slug":164,"draft_id":165,"pillar_id":167},"midi-2020-co-naprawde-zmienilo-sie-w-polskim-ai-po-tej-konferencji",{"title":166},"MIDI 2020: ósma edycja konferencji o inteligentnych maszynach",{"name":117},{"slug":169,"draft_id":170,"pillar_id":172},"dall-e-2-jak-polskie-firmy-moga-zarabiac-na-tekscie-ktory-maluje-obrazy",{"title":171},"Generatory obrazów AI w 2026: co potrafią i jak wybrać narzędzie",{"name":117},{"slug":174,"draft_id":175,"pillar_id":177},"proces-muska-vs-altman-dlaczego-polskie-firmy-ai-wstrzymaly-inwestycje-na-3-miesiace",{"title":176},"Proces Muska vs. Altman: co ujawnił o przyszłości OpenAI i biznesu AI",{"name":117},{"slug":179,"draft_id":180,"pillar_id":182},"lingbot-world-fast-17-fps-w-generowaniu-wideo-czy-to-wystarczy-zeby-wyprzedzic-stability-ai",{"title":181},"LingBot-World-Fast: co potrafi otwarty world model Robbyant",{"name":9},{"slug":184,"draft_id":185,"pillar_id":187},"calowanie-robotow-biznesowy-sens-czy-naukowy-eksperyment",{"title":186},"Roboty społeczne w Polsce: od eksperymentu do praktyki",{"name":117},{"slug":189,"draft_id":190,"pillar_id":192},"gemini-3-5-vs-gpt-5-5-kto-oszukuje-a-kto-naprawde-buduje",{"title":191},"GPT-5.5 vs Gemini 3.5: co naprawdę wiadomo w 2026 roku",{"name":9},{"slug":194,"draft_id":195,"pillar_id":197},"sensenova-vs-flux-klein-ktore-narzedzie-do-edycji-obrazow-ai-oszczedzi-ci-120-godzin-pracy-rocznie",{"title":196},"SenseNova U1.5 vs FLUX 3 Image Klein: co wybrać do edycji zdjęć",{"name":9},{"slug":199,"draft_id":200,"pillar_id":202},"czy-agi-naprawde-nadejdzie-za-kilka-lat-demis-hassabis-kontra-polska-rzeczywistosc",{"title":201},"Kiedy powstanie AGI? Co naprawdę powiedział Demis Hassabis",{"name":117},{"slug":204,"draft_id":205,"pillar_id":207},"inzynieria-promptow-jak-zaczac-bez-wydawania-zlotowki",{"title":206},"Inżynieria promptów: jak zacząć bez wydawania złotówki",{"name":71},[209],{"id":210,"slug":211,"page_type":212,"hub_slug":213,"cover_image":214,"published_at":215,"last_refreshed_at":216,"reviewed_at":213,"reviewed_by":213,"reading_time_min":217,"pillar_id":218,"author_id":222,"draft_id":229},"98eaa685-0637-4568-baef-c2e0dc56e070","mof-y-w-8-tygodni-zamiast-5-lat-jak-ai-zmienia-zasady-gry-w-chemii-materialowej","article",null,"d4c47f6d-436e-4f86-a108-68d95c98e0fe","2026-08-18T02:48:04.532Z","2026-10-22T09:37:08.459Z",9,{"id":219,"name":15,"slug":220,"color_token":221},"ec013b2c-e6c4-4c31-b1ec-9587c629a169","praktyczne-zastosowania","gold",{"display_name":223,"slug":224,"bio_short":225,"social_links":226},"Andrzej Niemiec","andrzej-niemiec","Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.",{"linkedin":227,"x":213,"github":213,"website":228},"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fandrzej-niemiec-b3ab60220\u002F","https:\u002F\u002Faion-automation.pl",{"title":230,"meta_description":231,"body_mdx":232,"word_count":233,"schema_type":234},"Projektowanie MOF-ów przez AI: co naprawdę potrafi system MOFGen","MOF-y to porowate szkielety metalo-organiczne. Sprawdzamy, jak AI je projektuje, ile struktur wygenerował MOFGen i gdzie kończy się demonstrator, a zaczyna laboratorium.","## Czym są MOF-y i dlaczego Nobel 2025 zmienił ich status?\n\nMOF-y, czyli szkielety metalo-organiczne, to porowate materiały krystaliczne zbudowane z metalicznych węzłów połączonych organicznymi łącznikami. Pory mają projektowaną wielkość i chemię wnętrza, dlatego materiały te bada się pod kątem separacji i magazynowania gazów, wychwytu dwutlenku węgla, pozyskiwania wody z powietrza, katalizy, sensorów i transportu leków [1][2].\n\nW 2025 roku Nagrodę Nobla w dziedzinie chemii otrzymali Susumu Kitagawa, Richard Robson i Omar M. Yaghi. Królewska Szwedzka Akademia Nauk uhonorowała ich za opracowanie porowatych szkieletów metalo-organicznych [1]. Werdykt potwierdził, że MOF-y są odrębną klasą materiałów, a nie wyłącznie wątkiem specjalistycznych publikacji [1][2].\n\nO ich znaczeniu decyduje porowatość. Pory mieszczą cząsteczki, a ich rozmiar i chemia wnętrza decydują o tym, co materiał zatrzymuje, a co przepuszcza [2]. Ta właściwość pozwala projektować MOF-y pod konkretne zadanie, na przykład pod wychwyt dwutlenku węgla albo magazynowanie wodoru [1][2].\n\nProjektowanie takich struktur nie jest dowolne. Przegląd w „Chemical Society Reviews” opisuje, jak przez kilkanaście lat rozwinęły się metody celowego doboru metali i łączników oraz jak od projektowania pojedynczych struktur przeszło się do planowania całych rodzin materiałów [3]. Ta uporządkowana, siatkowa chemia sprawia, że MOF-y nadają się do modelowania obliczeniowego, a więc także do wsparcia algorytmami [3].\n\n## Jaką rolę odgrywa AI w projektowaniu MOF-ów?\n\nSztuczna inteligencja zawęża przestrzeń kandydatów i przewiduje właściwości, ale nie zastępuje laboratorium. Modele uczą się na istniejących danych krystalograficznych, proponują łączniki i warunki syntezy, a walidacja eksperymentalna pozostaje po stronie chemików [4][5].\n\nPrzegląd z 2023 roku opisuje trzy zastosowania uczenia maszynowego: przewidywanie właściwości na podstawie struktury, generowanie nowych struktur oraz optymalizację kilku parametrów jednocześnie [4]. Nowsze prace z lat 2024–2026 dokładają do tego przewidywanie warunków syntezy i potencjalnych zastosowań na podstawie prekursorów oraz dyfraktogramów proszkowych [5][6].\n\nGranica jest jednoznaczna. Model może wskazać kandydata, ale nie potwierdza, że dana struktura rzeczywiście powstanie w kolbie. Współczesne przeglądy wymieniają wykonalność syntezy, jakość danych, koszty obliczeń, odtwarzalność i skalowanie jako problemy, których nie rozwiązuje samo zwiększenie mocy modelu [5][6].\n\n## Czym jest system MOFGen i co dokładnie osiągnął?\n\nMOFGen to system agentowy opisany w preprincie z 18 kwietnia 2025 r. Łączy model językowy, model dyfuzyjny, obliczenia kwantowo-mechaniczne, ocenę wykonalności syntezy i syntezę wysokoprzepustową [7][8].\n\nArchitektura jest modułowa. Model językowy MOFMaster proponuje składy, LinkerGen i CrystalGen generują łączniki oraz struktury, QForge prowadzi obliczenia kwantowe, a SynthABLE, QHarden i SynthGen oceniają syntezowalność i przygotowują warunki syntezy [8]. Każdy etap zawęża zbiór kandydatów, zamiast opierać się na jednym modelu.\n\nSkala generowania jest duża. System wygenerował 259 559 przewidywanych struktur MOF dla wybranych układów cynkowych oraz około 180 000 nowych, unikalnych organicznych łączników ocenionych jako potencjalnie syntezowalne [8]. To liczby kandydatów, a nie liczba materiałów otrzymanych w laboratorium.\n\n## Ile materiałów AI faktycznie wytworzyło w laboratorium?\n\nEksperymentalnie otrzymano pięć struktur określanych jako „AI-dreamt MOFs”. Część syntez zakończono w ciągu kilku dni, a całość opisano jako realizowaną w ciągu kilku tygodni [8].\n\nZestawienie liczb pokazuje proporcje: 259 559 przewidzianych struktur i około 180 000 linkerów po jednej stronie, pięć potwierdzonych materiałów po drugiej [8]. Walidacja wymagała klasycznych metod laboratoryjnych, w tym dyfrakcji rentgenowskiej pojedynczego kryształu lub proszkowej (SCXRD\u002FPXRD) [8]. Model nie potwierdza samodzielnie, że wygenerowana struktura istnieje.\n\n## Jakie są najważniejsze zastosowania MOF-ów?\n\nMOF-y bada się przede wszystkim w separacji i magazynowaniu gazów, wychwycie dwutlenku węgla, pozyskiwaniu wody z powietrza, katalizie, sensorach i transporcie leków [1][2]. Większość tych kierunków pozostaje na etapie badań i demonstratorów, a nie dojrzałych technologii rynkowych [2].\n\nOsobny nurt to łączenie syntezy z zastosowaniami przez modele multimodalne. Praca w „Nature Communications” z 2025 roku opisuje model, który wiąże warunki syntezy MOF-ów z potencjalnymi zastosowaniami na podstawie danych z różnych modalności [9].\n\nPolski wątek w tej historii jest starszy niż systemy agentowe. W 2020 roku instytut IChF PAN współopracował bezrozpuszczalnikową enkapsulację leków w MOF-ach [10]. To przykład zastosowania farmaceutycznego otrzymanego klasycznymi metodami, bez generatywnego projektowania.\n\n## Gdzie kończą się obietnice: jakie ograniczenia ma projektowanie MOF-ów przez AI?\n\nNajwiększym ograniczeniem jest wykonalność syntezy. Struktura poprawna energetycznie może okazać się niemożliwa do otrzymania w realistycznych warunkach, dlatego modele oceniające syntezowalność są filtrem, a nie gwarancją [6][8].\n\nKolejne bariery to stabilność materiału w warunkach pracy, różnorodność i standaryzacja danych treningowych, koszt obliczeń kwantowych oraz odtwarzalność wyników między laboratoriami [4][5]. Przegląd z 2025 roku wskazuje też różnicę między wynikiem symulacji a realnym materiałem jako problem, którego nie usuwa sam model [11].\n\nAutonomiczne laboratoria są kierunkiem rozwoju, ale nadal wymagają udziału człowieka i eksperymentalnej weryfikacji [11]. Opisywane w mediach systemy, takie jak A-Lab, demonstrują przygotowanie receptur nowych materiałów, a model DeepMind przewidział możliwość zaistnienia blisko 400 tysięcy stabilnych substancji [12]. To wyniki badawcze, nie gotowe linie produkcyjne.\n\n## Jak wypada porównanie: klasyczne symulacje, modele AI i autonomiczne laboratoria?\n\n| Kryterium | Symulacje DFT i dynamika molekularna | Modele AI i systemy agentowe (np. MOFGen) | Autonomiczne laboratoria |\n|---|---|---|---|\n| Liczba kandydatów w jednostce czasu | Mała, ograniczona kosztem obliczeń [3] | Bardzo duża, setki tysięcy struktur [8] | Średnia, ograniczona przepustowością sprzętu [12] |\n| Rola człowieka | Pełna kontrola nad każdym etapem | Wybór celu, danych i kryteriów oceny [4][8] | Nadzór i zatwierdzanie receptur [11] |\n| Walidacja wyniku | Obliczeniowa, bez syntezy | Laboratoryjna, SCXRD\u002FPXRD [8] | Laboratoryjna, zautomatyzowana [12] |\n| Dojrzałość wdrożeniowa | Dojrzała metodyka badawcza [3] | Demonstratory badawcze [7][8] | Pilotaże i platformy badawcze [12] |\n\nTabela pokazuje, że metody nie konkurują w jednym wymiarze. Symulacje dają precyzję pojedynczego wyniku, systemy AI przepustowość w generowaniu kandydatów, a autonomiczne laboratoria szybkość testowania [3][8][12].\n\n## Co z tego wynika dla polskich instytutów i firm?\n\nInstytut Chemii Fizycznej PAN prowadzi badania nad MOF-ami i wymienia je wśród własnych projektów, w tym projekt dotyczący wytwarzania materiałów porowatych z użyciem AI [13][14]. Dorobek instytutu obejmuje też wspomnianą enkapsulację leków w MOF-ach z 2020 roku [10].\n\nDostępne źródła nie potwierdzają jednak, by system MOFGen był realizowany w IChF PAN ani by w instytucie trwał eksperyment polegający na syntezie MOF-ów w osiem tygodni [7][8][13]. Publikacja MOFGen wskazuje autorów związanych z UC Berkeley i zespołem Omara M. Yaghiego [7][8].\n\nDla zespołu badawczego wniosek jest praktyczny. Najpierw warto ustalić, jakie dane krystalograficzne i syntetyczne organizacja posiada, a dopiero potem wybierać model. Szerszy obraz automatyzacji w chemii dają opisy metod badania tysięcy reakcji w kilka godzin [15] oraz analizy tego, co AI zmienia w firmach chemicznych [16]. Warto też porównać ten kierunek z innymi wdrożeniami opisanymi w naszym przeglądzie [Praktyczne zastosowania AI: od pilotażu do produkcji](\u002Fposts\u002Fpraktyczne-zastosowania-przewodnik) i z analizą pracy modeli w badaniach danych w tekście [Codex w data science: 2 godziny pracy w 10 minut, ale nie bez haczyka](\u002Fposts\u002Fcodex-w-data-science-2-godziny-pracy-w-10-minut-ale-nie-bez-haczyka).\n\n## Najczęstsze pytania\n\n### Czy AI potrafi samodzielnie odkryć nowy MOF?\n\nNie w pełni. Systemy takie jak MOFGen generują kandydatów i oceniają syntezowalność, ale otrzymanie materiału wymaga syntezy i walidacji dyfrakcyjnej w laboratorium [7][8]. AI skraca drogę do kandydatów, nie zastępuje eksperymentu ani decyzji badacza.\n\n### Ile struktur MOF wygenerował system MOFGen?\n\n259 559 przewidywanych struktur dla wybranych układów cynkowych oraz około 180 000 nowych, unikalnych linkerów ocenionych jako potencjalnie syntezowalne [8]. W laboratorium potwierdzono pięć struktur [8]. To liczby kandydatów i wyników demonstracji, nie skala produkcji.\n\n### Czy Nobel 2025 w dziedzinie chemii dotyczył MOF-ów?\n\nTak. Nagrodę otrzymali Susumu Kitagawa, Richard Robson i Omar M. Yaghi za opracowanie porowatych szkieletów metalo-organicznych [1]. Wyróżnienie dotyczyło samej klasy materiałów, a nie konkretnego zastosowania ani wdrożenia przemysłowego [1][2].\n\n### Czy MOF-y są już produkowane na skalę przemysłową?\n\nDostępne źródła opisują przede wszystkim badania i demonstratory, a nie masową produkcję [2][8]. Zastosowania takie jak separacja gazów, wychwyt dwutlenku węgla czy transport leków pozostają kierunkami badawczymi [1][2]. Skalowanie wymaga rozwiązania problemów syntezowalności, stabilności i odtwarzalności [11].\n\n### Co trzeba sprawdzić przed wdrożeniem AI do projektowania MOF-ów?\n\nTrzy rzeczy: dostępność i standaryzację danych krystalograficznych, sposób oceny syntezowalności oraz procedurę walidacji w laboratorium [4][6][8]. Model bez tych elementów generuje kandydatów, których nikt nie potwierdzi eksperymentalnie. Warto zacząć od jednego zastosowania i wąskiego zestawu układów.\n\n## Źródła\n\n1. [Nobel 2025 z chemii. Co potrafią szkielety metalo-organiczne? (Serwis Naukowy UW, 2025)](https:\u002F\u002Fserwisnaukowy.uw.edu.pl\u002Fnobel-2025-z-chemii-za-stworzenie-nowych-materialow-co-potrafia-szkielety-metalo-organiczne)\n2. [Szkielety metalo-organiczne (Wikipedia, 2025)](https:\u002F\u002Fpl.wikipedia.org\u002Fwiki\u002FSzkielety_metalo-organiczne)\n3. [Development of the design and synthesis of metal–organic frameworks (Chemical Society Reviews, 2025)](https:\u002F\u002Fpubs.rsc.org\u002Fcs\u002Farticle\u002F54\u002F1\u002F367\u002F845018\u002FDevelopment-of-the-design-and-synthesis-of-metal)\n4. [Artificial intelligence assisted with designing metal-organic frameworks (Rabiee, Clinical and Translational Discovery, 2023)](https:\u002F\u002Fonlinelibrary.wiley.com\u002Fdoi\u002Ffull\u002F10.1002\u002Fctd2.207)\n5. [Artificial Intelligence Paradigms for Next-Generation Metal–Organic Framework Research (JACS, 2025)](https:\u002F\u002Fpubs.acs.org\u002Fdoi\u002F10.1021\u002Fjacs.5c08214)\n6. [The Rise of Generative AI for Metal–Organic Framework Design and Synthesis (2025)](https:\u002F\u002Fzhenglab.wustl.edu\u002Ffiles\u002F2025\u002F08\u002Fthe-rise.pdf)\n7. [System of Agentic AI for the Discovery of Metal-Organic Frameworks (arXiv, 2025)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2504.14110)\n8. [System of Agentic AI for the Discovery of Metal-Organic Frameworks — pełny tekst (arXiv, 2025)](https:\u002F\u002Farxiv.org\u002Fhtml\u002F2504.14110v1)\n9. [Connecting metal-organic framework synthesis to applications using multimodal machine learning (Nature Communications, 2025)](https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41467-025-60796-0)\n10. [IChF Informacje prasowe (Instytut Chemii Fizycznej PAN)](http:\u002F\u002Fmalina.ichf.edu.pl\u002FIChF-infopress.html)\n11. [Reimagining metal-organic framework discovery: Integrating experiment, computation, and artificial intelligence (Chem, 2025)](https:\u002F\u002Fwww.osti.gov\u002Fservlets\u002Fpurl\u002F3370420)\n12. [Sztuczna inteligencja tworzy nowe materiały? Naukowcy mają nowe narzędzia (National Geographic)](https:\u002F\u002Fwww.national-geographic.pl\u002Ftechnologia\u002Fsztuczna-inteligencja-tworzy-nowe-materialy-i-robi-to-bez-pomocy-czlowieka-231206012321\u002F)\n13. [Projects (Instytut Chemii Fizycznej PAN)](https:\u002F\u002Fichf.edu.pl\u002Fen\u002Fprojects)\n14. [Semiconducting Materials and Optoelectronic Devices (Instytut Chemii Fizycznej PAN)](https:\u002F\u002Fichf.edu.pl\u002Fgroups\u002Fsemiconducting-materials-and-optoelectronic-devices)\n15. [Przewrót w chemii. Polakom wystarczą godziny, inni muszą pracować dłużej (Spider's Web, 2025)](https:\u002F\u002Fspidersweb.pl\u002F2025\u002F10\u002Fpolacy-rewolucjonizuja-chemie-reakcje.html)\n16. [Co dokładnie zmienia sztuczna inteligencja w firmach chemicznych? (Chemia i Biznes)](https:\u002F\u002Fwww.chemiaibiznes.com.pl\u002Fartykuly\u002Fco-dokladnie-zmienia-sztuczna-inteligencja-w-firmach-chemicznych)",1624,"Article",[236,242,248,254,260,266,272,278,284,290,296,302,308,314,320,326],{"id":237,"slug":238,"pillar_id":239,"draft_id":240},"3711d3a5-d1b6-41f0-83bf-cede7e357934","codex-w-operacjach-jak-polskie-firmy-odzyskuja-15-godzin-tygodniowo",{"color_token":221},{"title":241},"Codex w operacjach: jak polskie firmy odzyskują 15 godzin tygodniowo",{"id":243,"slug":244,"pillar_id":245,"draft_id":246},"fad1d7ad-8fa0-43af-b45a-a0be58875324","codex-w-operacjach-biznesowych-jak-zamienic-20-godzin-pracy-w-8-minut",{"color_token":221},{"title":247},"Codex w operacjach biznesowych: jak zamienić 20 godzin pracy w 8 minut",{"id":249,"slug":250,"pillar_id":251,"draft_id":252},"b77317b3-6449-4e20-bcc2-40177a5635c3","debata-agentow-ai-jak-10-modeli-wygenerowalo-guardrails-za-1-3-ceny",{"color_token":221},{"title":253},"Debata agentów AI: jak 10 modeli wygenerowało guardrails za 1\u002F3 ceny",{"id":255,"slug":256,"pillar_id":257,"draft_id":258},"ab48fe44-3cec-4ee3-9c7a-e04587d706a4","codex-w-sprzedazy-jak-oszczedzic-10-godzin-tygodniowo-bez-pisania-kodu",{"color_token":221},{"title":259},"Codex w sprzedaży: jak oszczędzić 10 godzin tygodniowo bez pisania kodu",{"id":261,"slug":262,"pillar_id":263,"draft_id":264},"15de5316-98c5-4e40-bfd7-15db1ee47fd3","codex-w-sprzedazy-jak-polskie-zespoly-automatyzuja-briefy-i-forecasty-bez-kodu",{"color_token":221},{"title":265},"Codex w sprzedaży: jak polskie zespoły automatyzują briefy i forecasty bez kodu",{"id":267,"slug":268,"pillar_id":269,"draft_id":270},"6f5c7a22-1999-4ee4-8abf-82ed26b88ca4","codex-w-sprzedazy-jak-polskie-firmy-automatyzuja-briefy-i-forecasty-bez-kodu",{"color_token":221},{"title":271},"Codex w sprzedaży: jak polskie firmy automatyzują briefy i forecasty bez kodu",{"id":273,"slug":274,"pillar_id":275,"draft_id":276},"d65aeb1e-b7f5-4221-836c-4e751d758397","czy-twoje-narzedzia-ai-to-tylko-cyfrowy-smietnik-jak-przestac-placic-za-nieuzywane-zakladki",{"color_token":221},{"title":277},"Czy twoje narzędzia AI to tylko cyfrowy śmietnik? Jak przestać płacić za nieużywane zakładki",{"id":279,"slug":280,"pillar_id":281,"draft_id":282},"0c185ca8-0e4c-46c3-b06a-cb5c2d632be3","milion-zlotych-straty-przez-zmienne-z-llm-gdzie-analiza-przyczynowa-traci-grunt",{"color_token":221},{"title":283},"Milion złotych straty przez zmienne z LLM — gdzie analiza przyczynowa traci grunt",{"id":285,"slug":286,"pillar_id":287,"draft_id":288},"9a45d404-d037-405f-b9e1-4f649c1d6c72","twoj-agent-ma-72-skutecznosci-zmiana-modelu-tego-nie-naprawi",{"color_token":221},{"title":289},"LLM jako selektor akcji: dlaczego 72% to pułap, którego nie przeskoczysz bez zmiany architektury",{"id":291,"slug":292,"pillar_id":293,"draft_id":294},"d0badd80-84fc-4a82-a928-d57869fbe3d7","wordpress-bez-kodowania-jak-zbudowac-strone-w-2-godziny-zamiast-20",{"color_token":221},{"title":295},"WordPress bez kodowania: jak zbudować stronę w 2 godziny zamiast 20",{"id":297,"slug":298,"pillar_id":299,"draft_id":300},"21da4438-3fa2-41e0-a7f6-1768c752628e","twoj-pilot-ai-zachwycil-zarzad-dlaczego-nigdy-nie-trafi-na-hale-produkcyjna",{"color_token":221},{"title":301},"Dlaczego pilotaż AI trafia do produkcji, ale biznes go nie widzi — 5%",{"id":303,"slug":304,"pillar_id":305,"draft_id":306},"5fa11e1e-4f17-4996-9132-df455ed2fcbc","web-search-rag-pipeline-zanim-napiszesz-kolejny-scraper-przeczytaj-o-czterech-pulapkach",{"color_token":221},{"title":307},"Web scraping dla AI: czyszczenie HTML zmniejsza tokeny",{"id":309,"slug":310,"pillar_id":311,"draft_id":312},"9607dd0d-10bf-4236-86cb-f658bad984b8","twoj-agent-ai-wlasnie-zjadl-trucizne-i-nawet-o-tym-nie-wie",{"color_token":221},{"title":313},"Twój agent AI właśnie przeczytał stronę, która go okłamała — i nie wie o tym",{"id":315,"slug":316,"pillar_id":317,"draft_id":318},"b1b01fdd-dab1-42b9-89e6-e8e6cb382bf6","ile-kosztuje-godzina-szkolenia-ai-nowa-metoda-liczy-to-w-8-sekund",{"color_token":221},{"title":319},"Ile kosztuje godzina szkolenia AI? Nowa metoda liczy to w 8 sekund",{"id":321,"slug":322,"pillar_id":323,"draft_id":324},"1b8f6283-ddf2-45ca-93a2-589e667f48d8","kiedy-brak-llm-gateway-zaczyna-kosztowac-mapa-decyzji-dla-operatora",{"color_token":221},{"title":325},"Lokalne modele AI vs API w chmurze: kiedy się opłaca przejść na",{"id":327,"slug":328,"pillar_id":329,"draft_id":330},"1d9444f2-f6f3-45b5-9365-57b448334476","ai-w-sprzedazy-5-zadan-ktore-przestaja-zajmowac-czas-twojemu-zespolowi",{"color_token":221},{"title":331},"AI w sprzedaży: 5 zadań, które przestają zajmować czas twojemu zespołowi",[]]