Za zářivými titulky se odvětví AI potýká se zásadními otázkami ohledně tempa inovací, udržitelnosti kapitálu a rozcházejících se cest vývojářů modelů oproti tvůrcům aplikací.
Tichý bod obratu v odvětví
Umělá inteligence v posledních třech letech rostla bezprecedentním tempem. Od spuštění ChatGPT lámalo přijetí mezi spotřebiteli rekordy, giganti od OpenAI po Google oznamovali modely v rychlém sledu za sebou a společnosti z Fortune 500 postavily AI do středu svých obchodních procesů. Přesto se dnes za zářivými titulky odvětví potýká se zásadně odlišnou otázkou:
Pokračují skutečné inovace stále vpřed se silnou dynamikou, nebo sledujeme obrovský stroj narážející na neviditelné limity?
Abychom na tuto otázku odpověděli správně, musíme se na ekosystém podívat dvěma odlišnými optikami:
Primární trh: Společnosti vyvíjející základní modely jako GPT-4, Claude a Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Sekundární trh: Společnosti, které tyto modely přebírají a staví na nich řešení pro skutečné problémy uživatelů: Perplexity, Cursor, Notion AI, Replit.
Ačkoli oba trhy existují v rámci stejného odvětví, jejich dynamika, nákladové struktury, rizikové profily i očekávání růstu se zásadně liší. Napětí, jehož jsme dnes svědky, pramení právě z této divergence.
Objevují se přirozené limity vývoje modelů
Vývoj velkých jazykových modelů v posledních pěti letech formovaly čtyři základní faktory:
- Velikost modelu (počet parametrů)
- Tréninková data (kvalita a rozmanitost)
- Výpočetní výkon (kapacita GPU/TPU)
- Tréninkové techniky (transformerové architektury, mechanismy pozornosti)
Od roku 2018 do roku 2023 se všechny čtyři tyto faktory škálovaly stejným směrem, což vedlo k obrovským skokům vpřed. Tak jsme se posunuli od GPT-2 ke GPT-4, od BERT k PaLM. Tato křivka však nebude pokračovat donekonečna. Tréninková data jsou nyní nejkritičtějším úzkým hrdlem celého odvětví.
Vysoce kvalitní, rozmanité a původní datové soubory vytvořené lidmi jsou omezené. Trénujete na Wikipedii, trénujete na arXiv, trénujete na GitHubu: a co potom? Náklady v této oblasti rostou exponenciálně kvůli autorskoprávním sporům, dohodám o vlastnictví dat a omezením přístupu. Uzavíráte dohody s Redditem, vyjednáváte se Stack Overflow, čelíte žalobám od The New York Times. Zvětšování modelů je technicky stále proveditelné, ale datová stránka vytváří přirozený strop.
Proto se pozornost odvětví přesunula od velikosti modelů k efektivitě. Řetězení myšlenek (chain-of-thought reasoning), reinforcement learning from human feedback (RLHF), účinnější techniky samplování, architektury mixture-of-experts (MoE): to vše je součástí této proměny.
Tyto posuny jsou významné, samy o sobě ale nejsou udržitelné. Protože i zisky z efektivity nakonec narazí na bod nasycení. Odvětví si začíná uvědomovat, že inovace základních modelů vstoupila do fáze, která je pomalejší a dražší.
Tlak kapitálových toků a rostoucí křehkost
Jakmile se technologické limity stávají hmatatelnými, růst na kapitálové straně na sebe bere ještě větší riziko.
Společnosti vyvíjející základní modely budují masivní výpočetní infrastrukturu a v boji o talenty přicházejí s agresivními nabídkami. Tyto výdaje vznikají ještě předtím, než se podaří vybudovat silné příjmové základy. Roční náklady OpenAI na výpočetní výkon sahají do miliard. Anthropic získává miliardové investice od Microsoftu. Google vyčleňuje samostatný rozpočet pro DeepMind.
Miliardy investované do datových center, víceleté kontrakty na GPU, astronomické platy vyplácené jménům jako Ilya Sutskever: to vše dramaticky nafukuje nákladové položky firem.
Tento obraz ukazuje, že primární trh je postaven na ekonomicky velmi křehkém modelu škálování. Nákladová struktura inovací modelů výrazně převyšuje tempo růstu příjmů.
Tichý vzestup aplikační vrstvy
Zatímco primární trh je pod tlakem, sekundární trh postupuje po relativně zdravé růstové křivce. Tyto firmy berou základní modely a proměňují je ve skutečné případy použití.
- Perplexity: Přetváří způsob vyhledávání
- Cursor & Replit: Mění proces programování
- Notion AI: Dělá nástroje produktivity inteligentními
- Dvina: Propojuje se s více než 120 aplikacemi, aby bylo možné spravovat celý digitální život z jediné inteligentní vrstvy
Výhodou těchto firem je, že jsou nejblíže uživateli. Skutečná hodnota vzniká přímo v uživatelské zkušenosti. Vyhledávání, programování, tvorba obsahu, produktivita, zpracování informací: všechny tyto oblasti nabízejí škálovatelné a srozumitelné příjmové modely.
Proto se mnoho producentů základních modelů začalo přesouvat do aplikační vrstvy. OpenAI proměnila ChatGPT v produkt, Anthropic přetvořil Claude v nabídku pro spotřebitele, Google integroval Gemini. Strategie vertikální integrace se rychle rozšířila.
Tato strategie ale přinesla vedlejší efekty: náklady na akvizici prudce vzrostly, valuace sekundárního trhu se nafoukly. To, že se sekundární trh — jediná oblast schopná generovat příjmy — stal tak drahým, dále zesiluje kapitálové riziko v tomto sektoru.
Historické cykly a dnešní odlišující faktor
Umělá inteligence už v minulosti zažila dva velké útlumy: na konci 70. let a na začátku 90. let. Co tato období spojovalo: vysoká očekávání, nízké tempo inovací a vyprchávající investiční apetit.
Dnešní situace je jiná. Technické inovace pokračují, ale tempo průlomů zpomaluje. Tok kapitálu však roste v dosud nevídaném měřítku. Sam Altman mluví o fondu na výpočetní výkon ve výši 7 bilionů dolarů, Elon Musk lije miliardy do xAI.
To znamená, že to, co zažíváme, není klasická „AI zima“. Je to spíše období křehkosti založené na alokaci kapitálu: valuace se nafukují, náklady zrychlují, ale tempo inovací nenaplňuje očekávání.
Nová éra: Ne větší modely, ale chytřejší přístupy zvítězí
Nejdůležitější rozdíl dneška je tento: podstatné už není vytvářet stále masivnější modely přidáváním dalších parametrů.
Skutečná transformace proběhne v těchto oblastech:
- Zvyšování efektivity parametrů
- Dosahování vyšší kvality s menšími modely
- Vývoj nových trénovacích technik
- Strategičtější a efektivnější využívání dat
- Radikální snižování nákladů na trénování
Jedním z nejvýraznějších nedávných příkladů byl DeepSeek. Tento čínský startup vyvinul model, který dosahuje úrovně GPT-4, ale s mnohem nižšími náklady na trénování. Architektura mixture-of-experts, optimalizace parametrů, trénovací techniky zaměřené na efektivitu. Trh reagoval velmi silně.
Po oznámení DeepSeek klesla tržní kapitalizace NVIDIA během jediného dne o 600 miliard dolarů. Ukázalo se tím, že investoři už nesledují jen závod o větší modely, ale také závod o efektivitu a architektonické inovace.
Ani to ale stále nestačí. Pokud má sektor zažít skutečný skok, přijde prostřednictvím nových architektonických paradigmat. Něčeho, co přesáhne architekturu transformerů. Možná neuromorfní výpočty, možná hybridní modely, nebo možná zcela odlišný rámec učení.
Takovéto radikální proměny obvykle nepřicházejí od velkých firem. Ty postupují opatrně kvůli tlaku plynoucímu z jejich velikosti, nákladům na infrastrukturu a firemnímu řízení rizik. Skutečné průlomy často vznikají v malých, agresivních, k riziku tolerantních a ambiciózních startupech.
Dnešní ekosystém AI na takové narušení s velkou pravděpodobností právě čeká.
Závěr: Ne zdroje, ale přístup rozhodne
Sektor AI dnes osciluje mezi dvěma napětími: na jedné straně strategií škálování modelů, která se blíží svým limitům, na druhé straně rostoucími kapitálovými riziky a trhem aplikací, jehož hodnota rychle roste.
Tento obraz ukazuje, že základním problémem je nyní přístup, nikoli kapacita. Zítřejšími vítězi nebudou ti, kdo staví větší modely, ale ti, kdo vytvářejí chytřejší metody. Efektivita, nové architektonické návrhy a optimalizované trénovací techniky se stávají skutečnou dělicí linií tohoto sektoru.
V budoucnu bude rozhodující kvalita přístupu, nikoli síla zdrojů. A pravděpodobnost, že tento posun v přístupu odstartují spíše vizionářské startupy než velké firmy, je poměrně vysoká.
