Za nadšenými titulky se odvětví AI potýká se zásadními otázkami ohledně tempa inovací, udržitelnosti financování a rozcházejících se cest vývojářů modelů a tvůrců aplikací.
Nenápadný zlom v odvětví
Umělá inteligence za poslední tři roky rostla nebývalým tempem. Od spuštění ChatGPT lámalo její rozšíření mezi spotřebiteli rekordy, giganti od OpenAI po Google představovali nové modely v rychlém sledu a společnosti z žebříčku Fortune 500 postavily AI do centra svých podnikových procesů. Dnes se však za nadšenými titulky odvětví potýká se zásadně odlišnou otázkou:
Postupují skutečné inovace stále vpřed výrazným tempem, nebo sledujeme obrovský stroj, který naráží na neviditelné limity?
Abychom na tuto otázku mohli řádně odpovědět, musíme se na ekosystém podívat ze dvou odlišných perspektiv:
Primární trh: Společnosti vyvíjející základní modely jako GPT-4, Claude a Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Sekundární trh: Společnosti, které na těchto modelech staví řešení skutečných problémů uživatelů: Perplexity, Cursor, Notion AI, Replit.
Přestože oba trhy patří do stejného odvětví, jejich dynamika, struktura nákladů, rizikové profily i očekávání růstu se zásadně liší. Napětí, jehož jsme dnes svědky, pramení právě z těchto rozdílů.
Začínají se projevovat přirozené limity vývoje modelů
Vývoj velkých jazykových modelů za posledních pět let 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 faktory rozvíjely stejným směrem a umožňovaly obrovské skoky vpřed. Tak jsme se dostali od GPT-2 ke GPT-4 a od BERT k PaLM. Tato křivka však nemůže pokračovat donekonečna. Tréninková data jsou nyní nejzásadnějším úzkým hrdlem celého odvětví.
Zdroje kvalitních, rozmanitých a původních dat vytvořených lidmi jsou omezené. Trénujete na Wikipedii, na arXiv, na GitHubu — a co dál? Náklady v této oblasti rostou exponenciálně kvůli otázkám autorských práv, dohodám o vlastnictví dat a omezením přístupu. Uzavíráte dohody s Redditem, vyjednáváte se Stack Overflow, čelíte žalobám od The New York Times. Zvětšovat modely je technicky stále možné, ale dostupnost dat vytváří přirozený strop.
Proto se pozornost odvětví přesunula od velikosti modelů k efektivitě. Uvažování pomocí řetězce myšlenek, posilované učení na základě lidské zpětné vazby (RLHF), účinnější techniky vzorkování, architektury založené na směsi expertů (MoE) — to vše je součástí této proměny.
Tyto pokroky jsou významné, samy o sobě ale nejsou udržitelné. I zvyšování efektivity totiž v určitém bodě narazí na své limity. Odvětví si začíná uvědomovat, že inovace základních modelů vstoupily do pomalejší a nákladnější fáze.
Tlak kapitálových toků a rostoucí křehkost
S tím, jak jsou technologické limity stále citelnější, je růst v oblasti kapitálu spojen s ještě větším rizikem.
Společnosti vyvíjející základní modely budují obrovskou výpočetní infrastrukturu a v boji o talenty přicházejí s agresivními nabídkami. Tyto výdaje vznikají ještě před vybudováním silné příjmové základny. Roční náklady OpenAI na výpočetní výkon dosahují miliard. Anthropic získává miliardové investice od Microsoftu. Google vyčleňuje samostatný rozpočet pro DeepMind.
Miliardy investované do datových center, víceleté smlouvy na GPU, astronomické platy vyplácené lidem jako Ilya Sutskever — to vše dramaticky navyšuje náklady firem.
Tato situace ukazuje, že primární trh stojí 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 vykazuje relativně zdravý průběh růstu. Tyto firmy využívají základní modely a proměňují je v konkrétní praktická využití.
- Perplexity: Přetváří způsob vyhledávání
- Cursor & Replit: Mění proces programování
- Notion AI: Dodává nástrojům pro produktivitu inteligenci
- Dvina: Propojuje se se 120+ aplikacemi a umožňuje spravovat celý digitální život z jediné inteligentní vrstvy
Výhodou těchto firem je, že mají k uživateli nejblíže. Skutečná hodnota vzniká přímo při používání jejich produktů. Vyhledávání, programování, tvorba obsahu, produktivita, zpracování informací — všechny tyto oblasti nabízejí škálovatelné a srozumitelné modely příjmů.
Proto se mnoho tvůrců základních modelů začalo přesouvat do aplikační vrstvy. OpenAI proměnila ChatGPT v produkt, Anthropic přetvořil Claude v produkt pro spotřebitele, Google integroval Gemini. Strategie vertikální integrace se rychle rozšířila.
Tato strategie ale měla vedlejší dopady: náklady na akvizice prudce vzrostly a ocenění na sekundárním trhu se nafoukla. Skutečnost, že sekundární trh — jediná oblast schopná vytvářet příjmy — je nyní tak drahý, dále zvyšuje kapitálové riziko v odvětví.
Historické cykly a čím se dnešek liší
Umělá inteligence v minulosti zažila dva velké útlumy: na konci 70. let a na začátku 90. let. Tato období spojovala vysoká očekávání, nízké tempo inovací a vyprchávající ochota investovat.
Dnešní situace je jiná. Technické inovace pokračují, ale tempo průlomů se zpomaluje. Příliv kapitálu však roste v dosud nevídaném měřítku. Sam Altman hovoří o fondu na výpočetní výkon ve výši 7 bilionů dolarů, Elon Musk nalévá miliardy do xAI.
To, co zažíváme, tedy není klasická „zima AI“. Jde spíše o období křehkosti pramenící z alokace kapitálu: ocenění se nafukují, náklady rostou stále rychleji, ale tempo inovací nenaplňuje očekávání.
Nová éra: Zvítězí chytřejší přístupy, ne větší modely
Nejzásadnější rozdíl dneška spočívá v tom, že už nejde o vytváření stále větších modelů přidáváním dalších parametrů.
Skutečná transformace nastane 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 příkladů poslední doby byl DeepSeek. Tento čínský startup vyvinul model, který dosahuje výkonu na úrovni GPT-4, ale s mnohem nižšími náklady na trénování. Architektura mixture-of-experts, optimalizace parametrů, trénovací techniky zaměřené na efektivitu. Trh reagoval výrazně.
Po oznámení DeepSeek klesla tržní kapitalizace NVIDIA během jediného dne o 600 miliard dolarů. Ukázalo se, že investoři už nesledují jen závod o větší modely, ale také závod o efektivitu a architektonické inovace.
Ani to ale stále nestačí. Pokud má odvětví udělat skutečný skok vpřed, bude to díky novým architektonickým paradigmatům. Něčemu, co přesáhne architekturu transformerů. Možná neuromorfním výpočtům, možná hybridním modelům, nebo možná zcela odlišnému rámci učení.
Takové radikální proměny obvykle nepřicházejí od velkých firem. Ty postupují opatrně kvůli tlaku vyplývajícímu z jejich velikosti, nákladům na infrastrukturu a firemnímu řízení rizik. Skutečné průlomy často vznikají v malých, agresivních a ambiciózních startupech ochotných riskovat.
Dnešní ekosystém AI pravděpodobně čeká právě na takovou zásadní změnu.
Závěr: Nerozhodnou zdroje, ale přístup
Odvětví AI dnes balancuje mezi dvěma protichůdnými tlaky: na jedné straně stojí strategie škálování modelů, která se blíží svým limitům, na druhé rostoucí kapitálová rizika a trh aplikací, jehož hodnota rychle stoupá.
Tato situace ukazuje, že zásadním problémem je nyní přístup, nikoli kapacita. Zítřejšími vítězi nebudou ti, kdo vytvářejí větší modely, ale ti, kdo vyvíjejí chytřejší metody. Efektivita, nové architektonické návrhy a optimalizované trénovací techniky se stávají skutečnou dělicí linií tohoto odvětví.
V budoucnu bude rozhodovat kvalita přístupu, nikoli množství dostupných zdrojů. A pravděpodobnost, že tuto změnu přístupu odstartují spíše vizionářské startupy než velké firmy, je poměrně vysoká.