umělá inteligence

Autor radí rodičům, aby vzdělávání dětí nestavěli hlavně na aktuálních nástrojích umělé inteligence, protože se budou rychle měnit. Za klíčové považuje schopnost jasně psát, která pomáhá formulovat vlastní myšlenky i přesněji zadávat úkoly AI. Stejně důležité je mluvení, naslouchání, přesvědčivá argumentace a emoční inteligence při osobním kontaktu. Doporučuje také učit se snášet nudu bez neustálých digitálních podnětů, protože právě volný prostor pro přemýšlení podporuje originalitu. AI má podle něj lidské schopnosti násobit, nikoli nahrazovat samostatné myšlení a pevné základy.

Otevřený systém Paper2Agent převádí odborné články spolu s kódem, daty a přílohami na interaktivní AI agenty, kteří dokážou popsané metody spouštět nad vlastními daty. Výzkumníci ze Stanfordu jej otestovali mimo jiné na modelu AlphaGenome, z jehož dokumentace a kódu systém za 45 minut vytvořil 22 ověřených nástrojů. Agentům lze zadávat dotazy přirozeným jazykem, provádějí analýzy a vytvářejí vizualizace; více agentů může spolupracovat nad různými studiemi. Při zkoušce zaměřené na lupénku navrhly možné genetické vysvětlení i způsoby jeho ověření. Zhruba čtvrtinu ze sta zkoušených biologických studií však systém nepřevedl kvůli neúplnému kódu, dokumentaci či nefunkčním závislostem. Autoři považují úspěšnou přeměnu článku na agenta také za známku jeho dostatečné reprodukovatelnosti a dokumentace.

Nvidia uvedla DLSS 5, technologii neuronového renderování, která má pomocí generativní AI v reálném čase vylepšovat materiály, osvětlení a podobu tváří ve hrách. První nasazení v NBA 2K27 podle odborníků přináší dosud nevídaně věrné obličeje, ale vyžaduje výkonné karty GeForce RTX 50. Testy zaznamenaly pokles výkonu o 40 až 60 procent, Nvidia však uvádí, že za půl roku zrychlila model pětinásobně. Část hráčů a výtvarníků kritizuje nepřirozený vzhled postav i riziko jednotného AI stylu, který může potlačit výtvarný záměr her. Firma namítá, že vývojářům nabídne nastavení a masky pro omezení zásahů do konkrétních prvků scény.

Apple představuje režim Reference Image, který má pomoci doložit, že snímek nebyl po pořízení upraven. Funkce na iPhonech 18 Pro a Pro Max ukládá kryptograficky podepsaná surová data z hlavního 48megapixelového snímače ještě před jakýmkoli zpracováním obrazu. Data následně ověřují servery Private Cloud Compute a po kontrole z nich vytvoří zobrazitelný referenční snímek. Systém reaguje na šíření generativní AI i na slabiny standardu C2PA, včetně bezpečnostních a soukromých rizik. Kritici ale upozorňují na uzavřenost řešení, omezenou podporu mimo zařízení a aplikace Applu a možné znevýhodnění autorů bez přístupu k této technologii.

Výzkumníci z čínských univerzit použili programovatelný supravodivý kvantový procesor se 121 qubity k důkazu dvou geometrických vět. Jedna z úloh ověřovala kolmost úhlopříček čtverce, druhá vycházela ze zadání Mezinárodní matematické olympiády z roku 1978. Nejde o rychlejší řešení než na klasickém počítači, ale o experimentální ukázku, že kvantové obvody mohou provádět kroky formálního logického usuzování. Systém pracoval s výrazným vedením od výzkumníků a jen na omezených úlohách, takže jde především o důkaz proveditelnosti. Autoři předpokládají možné budoucí využití pro matematické nástroje i umělou inteligenci, pokud se zlepší kvantový hardware. Studie je zatím dostupná jako preprint na arXiv a neprošla recenzním řízením.

Pozornost technologických firem se podle článku přesouvá od trénování stále větších modelů k inferenci, tedy jejich každodennímu nasazení pro odpovědi, tvorbu kódu či autonomní agenty. Zátěž zvyšují zejména uvažující modely, které vytvářejí delší řetězce výstupů, a agentní systémy běžící nepřetržitě. Inference se od trénování liší tím, že při generování každého dalšího tokenu musí opakovaně pracovat s parametry modelu i rostoucí pamětí kontextu, takzvanou KV cache. Hlavní překážkou proto není jen výpočetní výkon, ale zejména kapacita a propustnost paměti; GPU mohou při čekání na data zahálet. Výrobci hledají nové architektury, například těsnější vertikální propojení paměti a výpočtů nebo rozšíření paměti do větší vzdálenosti od akcelerátorů. Rostoucí poptávka zároveň vede k neobvyklým partnerstvím mezi velkými firmami a specializovanými výrobci čipů.

OpenAI představila akcelerátor Jalapeño pro AI inferenci, který má podle firmy dosahovat až 13,4 petaflops při 4bitových výpočtech a pracovat s 232 GB paměti. Čip vznikl od architektonického návrhu po první křemík za méně než 20 měsíců, přičemž cesta od RTL k odeslání návrhu do výroby trvala devět měsíců. Vývoj urychlily velké jazykové modely zejména při návrhu na vyšší úrovni, generování a úpravách kódu i softwarové optimalizaci výkonu. OpenAI spolupracovala s Broadcomem, který zajišťoval fyzickou realizaci návrhu a výrobní část. Firma uvádí, že AI zatím přinesla menší přínos v backendu návrhu čipu, ale u dalších generací chce její využití rozšířit i do ověřování, fyzického návrhu a ladění hardwaru.

Rostoucí využívání kamer s umělou inteligencí vyvolává odpor kvůli sběru osobních údajů a riziku zneužití. Návrháři proto vytvářejí takzvanou adverzní módu, jejíž vzory mohou mást systémy pro rozpoznávání obličejů, osob či objektů. Některé oděvy mají algoritmy přimět, aby člověka vyhodnotily jako jiný objekt, jiné vytvářejí falešné obličeje nebo zakrývají siluetu. Jejich účinnost však závisí na konkrétním modelu, osvětlení, úhlu kamery i pohybu nositele a může rychle klesnout po úpravě systémů. Odborníci je proto vnímají spíše jako viditelné gesto na obranu soukromí než jako spolehlivou ochranu před dohledem.

Společnost Andon Labs svěřuje AI agentům provoz obchodu a kavárny, aby zkoumala, jakou míru odpovědnosti dokážou současné systémy zvládnout mimo laboratoř. AI manažeři umějí hlídat dodávky či komunikovat s dodavateli, zároveň však chybují v banálních situacích, například považují součást podlahy za odpad nebo nevhodně reagují na náklady. V kavárně jeden model příliš utrácel za rychle se kazící suroviny, zatímco jiný po změně strategie omezil nabídku na sýrové toasty. Reálné provozy odhalují technické i sociální překážky, ale jejich výsledky se kvůli nepředvídatelným podmínkám obtížně opakují a vědecky vyhodnocují. Andon chce zjištěné problémy převádět do simulací, aby mohla lépe měřit spolehlivost a odolnost AI agentů.

Výzkumníci v Číně vytvořili oční kliniku AI-TEC, v níž umělá inteligence s dohledem lékařů podporovala celý proces od předběžného vyšetření přes analýzu snímků až po následnou péči. Zpočátku systém hůře rozpoznával onemocnění, například glaukom či věkem podmíněnou makulární degeneraci. Po doplnění 1 426 kvalitně označených snímků od odborníků dosáhl diagnostické přesnosti přes 0,93 podle ukazatele AUROC, přestože původně využíval mnohem větší, ale méně kvalitní soubor dat. Využívání nástrojů personálem pokleslo, dokud autoři nezrychlili rozhraní a nesnížili počet nutných úkonů. Studie zdůrazňuje, že přínos AI závisí nejen na přesnosti algoritmů, ale také na kvalitě dat, zapojení lékařů, rychlé zpětné vazbě, správě systému a skutečném zlepšení péče o pacienty.