umělá inteligence

Několik firem buduje sítě, v nichž mohou majitelé domácích serverů, herních počítačů či nevyužívaných notebooků pronajímat výkon pro AI inferenci. Cílí hlavně na menší a specializované open-source modely, které jsou levnější než nejpokročilejší systémy provozované ve velkých datových centrech. Výpočty lze podle potřeby rozdělit mezi více zařízení a následně spojit jejich výsledky. Provozovatelé slibují izolaci úloh, šifrovanou komunikaci, omezená oprávnění a možnost kdykoli uzel zastavit. Zastánci přístupu očekávají nižší náklady, menší závislost na centrálních datových centrech a vyšší odolnost vůči výpadkům, kritici však mohou poukazovat na různorodost a nižší spolehlivost domácího hardwaru.

Evropská unie rozšiřuje AI továrny, gigatovárny a datová centra, čímž prudce zvyšuje poptávku po nejvýkonnějších čipech. Ty však Evropa z velké části nevyrábí a u pokročilých procesorů závisí na amerických návrhářích, zejména Nvidii, a asijských výrobcích. Připravovaný Chips Act 2.0 má vedle podpory výroby posílit domácí poptávku a propojit producenty čipů s průmyslem. Původní cíl dosáhnout do roku 2030 pětiny světové výroby čipů je přitom podle auditorů nepravděpodobný. Odborníci doporučují neusilovat o úplnou soběstačnost, ale diverzifikovat dodavatele, rozvíjet strategické kapacity a omezovat zranitelnost vůči jednotlivým zemím či firmám.

Teoretická studie upozorňuje, že opakovaná komunikace se zákaznickými chatboty a sociálními roboty může vést lidi k přizpůsobování vlastního projevu strojům. Autoři tento možný jev nazývají „robotoidní lidství“: lidé by mohli potlačovat své zvláštnosti, nepředvídatelnost či nuance, aby od AI získali plynulejší odpovědi. Personalizované a lidsky působící systémy podle nich zároveň stírají hranici mezi komunikací s člověkem a programem. Výzkum zatím nepřinesl dlouhodobá měření na lidech, vychází však z dosavadních poznatků o interakcích lidí a robotů. Vědci proto vyzývají k experimentálnímu ověření dopadů a k etickému nasazování AI ve službách.

Indičtí vědci vyvinuli systém umělé inteligence, který z kreseb spirál a lomených linií vyhodnocuje možné příznaky Parkinsonovy nemoci. Využívá snímky kreseb i data z chytrého pera, například tlak, úchop, náklon a zrychlení ruky. Při analýze dřívějších dat od 66 účastníků dosáhl až 98,95% přesnosti u lomených vzorů a 97,74% u spirál. Autoři upozorňují, že malý vzorek zatím neprokazuje klinickou využitelnost metody. Po ověření na větších a rozmanitějších souborech by mohl přístup nabídnout levný neinvazivní nástroj pro časný screening a podporu diagnózy.

Laboratoř Goodfire zpřístupnila platformu Silico, která má pomáhat odhalovat, jak jazykové a jiné modely AI dospívají ke svým výstupům. Systém využívá mechanistickou interpretovatelnost: analyzuje váhy, aktivace, pozornost neuronových sítí i změny po tréninku a umožňuje testovat zásahy do jejich částí. Uživatelé mohou běžným jazykem zadat otázku, například kdy model halucinuje, zatímco agenti připraví a paralelně provedou potřebné experimenty. Goodfire zároveň nabízí grantový program v hodnotě jednoho milionu dolarů pro akademické a neziskové výzkumníky. Při analýze modelu pro rozpoznávání Alzheimerovy choroby platforma podle firmy odhalila dosud nevyužívaný signál založený na délce fragmentů DNA.

Výzkumníci z Technické univerzity v Delftu vyvinuli systém, který převádí hlasové či textové požadavky cestujících na úpravy stylu jízdy autonomního vozu. Jazykový model neurčuje konkrétní manévry, ale mění váhy parametrů bezpečnostně orientovaného plánovače pohybu, například pro rychlost, zrychlení a plynulost zatáčení. Cestující si tak může vyžádat svižnější jízdu při spěchu nebo jemnější ovládání při nevolnosti a před změnou dostane srozumitelné vysvětlení k potvrzení. Testy v simulátoru nuPlan při napojování na rušnou dálnici ukázaly, že systém reagoval v souladu se zadanými preferencemi. Odborníci však upozorňují, že bezpečnost závisí na pečlivě navržených omezeních a pro skutečně ověřitelnou bezpečnost je vhodná dodatečná matematická kontrola rozhodnutí.

Rychlý nástup umělé inteligence mění nástroje, pracovní postupy i nároky na technické profese, takže samotná znalost konkrétních jazyků či platforem nestačí. Podle odborníků znamená přizpůsobivost rozpoznat změnu nebo nejistotu, vyhodnotit možnosti a účinně jednat. Její konkrétní podoba se liší podle oboru, avšak trvalými základy zůstávají řešení problémů, komunikace a systémové myšlení. Školy by měly nabízet více praktických zkušeností a vést studenty k reflexi vlastního rozhodování. Firmy mají zaměstnancům vyhradit čas, podporu a jasné vedení pro průběžné učení, jinak hrozí vyhoření a lpění na zastaralých postupech. Inženýři přitom nejsou jen pasivními příjemci změn: mohou ovlivňovat, jak budou nástroje AI využívány.

Studie v časopise Nature Medicine popisuje metodu, která pomocí umělé inteligence odhaduje biologický věk různých orgánů z jediného vzorku krve. Model se nejprve učil rozpoznávat známky stárnutí na více než 25 tisících mikroskopických snímků tkání od 983 zemřelých dárců. Orgány mohou stárnout nerovnoměrně a tkáně vyhodnocené jako starší často vykazovaly více změn spojených se stárnutím či nemocemi. Při ověřování metoda například spojila prodělanou mrtvici s vyšším odhadovaným věkem mozku a Crohnovu nemoc se zažívacím traktem. Test zatím není připraven pro klinickou praxi: vychází převážně z posmrtných vzorků, neprokazuje příčinu nemocí ani schopnost odhalit je před příznaky.

AMD uvádí, že díky umělé inteligenci zvýšilo celkovou produktivitu vývoje softwaru o 30 procent, tedy nad původně očekávanou úroveň. Na začátku roku firma překročila podíl 20 procent produkčního kódu vytvořeného AI a u některých komponent dosahuje tento podíl více než 80 procent. Agenti už pomáhají s tříděním hlášení, analýzou chyb, úpravami kódu, testováním i přípravou podkladů ke schválení vydání. Další etapou mají být spolupracující roje agentů, které budou samostatně hledat a porovnávat řešení podle zadaných cílů, omezení a metrik kvality. V rozhraní Radeon Software eXperience se podle AMD podařilo zvýšit podíl automaticky vyřešených problémů z 6 na více než 75 procent. Lidé se mají více soustředit na specifikace, ověřování výsledků a strategická rozhodnutí.

Společnost Axiom Math pomocí systému AxiomProver automaticky formálně ověřila důkaz takzvané věty 246. Ta říká, že existuje nekonečně mnoho dvojic prvočísel, jejichž rozdíl je 246, což je dosud nejmenší prokázaná pevná mezera tohoto typu; domněnka o dvojčatech s rozdílem dvě zůstává nevyřešena. Tým při práci vytvořil znovupoužitelnou knihovnu výsledků o mezerách mezi prvočísly, nešlo tedy jen o jednorázové zpracování jednoho důkazu. Formální ověření sice není absolutní zárukou bez chyb, představuje však velmi silnou kontrolu strojově čitelného důkazu. Autoři vidí širší využití podobných metod při prověřování správnosti a bezpečnosti kódu vytvářeného umělou inteligencí.