umělá inteligence

Společnost WindBorne Systems využívá dlouhověké meteorologické balóny pro sběr dat z oceánů, polárních oblastí a dalších málo sledovaných míst. Některé prototypy po přistání na mořské hladině pokračují jako vodotěsné bóje a měří mimo jiné vlnění, tlak a teplotu oceánu. Firma chce během roku nasadit tisíce těchto bójí; její rekordní balón Elder vydržel ve vzduchu 345 dní. Naměřené údaje putují přes satelity do vlastního modelu WeatherMesh, který je kombinuje s daty ze satelitů, pozemních stanic a dalších zdrojů. Podle firmy současná síť zvyšuje přesnost předpovědí v některých případech o 10 až 20 procent, například při sledování drah hurikánů.

Skupina 37 výzkumníků navrhuje nahradit tradiční vědecké články formátem Agent-Native Research Artifact, který by byl lépe zpracovatelný autonomními systémy umělé inteligence. Podle spoluautorky Jiachen Liuové dnešní publikace ztrácejí podstatnou část poznatků z výzkumného procesu, včetně neúspěšných pokusů, rozhodnutí a technických detailů nutných k reprodukci výsledků. Navržený systém má průběh práce automaticky zaznamenávat prostřednictvím AI a případně jej převádět do běžného článku v PDF. Kontrolu výstupů AI by podle návrhu neměli zajišťovat jen lidé či další jazykové modely, ale formální a neurosymbolické metody umožňující matematicky ověřovat vědecká tvrzení. Kritici však mohou namítat, že větší autonomie AI oslabí lidskou kontrolu i přípravu budoucích vědců.

Telekomunikační firmy Nokia, Ericsson i Huawei zkoušejí začlenění umělé inteligence do rádiových přístupových sítí, které budou základem budoucích sítí 6G. Nokia s Nvidií a T-Mobile předvedly provoz 5G spojení i úloh AI na stejném zařízení, širší komerční testy mají následovat později. Odborníci ale upozorňují, že dosavadní demonstrace neprokazují nutnost hluboké integrace AI do jádra rádiové sítě ani její ekonomickou návratnost. Obavy se týkají vyšších nákladů, spotřeby energie a možných konfliktů mezi více autonomními systémy AI. Pravděpodobnější podobou 6G je hierarchické rozdělení výpočtů: malé modely přímo u vysílačů, výkonnější na okraji sítě a velké modely v centrálních datových centrech.

Týdenní přehled videí IEEE Spectrum představuje Gemini Robotics 2 od Google DeepMind, systém pro adaptivní roboty s řízením celého těla, jemnou manipulací a spoluprací více strojů. Ukázky zahrnují také roboty Unitree, domácího robota Stretch 4.0 a přenos lidského pohybu na čtyřnohé roboty. Výzkumníci předvádějí robotickou ruku vytvářející dynamické stínové projevy i výcvik robopsů pro budoucí průzkum Marsu a Měsíce. Výběr připomíná rovněž WABOT-1, jednoho z průkopníků humanoidní robotiky v Japonsku.

Výzkumný tým z Texaské univerzity v Austinu vyvíjí takzvané neuronové sítě bez vah, které místo násobení vstupů uloženými váhami používají propojené vyhledávací tabulky. U vybraných úloh, jako je sledování zdravotních údajů, rozpoznávání aktivity či aktivačních slov, mají být až tisíckrát menší a úspornější při srovnatelné přesnosti. Díky malé velikosti by mohly běžet přímo v bateriově napájených senzorech, což omezuje přenos citlivých surových dat do cloudu. Výzkumníci už nahradili část architektury transformerů, která tvoří zhruba polovinu modelu, a chtějí postup rozšířit i na jazykové modely. Technologie by mohla umožnit AI i na ohebných a jednoduše vyráběných čipech s omezeným počtem logických hradel.

Siobahn Day Grady v lednu 2025 založila na North Carolina Central University první výzkumný institut umělé inteligence při historicky černošské vysoké škole v USA. Institut IAIER, podpořený grantem Google.org ve výši jednoho milionu dolarů, zapojil do výuky a výzkumu přes 2 800 studentů, pedagogů i lidí z komunity. Univerzita zavádí povinný úvodní kurz AI pro prváky, připravuje obor informatiky a vedlejší specializaci na AI a podporuje mezioborové projekty od sociální práce po zdravotnictví. Institut spolupracuje s firmami jako Google, IBM, Deloitte, FICO či Anthropic. Hlavní překážkou dalšího rozvoje zůstává dlouhodobé financování, zvlášť vzhledem k nízkému podílu federálních výzkumných peněz směřujících k HBCU.

Rozvoj umělé inteligence prohlubuje stávající rozdíly v připojení, dovednostech, výpočetní kapacitě i schopnosti států technologii regulovat. Datová centra a cloudové služby jsou soustředěny zejména v USA, což řadu zemí činí závislými na zahraničních firmách a infrastruktuře. Lidé s vyšším vzděláním a digitálními kompetencemi mají výrazně lepší přístup k AI školením, zatímco ostatní častěji čelí neprůhledným automatizovaným rozhodnutím. Země jako Indonésie hledají vlastní cestu skrze nástroje pro veřejné služby a modely v místních jazycích, Jihoafrická republika naopak narazila na institucionální limity při přípravě AI politiky. Podle textu nejde jen o přístup k AI, ale i o možnost určovat její účel, pravidla a společenské priority.

Výzkumníci z Cornell Tech vyvíjejí optický přijímač, který pomocí světelných matic podobných QR kódům přímo přepisuje data v paměti SRAM. Technologie má omezit energeticky náročný přenos parametrů modelů AI mezi pamětí DRAM a procesory, jenž je významnou překážkou při škálování systémů. Upravené paměťové buňky obsahují fotodiody, jejichž proud po dopadu světla mění binární hodnoty bez obvyklých analogových převodních obvodů. Současný prototyp přenáší pouze statickou matici 14 × 14 bitů; pro praktické využití bude nutný rychlý vysílač schopný gigabitových přenosů. Využití se nabízí zejména u robotů a dalších zařízení edge AI, avšak komercializaci zatím komplikuje větší velikost světlocitlivých paměťových buněk oproti běžné SRAM.

Přehled videí IEEE Spectrum představuje humanoida GENE.01 s multimodální kůží, která vnímá dotek, blízkost, sílu i teplotu a má podpořit bezpečnější spolupráci s lidmi. Model GEN-1 se učí ovládat různé typy robotických rukou a nástrojů, aby získal přenositelný „fyzický“ úsudek pro uchopování a manipulaci. Mezi dalšími projekty je skládací létající křídlo z lepenky, které lze sestavit za méně než 15 minut, i výcvik robotů ve fotorealistických digitálních kopiích reálných pracovišť. Článek upozorňuje také na nasazení dronů pro přepravu urgentních vzorků v jihozápadním Londýně, kde mají být až o 85 procent rychlejší než pozemní doprava. Nechybějí novinky v autonomní kamionové dopravě a metoda, jež učí roboty rozpoznávat neznámé předměty z krátkých lidských ukázek.

Laboratoř NASA JPL otestovala na satelitu YAM-9 systém NAVI-Orbital, který pomocí modelu Google Gemma 3 popisuje snímky pořízené vlastní kamerou družice. Jde o první předvedení jazykově-obrazového modelu pro analýzu satelitních dat přímo na orbitě. Komprimovaný čtyřmiliardový model běžel na modulu Nvidia Jetson Orin AGX a při pozemním ověření dosáhl 88procentní přesnosti klasifikace. Zpracování na palubě by mohlo snížit objem přenášených dat: místo velkých obrazových souborů by satelit posílal stručné textové informace. NASA vidí možné využití například při rychlejším varování před lesními požáry, současný systém však nemá přístup k řízení letu satelitu.