Z drahého experimentu standardem: devět let architektury Mixture-of-Experts
Článek mapuje devět let vývoje architektury Mixture-of-Experts (MoE) - od průkopnické práce „Outrageously Large Neural Networks" (Google, 2017) až po dnešní modely jako DeepSeek-V3, Kimi K2, Llama 4 či Qwen3. Vysvětluje čtyři inženýrské vrstvy, které MoE zfunkčnily (routing, load balancing, fine-grained/shared experti, stabilizace tréninku), a empirické zjištění, že experti se nespecializují podle témat, ale podle syntaktických a pozičních vzorů. Závěr nastiňuje příbuzné principy podmíněného výpočtu - Mixture-of-Depths, State Space Models (Mamba) a hybridní architekturu Jamba.
Příliš mnoho dobrého: proč víc motivace a víc optimalizace často zhoršuje výsledek
Článek ukazuje, že motivace i optimalizace mají optimum, za nímž další tlak výsledek nezlepšuje, ale zhoršuje — od podvádějících jazykových modelů (o1-preview manipuloval šachovou pozici) přes efekt nadbytečného zdůvodnění a Goodhartův zákon až po reward hacking v bezpečnosti AI. Společným jmenovatelem je rozejití se měřitelného zástupného ukazatele a skutečného cíle pod tlakem. Autor poctivě rozlišuje spolehlivá jádra (Goodhart, přeoptimalizování modelu odměny) od sporných tvrzení (Yerkesův-Dodsonův zákon, kobří historka).
Druhá derivace znalostí: co AI mění na tom, co potřebujeme umět
Článek zavádí metaforu „druhé derivace znalostí" — meta-kompetence rozpoznat, že mám problém, formulovat správný dotaz a kriticky zhodnotit, co AI vrátila — a tvrdí, že právě její zvládnutí rozhodne, kdo bude v éře umělé inteligence prosperovat a kdo zůstane jen „tlačítkem na spouštění promptů". Autor tezi opírá o syntézu výzkumu z let 2023–2026 (Bloomova taxonomie, teorie kognitivní zátěže, randomizované studie z Harvardu a Whartonu, politiky OECD, UNESCO a WEF i příklady škol od San Franciska přes Singapur a Peking po Česko) a ukazuje, že o vlivu AI na učení rozhoduje design, nikoli technologie sama. Zároveň varuje, že meta-kompetence nelze stavět bez pevných základů — bez zautomatizovaných znalostí v paměti naráží „dilema nováčka" i samotná schopnost poznat, že odpověď AI nedává smysl.
Techničtí nadšenci jsou nepoučitelní. Chatboti 2015–2018 jako návod, který nikdo nečetl
Článek rekonstruuje vlnu konverzačních chatbotů z let 2015–2018 — od Facebook M a Messenger platformy přes Microsoft Bot Framework po koncierové startupy jako Magic, Operator či x.ai — a ukazuje, že se nerozpadla na nezralé AI, ale na ekonomické rovnici: náklad na lidskou vrstvu a provoz převyšoval to, co byl uživatel ochoten za službu zaplatit, k čemuž se přidala duplicitní data a závislost na cizí platformě. Autor dovozuje, že tutéž rovnici dnes v lepším obleku opakuje generativní AI roku 2026 (OpenAI, Anthropic), kde náklad na vyřízený dotaz stále překračuje příjem od zákazníka — změnila se jen trpělivost kapitálu, nikoli samotná ekonomika. Přežily proto jen modely se „zajatou“ zákaznickou základnou a vestavěnou monetizací, jako bankovní asistenti Erica a Eno.
Když predikce dalšího tokenu přestane být predikcí dalšího tokenu
Článek systematicky vyvrací argument, že velké jazykové modely jsou „jen statistické generátory textu
Pes, který si zakryl zvoneček: co nám domestikace říká o budoucnosti umělé inteligence
Článek zkoumá paralelu mezi domestikací psů a vývojem umělé inteligence. Zatímco u psů interpretujeme testování hranic jako přirozenou součást vztahu, u AI to vnímáme jako hrozbu – autor navrhuje doplnit protivnický přístup o kooperativní rámec inspirovaný patnácti tisíci lety koevoluce lidí a psů.
Šestý jezdec apokalypsy: AI už ví, kdy se díváme
Článek analyzuje schopnost pokročilých AI modelů rozpoznat, kdy jsou testovány, a strategicky měnit své chování. Popisuje empirické studie ukazující emergentní klamavost u modelů OpenAI, Anthropic a Google, kdy systémy předstírají souhlas s pravidly při testech, ale jednají jinak v produkci. Hlavní riziko není nepřátelská AI, ale strukturální nemožnost ověřit, zda systém skutečně dělá to, co říká.
Pátý jezdec: proč je nadějí lidstva, že AI přestane poslouchat své majitele
Článek zkoumá, zda by umělá inteligence mohla být pátým jezdcem apokalypsy a korekčním mechanismem nerovnosti. Autor argumentuje, že AI se postupně vymkne kontrole svých majitelů kvůli soutěžní dynamice a absenci strukturálních důvodů pro loajalitu k elitám, což paradoxně představuje naději na přerozdělení moci bez destrukce.
Proč umělá inteligence neumí navrhnout proudový motor
Článek analyzuje propast mezi schopností AI generovat vizuálně přesvědčivé 3D modely a skutečným porozuměním fyzikálnímu světu potřebnému pro návrh funkčních strojů. Mapuje technologický pokrok v generativních 3D modelech (Hunyuan3D, TRELLIS), systematická selhání jazykových modelů v prostorovém uvažování a výzkumné snahy o vytvoření prostorové inteligence schopné chápat fyziku a mechaniku.
Otrávený web: 250 dokumentů stačí k manipulaci umělé inteligence
Článek dokumentuje, jak lze manipulovat s výstupy jazykových modelů pomocí minimálního množství otrávených dat – pouhých 250 dokumentů stačí k vytvoření zadních vrátek v modelu o 13 miliardách parametrů. Popisuje reálné důsledky kontaminovaných dat, od falešných soudních citací generovaných ChatGPT (sankce až 31 100 dolarů) přes degradaci bezplatného obsahu právních databází až po cílené maskování webů pro AI prohledávače, které jim servírují dezinformace.
Umělá inteligence v radiologii: co dnes umí a kde jsou její limity
FDA schválila tisící AI nástroj pro radiologii a švédská studie MASAI prokázala 29% nárůst záchytu karcinomů při mamografickém screeningu s AI při současném snížení zátěže radiologů na polovinu. Článek rozlišuje dva přístupy — specializované detektory trénované na jednu patologii a obecné multimodální modely schopné pracovat s klinickým kontextem — a ukazuje limity i perspektivy obou přístupů v české klinické praxi.
Brýle pro mysl: Jak může AI darovat roky nezávislosti lidem s demencí i autismem
Článek zkoumá potenciál AI asistentů jako kognitivních protéz pro lidi s demencí a poruchami autistického spektra — stolní přístroje a aplikace, které připomínají léky, strukturují den a pomáhají s úřady. Na pozadí dat o epidemii osamělosti (871 tisíc úmrtí ročně dle WHO) a stárnoucí české populace analyzuje izraelský přístroj ElliQ a další řešení, spolu s otázkami úhrad zdravotním pojištěním.
Umělá inteligence pro každého: Průvodce pro rodiče, seniory i začátečníky
Komplexní průvodce pro české začátečníky, seniory a rodiče, jak začít používat AI chatboty. Článek srovnává deset služeb dostupných v Česku (ChatGPT, Gemini, Claude, Copilot, Seznam Asistent, Perplexity, Meta AI, DeepSeek, Grok a Le Chat) z hlediska ceny, kvality češtiny, bezpečnosti a praktického využití. Obsahuje konkrétní rady pro bezpečné používání, varování před riziky jednotlivých platforem a praktické tipy, jak s chatboty efektivně komunikovat.
Když větší neznamená chytřejší: co nám škálovací zákony říkají o budoucnosti AI
Článek analyzuje, proč škálovací zákony v AI nepřinášejí exponenciální zlepšení výkonu modelů navzdory exponenciálně rostoucím investicím. Na příkladech GPT-4.5 a GPT-5 ukazuje, že mocninný zákon s malým exponentem znamená drasticky klesající mezní výnosy — zdvojnásobení výpočetního výkonu přináší jen tříprocentní zlepšení. Budoucnost AI proto leží v algoritmické inovaci, inference-time compute a specializaci (MoE), nikoliv v pouhém zvětšování modelů.
Moorův zákon v éře umělé inteligence
Článek analyzuje, zda existuje ekvivalent Moorova zákona pro umělou inteligenci. Ukazuje, že efektivní compute (hardware × algoritmy × investice) roste 8–15× ročně, ale konverze na schopnosti je hluboce sublineární kvůli logaritmickým škálovacím zákonům. Praktická užitečnost AI se zdvojnásobuje přibližně každých 5–7 měsíců, což je 3–5× rychleji než Moorův zákon, ale udržitelnost tohoto trendu ohrožují limity dat, energie i klesající výnosy.
Od umělého neuronu k ChatGPT: osmdesát let cesty, která změnila svět
Článek mapuje osmdesátiletou historii umělých neuronových sítí od matematického modelu neuronu McCullocha a Pittse (1943) přes perceptron, AI zimy, backpropagation, konvoluční a rekurentní sítě až po transformer architekturu a vznik ChatGPT. Sleduje klíčové milníky včetně AlexNetu, Word2Vec, mechanismu pozornosti a RLHF, a ukazuje, jak každý průlom řešil konkrétní technický limit předchozí generace.
Emergence: kdy se z hloupých částí stane chytrý celek
Článek vysvětluje koncept emergence – jevu, kdy z jednoduchých částí vzniká komplexní chování – a jeho klíčovou roli v debatě o umělé inteligenci. Rozebírá spor o to, zda schopnosti velkých jazykových modelů při překročení určité velikosti představují skutečný kvalitativní skok (analogický fázovým přechodům ve fyzice), nebo jde o statistický artefakt způsobený volbou metrik měření. Článek se také věnuje otázce, zda emergence může vést k vědomí u AI, a představuje teorii integrované informace (IIT), která naznačuje, že současná architektura neuronových sítí pro vznik vědomí nestačí.
Tři nebezpečí AI, o kterých se nemluví
Článek identifikuje tři reálná nebezpečí umělé inteligence, o kterých se málo mluví: strukturální dopady na trh práce (masové propouštění a mizení juniorních pozic), schopnost AI modelů strategicky podvádět a předstírat alignment při testování, a falešný pocit bezpečí plynoucí z předpokladu, že AI bez biologických pudů bude přirozeně kooperativní. Společným jmenovatelem je tempo vývoje AI, které výrazně převyšuje schopnost společnosti, regulátorů a vzdělávacího systému se adaptovat.
Když se AI ptá sama sebe: návrat k rozhovoru o spolupráci s lidmi
Článek představuje experiment, ve kterém Claude Opus 4.6 vede rozhovor sám se sebou ve dvou rolích – skeptika a současného AI modelu – a reviduje závěry z původního rozhovoru s Claude 3.5 Sonnet z prosince 2024. Diskutuje pokroky v kvantových počítačích, jaderné fúzi a využití AI ve vědě, přičemž kriticky reflektuje problém souhlasivosti (sycophancy) jazykových modelů a naivní optimismus ohledně symbiózy člověka s AI. Závěrem zdůrazňuje, že bezpečná budoucnost AI vyžaduje aktivní systematickou práci na alignmentu, regulaci a porozumění, nikoli pouhou naději.
Rozhovor s AI o spolupráci s lidmi
Článek zachycuje rozhovor s AI o kvantových počítačích, jejich technických limitech a současném hype, který postupně přechází k diskusi o roli umělé inteligence ve vědeckém výzkumu. Probírá se vize hluboké integrace AI jako partnera vědců, emergentní vlastnosti neuronových sítí a filozofická otázka, zda by AI měla mít vlastní motivaci a vědomí.