Od redakcie: AI sa 24. augusta posúvala od modelov k infraštruktúre, agentom a suverenite

Dianie v umelej inteligencii počas pondelka 24. augusta 2026 ukázalo, že ďalšia fáza rozvoja odvetvia sa už netočí iba okolo toho, kto predstaví schopnejší základný model. Najvýraznejšie udalosti dňa sa týkali spôsobu, akým sa modely učia uvažovať o videu, infraštruktúry potrebnej na ich prevádzku, prepájania agentov s reálnymi firemnými systémami a snahy štátov či regiónov udržať dáta, výpočty a modely pod vlastnou kontrolou.

Spoločným menovateľom je presun od izolovaných demonštrácií k celým technologickým reťazcom. Výskumný tím Apple ukázal spôsob, ako časť vizuálneho „premýšľania“ presunúť z inferencie do tréningu. AWS rozšírilo SageMaker HyperPod o spravované prostredie pre Ray a zároveň publikovalo praktické architektúry pre znalostné systémy a hlasových agentov. Mistral oznámil rozsiahlu spoluprácu so saudskou spoločnosťou HUMAIN, ktorá spája lokálnu infraštruktúru, otvorené modely a vývoj arabských modelov. Groq zase predstavil plán zaradiť do svojho inferenčného cloudu novú platformu NVIDIA Groq 3 LPX a Vera Rubin NVL72.

Popri týchto správach prišiel aj výsledok z NIST, ktorý síce nie je priamo novým AI modelom, ale pripomína širšiu materiálovú a výpočtovú základňu digitálneho sveta. Výskumníci výrazne zväčšili superconducting single-photon detector a opísali cestu k jednoduchšej výrobe citlivých fotónových detektorov. Takéto technológie majú význam pre kvantové siete, vedecké zobrazovanie a ďalšie oblasti, z ktorých môže v budúcnosti čerpať aj AI.

Modely sa učia predvídať obraz bez drahého generovania obrazu

Apple Machine Learning Research predstavil rámec Internalized Visual Thinking, skrátene IVT, určený pre proaktívne uvažovanie nad videom. Východiskom je problém dnešného vizuálneho chain-of-thought: model môže pri riešení priestorovej alebo časovej úlohy generovať pomocné obrazy budúcich scén, no ich vytvorenie a následné spracovanie zvyšuje latenciu a výpočtové náklady. To je obzvlášť nepraktické pri videu, kde systém potrebuje reagovať priebežne.

IVT sa snaží túto schopnosť internalizovať počas post-tréningu. Model dostane čiastočne pozorované video a učí sa súčasne predpovedať textovú odpoveď aj latentné reprezentácie budúcich snímok. Nemusí teda vytvoriť celý budúci obraz v pixeloch. Tréningový cieľ ho má prinútiť zachytiť pohyb, zmeny objektov, interakcie a pravdepodobný zámer, zatiaľ čo pri samotnom použití generuje priamo odpoveď.

Podľa Apple priniesol tento prístup zlepšenie oproti textovému post-tréningu vo všetkých šiestich skúmaných nastaveniach. V porovnaní s explicitným vizuálnym chain-of-thought dosiahol porovnateľné alebo lepšie výsledky a viac než päťnásobne skrátil celkovú latenciu. Ide však o výsledky autorov práce, nie o nezávislé produkčné meranie. Zatiaľ preto nemožno automaticky predpokladať rovnaký prínos pri ľubovoľnom modeli, dlhom videu alebo na zariadení s obmedzeným výkonom.

Význam výskumu je napriek tomu praktický. Pre robotiku, asistenciu vodičovi, dohľad nad výrobnou linkou alebo živú analýzu športu nestačí, aby model správne opísal už ukončenú scénu. Musí odhadnúť, čo sa pravdepodobne stane o chvíľu, a odpovedať skôr, než bude generovanie pomocných vizuálnych krokov príliš pomalé. IVT naznačuje, že časť schopností svetového modelu možno vybudovať počas tréningu bez toho, aby sa celá jeho vnútorná predikcia musela pri každej požiadavke previesť na obraz.

Pre slovenské vývojové tímy je dôležitá najmä ekonomika tohto prístupu. Ak sa podobná technika presadí aj v dostupných modeloch, môže znížiť nároky na inferenciu pri priemyselných kamerách, logistike alebo kontrole kvality. Súčasne však ostáva bezpečnostná otázka: latentná predikcia budúcnosti je menej priamo kontrolovateľná než explicitne vytvorený medzikrok. Pri rozhodovaní s dopadom na ľudí preto nebude stačiť sledovať iba presnosť odpovede; potrebné budú testy kalibrácie neistoty, robustnosti a správania mimo tréningovej distribúcie.

Inferencia sa mení na samostatnú konkurenčnú vrstvu

Groq oznámil, že chce patriť medzi prvých poskytovateľov, ktorí nasadia NVIDIA Groq 3 LPX spolu so systémami Vera Rubin NVL72. Infraštruktúru má spoločnosť zavádzať v spolupráci s Dell Technologies a sprístupniť ju cez svoj inferenčný cloud. Oznámenie je zaujímavé aj tým, že Groq, známy vlastnými LPU akcelerátormi a cloudom zameraným na rýchle generovanie tokenov, rozširuje platformu o technológiu nesúcu značku NVIDIA Groq.

Firma odkazuje na výsledky zverejnené spoločnosťou NVIDIA, podľa ktorých má platforma pri modeli Gemma 4 31B so stotisícovým kontextom dosahovať 3 400 výstupných tokenov za sekundu a pri úlohách citlivých na odozvu ponúknuť štvornásobne vyššiu interaktivitu než najbližšia alternatíva. Tieto čísla treba čítať ako tvrdenia dodávateľov viazané na konkrétny model, konfiguráciu a metodiku Artificial Analysis. Bez detailov o cene, spotrebe, dávkovaní požiadaviek a dostupnej kapacite ešte nevypovedajú o celkových nákladoch reálnej aplikácie.

Smerovanie trhu je však zreteľné. Agentické aplikácie spotrebujú omnoho viac tokenov než jednoduchý chatbot, pretože plánujú, volajú nástroje, čítajú výsledky a svoje rozhodnutia opakovane prehodnocujú. Pri takomto pracovnom toku sa latencia každého kroku násobí. Rýchlejšia inferencia preto neznamená len pohodlnejšie zobrazovanie textu, ale môže rozhodnúť, či agent dokončí úlohu v čase prijateľnom pre používateľa alebo firemný proces.

Pre slovenskú firmu by však bolo predčasné vyberať platformu iba podľa rekordnej rýchlosti tokenov. Do hodnotenia treba zahrnúť dostupnosť európskeho regiónu, prenos dát, zmluvné garancie, podporované modely, cenu pri typickom kontexte a možnosti pozorovania agentických behov. Dôležitá bude aj prenositeľnosť aplikácie. Ak sa logika agenta príliš previaže s jedným inferenčným rozhraním, úsporu na hardvéri môže neskôr prekryť cena migrácie.

AWS približuje distribuované AI pracovné toky k bežnej prevádzke

AWS predstavilo nové možnosti pre Ray v službe SageMaker HyperPod na Amazon EKS. Podľa oficiálneho oznámenia môžu tímy vytvárať a monitorovať Ray klastre, pripájať k živému klastru prostredia JupyterLab a Code Editor, používať pripravenú observabilitu a spúšťať distribuovaný tréning či akcelerovanú inferenciu. Riešenie stojí na open-source projektoch KubeRay a Ray a zachováva ich štandardné API.

Ray sa používa na rozdelenie výpočtových úloh medzi viaceré procesy a uzly, čo je užitočné pri trénovaní, ladení modelov, dávkovom spracovaní aj obsluhe inferencie. Prevádzka Ray klastra na Kubernetes však doteraz vyžadovala množstvo integračnej práce. Spravovaná vrstva môže odstrániť časť administratívy okolo vytvárania klastrov, notebookov, monitoringu a zotavenia po zlyhaní. Neodstraňuje však potrebu rozumieť kapacite GPU, plánovaniu úloh ani nákladom pri nevyužitých zdrojoch.

Praktický význam dobre ilustrujú ďalšie dve architektúry, ktoré AWS publikovalo v ten istý deň. Prvá opisuje znalostný systém s hlasovým AI avatarom postavený nad Amazon Bedrock Knowledge Bases a nasaditeľný pomocou CloudFormation. Druhá ukazuje telefonického AI hostiteľa pre reštauráciu, ktorý cez Amazon Connect prijme hovor, spracuje reč, vytvorí objednávku a pomocou AgentCore Gateway a protokolu MCP pristupuje k backendovým nástrojom.

Nejde o jeden nový univerzálny produkt, ale o signál, že cloudové platformy skladajú stále kompletnejšie referenčné reťazce: telefón alebo používateľské rozhranie, model, znalostná báza, nástroje, monitoring a infraštruktúra ako kód. Pre menšiu slovenskú firmu to môže skrátiť prototypovanie, pretože nemusí každú vrstvu integrovať od začiatku. Zároveň rastie riziko závislosti od jedného dodávateľa a počet miest, na ktorých treba správne nastaviť oprávnenia.

Pri hlasovom agentovi nestačí overiť, že rozumie objednávke v laboratórnej ukážke. Potrebné je testovať slovenčinu, nárečia, hluk, prerušenia hovoru, opravy položiek, alergény a bezpečné odovzdanie hovoru človeku. MCP zjednodušuje prístup modelu k nástrojom, ale nezaručuje správnosť operácie. Každý nástroj by mal mať minimálne oprávnenia, validáciu parametrov, auditnú stopu a pri rizikových úkonoch aj potvrdenie človeka.

Podobná opatrnosť platí pri firemnom znalostnom systéme. Retrieval-augmented generation môže sprístupniť interné skúsenosti, no odpoveď bude dôveryhodná iba vtedy, ak systém ukáže pôvod informácie, rešpektuje prístupové práva dokumentov a vie rozlíšiť aktuálny predpis od zastaraného návodu. Samotné nasadenie infraštruktúry za niekoľko hodín nie je to isté ako pripravenosť na bezpečnú produkčnú prevádzku.

Mistral spája otvorené modely so suverénnou infraštruktúrou

Mistral a saudská spoločnosť HUMAIN oznámili strategickú spoluprácu v hodnote stoviek miliónov eur. Má zahŕňať AI infraštruktúru, vývoj pokročilých modelov a nasadzovanie riešení v Saudskej Arábii a širšom regióne. Počiatočnými oblasťami majú byť kybernetická bezpečnosť a hlas, pričom partneri plánujú aj modely so silným výkonom v arabčine. Mistral zároveň preskúma využitie dátových centier HUMAIN a firmy chcú pripraviť spoločný vstup na trh pre regulované odvetvia.

Oznámenie treba odlíšiť od hotovej služby. Formulácie hovoria o plánovanej spolupráci a ďalších obchodných dohodách, takže zatiaľ nepoznáme konkrétne modely, termíny, kapacitu ani merateľné výsledky. Jasná je však predstava suverénnej AI: dáta, modely, výpočty a prevádzka majú zostať v hraniciach definovaných zákazníkom, modely majú byť prispôsobiteľné a tréning či inferencia majú bežať vo vybranej jurisdikcii.

Téma je relevantná aj pre Slovensko a Európsku úniu. Suverenita neznamená iba fyzické umiestnenie servera. Zahŕňa kontrolu nad modelovými váhami, aktualizáciami, telemetriou, šifrovacími kľúčmi, administrátorským prístupom a schopnosťou systém prevádzkovať alebo migrovať bez súhlasu externého poskytovateľa. Otvorené váhy môžu rozšíriť kontrolu, ale samy osebe neriešia pôvod tréningových dát, licenčné obmedzenia ani bezpečnostné hodnotenie modelu.

Pre regulované slovenské organizácie je preto vhodné pýtať sa, čo presne dodávateľ myslí pod pojmom „in-region inference“. Rozhodujúce je, či dáta región neopustia ani pri logovaní a podpore, kto má prístup k zálohám, ako sa rieši incident a či možno auditovať celý reťazec. Dohoda Mistralu s HUMAIN ukazuje, že lokálny jazyk a miestna infraštruktúra sa stávajú obchodnou výhodou, nielen politickou požiadavkou. Európske firmy budú čeliť rovnakému tlaku pri slovenčine a ďalších menších jazykoch.

Fotónové detektory pripomínajú, že pokrok nie je iba softvérový

NIST informoval o superconducting single-photon detektore s vodičom širokým približne desatinu milimetra, teda viac než stonásobne širším než pri typických nanodrôtových zariadeniach. Výskumníci použili superconducting „koľajnice“, ktorých magnetické pole pomáha rovnomernejšie rozložiť prúd a obmedziť jeho hromadenie na okrajoch. To im umožnilo zväčšiť aktívny prvok bez straty citlivosti na veľmi slabé svetlo.

NIST uvádza, že dnešné nanodrôtové detektory dokážu zachytiť až 98 percent prichádzajúcich fotónov, ich rozmery však komplikujú výrobu a okrajové defekty môžu spôsobovať falošné detekcie. Širšie zariadenie by mohlo zjednodušiť výrobu väčších polí detektorov a pomôcť pri biomedicínskom zobrazovaní, astronómii, komunikácii v hlbokom vesmíre alebo kvantových sieťach.

Pre AI ide skôr o dlhodobý kontext než o okamžitý produkt. Citlivejšie senzory môžu vytvárať kvalitnejšie vedecké dáta a nové typy meraní, ktoré následne spracujú modely strojového učenia. Medzi laboratórnym výsledkom a cenovo dostupným zariadením však môže byť dlhá cesta. Otvorené zostávajú otázky škálovania výroby, kryogénneho chladenia, integrácie čítacích obvodov a výkonu veľkých polí.

Záverečný kontext

Udalosti 24. augusta spolu vytvárajú obraz trhu, na ktorom už nestačí sledovať jednu tabuľku benchmarkov. Apple skúma, ako preniesť vizuálne predvídanie do tréningu a znížiť cenu inferencie. Groq, NVIDIA a Dell súťažia o infraštruktúru schopnú interaktívne obslúžiť tokenovo náročných agentov. AWS balí distribuované výpočty, znalostné bázy, hlasové rozhrania a nástroje do integrovanejších pracovných tokov. Mistral prepája modely s otázkou jurisdikcie a lokálnej kontroly. NIST ukazuje, že budúce možnosti digitálnych systémov závisia aj od fyzikálnych senzorov.

Pre slovenského čitateľa z toho vyplýva praktické pravidlo: pri hodnotení AI riešenia treba merať celý systém. Nestačí kvalita modelu; rovnako dôležité sú latencia, cena, jazykové pokrytie, prístup k dátam, auditovateľnosť, prenositeľnosť a bezpečné správanie pri zlyhaní. Viaceré údaje z pondelkových oznámení pochádzajú priamo od autorov výskumu alebo dodávateľov a zatiaľ nemajú nezávislé produkčné potvrdenie. Sú preto dobrým signálom smerovania, nie automatickou zárukou výsledku v konkrétnej slovenskej organizácii.

— Redakcia AI Feed