Čína a DeepSeek | Umělá inteligence: Jak nová architektura otřásá trhem s čipy

294 000 dolarů místo 100 milionů dolarů: Pravda o cenové válce DeepSeeku

Nejnovější zpráva čínské firmy DeepSeek, která se zabývá umělou inteligencí, nastoluje zásadní otázky ohledně budoucnosti umělé inteligence. Na konci prosince 2025 společnost představila novou metodu školení (nazvanou Manifold-Constrained Hyper-Connections), která má potenciál změnit celé odvětví. Zatímco západní technologickí giganti investují stovky miliard dolarů do masivních datových center a specializovaných čipů, DeepSeek demonstruje alternativní cestu založenou na architektonické propracovanosti spíše než na pouhých kapitálových investicích. Tento vývoj by mohl otřást ekonomickými základy odvětví umělé inteligence a nastartovat transformaci, kde úspěch či neúspěch není určen pouhou dostupností zdrojů, ale inženýrskými znalostmi.

Čínský přístup nevznikl z volby, ale z nutnosti. Exportní omezení zavedená Spojenými státy zabránila čínským společnostem v přístupu k nejvýkonnějším čipům umělé inteligence od společnosti Nvidia. Co se zpočátku jevilo jako strategická nevýhoda, se stalo akcelerátorem alternativních cest vývoje. DeepSeek musel dosáhnout maximálního výkonu s omezeným hardwarem, čímž vytvořil metody, které nyní zpochybňují cenovou strukturu celého odvětví. Uvedení modelu R1 v lednu 2025, který soupeřil s nejvýkonnějšími americkými modely, ale byl vyvinut za zlomek ceny, vyslalo šokující vlny na akciových trzích a donutilo analytiky po celém světě přehodnotit své modely oceňování.

Vhodné pro:

• DeepSeek V3.2: Konkurence na úrovni GPT-5 a Gemini-3 A NASÁZETELNÁ lokálně na vašich vlastních systémech! Konec gigabitových datových center s umělou inteligencí?

Od hyperpropojení k matematické stabilitě

Technický základ nové metody DeepSeek spočívá v dalším rozvoji sítí v rámci umělé inteligence. Tradiční neuronové sítě používají tzv. reziduální spojení – jakési „zkratky“, kterými se informace přenášejí mezi vrstvami sítě. Tyto mosty umožňují trénovat hlubší sítě tím, že zabraňují slábnutí učebních signálů během cesty. „Hyper spojení“ DeepSeek rozšiřují tento koncept rozšířením toku informací mezi vrstvami a umožňují flexibilnější vzorce. To vede ke zlepšení výkonu, ale má to zásadní nevýhodu: dodatečná složitost ohrožuje stabilitu, protože informace již nejsou přenášeny tak spolehlivě jako u klasických spojení.

U tradičních zkratek zůstávají informace při cestě sítí do značné míry nezměněny, což vede ke stabilnímu trénování. Nová hyperpropojení obětují tuto vlastnost ve prospěch větší schopnosti učení, ale to vede k významným výkyvům při trénování velkých modelů. DeepSeek v experimentech pozoroval, že míra chyb se neočekávaně zvýšila po přibližně 12 000 trénovacích krocích – jasný znak nestability. Řídicí signály pro proces učení se chovaly chaoticky, což prakticky znemožňovalo škálování na výkonnější modely. Zároveň širší propojení zvyšovala datový provoz, protože mezi pamětí a procesorem muselo být přesouváno více informací.

Řešení DeepSeek promítá tato komplexní spojení do řízeného matematického prostoru („manifold“) s pevnými pravidly. Tento matematický trik obnovuje stabilitu a zároveň zachovává výhody bohatší výměny informací. Tento prostor je definován speciálními maticemi, kde se hodnoty vyrovnávají, aby se udržela celková stabilita. I když toto omezení může znít technicky, má dalekosáhlé praktické důsledky: zaručuje, že signály se ani neztratí, ani nekontrolovatelně nerostou, když proudí sítí.

Praktické testy s modelem s 27 miliardami parametrů potvrdily jeho účinnost. Standardní i stabilizované hyperpropojení překonaly základní model, ale stabilizovaná verze konzistentně dosahovala nejlepších výsledků. Stabilita tréninku se dramaticky zlepšila. Zatímco standardní model vykazoval po 12 000 krocích významné výpadky, trénink s novou metodou probíhal hladce a přesně sledoval chování stabilního základního modelu. Učící signály zůstaly po celou dobu procesu v normálním rozmezí, což naznačuje zásadní řešení problému stability.

Zvýšení výkonu není zadarmo, ale náklady jsou překvapivě mírné. Metoda zvyšuje výpočetní náročnost přibližně o 6,7 procenta ve srovnání se standardem. Toto mírné dodatečné úsilí je zanedbatelné ve srovnání s masivním zlepšením výkonu, což z metody činí jednu z nejúčinnějších strategií v současném výzkumu. DeepSeek také implementoval přísné optimalizace infrastruktury ke snížení zátěže datových přenosových cest. Tyto optimalizace jsou klíčové, protože u velkých modelů úzkým hrdlem často není samotný výpočetní výkon, ale spíše rychlost přenosu dat mezi pamětí a procesorem.

Vhodné pro:

• NOVINKA! DeepSeek OCR je tichý triumf Číny: Jak open-source umělá inteligence podkopává dominanci USA v oblasti čipů

Ekonomická realita za titulky

Veřejná diskuse o nákladech DeepSeeku byla od samého začátku plná nedorozumění. Když společnost v lednu 2025 představila svůj model R1, kolovaly údaje, které naznačovaly náklady na školení základního modelu V3 nižší než šest milionů dolarů. Tato částka byla často srovnávána s odhadovanými sto miliony dolarů pro GPT-4 od OpenAI, což vytvářelo dojem, že DeepSeek dosáhl pětadvacetinásobné cenové výhody. V září 2025 DeepSeek publikoval v časopise Nature článek, v němž uvedl, že náklady na školení pro R1 činily pouze 294 000 dolarů. Toto číslo opět dominovalo mediálnímu pokrytí a posílilo vnímání zásadní cenové výhody.

Bližší analýza však odhaluje složitější obraz. Částka 294 000 dolarů se vztahuje výhradně na tzv. fázi po školení, ve které je již inteligentní model zdokonalován prostřednictvím praxe a zpětné vazby. Skutečné celkové náklady přesahují 5,87 milionu dolarů jen za výpočetní čas, k tomu se přidávají investice do hardwaru ve výši přibližně 51 milionů dolarů. Tato čísla stále nezahrnují náklady na výzkum, přípravu dat, personál a neúspěšné experimenty. Když se vezmou v úvahu tyto faktory, skutečné náklady na vývoj se pohybují v rozmezí, které je sice nižší než srovnatelné údaje na Západě, ale nedosahuje dramatické velikosti často uváděných čísel.

Struktura nákladů na vývoj umělé inteligence je ze své podstaty obtížně pochopitelná. OpenAI nikdy nezveřejnila přesné údaje pro GPT-4. Často uváděný odhad 100 milionů dolarů pochází od Sama Altmana, který v roce 2023 hovořil o výrazně vyšších nákladech na základní školení modelů. Analogické odhady pro novější modely, jako je GPT-4o, naznačují, že náklady se značně snížily díky moderním technikám, jako jsou specializované expertní sítě, efektivnější metody a optimalizovaná infrastruktura. Některé analýzy uvádějí náklady na školení pro GPT-4o mezi 5 a 16 miliony dolarů, což by znamenalo, že rozdíl v nákladech oproti DeepSeek je podstatně menší, než se veřejně vnímá.

Úspěch DeepSeeku je nicméně pozoruhodný. Společnost během dvou měsíců natrénovala svůj model V3 s téměř 2,8 miliony hodinami GPU na 2 048 čipech H800. H800 je omezená verze čipu Nvidia H100 pro čínský trh, jejíž rychlost přenosu dat je drasticky snížena, aby splňovala americké exportní předpisy. Tyto čipy jsou výrazně méně výkonné než originály používané v západních datových centrech nebo ještě novější procesory Blackwell. Skutečnost, že DeepSeek dokázal vyvinout konkurenceschopné modely s tímto omezeným hardwarem, je skutečným průlomem.

Architektura „směsi expertů“ hraje ústřední roli. DeepSeek V3 má celkem 671 miliard parametrů, ale aktivuje pouze 37 miliard výpočtů na slovo. To znamená, že na každém dotazu skutečně pracuje pouze zlomek modelu. Model se skládá z mnoha specializovaných „expertů“ a sdíleného znalostního fondu, přičemž pro každý krok je vybráno pouze několik specialistů. Tato konstrukce umožňuje masivně rozšířit znalosti modelu bez proporcionálního zvýšení výpočetních nákladů. Každý expert se může specializovat na specifická témata, což vede k lepšímu výkonu a větší efektivitě.

Problém s tímto expertním přístupem spočívá ve vyvažování zátěže. Pokud jsou někteří experti neustále žádaní, zatímco jiní zůstávají nečinní, vznikají problémy s efektivitou. Tradiční přístupy používají tzv. „trestné funkce“, které nutí model využívat všechny experty rovnoměrně. Tato metoda však často vede k horším výsledkům, protože ne vždy je vybrán nejlepší expert. DeepSeek implementoval chytrou strategii vyvažování zátěže bez takových umělých sankcí, čímž zajistil vyvážené využití expertů bez kompromisů v kvalitě. Tato inovace byla klíčová pro úspěšné škálování modelu.

Strategický imperativ Číny je inovovat

Vývoj DeepSeeku nelze chápat odděleně od geopolitického kontextu. V říjnu 2022 Spojené státy dramaticky zpřísnily kontrolu vývozu čipů a výrobních zařízení pro umělou inteligenci do Číny. Tato opatření měla za cíl omezit schopnost Číny vyvíjet pokročilé systémy umělé inteligence a jejich vojenské aplikace. Nvidia byla nucena vyvíjet čipy speciálně upravené pro čínský trh. A800 a H800 se objevily jako zmenšené verze špičkových modelů se sníženými rychlostmi, které byly dostatečně nízké, aby vyhověly americkým vývozním omezením.

V roce 2023 USA opět zpřísnily kontroly a zablokovaly i tato prozatímní řešení. Zároveň byla zavedena vývozní omezení na vysoce výkonné paměti, které jsou klíčovou součástí moderních čipů pro umělou inteligenci. Tato opatření donutila čínské společnosti vyvíjet alternativy nebo se uchýlit ke staršímu, méně efektivnímu hardwaru. Společnost Huawei, kdysi globální gigant v oblasti telekomunikací, byla fakticky odříznuta od přístupu k západní čipové technologii a nucena vyvíjet vlastní řešení. I když procesory Ascend od Huawei dosahují jen zlomku výkonu na čip ve srovnání s procesory Nvidia, mohou to částečně kompenzovat samotným objemem výroby.

Výzvu ilustrují údaje o produkci. Očekává se, že Huawei v roce 2025 vyrobí přibližně 200 000 čipů pro umělou inteligenci, zatímco Čína mohla ve stejném období legálně dovézt zhruba milion upravených čipů Nvidia. Rozdíl ve výkonu se navíc zvětšuje. Analýzy ukazují, že nejlepší americké čipy jsou v současnosti asi pětkrát výkonnější než nejlepší nabídky Huawei a očekává se, že tento rozdíl do roku 2027 dramaticky vzroste. I kdyby Huawei masivně zvýšil svou produkci, společnost by se stále nepřiblížila výpočetnímu výkonu, který Nvidia dodává po celém světě do roku 2027.

Tato omezení donutila čínské vývojáře k radikální efektivitě. Zakladatel společnosti DeepSeek, Liang Wenfeng, si tuto potřebu uvědomil včas a již v roce 2021, před zpřísněním kontrol, zakoupil deset tisíc grafických procesorů Nvidia A100. Tato progresivní investice poskytla společnosti DeepSeek zásadní výhodu oproti konkurenci, která později měla přístup pouze k méně kvalitnímu hardwaru. Bývalý manažer hedgeového fondu uplatnil stejnou strategickou prozíravost, která mu pomohla k úspěchu ve finančním sektoru. Jeho fond High-Flyer spravoval miliardy a patřil mezi technologicky nejvyspělejší finanční společnosti v Číně.

Založení společnosti DeepSeek v červenci 2023 bylo víc než jen experiment. Liang vnímal vývoj umělé inteligence jako klíčový technologický projekt století a chtěl Čínu dostat do popředí. V rozhovoru vysvětlil, že mladé startupy v oblasti umělé inteligence mají dobrou pozici k tomu, aby konkurovaly zavedeným korporacím, protože trh prochází zásadní transformací. Rozhodujícím faktorem podle něj nebylo dodržování starých pravidel, ale spíše schopnost flexibilně se přizpůsobovat změnám a reagovat na ně.

Tato filozofie se odrážela v přístupu DeepSeek k vývoji. Společnost se od samého začátku zaměřovala na dosažení maximálních výsledků s omezenými zdroji. Zatímco západní společnosti jako OpenAI a Anthropic investovaly miliardy do stále větších modelů a masivních datových center, DeepSeek optimalizoval architekturu, školení a aplikace pro efektivitu. Model R1 tuto strategii působivě demonstroval. Dosáhl výsledků v matematických úlohách srovnatelných s nejlepšími americkými modely, ale vyžadoval architekturu, která spotřebovávala výrazně méně výpočetního výkonu na odpověď.

Nový rozměr digitální transformace s „řízenou AI“ (umělou inteligencí) – platforma a řešení B2B | Xpert Consulting - Obrázek: Xpert.Digital

Zde se dozvíte, jak může vaše společnost rychle, bezpečně a bez vysokých vstupních bariér implementovat řešení umělé inteligence na míru.

Spravovaná platforma umělé inteligence (AI) je vaším komplexním a bezstarostným balíčkem pro umělou inteligenci. Místo řešení složitých technologií, drahé infrastruktury a zdlouhavých vývojových procesů získáte od specializovaného partnera řešení na klíč šité na míru vašim potřebám – často během několika dnů.

Klíčové výhody na první pohled:

⚡ Rychlá implementace: Od nápadu k provozní aplikaci během dnů, nikoli měsíců. Dodáváme praktická řešení, která vytvářejí okamžitou hodnotu.

🔒 Maximální zabezpečení dat: Vaše citlivá data zůstávají u vás. Garantujeme bezpečné a kompatibilní zpracování bez sdílení dat s třetími stranami.

💸 Žádné finanční riziko: Platíte pouze za výsledky. Vysoké počáteční investice do hardwaru, softwaru nebo personálu jsou zcela eliminovány.

🎯 Zaměřte se na své hlavní podnikání: Soustřeďte se na to, co děláte nejlépe. My se postaráme o kompletní technickou implementaci, provoz a údržbu vašeho řešení s umělou inteligencí.

📈 Připraveno na budoucnost a škálovatelné: Vaše umělá inteligence roste s vámi. Zajišťujeme průběžnou optimalizaci a škálovatelnost a flexibilně přizpůsobujeme modely novým požadavkům.

Více o tom zde:

• Řešení spravované umělé inteligence – Průmyslové služby umělé inteligence: Klíč ke konkurenceschopnosti v odvětví služeb, průmyslu a strojírenství

Systémové narušení a reakce trhu

Vydání DeepSeek R1 v lednu 2025 vyslalo šok daleko za hranice technických kruhů. Akciový trh reagoval ztrátami pro společnosti, které masivně investovaly do infrastruktury umělé inteligence. Nvidia, jejíž hodnota byla z velké části založena na předpokladu, že poptávka po jejích drahých čipech bude i nadále prudce růst, ztratila hodnotu během několika dní. Investoři zpochybňovali, zda byly oznámené výdaje stovek miliard dolarů vůbec nutné, pokud by čínský startup mohl dosáhnout srovnatelných výsledků se zlomkem této částky.

Reakce čínských technologických gigantů byla okamžitá a rozhodná. ByteDance, Tencent, Baidu a Alibaba drasticky snížily ceny svých služeb umělé inteligence. Model Doubao od ByteDance se meziročně zlevnil téměř o 99 procent. Toto snížení cen vedlo k masivnímu nárůstu využívání. Denní počet dotazů během několika měsíců vzrostl ze 120 miliard na více než 500 miliard. Celkový trh se službami umělé inteligence v Číně byl oceněn na relativně nízké částky, což vzhledem k obrovskému objemu využívání naznačuje extrémně nízké marže.

Tato čísla ilustrují problém: Konkurence se přesouvá od kvality umělé inteligence k efektivitě a ceně infrastruktury. Alibaba Cloud, lídr na čínském trhu, nicméně oznámil miliardové investice do infrastruktury umělé inteligence. ByteDance také plánuje masivní nákupy čipů. Tencent, který v oblasti nákupu čipů poněkud zaostával, to kompenzuje pronajatou výpočetní kapacitou a využitím efektivní technologie DeepSeek.

Konsolidace trhu se zrychluje. Odborníci předpovídají, že se pole čínských poskytovatelů umělé inteligence zúží na několik hlavních hráčů. Vítězi budou ti, kteří ze své technologie udělají standard kombinací výkonu s praktickými aplikacemi. Tento proces odráží vývoj v jiných technologických odvětvích, kde po období rychlých inovací následuje konsolidace, přičemž přežijí pouze společnosti s nejlepší kombinací technologie, rozsahu a tržní síly.

Podobný trend se odehrává i na Západě. Dominance OpenAI měřitelně klesá. Tržní podíl ChatGPT výrazně klesl, zatímco Google Gemini získal na pozici. Tento posun je více než jen statistická fluktuace. Signalizuje, že výhoda „prvního uvedení na trh“ se zmenšuje, zatímco konkurenti se zavedenými platformami dohánějí. Google může integrovat svou umělou inteligenci přímo do Vyhledávání a Androidu, což představuje strukturální výhodu oproti poskytovateli čisté umělé inteligence.

Ceny tuto dynamiku odrážejí. Západní poskytovatelé jako Anthropic a OpenAI také snížili své ceny a zavedli efektivnější varianty modelů. Cena za milion zpracovaných slov v posledních dvou letech dramaticky klesla. Tento vývoj naznačuje, že se umělá inteligence stává masově prodávaným zbožím. Jakmile několik poskytovatelů nabídne podobnou kvalitu, cena se stane rozhodujícím faktorem, což sníží zisky a ještě více zvýší důležitost rozsahu.

Vhodné pro:

• Co je lepší: Decentralizovaná, federovaná, antifragilní infrastruktura umělé inteligence, gigafaktorie umělé inteligence nebo hyperškálované datové centrum umělé inteligence?

Meze revoluce uvažování

Souběžně se zvyšováním efektivity probíhal vývoj, který se zpočátku jevil jako další velký průlom. Takzvané „modely uvažování“, které vyžadují více času na přemýšlení o problémech a explicitní zpracování jejich kroků, dosáhly velkolepých výsledků. Modely o1 od OpenAI, R1 od DeepSeek a podobné modely prokázaly působivé schopnosti v matematice a programování. Myšlenka je jednoduchá: pokud modelu dáte více času na „přemýšlení“ a necháte ho formulovat cestu k řešení, odpovědi by se měly zlepšit.

V červnu 2025 však společnost Apple zveřejnila studii, která odhalila určitá omezení. Výzkumníci testovali nejmodernější modely s logickými hádankami, jejichž obtížnost bylo možné přesně regulovat. Výsledky byly znepokojivé: Modely vykazovaly protichůdné chování. Jejich náročnost na zpracování se zpočátku zvyšovala se složitostí, ale v určitém bodě se opět snížila, i když měli dostatek času – a řešení se stala nesprávnými.

Studie identifikovala tři fáze. U jednoduchých problémů byly modely normálního jazyka často lepší a ekonomičtější než modely „myšlení“. U středně obtížných problémů nabízely myšlenkové procesy jasné výhody. U vysoce složitých problémů však oba typy modelů zcela selhaly. Nejenže selhaly s těsným rozdílem, ale nebyly schopny najít ani vzdáleně správná řešení.

Obzvláště znepokojivé bylo, že ani poskytnutí správného vzorce pro řešení sotva pomohlo. Modely stále selhávaly na podobné úrovni obtížnosti. To naznačuje, že problémy sahají hlouběji: Modely se potýkají s striktním prováděním logických kroků a s kontrolou vlastního uvažování.

Analýza „myšlenkových protokolů“ odhalila vzorce. U jednoduchých problémů modely našly řešení brzy, ale poté se nadále zabývaly zbytečnými detaily. U vysoké složitosti se často ztrácely na špatné cestě. Za určitou úrovní obtížnosti již nebyly schopny generovat správné přístupy vůbec. Často se fixovaly na rané, nesprávné nápady a plýtvaly výpočetním časem jejich obhajováním, místo aby chybu opravovaly.

Jiná studie varovala, že zlepšování těchto modelů by se mohlo brzy zastavit. I když dosahují v testech lepších výsledků díky masivnímu výpočetnímu úsilí, jsou pomalé a drahé. Ekonomické důsledky jsou značné: „Myšlenkové“ modely stojí provoz mnohonásobně více než standardní verze. Pokud tyto modely nepřinesou očekávané průlomy a dosáhnou svých limitů, vyvstává otázka, zda jsou vysoké investice opodstatněné. Zjištění, že jednodušší modely jsou často efektivnější, naznačuje, že v budoucnu bude nutné přesněji volit, který nástroj je pro který úkol nejvhodnější.

Vhodné pro:

• Autonomní fyzická umělá inteligence (APAI): Tichá revoluce decentralizované inteligence

Závod v infrastruktuře a energetický hlad

Navzdory efektivnějšímu softwaru se spotřeba zdrojů v tomto odvětví zvyšuje. Prognózy naznačují, že poptávka po elektřině v datových centrech do konce desetiletí dramaticky vzroste. Podíl aplikací umělé inteligence na globální spotřebě elektřiny v datových centrech by se mohl zdvojnásobit. Na uspokojení této poptávky se investují obrovské částky – biliony dolarů po celém světě. Iniciativy jako „Stargate“ od OpenAI a jejích partnerů nebo evropské investiční programy odrážejí samotný rozsah této výzvy.

Regionální rozložení se mění. Zatímco Asie a Severní Amerika v současnosti drží čelní příčku, většina nových kapacit bude postavena v USA. Evropa také plánuje masivní expanzi, která by mohla výrazně zvýšit poptávku po elektřině na kontinentu.

Zároveň se zvyšuje hustota výkonu v datových centrech. Vzhledem k tomu, že čipy umělé inteligence generují obrovské množství tepla v malém prostoru, chlazení se stává stále větší výzvou. Konvenční klimatizační systémy často již nestačí, a proto jsou zapotřebí sofistikované kapalinové chladicí systémy, které jsou zase drahé a složité.

Trh vykazuje známky přehřátí. Využití datových center roste, což zvyšuje ceny. Neočekává se, že by se to zmírnilo, dokud nebudou dokončeny další stavební projekty nebo se nezpomalí růst poptávky po umělé inteligenci. Pokud se však efektivní metody, jako jsou metody DeepSeek, rozšíří, potřeba nových datových center by mohla být nižší, než se očekávalo. To by zpochybnilo plánované masivní investice a vedlo by k nadměrné kapacitě – riziku pro každého, kdo vsadil na stabilně rostoucí poptávku po hardwaru.

Národní strategie a technologická suverenita

Vývoj společnosti DeepSeek je úzce spjat s čínským úsilím o nezávislost. Pětileté plány upřednostňují polovodiče a cíl soběstačnosti je s obrovským úsilím sledován. Nové předpisy nutí čínské výrobce čipů používat více strojů domácí výroby. Státní fond investuje do místního průmyslu čipů ekvivalent téměř 50 miliard dolarů, aby snížil závislost na Západě.

Tato politika má své výsledky, v některých případech ne tak, jak byly zamýšleny. Dříve čínské továrny upřednostňovaly americké vybavení. Kvůli americkým sankcím však již neměly na výběr a musely spolupracovat s domácími dodavateli, což urychlilo jejich rozvoj. Čína by brzy mohla ovládat velký podíl na světové produkci jednodušších čipů používaných v automobilech a domácích spotřebičích.

Rozdíl však zůstává značný, pokud jde o špičkovou umělou inteligenci. Čipy Huawei nemohou konkurovat čipům Nvidie, pokud jde o výkon, a objemy výroby jsou příliš nízké. Ani masivní zvýšení výroby by tuto mezeru nepřeklenulo po celá léta. Vzhledem k tomu, že poptávka po výpočetním výkonu roste rychleji než čínská produkce, je pravděpodobné, že se nedostatek jen zhorší.

To vyžaduje kreativní řešení. Úspěch společnosti DeepSeek je také založen na včasném získávání čipů Nvidia. Jiní se uchylují k pašování nebo nepřímým metodám. Vláda reaguje protiopatřeními, jako jsou vývozní omezení prvků vzácných zemin a vyšetřování západních technologických společností. Tlak na čínské korporace, aby nakupovaly čipy vyráběné v tuzemsku, roste, i když jsou technicky horší.

Regulační prostředí a globální správa věcí veřejných

Zatímco USA a Čína svádí technologický závod, EU se zaměřuje na regulaci. „AI Act“ je prvním komplexním zákonem o umělé inteligenci na světě. Zakazuje obzvláště rizikové aplikace a stanoví přísná pravidla pro výkonné modely umělé inteligence. Porušení podléhá vysokým pokutám.

Evropský přístup se snaží stanovit etické standardy, aniž by potlačoval inovace. Kritici se obávají nevýhod pro evropské společnosti, zatímco zastánci vidí dlouhodobou výhodu z hlediska důvěry a bezpečnosti. Globálně však regulace zůstává nejednotná. USA se spoléhají na dobrovolné závazky, zatímco Čína upřednostňuje státní kontrolu. Tato fragmentace ztěžuje stanovení společných standardů.

Do popředí se dostává otázka bezpečnosti umělé inteligence. Odborníci varují před riziky, která představuje nadlidská inteligence. Lhůty pro dosažení takové „umělé obecné inteligence“ (AGI) se zkrátily. Přední vývojáři již nemluví o desetiletích, ale jen o několika letech. Zda je to realistické, nebo jen marketingový humbuk, se teprve uvidí, ale odvětví se na to připravuje.

Neúspěšné modely a strategické přeusměrnění

Zpoždění nástupce DeepSeeku, modelu R2, ukazuje, že úspěch není zaručen. Původně plánovaný na dřívější vydání se setkal s problémy. Pokusy o trénování modelu na čínských čipech Huawei zřejmě selhaly i přes pomoc inženýrů Huawei.

Společnost proto nadále využívá stávající produkty Nvidie pro školení, ale pro aplikaci modelů se stále více musí spoléhat na Huawei – což je politicky vynucený kompromis. Zpoždění způsobila dočasný pokles zájmu uživatelů, protože konkurence nezahálela.

Dalším problémem jsou data. Dosažení další úrovně vyžaduje více a lepších trénovacích dat. V anglicky mluvících zemích jsou tato data snadno dostupná online. V Číně je přístup k vysoce kvalitním datům obtížnější, částečně kvůli cenzuře a částečně proto, že velká část obsahu není veřejně přístupná. V kombinaci s horším hardwarem to zpomaluje vývoj. Pokud trénování trvá déle a stává se náročnějším, cenová výhoda se snižuje.

Strukturální změna v odvětví umělé inteligence

Průmysl čelí transformaci. Dřívější motto „více je lépe“ – více dat, více čipů, více peněz – dosahuje svých limitů nebo se stává neúměrně drahým. DeepSeek prokázal, že inteligentní architektura může být důležitější než surový výkon.

To má důsledky pro investory. Ti, kteří investovali miliardy do hardwaru, by se mohli potýkat s problémy, pokud efektivnější software sníží poptávku. Zároveň mají šanci noví hráči, protože k účasti už nutně nepotřebujete jmění.

Vzhledem k tomu, že výkon umělé inteligence se stává stále levnějším a podobnějším, samotný model již není jediným faktorem; důležité je, jak dobře je integrován do produktů. Google a Microsoft mají v tomto ohledu výhodu, protože již mají uživatele. Startupy zabývající se čistě umělou inteligencí čelí větším výzvám. Open source neboli volně dostupný software hraje stále důležitější roli. Modely, jako jsou ty od DeepSeek nebo Meta, jsou dostupné všem, což urychluje inovace.

Investoři si zároveň kladou otázku, kdy se peníze začnou vracet. ChatGPT má mnoho uživatelů, ale stojí jmění. Velké zisky jsou stále v nedohlednu. Na trhu práce se objevují nová pracovní místa pro experty na umělou inteligenci, zatímco se automatizují jednoduché kancelářské úkoly – což je společenská výzva, na kterou stále neexistují jednoduchá řešení.

Po humbuku kolem umělé inteligence: Nyní začíná skutečná bitva o monetizaci

Inovace společnosti DeepSeek představují zlomový bod. Dokazují, že technologie světové úrovně lze vybudovat i s omezenými zdroji. To zpochybňuje předpoklad, že mohou vyhrát pouze nejbohatší americké korporace. Posouvá to soutěž z „Kdo má nejvíc peněz?“ na „Kdo má nejlepší inženýry?“.

Geopoliticky je jasné, že sankce mohou zpomalit pokrok, ale mohou také vynutit inovace. Čína si buduje vlastní průmysl pod tlakem. Ekonomicky jsme teprve na začátku. Ceny klesají a modely se stávají každodenním zbožím. Ti, kdo chtějí v budoucnu vyhrát, musí nejen vybudovat dobrou umělou inteligenci, ale také s ní umět vydělávat peníze.

Technické překážky přetrvávají. Současné metody dosahují svých limitů a zda se v dohledné době skutečně dočkáme inteligence podobné lidské, je nejisté. Příštích několik let ukáže, zda průmysl tyto překážky překoná, nebo zda humbuk kolem něj vyprchá. Možná nejdůležitější ponaučení z DeepSeeku vůbec není technické, ale strategické: vždy existuje jiná cesta, pokud jste nuceni ji najít.

☑️ Naším obchodním jazykem je angličtina nebo němčina

☑️ NOVINKA: Korespondence ve vašem národním jazyce!

Konrad Wolfenstein

Rád vám a mému týmu posloužím jako osobní poradce.

Kontaktovat mě můžete vyplněním kontaktního formuláře nebo mi jednoduše zavolejte na číslo +49 89 89 674 804 (Mnichov) . Moje e-mailová adresa je: wolfenstein ∂ xpert.digital

Těším se na náš společný projekt.

☑️ Podpora MSP ve strategii, poradenství, plánování a implementaci

☑️ Vytvoření nebo přeladění digitální strategie a digitalizace

☑️ Rozšíření a optimalizace mezinárodních prodejních procesů

☑️ Globální a digitální obchodní platformy B2B

☑️ Pioneer Business Development / Marketing / PR / Veletrhy

Využijte rozsáhlé pětinásobné odborné znalosti společnosti Xpert.Digital v komplexním balíčku služeb | Výzkum a vývoj, XR, PR a optimalizace digitální viditelnosti - Obrázek: Xpert.Digital

Xpert.Digital má hluboké znalosti z různých odvětví. To nám umožňuje vyvíjet strategie šité na míru, které jsou přesně přizpůsobeny požadavkům a výzvám vašeho konkrétního segmentu trhu. Neustálou analýzou tržních trendů a sledováním vývoje v oboru můžeme jednat s prozíravostí a nabízet inovativní řešení. Kombinací zkušeností a znalostí vytváříme přidanou hodnotu a poskytujeme našim zákazníkům rozhodující konkurenční výhodu.

Více o tom zde:

• Využijte 5x odborných znalostí Xpert.Digital v jednom balíčku – již od 500 EUR měsíčně