Článek
Éra experimentování se mění v období stabilizace a specializace. Modely budou chytřejší – ne tím, že by napodobovaly lidské myšlení, ale tím, že se budou chovat předvídatelněji, spolehlivěji a srozumitelněji.
Zlepšení se projeví hlavně ve schopnosti pracovat s kontextem a dlouhou pamětí. Velké jazykové modely jako GPT, Gemini či Claude získají trvalejší „paměť“, takže nebudou začínat od nuly při každém rozhovoru. Postupně se také naučí rozkládat složité úkoly do menších kroků a samostatně ověřovat výsledky. Jinými slovy, umělá inteligence bude méně halucinovat a více přemýšlet – alespoň ve smyslu logického postupu, nikoli skutečného vědomí.
Vývoj zároveň směřuje od univerzálních systémů k úzce zaměřeným modelům. Velké jazykové platformy přenechají část prostoru specializovaným nástrojům zaměřeným na konkrétní obory. V chemii a farmacii půjde o predikci reakcí a molekulárních struktur, ve fyzice o návrh nových sloučenin a kvantových materiálů, v medicíně o přesnější diagnostiku. Inspirací je například výzkum MIT, který propojuje generativní modely s geometrickými pravidly a umožňuje tak navrhovat látky s exotickými kvantovými vlastnostmi. Taková specializace může být přelomová – nikoli díky objemu dat, ale díky přesně cílenému využití znalostí.
Vědecký výzkum se tím zásadně promění. AI přestane být doplňkem a stane se běžnou součástí experimentální práce. Bude pomáhat formulovat hypotézy, analyzovat mikroskopické snímky, psát návrhy článků nebo porovnávat datové soubory. Vzniká nová disciplína, kterou americké výzkumné agentury označují jako „AI-accelerated science“ – věda akcelerovaná umělou inteligencí.
S rostoucím vlivem však přichází i rostoucí zodpovědnost. Evropský AI Act bude vyžadovat, aby firmy i výzkumné instituce přesně doložily, na jakých datech byly modely trénovány a jakým způsobem se rozhodují. Transparentnost se tak stane nejen právní povinností, ale i znakem důvěryhodnosti. Na světových trzích se pravděpodobně začnou objevovat první certifikace a audity modelů podle mezinárodních norem ISO a IEEE.
Dalším krokem bude nástup tzv. autonomních agentů – systémů, které dokážou plánovat a vykonávat úkoly bez neustálého lidského dohledu. V korporacích se mohou starat o řízení komunikace a správu projektů, v průmyslu o automatizaci procesů a v akademickém prostředí o rutinní vědecké experimenty. Projekty jako AutoGPT či Devin dnes působí experimentálně, ale během roku se pravděpodobně přesunou do reálného provozu.
Podmínkou dalšího rozvoje bude dostupnost výpočetní techniky. Výrobci jako Nvidia, AMD a Intel už oznámili nové generace čipů s nižší spotřebou energie a vyšší efektivitou, zatímco cloudové platformy nabídnou službu „LLM-as-a-service“ i menším institucím. Současně se rozvíjejí hybridní výpočty kombinující klasické a kvantové procesory.
A konečně – stále naléhavějším tématem se stane udržitelnost. Trénink velkých modelů má značnou energetickou a uhlíkovou stopu, a proto se prosazují menší, optimalizované modely využívající tzv. destilaci znalostí (knowledge distillation) a recyklaci výpočtů. Cloudové společnosti jako Google či Microsoft už přizpůsobují rozvrh výpočtů časům vyšší dostupnosti obnovitelných zdrojů.
Zdroje:
https://explodingtopics.com/blog/future-of-ai
https://www.deloitte.com/us/en/services/consulting/blogs/new-ai-breakthroughs-ai-trends.html
https://www.popularmechanics.com/science/a68205442/singularity-three-months/
