Článek
Přehled novinek není jen seznamem technologických aktualit. Je to poměrně přesná mapa sil, které dnes AI formují.
Proč se o AI mluví jinak než před rokem
Ještě v roce 2024 dominovala veřejné debatě jednoduchá otázka: jak výkonný model existuje. V roce 2026 se těžiště posouvá. Dnes už nejde jen o to, co AI umí, ale kdo si může dovolit ji provozovat, kontrolovat a integrovat do reálných systémů.
Právě v tomhle světle dávají jednotlivé lednové novinky smysl. Otevřený video-model LTX-2, nová architektura NVIDIA Rubin, zdravotní funkce ChatGPT i spekulace o cenách GPU nejsou izolované události. Jsou to projevy stejného trendu: technologická akcelerace naráží na ekonomické a regulatorní limity.
LTX-2: když otevřený kód přestane být jen hračka
Model LTX-2 je na první pohled „jen další“ text-to-video systém. Při bližším pohledu ale představuje kvalitativní zlom. Jde o plně otevřený (open-weights) video-model, který neotevírá jen inference, ale celý produkční řetězec – od tréninku přes ladění až po lokální provoz.
Technicky nabízí generování až dvacetisekundových klipů ve vysokém rozlišení, kontrolu nad prvním i posledním snímkem, synchronizaci rtů i práci se zvukem. Podstatnější je ale něco jiného: poprvé existuje open-source video-model, který není demonstrací, ale nástrojem.
Ve srovnání se Stable Video Diffusion nebo komunitními řešeními nad Diffusers je LTX-2 konzistentnější, lépe řiditelný a výrazně blíž produkčnímu nasazení. Zároveň ale klade vysoké nároky na hardware. Otevřenost tedy neznamená automatickou dostupnost – spíš možnost volby pro ty, kdo výkon mají.
Rubin: NVIDIA sází na systém, ne na jeden čip
Když NVIDIA na CES oznámila architekturu Rubin jako nástupce Blackwellu, marketing mluvil o řádových úsporách a revoluci v inferenci. Realita je méně dramatická, ale o to zajímavější.
Rubin není „jen“ rychlejší GPU. Je to systémová architektura navržená pro masivní datacentra, kde se optimalizuje celý řetězec: výpočet, paměť, síť i chlazení. Deklarované snížení nákladů na inferenci až o řád vychází především z toho, že:
- je potřeba méně GPU na stejný výkon,
- systémy lépe škálují modely typu Mixture of Experts,
- a výrazně se snižují energetické ztráty.
Symbolickým detailem je chlazení „horkou“ vodou o teplotě kolem 45 °C. To není gadget, ale signál: Rubin je navržen pro hyperscalery, ne pro běžné firmy. Technologický náskok se tím dál koncentruje tam, kde je kapitál a infrastruktura.
ChatGPT Health: technologie připravená, Evropa ne
Funkce ChatGPT Health od OpenAI ukazuje jiný typ limitu. Technologicky dává smysl: propojení dat z nositelných zařízení, laboratorních výsledků a kontextového AI asistenta může výrazně pomoci v prevenci i interpretaci zdravotních údajů.
Problém není v algoritmech, ale v právu. Zdravotní data patří v Evropě mezi nejcitlivější kategorie osobních údajů a jejich zpracování podléhá přísným pravidlům. Nestačí tvrdit, že data nejsou používána k tréninku modelů. Evropské regulace vyžadují ověřitelnost, auditovatelnost a jasnou jurisdikci.
Proto zřejmě nebude ChatGPT Health v EU zpočátku dostupný. Nejde o technické zpoždění, ale o strukturální střet amerického přístupu „nejdřív produkt“ s evropským přístupem „nejdřív pravidla“. Výsledkem může být fragmentace trhu, kde podobné služby vzniknou spíše lokálně a v omezenější podobě.
Ceny GPU: tichý faktor, který rozhoduje o všem
Spekulace o tom, že by se cena RTX 5090 mohla blížit hranici 5 000 dolarů, nejsou potvrzeným faktem. Jsou ale symptomem. Nedostatek paměťových komponent, tlak AI datacenter a omezené výrobní kapacity vytvářejí prostředí, kde se výkonný hardware stává strategickým zdrojem.
Pokud by se tento trend potvrdil, důsledky jsou zřejmé. Lokální trénování a pokročilá inference se přesunou téměř výhradně do enterprise sféry. Menší firmy, vývojáři a výzkumníci se budou spoléhat na cloud, open-source optimalizace nebo starší generace hardware.
AI se tak paradoxně stává současně otevřenější i méně dostupnou.
Kapitál rozhoduje: případ Anthropic
Masivní investice do společnosti Anthropic, které se pohybují v řádech desítek miliard dolarů, jen potvrzují, že špičkový vývoj AI je extrémně kapitálově náročný. Valuace stovek miliard nejsou odrazem aktuálních tržeb, ale očekávání budoucí dominance.
To dál zvyšuje rozdíl mezi několika globálními hráči a zbytkem ekosystému. Otevřené modely mohou tento rozdíl částečně tlumit, ale samy o sobě jej nezruší.
Na začátku roku 2026 je obraz AI jasnější než dřív. Nejde o jeden příběh, ale o dva paralelní. Jeden je o otevřenosti, komunitě a kreativních nástrojích, které dávají jednotlivcům větší kontrolu. Druhý je o koncentraci výkonu, kapitálu a rozhodovací moci.
Budoucnost AI se nebude lámat na tom, kdo má lepší model. Ale na tom, kdo má přístup k infrastruktuře, datům a právnímu rámci, který mu umožní je použít. A právě v tom se začínají psát nejdůležitější kapitoly příštích let.
