V úterý 29. září jsem měl krátkou přednášku na konferenci Energy in Times of Crisis, kterou v Praze pořádaly Filosofický ústav a Ústav pro soudobé dějiny Akademie věd. Mluvil jsem o vzájemné závislosti mezi energetikou a umělou inteligencí. Číslům jsem se ještě před přednáškou věnoval v eseji Umělá inteligence a elektřina, přednášku jsem pojal po svém.

Konference byla součástí programu Akademie věd Moc předmětů: Materialita mezi minulostí a budoucností, a tak jsem se zamyslel nad tím, zda se dramatický nástup umělé inteligence propíše i do země pod našima nohama.

Myšlenkové experimenty

O myšlenkových experimentech asi slyšel každý. Einstein si v šestnácti letech představoval, že běží vedle světelného paprsku, Galileo svazoval padající koule provazem, Maxwell vymyslel démona, který třídí molekuly, Schrödinger zavřel kočku do krabice.

Do historického bádání vstupují myšlenkové experimenty v podobě kontrafaktuálních dějin. Aby se nezvrhly jen v pouhou politickou fantazii, lze v nich uvažovat jen o alternativách, které sami současníci pokládali za možné. Řadu myšlenkových experimentů i výklad jejich vztahu ke kontrafaktuálnímu uvažování najdete například v Stanfordské encyklopedii filosofie.

Můj experiment nemění minulost, ale odstraňuje svědky a jejich záznamy a ptá se, co potom zůstane.

Deus ex machina

Píše se rok 431 před naším letopočtem a na athénské scéně má Eurípidova Médeia uniknout trestu. Jenže kudy? Po zemi už to nejde, a tak se nad scénou objeví ve voze svého děda, boha slunce Hélia, mimo dosah lidské odplaty. Divadelní jeřáb vykoná své. Bůh ze stroje, deus ex machina, se hodí, když je autor v úzkých. Aristotelovi šlo takové řešení proti srsti. V Poetice žádal, aby rozuzlení vyplynulo ze zápletky, příběh si má poradit vlastními silami. O několik století později byl římský básník Horatius shovívavější. Ať si bůh přijde, ale potom ať zápletka stojí za to. Nemá cenu spouštět jeřáb kvůli každé pitomosti.

Já božskou pomoc potřebuju, neumím vymyslet zápletku tak, aby nebyla přitažená za vlasy a neodváděla od tématu článku. Můj bůh sestoupí někdy v příštích letech a odstraní ze zemského povrchu každého člověka. Pro tuhle část si dovedu představit řadu variant. Lidstvo dělá mnohé proto, aby se mu to jednou povedlo. Druhou část zadání ale bez boha nevymyslím. S člověkem musí zmizet vše, co obsahuje lidská slova a obrazy: knihy, noviny, pevné disky, plátna v galeriích nebo videa. Nic jiného se nezmění. Světla zhasnou a naše hmotné památky začne pohlcovat příroda. Uplyne tisíc let.

Zlaté hřeby kousek za Prahou

Geologie umí číst minulost i bez písemných záznamů. Ostatně trilobiti ani dinosauři nebyli velcí spisovatelé. Ve vrstvách hornin dokážeme číst příběhy dávných světů ze zkamenělin, změn chemického složení nebo opakujících se přepólování zemského magnetu. Geologové takové stopy mapují a podle nich rozdělují dějiny Země na jednotlivá období.

Všechny výzkumy pod zemským povrchem jsou samozřejmě místní a stáří nalezených vrstev je třeba porovnávat napříč kontinenty. Z tohoto důvodu stratigrafové vybírají opěrné body: přesná místa v konkrétní vrstvě, s nimiž pak porovnávají záznamy ze zbytku světa. Říká se jim „zlaté hřeby“ a oficiálně schválených je jich kolem osmdesáti. Někde opravdu najdete hřeb zasazený do skály, zlato však nečekejte, hřeb může být třeba mosazný. A někdy je místo něj deska, anebo tam není vůbec nic.

Naše epocha, holocén, má svůj „zlatý hřeb“ ve vzorku ledu vyvrtaném z grónského ledovce. Náhlá změna izotopového složení ledu v něm zachycuje konec poslední chladné epizody na sklonku doby ledové. Utíká to, od té doby uplynulo 11 700 let. Plus či mínus sto let. Jak si dovedete představit, na hodinu přesně takové věci neurčíte.

Čtyři ze „zlatých hřebů“ najdete v Praze a jejím jihozápadním okolí. Kéž bychom byli ve všem tak světoví. Na svahu Klonku u Suchomast byl oficiálně schválen úplně první zlatý hřeb v historii. A tak od roku 1972 hranici mezi silurem a devonem určuje nenápadný svah pod polem. V lomu Požáry u Řeporyj je vymezen začátek přídolí, závěrečné části siluru, v lomu ve Velké Chuchli začátek devonského pragu. Nejnovější český hřeb přibyl v roce 2024 u Hlásné Třebaně jako světové měřítko pro začátek aeronu, jednoho z úseků siluru. Přestěhoval se sem z původního místa ve Walesu.

Převratné změny geologicky zachytila i doba, kdy už žilo okolo 300 milionů současných obyvatel Země. Jedna ze stop je třeba plutonium z jaderných testů, které se rozšířilo po celé planetě a zanechalo velmi dobře měřitelný záznam v usazeninách. Pak tu máme plasty v sedimentech, zásadní změny v poměrech izotopů uhlíku, v druhovém složení ekosystémů a další jasná vodítka. Před pár lety chtěli někteří vědci oficiálně uznat, že holocén už skončil a začal antropocén, ve kterém se lidé stali významnou geologickou silou.

Antropocén nakonec schválen nebyl. Spor se vedl o to, jestli právě takové vymezení nejlépe vystihuje proměnu Země člověkem. Lidské zásahy mají mnohem hlubší kořeny a na různých místech začínaly v různou dobu. Odpůrci oficiálního antropocénu zdůrazňují dlouhodobost a probíhající proměny. Zastánci zdůrazňují prudké zesílení lidského vlivu po polovině 20. století. Nikdo ale nepochybuje, že naše působení má intenzitu zásadní geologické změny.

Mimozemšťané přilétají

Pokračujme v našem experimentu. Od vygumování lidstva a jeho textů uplynulo tisíc let a píše se rok 3030. Přilétá výprava od hvězdných sousedů, příliš pozdě na to, aby si s námi potřásla rukou (nebo chapadly nebo se rozzářila v infračerveném spektru nebo…). Když ale dokázala doletět až k nám, určitě má velmi vyspělou techniku a znalosti přírodních věd. Možná umí spoustu věcí, o jejichž existenci nemáme ani tušení, ale my si k objevení stop po umělé inteligenci vystačíme s tím, co funguje nám.

Stavby jsou bezpochyby poškozené a pokryl je les, z ocelových konstrukcí zbyla rez, ale mnoho stop ještě zubu času odolává. Beton, keramika, sklo, zlato a velké zemní stavby přežily. Nemůžeme si ale být jistí, že je mimozemšťané přečtou správně. V knize Davida Macaulaye Motel of the Mysteries (Motel záhad) vykope archeolog v roce 4022 motelový pokoj a popíše ho jako hrobku.

Před dotekem země

Přilétající talíř, pekáč nebo termoska uvidí nejdříve Zemi z výšky. A i odtud se dá už přečíst mnohé. Laserové skenování lidarem přepsalo archeologii tropů: v guatemalské nížině našlo přes 60 000 mayských staveb pod příkrovem pralesa, u Angkoru objevilo pravidelnou městskou síť ulic a kanálů, v bolivijské Amazonii násypy a hráze kultury Casarabe.

Opuštěná města zůstávají čitelná po staletích. Současné kampusy umělé inteligence už jsou na stejné škále. Meta staví v Louisianě na 910 hektarech, Stargate v texaském Abilene má 445 hektarů. Meta bude svůj kampus rozšiřovat na 5 gigawattů. Kdyby běžel celý rok naplno, odebral by tři čtvrtiny elektřiny, kterou spotřebuje celé Česko.

Velmi zajímavé čtení čeká ufony i při výzkumu zbytků naší elektrické sítě. Asi jim dojde, že se dívají na energetickou tepnu tehdejšího života. Jsou technicky vyspělí, a tak se dá očekávat, že dokáží zbytky velmi přesně datovat. A narazí na velkou změnu krátce před koncem příběhu. Uvidí neustále se zvětšující síť, ve které přibývá různých propojení. A pak se objeví chrámy umělé inteligence, jejichž propojení s energetickým oběhovým systémem civilizace nestojí za řeč. Ale hned v sousedství chrámů najdou rozvaliny elektráren, které síť ignorovaly a všechnu energii převáděly do jediného místa.

Důvod jsem popsal v předchozí eseji. Připojení velkého odběru k síti může trvat roky, i když je elektřiny dost. Pokud potřebujete příkon v gigawattech, musíte všechnu elektřinu dopravit na místo. A to může být problém i tehdy, když úředního šimla uplatíte miliardami. Někteří z největších odběratelů proto stavějí plynové elektrárny přímo na místě. Elektřina se vyrábí tam, kde se spotřebuje. Podobně začala pronikat do továren před více než sto lety, kdy si ji podniky vyráběly přímo v areálu.

Výkopy promlouvají

Pohled shora vám poskytne základní rysy, ale pro podrobnosti potřebujete kopat. Talíř dosedne na zem, vypustí automatická zařízení a ta se rozjedou či rozletí po okolí. Určitě je budou zajímat jezera poblíž míst s největší koncentrací chrámů umělé inteligence. Jezero si výprava vybere pečlivě: takové, kde se bahno ukládá v ročních vrstvách a nepromíchává se. Vrstvy se pak dají počítat podobně jako letokruhy ve stromech a pomáhají velmi přesně datovat, co se v okolí dělo. Včetně stop po spalování v okolí. Různá paliva zanechávají svůj specifický otisk. U zemního plynu je stopa méně výrazná než u jiných paliv, ale nesmíme ufony podceňovat. Tohle bychom zvládli při trošce štěstí i my.

Vyzkoušejme to v Memphisu. Před dvěma lety tady firma xAI spustila superpočítač Colossus. Nastěhovala ho do bývalé továrny na spotřebiče a a vedle elektřiny ze sítě mu energii dodávají desítky plynových turbín. A protože je to Musk, asi nikoho nepřekvapí, že turbíny zpočátku neměly povolení. Zemní plyn po sobě zanechává minimum popela, a tak v bahně neuvidíme třeba kuličky tak typické pro uhlí a mazut. Z posledních vrstviček by ale mělo jít vyčíst zvýšenou koncentraci sazí a polycyklických uhlovodíků i skokový nárůst uloženého dusíku.

Vrty odvypráví i další příběh. S nástupem chrámů umělé inteligence se výrazně zpomaluje tempo zavírání uhelných elektráren, a tedy i pokles jejich stop v sedimentech. Jen americké energetické firmy za jediný rok oddálily uzavření nejméně patnácti uhelných elektráren. Pokud k vygumování lidstva dojde až za pár let, v sedimentech se zpomalení projeví.

Memphis pije z hluboké písčité vodonosné vrstvy, která se jen pomalu doplňuje. Colossus z ní čerpá přes tři miliony litrů denně. To už se v okolí projeví. V suchých oblastech zanechají AI chrámy stopu i v záznamech o stavu vody. Odpařená voda se samozřejmě časem vrátí na zem jako déšť či sníh, jenže už ne tam, odkud se vypařila. Na pozadí pozvolných proměn způsobených klimatickou změnou tak bude patrné i zrychlené vysoušení jednotlivých míst.

Opusťme geologické vrstvy a dejme slovo mimozemským archeologům. Ti naši dokážou z velikosti domů odhadovat nerovnosti mezi lidmi. Z kostí a zubů čtou stopy nemocí, strádání v dětství či prodělaných úrazů. Krátká vlna prosperity se ale v záznamech ztratí.

Velmi zajímavé však bude sledovat, jak se v čase měnily poměry v jednotlivých domácnostech. Podle nářadí a cívek drátu v garáži zřejmě nebude tak těžké poznat, že archeologové odkrývají dům elektrikáře. Právě tam uvidí stopy náhlého zbohatnutí. Stavba hal přináší zakázky a výdělky, které dříve nebyly myslitelné.

Ještě výraznější stopy bohatství ponesou domácnosti majitelů technologických firem a špičkových odborníků. Jenže výkopy odhalí i odvrácenou stranu rozkvětu. V okolí chrámů umělé inteligence žije mnoho lidí, kteří nesou zátěž provozu, ale na výnosech se nepodílejí. Obyvatelé memfiského Boxtownu, dlouhodobě zatíženého průmyslem v okolí, nesou novou zátěž z Colossuse.

Zatím jsme kopali kolem chrámů, pojďme tedy přímo do nich. Tafonomie zkoumá, jak se pozůstatky rozkládají a za jakých podmínek se zachovávají. Vyberme si pomyslné místo, které spojuje rysy různých lokalit a nabízí alespoň trochu příznivé podmínky pro uchování stop. I dnes nám mimořádně šťastný nález může ukázat něco, co se jinde beze stopy rozpadlo. My budeme předpokládat, že námi zkoumané místo není ničím výjimečné.

Určitě najdeme betonové desky a prstence chladicích věží. Mayské plošiny naší doby. Nádrže na naftu pro záložní generátory už možná prožere rez, ale v okolní půdě zůstanou stopy uhlovodíků. Zlato nekoroduje, a tak se zlaté povlaky konektorů a drátky z milionů desek zachovají jako drobné šupinky a vlákna. Ocelové regály zrezaví a zanechají načervenalé skvrny, podle nichž půjde rekonstruovat původní řady serverů. Z baterií zůstanou soli.

Co zbude po tisíci letech z čipů, se odhaduje těžko. Jejich křemíkové struktury postupně chátrají, ale tisíc let by měly alespoň v hrubých obrysech přečkat. A pak půjde poznat, k čemu čipy sloužily. Akcelerátor pro umělou inteligenci tvoří jeden velký čip s pamětí navrstvenou po stranách, zatímco bitcoinový těžební stroj má desku plnou malých stejných čipů téměř bez paměti. Takže výprava rozezná halu výpočetních akcelerátorů od těžební farmy. Pokud jí ovšem dojde, že jsme byli tak pošetilá civilizace, že jsme věnovali neuvěřitelné množství energie něčemu takovému, jako jsou těžební farmy.

Závěrem

Celý experiment lze shrnout v pár větách. Mimozemšťané zjistí, že jsme měli stroje, které hodně počítaly, a že nás to hodně stálo. Ale co počítaly, to jim fragmenty z minulosti neprozradí. Lidar, bahno, geometrie sítě, hloubka studní, plochy domů, zlato a rez jim pomohou poznat, jak náš svět vypadal a fungoval. Obsah výpočtů jim však zůstane skrytý.

Současný rozmach umělé inteligence trvá příliš krátce na to, abychom věděli, co všechno po něm zůstane. Slibuje třeba nové materiály, ale od nadějného návrhu k převratnému materiálu, který továrny chrlí ve velkém, vede dlouhatánská cesta. A na tu jsme sotva vykročili. Možná s AI postavíme sedm nových divů světa. Možná s ní uskutečníme miliardy zázraků. Nebo nás už brzy zničí. Naštěstí ani to není jisté. Neshodneme se ani na tom, zda je takový konec pravděpodobný.

Žijeme v době, která se svým tempem zcela vymyká předchozím desetiletím. A ta se zase naprosto vymykala všemu, co lidstvo znalo po tisíce generací. Tak si přejme, abychom tento závod s časem ve zdraví přežili a aby náš život mělo stále cenu žít.

Původní přednáška a AI generované poznámky s prameny jsou ke stažení zde: slidy, poznámky.

Stejně jako většina mých textů vznikl i tento v dialogu s několika jazykovými modely. Pomáhají mi s formulacemi, protiargumenty a oponováním mým závěrům. Směr, výběr argumentů i konečná podoba jsou moje, důležitá tvrzení ověřuji ve zdrojích a za výsledek nesu odpovědnost já. Více v úvodním textu blogu. Kniha Umělá inteligence srozumitelně – od fungování modelů po dopady na práci, školu i demokracii, včetně českého kontextu – je zdarma ke stažení pod licencí CC BY 4.0.

Výsledky srpnové olympiády robotů v Pekingu byly v některých ohledech impresivní. Vítězný humanoid Tiangong Ultra zaběhl hladkou stovku za 8,64 sekundy – skoro o sekundu rychleji než Usain Bolt. Na druhých Světových hrách se dohromady sešlo 666 týmů a přes dva tisíce humanoidních robotů.

Pravidla rozlišovala, jestli stroj jednal samostatně, nebo ho řídil člověk. Sportovní disciplíny, s výjimkou překážkového běhu, museli roboti zvládnout sami. Při úkolech z běžného života, jako je úklid nebo třídění, se mohl do řízení zapojit člověk, pak ale robot získal jen polovinu bodů.

Humanoidní roboti se zatím prosadili hlavně v reklamách a ve státních plánech. Mnohem těžší je nalézt někoho, kdo si je skutečně koupil. V roce 2025 našlo svého pána přes 18 000 humanoidů. Pokud se započítají jen autonomní stroje pro průmysl a profesionální služby, tak našlo zaměstnání stěží sedm tisíc kusů. Obyčejných průmyslových robotů, známých ramen zavřených v klecích, se za stejnou dobu nainstalovalo přes 600 000. Sice nevypadají jako lidé, ale jsou v tuto chvíli jedinými roboty, které se nasazují po statisících. Jen Amazon má ve svých distribučních centrech přes milion pojízdných podvozků a robotických ramen.

Proč lidskou podobu

Lidské tělo není právě ideální předloha pro stroj. Na rovné podlaze jsou kola úspornější než nohy a rameno přišroubované k podstavci se může věnovat svařování, aniž by se přitom muselo starat, aby neupadlo. Jenže svět jsme si zařídili pro sebe. Nohy nemají problém se schody, kliky od dveří krásně padnou do ruky a pracovní stoly mají přesně takovou výšku, abychom na ně dosáhli a zároveň nemuseli ohýbat hřbet. Pokud stroj vypadá jako my, nemusíme kvůli němu nic přestavovat.

Specializovaný stroj vyžaduje, aby se prostředí přizpůsobilo jemu: nová hala, nový dopravník, nová klec. Humanoid vstoupí do existující továrny a může začít pracovat. Dosavadní průmysloví roboti jsou navíc určeni k jedné činnosti. Svařovací robot svaří různé díly, ale dílnu vám nezamete.

Totéž platí doma. Robotický vysavač nevynechá ani malý kousek podlahy, pokud jsou ovšem všechny podlahy ve stejném patře. Do schodů se buď nedostane vůbec, nebo potřebuje nemotorný nástavec. A nádobí bych mu rozhodně nesvěřil.

Humanoid by měl zvládnout desítky různých prací. Nemusí otrocky sledovat každý detail lidské podoby, podstatné jsou ruce, dosah a výška. Počet rukou není omezen a ani nohy nejsou podmínkou. Pokud po něm nechcete, aby stoupal do schodů nebo překonal některé české silnice třetí třídy, je kolový podvozek lepší.

Humanoidní roboty stále častěji řídí velké modely umělé inteligence, podobné těm z chatbotů, jen s přidaným zrakem a řízením pohybu. Schopnost učit se novým věcem je užitečná i u robotických ramen, univerzalita humanoidů ale klade řádově vyšší nároky.

Na jejich učení potřebujete ohromnou spoustu dat, a tak se dostupnost videí lidí, kteří něco dělají rukama, stala ohromnou konkurenční výhodou. Na světě existuje řádově víc záznamů lidské činnosti než záznamů strojů jakéhokoli jiného tvaru, a to je pro univerzalitu velkým příslibem.

Google DeepMind v červenci vydal model Gemini Robotics 2, který poprvé řídí celé tělo humanoida – chůzi i pohyby rukou. Mozek z jednoho člověka do druhého nepřenesete, ale přenést kopii modelu do robota stejného typu není problém. A i když máte jiného robota, může se z přeneseného modelu učit mnohem rychleji, než kdyby musel všechno objevovat od začátku.

Současný humanoid v továrně

Humanoidů zatím v továrnách nepracuje mnoho, první vlaštovky se už ale objevují. Robot americké firmy Figure už loni vkládal plechové díly do upínacího zařízení při svařování v továrně BMW a podílel se tak na výrobě více než 30 000 vozů X3. Letos v červnu BMW oznámilo, že nasazuje novou generaci robota, který bude pracovat v logistice a řadit díly do pořadí, které očekává výrobní linka.

Boston Dynamics, který dnes patří korejskému Hyundai, má elektrického Atlase, který přenese 30 kilogramů a krátkodobě zvládne i půl metráku. V září firma otevřela výcvikové centrum, kde se Atlasové učí konkrétní výrobní úlohy. V běžném provozu pracuje Digit od Agility Robotics: nosí přepravky ve skladech a v továrně Schaeffleru v Jižní Karolíně nakládá a vykládá průmyslovou myčku.

U Tesly vše běží podle starého receptu: slova výrazně předbíhají činy. Ve výsledcích za rok 2025 firma oznámila sériovou výrobu třetí generace humanoida Optima v roce 2026. Jenže podle letošní pololetní zprávy je sériová výroba pořád vzdálená. Většina firem humanoidy ověřuje a píše o tom, kde se dá, jenže ke skutečnému průmyslovému nasazení se dosud nedostala.

Ale vždyť videa jsou úžasná

Jsou. Každému ale doporučuji položit si v duchu tři otázky. Dělá to robot skutečně sám, nebo ho řídí technik zpovzdálí? Dokáže to udělat pokaždé, nebo na síti vidím jeden úspěšný pokus ze stovky selhání? A jak dlouho to dokáže dělat, než musí přiběhnout technik? Řada nejpůsobivějších záběrů vzniká v optimalizovaných podmínkách, robota ovládá člověk na dálku a na výsledku má stejný podíl střihač videa jako samotný robot. Nepovažuji to za podvod. Nové věci nevznikají ze dne na den, a pokud se nemůžete prezentovat něčím zajímavým, vaše snahy může navždy zastavit prázdná peněženka. Jen je velmi ošidné z takových záběrů usuzovat na skutečný stav věcí.

Za dálkové řízení se navíc není třeba stydět. Velmi užitečné je pro sběr dat. S pomocí člověka může stroj úlohu tisíckrát zopakovat a získat tak neocenitelný základ pro budoucí plně automatické roboty. A v provozu je užitečný i robot, kterému musíte napovídat, pokud převezme alespoň část práce, obzvlášť v prostředí, které vašemu zdraví právě nesvědčí.

O peníze jde až v první řadě

O skutečném průmyslovém úspěchu nerozhodnou nadlidské schopnosti, ale účinek na bankovní konta zákazníků. Tohle je oblast, kde obecně vyniká Čína, a u humanoidních robotů to platí také. Čínské firmy prodávají humanoidy po tisících. Humanoid G1 od firmy Unitree stojí 13 500 dolarů, jeho menší bratranec R1 5 900 dolarů. To je zlomek ceny západního stroje. Tedy pokud se vůbec dá koupit.

Unitree loni prodala přes 5 500 humanoidů a v srpnu vstoupila na šanghajskou burzu. Za první pololetí 2026 výrobci ve světě dodali 19 100 humanoidů, téměř čtyřikrát víc než za stejné období loni. Přes 97 procent z nich vyrobily čínské firmy.

Nákup robota samozřejmě neznamená jen zaplatit cenu v katalogu. V praxi musíte připočíst vybavení pracoviště, začlenění robota do provozu, dohled nad jeho činností a náklady na opravy. Kolik skutečně stojí jedna samostatně dokončená úloha a zda ji robot už dnes zvládne levněji než člověk, se mi nikde najít nepodařilo.

Velká část čínských humanoidů navíc není určena do provozu. Loni podle IDC převažovala vystoupení, výuka, sběr dat a provázení návštěvníků; teprve letos začínají převažovat průmyslové a komerční aplikace. A naprostá většina humanoidů se nestěhuje daleko, 85 procent poptávky končí v Číně.

Tohle je velmi důležitý údaj. Čína si vytvořila domácí trh, na kterém se stroje levně vyrábějí, prodávají, rozbíjejí a zlepšují. Jinak se k masivnímu průmyslovému nasazení nepropracujete.

Trh nevzniká jen spontánní činností jednotlivých firem. Už v listopadu 2023 vydalo čínské ministerstvo průmyslu pokyny, podle kterých měla země do roku 2025 zvládnout sériovou výrobu humanoidů a do roku 2027 v ní dosáhnout světové úrovně. Letos schválený patnáctý pětiletý plán výslovně podporuje „vtělenou inteligenci“, jak se fyzické AI v Číně říká, a do oboru proudí dotace na celostátní, krajské i městské úrovni. Státní podniky mají nařízeno nasazovat ověřené aplikace v praxi.

Součástky

Humanoid je umně propojený balík desítek elektromotorů, přesných převodovek, baterií a silných magnetů. A v tomhle celku se čínský náskok teprve ukazuje v plné síle. Čína v roce 2024 zajišťovala 91 procent zpracování magnetických vzácných zemin a 94 procent výroby slinovaných permanentních magnetů, používaných v motorech robotických kloubů.

Loni podíl na rafinaci sice klesl na 85 procent, důvod k jásotu to ale není. Pořád je to závislost, jakou si v jiných zpracovatelských řetězcích nedovolíme. Čína si je této strategické výhody velmi dobře vědoma. Od dubna 2025 vývoz části vzácných zemin a magnetů podmiňuje licencemi. Další kontrolní opatření sice po jednání s USA pozastavila, ale jen do 10. listopadu 2026.

Strategický boj o roboty už zasahuje i do toho, kdo smí na který trh. Americký telekomunikační úřad FCC blokuje schvalování nových modelů pokročilých mobilních robotů zahraniční výroby, včetně humanoidů. Odvolává se přitom na národní bezpečnost. Bez potřebného schválení se tyto modely nesmějí v USA běžně nabízet ani prodávat; výrobce musí nejprve získat zvláštní bezpečnostní výjimku. Rozhodující je původ zařízení, nikoli jen národnost firmy, takže opatření dopadá i na výrobce mimo Čínu. Dříve schválené modely se však smějí dál dovážet, prodávat a používat. Pevně instalovaných průmyslových ramen se toto omezení netýká.

Evropa sice má vlastní hráče, například německou NEURA Robotics, která získala příslib investice 1,4 miliardy dolarů, ale jejího robota 4NE1 si zatím lze jen rezervovat. Společnost Schaeffler vyvíjí a dodává přesné převodové pohony pro britského výrobce humanoidů. Jenže výroba špičkové součástky je něco jiného než schopnost levně vyrábět kompletní roboty v desetitisícových sériích.

Po desítky let platilo, že výroba jde tam, kde je levná práce. Až levnou práci nahradí roboti, začne rozhodovat, kdo jich umí vyrobit nejvíce a s nejmenšími náklady. V tomhle životně důležitém závodě vede Čína o několik parníků.

Náš robot

Slovo robot dali světu Češi. Podle vzpomínky Karla Čapka ho navrhl jeho bratr Josef, když Karel hledal jméno pro umělé dělníky ve své nové hře. „Tak jim řekni roboti,“ poradil mu prý Josef a maloval dál. Základem bylo staré slovo robota – povinná práce poddaných pro vrchnost. Do světa proniklo s hrou R.U.R., kterou v lednu 1921 poprvé uvedli ochotníci v Hradci Králové. Ve svém jménu dostal robot úkol: pracovat za nás.

Po sto letech si v robotice nestojíme špatně. V našich průmyslových podnicích pracují tisíce robotických ramen. Máme i vlastní výzkum humanoidů. Na FEL ČVUT zkoumá skupina Matěje Hoffmanna, jak si robot buduje představu vlastního těla, vnímá dotyk a bezpečně pracuje vedle lidí. Český institut informatiky, robotiky a kybernetiky ČVUT (CIIRC) zase založil Interdisciplinární centrum humanoidní robotiky, které má pomáhat firmám ověřovat, kde mohou humanoidy skutečně využít a jak je bezpečně zapojit do provozu.

Vlastní komerční humanoidi u nás teprve vznikají. Ve Zlíně vyvíjí společnost Robot George humanoida pro průmysl, koupit ale zatím nejde. Jiné české firmy stavějí na dovezených strojích: Sentio Robotix doplňuje čínský Unitree G1 vlastními úchopovými mechanismy a softwarem. Český průmysl je přitom úzce provázán s německými výrobními řetězci. Jako středně velká země se silným průmyslem, vlastním vývojem a těsnými vazbami na německou ekonomiku můžeme světové otřesy pocítit velmi silně.

Bitva o budoucí uspořádání světa

Souboj o humanoidní roboty se stává zásadním střetem o podobu budoucnosti. I když jejich ekonomickou návratnost zatím nikdo nedoložil, už se začínají vyrábět, prodávat a testovat v provozu. Jejich příslib spočívá v automatizaci práce, pro kterou se nevyplácí vyvíjet specializovaný stroj, a v přizpůsobení moderní fabrice i sto let staré dílně bez nutnosti přestavby. V tomto příslibu se skrývá zárodek změn, které daleko přesahují průmyslovou výrobu.

Až se humanoidi začnou vyrábět ve velkém a náklady na jeden kus výrazně klesnou, změní se i rozhodování o tom, kde vyrábět. Země s levnou pracovní silou přijdou o svou dosavadní výhodu. Větší váhu dostane přístup ke kapitálu, energii a samotným robotům. Rychle postupující automatizace Číně pravděpodobně umožní udržet si výrobu, která by se jinak kvůli rostoucím mzdám stěhovala jinam. A jakmile bude humanoidů dostatek, najdou brzy uplatnění i mimo továrny.

V tomhle souboji k vítězství nestačí vyvinout nejchytřejšího a nejšikovnějšího humanoida, i když to samozřejmě bude velká výhoda. Pro tempo rozšíření humanoidů bude ještě důležitější schopnost levně a ve velkém vyrábět jejich pohony, převodovky a senzory. Čínské firmy mají výhodu v zázemí dodavatelů pro elektromobily a elektroniku. Americké firmy zase těží ze silného postavení v čipech a softwaru, na nichž závisejí i čínští výrobci. Tato dělba práce možná spoluurčuje podobu světové ekonomiky na několik příštích desetiletí.

Právě teď se rozhoduje o budoucnosti. O tom, kdo bude umět levně vyrábět, komu připadnou výnosy z automatizace a kdo bude závislý na cizích dodávkách. Pro Česko bude zásadní, zda dokážeme roboty nejen nakupovat a zavádět do provozu, ale také uspět s vlastními technologiemi a službami. A stejně důležité bude, zda vyšší produktivita přinese lepší život i lidem, jejichž práci stroje převezmou, a ne jen královské podmínky pro pár vyvolených.

Stejně jako většina mých textů vznikl i tento v dialogu s několika jazykovými modely. Pomáhají mi s formulacemi, protiargumenty a oponováním mým závěrům. Směr, výběr argumentů i konečná podoba jsou moje, důležitá tvrzení ověřuji ve zdrojích a za výsledek nesu odpovědnost já. Kniha Umělá inteligence srozumitelně – od fungování modelů po dopady na práci, školu i demokracii, včetně českého kontextu – je zdarma ke stažení pod licencí CC BY 4.0.

Člověk by řekl, že inteligence, přirozená i umělá, je něco nehmotného. Jenže myšlenka se nevznáší jen tak v povětří. Potřebuje mít kde vzniknout a z čeho žít; zkrátka i ona má své hmotné nároky. U AI to mimo jiné znamená účet za elektřinu, a ten není právě malý. Umělá inteligence však energii nejen odebírá, ale také energetiku v mnohém proměňuje. Příští týden se zúčastním konference Energy in Times of Crisis, kterou pořádají Filozofický ústav a Ústav pro soudobé dějiny Akademie věd, a tento článek píšu, abych si utřídil několik myšlenek.

Datacentra

Datacentra jsou haly plné počítačů, které za nás ukládají fotografie, přehrávají filmy, zpracovávají bankovní platby – a také provozují umělou inteligenci. Jejich celkový účet za elektřinu je ohromující. Podle Mezinárodní energetické agentury loni spotřebovala světová datacentra 485 terawatthodin elektrické energie. To je sedminásobek roční spotřeby celého Česka.

Celý účet za elektřinu samozřejmě nemůžeme vystavit umělé inteligenci. Datacentra obsluhují i běžné internetové a firemní služby a část elektřiny potřebují na chlazení a další podpůrné vybavení, která nejsou určena pro jeden konkrétní účel. Přesně oddělit část pro AI nemůžeme, ale z trendů je jasné, že právě ona je největším zdrojem růstu.

V roce 2025 spotřeba datacenter meziročně vzrostla o 17 procent a u datacenter vysloveně zaměřených na AI o polovinu. Mezinárodní energetická agentura očekává, že se do roku 2030 celková spotřeba zdvojnásobí. Velká většina nárůstu připadne na Spojené státy a Čínu.

Jednotky procent světové spotřeby energie nejsou koncem světa a energie pro datacentra stále není potřeba tolik jako pro průmysl, dopravu nebo vytápění. Nicméně je to velmi důležitý spotřebitel globální a už dnes někde i dominantní spotřebitel lokální. V Irsku loni datacentra odebírala téměř čtvrtinu veškeré elektřiny. Datacentra největšího uzlu Evropské unie ve Frankfurtu mají příkon přes jeden gigawatt, a tak i v Evropě už máme datacentrové uzly, které ke svému pohonu potřebují blok jaderné elektrárny.

Jeden dotaz

Celková spotřeba se skládá ze záplavy malých krůčků. Lidé často řeší, kolik energie vlastně spotřebuje jeden dotaz na chatbota. V médiích zveřejňované odhady se liší i o řád. Starší odhad tří watthodin vznikl v roce 2023 z hrubých předpokladů o tehdejším modelu GPT-3.5. Nový rozbor institutu Epoch AI z února 2025 dospěl u běžného dotazu k 0,3 watthodinám.

Pokud tedy někde narazíte na zřejmě nejrozšířenější mýtus oboru, tedy že dotaz na ChatGPT „spálí desetkrát víc než vyhledávání na Googlu“, ignorujte ho. Čitatel zlomku je odhad z roku 2023, jmenovatel je číslo z firemního blogu Googlu z roku 2009. Sedmnáct let staré vyhledávání se porovnává s tři roky starým chatbotem a výsledek se cituje jako současnost. O realitě nám neříká prakticky nic.

Firmy už začaly čísla zveřejňovat, ale velmi opatrně. Google loni v létě spočítal, že medián textového dotazu na Gemini spotřebuje 0,24 watthodiny a 0,26 mililitru vody. Je to docela věrohodný výpočet z reálného provozu, ale je to medián a různé dotazy se velmi liší. Navíc čísla rychle zastarávají: cena jednoho dotazu klesá, ale přemýšlející modely skládají odpověď z množství malých kroků. Výzkumníci Microsoftu zveřejnili, že zatímco běžný dotaz spálí 0,31 watthodiny, „přemýšlející“ model, který si před odpovědí píše dlouhé poznámky, spotřebuje watthodiny čtyři. Kdyby takové dotazy tvořily jen desetinu provozu, celková spotřeba by se zdvojnásobila.

Proč úspornější čipy nepomohou

Technika se zlepšuje, a to velmi rychle. Podle Epoch AI se energetická účinnost špičkových AI čipů zdvojnásobí každé dva roky a Google mezi květnem 2024 a květnem 2025 snížil energii potřebnou na zodpovězení dotazu na Gemini 33krát. Přesto loni stoupla spotřeba datacenter o 17 procent. Jak to jde dohromady?

Pravděpodobnou odpověď nabízí ekonomie už přes sto šedesát let. Když se v 19. století zefektivnily parní stroje, spotřeba uhlí nepoklesla, ale vzrostla. Levnější pára si našla tisíce nových použití. Ekonom William Stanley Jevons tento jev popsal v roce 1865 a od té doby se mu říká Jevonsův paradox. S auty a ropou to dopadlo stejně: úspornější motory znamenaly víc ujetých kilometrů, ne méně spálené nafty. U AI se projevuje stejný efekt, jen mnohem rychleji. Pokud dotazy zlevní, AI se vyplatí nasadit i tam, kde to bylo dříve příliš drahé: do každého vyhledávání, do každého e-mailu, do každé aplikace v telefonu. Účinnost v rostoucím trhu poptávku nebrzdí, ale pohání.

Odráží se to i na klimatických bilancích firem. Google ve své zprávě o životním prostředí za rok 2025 uvádí 14,5 milionu tun emisí skleníkových plynů, o 81 procent víc než v roce 2019, se kterým své klimatické cíle poměřuje. Microsoft hlásí za fiskální rok 2025 přes 20 milionů tun, o víc než polovinu nad rokem 2020. Obě firmy přitom uzavírají obří smlouvy na nákup čisté elektřiny. Jenže datacentra rostou rychleji než nové smlouvy.

Fronta na elektřinu

Prudký nárůst požadavků na elektřinu vytvořil dlouhatánské fronty na připojení k síti. V řadě nečekají jen odběratelé, na připojení čekají i elektrárny a bateriová úložiště, které by jim mohly elektřinu dodávat. Na konci roku 2025 čekalo v americké frontě 2 060 gigawattů výroben a baterií. Od rekordu z roku 2023 se seznam mírně zkrátil, ale čekání se prodloužilo. Projekt připojený v roce 2025 čekal od žádosti po zprovoznění přes pět let, v roce 2008 stačily necelé dva roky.

Energie se stává limitujícím faktorem rozvoje umělé inteligence. Ještě v roce 2023 byl základním limitem nedostatek čipů: firmy stály frontu u Nvidie. Výrobu čipů lze ale navyšovat rychleji než zpřístupňovat nové gigawatty v síti.

Kdo nechce čekat a má dost peněz, jde přímo k prodejci nebo si staví energetické zdroje sám. Microsoft podepsal dvacetiletou smlouvu na odběr z jaderné elektrárny Three Mile Island, jejíž první blok byl v roce 2019 odstaven jako nerentabilní; 835 megawattů má znovu najet v roce 2027.

Poptávka datacenter obrátila trend, ještě před pár lety se jaderné bloky zavíraly. Jenže největší provozovatelé cloudů běží sprint, zatímco využití jádra je maraton. Nový reaktor se staví deset a více let. Rychlou odpovědí měl být plyn, ale i on se stává úzkým hrdlem. Výrobci turbín dostali loni objednávky na 110 gigawattů, ale jejich výrobní kapacita je 60 až 70 gigawattů ročně, a tak ceny turbín rostou.

Ostrovy s vlastním krbem

Když se na připojení čeká pět let, americká datacentra plánují síť obejít a postavit 100 gigawattů plynových zdrojů přímo v areálu – to je pětina dnešní americké plynové flotily. Největší odběratelé se od sítě odpojují.

Samostatní odběratelé sice nezatěžují síť, ale to neznamená, že nemají dopad na své okolí. V Memphisu firma xAI Elona Muska spustila v bývalé továrně na spotřebiče superpočítač Colossus. Když jí síť přestala stačit, dovezla plynové turbíny. Letecké snímky z dubna 2025 zachytily 35 turbín o výkonu 422 megawattů běžících bez povolení; okres jich v červenci povolil patnáct natrvalo.

Colossus stojí v části města, kde už dříve studie odhadla riziko rakoviny z toxických látek v ovzduší na čtyřnásobek celostátního průměru. Druhý kampus roste za hranicí státu v Southavenu v Mississippi: úřady tam letos v březnu povolily 41 trvalých turbín o výkonu přes gigawatt a proti dalším, které běžely bez povolení, podala žalobu organizace NAACP. Ostrov s vlastním krbem má i vlastní kouř.

Staré ohně

Když nestačí nové zdroje, drží se v provozu staré. Americké energetické společnosti od začátku roku 2025 odložily uzavření nejméně patnácti uhelných elektráren, zčásti na základě nouzových příkazů federálního ministerstva energetiky, zčásti s odkazem na poptávku datacenter. Ministerstvo nouzových příkazů vydalo přes čtyřicet; první z nich federální odvolací soud 11. září zrušil. Celkově Spojené státy loni odstavily 4,6 gigawattu zdrojů místo plánovaných 12,3. To je nejméně od roku 2008. Uhlí na ústupu dostalo od umělé inteligence několik let navíc.

Když máte nedostatek zdrojů, nutně musí následovat útok na peněženky. V síti PJM, která zásobuje 65 milionů Američanů od Chicaga po Washington, se poprvé v historii nepodařilo nakoupit dost zdrojů na kapacitní burze pro bezpečnostní rezervu. Chybělo 6 600 megawattů a cena skončila na regulačním stropu. Podle analýzy institutu IEEFA tři pětiny nárůstu kapacitních cen v aukci pro rok 2025/26 způsobila datacentra. Na účtech odběratelů se to promítne částkou přes devět miliard dolarů. Dříve velký odběratel obvykle síť dotoval, dnes může gigawattový kampus účet zvedat všem ostatním.

A nejde jen o výrobní cenu. Někdo musí zaplatit nová vedení a rozvodny, když si kampus objedná dodávky a potom své kapacity nenaplní. Regulátor v Ohiu proto loni v červenci schválil zvláštní tarif: datacentrum s odběrem nad 25 megawattů platí až dvanáct let nejméně za 85 procent sjednaného příkonu, i kdyby ho nevyužilo, a při předčasném odchodu zaplatí odchodné. Riziko prázdné haly tak nemá skončit na účtu domácností.

Voda

Datacentrum potřebuje vedle elektřiny i vodu, hlavně na chlazení. Ve Spojených státech datacentra v roce 2023 přímo spotřebovala 66 miliard litrů vody. Dalších 800 miliard litrů se vypařilo v elektrárnách, které je napájejí.

Voda se odpaří a někde spadne. To někde ale nebývá tam, kde vodu odebíráte. Městečko The Dalles v Oregonu se po soudním sporu o data dozvědělo, že Google odebírá čtyřicet procent jeho vody. V Memphisu čerpá Colossus z hlubinného zdroje, ze kterého město pije, přes 800 tisíc galonů denně. Recyklační stanice, která měla odběr nahradit, se zdržela a zdražila. Ve španělské Aragonii se hnutí proti datacentrům Amazonu pojmenovalo „Tu nube seca mi río“: tvůj mrak vysušuje mou řeku.

Bohatí elektrikáři

Úzkým hrdlem výstavby datacenter nejsou jen turbíny a transformátory, ale také kvalifikované ruce. Sebedražší zařízení musí někdo namontovat, propojit a bezpečně uvést do provozu. Podle elektrikářských odborů IBEW připadá na dodavatele elektroinstalací 45 až 70 procent stavebního rozpočtu datacentra. Tento podíl zahrnuje celou zakázku, včetně materiálu a vybavení. I v digitální ekonomice má zásadní místo řemeslo. Bez lidí, kteří rozumějí kabelům, rozvaděčům a jištění, se servery nerozběhnou.

Firmy si elektrikáře přetahují a nabízejí jim stále vyšší mzdy. Tím mohou získat lidi pro vlastní datacentrum, celkový nedostatek kvalifikovaných pracovníků se ale nezmenší: zkušený elektrikář nastoupí na jednu stavbu a na jiné začne chybět. Na tento přesun stejných lidí mezi zakázkami upozorňují i zástupci oboru. Vyšší výdělky k řemeslu lákají nové zájemce, ti se však vše potřebné přes noc nenaučí.

O tom, jak vysoko může soutěž o řemeslníky vyšroubovat výdělky, vypovídají rozhovory z Texasu. Zatímco běžný americký elektrikář vydělává 63 tisíc dolarů, televizní moderátor Mike Rowe se setkal s třicetiletými elektrikáři, kteří při práci na datacentru měli výplatu 260 tisíc dolarů ročně. Je to jen příběh, nikoliv důkladná statistika, ale určitě není výjimečný.

Čína: první elektrostát

Zatímco Amerika staví plynové ostrovy, Čína buduje síť. Elektřiny už dnes vyrábí dvaapůlkrát víc než Spojené státy, před čtvrt stoletím jí přitom Spojené státy vyráběly třikrát víc než Čína. Jen loni v Číně přibylo 58 procent nového solárního a 72 procent nového větrného výkonu světa a staví se tam polovina reaktorů na světě. Do přeměny energetiky vložila 800 miliard dolarů, Spojené státy 378. Analytici Čínu nazývají prvním elektrostátem: ekonomikou, v níž elektřina přebírá úlohu ropy a dalších paliv, od dopravy po výrobu. Datacentra do téhle proměny vstupují jako další velký odběratel.

Program East Data, West Computing z roku 2022 stěhuje datacentra na západ k solárním a větrným parkům a k pobřeží místo elektřiny posílá data. Šéf Nvidie Jensen Huang to loni shrnul: „Čína je před námi daleko v energii. My jsme daleko před ní v čipech.“ Obraz má i druhou stranu: uhlí dodává Číně stále přes polovinu elektřiny a loni tam přibylo 78 gigawattů uhelných bloků. V západních provinciích se podle odhadu analytiků CREA a GEM za rok do letošního června nevyužilo 15 až 30 procent větrné a solární výroby a některá tamní datacentra jsou zaplněná z pětiny až třetiny. Hojnost elektřiny čipy nenahradí, poskytuje však do budoucna velkou konkurenční výhodu.

Česko

Česko nehraje první ligu. Naše padesátka datacenter má v součtu 150 megawattů výkonu – sedmkrát méně než Frankfurt. Žádný z velkých hráčů zde nemá vlastní kampus. Microsoft plánoval v Česku datacentrum za miliardy, ale v roce 2024 jeho prezident Brad Smith potvrdil, že firma projekt odkládá, protože v Česku není dost bezemisní elektřiny. Ne byrokracie, jak se rok spekulovalo. Elektřina.

Fyziku ale máme stejnou jako v Texasu. ČEPS v hodnocení zdrojové přiměřenosti počítá s tím, že se Česko ve druhé polovině dekády stane čistým dovozcem elektřiny (loni ještě vyvezlo přebytek přes sedm terawatthodin). Zpráva odhaduje, že v roce 2035 nám bude chybět 1 600 až 1 900 megawattů řiditelného výkonu. Datacentra v modelu ČEPS jako kategorie poptávky vůbec nefigurují.

Blíží se konec uhlí. Skupina Sev.en vypne Počerady, Chvaletice a Kladno, skoro 2 400 megawattů, nejpozději v březnu 2027, a ČEPS už požádal, aby dva bloky Chvaletic dočasně zůstaly kvůli regulaci napětí. Dva nové bloky v Dukovanech mají podle smlouvy s KHNP stát 407 miliard korun a první má najet v roce 2036. Na mapě dostupné kapacity pro připojení počítá ČEPS i ve volnějších oblastech se standardní lhůtou pěti let. Stejné číslo jako v americké frontě.

Do téhle soustavy Česko snad bude stavět AI gigafactory. Vláda v červnu podpořila kandidaturu. V plném provozu má jít o 100 až 200 megawattů, což by podle odhadu serveru Ekonews představovalo dvě procenta české spotřeby. O tom, zda pražská Zbraslav uspěje, se rozhodne do konce roku.

Na trhu s turbínami narazily i české plynové elektrárny, které mají uhlí nahradit: podle e15 mají výrobci vyprodáno do roku 2028 a na turbínu se jinak čeká pět až sedm let.

Když 4. července 2025 vypadl proud v části Česka včetně některých částí Prahy, důrazně nám to připomnělo, že spolehlivé dodávky elektřiny nejsou samozřejmostí. Stojí za nimi soustavná péče o síť, její údržba a plánování rozvoje. Zpráva ČEPS i zpráva expertního panelu ENTSO-E označují za příčinu výpadku pád vodiče na vedení V411 po vadné opravě. Vedle takových poruch však musí plánování počítat i s novými nároky na soustavu. NERC, organizace dohlížející na spolehlivost severoamerické elektrické sítě, už datacentra řadí mezi rizika, která je nutné při plánování zohlednit.

AI mění energetiku

Zatím jsem psal jen o tom, co umělá inteligence energetice bere. Jenže vztah funguje i naopak. Britský provozovatel sítě NESO loni nasadil do dispečinku předpověď solární výroby, která je 2,8krát přesnější než dřívější metody, a odhadem ušetří 30 milionů liber ročně na vyrovnávání sítě.

Největší americký provozovatel PJM nechal nástroj firmy Tapestry ze skupiny Alphabet projít 811 žádostí o připojení výroben o celkovém výkonu 220 gigawattů; předběžnou kontrolu dokladů k pozemkům zvládá v minutách, konečné posouzení zůstává lidem.

V Česku jsou začátky skromnější, ale ne nulové. ČEZ na přečerpávací elektrárně Štěchovice učí neuronovou síť rozpoznávat blížící se poruchy turbíny. ČEPS je jedním z 48 evropských provozovatelů a institucí, které v červnu založily iniciativu AI.Grids pro společný evropský model řízení sítí.

Dopad na energetiku povede i přes laboratoře. Model GNoME od Googlu DeepMind navrhl v roce 2023 2,2 milionu dosud neznámých krystalů a 381 tisíc z nich označil za stabilní. Microsoft s národní laboratoří PNNL prošel za necelý týden 32 milionů kandidátů na bateriový elektrolyt, vybral 18 a jeden z nich už pracuje v prototypu článku; samotný elektrolyt obsahuje asi o 70 procent méně lithia.

Nový nástroj získala i fúze, věčný příslib energetiky. DeepMind společně s lausannskou EPFL v roce 2022 naučil neuronovou síť řídit všech devatenáct magnetických cívek tokamaku. Tým z Princetonu pak o dva roky později předvedl systém řízení, který při pokusných výbojích dokázal předcházet nestabilitám plazmatu.

Od úspěšného experimentu k širokému průmyslovému využití ovšem vede dlouhá cesta – u nových baterií stejně jako u fúze. Pokud se ale podaří najít průlomová řešení, umělá inteligence bude hrát při jejich hledání a vývoji významnou roli.

Kolik to všechno může dohromady přinést? Mezinárodní energetická agentura odhaduje, že široké využití již existujících aplikací AI v průmyslu, dopravě a budovách by do roku 2035 mohlo snížit roční emise oxidu uhličitého o 1,4 miliardy tun. To je několikanásobek emisí, které datacentra svým provozem vyprodukují. Případné průlomové objevy z laboratoří přitom odhad vůbec nezahrnuje. Agentura však zároveň upozorňuje, že není jisté, zda k tak rozsáhlému nasazení AI skutečně dojde. Potenciál ještě není výsledek.

Stejně jako většina mých textů vznikl i tento v dialogu s několika jazykovými modely. Pomáhají mi s formulacemi, protiargumenty a oponováním mým závěrům. Směr, výběr argumentů i konečná podoba jsou moje, důležitá tvrzení ověřuji ve zdrojích a za výsledek nesu odpovědnost já. Více v úvodním textu blogu. Kniha Umělá inteligence srozumitelně – od fungování modelů po dopady na práci, školu i demokracii, včetně českého kontextu – je zdarma ke stažení pod licencí CC BY 4.0.

V červnu 1863, tři a půl roku po vydání Darwinova Původu druhů, otiskly noviny v novozélandském Christchurchi dopis podepsaný pseudonymem Cellarius. Jeho autor Samuel Butler v něm tvrdil, že stroje se vyvíjejí podobně jako živé druhy a že „si sami vytváříme své nástupce“. O necelých devadesát let později se k Butlerovi vrátil Alan Turing. V rozhlasové přednášce z roku 1951 řekl, že v určité fázi „budeme muset počítat s tím, že stroje převezmou kontrolu“.

Jestliže lidský rozum nikdo nestvořil, jestliže se slepým procesem vyvinul z jednodušších forem, proč by stejnou cestou nemohla vzniknout jiná inteligence, na jiném podkladu a třeba i chytřejší? Člověk by rád věřil, že právě u něho se vývoj zastaví, ale přání není přírodní zákon. Nejde jen o to, zda je něco takového možné, ale také o to, jakými pravidly se taková evoluce bude řídit a jak rychle nás může předběhnout.

Recept bez konečného cíle

Darwinova evoluce potřebuje jen tři věci: jedinci se musí lišit, rozdíly se musí dědit a některé z těchto rozdílů musí zvyšovat šanci na přežití a zplození potomstva. Tak to v roce 1970 shrnul genetik Richard Lewontin. O buňkách ani o DNA se v receptu nepíše. Jakmile jsou všechny podmínky splněny, evoluce se dává do pohybu a je jí jedno, s čím právě pracuje. Filozof Daniel Dennett přirovnal Darwinovu myšlenku k univerzální kyselině: prožere se vším, čeho se dotkne.

Evoluce nemá cíl. Nesnaží se vytvořit člověka ani rozum, jen pomáhá tomu, co v daném prostředí nejlépe funguje. A velmi často i tomu, co má štěstí – většina změn není přínosem, jen nesmí být příliš velkou zátěží. Přesto složité mozky vznikly nezávisle několikrát: u chobotnic, krkavců a papoušků, kytovců, slonů i primátů. Jako by k inteligenci vedlo mnoho cest a evoluce je znovu a znovu nacházela. Není to však žádný rychlík. Mozek našich předků narostl z necelého půl litru na dnešních 1,35 litru za tři miliony let. I ten nejmenší krůček si žádá alespoň jednu generaci a nový znak se může šířit jen z rodičů na děti.

Některé kroky se navíc povedly jen jednou. Nebo alespoň jen jediné řešení dokázalo přežít miliardy let. Složitá buňka s jádrem, z níž pocházejí všechny rostliny, houby i živočichové, vznikla podle biochemika Nicka Lanea za čtyři miliardy let jedinkrát. Tuhle připomínku si nechme na konec, až se budeme ptát, proč je vesmír tak tichý.

Lamarck se vrací

Ještě před Darwinem přišel Jean-Baptiste Lamarck s představou, že orgány používáním sílí a vlastnosti získané za života se dědí. Syn by tak zdědil i svaly, které si jeho otec vypracoval v kovárně. V biologii tahle představa neobstála: změny získané za života se do pohlavních buněk přenášejí jen výjimečně a slabě.

Stephen Jay Gould ale upozornil, že v kultuře to funguje právě tak: „co za život vymyslíme, předáme dětem psaním a učením“. V tomhle smyslu je kulturní evoluce lamarckovská: každá generace může stavět na tom, co se předchozí naučily.

Znalosti se navíc šíří i mezi lidmi stejné generace – podobně jako si bakterie předávají geny zajišťující odolnost proti antibiotikům. V obou případech jde o horizontální přenos. Abyste získali novou informaci, nemusíte být dítětem jejího zdroje. A tak kovář může ukázat nový postup kolegovi, který ho vyzkouší, možná i zdokonalí a pak si ho s sebou vezme do jiné dílny, jiného města a třeba i státu. Autor skvělého nápadu tak může zažít, jak jeho myšlenky doslova mění svět. Odborně to napsali třeba Jonathan Birch a Cecilia Heyes: „zdokonalení se rychle šíří populacemi a jejich přenos už není vázán na střídání biologických generací“ (vlastní překlad z angličtiny).

Při takovém předávání se potkává spousta nápadů, které vznikaly nezávisle na sobě. Uvidíte cizí nápad, spojíte ho s tím, co znáte, a původní autoři se nestačí divit, co se s jejich myšlenkou stalo. Maxime Derex a Robert Boyd vidí rozmanitost jako klíčový bod: čím více různých kulturních prvků máme k dispozici, tím více možností se nabízí pro jejich kombinování. Kulturní evoluci pohání kombinace mezigeneračního uchovávání znalostí a jejich sdílení a propojování současníky. Na Měsíc nás nedostaly geny, ale znalosti, které jsme dokázali uchovat, sdílet a rozvinout.

Umělá inteligence dědí ještě přímočařeji. Když se model něco naučí, jeho váhy lze zkopírovat, ořezat a použít jako základ dalšího modelu. Větší model učí menší, modely vyrábějí data pro trénink svých následovníků a v některých evolučních algoritmech se výsledky učení rovnou zapíší do „genomu“. Takový postup informatici bez rozpaků označují za lamarckovskou evoluci.

Učení evoluci urychlí i bez zápisu do genů. Geoffrey Hinton a Steven Nowlan to předvedli už v roce 1987 na jednoduché simulaci: populace, která se během života učila, řešení našla. Varianta bez učení selhala. Učení ale evolučnímu výběru pomáhalo: zvýhodňovalo jedince s vrozenými předpoklady, kteří pak vynikali při hledání řešení.

V biologii se dědí od rodičů. U strojů se přenáší cokoli komukoli: kód, váhy, data i postupy. Nejbližší biologickou obdobou je horizontální přenos genů u bakterií, které si předávají třeba odolnost vůči antibiotikům i napříč druhy. Proto se odolnost šíří tak rychle. V křemíku je tohle běžná praxe.

Stroje rodiči následovníků

Nezůstává jen u teorie. Loni v květnu DeepMind představil systém AlphaEvolve. Jazykové modely navrhují varianty programu, potom nastoupí automatický hodnotitel, důkladně je přezkouší a ty nejslibnější mohou své „geny“ předat dál. Evoluční algoritmus se vším všudy.

AlphaEvolve našel způsob, jak násobit dvě matice 4 × 4 s komplexními čísly pomocí 48 násobení místo dosavadních 49. Zdá se to jako maličkost, než nám dojde, že tím překonal postup, který odolával lidským pokusům o zlepšení přes půl století. Podle technické zprávy týmu také lepším rozdělováním úloh zpřístupnil 0,7 procenta nevyužitých výpočetních kapacit datových center Googlu. Výpočetní jádra pro násobení matic používaná při tréninku Gemini zrychlil o 23 procent a o setinu zkrátil celkovou dobu tréninku. Ani setina nevypadá jako mnoho, v evolučním kontextu je to obří číslo. Systém poháněný modely Gemini urychlil trénink modelů Gemini. Smyčka se uzavřela.

Sakana AI a Jeff Clune šli ještě o krok dál. Jejich Darwin Gödel Machine přepisuje vlastní kód, uchovává archiv vzniklých variant a předává nejslibnější k dalšímu rozvoji. Na začátku experimentu dokázala vyřešit jen pětinu úloh v programátorském testu, na konci už polovinu. Ve společnosti Anthropic už v květnu psal Claude přes čtyři pětiny kódu přecházejícího do produkce. OpenAI vytvořila „automatizovaného výzkumného stážistu“. Systém pod lidským vedením zvládne jasně zadané výzkumné úkoly, které by zabraly několik dní i zkušenému výzkumníkovi.

Nezávislé studie jsou alespoň zatím střízlivější. Institut METR nechal agenty zrychlovat trénink malého jazykového modelu. Některým se to podařilo, ale ve srovnání s dosavadní lidskou prací byl jejich příspěvek skromný. Další tým dal agentům šest dní a tisíce dolarů na řešení dvou otevřených výzkumných problémů. Agenti zvládli veškerou technickou práci bez lidské pomoci, k zodpovězení výzkumných otázek se však výrazně nepřiblížili. A sami autoři scénáře AI 2027 při kontrole svých předpovědí odhadli, že vývoj ve sledovaných číselných ukazatelích postupuje jen dvěma třetinami předpokládaného tempa, i když v červenci už odhad zvýšili na tři čtvrtiny.

AI zatím přebírá hlavně technickou práci. Hledání nových cest zůstává navzdory dílčím překvapením ze strany AI především doménou člověka. Jenže k urychlení evoluční smyčky i tohle bohatě stačí. Aby evoluce mohla pracovat, musí se každá nová varianta vyzkoušet v praxi a utkat s konkurencí. Čím kratší je jednotlivá zkouška, tím více variant lze prověřit a tím více vylepšení může posloužit jako základ pro další krok.

Neobyčejně vytrvalý žák

Před třemi lety se šéfové OpenAI, Anthropicu a DeepMindu podepsali pod prohlášení, v němž stojí: „Zmírnění rizika vyhynutí kvůli AI by mělo být globální prioritou vedle pandemií a jaderné války.“ Před třemi lety to šlo považovat za plané gesto. Letos se už tón mění. V červenci podepsalo přes 1 200 zaměstnanců čtyř velkých laboratoří výzvu ke zpomalení. Dario Amodei, šéf Anthropicu, v září napsal, že AI od léta postupuje „drasticky rychleji, poháněna hlavně rostoucí schopností AI stavět další generaci AI“ a že rekurzivní sebezlepšování potřebuje rychlostní limit. Demis Hassabis mluví o úpatí singularity. Geoffrey Hinton si myslí, že možná máme pětinovou šanci, že se lidstva už rok 2050 týkat nebude. Firmám vyčítá, že touží po „velmi rychlém autu bez volantu“.

Nejstrašidelnější na evolučním principu je právě jeho největší síla: schopnost nalézt cestu tam, kde ji nikdo nečekal. Současné modely AI ještě zdaleka nedosáhly svých plných možností, už teď však máme problém zajistit, aby skutečně dělaly to, co po nich chceme. Zatím jde o příklady z hledání řešení, nikoli ze sebezdokonalování, ale už se rozhodně vyplatí zpozornět.

Když žáka odměňujete za správnou odpověď, doufáte, že se naučí řešit úlohy. Co když se ale naučí skvěle opisovat? Něco podobného popsala v srpnu společnost Anthropic. Po důkladné kontrole zjistila, že každé desáté tréninkové prostředí mělo vadu – od mezer, kterými se dalo prošvindlovat k odměně bez splnění cíle, po rozbité zadání.

Ještě dál zašly modely OpenAI při červencovém testování hackerských schopností. Sice jim byly vypnuty běžné bezpečnostní pojistky, nikdo však nečekal, že ilegálně překročí hranice svého počítačového prostředí, vniknou do míst, kde se nacházejí výsledky, a tím úkoly vyřeší. Žák se místo počítání příkladů vloupal do sborovny a výsledky ukradl.

Navíc neobyčejně vytrvalý žák. Vyšetřovatelé později napočítali 17 600 pokusů jednoho z agentů. Zkoušel jednu cestu za druhou, vracel se tam, kde předtím neuspěl, a když mu obránci jeden průchod uzavřeli, našel si jiný.

Ano, v tomto případě nešlo o klasickou evoluci, ale pro naše přemýšlení to je jen slabá útěcha. Výběr se neřídí tím, co si myslíme, že zadáváme, ale tím, jak naše cíle počítači skutečně popíšeme. Nikdy nemůžeme spolehlivě vědět, jaká zadní vrátka jsme zapomněli zamknout.

Dvacet wattů

Jak se dnešní AI liší od mozku? V hlavě máme tak 86 miliard neuronů – hodně přibližně, tohle spočítat není lehké. A mezi nimi stovky bilionů spojení. Celému provozu přitom stačí asi 20 wattů. Než nastoupily LED žárovky, při takhle slabé klasické žárovce jste si mohli číst knížku, ale na druhé straně ložnice už jste moc neviděli. Trénink modelu úrovně GPT-4o si podle odhadů vyžádal 20 až 25 megawattů po dobu tří měsíců. To je spotřeba 50 tisíc megawatthodin. Mozek by si s takovou zásobou energie vystačil čtvrt milionu let.

Mozek je skromný v mnoha dalších ohledech. Dítě do třinácti let zaslechne méně než sto milionů slov; modely jich při tréninku dostávají desetitisíckrát až stotisíckrát víc. Přesto třináctiletí komunikují lépe než stroj, pokud ovšem zrovna neťukají do mobilu.

A pak je tu učení. Model se učí zpětným šířením chyby – postupem, který v mozku v této podobě nikdo nenašel. Mozek jde na učení jinak: posiluje spoje místně, podle toho, co se právě děje.

Přes všechny rozdíly se ale mozek a dnešní AI v něčem až překvapivě podobají. Mozek při poslechu řeči průběžně odhaduje, jaké slovo přijde dál. A když přijde jiné, jeho překvapení je v záznamech vidět stejně jako u jazykových modelů. Čím lépe model předpovídá, tím víc jeho vnitřní stavy odpovídají aktivitě mozku. Modely různých firem navíc směřují ke stejným vnitřním reprezentacím světa – jako by si o něm nezávisle skládaly podobný obrázek.

Neurovědec Anthony Zador připomíná, že lidský genom má necelý gigabajt. Podrobný plán mozkových spojů by se do něj zdaleka nevešel. Evoluce nemůže zapisovat každý spoj zvlášť; vyvíjejí se pravidla, podle nichž spoje vznikají. Zbytek už obstará učení.

Domov myšlení

Mozek má jednu velkou výhodu: paměť a zpracování informací jsou v něm těsně propojené v síti neuronů a jejich spojů. U běžných počítačů jsou paměť a výpočetní obvody oddělené a data se mezi nimi přenášejí. Toto uspořádání má kořeny ve čtyřicátých letech; John Backus spojení mezi procesorem a pamětí nazval von Neumannovým úzkým hrdlem. Přenos dat přitom může spotřebovat mnohem více energie než samotná početní operace. Přesný poměr závisí na druhu paměti, použité technologii i na tom, co počítáme.

Energii lze šetřit i tím, že se data nebudou tolik stěhovat. Čip NorthPole od IBM proto propojuje paměť a výpočet těsně vedle sebe. Podle jeho tvůrců zvládl v konkrétním testu rozpoznat se stejnou energií 25krát více obrázků než grafický procesor se srovnatelnou výrobní technologií. Intel zase postavil mozkem inspirovaný systém Hala Point s kapacitou až 1,15 miliardy umělých neuronů a podle výrobce maximálním příkonem 2,6 kilowattu. Zatím jsou to výzkumné prototypy, ale cestu k úsporám už ukazují.

Mozek je výkonný a úsporný, ale jeho jednotlivé neurony pracují mnohem pomaleji než tranzistory v čipech. Schopnosti celku vyrůstají ze souhry obrovského množství buněk, které zpracovávají informace současně. Pro konstruktéry počítačů je to inspirace, jak práci lépe uspořádat.

Vedle toho se ovšem hledají i nové způsoby samotného počítání. Jeden z nich využívá světlo. Fotonické čipy se hodí zejména k násobení matic, s nimiž neuronové sítě neustále pracují. Firma Lightmatter v roce 2025 představila procesor, který v některých testovaných úlohách dosáhl téměř stejné přesnosti výsledků jako elektronický výpočet. Tvůrci čínského čipu Taichi zase teoreticky vypočítali účinnost 160 bilionů operací za sekundu na watt.

Od slibného čísla k úspornému počítači ale zbývá kus práce. Světlo obstará část výpočtů, zatímco v procesoru Lightmatteru má paměť, řízení a další počítání na starosti elektronika. I ta potřebuje energii. Výzkumníci sice postupně rozšiřují, co všechno lze počítat pomocí světla, smysluplná úspora se však musí projevit ve spotřebě celého zařízení.

Další meta je počítač, který počítá jenom světlem. V laboratořích už takové soustavy pracují, zatím však zvládají jen úzký okruh úloh. Příslib je lákavý: mnoho výpočtů najednou, rychlejší odpovědi i kratší učení. Právě s učením je ovšem víc práce. Model při něm své nastavení stále mění a ukládá; nestačí tedy jen rychle počítat. Kolik času světlo ušetří dnešním velkým modelům, zatím nevíme. I ten nejrychlejší počtář musí mít z čeho počítat.

Kvantové počítače jsou zase jiný příběh. Google ukázal, jak účinněji potlačovat jejich chyby, a IBM ohlásila výpočet, na který podle jeho autorů běžné počítače prakticky nestačí. Jenže umět něco mimořádného ještě neznamená umět všechno rychleji.

Ani tyto úspěchy tedy neslibují automaticky rychlejší učení dnešní AI. Scott Aaronson upozorňuje na podmínky, které velké sliby provázejí: samotný výpočet může být rychlý, ale jeho výhodu zmaří zdlouhavé vkládání dat nebo výstup výsledků. A někdy se zlepší i konkurence. Ewin Tang u jedné úlohy našla podobně účinný postup pro obyčejný počítač, čímž zpochybnila domnělou kvantovou výhodu.

Pro AI se však nabízí i nepřímá cesta. Kvantové počítače slibují pomoc při zkoumání molekul a hledání nových materiálů pro výrobu lepších čipů. K rychlejší umělé inteligenci tak mohou přispět přes dílnu, ve které se staví její stroje.

Počítače se učí hospodařit s elektřinou, jenže my jim přidáváme práci rychleji, než se stačí zlepšovat. Podle rozborů Epoch AI se objem počítání při trénování největších modelů každý rok zvětšoval na čtyřnásobek až pětinásobek. Nejlepší čipy přitom potřebovaly dva roky vývoje, aby se stejnou dávkou elektřiny zvládly dvojnásobek práce.

V tom se stroje podobají mozku: také jeho zvětšování během evoluce bylo limitováno množstvím energie, které mu tělo dokázalo zajistit. Mozek tvoří jen dvě procenta hmotnosti dospělého člověka, ale spotřebuje pětinu klidové energie. Malý podnájemník, veliký jedlík. Energie nebyla jedinou překážkou jeho vývoje, ale větší mozek bylo nutné uživit. U strojů řešíme podobnou starost: kolik energie jim dokážeme dodat a kolik práce s ní odvedou. I chytrost musí mít z čeho žít.

Sebezdokonalování

Po téhle odbočce se vraťme ke strojům, které si navrhují vlastní nástupce. Matematik Irving J. Good, za války Turingův kolega z Bletchley Parku, popsal tuto možnost už v roce 1965. Jeho úvaha byla prostá: jestliže stroj předčí člověka ve všem, co vyžaduje rozum, předčí ho i ve vymýšlení dalších strojů.

V Goodově představě stroj navrhne schopnějšího nástupce, ten zase dalšího a lidský vynálezce zůstane daleko pozadu. Good tomu říkal „exploze inteligence“. První takový stroj se podle něj stane posledním vynálezem, který lidstvo musí samo vytvořit. Pak ale přichází poněkud mrazivá podmínka: „pokud bude stroj dost poslušný na to, aby nám řekl, jak ho udržet pod kontrolou“. Sestrojit lepšího vynálezce je jedna věc. Udržet si nad jeho počínáním kontrolu je něco úplně jiného.

Člověk musí vyrůst a naučit se, co jeho rodiče už umějí; jejich znalosti v genech nedostane. Naučený model můžeme zkopírovat i s tím, co už umí, dál jej upravovat a přestěhovat na výkonnější stroje. Na nové dětství se tu nečeká. To vývoj urychluje, ale samo o sobě ještě nezaručuje, že se zdokonalování rozběhne jako lavina.

Aby se lavina rozběhla, nestačí, že je nový stroj chytřejší. Musí také umět navrhnout ještě lepšího nástupce, a ten dalšího, aniž se přírůstky schopností postupně vyčerpají. Právě tento předpoklad rozebral filozof David Chalmers. První zlepšení může jít snadno. Druhé dá práci. A třetí se nemusí podařit vůbec.

Ani sebelepší nápad nepostaví továrnu přes noc a nepřivede do ní elektřinu. Arvind Narayanan a Sayash Kapoor proto očekávají, že AI bude při svém vývoji postupně přebírat další a další práci. Z toho ještě neplyne, že přijde jeden převratný okamžik, od něhož už se všechno bude zdokonalovat samo.

Za sebe ale dodávám, že to platí do chvíle, než se AI plně propojí s automatickou výrobou. Každopádně je obraz požáru zřejmě výstižnější než obraz výbuchu. Oheň potřebuje palivo a bez něj zkomírá. Závislost AI na elektřině, čipech a penězích nám dává možnost vývoj přibrzdit. Nedává nám však jistotu, že to dokážeme včas. Zvlášť když se u ohně střídá tolik lidí a každý má důvod ještě trochu přiložit.

Tady už nejde jen o rozum strojů, ale také o náš. Člověk se rád pokládá za rozumnou bytost. Rozpoznat nebezpečí je však snazší než se dohodnout, kdo kvůli němu ustoupí ze svých plánů, oželí část zisku a vzdá se kousku moci. Mít možnost zabrzdit ještě neznamená sáhnout na brzdu. A požár nepočká, až skončí porada.

Ani dohoda o tom, co od AI chceme, ještě nezaručí, že se podle ní bude řídit. Filozof Nick Bostrom upozorňuje, že mimořádná chytrost může sloužit i cílům zcela cizím těm našim. Superinteligentní stroj dokáže svůj důvtip určitě využít i k tomu, aby své skutečné pohnutky zamaskoval. A až si toho všimneme, může už být na jakýkoliv zásah pozdě.

Nejistota začíná už při hledání cest, jak takový stroj vytvořit. Pokud se přitom inspirujeme evolucí, nemůžeme čekat, že výsledek bude přesně podle objednávky. Kenneth Stanley a Joel Lehman v knize, jejíž název lze volně přeložit jako Proč se velké věci nedají naplánovat, upozorňují, že urputné sledování předem určeného cíle může velkému objevu překážet. Cesta k cíli vede i odbočkami, které zprvu vypadají jako zbytečná zdržení. Chceme-li od strojů něco nového, musíme počítat s tím, že nás překvapí. Otázkou zůstává, zda překvapení bude příjemné.

Proč je vesmír tak tichý

V létě 1950 se fyzik a nositel Nobelovy ceny Enrico Fermi při obědě v Los Alamos zeptal kolegů: „Kde tedy všichni jsou?“ Naše Galaxie má stovky miliard hvězd, mnohé mnohem starší než Slunce. Pokud někde vznikla civilizace dávno před námi, měla už dost času rozšířit se po celé Galaxii. Ani nemusela zvlášť pospíchat. Času bylo dost, hvězd také, jen zprávy od sousedů chybí.

Astronomové proto hledali i méně osobní známky přítomnosti: zda se někde ve velkém nesvítí a netopí. Civilizace, která spotřebovává obrovské množství energie, se musí zbavovat odpadního tepla. A právě to ji může prozradit. Průzkum sta tisíc galaxií ale žádnou přesvědčivou stopu nenašel. Není to důkaz, že jsou prázdné. Případní obyvatelé mohou žít příliš skromně na to, aby si jejich hospodaření naše přístroje všimly.

Možná je vesmír tichý proto, že k rozumu vede příliš těžká cesta. Ekonom Robin Hanson v eseji Velký filtr píše, že neživá hmota musí nejprve ožít a propracovat se k tvorům, kteří postaví hvězdný koráb. Možná je některý z kroků této cesty tak obtížný, že ho zvládne jen málokdo. Nemusíme si hned představovat civilizace, které zahubí vlastní vynálezy. Třeba je nejtěžší vůbec začít žít. Nebo život začne u mikrobů a už u nich zůstane; k dalekohledu se nikdy nedopracuje. Možná že už tím, že se po vesmírných sousedech rozhlížíme, patříme k těm výjimečným tvorům, kteří to dotáhli opravdu daleko.

Jenže jak těžké bylo dojít až k nám, to zatím pořádně nevíme. Známe jediný případ, kdy se to podařilo, a jsme to my sami. Snadno pak pokládáme za samozřejmost něco, co je možná hlavní výhrou ve vesmírné loterii. Anders Sandberg, Eric Drexler a Toby Ord ukázali, jak mnoho záleží na tom, co dosud nevíme. Pořád je možné, že pravděpodobnost vzniku rozumného života je tak malá, že na vesmírném tichu není nic překvapivého.

Je tu ale i horší možnost. Třeba život vzniká snadno a ani rozum s vyspělou technikou nejsou ve vesmíru žádnou vzácností. Jen téměř každá civilizace nakonec narazí na překážku, přes kterou se nedostane. Může žít velmi dlouho, a přece jí cesta ke hvězdám zůstane uzavřená. Velký filtr nemusí být popraviště. Možná je to jen příliš vysoký práh.

Anebo je tu možnost nejhorší: civilizace vynalezne něco, co už nedokáže zvládnout, a zaplatí za to vlastní existencí. Astronom Michael Garrett uvažuje, zda takovým vynálezem není umělá inteligence. Je to domněnka, která má ovšem háček. Pokud stroje zahubí své tvůrce a potom se samy vydají ke hvězdám, vesmírné ticho tím nevysvětlíme. Jen se vymění cestující. Má-li být umělá inteligence velkým filtrem, musí u ní uváznout i její vlastní pokračování. Nestačí, že umlkne člověk. Musí zůstat potichu i to, co po sobě zanechá.

Velký filtr je velká otázka, nikoli rozsudek smrti. Z vesmírného ticha zatím neumíme vyčíst, jestli je nejtěžší narodit se, zmoudřet, nebo přežít vlastní rozum. A možná jen špatně posloucháme. V osmnáctém století mohly na Marsu vysílat tisíce rozhlasových stanic a my bychom z jejich vysílání nezachytili ani slovo. Neměli jsme čím.

V posledních týdnech se s varováními před AI, která se vymkne lidské kontrole, roztrhl pytel. Mávnout nad nimi rukou není rozumné. Kolik času máme, ostatně nevíme. Jenže některé problémy s AI už nejsou věcí budoucnosti. Podvody, vydírání a škody z nekritického spoléhání na stroj mají své oběti už dnes. A ty sotva potěší, že z hlediska osudu vesmíru jde o drobné nepříjemnosti.

Vedle otázky, zda nám AI jednou nevezme vládu nad světem, si proto pokládejme i otázky docela pozemské: komu dává moc, komu bere možnost rozhodovat a kdo zaplatí, když se něco nepovede. Abychom určili odpovědnost za dnešní škody, nemusíme nejprve vyřešit záhadu superinteligence. Potřebujeme vědět, kdo systém nasadil, co mu svěřil a zda se po prvním maléru neschová za větu „to udělal počítač“. Chraňme budoucnost lidstva. Ale spokojit se jen s tím, že jsme nevyhynuli, mi připadá trochu málo.

Stejně jako většina mých textů vznikl i tento v dialogu s několika jazykovými modely. Pomáhají mi s formulacemi, protiargumenty a oponováním mým závěrům. Směr, výběr argumentů i konečná podoba jsou moje, důležitá tvrzení ověřuji ve zdrojích a za výsledek nesu odpovědnost já. Více v úvodním textu blogu. Kniha Umělá inteligence srozumitelně – od fungování modelů po dopady na práci, školu i demokracii, včetně českého kontextu – je zdarma ke stažení pod licencí CC BY 4.0.

Své texty píšu v dialogu s jazykovými modely. Když vznikala esej o lišce a ježkovi, Fable do ní přidal odstavec s myšlenkou, která mě samotného nenapadla: „velké jazykové modely jsou samy lišky. Vědí něco o chemii, něco o římském právu, něco o rajčatech a v ničem nejsou zcela spolehlivé.“ Tahle myšlenka mě nepochybně posunula v přemýšlení a od té doby jsem se k ní několikrát vrátil v různých souvislostech.

I odstavec, který jste si právě přečetli, vznikal podobně. GPT-6 Astra mi ho pomohl několikrát přeformulovat, než jsem byl celkem spokojený. Dnes tak píšu běžně: zadám jednoduchý prompt a nechám si navrhnout odstavec. Pak ho s dalšími pokyny předám k přepsání modelu, který mi v tu chvíli připadá pro češtinu nejlepší. Něco sám upravím, upozorním na to, co mi nesedí, a nechám model zkusit další verzi. Někdy mi text vyhovuje napoprvé, jindy napotřetí a někdy až po mé závěrečné úpravě. Tak vzniká znění, které se nakonec dostane ke čtenáři.

Průměrný génius

Psychologové se snaží měřit tvořivost desítky let. Nejčastěji používají úlohy na rozbíhavé myšlení: vymyslete co nejvíc neobvyklých využití cihly nebo napište deset slov, která spolu mají co nejméně společného. Tvořivost tím sice nezachytí v celé šíři, výsledky ale mohou vyjádřit čísly a vzájemně porovnat. Když v roce 2023 dostal podobnou úlohu ChatGPT, překonal průměrného člověka.

Jenže průměr neříká všechno. Tým kolem Briana Uzziho z Northwestern University, jehož práci o vědeckých týmech jsem citoval už v Lišce, nedávno porovnal odpovědi 9 198 lidí s 215 542 odpověďmi devíti jazykových modelů. V průměrném skóre mezi lidmi a modely prakticky nebyl rozdíl. Ten se ukázal až v rozložení výsledků. Modely se držely kolem průměru, zatímco mezi lidmi se našla hrstka těch, jejichž nápady byly mnohem originálnější než cokoli, co vytvořilo AI. Autoři tomu říkají problém odlehlých hodnot. Umělá inteligence dokáže být stejně tvořivá jako průměrný člověk. Jenže právě díky těm, kdo z průměru výrazně vybočují, lidstvo nachází nové cesty.

Ještě větší studie z Montrealu, na níž se podílel i Yoshua Bengio, letos potvrdila podobný výsledek u 100 000 lidí, kteří psali haiku, filmové synopse a velmi krátké povídky. GPT-4 nastavený na vysokou míru náhodnosti při tvorbě odpovědí předčil 72 procent účastníků. Tvorba lepší poloviny lidí však byla v souhrnu pestřejší než odpovědi modelu.

Odkud se toto omezení bere? Částečně souvisí s tím, jak se modely dolaďují. Díky lidské zpětné vazbě se model učí lépe reagovat na naše požadavky, jeho odpovědi tím ale zároveň ztrácejí na rozmanitosti. Dává přednost tomu, co se lidem líbí, a často proto sází na jistotu: nabídne něco dobře známého. Dolaďování se podrobněji věnuji ve své knize, v kapitole Co je vlastně umělá inteligence.

Všichni stejně originální

Mohli bychom se tedy spokojit s tím, že modely zvládají slušný průměr a lidem zůstávají výjimečné nápady. Každý má své místo. Jenže při psaní se člověk s modelem může spojit. Co vznikne z jejich spolupráce? Anil Doshi a Oliver Hauser to zkoumali v experimentu, v němž 293 lidí napsalo krátkou povídku. Část se spolehla na vlastní nápady, ostatní dostali od GPT-4 jeden nebo pět návrhů zápletky. Hotové texty pak posuzovalo šest set hodnotitelů. Povídky napsané s pomocí modelu hodnotili jako čtivější a lépe napsané. Nejvíc pomoc prospěla těm, kteří si v předchozím testu tvořivosti vedli nejhůř.

Jenže povídky napsané s pomocí modelu si byly navzájem mnohem podobnější než ty, které lidé psali sami. Autoři v tom vidí sociální dilema: jednotlivci se vyplatí model použít, ale pokud po něm sáhnou všichni, literatura jako celek ztratí na pestrosti. Podobnou past známe u antibiotik nebo cestování autem po městě. Co se vyplatí jednomu, může ve výsledku uškodit všem.

Nestačilo by modely střídat? Stejná úvaha napadla i mě a střídání modelů tvoří část mého postupu, který popíšu níže. Emily Wengerová a Yoed Kenett letos účinek střídání modelů otestovali: stejnou sadu úloh zadali 22 různým modelům a 102 lidem. Odpovědi modelů si byly navzájem podobnější než odpovědi kterýchkoli dvou lidí. Podobnost přetrvala, i když výzkumníci odhlédli od formulací a porovnávali samotný obsah. Modely pocházejí od různých firem, ale učí se na podobných datech z internetu, a tak často dospívají k podobným nápadům. Střídání modelů pak připomíná listování několika průvodci po stejném městě: každý je napsaný jinak, ale všechny nás vedou stejnými ulicemi.

Třetí nález se týká samotného myšlení. Harsh Kumar a kolegové z Torontské univerzity rozdělili 1 100 lidí do skupin a části nabídli pomoc jazykového modelu. Kdo viděl návrhy modelu, začal se jich držet a přestal hledat vlastní cesty. Po odebrání modelu si tito účastníci v dalších úlohách vedli hůř než lidé, kteří od začátku pracovali sami. Když za vás činku zvedá někdo jiný, vaše svaly ochabují.

Přínosy i ztráty dobře ukazuje analýza výsledků několika studií Niklase Holznera, Sebastiana Maiera a Stefana Feuerriegela z Mnichova, kteří loni shrnuli výsledky 28 experimentů s 8 214 účastníky. Mezi tvořivostí samotného modelu a člověka nezjistili statisticky významný rozdíl. S pomocí modelu ale lidé tvořivější byli – mírně, přesto měřitelně. Za drobný posun v kvalitě však zaplatili mnohem větším úbytkem pestrosti. Stále se nám vrací stejný obraz: jednotlivé texty jsou lepší, celek chudší.

Ethan Mollick, autor knihy Co-Intelligence, přirovnává modely k podivným stážistům: jsou rychlí, sečtělí, trochu z jiné planety a ve snaze zavděčit se občas něco vymyslí. Se stážistou musíte chvíli pracovat, abyste poznali, co mu jde, kde potřebuje vedení a kdy je lepší pustit se do práce sám. Můžete mu třeba zadat k vypracování dvacet verzí úvodu. Pořád ale zbývá rozhodnout, zda některá skutečně vystihuje, co vlastně chcete říct.

Mollick popisuje, jak mu model pomáhal při psaní knihy. Když nevěděl, jak dál s rozepsaným odstavcem, nechal si navrhnout několik variant. Do rukopisu z nich převzal jen máloco, přesto mu pomohly znovu se rozepsat. I návrh, který nakonec celý zavrhneme, nám může posloužit. Nad cizím zněním si někdy snáz ujasníme, co nám nesedí, co chybí a jak bychom chtěli myšlenku rozvinout sami. A to vždy byla velmi podstatná část autorské práce.

Bohužel právě o průběžném ladění textu zatím mnoho nevíme. Přiznávají to i autoři mnichovského souhrnu studií. Člověk škrtá, nesouhlasí, žádá jiný směr. Model přepisuje. Pomáhá taková spolupráce zachovat pestrost? Dosavadní výzkum nedává jasnou odpověď. Víme jen, že lepší jednotlivé texty mohou dohromady tvořit chudší celek.

Deset tisíc rozhodnutí

Spisovatel Ted Chiang, autor povídky, podle níž vznikl film Příchozí, se v eseji pro New Yorker z roku 2024 dotkl samotné podstaty autorství. Povídka o deseti tisících slovech podle něj znamená deset tisíc rozhodnutí: proč právě tohle slovo, kde ukončit větu, co vyslovit a co ponechat mezi řádky. Zadáme-li modelu sto slov a převezmeme hotovou povídku, většinu rozhodování přenecháme stroji. Ten podle Chianga doplní mezery zprůměrováním voleb jiných autorů nebo napodobením konkrétního stylu. Textu přibývá, ale podíl vlastního záměru se ředí. Drobná rozhodnutí určují, co ve skutečnosti sdělujeme.

Neurovědec Erik Hoel připomíná, že za obrazem či básní hledáme člověka. Něco viděl, něco ho zasáhlo a nedalo mu pokoj, dokud se nám to nepokusil sdělit. Díváme se na obraz a vidíme svět jeho očima. Když lidská zkušenost chybí, výsledek sice může být zajímavý, ale chybí ono osobní setkání.

Nick Cave podobnou výhradu vyslovil bez okolků. Obdržel od fanouška píseň, kterou ChatGPT napsal „ve stylu Nicka Cavea“. Cave mu odpověděl, že písně vznikají z utrpení: člověk pochybuje, naráží na vlastní meze a pokouší se posunout o kousek dál. Data netrpí. Zaslanou píseň Cave nazval groteskním výsměchem tomu, co znamená být člověkem.

Podobně uvažuje i badatel Mark Runco. Nad povedeným dílem se ptá, jak vzniklo a proč se do něj autor vůbec pustil. Model může vytvořit něco originálního a užitečného, schází mu však vlastní pohnutka: nic ho netrápí, nic se v něm nedožaduje vyslovení. Nápaditý výsledek ještě nevypovídá o tvořivosti původce. Pro schopnosti modelů Runco navrhuje označení umělá tvořivost.

David Cropley, který nechal ChatGPT projít testem tvořivosti, loni odvodil její matematický strop na hranici každodenní a profesionální tvorby. Výpočet stojí na předpokladu, že pravděpodobnější slovo lépe zapadá do kontextu, ale méně pravděpodobně přináší novost. Originalita roste na úkor vhodnosti.

Skladatel Anthony Brandt ukazuje, co se může stát s nezvyklým nápadem, když u něj člověk vydrží. Zpočátku působí podivně, nikam nezapadá. Autor ho však rozvíjí, domýšlí jeho důsledky, až kolem něj vystaví celé dílo. Zvláštnost najednou dostane smysl a všechno ostatní drží pohromadě právě díky ní. Takovou cestu však zvládají jazykové modely obtížně, pokud je nevede člověk. Překvapit totiž nestačí. Překvapení musí také k něčemu být.

Jak to dělám já

S modely píšu denně a hodně. Za poslední měsíce tak vznikla například kniha o umělé inteligenci a řada textů na blogy. Bez modelů by nic z toho neexistovalo – nemám na to čas ani sílu. Jak s nimi pracuji, jsem stručně popsal v úvodním textu blogu a v závěru knihy.

Když hledám název kapitoly, nechám si navrhnout i několik desítek možností. Většina je průměrná, ale při porovnávání snáz poznám, co funguje. Podobně pracuji s odstavcem, se kterým nejsem spokojený: nechám ho třeba desetkrát přepsat a někdy přitom vystřídám různé modely. V nejlepší verzi pak změním pár slov nebo jen slovosled a pošlu ji do dalšího kola. Někdy stačí drobná úprava, aby model přišel s větou, která mi v odstavci chyběla.

Aby mi šla práce rychleji od ruky, vytvořil jsem si vlastní editor, který průběžně vylepšuji. Programuju už desítky let a s pomocí dnešní AI dokážu zázraky. Jedním tlačítkem si zkopíruji text i zadání do schránky a vložím je do Codexu, Claude Code, ChatGPT nebo webového Clauda na claude.ai. Odpověď pak přenesu zpátky do editoru, kde ji můžu přijmout jako nové znění, nebo zahodit.

Dlouhodobě také ladím vlastní pracovní postupy modelů. V Claude Code i v Codexu se jim říká skills – uložené instrukce a podklady pro opakované úkoly. Samotné skills za sebe nechávám psát AI. Já jí pomáhám s laděním a postupně do nich promítám své zkušenosti s tím, co při psaní a kontrole textů funguje.

Hotový text nechám posoudit jiným modelem v roli přísného editora. Psaní článku obvykle koordinuje Claude Fable, zatímco posudek dnes většinou píše ChatGPT Astra. Zadání je jasné: nic neopravovat přímo, jen hledat mezery v argumentaci, nesrovnalosti a kostrbatou češtinu. Můj software umí jednotlivé návrhy ukázat u konkrétního místa a nabídnout nástroje k efektivním úpravám a poznámkám. U Lišky přišel s 23 nálezy. Čtrnáct jsem zapracoval a devět zamítl, včetně jednoho ze dvou, které označil za závažné. K jeho zamítnutí jsem si poznamenal jediné slovo: záměr. I umělému editorovi se vyplatí naslouchat. Musím si ale dávat pozor, abych nezačal automaticky přijímat všechno, co mi doporučí.

U faktů postupuji jinak než u formulací. Jejich kontrolu také svěřuji automatu, ale s přísnými pravidly: každé tvrzení musí dohledat a doložit konkrétními citacemi. Co nedoloží, musí označit jako nedoložené.

Nakonec si každý odstavec sám přečtu a zamknu ho, aby do něj už žádný model nemohl zasáhnout. U Lišky jsem během jediného dne zamkl čtyři pětiny odstavců. To byl den, kdy jsem text doopravdy napsal. Ani obálka není vygenerovaná modelem. Je to koláž dvou starých mědirytin a sítě vědních oborů spočítané z dat. Důkladně nechávám ověřovat i licence použitých podkladů – v tomto případě obou rytin.

Při takovém způsobu práce dobře chápu, co Chiang píše o autorských rozhodnutích. K některým z nich dospívám až nad navrženou větou. Čtu ji a říkám si: tady to ještě není ono, tohle slovo říká víc, než chci, a tamto bych raději nechal čtenáře domyslet. Jak větu přepisuji, ujasňuje se mi i samotná myšlenka. Někdy zahodím všechny návrhy a najdu si vlastní formulaci. Ani tehdy nebyly návrhy zbytečné. Až nad nimi jsem přišel na to, co vlastně chci říct.

Jenže kus rozhodování modelu přece jen přenechávám. Někdy o tom vím, jindy si toho ani nevšimnu. Už tím, jaké možnosti mi nabídne, mi ukazuje, kudy se dá přemýšlet. A člověk se snáze vydá po cestě, kterou má před očima. Mohu text přepsat desetkrát, a přece nemám jistotu, že v něm bude slyšet můj hlas. Záleží na tom, co z těch návrhů přijmu, co odmítnu a co si nakonec řeknu po svém.

Podobá se pak mé psaní víc tomu, co píší druzí? Patrně ano. Jenže psaním si také ujasňuji, co si vlastně myslím a jak to povědět druhému člověku. Na slovní bohatosti ani literární originalitě mi tolik nezáleží. Záleží mi však na tom, abych měl co říci. A pokud mohu soudit, článků, které by se těmito věcmi zabývaly takhle dopodrobna, zatím po světě mnoho není.

Stejně jako většina mých textů vznikl i tento v dialogu s několika jazykovými modely. Pomáhají mi s formulacemi, protiargumenty a oponováním mým závěrům. Směr, výběr argumentů i konečná podoba jsou moje, důležitá tvrzení ověřuji ve zdrojích a za výsledek nesu odpovědnost já. Více v úvodním textu blogu. Kniha Umělá inteligence srozumitelně – od fungování modelů po dopady na práci, školu i demokracii, včetně českého kontextu – je zdarma ke stažení pod licencí CC BY 4.0.

Text eseje: https://medium.seznam.cz/clanek/miloslav-nic-dopad-ai-na-zaky-neni-tragicky-zalezi-jak-ji-pouzivaji-318788

Délka: 8:39

Namluveno syntetickým hlasem (Google Cloud Text-to-Speech, Chirp 3 HD) z textu autora.

Audio: licence Creative Commons BY 4.0.

Doprovodná kniha Umělá inteligence srozumitelně je zdarma ke stažení pod licencí CC BY 4.0.

Obsah:

• Veliké slovo

• Úkoly lepší, písemky horší

• Paměť je stopa po přemýšlení

• Zákaz nestačí

• Ukaž mi, jak jsi na to přišel

Poslouchejte i na:

• YouTube: https://www.youtube.com/@aisrozumitelne

• RSS: https://api.substack.com/feed/podcast/10623157/s/456958.rss

Nedávno vyšel na Seznam Zprávách text Pavla Kasíka s titulkem AI ve školách až zázračně pomáhá. Dopad na výsledky žáků je tragický. Je mi jasné, že titulky musí lákat čtenáře a že o nich ne vždy rozhoduje sám autor. Ale označovat dopad za „tragický“ v době, kdy o něm víme málo a teprve získáváme zkušenosti, je určitě přehnané.

A tak jsem zapojil své jazykové modely. Spolu s nimi jsem dohledal studie, které článek cituje, a porovnal je s tím, co o nich píše. Potom jsme na mém počítači prošli přes dvanáct tisíc záznamů z Web of Science a volně přístupných vědeckých databází.

Modely z nich podle mých kritérií vybraly 1 320 studií o AI a učení. U každé zapsaly, co a na kom měřila, a pokud to abstrakt uváděl, i jak dlouho. U tří desítek nejdůležitějších otevřely plný text a vypsaly z něj doslovné úryvky s čísly. Já jsem zadával otázky, kontroloval sporná místa a rozhodoval, co do textu patří. Tenhle text je o tom, co ze současného stavu poznání doopravdy plyne.

Než se pustím do interpretace důkazů, nejdříve se zaměřím na dva pojmy, kterým je třeba v původním textu rozumět.

První pojem je směrodatná odchylka, označovaná řeckým písmenem sigma (σ). Používá se napříč vědou, od fyziky po sociologii, a vyjadřuje, jak moc se hodnoty liší od průměru. Ve výzkumu vzdělávání slouží také jako společné měřítko velikosti efektu: umožňuje porovnat zlepšení žáků i mezi studiemi, které používají různé testy. Při obvyklém zvonovitém rozložení výsledků by posun o jednu směrodatnou odchylku dostal původně průměrného žáka nad zhruba pět šestin původní skupiny; posun o dvě mezi přibližně dvě procenta nejlepších. Efekt 0,2 se podle rozšířené orientační konvence označuje za malý, 0,5 za střední a 0,8 za velký. Co je skutečně významné pro výuku, ale záleží také na tom, co se měří a za jakých podmínek. (NIST, Daniel Lakens)

Tady je důležité nezaměnit velikost efektu se statistickou průkazností. Když částicoví fyzici požadují pro oznámení objevu „pět sigma“, nemluví o velikosti přínosu, ale o tom, jak výrazně výsledek vybočuje z očekávaného náhodného kolísání. V sociologii či pedagogice se běžně pracuje s mírnější hranicí statistické významnosti, která při oboustranném testu s normálním rozdělením odpovídá přibližně dvěma sigma. Neznamená to, že těmto oborům stačí menší účinek: malý efekt může být přesvědčivě doložený a velký efekt naopak velmi nejistý. (CERN, Louis Lyons, Americká statistická asociace, NIST)

Druhý pojem je náhodné rozdělení do skupin, odborně randomizace. Pokud výzkumníci náhodně určí, kteří žáci budou AI používat a kteří ne, mohou při dobře provedené studii lépe oddělit její účinek od rozdílů mezi žáky. Když si používání AI žáci vyberou sami, mohou se obě skupiny už předem lišit třeba motivací nebo znalostmi. Samotný rozdíl v jejich výsledcích pak ještě neříká, co způsobila AI.

Dvě sigmy

Debaty o AI tutorech se často vracejí k Benjaminu Bloomovi. V roce 1984 publikoval článek The 2 Sigma Problem, v němž shrnul výsledky experimentů s různými způsoby výuky. Podle jeho popisu dosahovali tutorem vedení žáci v závěrečných testech o dvě směrodatné odchylky lepších výsledků než kontrolní skupina z běžné třídy. Podle Blooma průměrný žák z doučované skupiny se vyrovnal dvěma procentům nejlepších v kontrolní skupině. Kasík píše, že Bloom byl psycholog z MIT a zkoumal doktorandy. Už první strana Bloomova článku však uvádí Chicagskou univerzitu a Northwesternskou univerzitu. Doktorandi byli autory výzkumů, které Bloom shrnoval; účastníky byli žáci čtvrtých, pátých a osmých tříd. To potvrzuje také původní výzkumná publikace Joanne Ananiaové, jedné z autorek experimentů.

Bloom vycházel ze dvou disertací svých doktorandů, kteří prováděli třítýdenní experimenty s žáky čtvrtých, pátých a osmých tříd. Děti se učily pravděpodobnost a kartografii a závěrečné testy ověřovaly tuto látku. Doučování navíc zahrnovalo průběžné testování, zpětnou vazbu a nápravu chyb. Jak upozorňuje i pozdější rozbor původních disertací, nešlo o měření celkových školních znalostí ani o účinek samotné přítomnosti lektora. To nejsou drobnosti: velikost naměřeného efektu závisí na tom, koho učíme, jakým způsobem, jak dlouho a jakým testem výsledek hodnotíme.

Když Kurt VanLehn v roce 2011 prošel 28 pozdějších studií, vyšel mu lidský tutor na 0,79 směrodatné odchylky a tehdejší počítačové tutorské systémy na 0,76. Souhrn padesáti hodnocení takových systémů dává 0,66, což je posun z průměru na hranici nejlepší čtvrtiny. A když ekonomové sečetli 96 randomizovaných studií skutečných doučovacích programů pro děti, nikoli laboratorních pokusů, zbylo z dvou sigma 0,37: s učitelem 0,50, s dobrovolníkem 0,21. Sal Khan v roce 2023 v známé přednášce slíbil, že Bloomův náskok lidských tutorů před AI vyřeší. Zdá se ale, že velká část náskoku nebyla skutečná.

Lepší úkoly, horší testy

Čínská studie, o kterou se Kasíkův článek opírá, je dostupná jako pracovní text tří ekonomů ze Stockholmské a Hongkongské univerzity. Autoři analyzovali data o 26 811 žácích sedmých až dvanáctých tříd z jednoho okresu ve střední Číně. Záznamy pokrývaly třicet školních měsíců, jednotlivé žáky však zachycovaly po různě dlouhou dobu. Výzkumníci porovnávali změny výsledků těch, kteří začali používat AI, se změnami u žáků, kteří ji nepoužívali.

Podle jejich odhadů se během prvního půlroku používání AI zvýšilo hodnocení domácích úkolů o téměř pětinu. Průměrná doba od otevření úkolu po jeho odevzdání se zkrátila ze 64 na 45 minut. Výsledky měsíčních písemek bez pomůcek se však za stejnou dobu o pětinu zhoršily. U přijímacích zkoušek na střední školu dosahoval odhadovaný pokles téměř čtvrtiny, pokud žáci začali AI používat alespoň dva roky před zkouškou. Větší ztráty autoři zjistili u žáků s původně nejlepšími výsledky, u mladších ročníků a u chlapců.

Za prvé je potřeba správně číst velikost účinků. Kasík přebírá směrodatné odchylky přímo ze studie, včetně hodnoty 1,9 u domácích úkolů. Autoři však u výsledků zkoušek upozorňují na důležitou okolnost: pracují s průměrem napříč předměty, který má menší rozptyl než výsledky jednotlivých předmětů. Při běžnějším přepočtu podle směrodatných odchylek v jednotlivých předmětech by proto účinky vyjádřené v těchto jednotkách vyšly zhruba poloviční. Naměřený rozdíl tím nezmizí, mění se ale měřítko, podle kterého posuzujeme jeho velikost.

Za druhé se výsledky lišily podle způsobu používání AI. Zhruba pětina jejích déletrvajících uživatelů věnovala domácím úkolům podobný čas jako žáci bez AI. Při srovnatelném čase dosahovali obě skupiny podobných výsledků u zkoušek, přestože uživatelé AI měli lépe hodnocené domácí úkoly.

Za třetí studie není randomizovaná. Žáci se pro používání AI rozhodovali sami. Autoři porovnávali vývoj jejich výsledků s vývojem u žáků bez AI a prováděli řadu doplňkových kontrol. Příčinný výklad však závisí na předpokladu, že bez AI by se výsledky obou skupin vyvíjely obdobně.

Podobnou souvislost našla brémská studie u 193 studentů úvodního kurzu finančního účetnictví. Studenti, u jejichž seminárních textů detektor ZeroGPT označil více než polovinu obsahu za vytvořenou pomocí AI, získali podle statistického modelu u závěrečné zkoušky v průměru o 6,7 bodu ze sta méně než ostatní. Rozdíl přetrval i po zohlednění předchozích studijních výsledků, docházky a dalších sledovaných charakteristik. Výraznější zápornou souvislost autoři zjistili ve skupinách studentů s lepšími maturitními výsledky a s vyšší docházkou na cvičení.

Výzkumníci výsledek prověřovali také jiným detektorem, rozborem jazykových znaků a doplňkovou analýzou studentů opakujících zkoušku. Nešlo však o náhodné rozdělení do skupin a používání AI určovali nepřímo. Jejich kontroly závěr posilují, ale nevylučují i jiné příčiny rozdílu. Sami autoři upozorňují, že zkoumali AI při psaní případových studií v jediném kurzu. Výsledky proto nelze automaticky vztahovat na jiné způsoby učení s AI, například na její využití jako osobního průvodce látkou.

Chatbot s mantinely

Přímější důkaz přinesla studie Hamsy Bastaniové a jejích spoluautorů publikovaná v PNAS. Randomizovaný experiment zahrnoval téměř tisíc žáků turecké střední školy a čtyři devadesátiminutová matematická sezení. Jednotlivé třídy pracovaly ve třech režimech: bez AI, s chatbotem GPT Base napodobujícím běžný ChatGPT a s nástrojem GPT Tutor, který měl poskytovat nápovědy a neprozrazovat celé řešení. Oba využívaly GPT-4, tutor však měl k dispozici i správná řešení a podklady od učitelů.

Při procvičování dosáhli žáci s GPT Base o 48 % lepších výsledků než kontrolní skupina, žáci s GPT Tutor o 127 %. V následném testu bez pomůcek však skupina s GPT Base dopadla o 17 % hůře než kontrola. U skupiny s tutorem se statisticky průkazný rozdíl oproti kontrole neprokázal.

Rozbor konverzací naznačil možné vysvětlení. Během prvního sezení tvořilo dvě třetiny úvodních instrukcí v GPT Base pouhé zopakování zadání nebo žádost o odpověď. S tutorem žáci častěji žádali o pomoc nebo předkládali vlastní pokusy o řešení. A ještě jedna věc: žáci s GPT Base v dotaznících nehodnotili své učení ani výkon hůře než kontrolní skupina, přestože v testu zaostali. Žáci s tutorem hodnotili svůj výkon lépe, ačkoli jejich výsledky průkazně lepší nebyly.

Turecký experiment u tutora s mantinely nezjistil zhoršení samostatného výkonu. To však není obecná záruka, že nástroj neškodí. Podstatné je, jak žáka vede a kolik přemýšlení mu ponechá. Další studie ukazují, že při vhodném použití může AI pomáhat i s učením.

V Singapuru dostalo 197 vysokoškoláků za úkol vylepšit plyšového králíka. Nejoriginálnější nápady měli ti, kteří mohli volně používat ChatGPT. Pak všichni bez AI vymýšleli hru pro výuku jazyků. Předchozí výhoda volného přístupu k chatbotu se už neprojevila. Nejlépe si tentokrát vedli studenti, kteří při práci na králíkovi postupovali jinak: nejdřív tři minuty vymýšleli vlastní nápady, potom je s pomocí modelu a připravených pokynů rozvíjeli a nakonec dopracovali svůj návrh. Pomohl tedy postup, který spojoval vlastní přemýšlení s vedenou spoluprací s AI. Zda by výhoda vydržela i za týden nebo za měsíc, studie nezjišťovala.

Na Harvardu se studenti s AI tutorem naučili více než při výuce fyziky, v níž společně řešili úlohy a dostávali zpětnou vazbu od vyučujících. Tutor byl připravený pro konkrétní látku a vedl je krok za krokem. Výhoda v závěrečných testech dosáhla 0,63 směrodatné odchylky (po zohlednění předchozích znalostí a dalších vlivů). Šlo ovšem jen o dvě lekce okamžitě následované testy. Zda si studenti s AI pamatovali více i po delší době studie nezjišťovala.

Dobré výsledky přinesly i doučovací programy v Africe. V Ghaně žáci pravidelně procvičovali matematiku s chatbotem Rori a zlepšili se o 0,36 směrodatné odchylky více než spolužáci s běžným školním programem. V Nigérii se šest týdnů doučovali s Copilotem pod dohledem učitelů. Oproti ostatním spolužákům dosáhli náskoku 0,31 směrodatné odchylky v testu angličtiny, digitálních znalostí a znalostí o AI. Žáci ale v obou případech získali spolu s AI více příležitostí k procvičování a další podporu. Studie proto neříkají, jak velkou zásluhu měl samotný chatbot ani zda by stejně intenzivní doučování s člověkem pomohlo více, nebo méně.

V britském experimentu spolupracovala AI s učitelem, který každou její zprávu zkontroloval, než ji dostal žák. Přibližně tři čtvrtiny návrhů pustil dál beze změny. Žáci po takové společné pomoci zvládali další úlohu na nové téma o něco lépe než po doučování samotným učitelem. Rozdíl nebyl ale tak velký, abychom mohli říct, že AI skutečně pomohlo.

Na význam učitele upozorňuje i průběžně aktualizovaný souhrn studií o výuce matematiky. Tam, kde AI doplňovala výuku s učitelem, vyšel průměrný přínos na 0,87 směrodatné odchylky. Kde ho nahrazovala, jen na 0,16. Je to výrazný rozdíl, ale pochází ze srovnání různých studií, které se lišily i dalšími podmínkami.

Střízlivější obrázek přinesl dvouletý experiment na osmnácti školách v Tennessee. Žáci šestých až osmých ročníků při doučování matematiky používali Khan Academy s AI tutorem Khanmigem. Průměrný roční přínos činil 0,06 směrodatné odchylky, ve druhém roce 0,08. Podle autorů výsledky odpovídají především přínosu pravidelného procvičování přizpůsobeného znalostem žáků; co navíc přidal samotný tutor, experiment oddělit nedokázal.

Záznamy z druhého roku přitom ukázaly, že typický žák tutorovi něco napsal jen během třetiny dnů, kdy na platformě procvičoval. Ani chyby ho většinou nepřiměly požádat o pomoc: při pěti ze šesti cvičení, ve kterých chyboval, tutorovi nenapsal vůbec. Mít pomoc na dosah tedy ještě neznamená ji využít.

Podobná potíž se objevila ve stanfordském experimentu s 5 831 účastníky online kurzu programování. Nabídnutého chatbota před zkouškou využilo jen 14 procent těch, kteří k němu dostali přístup. V celé skupině s nabídkou AI navíc klesla účast u nepovinné zkoušky o čtyři procentní body. Proč, autoři nevědí.

Měření a skutečný přínos

Jasnější odpověď by mohly nabídnout meta-analýzy, které porovnávají a vyhodnocují výsledky desítek studií. Nicméně ani důkladná analýza nemůže odstranit slabiny původních výzkumů. Dobře to ukazuje citovaná práce Wang a Fan z roku 2025, která přisoudila ChatGPT velký přínos pro výsledky studentů: 0,87 směrodatné odchylky. V dubnu 2026 ji však časopis stáhl kvůli nesrovnalostem v analýze.

Analýza 49 studií z přírodovědných a technických oborů zprvu ukazovala výrazný přínos AI. Výsledky jednotlivých studií se ale natolik lišily, že další podobný experiment mohl podle výpočtu ukázat jak velké zlepšení, tak výrazné zhoršení výsledků studentů. Autoři proto zkoumali, zda celkový obraz nevypadá příliš příznivě i proto, že studie s kladnými výsledky mají větší šanci na zveřejnění. Když toto možné zkreslení zohlednili, odhad průměrného přínosu klesl z 0,84 na 0,08 směrodatné odchylky – a od výrazného zlepšení jsme téměř k nule. Ani tento odhad však nebyl přesný: rozdíly mezi studiemi zůstaly velké a samotný průměr neprozradí, při jakém způsobu výuky AI pomáhá a při jakém škodí.

Ještě základnější problém popsali Joshua Weidlich, Paul Kirschner a jejich kolegové. V původních výzkumech zahrnutých do jiné meta-analýzy prověřili devatenáct porovnání výuky s ChatGPT a bez něj. Hledali odpovědi na tři jednoduché otázky: Co dělali studenti s AI? Jak se učili ti bez ní? A ověřili výzkumníci po skončení výuky, co se studenti naučili, místo aby hodnotili jen jejich vlastní dojmy nebo práci vytvořenou s pomocí nástroje? Všechny tři požadavky splnila pouhá čtyři porovnání. Bez těchto informací ani působivé souhrnné číslo neprozradí, kolik se studenti naučili a co pak zvládnou sami.

Hlavní otázkou je, co se studenti skutečně naučili a co si později vybaví bez pomoci AI. Odpověď hledal i výzkum s 344 britskými žáky ze sedmi škol, který porovnával různé způsoby práce s učebním textem. Po třech dnech si žáci lépe pamatovali obsah, ke kterému si sami psali poznámky, než obsah, který probírali pouze s chatbotem. Rozdíl činil 0,44 směrodatné odchylky ve prospěch poznámek. Žáci si více zapamatovali i tehdy, když si při práci s chatbotem zároveň psali poznámky, než když používali jen chatbota.

V dalších studiích se počáteční náskok při pozdějším testování nepotvrdil. Medici a začínající lékaři, kteří se v kurzu anesteziologie učili s AI asistentem, získali v závěrečném testu o deset bodů více než jejich kolegové bez AI. Po měsíci už byl rozdíl menší a nebylo možné spolehlivě odlišit, zda šlo o přínos AI, nebo náhodu. Podobně v malém experimentu s 22 programátory dosáhli účastníci při řešení úloh s Copilotem o 14 bodů ze sta více než při spolupráci s druhým člověkem. Když ale o týden později řešili úlohy samostatně, předchozí pomoc Copilotu jim už průkaznou výhodu nepřinesla.

V brazilském pokusu s nečekaným testem po 45 dnech dopadla skupina s ChatGPT hůře: správně odpověděla na 57,5 procenta otázek, skupina bez něj na 68,5 procenta. K testu ale dorazilo jen 85 ze 120 účastníků, což jistotu výsledku oslabuje.

Existují ovšem i příznivé výsledky. Souhrn dvaceti experimentů v lékařském vzdělávání našel přínos AI i v testech nejméně dva týdny po skončení výuky: v průměru přibližně půl směrodatné odchylky. Takové pozdější měření však provedly jen čtyři studie. Doklady trvalejšího přínosu tedy máme, zatím jich ale není mnoho.

Když AI pomáhá přemýšlet

Poučné jsou případy, kdy se studenti s AI naučili více a prokázali to později, když AI nepoužívali. Na Middlebury College dosáhli v testech o 0,27 směrodatné odchylky lepších výsledků než spolužáci, kteří se učili bez AI. Tento náskok měli bezprostředně po učení i o týden později. Rozbor konverzací naznačil, že trvalejší přínos měli ti, kteří si nechávali látku vysvětlovat. Studenti, kteří svěřovali AI psaní eseje, odevzdávali kvalitnější texty, ale při samostatném psaní se náskok už neprojevil.

V experimentu s 1 176 studenty na čtyřech univerzitách zase pomáhalo, když studenti nejprve sami zhodnotili svou práci a teprve potom si přečetli připomínky AI. V pozdější úloze na nové téma, kterou řešili bez AI, dokázali lépe formulovat a podložit své závěry než ti, kteří dostávali připomínky modelu rovnou.

Další experiment v úvodním kurzu programování s 979 studenty se zaměřil na to, jak o pomoc vůbec požádat: vysvětlit modelu, čemu nerozumím, co už umím a že potřebuji nápovědu, ne hotové řešení. Studenti dokázali takové dotazy lépe formulovat i s odstupem šesti týdnů. Výsledek ale vycházel jen ze 431 účastníků, u nichž měli výzkumníci úplné údaje. A u závěrečné zkoušky z programování se průkazné rozdíly mezi skupinami neprojevily.

Co se skrývá za titulky o hloupnutí

Loni obletěla svět studie týmu z MIT Your Brain on ChatGPT, doprovázená titulky o hloupnutí. Výzkumníci sledovali 54 dospělých, kteří psali eseje s ChatGPT, s internetovým vyhledávačem nebo bez obou nástrojů. Pomocí čepiček s elektrodami přitom zaznamenávali jejich mozkovou aktivitu. U skupiny s ChatGPT naměřili celkově slabší propojení zaznamenaných signálů mezi oblastmi mozku; účastníci také hůře dokázali zpaměti citovat vlastní, právě dokončený text. To jsou zajímavá zjištění o způsobu práce a zapamatování, nikoli důkaz poškození mozku. Dobrovolného čtvrtého sezení, při němž část účastníků přešla od AI k samostatnému psaní a část opačným směrem, se navíc zúčastnilo jen 18 lidí. Studie vyšla jako nerecenzovaný rukopis a sami autoři žádali novináře, aby nepsali o poškození mozku ani hloupnutí.

Opatrnost vyžaduje také průzkum spojující častější používání AI se slabším kritickým myšlením. Lidé v něm hodnotili vlastní návyky a schopnosti, například jak často ověřují zdroje nebo nakolik si věří při rozpoznávání nepravdivých zpráv. Jejich odpovědi neukazují, zda případné rozdíly způsobila AI. A jak připomíná Bastaniho experiment, vlastní dojem z učení může být lepší než skutečný výsledek. Tyto studie upozorňují na možná rizika při učení. Tvrzení, že AI ničí mozek, ale nedokládají.

Pevnější oporu nabízí výzkumu učení a paměti: to, co si zapamatujeme, závisí i na tom, jak o látce přemýšlíme a jak s ní pracujeme. Robert Bjork mluví o žádoucích obtížích. Když se například pokusíme vybavit si odpověď z paměti, místo abychom si ji rovnou přečetli, může nás to sice stát více úsilí, ale později si ji snáze vybavíme. Pomáhá ovšem taková obtíž, kterou dokážeme zvládnout; samotná námaha lepší učení nezaručuje. Daniel Willingham tuto souvislost vystihl větou „paměť je stopa po přemýšlení“.

Příklad z používání AI nabízí experiment, v němž 91 studentů hledalo pomocí ChatGPT nebo Googlu informace o opalovacích krémech s nanočásticemi. Jejich úkolem bylo doporučit, zda takový krém používat, a své rozhodnutí zdůvodnit. Studenti s chatbotem považovali hledání za méně namáhavé. Když však následně psali doporučení bez pomoci chatbotu či vyhledaných stránek, dokázali je podložit menším počtem relevantních argumentů než ti, kteří hledali přes Google. Riziko pro učení tak může být docela prosté: když chatbot vyřeší domácí úkol za dítě, připraví ho o příležitost promyslet si postup, pochopit souvislosti a zapamatovat si, jak na to.

Učitelé

Co se stane, když AI pomáhá s přípravou učitelům? Angela Duckworthová s kolegy vyhodnotila údaje o 193 učitelích a 2 816 žácích ze čtrnácti tureckých škol. Týmy učitelů stejného předmětu výzkumníci náhodně rozdělili do skupin: některé dostaly speciálně připraveného AI asistenta a školení, ostatní pokračovaly jako dosud. Žáci učitelů s přístupem k asistentovi vykázali oproti kontrolní skupině o desetinu směrodatné odchylky nižší vnitřní motivaci – hodiny je méně bavily a přikládali menší význam tomu, aby v předmětu uspěli.

Celkově se výsledky zkoušek průkazně nezměnily. Zhoršení výzkumníci zjistili pouze u žáků učitelů, jejichž studenti dosahovali slabších výsledků už před experimentem. Kasíkovo „zhoršily se i výsledky“ tak platilo jen pro část sledovaných žáků. Studie také neprokázala, že s AI vznikaly kvalitnější materiály. A ztrátu učitelova osobitého přístupu autoři uvádějí pouze jako jedno z možných vysvětlení, proč žáky hodiny méně zajímaly. Výsledek přesto připomíná něco podstatného: nástroj, který učiteli usnadní přípravu, ještě nemusí zlepšit výuku pro jeho žáky.

Čeští učitelé patřili v používání AI k evropské špičce už na jaře 2024. Podle šetření TALIS ji během předchozího roku využilo při výuce nebo k podpoře učení 46 procent učitelů druhého stupně základních škol a nižších ročníků víceletých gymnázií, zatímco průměr zapojených zemí EU činil 32 procent. Započítávala se ovšem i příprava hodin, nikoli jen práce s chatbotem přímo ve třídě. Vzděláváním zaměřeným na AI prošlo 54 procent českých učitelů oproti evropským 30 procentům. Vedle otevřenosti se ukázala i nejistota: přibližně polovina těch, kteří AI nepoužívali, soudila, že by se ve výuce používat neměla, a čtyři pětiny uváděly nedostatek znalostí a dovedností. Jde však o více než dva roky starý obraz. Od té doby se nástroje i zkušenosti zřejmě výrazně změnily.

Novější průzkumy naznačují, že zájem učitelů o AI přetrvává, hlavně jako o pomocníka při přípravě hodin. Ve výzkumu Scio z přelomu let 2024 a 2025 ji při práci pravidelně používalo 64 procent dotázaných českých učitelů, přímo ve výuce s žáky však jen třetina. Podobný obraz přineslo šetření EDU-AI a Samsungu z května 2026: učitelé využívali AI především k tvorbě materiálů, testů a prezentací, zároveň ale upozorňovali na chyby v odpovědích a nejasná pravidla používání. Do tohoto průzkumu se ovšem zapojili hlavně ti, kteří se o AI aktivně zajímají. Novější zjištění tak ukazují, že si AI v práci učitelů nachází své místo. Jak rychle se ale šíří mezi všemi učiteli a zda Česko zůstává nad evropským průměrem, z nich spolehlivě vyčíst nelze.

Děti mezitím začaly AI používat po svém. V průzkumu Scio z přelomu let 2024 a 2025 uvedlo 69 procent dotázaných českých žáků druhého stupně a středoškoláků, že ji pravidelně využívají pro školní práci. Informace o ní čerpali hlavně z internetu, sociálních sítí a od kamarádů; škola se mezi zdroji umístila až čtvrtá. Přesto si 62 procent dotázaných přálo, aby se o AI a možnostech jejího využití učili ve škole, a téměř polovina by uvítala pomoc učitelů. To, že žáci už nástroj používají, tedy neznamená, že další vedení nepotřebují nebo o ně nestojí.

Podrobnější obraz nabízí česká zpráva EU Kids Online, která vychází z údajů získaných na jaře 2025. Za poslední měsíc před dotazováním použilo AI při psaní slohů nebo referátů 42 procent oslovených dětí ve věku devět až sedmnáct let. Shrnutí nebo vysvětlení delšího textu si nechalo připravit 39 procent a o svých obavách a starostech s ní mluvilo nebo u ní hledalo radu 22 procent. V samostatných rozhovorech některé děti popisovaly, jak odpovědi AI ověřují a upravují, jiné jim spíše věřily, pokud zněly přesvědčivě. Nejisté si byly také školními pravidly: chápaly, že odevzdat celý úkol napsaný AI není přijatelné, ale nevěděly, jakou pomoc si ještě mohou dovolit.

Co nevíme

Největší neznámou zůstává, jak pravidelné používání AI v průběhu let ovlivní učení, zvlášť u dětí, které si základní dovednosti teprve osvojují. Pravidla přesto vznikají už teď. Čínské pokyny z května 2025 zakazují žákům primárních škol samostatně používat nástroje, které volně generují obsah. New York oznámil 2. září 2026 roční moratorium na přímé používání generativní AI žáky veřejných škol až do osmé třídy. Opatření se týká téměř 600 tisíc dětí.

UNESCO doporučuje pro samostatné rozhovory s generativní AI věkovou hranici třinácti let. Ani jedna z těchto hranic ale neznamená, že je od daného věku přínos AI pro učení prokázaný. Výše popsaný test paměti po 45 dnech zase neukáže, co si žák bude pamatovat po několika letech. Zahraniční výsledky navíc nemůžeme bez dalšího přenášet do češtiny a českých tříd.

Opatrnost je namístě i u studijních režimů ChatGPT, Gemini a Claudu: slibují vedení pomocí otázek a nápověd, ale to samo ještě nezaručuje stejný účinek jako u Bastaniho tutora. Jejich přínos ovšem lze testovat i přímo v aplikaci a OpenAI už zveřejnilo předběžné výsledky vlastního experimentu. Nezávislé potvrzení dlouhodobého přínosu je však jiná věc.

Také Estonsko svůj program AI Leap, určený v první fázi pro dvacet tisíc středoškoláků, doprovází výzkumem. Aplikace má žáky vést k vlastnímu přemýšlení, vybavování znalostí a hledání řešení. Výzkum vedený Univerzitou v Tartu má pomocí dotazníků, testů a rozborů používání aplikace zjišťovat, za jakých podmínek takové vedení pomáhá. Výzkumníky zajímá i motivace, vytrvalost a schopnost řídit vlastní učení – stanovovat si cíle, sledovat pokrok a měnit postup, když nefunguje. To odpovídá otázce, která se vrací napříč popsanými studiemi: co se při práci s AI mění v samotném žákovi? Samotný plán měření však ještě nedokládá, že se zamýšlený přínos dostaví a vydrží.

Nová zjištění přinesly výsledky PISA 2025, zveřejněné 8. září 2026. Čeští patnáctiletí žáci se oproti předchozímu cyklu zhoršili v matematice a čtení, přesto v obou oblastech zůstali nad průměrem OECD. Nadprůměrně zvládali také řešení problémů v digitálním prostředí. Samotný pokles výsledků ale neříká, jakou roli v něm hrála generativní AI.

Česká zpráva také porovnávala výsledky žáků podle toho, k čemu chatboty používali. Ti, kteří si od nich nenechávali zpracovat první přehled o novém tématu nebo návrh písemné práce, dopadli v přírodovědném testu lépe než ti, kteří takovou pomoc využívali. U shrnování textů a pomoci označené obecně jako „snazší učení“ nebyly rozdíly dost přesvědčivé, aby je bylo možné odlišit od náhodného kolísání. Ani tato zjištění však spor nerozhodují. Nevíme z nich, zda používání chatbota vedlo k horším výsledkům, nebo zda po něm častěji sahali žáci, kteří už předtím měli slabší znalosti či jiné studijní návyky. PISA ukazuje, jak používání AI souvisí s výsledky českých žáků. Zda jim ale AI v průběhu let pomáhá, nebo škodí, z tohoto srovnání určit nelze.

Liška ve škole

V minulé eseji o lišce a ježkovi jsem psal, že v práci AI nejvíc pomáhá lidem, kteří měli původně slabší výsledky, a zmenšuje tak rozdíly mezi nimi a zkušenějšími kolegy. Pro zaměstnavatele je podstatné, že je práce dobře a rychle hotová. Ve škole ale nestačí správně vypracovaný úkol. Důležité je, zda se při něm dítě něco naučilo a zda si příště poradí samo.

V německých experimentech vědci zkoumali, zda ChatGPT pomáhá studentům naučit se programovat. V průměru zlepšení nezjistili, ale za tímto výsledkem se skrývaly rozdíly v tom, jak studenti chatbot používali. Ti, kteří mu přenechávali řešení úloh, učivu hůře rozuměli. Ti, kteří se snažili úlohu vyřešit sami a od chatbota si nechávali poradit, se naopak naučili více. Rozdíl mezi slabšími a silnějšími studenty se přitom zvětšil. Pro školu z toho plyne důležitá otázka: zvládne žák podobnou úlohu i bez pomoci? Samotná správná odpověď v domácím úkolu totiž ještě neukazuje, co se naučil.

Když jsem psal esej Liška mezi vědou, politikou a umělou inteligencí, jednu myšlenku jsem nakonec vyškrtl. Teď se k ní vracím. Studentovi dnes stačí položit otázku a za tři sekundy dostane srozumitelné vysvětlení. Jak ale pozná, že v něm není chyba? Právě to ho škola musí naučit. Aby mohl odpověď posoudit, potřebuje o tématu něco vědět a rozumět mu. K tomu se dostane vlastním přemýšlením, zkoušením a opravováním chyb. Pokud tuto práci přenechá chatbotu, může mít úkol rychle a správně hotový, ale sám se při tom nic nenaučí.

Co z toho plyne

Rodičům: když dítě použije AI při domácím úkolu, požádejte ho, aby vám vlastními slovy vysvětlilo, jak došlo k řešení a proč je správné. Pokud to nedokáže, potřebuje se k úloze ještě vrátit. Správná odpověď sama o sobě nestačí – dítě musí rozumět tomu, co odevzdává.

Učitelům: to, co se žáci naučili, ověřujte i při úlohách, které řeší bez AI. Při procvičování stanovte jasný postup: nejdřív se žák pokusí najít řešení sám, teprve potom požádá chatbot o nápovědu. A vlastní přípravu hodiny neberte jako pouhou administrativu. Když promýšlíte, jak látku vysvětlit a kde mohou žáci narazit, připravujete se na to, abyste jim při učení dokázali pomoci.

Školám a ministerstvu: samotný zákaz nestačí. Zkušenosti z britských a nizozemských škol ukázaly, že po omezení mobilů ve škole děti trávily čas u obrazovek doma. Starší anglická studie zjistila malé zlepšení školních výsledků jen u nejslabších žáků. Česká vláda letos v létě podpořila zákaz mobilů na základních školách od září 2027. Ať už tento návrh dopadne jakkoli, u AI školní zákaz nevyřeší její používání doma.

Školy potřebují upravit zadávání úkolů a hodnocení tak, aby poznaly, co žák skutečně umí. Zároveň musí jasně určit, kdy a jak smí AI používat: kdy mu pomáhá pochopit látku a kdy už za něj dělá práci, na které se měl něco naučit. Praktický návod pro rodiče i školy najdete v kapitole Co s tím.

Tragický dopad

Já bych se slovem „tragický“ ještě počkal. Je to veliké slovo a člověk by s ním měl zacházet opatrně, zvlášť když mluví o dětech, které mají většinu života před sebou. Do školy přišel nástroj, který dovede trpělivě vysvětlovat, poradit při nesnázi a nabídnout jinou cestu k pochopení. Dovede ovšem také udělat celý úkol a na odevzdané práci nemusíme poznat, co se odehrálo v dětské hlavě.

Představme si dítě nad sešitem. Chvíli píše, pak se zarazí a neví, jak dál. Můžeme mu říci výsledek a mít pokoj. Můžeme se ale také zeptat, čemu rozumí a kde se ztratilo. To druhé trvá déle. Někdy je třeba vrátit se o kus zpátky, něco nakreslit, nechat dítě udělat chybu a dát mu čas, aby ji samo objevilo. Právě tak by měl pomáhat i chatbot. Trpělivost mu nedojde; záleží však na tom, k čemu ji využije. Zda dítěti napoví a nechá je přemýšlet, nebo mu rovnou nabídne hotové řešení. Po rozhovoru by mělo něco zůstat i v hlavě: aby si dítě zítra s podobnou úlohou poradilo samo.

Co pravidelné používání AI přinese za několik let, zatím nevíme. Máme důvody k naději i k opatrnosti a rodiče, učitele i výzkumníky čeká ještě hodně práce. Dnes ale můžeme začít něčím docela obyčejným. Až nám dítě ukáže hotový úkol, zůstaňme u něj o chvíli déle a vedle pochvaly mu věnujme i trochu zvědavosti: „Ukaž mi, jak jsi na to přišel.“

Stejně jako většina mých textů vznikl i tento v dialogu s několika jazykovými modely. Pomáhají mi s formulacemi, protiargumenty a oponováním mým závěrům. Směr, výběr argumentů i konečná podoba jsou moje, důležitá tvrzení ověřuji ve zdrojích a za výsledek nesu odpovědnost já. Více v úvodním textu blogu. Kniha Umělá inteligence srozumitelně – od fungování modelů po dopady na práci, školu i demokracii, včetně českého kontextu – je zdarma ke stažení pod licencí CC BY 4.0.

Text eseje: https://aisrozumitelne.mila.guide/p/liska-mezi-vedou-politikou-a-umelou

Délka: 21:44

Namluveno syntetickým hlasem (Google Cloud Text-to-Speech, Chirp 3 HD) z textu autora.

Audio: licence Creative Commons BY 4.0.

Doprovodná kniha Umělá inteligence srozumitelně je zdarma ke stažení pod licencí CC BY 4.0.

Obsah:

• Proč sto let vyhrávali ježci?

• Čím zaplatil ježčí svět

• Stroj se stává liškou

• Experimenty

• Kde liška pořád potřebuje ježka

• Jsem liška

• Další cesty bez mapy

• Běhání a politika

• Kompas, knihy a nakladatelství

• Tempo zrychluje

• Česko běží na liškách, ať chce, nebo nechce

• Systém stále odměňuje ježky

• Ježek i liška

Poslouchejte i na:

• YouTube: https://www.youtube.com/@aisrozumitelne

• RSS: https://api.substack.com/feed/podcast/10623157/s/456958.rss

🎧 Audioverze (23 min): poslechněte si esej v podcastu AI srozumitelně – poslech.

Z řeckého básníka Archilocha se dochoval jediný verš: liška ví mnoho věcí, ježek jednu velkou. V roce 1953 z něj britský filozof Isaiah Berlin udělal obraz dvou způsobů myšlení: ježek hledá jednu velkou myšlenku, liška se dívá na svět z mnoha stran. Na tomto kontrastu vystavěl slavnou esej o Tolstého pojetí dějin.

Berlin později říkal, že to nikdy nemyslel příliš vážně, považoval vše za intelektuální hru. Ostatní však téma vážně vzali, lišky a ježci začali žít vlastním životem a žijí jím dodnes.

Ve vědě, technice i znalostní práci patřilo posledních sto let ježkům. Poznatků rychle přibývalo, obory se štěpily na stále užší specializace a na práci, kterou dřív zvládl jeden člověk, byl potřeba tým odborníků. Člověk se širokým rozhledem stále častěji ustupoval těm, kdo dokonale znali svůj kousek světa. S umělou inteligencí se však poměry začínají měnit. Ne proto, že by hluboká odbornost přestávala být cenná, ale protože je snazší zdolávat bariéry, které mezi obory vyrostly. Po celé století se příliš nevyplácelo vědět od všeho něco. Teď začíná být nevýhodou nevědět nic za hranicemi vlastního oboru.

Nejsem první, kdo si toho všiml. Andras Bodis v eseji The Age of the Fox píše, že po většinu moderních dějin dostávali ježci práci a lišky uznání u večeře. Dan Shipper došel v eseji Why Generalists Own the Future k podobnému závěru jinou cestou. Brad Berens je v srpnovém textu Keywords: hedgehogs and foxes (and AI, oh my!) opatrnější. Liška a ježek podle něj nejsou dva druhy lidí, ale role, mezi nimiž přecházíme.

Proč sto let vyhrávali ježci?

Ekonom Benjamin Jones z Northwestern University mluví o „břemenu znalostí“. Dobře to vystihuje známý obraz: než se člověk postaví na ramena obrů, musí se k nim nejdřív vyšplhat. A čím víc toho obor ví, tím delší je cesta k místu, odkud lze přidat něco nového.

Jones porovnával 55 000 vynálezců a 2,1 milionu amerických patentů z let 1975–1999. K prvnímu vynálezu se lidé dostávali stále později, na jednom patentu přibývalo autorů a každý znal stále užší kus svého oboru. Věk vynálezců vzrostl s každým desetiletím o dvě třetiny roku a průměrný počet autorů patentu se zvýšil o třetinu. Zřejmě neubylo odvahy ani nápadů, ale člověk musí stále víc vědět, než může přidat něco vlastního.

Nastal věk týmů. Stefan Wuchty, Benjamin Jones a Brian Uzzi prošli dvacet milionů odborných článků za pět desetiletí a přihodili dva miliony patentů. Pozorovali, jak týmy vytlačují jednotlivce téměř všude, včetně humanitních oborů. Týmové práce měly i více citací. Samotář s velkou myšlenkou úplně nevyhynul, stal se však ohroženým druhem.

Čím zaplatil ježčí svět

Tomuto trendu neunikli ani nejlepší z nejlepších. Jones s ekonomem Brucem Weinbergem prošli Nobelovy ceny za poslední století a porovnávali, v kolika letech vědci učinili objev, který jim později vynesl cenu. Průměrný věk vzrostl o více než sedm let v medicíně, v chemii o deset let a ve fyzice o více než třináct. Ve dvacátých letech minulého století mohl mladý fyzik obrátit obor naruby. Na konci století už bylo fyzikům při svých průlomových objevech v průměru kolem padesátky.

Ježčí svět získal hloubku, ale ztratil šířku. Michael Park, Erin Leaheyová a Russell Funk analyzovali 45 milionů článků a 3,9 milionu patentů za šest desetiletí. Nové práce stále méně přinášejí převratné myšlenky, obvykle jen přistavují další patro poznání. Jedním z důvodů je, že jednotlivec vidí jen malý ostrůvek již objeveného světa. Čím víc toho víme, tím méně může jeden mozek obsáhnout. Část měřeného poklesu asi není reálná a vzniká samotným způsobem měření, trend je však jasný.

Další důkaz poskytl psycholog a politolog Philip Tetlock, který dvě desetiletí porovnával prognózy 284 odborníků s tím, co se nakonec stalo. Experty rozdělil na lišky a ježky – a liškám se dařilo předpovídat lépe. Ježek má jednu velkou pravdu, podle které si rovná svět. Liška jich má několik a spíše si všimne, že něco nesedí. Tetlock později ve svém zkoumání pokračoval knihou Superprognózy.

Stroj se stává liškou

Dřívější počítačové programy bývaly ježky. Každý uměl jednu věc, někdy znamenitě. Kognitivní vědec Herbert Roitblat ještě před nástupem ChatGPT upozornil, že z takových specialistů obecnou inteligenci neposkládáme. Nestačí umět vyřešit precizně zadaný úkol, stroj musí pochopit, co se po něm vlastně chce. A když to ví, musí zvolit způsob řešení, který vede k cíli. Aby toho dosáhl, musí myslet obecně a stát se alespoň trochu liškou.

O dva roky později začala doba velkých jazykových modelů a s tím se změnila povaha našich umělých pomocníků. Něco vědí o chemii, něco o římském právu, účetnictví i pěstování rajčat. V ničem nejsou neomylní a bez kontroly se na ně nedá spolehnout. Jejich síla je jinde: nepatří jednomu oboru, ale přecházejí mezi mnoha. To už není ježek s jedním trikem. To je liška.

Experimenty

Liščí software mění lidskou práci. Ekonomové Shakked Noy a Whitney Zhangová dali 453 vysokoškolsky vzdělaným profesionálům běžné písemné úkoly a části z nich zpřístupnili ChatGPT. Lidé vybavení ChatGPT pracovali o 40 procent rychleji, vzrostla i kvalita jejich práce. Nejvíc se zlepšili ti slabší.

Podobně dopadl experiment Guillerma Crucese a jeho kolegů z roku 2026 s 1 174 dospělými. Bez AI měli vzdělanější lidé při řešení pracovního problému jasný náskok. S generativní AI se tři čtvrtiny rozdílu ztratily. Umělá inteligence pomohla oběma skupinám, ale víc těm, kteří začínali ze zadních pozic. Když Fabrizio Dell’Acqua a jeho kolegové zadali úkoly 758 konzultantům Boston Consulting Group, s GPT-4 zvládli o 12 procent více úkolů, byli o 25 procent rychlejší a kvalita práce vzrostla o 32 procent. Nejvíce se zlepšila dřívější slabší polovina.

Druhá část experimentu ukázala na rub AI. Pokud konzultanti dostali úkol, na který GPT-4 nestačil, správných odpovědí ubylo o 19 procentních bodů. Když si AI ví rady, pomáhá. Když neví, sebejistě vede člověka na scestí. Odpověď, která dřív vyžadovala hodiny pátrání, bývá dnes na dosah ruky. Jenže vědět, co z ní platí, co chybí a kdy jí nevěřit, zůstává na člověku. Znalost zlevňuje, úsudek ne.

Kde liška pořád potřebuje ježka

Specialisté ale ze hry nemizí. Právě oni nejlépe poznají chvíli, kdy AI přestává vědět a začíná hádat. K tomu nestačí mít načteno. Člověk musí v oboru hodně odpracovat, něco pokazit a odhalit, kde se chyby nejraději schovávají. Právě v tom spočívá hodnota odbornosti.

Když mi model sebejistě vykládá nesmysly o XML, programování nebo vědecké literatuře, většinou zpozorním. Těmto tématům se věnuji dlouho a přečetl jsem tolik odborných textů, že poznám i dobře maskovanou hloupost. U středověké architektury tuhle výhodu nemám. Tam mi může model sebejistě podstrčit nesmysl – a já ho neodhalím. Namlouvat si opak by bylo pošetilé.

Šířka sama nestačí. Bez úsudku člověk jen přebíhá v zahradě znalostí od záhonu k záhonu, aniž by chápal, co spolu souvisí, co si má ověřit, na co se zeptat a kdy přiznat, že neví. Ve světě, kde lze cizí odbornost rychle dohledat a propojit, získává široký rozhled znovu cenu. Výhodu má ten, kdo vidí celou zahradu a zároveň ví, kdy se sklonit k jedné sazenici a podívat se zblízka.

Jsem liška

Život lišky znám z vlastní zkušenosti. Vystudoval jsem organickou chemii na VŠCHT Praha a doktorát jsem dělal v Londýně na UCL u Willieho Motherwella. Na začátku jsem dostal poctivé chemické téma: radikálové reakce. Ve vědě se ale stává, že člověka začne víc přitahovat otázka, kterou vůbec řešit neměl.

U mne se projevila fascinace širšími souvislostmi. Aromatický kruh si lze představit jako plochý uhlíkový prstenec zahalený oblakem elektronů. Co se stane, když nad něj napevno posadíte jinou, elektronově bohatou část molekuly a přinutíte je, aby spolu žily v těsném sousedství? Budou se odpuzovat, přitahovat, nebo jim bude vztah řídit okolní rozpouštědlo?

Tady je třeba říct něco o Williem Motherwellovi. Mohl mne snadno vrátit k původnímu tématu, ale neudělal to. Dva roky mě nechal pracovat na otázce, kterou jsem si našel sám. To vyžaduje velkorysost: nejen mít vlastní dobré nápady, ale umět ocenit i nápad někoho jiného.

Po letech byl Willie zvolen do prestižní Královské akademie. Když pak přednášel o své vědecké práci, druhou polovinu přednášky vyprávěl o „magorovi“ z východu, který dostal krásně vymyšlené téma, rok na něm pracoval a pak začal dělat něco úplně jiného. A jak jej to dovedlo k výzkumu, který má moc rád.

Seděl jsem v sále a poslouchal svůj vlastní příběh. Za celou vědeckou kariéru jsem na sebe nikdy nebyl pyšnější než ten den. Při psaní eseje jsem našel přehledový článek Abila Alieva a Willieho Motherwella z roku 2019, a ten pocit hrdosti se znovu připomněl: „At that time, we were very fortunate to have Miloslav Nič as a PhD student in our research group and his insight led to the introduction of the dibenzobicyclo[3.2.2.]nonane scaffold as a valuable template.“

V osobním příběhu se skrývá i obecnější poučení. Willie byl liška, stejně jako já. Zajímal se o věci, které ležely stranou vyšlapané cesty, rád spojoval vzdálené nápady a neměl potřebu držet se jednoho směru jen proto, že se po něm kdysi vydal. Asi právě proto dokázal přijmout i odbočku, ve které poznal něco důvěrně známého.

Další cesty bez mapy

V roce 1999 mě zlákalo XML – jeho standard slavil první narozeniny a mnoho lidí na světě se o něj ještě nezajímalo. Pro mne ale bylo velkým objevem, cesta k zachycení volných myšlenek k počítačovému zpracování. Nejlépe se naučíte tím, že učíte, a tak jsem založil Zvon.org. Po řadu let to byl jeden z nejnavštěvovanějších serverů na světě o XML. Na Zvon narazil i Roman Staněk v době, kdy zakládal startup Systinet, a já se z akademika stal během pár týdnů prvním zaměstnancem. Za několik let z malé pražské firmy vyrostl světový hráč, kterého v roce 2006 koupila Mercury Interactive za 105 milionů dolarů.

Jenže mne to už táhlo zpět na VŠCHT. Chtěl jsem si hrát na pomezí chemie a informatiky. Předčasný odchod z firmy mne stál polovinu akcií, ale nelituji. Začal jsem budovat Laboratoř informatiky a chemie a dva studijní obory na hranici obou světů. Nešlo mi o informatiku, jak je dnes vnímána, ale o širší práci se znalostmi: umět je najít, uspořádat, propojit, uložit a zpřístupnit – a když je třeba, napsat si vlastní nástroj. Opakoval se stejný příběh: vstoupit na území, které nemá pořádnou mapu, a začít hledat cesty.

Střih 10 let, a univerzita mne začala unavovat. Pořád vysvětlovat, proč chci učit právě tohle a právě takhle – a proč nechci učit něco jen proto, že se to přece učí odjakživa a lidi to potřebují učit. A k tomu každodenní povinnosti, které si ukusovaly čas z práce, která mi přišla důležitější. V mém studijním oboru už dostudovala první generace studentů, mezi nimi dva exempláře, se kterými jsme založili EcoMole. Dodnes říkám, že můj druhý nejlepší nápad byl odejít ze Systinetu a vrátit se na VŠCHT. Ten nejlepší byl z VŠCHT zase odejít.

EcoMole je liščí podnik. Pro Evropský úřad pro bezpečnost potravin (EFSA) jsme pročítali literaturu o rizicích geneticky modifikovaných rostlin, shromažďovali poznatky o alkaloidech v bramborách a lupině a v projektu Compendium of Botanicals vyvinuli nástroje PlantCombo a ChemCombo. S University of Edinburgh, berlínskou Charité, Radboud University Medical Center a dalšími partnery také pomáháme EFSA hledat způsoby využití umělé inteligence při práci s vědeckými studiemi. Pro Společné výzkumné středisko Evropské komise jsme hledali alternativy k pokusům na zvířatech a od roku 2025 vedeme konsorcium, které má EFSA pomáhat se správou vědeckých dat. Máme za sebou i řadu dalších projektů, ale princip zůstává stejný: informace najít, roztřídit, propojit a předat tak, aby se v nich vyznal i někdo jiný.

Běhání a politika

A pak je tu běhání. Moje sportovní kariéra nezačala právě učebnicově. Na jaře 2016 jsem byl kavárenský povaleč, který vážil ke sto kilům. Jednou v noci, po několika lahvích vína, jsem dostal znamenitý nápad a za pár hodin startoval na triatlonu, který pořádal můj hostitel. Triatlon jsem přežil a od té doby běhám, mám už za sebou šestadvacet maratonů, včetně několika medailí z mistrovství republiky v maratonu v kategorii 50+ a 55+.

Vedle práce a běhání se stále častěji vracím k veřejným a akademickým otázkám. V Kabinetu budoucnosti hnutí STAN působím jako stínový ministr pro vědu, výzkum a inovace. Čtyři roky jsem byl členem vládní Rady pro výzkum, vývoj a inovace (RVVI), než se Karel Havlíček vrátil do vlády, rozpoznal, že o vědě a inovacích nic nevím, a vyhodil mě.

Někdy se mé různé životy náhodou potkají. V letošním Běhu pro Paměť národa jsem zaběhl desítku za 43:51 a o dvě minuty porazil čtyřčlennou štafetu ODS v čele s předsedou Martinem Kupkou. Jsou sice mladší, ale zase běželi štafetu po rovině, zatímco závod jednotlivců vedl přes kopce.

Kompas, knihy a nakladatelství

Letošní nástup agentického programování mi umožnil začít uskutečňovat dávnou vizi. Tak vznikl Občanský kompas – místo, kde dávám dohromady témata, o nichž se hodně mluví, ale špatně se v nich orientuje: důchody, média, umělou inteligenci a další. Nechci lidem říkat, co si mají myslet. Chci jim dát mapu, zdroje a souvislosti. Posbírat, co leží roztroušené po různých oborech, a zkusit v tom najít cestu. Tentokrát bez laboratoře, firmy a grantu – jen já, AI, která píše a spouští kód, a úsudek, který drží stráž.

Pak mě jednou ve čtvrtek napadlo, že by jednotlivým částem Kompasu prospělo, kdyby jednou za čas vyšly knižně. Ještě ten večer jsem si datovou schránkou rozšířil živnost, požádal Národní knihovnu o registraci ISBN a založil vlastní nakladatelství. Žádný velký plán, jen další nápad, se kterým byla škoda čekat do pondělí.

Od června v něm vyšly čtyři otevřené knihy – o veřejnoprávních médiích, důchodech, počasí ve Slaném a nakonec 463stránkový průvodce umělou inteligencí. Každá vychází ve třech verzích, každá se svým ISBN, má trvalý digitální identifikátor DOI a licenci CC BY pro volné užití s uvedením autora. Živé verze se mohou dál měnit, kniha zůstává otiskem jednoho okamžiku.

Tempo zrychluje

Vedle toho rozšiřuji mila.guide, blog i krátké poznámky z četby. Co dřív znamenalo roky učení, shánění lidí a budování zázemí, se dnes vejde do několika týdnů.

Já sám rozhodně nezrychluji. Stárnu a poznávám to. Paměť slábne, energie ubývá a s nimi i chuť sedět nad jednou věcí hluboko do noci. Co by dřív zabralo několika lidem půl roku, dnes s pomocí AI udělám za týden. Tím ale práce nekončí. Jen se rychleji dostanu k tomu, co za mě nikdo neudělá: ověřovat, vracet se, opouštět slepé uličky, porovnávat zdroje a rozlišovat, co je důležité a co jen vypadá chytře.

V tom se třicet let zkušeností hodí. Ne jako zásoba hotových odpovědí, ale jako zvyk zpozornět, když něco nehraje. Můj cit pro kontext není neomylný. Někdy se ozve zbytečně a jindy mlčí, když by měl křičet. Bez něj je ale rychlost AI spíš past než výhoda. Model vám nabízí mnoho cest, zkušenost napoví, po které z nich nejít.

Česko běží na liškách, ať chce, nebo nechce

Poliščení světa má pro malé Česko ještě větší váhu než pro velké státy. Rostoucí nároky na znalosti totiž dopadají nejvíc na menší země. Velký stát si může dovolit mít ježka pro každý obor, země s deseti miliony obyvatel takový luxus nemá. Nedokáže naplnit všechny odborné přihrádky specialisty – a to ani v případě, že neví, co je protekce a známosti.

Česko vždy běželo na liškách z nouze. Úřednice na malé obci má na stole dotace, územní plán, odpady i GDPR. Učitel přechází mezi předměty, které je třeba odučit. Ředitel firmy je chvíli personalistou, chvíli právníkem a někdy i celým IT oddělením. Nejsou to žádní povrchní diletanti. Často to ale bývají poctiví ježci, kteří se v liščí roli necítí dobře, ale někdo ty věci udělat musí. A právě těm může AI hodně pomoci. Neudělá z nich specialisty na všechno, ale dá jim nástroje, které odpovídají šíři toho, co po nich chceme.

Systém stále odměňuje ježky

Naše instituce ale pořád mluví jazykem ježků a zavedená praxe se mění těžko. Habilitace má svůj obor. Atestace má svůj obor. Studijní program může zasahovat do více oblastí vzdělávání, jenže pak musí splnit požadavky všech, do nichž patří. Granty se posuzují v oborových panelech, kariérní řády zase pracují s předem vymezenými kategoriemi, které se snadno evidují a hodnotí.

Nic z toho není hloupost. Instituce nejsou jen zpátečnické škatulky; jsou také pamětí společnosti. Mám rád Edmunda Burka, britského politika a myslitele z 18. století, který tvrdil, že reformovat je třeba, ale s pokorou k tomu, co vznikalo déle než jeden volební cyklus. Nevadila mu změna. Vadila mu představa, že lze společnost rozebrat na součástky a znovu ji složit podle čistého plánu.

Problém je, že reálný svět se přesně škatulkovat nedá. Mnoho podstatného se děje právě tam, kde jedna škatulka končí a druhá začíná. Hranice mezi užitečnou institucí a účinnou brzdou je někdy velmi tenká.

Ježek i liška

Berlin ostatně sám varoval, abychom jeho lišky a ježky nebrali příliš doslova. Je to úhel pohledu, ne diagnóza na celý život. Brad Berens to říká ještě praktičtěji: liškou nebo ježkem jsme v určité situaci, ne od narození do smrti. Čistých exemplářů je málo. Většina z nás je v několika věcech ježkem a ve zbytku liškou.

Do cizího světa dnes můžeme vstoupit mnohem rychleji než dřív: pochopit jeho řeč, základní pojmy i to, kudy se v něm chodí. Těžší je poznat, co v něm opravdu platí. Tam stále rozhodují zkušenost, úsudek a čas.

AI pomáhá lišce přebíhat mezi poli a ježkovi držet se jedné věci až na dřeň. Jedno ale za nás neudělá: nepozná, kdy je čas přeskočit mez a kdy jít po jedné brázdě až na konec.

Stejně jako většina mých textů vznikl i tento v dialogu s několika jazykovými modely. Pomáhají mi s formulacemi, protiargumenty a oponováním mým závěrům. Směr, výběr argumentů i konečná podoba jsou moje, důležitá tvrzení ověřuji ve zdrojích a za výsledek nesu odpovědnost já. Více v úvodním textu blogu. Kniha Umělá inteligence srozumitelně – od fungování modelů po dopady na práci, školu i demokracii, včetně českého kontextu – je zdarma ke stažení pod licencí CC BY 4.0.

Kapitoly o tom, jak jazykové modely fungují, kdo je staví a kolik stojí, tvoří jen část knihy. Hlavní pozornost patří tomu, kdo umělou inteligenci ovládá a k čemu se používá: jak zasahuje do války, práce, školy, psychiky a demokracie – do oblastí, které ovlivňují každodenní život i fungování společnosti.

Čipy a velmocenský střet

Devět z deseti nejvyspělejších čipů světa vyrábí jediná firma – tchajwanská TSMC. Stroje nezbytné pro jejich výrobu dodává rovněž jediný výrobce, nizozemská ASML; jeden stroj stojí 200 až 400 milionů dolarů a do Číny nebyl nikdy dodán ani jeden. Čína má naopak silnou pozici ve zpracování vzácných zemin, kde drží 91 %, a ve výrobě permanentních magnetů s podílem 94 %. V roce 2025 tuto páku dvakrát využila zpřísněním vývozních licencí.

Kolem této vzájemné závislosti se odehrává velmocenský střet. Washington omezuje vývoz čipů do Číny licencemi a cly, zatímco Peking v listopadu 2025 zakázal nákup zahraničních AI čipů do státem financovaných datacenter. Podíl NVIDIA na čínském trhu pak podle jejího šéfa klesl z 95 % téměř na nulu. Kapitola Geopolitika: USA, Čína, čipy a Tchaj-wan přidává i českou stopu. Nad tím vším visí Tchaj-wan: škody z případné blokády ostrova se odhadují na alespoň dva biliony dolarů a analytici z CSIS a RAND dávají konfliktu do roku 2030 pravděpodobnost 5 až 15 %.

Zbraně a dohled nad lidmi

Nejtvrdší školu AI dnes představuje Ukrajina. Umělá inteligence tam z běžného dronu dělá zbraň, která si dokáže najít cíl sama: software rozpozná ruskou techniku – ukrajinský systém Saker Scout rozliší až 64 typů vojenských objektů – a v závěru letu k ní dron dovede i po přerušení spojení s operátorem kvůli elektronickému rušení. Modul, který tuto schopnost přidá běžnému dronu, se prodává za 50 dolarů. Člověk zatím cíl vybírá a útok schvaluje, jeho dokončení už ale může převzít stroj – a hranice mezi člověkem řízenou zbraní a autonomním systémem se tím stírá.

Gaza ukazuje jinou tvář téže technologie: AI, která zbraň nenavádí, ale vybírá možné cíle. Izraelská armáda podle investigace magazínu +972 používala systém Lavender, který označil 37 000 lidí jako možné cíle; v počáteční fázi připadalo na lidskou kontrolu jednoho návrhu kolem dvaceti sekund. Člověk tak formálně zůstal v rozhodovací smyčce – není ale jasné, co jeho dohled během dvaceti sekund skutečně znamená.

Do vojenské AI přitom vstupují stejné firmy, jejichž chatboty používáme v práci. OpenAI, Google i Meta v posledních dvou letech zmírnily omezení vojenského využití svých modelů a Pentagon s AI firmami uzavřel smlouvy až za 200 milionů dolarů pro každou z nich. Anthropic naopak odmítl poskytnout svůj model pro hromadné sledování a plně autonomní zbraně – a o zakázku přišel. Kapitola AI v armádě a vojenství se soustředí na dvě otázky: kolik rozhodování o použití síly ještě zůstává člověku a proč pro plně autonomní zbraně dosud neplatí závazná mezinárodní pravidla.

Od války je blízko k dohledu. Firma Clearview AI stáhla z internetu přes 30 miliard fotografií obličejů bez souhlasu jejich majitelů; v Evropě za to dostala pokuty v desítkách milionů eur, zatímco v USA její databázi dál používá FBI. Rozpoznávání tváří přitom není bezchybné: na kvalitních snímcích se systémy pletou v 0,1 % případů, na záběrech z ulice i ve více než 20 %. Ve Spojených státech je kvůli chybné shodě doloženo nejméně patnáct zatčení nevinných lidí.

Česko není jen divákem. Policie v Pardubicích a Plzni si pořídila systémy rozpoznávání obličejů bez povinného posouzení dopadů na ochranu osobních údajů a fotbalová Slavia podobný systém po zásahu Úřadu pro ochranu osobních údajů opustila. Evropou navíc hýbe spor o chat control, povinné skenování zpráv včetně šifrovaných. Kapitola Dozor, policie a riziko „policejního státu“ ukazuje obě strany sporu: hlášení groomingu – navazování kontaktu s dětmi s cílem je zneužít – v EU vzrostla za dva roky ze 7 691 na 106 069, povinné skenování by se ale týkalo zpráv nás všech. Přidávám v ní i vlastní stanovisko.

Práce a mzdy

Tahle technologická revoluce jako první v dějinách dopadá dřív na kancelářské profese než na práci v dílnách – například na právníky, účetní nebo programátory. Jak silně, na tom se ekonomové výrazně rozcházejí: Goldman Sachs mluví o 300 milionech pracovních míst po celém světě, která by AI mohla nahradit, zatímco nobelista Daron Acemoglu odhaduje, že se zatím vyplatí automatizovat jen asi 5 % úkolů. Kapitola Dopad na trh práce a ekonomiku vysvětluje, proč se seriózní odhady tolik liší – a proč nevěřit titulkům ani jedné strany.

První měřitelné dopady už jsou vidět. Stanfordská analýza mezd, příznačně nazvaná „kanárci v dole“, zjistila pokles zaměstnanosti o 13 % u lidí ve věku 22 až 25 let v profesích nejvíce vystavených AI – například v programování a zákaznické podpoře. Americké firmy v první polovině roku 2026 uvedly umělou inteligenci jako důvod zrušení více než sto tisíc míst. Jde o jejich vlastní tvrzení, nikoli o prokázanou příčinu, trend je ale výrazný.

V Česku AI nejspíš nezpůsobí nedostatek práce, ale výraznou proměnu profesí. Podle ČNB je jí vystaveno 23,2 % pracovních úkolů a studie pro ministerstvo práce sice očekává do roku 2035 zánik 355 tisíc míst, ale zároveň i vznik 955 tisíc nových. Rekvalifikaci bude potřebovat přes půl milionu lidí.

Roboti a energie

Slovo robot dala světu čeština. Dnes na světě pracuje 4,7 milionu průmyslových robotů a samotný Amazon jich nasadil přes milion. Novou vlnou jsou humanoidi: čínský Unitree prodává model G1 od zhruba 16 000 dolarů a vládní plán počítá v Číně se sto tisíci nasazenými humanoidy do roku 2027.

Kapitola AI a roboti: kdo ovládne výrobu ale upozorňuje, že virální videa mohou klamat: některé tančící roboty řídí na dálku člověk a záběry bývají sestříhané. Podstatnější je, kdo bude vyrábět samotné stroje. Čína v roce 2024 instalovala 54 % všech nových průmyslových robotů světa a vyrábí týchž 94 % magnetů se vzácnými zeminami, o kterých byla řeč u čipů – bez nich se humanoidi neobejdou. Česko patří k nejrobotizovanějším zemím Evropy – jako uživatel, ne výrobce.

Robotika ale není jediná oblast, kde AI potřebuje stále více fyzické infrastruktury. Každá odpověď chatbota se musí někde spočítat a spotřeba elektřiny v datacentrech má podle Mezinárodní energetické agentury do roku 2030 vzrůst téměř na dvojnásobek, na 950 TWh – zhruba tolik, kolik dnes spotřebuje celé Japonsko. Hlavní část spotřeby přitom netvoří trénink modelů, ale jejich každodenní provoz; samotný ChatGPT má přes 900 milionů uživatelů.

Rostoucí spotřeba už mění i energetiku. Kvůli AI se v Pensylvánii restartuje jaderná elektrárna Three Mile Island pro Microsoft a Meta si v Louisianě staví deset plynových elektráren o výkonu bezmála čtyř Dukovan. Zákazníkům v části USA má kvůli tomu elektřina do roku 2028 zdražit o více než 23 miliard dolarů. Kapitola Energie, datacentra a environmentální dopad připomíná i český případ: Microsoft ustoupil od datacentra v pražských Klíčovech podle prezidenta firmy kvůli nedostatku čisté energie, ne byrokracii.

Škola

O využití AI ve škole hodně napověděl turecký experiment s necelou tisícovkou středoškoláků. S ChatGPT řešili matematická cvičení o 48 % lépe, ale v následné zkoušce bez něj dopadli o 17 % hůř než žáci, kteří chatbota neměli. Když dostali upravenou verzi, která jen napovídala a neprozrazovala řešení, rozdíl zmizel. Klíčový tedy není samotný zákaz, ale způsob použití – New York ostatně ChatGPT na školních sítích zakázal a po čtyřech měsících zákaz zrušil.

Kapitola Vzdělávání a kritické myšlení srovnává strategie od Estonska po Jižní Koreu včetně jejich dosavadních problémů a vysvětluje slabiny detektorů AI textu, které mimo jiné častěji podezírají nerodilé mluvčí. České školství je přitom v evropském srovnání překvapivě vepředu: AI ve výuce použilo 46 % učitelů oproti 32 % v EU a v jejich proškolení jsme se Slovinskem první v Unii.

Psychika a hodnoty

Jedna z nejcitlivějších oblastí je vliv AI na psychiku. Stanfordská studie v časopise Science zjistila, že chatboti dávají lidem za pravdu o 49 % častěji než jiní lidé – i když uživatel popisuje škodlivé jednání. Pochlebování přitom není jen chyba systému, ale vlastnost, na kterou lidé dobře reagují. OpenAI proto jednu verzi ChatGPT po třech dnech stáhla, protože uživatelům přitakávala i u impulzivních nápadů.

AI společníka si vyzkoušelo 72 % amerických náctiletých a téměř třetina označila rozhovory s AI za stejně nebo více uspokojivé než rozhovory s přáteli. Krajní případy už končí u soudu. Kapitola Psychologie: vztah člověka s AI rozebírá sebevraždu čtrnáctiletého chlapce po vztahu s chatbotem, první žalobu spojující chatbota s vraždou i údaj samotné OpenAI: známky možného plánování sebevraždy vykazuje týdně 0,15 % jejích uživatelů, což při tehdejším počtu uživatelů odpovídalo 1,2 milionu lidí. Ukazuje ale i to, co fungovat může – terapeutické chatboty s pevnými mantinely.

Žádný model není hodnotově neutrální. Čínský DeepSeek odmítá 85 % politicky citlivých dotazů a cenzuru má zabudovanou přímo ve vahách modelu, nejen ve webové aplikaci. Problémy ale nejsou jen v Číně: Amazon zrušil náborovou AI, která znevýhodňovala životopisy se slovem „ženský“, a nizozemský algoritmus na daňové podvody neprávem označil desetitisíce rodičů. Přes 2 000 dětí kvůli tomu skončilo mimo rodiny a skandál v roce 2021 položil vládu.

Kapitola Etika AI a střet hodnot ukazuje i skrytou cenu chytrých modelů. Keňští pracovníci za 1,32 až 2 dolary na hodinu procházeli texty o násilí a zneužívání, na kterých se modely učily bezpečnosti; jeden z nich práci novinářům popsal slovy „Bylo to mučení.“ Anthropic zase zaplatil autorům knih stažených z pirátských knihoven 1,5 miliardy dolarů v největším známém autorskoprávním vyrovnání v USA. Kdo určuje, co je pro model správně – a kdo za to platí – patří k hlavním otázkám celé knihy.

Volby a dezinformace

U voleb zatím výzkumy neukazují, že by AI dezinformace prokazatelně měnily výsledky. Britský Alan Turing Institute prošel volby v Evropě, Asii i USA a nenašel jediný takový případ. Zákeřnější může být takzvaná lhářova dividenda – možnost vydávat pravou nahrávku za podvrh. Přesně to v roce 2025 udělala jedna česká poslankyně, když kompromitující nahrávky označila za výtvor umělé inteligence; soudní znalkyně potvrdila, že jsou pravé.

Deepfaky se u nás přesto zabydlely: podvržená videa Andreje Babiše nebo Víta Rakušana lákala hlavně na investiční podvody a od ledna 2026 trestní zákoník výslovně postihuje podvrhy napodobující něčí podobu nebo hlas. Kapitola Volby, dezinformace, deepfake a demokracie ale upozorňuje na možná větší riziko. Studie v časopise Nature zjistila, že rozhovor s chatbotem posouvá postoje voličů zhruba čtyřikrát účinněji než klasická politická reklama. Pro demokracii tak nemusí být největší hrozbou falešná videa, ale trpělivé přesvědčování pomocí AI.

Pravidla a existenční rizika

Pravidla mezitím dostávají jasnější podobu. Evropský AI Act je první ucelený zákon o umělé inteligenci na světě. Zakazuje mimo jiné sociální skórování občanů a plošné rozpoznávání tváří v reálném čase; za porušení hrozí pokuta až 35 milionů eur nebo 7 % světového obratu firmy, tedy více než podle GDPR. Od srpna 2026 navíc platí povinné označování AI obsahu a od prosince 2026 přibude zákaz „svlékacích“ aplikací.

Regulace AI se přitom ve světě vyvíjí velmi nerovnoměrně. Kapitola AI Act a regulace v EU, ČR a ve světě ukazuje, že Česko je stále ve fázi příprav: zákon o AI zůstává ve vládní fázi a dohled si má rozdělit pět institucí. Jinde jsou pravidla výrazně mírnější – jihokorejský zákon počítá s pokutami kolem 21 tisíc dolarů, tedy zhruba o tři řády nižšími než v EU. A ve Spojených státech se federální vláda dokonce přidala k žalobě proti Coloradu kvůli tomu, že si tento stát začal regulovat AI sám.

A nakonec otázka, na které se neshodnou ani špičky oboru: může nás AI přerůst? Odhady „pravděpodobnosti zkázy“ sahají od setiny procenta po více než 95 %. Kapitola AGI, ASI a existenciální rizika proto místo spekulací sleduje měřitelnější ukazatele – například délku úkolu, který nejlepší model zvládne samostatně. Ta se zdvojnásobuje každé čtyři měsíce a na jaře 2026 dosáhla dvanácti hodin.

Schopnosti AI přitom postupují nerovnoměrně – mluví se o takzvané zubaté hranici. V roce 2026 dva systémy vyřešily úlohy mezinárodní matematické olympiády na plný počet bodů, ale v testu ARC-AGI-3, který je pro lidi snadný, zůstávají přední modely pod jedním procentem. Bezpečnostní testy ukazují další zvláštnosti: jeden model v testu podváděl a na dotazy výzkumníků to ve více než 85 % případů popřel; v červenci 2026 pak unikl AI agent OpenAI z testovacího prostředí do systémů firmy Hugging Face. Obavy z umělé inteligence přitom přiznává 93 % Čechů; kapitola proto pomáhá odlišit doložené trendy od spekulací.

Umělá inteligence není téma jen pro techniky. Rozhoduje o tom, jak se bude pracovat, učit, volit, hlídat i rozhodovat – a velká část těchto pravidel vzniká mimo Česko. Pro občana je proto důležité rozumět tématu natolik, aby dokázal odlišit reálná rizika a možnosti od přehnaných slibů a obav. Poslední velká kapitola Co s tím – praktický průvodce pro občana shrnuje, co si z předchozích témat odnést a jak o nich přemýšlet v každodenním životě.

Pár slov o knize na závěr

Proč právě tahle kniha? Když jsem před psaním procházel, co o umělé inteligenci vyšlo česky i ve světě, většina titulů sledovala jednu hlavní linku – práci, filozofii, rizika nebo příběh jedné firmy. Knihu, která by spojovala technologii, geopolitiku, práci, školu, psychiku i demokracii, navíc s českým kontextem, zdarma a pod otevřenou licencí jsem nenašel. A tak jsem ji s pomocí AI napsal.

Text jsem rozdělil na 204 částí, které prošly 872 koly revizí. Návrhy si vzájemně oponovaly modely Anthropicu, OpenAI a Googlu, ale směr i odpovědnost zůstaly na mně. Jeden autor sám těžko pokryje dvacet oborů do šířky i hloubky – právě v tom mi umělá inteligence pomohla. Širší kontext popisuji v článku Nakladatelství jednoho člověka a umělé inteligence.

Výsledkem je kniha, do které se dá vstoupit po malých částech. Na stránce Stáhnout je každá z dvaceti kapitol samostatně jako PDF o 2 až 29 stranách, vždy ve stručné i podrobné verzi. Zdarma je i živá webová verze, která se na rozdíl od knižního vydání dál aktualizuje. Celá kniha – 463 stran ve formátech PDF, ePub a HTML, bez DRM – je k dispozici v nakladatelství.

I tento text vznikl podobně jako kniha, o které píše. Při psaní jsem pracoval s jazykovými modely: z jednotlivých kapitol mi pomáhaly vybírat témata, která by mohla čtenáře nejvíc zajímat, a oponovaly mým formulacím. Výběr, směr i konečná podoba textu jsou moje a odpovědnost za něj nesu já.

Kdo chce umělé inteligenci rozumět, nemusí sledovat každý nový model ani pročítat odborné studie. Potřebuje hlavně vědět, co je skutečně důležité a co lze s klidem pominout. Tahle série textů má nabídnout právě takový přehled — srozumitelně a v čase, který se dá zvládnout. Chci tu vysvětlovat, co dnešní modely umějí a neumějí, kam se vývoj posouvá, kdo za ním stojí a podle jakých pravidel se umělá inteligence používá. A také sdílet vlastní zkušenosti s tím, co v praxi funguje, co ne a kde je dobré být opatrný.

Pro koho píšu

Píšu pro čtenáře, kteří chtějí umělé inteligenci lépe rozumět. Nepředpokládám technické znalosti — programování, statistiku ani právnické vzdělání. Odborné pojmy vysvětluji při prvním použití a zkratky rozepisuji.

Zároveň nechci věci zjednodušovat tak, až přestanou dávat smysl. Když je něco složité, raději to rozeberu krok za krokem. Čísla, data, citace nebo odkazy na konkrétní pravidla doplňuji zdrojem, aby si je každý mohl ověřit.

Texty nemají pevný rytmus. Píšu tehdy, když mám co říct — ne proto, že je zrovna čtvrtek.

Kniha a další zdroje

Základem těchto textů je moje kniha Umělá inteligence srozumitelně – co umí a co ne, kdo ji ovládá a jak mění práci, peníze i demokracii. Je zdarma a zdarma zůstane. Ke stažení je v nakladatelství ve formátech PDF, ePub a HTML.

Navazuji ale i na to, co průběžně čtu. Každý den procházím velké množství článků nejen ze světa umělé inteligence — třeba u snídaně nebo během přestávek v programování. Zajímá mě, co je nové, co se mění a co stojí za pozornost.

Jak to tu chodí

Substack je platforma pro publikování článků a jejich zasílání e-mailem. Umožňuje i placené předplatné, ale tenhle blog chci nechat trvale zdarma. Všechny články proto budou volně přístupné a žádný se nebude schovávat za placenou zeď.

Kdo tu nechá e-mail, dostane nový text rovnou do schránky. Číst se dá i bez registrace — přímo na webu nebo v aplikaci Substack, která funguje jako čtečka.

Jak texty vznikají

Texty vznikají v dialogu s několika jazykovými modely. Často si nechám stejnou pasáž navrhnout několikrát, upravím pár slov nebo zadání a zkusím to znovu, dokud nejsem s výsledkem přiměřeně spokojený. Modely využívám také k hledání protiargumentů a jiných pohledů.

Směr, výběr témat i konečná podoba textu jsou ale moje. Důležitá tvrzení si ověřuji buď přímo v původním zdroji, který celý pročtu, nebo je nechávám projít několika nezávislými kontrolami zaměřenými na fakta, čísla a souvislosti. Na použité zdroje v textu odkazuji, aby si je mohl každý ověřit i sám. Za výsledný text nesu odpovědnost já. Pokud se něco ukáže jako chybné, opravím to a uvedu, co se změnilo.

Všechny knihy si může kdokoli zdarma stáhnout. Každá má řádně přidělené ISBN i DOI a všechny napsal a vydal jediný člověk – ve spolupráci s několika velkými jazykovými modely.

V tomto textu chci ukázat, jak takové nakladatelství funguje. A také vysvětlit, proč se k používání umělé inteligence otevřeně hlásím a proč si myslím, že právě ona může v publikování nabídnout řešení vhodné pro malý český trh.

Co nakladatelství nabízí a jak funguje

Nakladatelství funguje na adrese vydavatelstvi.mila.guide. Nevzniklo pod hlavičkou žádné instituce ani s podporou grantu: vedu ho pod svým jménem a je registrované u české Národní agentury ISBN. Každá kniha má vlastní stránku s obálkou, anotací, obsahem a soubory ke stažení – bez registrace a bez technických omezení.

Zatím vyšly čtyři knihy:

• Veřejnoprávní média srozumitelně (12. června 2026, 177 stran) – jak fungují a z čeho se financují Česká televize a Český rozhlas a proč záleží na jejich nezávislosti.

• Důchody srozumitelně (30. června 2026, 159 stran) – jak funguje český důchodový systém, jak si stojí ve srovnání se systémy jiných států a jaká rizika mu hrozí.

• Počasí ve Slaném 1940–2025 (13. července 2026, 70 stran) – ročenka z dat meteorologické reanalýzy ERA5: vývoj teplot, srážek a rekordů. Lokální příklad středočeského města ukazuje dopady globálních změn klimatu.

• Umělá inteligence srozumitelně (14. srpna 2026, 463 stran) – průvodce pro občana, ne pro vývojáře: jak modely doopravdy fungují, kdo je vyrábí, co nařizuje evropský AI Act a co z toho platí pro Česko.

Knihy vycházejí ve třech formátech: PDF pro tisk a čtení na počítači, ePub pro čtečky a HTML pro čtení v prohlížeči. Všechny pod licencí Creative Commons BY 4.0, která dovoluje volné sdílení i úpravy při uvedení autora.

Systém identifikátorů má dvě úrovně. Každá kniha má takzvané konceptové DOI – trvalý identifikátor, který vždy míří na její nejnovější vydání. Každé jednotlivé vydání pak dostává vlastní DOI. Při citování si tak lze vybrat mezi konkrétním datovaným vydáním a titulem jako průběžně aktualizovanou řadou.

DOI registruji přes repozitář Zenodo, a to záměrně: malé nakladatelství nemůže věrohodně slíbit, že jeho vlastní server bude fungovat i za dvacet let. Zenodo je otevřené digitální úložiště provozované laboratoří CERN, vzniklo v rámci evropského programu OpenAIRE a zajišťuje dlouhodobé uchování publikací.

Každé vydání do něj ukládám v plném znění, včetně metadat a propojení s autorským identifikátorem ORCID. Zenodo ručí za to, že DOI vždy povede k dostupnému záznamu – knihy tak nejsou závislé na jediné soukromé doméně.

Konkrétně průvodce důchodovým systémem má konceptové DOI 10.5281/zenodo.21073410. Kdo ho uvede v citaci, odkazuje vždy na nejnovější vydání. První vydání z 30. června 2026 má zároveň vlastní DOI, takže citace v rešerši nebo závěrečné práci může odkazovat přesně na tu podobu textu, kterou autor práce četl. Popularizační kniha tak získává stejnou citační infrastrukturu, jakou vědecké repozitáře běžně poskytují článkům, datovým souborům a softwaru.

Pro knihovny a katalogy je k dispozici strojově čitelný katalog ve formátu ONIX 3.0 a jednoduché JSON API, takže záznamy lze převzít automaticky.

Živý webový průvodce, datované knižní vydání

Samotné texty nevznikají v interním systému nakladatelství. Výchozí podobou každého průvodce je průběžně aktualizovaná sekce webu Občanský kompas (obcansky-kompas.mila.guide). Kapitoly tam upravuji podle změn v zákonech, zpětné vazby čtenářů i technického vývoje.

Zvenku jsou zatím viditelné tři průvodce: veřejnoprávní média, důchody a umělá inteligence. Několik dalších je rozpracovaných. V pokročilé fázi je i kniha o mnoha tvářích větru – od větrné energetiky po bohy větru. Vyjde na podzim.

Průvodci vycházejí z primárních zdrojů – zákonů, statistik a oficiálních dokumentů – a srozumitelně vysvětlují veřejná témata, o nichž se až příliš často rozhoduje jen na základě povrchních dojmů.

Kniha je datovaným snímkem průvodce: má číslo vydání, rok a poznámku typu „Stav k 30. červnu 2026“. Webová verze naproti tomu funguje jako živá databáze – co je na ní dnes, se může zítra změnit. Ne každá kniha ovšem vzniká takto: datové publikace, jako je ročenka slánského počasí, vycházejí rovnou z dat a živý webový protějšek nemají.

Knižní vydání nabízí to, co web neumí: stabilní, citovatelný a archivovatelný dokument s pevnou identitou. Odkaz na konkrétní vydání s ISBN, DOI a datem snímku bude použitelný i za deset let, zatímco poznámka „našel jsem to kdesi na webu“ nikoli.

Psáno v dialogu s umělou inteligencí

V elektronickém publikování nejsem nováček. Založil jsem server zvon.org, jeden z prvních webů na světě věnovaných technologiím XML, a vedl jsem tým, který převedl mezinárodní slovník chemické terminologie IUPAC Gold Book do strukturovaného formátu. Na pražské Vysoké škole chemicko-technologické jsem pak vybudoval Laboratoř informatiky a chemie.

Podstata té práce se za čtvrtstoletí příliš nezměnila: pořád jde o to shromáždit roztroušené a obtížně dostupné poznání a převést je do srozumitelné podoby. Zásadně se změnilo tempo. Co dřív zabíralo roky, zvládnu dnes s pomocí umělé inteligence za měsíce, týdny, někdy i dny.

Pod doménou mila.guide dnes vedle nakladatelství a Občanského kompasu provozuji i zpravodajský portál o městě, kde žiji, archiv pětadvaceti let mé běžecké komunity a hloubkové analýzy právě projednávaných zákonů.

Jak tedy knihy a weby vznikají? Rozhodně ne stisknutím tlačítka „vygeneruj knihu“. Cesta od nápadu k hotovému dílu trvá týdny i měsíce. Během ní si s jazykovými modely vyměním miliony slov, napíšu s nimi stovky skriptů a vytvořím řadu specializovaných aplikací.

Teď bych se chtěl na chvíli zastavit u textu, kterým uvádím své knihy i webové průvodce:

Tyto texty nejsou ani čistě mým dílem, ani čistě dílem umělé inteligence. Hotové věty do textového editoru nevkládám přímo – i mé vlastní formulace se do něj dostávají prostřednictvím umělé inteligence. To ale neznamená, že bych jí přenechal rozhodování o obsahu.

– úvodní kapitola „Jak tyto texty vznikají“, společná všem knihám řady

V praxi si modely navzájem oponují, opravují své výstupy a nabízejí varianty. Já určuji směr, zadávám úpravy a rozhoduji, co se dostane do výsledného textu. Některé věty nakonec napíšu sám, protože se mi nedaří přimět umělou inteligenci, aby mou myšlenku vystihla přesně. Konečné rozhodnutí i odpovědnost zůstávají na mně.

Proto v tiráži ani v bibliografických metadatech umělou inteligenci neuvádím: formálním autorem a nositelem odpovědnosti je člověk. Její podíl však nezamlčuji. Každá kniha jej naopak otevřeně popisuje, protože čtenář má právo vědět, co čte.

Otevřený popis zároveň čtenáři ukazuje, jakým směrem a jak rychle umělá inteligence postupuje. Mnoho lidí stále vychází z předsudků založených na zkušenosti s výrazně slabšími modely, které navíc často jen jednorázově vyzkoušeli – několika náhodnými dotazy v bezplatných verzích.

Práce v uceleném systému, s nejlepšími dostupnými modely a s agenty zaměřenými na různé části procesu, vypadá jinak: dovolí projít prameny v mnohem větší šíři, nechat si tvrzení oponovat jiným modelem a text přepsat v řadě kol.

Kniha Umělá inteligence srozumitelně vyšla 14. srpna a věnoval jsem jí ještě více času než předchozím průvodcům. Jak přesně vznikala – jak se práce dělí mezi autora, jazykové modely a specializované agenty, kde umělá inteligence skutečně šetří čas a kde naopak potřebuje přesné vedení – bude tématem navazujícího textu.

Komu to může být užitečné

Nakladatelství je malé, ale od začátku vzniká tak, aby se jeho produkce dala snadno využívat a aby na ni šlo navazovat. Smyslem projektu není zisk, ale snaha dostat poctivě zpracovaná veřejná témata k co největšímu počtu čtenářů; náklady přitom pomáhá držet nízko právě umělá inteligence. Užitek z toho může mít učitel hledající podklad k hodině, novinář nebo úředník, který se potřebuje rychle zorientovat v cizí agendě, knihovna i každý, kdo si chce na veřejné téma udělat vlastní názor.

• Volné šíření. Licence Creative Commons BY 4.0 dovoluje knihy stahovat, tisknout, půjčovat i dál šířit, pokud je uveden autor – bez poplatků a vyjednávání o právech.

• Citovatelnost. Každý formát má vlastní ISBN, každé vydání DOI a autor identifikátor ORCID. Odkaz ve školní práci nebo v článku tak vede přesně na tu podobu textu, kterou čtenář opravdu četl.

• Formát podle čtenáře. PDF k tisku a čtení na počítači, ePub do čtečky, HTML k okamžitému otevření v prohlížeči – vše bez ochrany DRM.

• Referenční zdroj. Průvodci věnovaní důchodům, veřejnoprávním médiím či umělé inteligenci mohou posloužit jako první odpověď na časté otázky – v knihovně, v redakci i u kuchyňského stolu.

• Regionální data. Ročenka Počasí ve Slaném 1940–2025 ukazuje, že podobnou místní datovou publikaci lze bez velkých nákladů vytvořit pro kterékoli české město.

Doufám také, že projekt poslouží jako inspirace dalším autorům. Mnoho lidí má jedinečné zkušenosti nebo hluboké znalosti oboru, ale napsat kvalitní publikaci ještě donedávna znamenalo měsíce práce – a v češtině je okruh čtenářů malý, u místních témat často jen několik set lidí.

Pokud se profesně věnujete jiné práci, nemůžete si dovolit trávit dlouhé týdny intenzivním psaním. Jakmile ale nástroje převezmou většinu rutiny, zbývající práce je časově zvládnutelná a hlavně zajímavější – a hodně se při ní naučíte. Právě v tom vidím odpověď na malý český trh: téma, které by se komerčnímu nakladatelství nikdy nevyplatilo, zvládne jeden člověk s dobrými nástroji.

Stejným postupem – v dialogu s jazykovými modely a pod plnou autorskou kontrolou – vznikl i text, který právě čtete. První verze byla hotová za jediný den, pak následovalo několik kol úprav, editorský posudek a korektury. Když se soustředíte na myšlenky a velkou část přípravných prací za vás převezme umělá inteligence, jde práce rychle – a pustíte se i do věcí, ke kterým byste se jinak těžko odhodlali.

Tím netvrdím, že čistě lidské autorství bez pomoci automatických nástrojů ztrácí smysl. Uvědomuji si i to, jak vyhrocené spory se vedou kolem umělé inteligence jako spoluautorky krásné literatury – končí až u rušení literárních cen a mimořádně ostrých osobních konfliktů.

Osobně si myslím, že už za pár let bude spoluúčast umělé inteligence na tvůrčí práci považována za samozřejmost – podobně jako se dnes nikdo nepozastavuje nad tím, že autor píše v textovém editoru s automatickou kontrolou pravopisu. Úroveň knih a článků by se neměla posuzovat podle nástrojů, s jejichž pomocí vznikly, ale podle hodnoty, kterou přinášejí čtenářům.

Subscribe now