AI se v posledních letech stala jedním z hlavních motorů ekonomického i akademického růstu. A to s sebou nese velkou otázku: kdo bude mít přístup k výpočetnímu výkonu a infrastruktury, kterou AI a pokročilé výzkumné úlohy potřebují. Na první pohled to zní jako technologický problém. V praxi jde ale o problém systémový, infrastrukturní a vzdělávací.
V diskusi o „50-State Plan“ jsem si odnesl několik jasných myšlenek: nestačí stavět izolované výukové programy nebo jednotlivé výpočetní klastry jen pro úzkou skupinu výzkumníků. Úkolem je demokratizovat přístup k high performance computingu a učinit AI kompetencí běžnou součástí studia v celé zemi. A k tomu se potřebuji naučit pracovat s novými modely veřejně-soukromých partnerství, regionálních konsorcií a přenosem technologií do škol, komunitních vysokých škol, univerzit i do začínajících firem.
V tomto článku se zaměřím na konkrétní rámce, příklady a metriky úspěchu, které zaznívaly v debatě. Půjde hlavně o to, jak propojit infrastrukturu, kurikulum a výzkum tak, aby z toho měli studenti, profesoři, regionální ekonomika i výzkumné granty.
Obsah
- 🚀 Proč je právě teď AI tak „jiná“ a co to znamená pro univerzity
- 📚 AI ve výuce a kurikulu: od „doplnění“ k nové standardní výbavě
- 🏗️ NSF a federální „dlouhé sázky“: od AI institutů k regionálním inovacím
- 🌎 Regionální plán: proč „50 států“ může být praktická strategie
- 🏭 Pittsburgh jako lekce: když se zničí průmysl, může vzniknout nová inovační vlna
- 🧩 Příběh „darování superpočítače“: University of Florida jako model
- 💰 Změna modelu financování: univerzity nemají „AI továrnu“ jako produkt
- 🧠 Národní AI Research Resource a „50-state solution“: přístup odkudkoli
- 🧭 Edge compute, on-prem a cloud: jedna infrastruktura napříč prostředími
- 🔬 Proč jde obrovské vědecké množství dat ruku v ruce s AI
- 📈 Jak měřit úspěch za 5 až 10 let
- 🏫 Jak dostat compute i do komunitních škol a praxe: „my nemáme prostředky“
- 🧰 Veřejně-soukromá partnerství pro otevřený přístup: „univerzální, dostupné, udržitelné“
- 🎨 Interdisciplinární engagement: humanitní obory nejsou vedlejší, spíš klíčový překlad
- 🧾 Co bych si odnesl jako univerzita, firma nebo vzdělávací instituce
- Závěr: infrastruktura pro AI má být „páteř společnosti“
🚀 Proč je právě teď AI tak „jiná“ a co to znamená pro univerzity
Když Chris Malakowski popisoval, co je na současném období zásadně odlišné, zdůraznil dvě věci. První je rychlost a šíře adopce. Nejde o technologii, která se nejdřív objeví v jedné kategorii a pak se postupně rozšíří. AI se „rozlila“ do veřejného prostoru a je znát v debatách o práci, dovednostech i každodenních nástrojích.
Druhá věc je, že veřejnost si často pod pojmem AI představí hlavně chatbot. To ale podle něj podceňuje skutečný potenciál. V jeho pohledu AI není jen rozhovor. Stává se rozhodovací podpůrnou vrstvou pro mnoho oblastí. Je to způsob, jak do systému přivést expertní znalost, kterou by bylo těžké držet v jedné hlavě, a jak získávat „inteligenci“, která se jinak ztrácí nebo je příliš nákladná na zpracování.
To má přímý dopad na univerzity. Úkol nebude jen „učit, jak používat chatbot“. Místo toho bude potřeba:
- učit úsudku (judgment) a schopnosti pracovat s nástroji, které generují výstupy,
- učit jak řídit agenty a systémy, které mohou vykonávat kroky za uživatele,
- přizpůsobit výuku tak, aby se automatizace netýkala jen úkolů, ale hlavně toho, co je lidsky podstatné.
Deborah Caldwell dodala, že AI se netýká jen vývoje technologií. Podle ní se urychluje i tempo objevů a inovací. A zároveň nabíhá nová potřeba: AI musí být jak obsahem učení (co je AI, jak funguje, jaké má limity), tak nástrojem učení napříč obory.
Teresa Mayer pak posunula pohled na infrastrukturu. Zdůraznila, že dnes nejde jen o velké jazykové modely. Díky accelerated compute lze trénovat foundation modely pro vědu a robotiku. A čím dál víc se objevuje „physical AI“, kde systémy interagují s reálným světem v komplexním prostředí.
V tomhle kontextu dává smysl, že regionální infrastruktura a dostupnost výpočetního výkonu se stávají strategickou potřebou, ne technologickou volbou „navíc“.
📚 AI ve výuce a kurikulu: od „doplnění“ k nové standardní výbavě
Jedním z nejsilnějších témat byla transformace kurikula. Caldwell popsala, jak na University of Tennessee řešili potřebu dostat AI do celého akademického ekosystému, ne jen do informatiky.
Konkrétně zmínila:
- zavedení faculty governance committee pro AI už v roce 2022,
- Gen AI faculty fellow program, který motivuje profesory zapojit AI do výuky,
- týmovou výuku (team teaching),
- snaha zajistit, že každý absolvent bude mít AI kompetence a bude rozumět tomu, proč je AI relevantní pro jeho obor.
Důležitý detail je, že zaměstnavatelé často kladou důraz spíš na důsledky pro pracovní sílu než na čistě výzkumný výkon. To univerzitám nepřímo říká, že AI kompetence musí být součástí „přenosu dovedností do praxe“.
V širším pohledu se tím mění role akademie: AI se nestává jen novým předmětem, ale průřezovým rámcem, který musí proniknout do metodiky všech oborů.
🏗️ NSF a federální „dlouhé sázky“: od AI institutů k regionálním inovacím
Brian Stone z National Science Foundation přidal federální pohled. NSF podle něj funguje jako instituce, která dělá dlouhodobé technologické sázky. AI vývoj se neudělal ze dne na den. Vznikal roky a desetiletí promyšlených investic.
Podle Stonea je současná inflexní chvíle dána tím, že AI už běžně používají lidé každý den. To ale podle něj neznamená, že je hotovo. Naopak: priority pro další etapu jsou:
- integrace AI do disciplín, které NSF podporuje,
- zajištění dovedností a kompetencí pro práci s AI napříč sektory,
- podpora regionální inovace přes konsorcia a přizpůsobení AI potřebám konkrétních oblastí.
Zajímavý moment byl program AI Institutes. V roce 2019 NSF spustila AI institutes a dnes uváděla 29 institutů. Důraz byl i na finanční spoluúčast soukromého sektoru. NSF chce vkládat prostředky a zároveň vidět matching od firem nebo filantropie, aby vznikla větší a odolnější infrastruktura.
Stone zároveň zdůraznil, že regionální přístup funguje, protože univerzity jsou anchor pointy regionální ekonomiky. Když se AI přizpůsobí tomu, co oblast potřebuje (například zemědělství v konkrétním státě), roste šance na reálný dopad.
Ještě důležitější byla zmínka o workforce. NSF se obvykle nedívá primárně na „kolik pracovních míst dnes vznikne“. Přesto podle něj jejich investice postupně aktivují vzdělávání na všech úrovních: čtyřleté univerzity i komunitní vysoké školy. Tím se buduje pracovní síla připravená na AI-enabled economy.
🌎 Regionální plán: proč „50 států“ může být praktická strategie
Diskuse znovu a znovu směřovala k tomu, že federální peníze i soukromé investice mají nejvyšší efekt, když se promění v regionální schopnosti. Nejde jen o výpočetní hardware. Jde o schopnost propojit univerzity, komunity, firmy, školy a vědu.
Deborah Caldwell popsala Tennessee model. V Tennessee vzniklo AI Tennessee, konsorcium zahrnující všechny typy institucí:
- všechny vysoké školy a univerzity ve státě,
- technické colleges,
- community colleges,
- a čtyřleté instituce.
Hlavní cíl je jednoduchý a zároveň ambiciózní: aby každý člověk v Tennessee získal AI kompetence a byl si jistý při používání AI. Konsorcium má i výzkumnou a inovační složku a stojí na páteři public-private partnerství.
Podstatný důvod, proč je to podle ní zdravé, je že ekosystém přestane být jen akademický a začne řešit i odpovědnost soukromého sektoru za objev, inovace a konkurenceschopnost. Výsledkem je robustnější přenos znalostí do regionálních škol, včetně situací, kdy univerzita má AI expertise a community colleges ji potřebují.
🏭 Pittsburgh jako lekce: když se zničí průmysl, může vzniknout nová inovační vlna
Teresa Mayer přidala příběh z Pittsburghu. V osmdesátých letech došlo k výraznému kolapsu ocelářského průmyslu, ale region nezůstal v depresi. Podle ní se rozjely kooperace na úrovni států a lokální správy spolu s univerzitami a komunitní vysokou školou. To vedlo k renesanci inovací.
Výsledkem je region, který dnes kombinuje:
- deep manufacturing base (silnou průmyslovou tradici),
- a high-tech odvětví budoucnosti.
Pro dnešní urgentnost to slouží jako důležitá analogie. Pokud chceme budovat a obnovovat výrobní kapacity, musíme to dělat „novým optickým filtrem“, tedy přes AI a robotiku, a hlavně skrze partnerství, která jsou hluboce zapojená do komunity.
Deborah ještě zmiňovala, že úspěšné iniciativy se rodí rychleji, když propojují infrastrukturu na škále, partnerství a komunitní angažovanost. V Pittsburghu šlo i o obnovu opuštěného ocelového areálu, kde hrály roli filantropické organizace.
🧩 Příběh „darování superpočítače“: University of Florida jako model
Chris Malakowski se podělil o osobní zkušenost z University of Florida. Ten příběh je pro „50-State Plan“ skoro jako případová studie, protože nešlo jen o hardware. Šlo o to, co s hardwarem udělat.
V late 2010s až 2018 až 2019 Malakowski daroval univerzitě superpočítač pro AI. Klíčové bylo, že to nedal jen inženýrskému pracovišti. Daroval to univerzitě jako instituci. Tím univerzita zvolila strategii, aby:
- učila AI gramotnost ve všech katedrách,
- umožnila využití pro každého výzkumníka ve státě za stejných podmínek, jako by byl „na kampusu“,
- umožnila využití i studentům, včetně high school studentů, a stavěla na zadáních, která učitelé a profesoři připraví.
V době kolem 2020, kdy byl AI dopad teprve v nástupu, vznikly kurikulum i programy. Následně stát v Tennessee? Ne, v příběhu Florida následně vložil stovky milionů dolarů v horizontu deseti let na financování stovek fakultních pozic, aby AI gramotnost skutečně prorůstala napříč univerzitním komplexem.
Dále bylo důležité otevření dostupnosti širší komunitě, včetně SEC a historicky black schools and minority schools (v kontextu tak, aby se zdroj neuzavřel do úzkého okruhu). Výsledek měl podle Malakowského měřitelný dopad na výstup i na ekonomiku státu.
Jeho shrnutí bylo praktické: „stroj je jen kus železa“, katalyzátorem je to, co s ním uděláte. Dar superpočítače se tak stává spouštěčem kurikula, vzdělávání, výzkumu a pracovních příležitostí.
💰 Změna modelu financování: univerzity nemají „AI továrnu“ jako produkt
V debatě zazněla i těžká pravda: v byznysu lze AI infrastrukturu chápat jako „továrnu“ na příjmy. V univerzitním prostředí to ale nejde tak přímo. Univerzity poskytují vzdělání a výzkum, často i před tím, než existuje jasný business model, který by mohl IP „sklízet“ do příjmů.
To vytváří tlak: infrastruktura je drahá a návratnost je často měřená jinak než v komerčním světě. Proto zazněla potřeba nových modelů, které zvýší dostupnost výzkumných a AI infrastruktur pro profesory a jejich týmy.
Malakowski zmínil, že model, který fungoval, je spojení soukromých donorů a univerzitní autonomie. V jeho přístupu se soukromé peníze využijí na vybavení a instituce pak vytváří strategii, která z toho udělá akademický a regionální přínos. NVIDIA navíc podle něj nabídla matching a přístup k software stacku pro univerzity zdarma, aby se urychlilo šíření.
V této části debaty zazněla i role NSF. Stone doplnil, že NSF provozuje National AI Research Resource (NAR), což je iniciativa uvedená v White House AI action plan. Je to partnerství s více než dvěma desítkami firem, které přispívají zdroji, a navíc popisoval, že v NAR běží stovky projektů a jen část z nich je čistě AI výzkum. Velká část jsou aplikace typu materiály, geofyzika, atmosféra a další vědní disciplíny.
Tady vzniká významný přelom. AI compute není jen pro „AI výzkumníky“. Je to infrastruktura pro celé spektrum vědy, která dnes potřebuje AI kvůli měřítku dat a složitosti procesů.
🧠 Národní AI Research Resource a „50-state solution“: přístup odkudkoli
Když se mluví o democratizaci, zásadní je nejen vlastnit infrastrukturu, ale dodat přístup. NAR podle Stonea neřeší „kdo má superpočítač u sebe“. Řeší to přístupově. A doplnil, že rozšiřování capability napříč státy zvyšuje počet compute cyklů dostupných lidem, kteří pak zjistí, co přesně se dá dělat.
To zní jako jednoduchá filozofie, ale má velkou praktickou sílu. Jestliže se compute stane dostupnou infrastrukturou v regionech, výzkum se zrychluje a komunity, které dříve neměly šanci, se mohou dostat do hry.
Současně ale zazněla i upozornění: univerzity často dobře inkubují startupy, ale ne vždy mají plán, jak těm startupům zajistit compute access. Malakowski to formuloval jako mezeru v inovčním ekosystému. V jiných zemích se prý řeší přístup k compute i v relativně krátkém horizontu.
Teresa Mayer pak navrhla, že federální a regionální co-investment modely mají být páteří. Jedním z důvodů je, že i kdyby existovalo mnoho „supercomputing facilities“, nemusejí sloužit v potřebném měřítku. Univerzitní výzkumná komunita chce, aby z compute infrastruktury profitovaly i studenti na různých stupních vzdělávání.
🧭 Edge compute, on-prem a cloud: jedna infrastruktura napříč prostředími
Další téma, které mě zaujalo, je „compute na okraji“. V současnosti se AI i výzkum často odehrávají na různých úrovních:
- na edge (u senzorů, robotů, zařízení),
- na mid-scale on-prem (lokální prostředí v institucích),
- v cloudu (škálování podle potřeby).
Teresa Mayer a její kolegové zdůraznili, že úspěch vyžaduje propojení těchto prostředí „seamlessly“. Když se to podaří, rozvíjí se i vědecké iniciativy, jako je uzavírání experimentální smyčky a rozvoj autonomních laboratoří.
To je důležité pro univerzity, protože AI infrastruktura se pak nestává jen počítačem na výpočty, ale systémem, který pomáhá s řízením experimentu, sběrem dat a jejich interpretací.
🔬 Proč jde obrovské vědecké množství dat ruku v ruce s AI
Stone dal konkrétní příklady z NSF programů. Zmínil například Rubin Observatory a tempo alertů, které přicházejí. Uvedl, že Rubin Telescope generuje obrovské množství alertů v noci a že tradiční přístupy nemusí stačit, protože už samotné množství dat přerůstá schopnost je ručně analyzovat.
Stejný argument použil i u plazmové fyziky a budovaných laserů. Pokud se budují nové experimenty a zároveň se mění jejich řízení, AI se stává prakticky nutností. V této logice, „během pár let bude každý v nějakém smyslu AI researcher“, protože AI bude používaná napříč disciplínami.
📈 Jak měřit úspěch za 5 až 10 let
Možná nejdůležitější část debaty byla otázka: co je „success“? Jak poznám, že se transformace povedla?
Malakowski popsal několik metrik a principů:
- aby všechny státy produkovaly AI gramotné studenty,
- aby ekonomiky byly posílené na technologické úrovni s nejlepšími na světě,
- aby instituce byly na stejné startovní čáře v AI věku,
- aby data neměla zbytečnou „proprietární“ bariéru (samozřejmě s výjimkami jako osobní data),
- a aby se compute zdroje začaly chápat jako infrastruktura, podobně jako voda a elektřina.
Caldwell doplnila pohled z hlediska dopadu: úspěch je vyšší rychlost inovací a „demokratizace vědy a inženýrství“. Tedy že lidé v různých regionech mají přístup k nástrojům, které umožňují přispívat k objevům a inovacím.
Stone přidal, že úspěch je i v posunu myšlení: AI nemá být vedlejší volbou, ale průřezový nástroj napříč vším. V krátkodobém horizontu je úkolem rychle odblokovat sílu objevů pomocí dostupné compute. V dlouhodobém horizontu jde o workforce: jak školíme další generaci výzkumníků a jak dáváme příležitost i komunitním vysokým školám a nižším stupňům.
Zajímavý odkaz byl i z Jensenovy poznámky: děti a studenti budou ti, kdo budou učit AI i další generace. To zase implikuje, že vzdělávání je „nejrychlejší páka“ dopadu.
🏫 Jak dostat compute i do komunitních škol a praxe: „my nemáme prostředky“
Panelisté dostali otázku od koordinátorky a profesora z Houston City College AI and robotics programu. Popisovala problém, který v praxi potkává řadu škol: nedostatek compute, slabá podpora IT, nedostatek pochopení potřeb v celé instituci. Jejich studenti prý dělají laboratoře přes free tier, protože pro další výkon škola nemá podmínky.
Odpověď byla víceméně potvrzení, že partnerství a regionální infrastruktura je přesně to, co má odstranit takové bariéry. Zaznělo i, že se NSF a další aktéři soustředí na AI pro vzdělávání, včetně toho, že se objevují nástroje, které mohou zlepšit kvalitu výuky.
Deborah doplnila konkrétní filantropický příklad. Gates Foundation vytvořila „Learn Via“ a jde o AI-enabled cognitive tutors. To se spouštělo s desítkami partnerů včetně komunitních college napříč zemí. Smysl investic byl v tom, aby zdroje byly dostupné široké komunitě od K-12 po univerzity.
🧰 Veřejně-soukromá partnerství pro otevřený přístup: „univerzální, dostupné, udržitelné“
Další dotaz řešil, jak udělat z compute a datovch prostředků něco otevřenějšího. Z odpovědí mi vyšla jako klíčová myšlenka, že úspěch závisí na tom, aby financování a přístupová pravidla byla navržená jako „pipeline“: od mateřské školy a základů až po vysoké školy, vocational, community colleges, univerzity i postdoky.
Padla formulace, že cílem je, aby přístup byl:
- široký,
- univerzální,
- cenově dostupný,
- a aby vedl k zaměstnanému a udržitelnému vzdělávacímu výsledku.
Zaznělo i, že kdo bude platit, se může lišit: filantropie, stát, konsorcia. Důležité není jen „koupit infrastrukturu“, ale nastavit fungování tak, aby malé instituce neměly nutně vlastnosti velké IT organizace.
🎨 Interdisciplinární engagement: humanitní obory nejsou vedlejší, spíš klíčový překlad
Poslední otázka, kterou jsem bral jako velmi podstatnou, se týkala interdisciplinarity. V STEM je snadnější motivace: jde o technické obory, kde AI často dává přímý smysl. V humanitních oborech, umění, společenských vědách, právu nebo komunikaci je ale často „hard part“ to, jak přeložit výstupy AI do hodnoty pro praxi.
Caldwell i Mayer popisovaly, že buy-in z ne-STEM fakult bývá často překvapivě vysoký. Nejde jen o to „naučit programování“. Jde o pochopit:
- co AI je,
- jak se dá použít,
- jak mění obor,
- a jak se z toho dá vytvořit nový typ práce nebo rozhodování.
Stone v závěru zmiňoval i programy zaměřené na společenské rozhodování. Myšlenka je, že AI dopad není jen technologický. Je to i o tom, jak se rozhoduje, jak jsou vysvětlitelná řešení a jak se měří společenský efekt. Proto je důležité spojit rozhodovací vědce s behaviorálními a sociálními vědami.
NSF podle odpovědi připravuje přístup, kde se neřekne dopředu „tady je přesný počet sociálních vědců, postavte tým“. Spíš se budují týmy kolem problému tak, aby interdisciplinarita byla přirozená a výstup byl srozumitelný lidem.
🧾 Co bych si odnesl jako univerzita, firma nebo vzdělávací instituce
Když to celé zrekapituluji do praktického checklistu, „50-State Plan“ podle mě není jen o tom, kde se postaví datové centrum. Je to o systémovém přechodu od izolovaných inovací ke koordinovanému modelu.
✅ 1) Zaveďte AI jako cross-cutting kompetenci, ne jako samostatný kurz
Inspirací je přístup z Tennessee: governance, faculty fellows, team teaching a cíl zajistit AI kompetence pro každého absolventa.
✅ 2) Budujte regionální konsorcia a napojujte komunitní školy
Pokud compute zůstane u jednoho pracoviště, democratizace se nezdaří. Konsorcia řeší dostupnost a sdílení expertise.
✅ 3) Nastavte přístup pro výzkum napříč disciplínami
NAR a podobné programy ukazují, že compute je základ pro material science, geofyziku i atmosféru, nejen pro AI výzkum.
✅ 4) Vymyslete „služby“ k tomu, aby lidé infrastrukturu uměli používat
Naráží se na problém, že compute samotné nestačí. Potřebujete podporu, školení, software stack a procesy, které pomohou institucím využít možnosti efektivně.
✅ 5) Počítejte i s startupy: compute gap je reálná díra
Inkubace bez přístupu k compute je jako učit podnikatele strategii bez kapitálu. Proto veřejně-soukromé modely musejí zahrnout i přístup pro startupy vyrůstající z univerzit.
Závěr: infrastruktura pro AI má být „páteř společnosti“
Debata o „50-State Plan“ mi zanechala jasný obraz. AI se stává definujícím motorem akademického i ekonomického růstu. Pokud chceme, aby se přínosy dostaly co nejdřív a co nejšíře, nemůžeme dovolit, aby compute zůstalo výsadou pár institucí.
Úspěch v příštích 5 až 10 letech bude podle diskutujících v tom, že se compute a AI infrastrukturní kapacity promění v takovou skutečnou infrastrukturu pro společnost. Federální aktivity jako NSF NAR, regionální konsorcia a public-private partnerství a spolupráce s filantropií. A do toho kurikulum, které v každém oboru buduje nejen schopnost „použít nástroj“, ale hlavně úsudek, kompetence a schopnost řídit agenty.
Tohle je podle mě ten skutečný „50-state“ cíl. Ne jen vytvořit více výpočetních center. Ale vytvořit podmínky, aby každý region mohl objevovat rychleji, učit chytřeji a připravit pracovní sílu pro AI věk.
