Na GTC Taipei 2026 se velmi jasně ukázalo, že umělá inteligence už dávno není jen software pro chaty, doporučování nebo generování textu. Stává se infrastrukturou pro průmysl, zdravotnictví, vědu, robotiku, telekomunikace i kvantové výpočty. A právě tady se začíná rodit další průmyslová éra, v níž se propojuje digitální inteligence s reálným světem.
Nejzajímavější na tom je rychlost. Vzdálenost mezi nápadem a tržním náskokem se zkracuje. To, co ještě před pár lety vyžadovalo obrovské týmy, dlouhé experimenty a specializovaný hardware, dnes mohou špičkové deep tech startupy zvládnout výrazně rychleji díky plnohodnotnému AI stacku, akcelerovaným simulacím a nástrojům pro nasazení do produkce.
Na konferenci zazněl přehled firem, které tento posun dobře ilustrují. Každá z nich řeší jiný problém, ale všechny spojuje jedna věc: nesnaží se AI jen přidat navrch. Staví na ní samotný základ produktu. Výsledkem jsou pokroky ve výzkumu a vývoji, kvantifikaci onemocnění, průmyslové robotice, jemné manipulaci robotů, kvantových čipech i AI nativních 5G sítích.
Zpráva je jednoduchá. Fyzická AI a suverénní AI přestávají být abstraktní pojmy. Mění se v konkrétní platformy, nasazení a měřitelné výsledky.
Obsah
- 🌍 Nová éra fyzické a suverénní AI
- 🔬 Tricuss a zrychlení výzkumu pomocí PhysicsNeMo
- 🩺 FindingsTech a přesnější kvantifikace ztučnění jater
- 🤖 Nexuni a fyzická AI tam, kde klasická automatizace naráží
- 🦾 RLWRLD a problém jemné manipulace
- 💎 Quantum Brilliance a kvantové čipy z diamantu
- 📡 SynaXG a AI RAN pro 5G, edge AI a budoucí 6G
- 🏭 Co tyto startupy společně říkají o další průmyslové éře
- 🚀 Proč je NVIDIA Inception pro deep tech startupy zajímavý
- 🔭 Kam to celé směřuje
🌍 Nová éra fyzické a suverénní AI
Pojem fyzická AI se obvykle používá pro systémy, které nevnímají svět jen jako data v databázi, ale jako prostředí, v němž je potřeba chápat prostor, pohyb, síly, časování a reakce okolí. Sem patří roboti, autonomní stroje, inteligentní infrastruktura nebo edge systémy navázané na senzory a sítě.
Suverénní AI pak zdůrazňuje schopnost budovat a provozovat inteligentní systémy s ohledem na lokální infrastrukturu, bezpečnost, datovou kontrolu a průmyslovou nezávislost. V praxi to znamená, že jednotlivé země, podniky nebo instituce nechtějí být jen pasivními uživateli AI, ale aktivními tvůrci vlastních řešení.
Právě tato kombinace dnes nabírá na síle. Nestačí mít výkonný model. Je potřeba mít i prostředky pro simulaci, optimalizaci, edge nasazení, síťovou konektivitu a v některých případech i kvantové urychlení. Proto se stále častěji mluví o full stack akceleraci, tedy o propojení hardwaru, softwaru, vývojových nástrojů a produkční infrastruktury.
Na GTC Taipei se tento trend ukázal napříč několika oblastmi:
- precision science a akcelerace výzkumu,
- zdravotnická AI pro přesnější analýzu snímků,
- robotika do prostředí, kde klasická automatizace nestačí,
- generalizovaná manipulace pro jemnou práci robotů,
- kvantové výpočty jako budoucí součást akcelerovaných superpočítačů,
- AI RAN jako základ pro 5G, edge AI a později i 6G.
Když se na to podívám jako na celek, nejde o izolované technologické demonstrace. Jde o stavební kameny nového průmyslového cyklu.
🔬 Tricuss a zrychlení výzkumu pomocí PhysicsNeMo
Jedním z nejzajímavějších příkladů byl Tricuss, respektive jeho výzkumný AI agent zaměřený na celý životní cyklus výzkumu a vývoje. To je oblast, kde bývá největší překážkou čas. Návrh experimentů, simulace, vyhodnocování a hledání skutečně užitečných poznatků často trvá týdny nebo měsíce.
Právě tady vstupuje do hry kombinace NVIDIA PhysicsNeMo a fyzikálních AI modelů. Smyslem není jen počítat rychleji, ale posunout celý proces výzkumu od sekvenčního postupu k chytřejší iteraci. Místo zdlouhavého střídání hypotézy, laboratorního testu a čekání na výsledek může tým podstatnou část práce přesunout do vysoce akcelerovaného simulačního prostředí.
Tricuss podle prezentovaných údajů kombinuje fyzikální simulace běžící až tisíckrát rychleji se statistickými algoritmy. To je důležité, protože samotná rychlá simulace nestačí. Skutečná hodnota vzniká teprve tehdy, když systém umí výsledky analyzovat, porovnat varianty a navrhnout další krok.
Výsledek je působivý:
- snížení počtu experimentů až o 70 procent,
- zkrácení týdnů výzkumu a vývoje na minuty v určitých částech procesu,
- lepší průchod od návrhu experimentu až po získání výzkumného poznatku.
To má dopad daleko za hranicemi jedné laboratoře. V materiálovém výzkumu, chemii, energetice nebo průmyslovém vývoji totiž často není problém nedostatek nápadů, ale cena a délka ověřování. Pokud lze velkou část prostoru možností prohledat ve simulaci a jen nejlepší kandidáty poslat do fyzického testu, mění to ekonomiku inovací.
Pro širší kontext je užitečné podívat se na to, jak se vyvíjí oblast fyzikálně informované AI a vědeckých simulací obecně. Dobrý přehled nabízí například technické články NVIDIA pro vývojáře, kde je vidět, jak rychle roste význam AI ve výpočetní vědě.
🩺 FindingsTech a přesnější kvantifikace ztučnění jater
Ve zdravotnictví se často mluví o AI diagnostice velmi obecně. Jenže skutečný přínos nevzniká z obecných hesel, ale z přesně definovaných klinických úloh. FindingsTech se zaměřuje na jednu z nich: kvantifikaci ztučnění jater.
To je mimořádně důležité téma, protože metabolické poruchy a onemocnění jater představují celosvětově rostoucí problém. Lékaři přitom potřebují nejen slovní popis nálezu, ale co nejpřesnější měření objemu a distribuce tuku v játrech. Čím přesnější a robustnější analýza je, tím lépe lze sledovat vývoj stavu a vyhodnocovat účinnost léčby.
FindingsTech představil platformu Hepatowell AI, která je postavená na NVIDIA MONAI a vlastním 3D deep learning modelu. MONAI je open source framework zaměřený na medicínské zobrazování, který se stal důležitým základem pro vývoj klinicky orientovaných AI nástrojů.
V tomto případě je klíčové, že systém dosahuje Dice score přes 90 procent. U segmentačních úloh je to významný ukazatel přesnosti překryvu mezi predikcí modelu a referenčním označením. Nejde tedy jen o to, že model něco rozpozná. Jde o to, že to rozpozná s vysokou prostorovou přesností.
Ještě důležitější je odolnost řešení v situacích, kdy snímky obsahují pohybové artefakty. To je v klinické praxi zásadní, protože pacientská data nebývají ideální. Systém, který funguje jen na dokonale čistých snímcích, má omezenou hodnotu. Řešení, které si poradí i s méně perfektní realitou, je mnohem blíž reálnému nasazení.
FindingsTech tak ukazuje několik důležitých trendů současné healthcare AI:
- specializace na konkrétní klinický problém,
- využití 3D modelů místo zjednodušené 2D analýzy,
- důraz na kvantitativní výstupy,
- schopnost fungovat i při horší kvalitě vstupních dat.
Za mě je to přesně ten typ zdravotnické AI, který dává smysl. Není to náhrada lékaře ani marketingová zkratka. Je to nástroj, který má zlepšit přesnost a konzistenci měření v oblasti, kde na tom skutečně záleží.
🤖 Nexuni a fyzická AI tam, kde klasická automatizace naráží
Další kapitola patřila společnosti Nexuni, která se zaměřuje na fyzickou AI v komplexních provozních prostředích. A právě slovo komplexních je tady zásadní. Tradiční automatizace funguje skvěle tam, kde je vše předvídatelné, opakovatelné a přesně definované. Jakmile se ale prostředí mění, přibývají výjimky a práce vyžaduje adaptaci, běžná automatizace rychle naráží.
Nexuni staví na modelu NVIDIA Isaac GR00T a platformě NVIDIA Jetson. To naznačuje dva důležité směry. Prvním je pokročilé uvažování a chování robotických systémů. Druhým je edge nasazení, tedy schopnost provozovat inteligenci přímo v zařízení nebo blízko zařízení, bez závislosti na vzdáleném cloudu pro každé rozhodnutí.
Cíl je poměrně ambiciózní: vytvořit robotické systémy, které dokážou vnímat, přemýšlet a jednat v reálném prostředí. To je rozdíl oproti starším průmyslovým robotům, které přesně opakují naučený pohyb v pevně dané buňce.
Zde byly zmíněny i konkrétní výsledky:
- v integrované správě budov v Singapuru snížily AI systémy potřebu pracovní síly o 65 procent,
- na Tchaj-wanu autonomní svařovací roboti zvýšili výrobní efektivitu o 50 procent.
To nejsou malé úpravy. Jde o změny, které se přímo dotýkají provozní ekonomiky. V obou případech navíc nejde jen o náhradu práce kvůli úsporám. Velkou roli hraje i nedostatek pracovní síly, který je v mnoha technických a provozních oborech stále citelnější.
Právě tady fyzická AI ukazuje svůj největší přínos. Nepřebírá pouze mechanické opakování. Míří do oblastí, kde je potřeba rozhodování v kontextu, orientace v prostoru, práce s proměnlivými vstupy a adaptace na nečekané situace.
Pokud bych měl tento trend shrnout jednou větou, řekl bych to takto: robotika se posouvá od automatizace úloh k automatizaci schopností.
🦾 RLWRLD a problém jemné manipulace
Jedním z nejtěžších problémů v robotice zůstává generalizovaná obratná manipulace. Robot může být velmi dobrý v přemisťování standardních objektů v kontrolovaném prostředí, ale jakmile má zvládat jemnou motoriku, montážní operace nebo třídění různorodých předmětů, situace se dramaticky komplikuje.
Právě na tento problém se zaměřuje RLWRLD. Firma představila RealDex Foundation Model, který vznikl ve spolupráci s NVIDIA Isaac Lab. Isaac Lab je prostředí pro robotický vývoj a učení, které podporuje simulaci, reinforcement learning a přenos poznatků do reálných systémů.
Hlavní myšlenka RealDexu je velmi silná: robotické systémy by neměly vyžadovat přeprogramování pro každý nový úkol. Pokud má být robotika skutečně škálovatelná napříč průmysly, musí vzniknout modely, které si poradí s širší třídou úloh. Tedy ne jeden robot pro jednu jedinou rutinu, ale jeden základní model schopný zvládat více druhů jemné práce.
To otevírá dveře k využití v oblastech jako:
- montážní operace,
- precizní třídění,
- manipulace s různorodými díly,
- činnosti vyžadující jemnou koordinaci úchopu a pohybu.
Proč je to tak důležité? Protože právě jemná manipulace dlouho oddělovala schopnosti lidí a strojů. U hrubé síly nebo vysoce standardizovaných úloh mají stroje dávno navrch. U obratnosti, improvizace a jemné práce ale stále existuje velká mezera. Foundation modely pro robotiku naznačují cestu, jak ji postupně zmenšovat.
Jestli se tento přístup osvědčí ve větším měřítku, může významně proměnit ekonomiku nasazení robotů. Místo drahé integrace každého jednotlivého use case by podniky mohly přecházet na flexibilnější robotické platformy, které se učí rychleji a adaptují se levněji.
Pro obecnější pohled na to, kam robotika a foundation modely směřují, stojí za přečtení i přehledy od IEEE Spectrum Robotics, které dlouhodobě sledují posun od rigidních systémů k adaptivnějším robotům.
💎 Quantum Brilliance a kvantové čipy z diamantu
Na první pohled může kvantová část působit jako úplně jiný svět než robotika nebo zdravotnictví. Ve skutečnosti však zapadá do stejného obrazu. Pokud má vzniknout nová průmyslová infrastruktura AI, bude potřebovat i nové výpočetní paradigmy. A právě tady vstupuje do hry Quantum Brilliance.
Firma využívá NVIDIA CUDA-Q a QTensorNet pro vývoj diamantových kvantových čipů. Cílem není postavit kvantový počítač jako izolovanou laboratořní kuriozitu, ale urychlit integraci kvantových procesorů do akcelerovaných superpočítačů.
To je zásadní rozdíl oproti starším představám, že kvantové počítání bude zcela oddělený svět. Stále více se ukazuje, že budoucnost bude pravděpodobně hybridní. Klasické akcelerované systémy budou spolupracovat s kvantovými procesory tam, kde to dává smysl.
Podle uvedených informací dosáhla firma s využitím Grace Hopper až trojnásobného navýšení simulační kapacity. To jim umožnilo lépe porozumět tomu, jak se jejich hardware a aplikace budou chovat, a dosáhnout simulací až na úrovni 140 qubitů.
V kvantové oblasti má právě simulace mimořádný význam. Vývoj kvantového hardwaru je složitý, nákladný a citlivý na mnoho fyzikálních omezení. Možnost důkladně simulovat chování systému před fyzickou implementací urychluje vývoj a snižuje riziko slepých uliček.
Diamantové kvantové čipy jsou zajímavé i tím, že ukazují pestrost současného kvantového ekosystému. Vedle supravodivých přístupů, iontových pastí nebo fotoniky existují i další cesty. Právě soutěž různých architektur dnes pomáhá hledat prakticky použitelný směr.
Kdo si chce doplnit širší kontext, může se podívat na platformu CUDA-Q, která ukazuje, jak se propojuje klasické a kvantové programování v jednom workflow.
📡 SynaXG a AI RAN pro 5G, edge AI a budoucí 6G
Žádná fyzická AI nebude opravdu fungovat bez spolehlivé konektivity. Robot v továrně, autonomní zařízení v terénu nebo edge systém v kritické infrastruktuře potřebují síť, která není jen rychlá na papíře, ale hlavně konzistentní, nízkolatenční a předvídatelná.
Právě tím se zabývá SynaXG, která přináší technologii AI RAN, tedy AI Radio Access Network. Jde o přístup, kdy je možné na stejné platformě souběžně provozovat 5G síťové funkce i AI workloady.
Firma využívá NVIDIA AI Aerial a staví softwarově definovanou AI RAN platformu, která má poskytovat operátorskou úroveň 5G konektivity s deterministicky nízkou latencí a současně podporovat AI na okraji sítě.
To je mimořádně důležité, protože edge AI a fyzická AI často selhávají ne kvůli modelům samotným, ale kvůli infrastruktuře kolem nich. Pokud zařízení nedostane včas data, nemá stabilní připojení nebo se zpožďují reakce sítě, i velmi chytrý systém může fungovat špatně.
AI RAN je zajímavý hned ze tří důvodů:
- Konsolidace infrastruktury
Jedna platforma může obsluhovat síťové i AI úlohy, což zlepšuje efektivitu využití hardwaru. - Podpora edge nasazení
Inteligence se může přesouvat blíž k místu, kde vznikají data a kde je potřeba okamžitá reakce. - Základ pro fyzickou AI
Roboti, autonomní systémy a průmyslová zařízení potřebují předvídatelnou komunikaci v reálném čase.
To zároveň vysvětluje, proč se v celé prezentaci objevilo téma AI nativních 5G a 6G sítí. Budoucnost nebude stát jen na lepších modelech. Bude stát i na tom, zda je dokážeme provozovat v reálných podmínkách s odpovídající spolehlivostí.
Pro čtenáře, kteří chtějí více kontextu k vývoji mobilních sítí, je dobrým referenčním bodem třeba 3GPP, kde vznikají standardy pro 5G a další generace mobilní infrastruktury.
🏭 Co tyto startupy společně říkají o další průmyslové éře
Když si všechny představené firmy poskládám vedle sebe, vychází mi z toho několik velmi silných závěrů.
AI se přesouvá z digitálních rozhraní do fyzického světa
Dlouhou dobu byla AI hlavně o obsahu, vyhledávání, reklamě nebo kancelářské automatizaci. Dnes čím dál více rozhoduje o pohybu robotů, kvalitě medicínské analýzy, parametrech vědeckého výzkumu nebo chování telekomunikační sítě. To je kvalitativní změna, ne jen další use case.
Simulace se stává zásadním akcelerátorem inovací
Ať už jde o Tricuss ve výzkumu, RLWRLD v robotice nebo Quantum Brilliance v kvantovém hardwaru, všude je vidět stejný vzorec. Schopnost simulovat rychle, věrně a ve velkém měřítku zkracuje cestu od nápadu k ověřenému řešení.
Edge a konektivita jsou stejně důležité jako modely
Nexuni a SynaXG připomínají, že inteligence nestačí vytrénovat. Je potřeba ji spolehlivě dostat do provozu. A to znamená kombinaci edge hardwaru, nízké latence, robustního nasazení a dobré integrace do okolního systému.
Specializované vertikály mají obrovský potenciál
FindingsTech ukazuje, že obrovská hodnota vzniká i v relativně úzce zaměřené klinické úloze. Ne všechno musí být univerzální AI platforma. Někdy dává větší smysl řešit jeden přesný problém opravdu dobře.
Budoucnost bude hybridní
Hybridní v několika rovinách:
- fyzický svět plus digitální inteligence,
- cloud plus edge,
- klasické výpočty plus kvantové procesory,
- modely plus síťová infrastruktura.
Právě tato kombinace podle mě definuje další průmyslovou etapu mnohem přesněji než samotné slovo AI.
🚀 Proč je NVIDIA Inception pro deep tech startupy zajímavý
Závěr patřil programu NVIDIA Inception, který je určen pro startupy z oblasti deep tech. Smyslem programu je pomoci firmám, které chtějí své technologie skutečně dostat do produkce a škálovat je komerčně.
To je důležité, protože mezi dobrým prototypem a skutečně nasaditelným produktem bývá velká propast. Startup může mít silný model nebo zajímavý algoritmus, ale stále potřebuje přístup k technickým zdrojům, kredity do cloudu, podporu při optimalizaci a někdy i lepší expozici vůči investorům či partnerům.
V popisu programu zaznělo, že síť zahrnuje více než 15 000 deep tech startupů. To naznačuje, že nejde jen o technickou podporu, ale i o ekosystém. A v deep tech bývá právě ekosystém často rozhodující, protože úspěch nevzniká ve vakuu. Potřebujete hardware, software, kontakty, validaci i cestu na trh.
Program cílí na oblasti, které se v Taipei výrazně objevily:
- AI startupy,
- robotika a fyzická AI,
- zdravotnické technologie,
- kvantové výpočty,
- telekomunikační infrastruktura,
- vědecké a průmyslové výpočty.
Pro firmy, které chtějí tento ekosystém prozkoumat podrobněji, je k dispozici program NVIDIA Inception.
🔭 Kam to celé směřuje
Jestli jsem si z GTC Taipei 2026 odnesl jednu hlavní myšlenku, pak je to tato: další průmyslová éra nebude definována jediným průlomovým modelem. Bude definována schopností propojit více vrstev technologií do funkčního celku.
Tricuss ukazuje, že AI může zásadně zrychlit výzkum a vývoj. FindingsTech připomíná, že specializovaná zdravotnická AI může dosáhnout klinicky relevantní přesnosti. Nexuni posouvá robotiku do méně předvídatelných provozů. RLWRLD se pokouší řešit jednu z nejtěžších výzev robotiky, tedy jemnou manipulaci bez neustálého přeprogramování. Quantum Brilliance otevírá cestu ke kvantově akcelerované budoucnosti. SynaXG pak dodává síťový základ, bez kterého by fyzická AI nemohla fungovat v reálném čase.
Každá z těchto firem řeší jinou část skládačky. Dohromady ale ukazují stejný směr. AI se stává provozní vrstvou světa kolem nás. Nejen softwarem pro analýzu, ale i motorem rozhodování v laboratořích, nemocnicích, továrnách, datových centrech a komunikačních sítích.
A právě proto dává smysl mluvit o další průmyslové éře, ne jen o další technologické vlně. Tohle už není jen příběh o chytřejších modelech. Je to příběh o tom, jak se výpočetní inteligence zabudovává do infrastruktury společnosti.
Pokud bude tento trend pokračovat stejným tempem, pak se rozdíl mezi nápadem a globálně relevantním produktem bude dál zmenšovat. A to je možná ta nejdůležitější zpráva ze všech.
