NVIDIA Live: Na prahu éry AI

Jsem přesvědčený, že to, čím procházíme, není jen další vlnou technologické investice. Jde o přeskupení celé výpočetní infrastruktury, o zásadní změnu v tom, jak firmy sbírají, zpracovávají a monetizují data. V průběhu několika panelových diskuzí s lídry z Snowflake, Abridge, CodeRabbit, Mercedes‑Benz a Skild AI se ukázalo několik jasných trendů a praktických doporučení pro ty, kdo chtějí proměnit nadšení do měřitelných výsledků.

Obsah

• 🧭 Tři rysy, které dělají současný infra cyklus jiným
• 🔗 Snowflake, NVIDIA a data jako palivo
• 🌍 Globální build‑out a suverenita dat
• 🧠 Modely: uzavřené vs. otevřené
• 🩺 Zdravotnictví: tichý vítěz adopce AI
• 💻 Kódování: brána k novým aplikacím
• 🤖 Robotika a fyzická AI: vše je o datech a obecnosti
• 🛠 Doporučení pro vedení firem a konstruktéry produktů
• 📈 Kam se ubírá trh v příštích 12–36 měsících
• ✍️ Závěrem: co udělat teď

🧭 Tři rysy, které dělají současný infra cyklus jiným

Když se podívám zpětně na předchozí cykly – stavbu internetu, rozvoj cloudů, mobilní generace – vidím tři věci, které současnou fázi odlišují.

• Seamless adoption neboli okamžitá dostupnost pro masy: nasazení modelů typu ChatGPT ukázalo, jak rychle se dokáže řešení rozšířit mezi uživatele (miliardy zařízení) bez nutnosti složité lokální instalace.
• Vysoká využitelnost – oproti dřívějšímu „dark fiber“ fenoménu dnes vidíme, že nasazený výpočetní výkon je plně využíván. I starší GPU nacházejí kontinuální zátěž.
• Silné financování – kapitál do infrastruktury pochází od firem generujících volné cash flow, takže kapex není držen startupy s nedostatkem prostředků, ale velkými poskytovateli, kteří dokáží investice utáhnout.

Tato kombinace dává cyklu jiné rizikové parametry: místo prasknutí bubliny, kterou novinové titulky občas předpovídají, se tvaruje trh, který může dlouhodobě růst, pokud budeme sledovat pár klíčových metrik.

Kterou metriku sledovat nejvíc?

Pro mě je to utilizace nasazené výpočetní kapacity. Pokud jsou GPU, TPU a další akcelerátory skutečně vytěženy, je investice efektivní. Další vedlejší měřítko je poměr capex k provoznímu cash flow velkých hyperškálových hráčů: pokud capex zůstává udržitelný vzhledem k volnému cash flow, build‑out může pokračovat bez výrazných fiskálních rozruchů.

🔗 Snowflake, NVIDIA a data jako palivo

Rozhovor se Sridhar Ramaswamym z Snowflake jasně vyzdvihl jednu věc: data jsou dnes aktivum, které je třeba učinit "AI‑ready". Snowflake tu hraje roli platformy, která centralizuje, zabezpečuje a zpřístupňuje data tak, aby je šlo snadno spojit s modely běžícími na GPU infrastruktuře.

Je tu důležitá praktická otázka, kterou mi Sridhar často klade i svým zákazníkům: komu patří data a kdo je zpracovává?

"Vaše data jsou vaše data." — Sridhar Ramaswamy

Tato jednoduchá mantra má velký dopad na enterprise adopci. Firmy vyžadují jasné záruky ohledně suverenity dat, přístupu, auditu a governance. U zákazníků v Evropě je to obzvlášť citlivé: nemohou volně přesouvat data mezi jurisdikcemi bez souhlasu a smluvních ujednání.

Jak GPU mění hru pro data platformy

• Nejde už jen o inference na top‑level foundation modelech. GPU se začínají uplatňovat i v tradičních datech orientovaných výpočtech – rychlé vektorové dotazy, retriever‑reader architektury, embedování a transformace rozsáhlých datasetů.
• Platformy jako Snowflake integrují GPU stack do svých produktů (např. Snowflake Intelligence) a tím zkracují cestu od dat k aplikaci.
• Díky práci s NVIDIA je možné experimentovat s embedováním a optimalizací vyhledávacích modelů na straně platformy namísto toho, aby to dělaly jednotlivé týmy zákazníků.

Pro vedení firem to znamená: pracujte na tom, aby vaše datové sandboxes byly připravené pro akcelerovanou inferenci, a vytvořte governance procesy, které dovolí využívání externích akcelerátorů bez ohrožení compliance.

🌍 Globální build‑out a suverenita dat

Růst kapacity se neodehrává pouze v Severní Americe. Vidím výraznou decentralizaci – datacentra a GPU clustery rostou v Asii, Blízkém východě i Evropě. To má dva dopady:

1. Zajišťuje nižší latenci a lepší suverenitu dat pro lokální průmysl.
2. Snižuje potřebu předem vysokých závazků: platformy, které operují přes hyperscalery, si mohou pronajímat CPU/GPU on‑demand a vyhýbat se masivním investicím do vlastních datacenter.

Pro regiony s přísnými pravidly o ochraně dat je decentralizace klíčová. Když neexistuje schodek kapacity v místě uživatele, je jednodušší přesvědčit enterprise zákazníky k adopci agentních a modelových služeb.

🧠 Modely: uzavřené vs. otevřené

Debata mezi closed a open modely není černobílá. Frontier modely (např. špičkové proprietární řešení) nabízejí dnes výkon, který je často nutný pro velmi složité úlohy jako pokročilé kodování nebo náročné agentní scénáře. Na druhé straně open‑source modely rychle dohánějí ztrátu v řadě dílčích úloh a přinášejí flexibilitu a nižší náklady:

• Open source ovlivňuje mindset vývojářů a štíří nasazení: dává možnost experimentu, přizpůsobení a komunitního zlepšování.
• Pro masivní škálování operací (kde je potřeba stovky milionů inferencí) se může nákladová výhodnost otevřených modelů stát rozhodujícím faktorem.

Moje rada: používejte hybridní strategii. Cenově citlivé, latency‑kritické a repetitivní úlohy přesouvejte na optimalizované open modely a GPU infrastrukturu, zatímco high‑risk nebo high‑value úlohy můžete nadále spouštět na best‑in‑class proprietárních modelech.

🩺 Zdravotnictví: tichý vítěz adopce AI

Mnoho lidí předpokládalo, že zdravotnictví bude pomalým adopčním polem. Realita je jiná. Klinické workflow jsou plné rutinních, časově náročných a nízko přidaných činností, které AI dokáže rychle zlevnit a zrychlit.

Co vidím jako klíč k úspěchu v medicíně

• Fit do workflow – řešení musí přinášet hodnotu bez zásadních změn v denní praxi lékařů. Tam, kde modely dokáží zkrátit administrativu a zvýšit čas strávený s pacientem, adopce roste nejrychleji.
• Audibility a evals – zdravotnické instituce požadují transparentní benchmarky, metriky a možnost nezávislého ověření. A/B testy, evals a dokonce randomizované studie zvyšují důvěru.
• Human‑in‑the‑loop – u kritických rozhodnutí musí být člověk poslední kontrolou. Agentní automatizace je vhodná pro nízkorizikové úlohy; pro vysokorizikové je nutný robustní přezkum.

Příklad: automatické souhrny z konzultací, převod mluveného záznamu do klinické dokumentace nebo asistence při vyplňování pojišťovacích formulářů – to jsou hmatatelné oblasti, kde šetříte čas a snižujete náklady.

💻 Kódování: brána k novým aplikacím

Kódování se stalo jedním z nejrychleji rostoucích diskusních a praktických použití generativních technologií. Firmy jako CodeRabbit se zaměřují na to, aby zajistily, že výstup generativních nástrojů bude bezpečně nasazen do produkce.

Co se změnilo v posledním roce

• Výrazný nárůst kvality modelů ve věcech reasoning a tool‑calling.
• Přechod od jednoduchého autocompletion k agentním workflow, které kombinují plánování, vykonávání a verifikaci.
• Nárůst potřeby "critical trust layer" — nástrojů, které kódy validují, testují a auditují před nasazením.

Generativní nástroje rozšířily základnu lidí schopných tvořit software. Co to znamená ekonomicky? Více lidí bude vytvářet aplikace, více nápadů se dostane do prototypu, a zároveň vznikají nové třídní nástroje pro kontrolu kvality a bezpečnosti kódu.

Role lidského faktoru

Nečekejte, že AI nahradí špičkové vývojáře. Spíše zvýší produktivitu širší skupiny – průměrní vývojáři jsou schopni rychleji dodávat a méně zkušení lidé mohou dělat sofistikovanější věci. To mění model učení, zaměstnávání a produktového vývoje.

🤖 Robotika a fyzická AI: vše je o datech a obecnosti

Robotika je v porovnání s digitální AI náročnějším polem právě kvůli nedostatku dat. Zatímco jazykové modely mohly trénovat na internetu, pro roboty takový veřejný dataset neexistuje.

Strategie Skild AI: obecný mozek pro různé těla

Deepak Pathak zastává přístup, který staví obecný model, schopný pracovat napříč hardwarem – od humanoidních paží po čtyřnohé platformy. Důvody:

• Sbíraní dat přes různé robotické těla zrychlí růst datového kola.
• Obecný model umožní rychlejší adaptaci na nové úkoly a prostředí díky fine‑tuning vrstvě.

Jak naplnit datový deficit

Recept není jeden. Deepak a jeho tým mluví o kombinaci zdrojů:

1. Egocentrická a třetí‑osobní videa – sledování lidského chování ve videích pro vybudování počátečních představ o úkonech.
2. Simulace – umožňuje efektivní praxi a miliony pokusů bez rizika fyzického poškození.
3. Teleoperace a sběr v reálném světe – doladění modelu na skutečná robotická data v cílových prostředích.

Combine these into a layered pipeline: nejdříve large‑scale pretraining z videí a simulací, pak finetuning s reálnými teleop daty, následovaný on‑device adaptací.

Mercedes: z road assistance k level 3

Ola Källenius zdůrazňuje, že cesta k autonomii je 40 let dlouhá a že klíčem je bezpečnost a právní rámec. Přechod z level 2 na level 3 není jen technický; je to i společenský a regulatorní skok: počítač přebírá odpovědnost.

Praktické poznatky z Mercedesu:

• Redundance senzorů a systémů je kritická. Auto musí „vidět“ situaci různě, aby selhání jednoho subsystému nevedlo k chybě rozhodnutí.
• Long‑tail problémy vyžadují masivní množství dat a simulovaných scénářů. Ten poslední procentní bod spolehlivosti je nejnáročnější.
• Uživatelé se musí s technologií seznámit. Funkce jako parkování nebo point‑to‑point navigace pomáhají zvýšit důvěru a používání.

🛠 Doporučení pro vedení firem a konstruktéry produktů

Na základě diskusí mám několik praktických doporučení, která můžete implementovat už dnes:

• Měřte využitelnost GPU a dalších akcelerátorů. Ustanovte KPI, které sledují skutečné využití versus teoretickou kapacitu.
• Investujte do governance – politiky přístupu k datům, suverenita, audity a role‑based access control nejsou „nice to have“, jsou podmínkou pro enterprise adopci.
• Postavte agent harness – orchestrujte modely, nástroje a bezpečnostní brány tak, aby agent byl spolehlivý a auditovatelný.
• Přemýšlejte hybridně o modelech – mix proprietárních a open modelů podle workloadu, ceny a citlivosti dat.
• Prioritizujte workflow fit – pokud má AI měnit denní práci uživatelů, navrhněte řešení, které nebude zásadně měnit jejich návyky, ale postupně je zlepšovat.
• Hledejte druhé řády příležitostí – když se kódování automatizuje, vznikají potřeby v review, observabilitě, bezpečnosti a orchestrace; to jsou místa pro startupy.
• Připravte fabriky digitálně – využijte digitálních dvojčat a simulací pro návrh továrny, nasazení robotiky a ladění procesu před fyzickou konstrukcí.

📈 Kam se ubírá trh v příštích 12–36 měsících

Vidím tři paralelní trajektorie:

1. Růst infrastruktury – další škálování GPU, nástrojů pro orchestrace a lokální kapacity pro suverénní datové zóny.
2. Výbuch vertikálních aplikací – finance, zdravotnictví, kódování a výrobní procesy dostanou vlastní, ostré aplikace AI, které budou generovat ekonomickou návratnost.
3. Nástup fyzické AI – po vrstvách pretrainingu a simulací začnou přicházet robotické asistence do továren, logistiky a nakonec i komerčních služeb.

To, co mě osobně nadchlo ze všech diskuzí, je přesvědčení mluvčích, že nejsme v době „přehnaných očekávání“, ale v raných fázích praktického nasazení. Na rozdíl od minula dnes nasazení znamená okamžitý užitek – a to je to, co bude hnát další investice.

✍️ Závěrem: co udělat teď

Pokud vedete technologickou firmu nebo stojíte za nákladem digitální transformace, doporučuji tři konkrétní kroky:

1. Sestavte cross‑functional tým pro AI readiness: zástupci datové platformy, bezpečnosti, právního oddělení a businessu, kteří dokážou rychle rozhodovat o governance a nasazení modelů.
2. Nasadťe metriky využití akcelerátorů a ekonomiky capex vs. opex. Tyto ukazatele vám řeknou, zda investice jdou do ziskových cest.
3. Experimentujte v produkčním prostředí s malými, ale hodnotnými projekty: automatické sumarizace, code review, prediktivní údržba, asistence klinické dokumentace. Z těchto pilotů se budou rodit větší nasazení.

Svět AI je právě na prahu masivního přijetí. Není to pouze o lepších modelech; je to o datech, infrastruktuře, governance a schopnosti změnit pracovní návyky. Pokud na tyto prvky vsadíte, budete připraveni na další kapitolu, která už není koncept, ale reálná produktová a ekonomická příležitost.

Já osobně vnímám z tohoto období jednu dominantní myšlenku: AI není jen technologie, je to operační paradigma. Kdo ho pochopí a správně implementuje, bude mít konkurenční výhodu, která se bude kumulovat rok od roku.