Umělá inteligence se rychle posouvá z experimentální technologie do každodenní praxe. Právě to bylo hlavním tématem společného vystoupení Jensena Huanga a Satyi Nadelly na konferenci Microsoft Build. Nešlo jen o přehled nových produktů. Mnohem důležitější byla širší zpráva: AI už není jen záležitostí obřích datacenter. Stává se součástí pracovních nástrojů, vývojových prostředí, podnikových platforem a nově také samotného osobního počítače.
Z jejich rozhovoru bylo patrné, že Microsoft a NVIDIA se nesoustředí na jednu izolovanou novinku. Budují celý propojený ekosystém. Ten zahrnuje výkonné AI počítače na okraji sítě, cloudovou infrastrukturu pro trénování a provoz modelů, akcelerované podnikové datové platformy, bezpečné prostředí pro agenty a nástroje, které mohou vývojáři i firmy skutečně použít v praxi.
Největší myšlenka, kterou jsem si z této debaty odnesl, je jednoduchá: počítač už nemusí být jen nástroj, který čeká na příkaz člověka. Může se proměnit v aktivního pomocníka. A stejné pravidlo začíná platit i pro cloud, datacentra a podnikový software.
Obsah
- 🧠 Osobní počítač se mění na osobní AI
- ⚙️ RTX Spark a výpočetní výkon na okraji sítě
- 🖥️ Windows na GB300 a datacentrum na pracovním stole
- ☁️ Od prvního AI superpočítače k nové generaci AI továren
- 🏭 Fairwater, Grace Blackwell a vznik AI továren nové generace
- 🤖 Proč se všechno točí kolem agentů
- 🔐 Důvěrné výpočty a bezpečnost jako základ agentní AI
- 🚀 Vera Rubin a nová generace CPU a systémů pro AI agenty
- 🧩 Foundry, Fabric, GitHub Copilot a širší softwarový ekosystém
- 📊 Proč se akceleruje Fabric, SQL, Spark i práce s daty
- 💻 GitHub, nárůst commitů a důkaz, že agenti začínají být užiteční
- 🌐 Co toto partnerství znamená pro firmy a vývojáře
- 🔭 Kam to celé směřuje
🧠 Osobní počítač se mění na osobní AI
Jedním z nejzajímavějších bodů celé debaty byla představa nové třídy počítačů. Jensen Huang připomněl, že tato vize vznikala několik let. Cílem bylo vytvořit systém, který bude mimořádně silný pro designéry, tvůrce i práci s umělou inteligencí, ale současně bude úzce provázaný se softwarem, který lidé už používají.
V této souvislosti zazněl produkt NVIDIA RTX Spark, který má přinést výkonnou AI přímo na pracovní stůl. Důležitý zde není jen samotný čip, ale i to, že Windows a související software mají umožnit provozovat na počítači autonomní AI agenty. To je zásadní změna.
Dlouhé roky byl osobní počítač pasivní platformou. Uživatel otevřel aplikaci, provedl úkol a počítač reagoval. Nově se rýsuje model, ve kterém je počítač schopen samostatně vykonávat část práce. Ne ve smyslu úplného nahrazení člověka, ale jako průběžný spolupracovník, který může dostat zadání, využít nástroje nainstalované na zařízení a vrátit návrh, úpravu nebo rozpracovaný výsledek.
Jensen tuto změnu popsal velmi prakticky. Představa je taková, že člověk může být na cestách, použije telefon a pošle svému počítači úkol. Počítač otevře potřebné nástroje, provede úpravy kódu nebo designu, iteruje nad zadáním a připraví výstup ještě dřív, než se uživatel vrátí ke klávesnici.
Právě tady se podle mě rodí nový význam zkratky PC. Už nejde jen o personal computer. Stává se z něj personal AI, tedy osobní inteligentní systém.
Proč je tato změna důležitá
- AI běží blíž datům a pracovním návykům. Není nutné vše posílat do cloudu.
- Odezva může být rychlejší. Lokální výpočet snižuje čekání a zlepšuje plynulost práce.
- Roste soukromí a kontrola. Citlivé úlohy mohou zůstat na zařízení.
- AI se lépe propojí s běžnými aplikacemi. Nejde o oddělený chatbot, ale o asistenta uvnitř pracovního prostředí.
Pokud se tento model prosadí, bude mít velký dopad na vývojáře, kreativní profese i firemní týmy. Místo přepínání mezi několika službami by mohl vzniknout kompaktní pracovní prostor, ve kterém AI sama ovládá nástroje, s nimiž člověk běžně pracuje.
⚙️ RTX Spark a výpočetní výkon na okraji sítě
Satya Nadella v rozhovoru mluvil o myšlence téměř neomezené inteligence na okraji sítě. Tento výraz dobře vystihuje směr, kterým se obě firmy vydávají. Cílem je dostat výrazný AI výkon mimo centrální cloud a přenést ho blíž ke konkrétním lidem a úlohám.
U RTX Spark zaznělo několik technických detailů, které stojí za pozornost. Systém má nabídnout výkon na úrovni petaflopu pro AI operace a využívá formát NVFP4, na kterém Microsoft a NVIDIA spolupracovaly. Tento formát má pomoci efektivněji pracovat s dostupnou pamětí a umožnit běh velmi rozsáhlých modelů přímo v lokálnějším prostředí.
Zazněla také kapacita 128 GB paměti a možnost vměstnat modely o stovkách miliard parametrů. To je důležité nejen z hlediska marketingu. Ve skutečnosti to znamená, že systémy na okraji sítě mohou být schopny provozovat mnohem schopnější modely, než bylo ještě nedávno reálně možné mimo velká datacentra.
Výraz edge AI se často používá vágně, ale tady dostává konkrétní podobu. Nejde jen o malé modely v telefonu nebo o jednoduché inferenční úlohy v senzorech. Jde o poměrně výkonné lokální systémy, které zvládnou složitější asistenty, generativní práci a náročnější agentní scénáře.
Pro širší kontext je užitečné sledovat i to, jak se AI výpočet přesouvá mezi cloudem a okrajem sítě. O tomto trendu se dlouhodobě píše například na stránkách Gartneru k edge computingu nebo v přehledech Microsoft Learn, které ukazují, jak se podnikové aplikace stále více rozdělují mezi lokální a cloudové zpracování.
🖥️ Windows na GB300 a datacentrum na pracovním stole
Satya Nadella zmínil ještě jednu zajímavou oblast: Windows na GB300. Jeho komentář, že jde v podstatě o datacentrum přímo na desktopu, dobře shrnuje, jak rychle se stírá hranice mezi pracovním počítačem a serverovou infrastrukturou.
Ještě před pár lety bylo běžné uvažovat o desktopu a datacentru jako o dvou odlišných světech. Desktop sloužil k práci jednotlivce, datacentrum k masivním výpočtům. Nyní ale vidíme sbližování obou přístupů. Výkonné pracovní stanice, AI akcelerátory a specializované softwarové vrstvy umožňují přesouvat některé scénáře, které byly dříve vyhrazeny serverům, na lokální zařízení.
To je důležité zejména pro:
- vývoj pokročilých AI aplikací,
- testování agentů a modelů v lokálním prostředí,
- zpracování citlivých podnikových dat,
- kreativní práci s náročnými modely bez nutnosti neustálého připojení ke cloudu.
Právě v tomto bodě začíná být partnerství Microsoftu a NVIDIA zajímavé i z hlediska operačního systému. Nestačí mít jen výkonný hardware. Je potřeba, aby platforma nabízela plánování úloh, bezpečnostní model, integraci s vývojovými nástroji a podporu aplikací, které umějí z GPU akcelerace skutečně těžit.
☁️ Od prvního AI superpočítače k nové generaci AI továren
Rozhovor se ale netočil jen kolem osobních počítačů. Velká část se věnovala cloudu a datacentrové infrastruktuře. Satya připomněl, že jejich společná cesta začala budováním prvního superpočítače pro trénování modelů GPT. Od té doby se tempo vývoje dramaticky zrychlilo.
Jensen Huang popsal jednotlivé etapy vývoje velmi přehledně:
- Ampere byl základem první generace AI superpočítačů.
- Hopper přinesl výrazný úspěch a byl silně orientovaný na předtrénování modelů.
- Grace Blackwell posunul důraz směrem k post-trénování, reinforcement learningu a inferenci.
- Vera Rubin je navržený pro svět agentů.
Tato posloupnost ukazuje zásadní změnu v tom, co dnešní AI infrastruktura musí zvládat. V první fázi šlo hlavně o trénink obřích modelů. Dnes už se řeší, jak tyto modely dolaďovat, jak z nich vytvářet uvažující systémy, jak je provozovat v reálném čase a jak na nich stavět agenty, kteří aktivně vykonávají práci.
To je podstatný posun. AI už není jen model uložený v cloudu. Je to celek zahrnující trénink, dolaďování, nasazení, inferenci, orchestraci, paměť, bezpečnost a nástrojovou integraci.
🏭 Fairwater, Grace Blackwell a vznik AI továren nové generace
Satya Nadella zmínil systém Fairwater jako návrh datacentra přizpůsobený éře Grace Blackwell. Jensen Huang na to navázal s velkým důrazem na systémovou stránku věci. Nešlo jen o rychlejší čipy, ale o proměnu celé architektury datacentra.
Jedním z hlavních motivů byla potřeba obrovských výpočetních celků pro moderní modely, zejména pro tzv. reasoning modely a architektury typu mixture of experts. Ty jsou vysoce inteligentní a současně energeticky efektivnější, ale kladou velké nároky na propojení, paměť a šířku pásma.
Proto NVIDIA vytvořila NVLink 72, kde se celý rack chová jako jeden počítač. To je zásadní skok. Tradiční pohled na server pracoval s jedním uzlem jako základní jednotkou. Tady se základní jednotkou stává celý rack.
Taková změna má přímé důsledky:
- rychlejší komunikace mezi akcelerátory,
- lepší škálování náročných modelů,
- efektivnější trénink i inference,
- vyšší výkon pro agentní systémy, které musí rychle iterovat.
Jensen současně zdůraznil, že Microsoft podle něj nasadil největší počet systémů Grace Blackwell na světě. Tím chtěl ukázat, jak hluboké toto partnerství je. Nejde o pilotní spolupráci, ale o masivní implementaci infrastruktury ve výrobním měřítku.
Zajímavý byl i environmentální rozměr. Fairwater je podle popisu plně kapalinově chlazený a využívá uzavřený okruh, takže spotřebovává minimum vody. V době, kdy se kolem AI často diskutuje energetická stopa datacenter, je tato informace důležitá. Udržitelnější provoz se stává klíčovou součástí moderní infrastruktury.
Více o směrech vývoje moderních datacenter lze sledovat například v materiálech Mezinárodní energetické agentury, která dlouhodobě mapuje spotřebu energie a dopady digitální infrastruktury.
🤖 Proč se všechno točí kolem agentů
Jeden z nejdůležitějších pojmů celé debaty byl agentic AI, tedy agentní umělá inteligence. Právě kvůli ní se mění hardware, software i datacentra.
Agent není jen systém, který odpoví na otázku. Má cíl, postupuje po krocích, používá nástroje, pracuje s pamětí, vyhodnocuje mezivýsledky a vrací se k úkolu opakovaně. Takový systém vytváří úplně jiný výpočetní profil než běžný chatbot.
Jensen vysvětlil, že právě pro tento svět je navržen Vera Rubin. Hopper odpovídal době předtrénování. Grace Blackwell posílil post-trénování a inferenci. Vera Rubin je koncipovaný pro provoz agentů ve velkém měřítku.
Ještě zajímavější je, že stejný výpočetní vzor má fungovat i na RTX Spark, jen v menším rozsahu. To znamená, že mezi osobním AI počítačem a cloudovou AI továrnou nevzniká ostrý předěl. Oba konce spektra pracují se stejnou logikou: agent používá nástroje, paměť, iterace a rychlou odezvu.
Tohle považuji za velmi silnou strategii. Když má stejný koncept fungovat od desktopu až po hyperscale cloud, usnadňuje to vývoj, přenos pracovních toků i nasazení do podniků.
Jaké vlastnosti agenti potřebují
- Nízkou latenci. Agent nesmí dlouho čekat na výsledek každého kroku.
- Přístup k nástrojům. Musí umět volat software, databáze a služby.
- Pracovní a dlouhodobou paměť. Potřebuje uchovat kontext a historii.
- Bezpečnost. Agent manipuluje s daty a akcemi, které mohou být citlivé.
- Škálování. V podnikovém prostředí jich může běžet mnoho současně.
Právě kvůli těmto požadavkům dnes nestačí mluvit pouze o modelu. Klíčová je celá infrastruktura kolem něj.
🔐 Důvěrné výpočty a bezpečnost jako základ agentní AI
Jakmile agenti začnou samostatně pracovat s podnikovými daty, otevírat nástroje a vykonávat úkoly, bezpečnost se stává naprosto zásadní. Jensen Huang proto zdůraznil oblast confidential computingu, tedy důvěrných výpočtů.
Popisoval systém, ve kterém je celá cesta zpracování chráněná. Dlouhodobá paměť, pracovní paměť i přenosy dat mají být šifrované. Nejde jen o šifrování při ukládání nebo při přenosu, ale také během samotného používání dat.
To je velmi podstatné. Moderní podniková AI potřebuje zajistit:
- ochranu citlivých firemních informací,
- oddělení zákaznických dat v multitenantním prostředí,
- bezpečné spouštění agentů napříč službami,
- auditovatelnost a důvěru při automatizaci úloh.
Pokud mají agenti běžet pro mnoho zákazníků a partnerů zároveň, bezpečnostní architektura přestává být doplňkem a stává se jedním z hlavních produktových pilířů. To se týká cloudové části i lokálního běhu na PC.
Pro základní orientaci v principu důvěrných výpočtů doporučuji přehled od Confidential Computing Consortium, který vysvětluje, proč je tato oblast stále důležitější pro moderní AI i podnikové systémy.
🚀 Vera Rubin a nová generace CPU a systémů pro AI agenty
V části věnované budoucím systémům zazněla zajímavá poznámka o CPU architektuře Vera. Jensen Huang ji popsal jako revoluční procesor navržený pro agenty. To může znít jako drobný detail, ale ve skutečnosti je to výmluvné.
Po dlouhou dobu byly procesory optimalizované hlavně pro potřeby lidských uživatelů a tradičních aplikací. Agentní systémy však mají jiné nároky. Jsou méně trpělivé, vyžadují nízkou latenci a rychlé zpracování mnoha navazujících kroků. Každé čekání je zpomaluje, protože se jejich práce skládá z opakovaných smyček rozhodování, přístupu k nástrojům a generování odpovědí.
Právě proto dává smysl navrhovat infrastrukturu přímo pro tento nový druh zátěže. Je to podobné, jako když se kdysi měnila architektura serverů kvůli virtualizaci nebo jako když se grafické procesory začaly optimalizovat pro hluboké učení. Agentní AI si zřejmě žádá vlastní generaci systémového designu.
Z rozhovoru také vyplynulo, že týmy Microsoftu a NVIDIA byly sladěné velmi brzy, ještě před finálním uvedením čipů a systémů. To je důležitý detail, protože ukazuje, že nejde o dodatečné přizpůsobení. Datacentra, síť, bezpečnost i software se připravovaly s ohledem na konkrétní hardwarovou generaci.
🧩 Foundry, Fabric, GitHub Copilot a širší softwarový ekosystém
Satya Nadella zdůraznil, že skutečná hodnota nevzniká v jediné technologii nebo modelu. Důležitá je šíře platformy, na které mohou stavět vývojáři a organizace. To je možná nejpraktičtější část celé debaty.
V rozhovoru zaznělo několik konkrétních oblastí rozšířené spolupráce:
- NVIDIA modely ve Microsoft Foundry
- NVIDIA nástroje ve Foundry
- GPU akcelerace pro Microsoft Fabric
- Integrace do Windows
- OpenShell secure runtime v GitHub Copilot
- Další generace AI továren poháněných NVIDIA technologií
Každý z těchto bodů míří na jinou vrstvu trhu. Foundry cílí na vytváření a nasazování AI řešení. Fabric je datová platforma. GitHub Copilot zasahuje do každodenní práce vývojářů. Windows představují klientskou vrstvu. AI továrny obsluhují hyperscale infrastrukturu.
Dohromady z toho vzniká obraz, v němž Microsoft a NVIDIA propojují:
- výpočetní výkon,
- operační systém,
- vývojové nástroje,
- podniková data,
- bezpečnost,
- správu modelů a agentů.
Právě taková vertikální integrace může rozhodnout o tom, kdo dokáže AI přenést z ukázek do běžného provozu.
📊 Proč se akceleruje Fabric, SQL, Spark i práce s daty
Jensen Huang velmi otevřeně řekl, že agenti budou netrpěliví. To zní skoro úsměvně, ale vystihuje to realitu. Pokud agent čeká na databázi, analytický dotaz nebo vyhledání vektorů příliš dlouho, jeho práce se zpomaluje a prodražuje.
Právě proto chce NVIDIA společně s Microsoftem akcelerovat nástroje, které agenti používají. Zmíněny byly:
- Microsoft Fabric,
- zpracování dat,
- SQL,
- Spark,
- sémantické, vektorové a grafové operace.
To je zásadní poznatek. Moderní AI není izolovaný jazykový model. Jakmile začne vykonávat skutečnou práci, neustále se dotýká datové vrstvy. Hledá informace, spojuje vztahy, počítá, analyzuje, dotazuje se, filtruje, agreguje a vrací se zpět k rozhodování.
Pokud budou tyto vrstvy akcelerované GPU, může to mít velký dopad na rychlost a ekonomiku agentních systémů. Jensen to spojil i s generováním tokenů a jejich ziskovostí. Jinými slovy, nejde jen o to, aby AI něco uměla. Musí to umět dělat dostatečně rychle a levně, aby dávalo smysl nasazení ve velkém.
To se dobře shoduje s tím, jak se dnes vyvíjí i oblast analytiky a datových platforem. Podniky stále častěji propojují BI, datové sklady, streaming, strojové učení a generativní AI do jednoho pracovního rámce. V tomto směru je užitečné sledovat například dokumentaci Microsoft Fabric, která ukazuje, jak se sjednocuje datová a AI vrstva.
💻 GitHub, nárůst commitů a důkaz, že agenti začínají být užiteční
Jensen Huang zmínil ještě jeden signál, který považuje za důkaz praktické užitečnosti agentní AI: prudký růst aktivity na GitHubu. Podle jeho slov počet commitů v posledních měsících výrazně vzrostl, a to zhruba trojnásobně.
I kdyby se o přesném rozsahu dalo dál debatovat, hlavní pointa je jasná. Pokud AI přináší skutečnou produktivitu, musí se to projevit v reálné práci. U vývojářů je právě GitHub jedním z míst, kde je dopad dobře vidět.
Zvýšená aktivita může znamenat několik věcí zároveň:
- rychlejší psaní a úpravy kódu,
- snazší experimentování s novými nápady,
- nižší bariéru pro dokončování rozpracovaných úloh,
- vyšší frekvenci iterací mezi člověkem a AI nástroji.
To navíc dobře zapadá do zmínky o GitHub Copilotu a bezpečném runtime od NVIDIA. Pokud se AI stává skutečným pracovníkem uvnitř vývojového prostředí, potřebuje jak výpočetní výkon, tak bezpečný způsob spouštění akcí a přístupu k nástrojům.
🌐 Co toto partnerství znamená pro firmy a vývojáře
Celý rozhovor působil jako zpráva o tom, že AI vstupuje do nové fáze. Už nejde pouze o modelové závody nebo o srovnávání benchmarků. Středem pozornosti je provozuschopnost. Jak AI nasadit ve velkém. Jak ji propojit s daty. Jak ji zabezpečit. Jak ji dostat na PC. Jak z ní udělat ekonomicky smysluplnou službu.
Z pohledu firem a vývojářů z toho podle mě plynou čtyři hlavní závěry.
1. AI se přesouvá z izolovaných chatů do nástrojů a workflow
Budoucnost neleží jen v tom, že se člověk zeptá modelu na odpověď. Mnohem důležitější je, že AI začne otevírat aplikace, pracovat s daty, psát kód, upravovat návrhy a vracet se k úkolům sama.
2. Výpočet bude rozložený mezi edge a cloud
Něco poběží lokálně na AI PC. Něco v podnikovém prostředí. Něco v hyperscale cloudu. Vítězná platforma musí zvládnout všechny tři úrovně a umožnit mezi nimi přesunout pracovní zátěž.
3. Bezpečnost se stává produktovou vlastností, ne jen povinnou kontrolou
Šifrovaná data, důvěrné výpočty, bezpečné runtime prostředí a oddělení zákaznických kontextů budou pro agentní AI naprosto zásadní.
4. Datová vrstva je stejně důležitá jako model
Akcelerace SQL, Sparku, vektorových a grafových operací ukazuje, že produktivní AI je ve skutečnosti datový problém stejně jako modelový problém.
🔭 Kam to celé směřuje
Nejsilnější moment celého rozhovoru pro mě nespočíval v jednotlivé specifikaci nebo jedné produktové novince. Byl to pocit, že se rýsuje nová výpočetní vrstva. Počítače, datacentra a podnikové platformy se začínají navrhovat s předpokladem, že v nich budou pracovat autonomnější AI systémy.
To mění skoro vše:
- jak navrhujeme hardware,
- jak organizujeme racky a sítě v datacentrech,
- jak stavíme operační systémy,
- jak přemýšlíme o latenci,
- jak zabezpečujeme data,
- jak propojujeme modely s nástroji a pamětí.
Microsoft Build tak nepřinesl jen další sérii oznámení. Přinesl i docela přesnou mapu toho, co bude v příštích letech rozhodovat. Nejsilnější AI platformy zřejmě nebudou ty, které mají jen nejlepší model. Uspějí spíš ty, které spojí modely, agenty, data, bezpečnost, výpočetní infrastrukturu a vývojářské nástroje do jednoho funkčního celku.
A právě v tom dnes partnerství Microsoftu a NVIDIA působí nejsilněji. Od osobního AI počítače přes GitHub Copilot a Microsoft Fabric až po masivní AI továrny v cloudu se skládá jeden souvislý příběh. Příběh o tom, že umělá inteligence už není jen aplikace navíc. Stává se novou vrstvou výpočetního světa.
Pokud se tato vize naplní, budeme se za pár let na dnešní počítače dívat podobně, jako se dnes díváme na dávné stroje bez internetu nebo bez grafického rozhraní. Ne jako na špatné technologie, ale jako na předchozí etapu. Etapu před tím, než se počítač změnil z nástroje na aktivního partnera pro práci.
Zdrojové video: Jensen Huang and Satya Nadella's Conversation at Microsoft Build
