Proč by mohl pokrok v AI uvažování zpomalit
V posledních měsících jsme byli svědky toho, jak AI modely zaměřené na logické uvažování, například OpenAI o3, posunuly hranice možného v oblastech jako je matematika a programování. Tyto modely dokáží využívat výrazně více výpočetního výkonu k řešení složitých úloh, což vede k lepším výsledkům v benchmarkových testech. Zároveň je však jejich provoz náročnější a časově delší než u tradičních modelů.
Základní princip vývoje těchto modelů spočívá nejprve v klasickém tréninku na obrovských datech, následovaném fází posilovaného učení (reinforcement learning). Právě tato fáze dává modelu zpětnou vazbu k řešení obtížných úloh a je klíčová pro zlepšování schopnosti uvažovat. Doteď však přední AI laboratoře, včetně OpenAI, využívaly v této fázi relativně omezený výpočetní výkon. To se ale mění – například OpenAI použila u modelu o3 zhruba desetkrát více výpočetních zdrojů než u předchozí generace o1 a většina této kapacity šla právě na posilované učení.
Limity škálování a rostoucí náklady
Podle analýzy Epoch AI existuje horní hranice, kolik výpočetního výkonu lze do fáze posilovaného učení investovat. Ačkoliv OpenAI plánuje tuto fázi ještě výrazně posílit, narazí brzy na technologické i ekonomické limity. Analytik Epoch AI Josh You uvádí, že zatímco výkonnostní zisky ze standardního tréninku AI modelů se aktuálně zvyšují čtyřnásobně ročně, u posilovaného učení rostou až desetkrát každé tři až pět měsíců. Tento trend ale podle něj nebude trvat věčně – už kolem roku 2026 by se měl růst výkonu těchto modelů „srovnat s celkovou špičkou v oboru“.
Kromě technických limitů hrají roli i vysoké režijní náklady na výzkum a vývoj. Pokud bude potřeba stále více lidských i finančních zdrojů na vylepšování modelů, nemusí být další škálování dlouhodobě udržitelné. „Pokud bude přetrvávat vysoký režijní náklad na výzkum, nemusí být škálování modelů pro uvažování tak dalekosáhlé, jak se očekávalo,“ upozorňuje You.
Praktické a etické důsledky pro AI sektor
Možné zpomalení pokroku v oblasti AI uvažování je pro celý obor zásadní zprávou. Právě na tyto modely se upírají naděje na další přelomové aplikace v oblastech jako zdravotnictví, finance, autonomní řízení či zákaznická podpora. Zpomalení růstu může znamenat, že průlomové novinky budou přicházet pomaleji a firmy budou muset více investovat do optimalizace a vylepšování stávajících řešení místo honby za dalšími skokovými inovacemi.
Zároveň se tím otevírá prostor pro hlubší diskuzi o etických a regulačních rámcích. Delší období bez dramatických změn může dát politikům i odborné veřejnosti čas na promyšlenější nastavení pravidel pro bezpečné a férové využívání AI technologií. V neposlední řadě je třeba zmínit i fakt, že modely zaměřené na uvažování jsou často velmi drahé na provoz a mají vyšší tendenci k tzv. „halucinacím“ – tedy generování nesprávných či smyšlených informací, což je další výzva pro jejich širší nasazení.
Co čekat dál?
I když se tempo zlepšování AI v oblasti uvažování pravděpodobně zpomalí, neznamená to konec inovací. Očekává se, že firmy i výzkumníci přesunou pozornost k efektivnějšímu využívání stávajících modelů, hledání nových algoritmických přístupů a optimalizaci nákladů. Zároveň se dá čekat větší důraz na robustnost, bezpečnost a etiku AI systémů. Celkově nás čeká období konsolidace, kdy se AI bude více zaměřovat na kvalitu než na kvantitativní růst výkonu.
Zdroje: TechCrunch | Finance Yahoo | OpenTools.ai
