Proč se názory na umělou inteligenci tak výrazně liší? Klíčem jsou odlišné zkušenosti

Každoroční zpráva AI Index ze Stanfordu, která shrnuje klíčové výsledky a trendy v oblasti umělé inteligence, nabízí příležitost k zamyšlení nad rychlým vývojem tohoto odvětví. Letošní zpráva přináší řadu pozoruhodných statistik, které potvrzují mnohé tušené skutečnosti.

Každoroční zpráva AI Index ze Stanfordu, která shrnuje klíčové výsledky a trendy v oblasti umělé inteligence, nabízí příležitost k zamyšlení nad rychlým vývojem tohoto odvětví. Letošní zpráva přináší řadu pozoruhodných statistik, které potvrzují mnohé tušené skutečnosti. Například Spojené státy výrazně investují do AI, což dokazuje více než 5 427 datových center, což je desetinásobek oproti jakékékoli jiné zemi. Zpráva také upozorňuje na kritické úzké hrdlo v dodavatelském řetězci hardwaru: téměř všechny špičkové čipy pro AI vyrábí jediná společnost, TSMC, na Tchaj-wanu, což činí globální dodavatelský řetězec závislým na jediné slévárně.

Hlavním poznatkem zprávy AI Index 2026 je však zásadní nekonzistentnost současného stavu umělé inteligence. Na jedné straně je AI vnímána jako zlatá horečka a bublina, která ohrožuje pracovní místa, na straně druhé se potýká s překvapivými nedostatky. Zpráva například uvádí, že špičkový model Gemini Deep Think od Google DeepMind získal zlatou medaili na Mezinárodní matematické olympiádě, ale zároveň má v polovině případů problémy s přečtením analogových hodin.

Tato rozporuplnost vede k otázce, proč je tak obtížné přesně pochopit, co se v oblasti AI děje. Největší propast se zdá být mezi odborníky a širokou veřejností. Autoři AI Indexu uvádějí, že 73 % amerických odborníků vnímá dopad AI na pracovní místa pozitivně, zatímco u veřejnosti je to jen 23 %, což představuje padesátiprocentní rozdíl. Podobné rozdíly se objevují i v názorech na dopad AI na ekonomiku a zdravotnictví.

Příčinou tohoto rozdílu jsou pravděpodobně velmi odlišné zkušenosti. Lidé, kteří využívají AI pro technické úkoly, jako je programování, zažívají tuto technologii v její nejlepší podobě. Nejnovější modely jsou v produkci kódu lepší než kdy dříve. Jelikož technické úkoly mají jasné správné nebo špatné výsledky, je snazší trénovat modely k jejich provádění ve srovnání s otevřenějšími úkoly. Modely schopné programovat se navíc ukazují jako ziskové, a proto do nich výrobci modelů investují značné zdroje.

Mimo tyto specifické případy použití je však situace smíšenější. Velké jazykové modely (LLM) stále dělají hloupé chyby, což je jev známý jako „zubatá hranice“: modely jsou velmi dobré v některých věcech a méně dobré v jiných. Vlivný výzkumník AI Andrej Karpathy poznamenal, že „power users“ (ti, kteří používají LLM pro kódování, matematiku nebo výzkum) nejenže drží krok s nejnovějšími modely, ale často platí 200 dolarů měsíčně za nejlepší verze. Nedávná zlepšení v těchto oblastech jsou podle něj ohromující.

Z toho vyplývá, že někdo, kdo platí za používání nejnovější verze Claude Code, v podstatě používá jinou technologii než ten, kdo před šesti měsíci zkusil bezplatnou verzi Claude k plánování svatby. Existují tedy dvě reality: AI je mnohem lepší, než si mnoho lidí uvědomuje, a zároveň je stále poměrně špatná v mnoha věcech, na kterých mnoha lidem záleží. Každý, kdo sází na budoucnost AI, by měl mít na paměti obě tyto skutečnosti.