Stav AI v roce 2026: Nikdo nebude dominovat

Proc v roce 2026 zadna firma nebude v AI dominovat

490. epizoda Lexe Fridmana spojuje dva z nejrespektovanejsich hlasu v ML komunite: Sebastiana Raschku, autora knih Build a Large Language Model from Scratch a Build a Reasoning Model from Scratch, a Nathana Lamberta, vedouciho post-trainingu v Allen Institute for AI (AI2) a autora definitivni knihy o RLHF. Natocena v lednu 2026, je to rozlehly trihodinovy technicky pruvodce tim, kde AI skutecne stoji -- za cykly hype.

O zavodu v AI mezi USA a Cinou: "I don't think nowadays in 2026 that there will be any company who has access to a technology that no other company has access to. Researchers are frequently changing jobs, changing labs, they rotate." (Nemyslim si, ze v roce 2026 bude existovat firma, ktera by mela pristup k technologii, ke ktere by nemela pristup zadna jina firma. Vyzkumnici casto meni prace, meni laboratore, rotuji.) Sebastian Raschka tvrdi, ze skutecnym diferenciujicim faktorem nejsou napady -- je to rozpocet a hardware. Nathan Lambert dodava, ze cinske firmy jako Zhipu AI, MiniMax a Kimi Moonshot v nekterych oblastech prekonaly DeepSeek pouzitim jejich vlastnich publikovanych technik. Hnuti open-weight modelu z Ciny je strategickym tahem pro globalni vliv, ne dobrocinnnost.

O momentu Opus 4.5: "The hype over Anthropic's Claude Opus 4.5 model has been absolutely insane... culturally Anthropic is known for betting very hard on code, which is the Claude Code thing that's working out for them right now." (Hype kolem modelu Claude Opus 4.5 od Anthropic byl naprosto sileny... kulturne je Anthropic znamy tim, ze silne sazi na kod, coz je ta vec s Claude Code, ktera jim prave ted funguje.) Nathan vidi zamereni Anthropic na kod jako kulturni vyhodu a poznamena, ze firma pusobi jako "nejmene chaoticka" z hlavnich laboratori. Mezitim Gemini 3 od Google byl technicky pusobivym, ale ztratil narativ -- opakujici se tema, kdy organicke nadseni komunity je dulezitejsi nez marketing.

O zakonech skalovani a pre-trainingu: Nathan odmita narativ "pre-training je mrtvy". "I still think most of the compute is going in at pre-training because you can still make a model better... in a few years that'll saturate and the RL compute will just go longer." (Stale si myslim, ze vetsi cast vypocetniho vykonu jde do pre-trainingu, protoze model stale muzete vylepsovat... za par let se to nasytit a RL vypocet bude jen probihat dele.) Diskuse odhaluje nuancovany pohled: zlepseni pre-trainingu se nevycerpala, ale reinforcement learning je misto, odkud prijde dalsi vlna zlepseni schopnosti. Ocekavaji, ze v roce 2026 se objevi predplatne za 2 000 dolaru, protoze modely nabidnou vice schopnosti na profesionalni urovni.

O tom, jak vyzkumnici AI skutecne pouzivaji AI: Konverzace je osvezujicne uprimna ohledne osobniho pouzivani AI. Sebastian pouziva rychly rezim ChatGPT pro rychle vyhledavani a Pro rezim pro dustkladnou kontrolu dokumentu. Nathan pouziva vyhradne thinking modely a zaroven pousti pet Pro dotazu soucasne pro vyhledavani clanku. Pro kodovani oba pouzivaji Claude -- Sebastian pres plugin Codex ve VS Code, Lex pres Claude Code pro "programovani v anglictine." Nathan pouziva Gemini pro rychla vysvetleni a Grok pro hledani AI prispevku na Twitteru. Kazdy pouziva vice modelu.

O agentech a problemu rozhrani: "The problem is for arbitrary tasks, you still have to specify what you want your LLM to do. What is the environment? How do you specify? You can say what the end goal is, but even getting it to that point — how do you as a user guide the model?" (Problem je, ze pro libovolne ukoly stale musite specifikovat, co chcete, aby vas LLM delal. Jake je prostredi? Jak to specifikujete? Muzete rici, jaky je konecny cil, ale i dostat se do tohoto bodu -- jak jako uzivatel model navedete?) Sebastian nastinil zakladni vyzvu pro autonomni agenty: specifikace je tezka. Soucasne paradigma agentu funguje pro kod, protoze prostredi je dobre definovane, ale univerzalni agenti celi problemu rozhrani, ktery muze trvat roky, nez se vyresi.

O open-weight modelech a politice: Nathan popisuje vedeni post-trainingoveho projektu TULU v AI2, jednoho z mala plne otevrenych treninovych pipeline v USA. Upozornuje na kritickou mezeru: zatimco cinske laboratore zaplnuji trh otevrenyma modelama, americke open-weight snahy celi konsolidaci. Akci plan Bileho domu pro AI z roku 2025 podporujici open source je povzbudivym, ale premena politiky v trvale financovani zustava vyzva.

7 klicovych poznatku o stavu AI v roce 2026

• Zadny scenar vitez-bere-vse -- Napady volne proudeji mezi laboratoremi; rozhodujicim faktorem je rozpocet na vypocetni vykon a hardware, nikoli proprietarni techniky
• Cinska strategie open-weight modelu funguje -- DeepSeek odstartoval hnuti, ale Zhipu AI, MiniMax a Kimi Moonshot nyni vydavaji stejne konkurenceschopne modely jako promyslenou strategii pro globalni vliv
• Pre-training neni mrtvy -- Vetsi cast vypocetniho vykonu stale smeruje do pre-trainingu, ale reinforcement learning post-training je misto, odkud prijdou dalsi velke skoky ve schopnostech
• Pouzivani vice modelu je normou -- I spickovi vyzkumnici pouzivaji 3-4 ruzne modely pro ruzne ukoly, coz naznacuje, ze zadny jediny model nedominuje vsem pripadum pouziti
• Kod je killer applikace pro agenty -- Sazka Anthropic na Claude Code se vyplaci, protoze kodovani poskytuje dobre definovane prostredi; univerzalni agenti stale celi zakladnim vyzvam specifikace
• Predplatne AI za 2 000 dolaru prichazi -- Skok z urovne 200 dolaru na 2 000 dolaru se uskutecni v roce 2026, tazen modely nabizejicimi meritelne vetsi schopnosti pro profesionalni pouziti
• Open-source AI potrebuje udrzitelne financovani -- USA ma silnou politickou podporu pro otevrene AI, ale chybi ji vladou podporovane motivacni struktury, ktere umoznuji cinske open-weight vydani

Co to znamena pro organizace stavsici s AI

Obraz, ktery z teto konverzace vyplyva, je obrazem rychle komoditizace na urovni modelu. Pokud si zadna firma nemuze udrzet technologicky prikop, hodnota se presouva na to, jak AI pouzivate -- aplikace, pracovni postupy a integrace. Organizace by nemely sadit na jedineho poskytovatele modelu. Vyzkumnici, kteri tyto systemy sami budouji, denne pouzivaji vice modelu a prepinaji podle ukolu a kvality. Tato budoucnost vice modelu neni prechodnou fazi; je to novy normal. Skutecna konkurencni vyhoda spociva v budovani pracovnich postupu pohannych agenty, ktere vyuzivaji ten model, ktery je nejlepsi pro kazdy konkretni ukol.