Stav AI v roku 2026: Ziadny vitaz neberie vsetko

Preco v roku 2026 nebude AI dominovat jedna jedina firma

490. epizoda Lexa Fridmana spaja dva z najrespektovanejsich hlasov v ML komunite: Sebastiana Raschku, autora knih Build a Large Language Model from Scratch a Build a Reasoning Model from Scratch, a Nathana Lamberta, veduceho post-trainingu v Allen Institute for AI (AI2) a autora definitvnej knihy o RLHF. Nahrany v januari 2026, je to rozsiahly trojhodinovy technicky prehlad toho, kde AI skutocne stoji — za cyklami hype.

O pretekoch v AI medzi 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 roku 2026 bude existovat firma, ktora ma pristup k technologii, ku ktorej nema pristup ziadna ina firma. Vyskumnici casto menia pracu, menia laboratoria, rotuju.) Sebastian Raschka argumentuje, ze skutocnym diferenciatorom nie su napady — je to rozpocet a hardver. Nathan Lambert dodava, ze cinske firmy ako Zhipu AI, MiniMax a Kimi Moonshot v niektorych oblastiach prekonali DeepSeek, pricom pouzivaju vlastne publikovane techniky DeepSeek. Hnutie open-weight z Ciny je strategickym tahom pre globalny vplyv, nie charitou.

O momente 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 okolo modelu Anthropic Claude Opus 4.5 bol absolutne sialeny... kulturne je Anthropic znamy tym, ze velmi silno stavi na kod, co je prave ta vec s Claude Code, ktora im teraz vychadza.) Nathan vnima zameranie Anthropicu na kod ako kulturnu vyhodu a poznamena, ze firma posobi ako "najmenej chaoticka" z hlavnych laboratorii. Medzitym bol Gemini 3 od Google technicky posobivym, ale stratil narativ — opakujuci sa motiv, kde organicke nadsenie komunity je dolezitejsie nez marketing.

O zakonoch skalovania a pre-trainingu: Nathan sa stavia proti narativu "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 vacsina vypoctoveho vykonu ide do pre-trainingu, pretoze model sa da stale zlepsovat... o par rokov sa to nasytia RL vypocty budu jednoducho trvat dlhsie.) Diskusia odhaluje nuansovany pohlad: zlepsenia pre-trainingu sa nevycerpali, ale reinforcement learning je oblastou, odkial pridu dalsie vlny schopnosti. Ocakavaju, ze v roku 2026 pridu predplatne za 2 000 dolarov, kedze modely ponuknu pokrocilejsie schopnosti.

O tom, ako vyskumnici AI skutocne pouzivaju AI: Rozhovor je osviezzujuco uprimmny ohladne osobneho pouzivania AI. Sebastian pouziva rychly rezim ChatGPT na rychle vyhladavanie a rezim Pro na dokladne kontroly dokumentov. Nathan pouziva vylucne modely s myslenim, pricom sucasne spusta pat Pro dotazov na vyhladavanie clankov. Na kodovanie obaja pouzivaju Claude — Sebastian cez plugin Codex vo VS Code, Lex cez Claude Code na "programovanie v anglictine." Nathan pouziva Gemini na rychle vysvetlenia a Grok na hladanie AI prispevkov na Twitteri. Kazdy pouziva viacero modelov.

O agentoch a probleme rozhrania: "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 pri lubovolnych ulohach mussite stale specifikovat, co chcete, aby vas LLM robil. Ake je prostredie? Ako to specifikujete? Mozete povedat, aky je konecny ciel, ale aj dostat sa k tomu bodu — ako ako pouzivatel vediete model?) Sebastian nastouje fundamentalnu vyzvu pre autonomnych agentov: specifikacia je tazka. Sucasna paradigma agentov funguje pre kod, pretoze prostredie je dobre definovane, ale agenti na vseobecne ucely celia problemu rozhrania, ktoreho riesenie moze trvat roky.

O open-weight modeloch a politike: Nathan opisuje vedenie post-trainingoveho usilia TULU v AI2, jedneho z mala plne otvorenych treningovych pipeline v USA. Poukazuje na kriticky nedostatok: zatial co cinske laborratoria zaplnuju trh otvorenymi modelmi, americke open-weight snazenia celia konsolidacii. Prijatie open source v Akcnom plane Bieleho domu pre AI z roku 2025 je povzbudzujuce, ale pretavit politiku na udrzatelne financovanie zostava vyzvou.

7 klucovych poznatkov o stave AI v roku 2026

• Ziadny scenar vitaz-berie-vsetko — Napady volne prudia medzi laboratoriami; rozhodujucim faktorom je rozpocet na vypocty a hardver, nie proprietarne techniky
• Cinska strategia open-weight funguje — DeepSeek odtartoval hnutie, ale Zhipu AI, MiniMax a Kimi Moonshot teraz vydavaju rovnako konkurencieschopne modely ako premyslenu strategiu pre globalny vplyv
• Pre-training nie je mrtvy — Vacsina vypoctov stale smeruje do pre-trainingu, ale post-training s reinforcement learningom je oblastou, odkial pridu dalsie velke skoky v schopnostiach
• Pouzivanie viacerych modelov je normou — Dokonca aj spickovi vyskumnici pouzivaju 3-4 rozne modely na rozne ulohy, co naznacuje, ze ziadny jednotlivy model nedominuje vsetkym pripadom pouzitia
• Kod je zabijacka aplikacia pre agentov — Stavka Anthropicu na Claude Code sa vyplaca, pretoze kodovanie poskytuje dobre definovane prostredie; agenti na vseobecne ucely stale celia fundamentalnym vyzvam specifikacie
• Prichadzaju predplatne AI za 2 000 dolarov — Skok z urovni 200 na 2 000 dolarov sa udeje v roku 2026, pohanany modelmi ponukajucimi meratelne vacsie schopnosti pre profesionalne vyuzitie
• Open-source AI potrebuje udrzatelne financovanie — USA ma silnu politicku podporu pre otvorenu AI, ale chybaju jej vladou podporovane incentivne struktury, ktore umoznuju cinske open-weight vydania

Co to znamena pre organizacie budujuce s AI

Obraz, ktory z tohto rozhovoru vznikol, je obrazom rychlej komodizacie na urovni modelov. Ak si ziadna firma nedokaze udrzat technologicky priepast, hodnota sa presunme na to, ako AI pouzivate — na aplikacie, workflow a integracie. Organizacie by nemali stavit na jedineho poskytovatela modelov. Vyskumnici, ktori tieto systemy sami buduju, denne pouzivaju viacero modelov a prepinaju podla ulohy a kvality. Tato multi-modelova buducnost nie je docasnou fazou; je to novy normal. Skutocna konkurencna vyhoda spociva v budovani agentmi ridenych workflow, ktore vyuzivaju ten model, ktory je najlepsi pre kazdu konkretnu ulohu.