Technicky vzato ne, ale ekonomicky a fyzikálně narážíme na hranu. Zmenšování tranzistorů pod 2nm přináší problémy s kvantovým tunelováním, což znamená, že elektrony si dělají, co chtějí, a čipy se neúměrně přehřívají. Výkon už neroste díky frekvenci, ale díky specializaci čipů.
Ano, a to dříve, než si myslíte. Kvalitní lidmi psané texty jsou vyčerpatelný zdroj. Pokud začneme modely trénovat na datech vygenerovaných jinými modely, dojde k tzv. "model collapse" – degradaci kvality a ztrátě rozmanitosti, podobně jako u genetické degenerace v izolovaných populacích.
Trénování velkých modelů spotřebuje tolik elektřiny jako menší město za rok. Bez průlomu v efektivitě algoritmů nebo v technologii baterií a reaktorů narazíme na strop, kde cena za provoz převýší ekonomický přínos samotné technologie.
Výrobci čipů narážejí na limity litografie. Zvyšování výkonu vyžaduje exponenciálně vyšší investice, což vede k monopolizaci trhu a zpomalení inovací pro běžné uživatele.
Většina kvalitního internetu již byla "vysáta". Zbývají jen zašuměná data, soukromé archivy nebo syntetický odpad, který modely spíše poškozuje, než vylepšuje.
Legislativa jako EU AI Act zavádí mantinely, které znemožňují nekontrolovaný sběr dat. Právní rizika se stávají důležitějším faktorem než čistý výpočetní výkon.
Dlouhá desetiletí jsme žili v přesvědčení, že výkon procesorů se každých 18 až 24 měsíců zdvojnásobí při zachování stejné ceny. Tato éra neomezeného pokroku končí. Fyzikální zákony nelze obejít marketingem. Když se tranzistory blíží velikosti atomů, narážíme na jevy, jako je kvantové tunelování, kdy elektrony prostě "přeskakují" izolanty.
Výsledkem je, že čipy produkují extrémní množství odpadního tepla. Abychom udrželi tempo, musíme stavět gigantické chladicí systémy, což drasticky zvyšuje náklady na infrastrukturu. Dnešní pokrok v AI není tažen efektivitou, ale hrubou silou tisíců propojených GPU, což je cesta, která má svůj jasný finanční konec.
Algoritmy strojového učení jsou hladové bestie. Problém je v tom, že jsme už "přečetli" téměř celý internet. Všechny digitalizované knihy, články na Wikipedii a diskusní fóra byla použita k trénování modelů jako GPT-4. Co dál? Kvalitní lidská data jsou konečná.
Proč je syntetické trénování nebezpečné?
Pokud se chcete dozvědět více o tom, jak nekvalitní informace ovlivňují výsledek, navštivte naši stránku Špinavá data: Proč algoritmy lžou. Bez čistého vstupu je i ten nejvýkonnější superpočítač jen drahým generátorem nesmyslů.
Současný trend v AI je "větší je lepší". Více parametrů, více dat, více elektřiny. Ale to je inženýrsky neudržitelné. Skutečná revoluce musí přijít v oblasti efektivity. Potřebujeme algoritmy, které se učí jako člověk – z několika málo příkladů, nikoliv z miliard.
V článku Neurónové sítě: Matematika místo magie rozebíráme, jak jsou tyto systémy postaveny na maticovém násobení, které je výpočetně nesmírně drahé. Dokud nenajdeme způsob, jak simulovat uvažování bez nutnosti pálit megawatty energie, zůstane AI jen luxusním nástrojem pro bohaté korporace.
Kromě techniky jsou tu i limity logistické. Nedostatek vzácných kovů pro výrobu polovodičů, geopolitické napětí omezující export technologií a v neposlední řadě nedostatek kvalifikovaných lidí, kteří by těmto systémům skutečně rozuměli.
Marketing nám prodává vizi, kde AI vyřeší vše za nás. Realita je taková, že jsme narazili na strop, kde každý další procentní bod zlepšení stojí desetkrát více než ten předchozí. Je to zákon klesajících výnosů v praxi.
Nehledejte v tom magii. Podívejte se na mechaniku, která za tím stojí, a pochopte, co je jen marketingový šum.