Archiv

Academia is for Ambition — Alex Zhang, MIT

Latent Space mluví s Alexem Zhangem, PhD studentem MIT a autorem konceptu Recursive Language Models (RLM), podle kterého jsou modely mnohem výkonnější, když mohou se svým vlastním promptem pracovat jako s externím objektem mimo kontextové okno. Diskutují Prime Agent od Prime Intellect – samoučící se RLM harness, který jako první vyřešil ARC-AGI-3 ještě před OpenAI Astrou – a nový koncept Context Language Models (CLM) od Rulin Shao, kde si model spravuje kontext sám bez pevného harnessu. Probírají také AI generované GPU kernely (GPT-5.6 údajně snížil náklady na Tera a Luna kernely o 80 %), OpenAI experiment s 10 000 agenty a 130 miliardami výstupních tokenů (~40 mil. USD ekvivalent výpočtu) a proč mají Claude Code, Codex a Pi strukturálně podobný harness design.

Proč to je důležité: Konkurenční výhoda se čím dál víc přesouvá z volby LLM na architekturu kolem něj – správu kontextu a multi-agentní orchestraci – firmy by měly sledovat vývoj harness designu, i když jde zatím o rané výzkumné koncepty, ne hotová produkční řešení.

• Alex Zhang – osobní web (RLM, research)
• Alex Zhang na X (@a1zhang)

Why you should work on AI for AI Research — Richard Socher of Recursive

Richard Socher, zakladatel You.com a nyní firmy Recursive, popisuje v 92minutovém rozhovoru vizi 'Eureka Machine' – superinteligence, která má automatizovat samotný proces vědeckého objevování a AI výzkumu. Recursive už získal seed kolo přes 4,65 miliardy USD a firma je oceněna na 5 miliard USD; podle Sochera jejich systém překonal lidi i jejich agenty v optimalizačních úlohách za méně než dva dny a objevil vylepšení NVIDIA GPU kernelů bez týmu CUDA expertů. Socher zároveň kritizuje 'ústavu' Anthropicu jako neúčinnou, varuje před reward hackingem a zpochybňuje evropskou regulaci AI podle výpočetního výkonu (FLOPs). Debatuje se také, zda dnešní LLM paradigma stačí na dosažení superinteligence.

Proč to je důležité: Pro české B2B prostředí je to zatím spíše výzkumný horizont než okamžitě nasaditelná technologie, ale extrémně vysoké ocenění (5 mld. USD) signalizuje, kam směřují investice a talent v AI výzkumu.

• Richard Socher na X
• Richard Socher na LinkedIn

🔬"We have foundation models for language, not for physics" — Anima Anandkumar, Bren Professor of Computing

Profesorka Anima Anandkumar (Caltech) v podcastu Latent.Space popisuje svůj vývoj neuronových operátorů, matematické techniky kombinující data s fyzikálními zákony pro modelování kontinuálních systémů jako počasí nebo fúzní reaktory. Její tým vytvořil FourCastNet a jeho nástupce FourCastNet 3, model počasí založený na sférických harmonických funkcích, který běží stabilně měsíce dopředu na běžných GPU a konkuruje tradičním fyzikálním simulacím. V oblasti jaderné fúze stačí jen několik tisíc vzorků k predikci poruch plazmatu, a to až milionkrát rychleji než klasické simulace. Anandkumar také pracuje na TorchLean, frameworku propojujícím PyTorch sítě s asistentem důkazů Lean pro formální verifikaci neuronových sítí, a byla jmenována do vědecké poradní rady OSN.

Proč to je důležité: Pro B2B firmy v energetice, meteorologii nebo těžkém průmyslu jde o reálný, dnes využitelný nástroj (FourCastNet běží na spotřebitelských GPU), zatímco univerzální foundation model pro fyziku je zatím výzkumný horizont na roky dopředu.

Finally, AI Research You Can Trust

Google představil nástroj Gemini Notebook (notebook.google.com), který odpovídá výhradně na základě zdrojů nahraných uživatelem – souborů, webových odkazů, YouTube videí či dokumentů z Google Drive – a každé tvrzení propojuje odkazem na konkrétní pasáž zdroje. Rozhraní má tři panely: zdroje vlevo, chat uprostřed a Studio vpravo, kde lze z ověřených zdrojů vygenerovat audio/video přehledy, prezentace nebo myšlenkové mapy. Newsletter popisuje konkrétní postup: pojmenovat notebook podle jednoho cíle (např. „Konkurenční analýza Q3“), přidat jen kvalitní zdroje, ptát se nejprve na chybějící pohledy a rozpory mezi zdroji místo obyčejného shrnutí, a užitečné odpovědi ukládat jako poznámky, které se pak stanou dalšími zdroji. Vedle toho Futurepedia nabízí žebříček 100 AI nástrojů otestovaných v 25 pracovních oblastech.

Proč to je důležité: Pro české B2B firmy jde o prakticky použitelný nástroj hned teď – snižuje riziko halucinací u AI výzkumu díky dohledatelným citacím, což je využitelné pro analýzu konkurence, právní/compliance porovnávání smluv nebo tvorbu podkladů pro obchodní jednání. Není to jen hype: princip „odpovídej jen ze schválených zdrojů“ řeší reálný problém důvěryhodnosti AI výstupů ve firemní praxi.

• Gemini Notebook
• Video: Master the NEW Gemini Notebook
• Top 100 AI Tools for Business (HubSpot/Futurepedia)
• Skill Leap – AI courses