Merz chce omezit regulaci robotické AI

Merz: Robotická AI nepotřebuje nařízení EU o umělé inteligenci (AI Act)

Na veletrhu v Hannoveru požadovali německý kancléř Friedrich Merz a CEO společnosti Siemens Roland Busch výjimku pro průmyslovou AI z nařízení EU o umělé inteligenci (AI Act). Merz varoval, že Evropa musí uvolnit „příliš těsný regulační korzet“, aby zvýšila produktivitu a snížila náklady. Busch konkrétně pohrozil přesunem investic do USA a Číny, pokud bude EU i nadále zacházet s daty z průmyslových strojů jako s osobními údaji. S tržní kapitalizací 194 miliard eur je Siemens nejcennější německou společností, a tedy důležitým hráčem v této debatě. Požadavky přicházejí v kritickém okamžiku: 2. srpna 2026 vstoupí nařízení EU o AI v plnou platnost. → Techpresso

Synthszr Take: Zacházet s daty z průmyslových strojů jako s osobními údaji je absurdní. Teplotní senzor na plynové turbíně nemá právo na informační sebeurčení, a pokud se budeme tvářit, že ano, ztratíme jedinou disciplínu AI, ve které je Evropa stále na špici. Problém je, že Merz mluví, Busch hrozí a 2. srpna 2026 nařízení o AI přesto vstoupí v platnost v plném rozsahu. Samotné řeči zde již nic nezmůžou. Je třeba radikálně jednat. Jak by to mohlo fungovat, ukázala Čína v roce 1980. Teng Siao-pching vyhlásil Šen-čen za zvláštní ekonomickou zónu, tehdy s třiceti tisíci obyvateli, dnes se sedmnácti miliony a světovým centrem hardwaru. Potřebujeme něco podobného pro AI, a to v Německu. Dvě, tři zóny v okolí Erlangenu, Cách a Mnichova, kde by se průmyslová AI, robotika a autonomní systémy mohly trénovat a nasazovat bez nutnosti procházet celým bruselským aparátem pro zajištění shody. Jasná odpovědnost, regulovaný přístup k datům, povolení v řádu týdnů, nikoli let. Hrozba společnosti Siemens odlivem kapitálu je nejstarší taktikou korporací, ale tentokrát má skutečnou cenovku, protože alternativou je Heilbronn, nebo Chang-čou, a tento závod právě prohráváme, zatímco pohodlně sedíme na gauči.

Sergey Brin osobně dohání náskok společnosti Anthropic v oblasti kódování

Google sestavil specializovaný tým pod vedením inženýra DeepMind Sebastiana Borgeauda, aby zlepšil programovací schopnosti svých modelů Gemini. Důraz je kladen na složité, dlouhodobé programovací úkoly, jako je psaní nového softwaru od nuly – práce, která vyžaduje, aby modely četly soubory a zjišťovaly, co uživatel skutečně chce. Výzkumníci společnosti Google hodnotí nástroje pro kódování od Anthropic jako lepší, což vysvětluje naléhavost situace. Sergey Brin osobně tuto iniciativu prosazuje a v interní zprávě napsal: „Abychom vyhráli závěrečný sprint, musíme naléhavě zaplnit mezeru ve spouštění agentů a učinit z našich modelů primární vývojáře.“ Brin požaduje, aby každý inženýr Gemini používal interní agenty pro složité, vícestupňové úkoly. Google stále více trénuje modely na své interní kódové základně, která se výrazně liší od veřejného kódu – tyto modely nelze zveřejnit, ale mohly by pomoci vyvinout lepší veřejné modely → Techpresso

Synthszr Take: Sergey Brin přeměňuje Google na sebe-programující stroj, podobně jako bootstrapping kompilátor, který kompiluje sám sebe. Tato myšlenka připomíná „podivné smyčky“ Douglase Hofstadtera: kód píše kód, který píše lepší kód. Zatímco OpenAI pálila milion dolarů denně za model Sora, Google se soustředí na klíčový bod: pokud vaše AI umí programovat, může sama sebe vylepšovat. Interní nástroj „Jetski“ se stává převodovým pásem této transformace, měřeno spotřebou tokenů jako v digitální plánované ekonomice. Skutečným trikem je interní kódová základna Googlu jako tréninkový materiál – „zahrada za zdí“ (Walled Garden), která má paradoxně umožnit otevřenou inovaci. Brin sází na to, že cesta k AGI vede přes sebezdokonalující se kódovací agenty, ne přes velkolepá videa.

ChatGPT spojuje uvažování a generování obrázků

OpenAI představila ChatGPT Images 2.0 jako první generátor obrázků s nativní funkcí uvažování. Nový model gpt-image-2 dokáže promýšlet složité vizuální úkoly, ověřovat vlastní výstupy a generovat až osm konzistentních obrázků z jediného promptu. V režimu „Thinking Mode“ systém analyzuje strukturu obrázku předtím, než začne s generováním, což je relevantní zejména pro mangu, storyboardy a vícedílné návrhy. Rozlišení 2K, vylepšené vícejazyčné schopnosti vykreslování textu (zejména pro japonštinu, korejštinu, čínštinu, hindštinu a bengálštinu) a flexibilní poměry stran staví Images 2.0 do pozice nástroje pro profesionální aplikace. Model je dostupný přes API, přičemž pokročilé funkce jsou vyhrazeny pro předplatitele Plus, Pro a Business. Uvedení na trh probíhá pod konkurenčním tlakem: Gemini od Googlu vede žebříček LM Arena Text-to-Image Leaderboard, zatímco OpenAI v květnu ukončuje podporu DALL-E 2 a 3. → thenewstack.io

Synthszr Take: OpenAI přetváří ChatGPT v platformu pro vývoj produktů, kde obrázky již nejsou izolovanými výstupy, ale konzistentními podklady pro iterativní projekty. Režim Thinking Mode mění generátor náhodných obrázků v nástroj, který rozumí pravidlům rozvržení a udržuje postavy identické napříč několika snímky – přesně tu funkcionalitu, kterou profesionální designéři potřebují pro storyboardy nebo marketingové kampaně. Paralelně s tím ukazuje projekt Talking Tours od Googlu, jak se multimodální AI stává rozhraním: GPS souřadnice plus analýza obrazu plus hlasový výstup vytvářejí kontextuálně citlivého průvodce, který reaguje přesně na to, co se objeví v záběru kamery. Tento vývoj připomíná přechod od statických webových stránek k dynamickým aplikacím: modely AI se stávají reaktivními prostředími, která chápou a udržují kontext. Plánovaní „vždy zapnutí“ (Always-On) agenti ChatGPT jsou logickým dalším krokem – od nástroje k digitální pracovní síle.

Elon Musk chce CursorX

Společnost SpaceX uzavřela dohodu s AI startupem Cursor, která by mohla ještě letos umožnit jeho převzetí za 60 miliard dolarů. Dohoda přichází v kritickém okamžiku: SpaceX se právě připravuje na jeden z největších vstupů na burzu všech dob, možná již v červnu. Dohoda dává SpaceX možnost převzít Cursor za 60 miliard dolarů, nebo alternativně zaplatit 10 miliard dolarů za spolupráci. Teprve v únoru SpaceX již převzala xAI, další AI startup Elona Muska – transakce, která sloučenou společnost ocenila na 1,25 bilionu dolarů. Cursor, založený v roce 2022 a financovaný více než 3 miliardami dolarů, se v poslední době dostal pod tlak konkurenčních nástrojů pro psaní kódu od OpenAI a Anthropic. → New York Times

Synthszr Take: Musk si buduje vertikální AI infrastrukturu jako telekomunikační koncern z 90. let: od sítě (Starlink) přes koncová zařízení (Tesla) až po software (xAI, Cursor). Opce na Cursor za 60 miliard dolarů přitom není ani tak kupní cena, jako spíše pojistka proti vlastní disrupci. Generování kódu se stává komoditou, ale kdo jej zkombinuje s orbitálními datovými centry a satelitem podporovanou latencí, vytvoří si fyzický příkop, který samotný software nedokáže zkopírovat. To připomíná rané železniční barony, kteří neprodávali vlaky, ale kontrolovali práva na pozemky podél kolejí. SpaceX sází na to, že další vlna vývoje AI se nebude odehrávat v cloudu, ale na oběžné dráze.

Google rozšiřuje DeepResearch o podniková data

Google představil dva nové AI agenty: Deep Research a Deep Research Max. Oba jsou založeny na modelu Gemini 3.1 Pro a dokáží poprvé kombinovat veřejná webová data s proprietárními podnikovými informacemi v jediném volání API. Agenti generují nativní grafy a infografiky přímo ve výzkumných zprávách a připojují se přes Model Context Protocol (MCP) k libovolným datovým zdrojům třetích stran. Deep Research je optimalizován pro rychlost a interaktivní aplikace, zatímco Deep Research Max pracuje s rozšířeným Test-Time Compute a poskytuje důkladnější, asynchronní analýzy. CEO Sundar Pichai hlásí 93,3% přesnost u DeepSearchQA a 54,6% u HLE pro variantu Max. Integrace MCP umožňuje bezpečné dotazování na interní databáze, úložiště dokumentů a specializované datové služby, aniž by citlivé informace musely opustit své prostředí. Google již spolupracuje se společnostmi FactSet, S&P a PitchBook na návrzích MCP serverů pro poskytovatele finančních služeb. → VentureBeat

Synthszr Take: Google zde vytváří jakýsi švýcarský nůž pro podnikové analytiky, který konečně překonává hranici mezi veřejnými a soukromými daty. Rozdělení na Standard a Max připomíná duální strukturu mnoha biologických systémů: rychlé reflexy pro každodenní život, důkladné zpracování pro složitá rozhodnutí. Model Context Protocol přitom funguje jako jakási diplomatická imunita pro data; lze se na ně dotazovat, aniž by musela opustit svůj bezpečný přístav. Obzvláště chytrá je spolupráce s etablovanými poskytovateli dat, jako je FactSet, protože Google tak elegantně obchází problém slepice a vejce u nových standardů. Nativní generování grafů může znít banálně, ale mění výstup AI ze surového textu na dokumenty připravené k prezentaci, což je rozdíl mezi nástrojem a kolegou. Google sází na to, že firmy propojí svůj nejcennější zdroj, proprietární data, s AI pouze tehdy, pokud si udrží plnou kontrolu.

Meta mění vlastní zaměstnance na clickworkery

Společnost Meta objevila nový zdroj tréninkových dat pro AI: digitální pohybové vzory vlastních zaměstnanců. Společnost plánuje zaznamenávat pohyby myši a stisky kláves svých pracovníků, aby tím trénovala modely AI, které mají lidem pomáhat s každodenními úkoly na počítači. Mluvčí společnosti Meta potvrdil pro TechCrunch zavedení interního nástroje, který tyto interakce v určitých aplikacích zaznamenává. Společnost ujišťuje, že zavedla ochranné mechanismy pro citlivý obsah. Data by byla používána výhradně pro trénování. Tento vývoj zapadá do širšího trendu: minulý týden vyšlo najevo, že staré startupy prohledávají své archivy ze Slacku a tikety z Jira, aby z nich získaly tréninková data pro AI. → TechCrunch AI

Synthszr Take: Meta přeměňuje své kanceláře v obrovskou laboratoř použitelnosti, kde jsou pokusní králíci zároveň výzkumníky. To připomíná protokoly sebepozorování z rané psychologie, jen s tím rozdílem, že Wilhelm Wundt neměl k dispozici infrastrukturu za miliardy dolarů. Ironií je, že zatímco firmy desítky let maskovaly sledování produktivity jako dohled, tatáž technologie je nyní přesměrována na vývoj produktů. Meta sází na to, že autentické pracovní postupy poskytnou lepší tréninková data než syntetické příklady nebo externí datové sady. Cenou této sázky je další stírání hranice mezi pracovištěm a datovou farmou. Co se považuje za „bezpečnostní opatření“, když je zaměstnavatel zároveň sběračem dat i vývojářem AI, zůstává otevřenou otázkou.

Claude nyní umí i živé dashboardy

Společnost Anthropic rozšiřuje model Claude o funkci Cowork, která umožňuje tomuto AI modelu vytvářet živé dashboardy, sledovací systémy a interní nástroje přímo propojené s platformami jako Slack, Salesforce, Google Drive, Asana a Jira. Vygenerované reporty se automaticky aktualizují při každém otevření. Úkoly, které dříve vyžadovaly software pro business intelligence, složité datové pipeline a technické týmy, lze nyní provést pomocí jednoho promptu a kliknutí na oprávnění. V jedné z prvních ukázek vytvořil Claude během minuty kombinovaný dashboard pro Google a Meta Ads, který načítá data z kampaní, identifikuje trendy a plánuje opakující se úkoly. → AI Valley

Synthszr Take: Claude se z jazykového modelu vyvíjí v provozní nervové centrum. Princip připomíná přechod od pevné linky k mobilním telefonům: nechytří telefonní budka, ale každý si nosí vlastní síť s sebou. Anthropic zde nedemokratizuje AI, ale business intelligence. Klíčové je propojení v reálném čase: zatímco tradiční BI nástroje data importují a transformují, Claude přistupuje přímo ke zdrojovým systémům. To dělá z každého zaměstnance potenciálního datového analytika (za předpokladu, že IT oddělení spolupracuje). Minutová ukázka dashboardu pro reklamy ukazuje, kam cesta směřuje: AI jako univerzální adaptér mezi roztříštěnými podnikovými sily.

Apple Intelligence: Anatomie ohlášeného zklamání

Apple odkládá „osobnější Siri“ funkce Apple Intelligence na neurčito. To, co bylo ohlášeno na červen 2025, se posouvá na „příští rok“. Technologický novinář John Gruber se zlobí sám na sebe: varovné signály tu byly od samého začátku. Na WWDC 2024 Apple předvedl pouze triviální funkce (Writing Tools, Photos Clean Up, Genmoji), zatímco ambiciózní sliby zůstaly pouhými oznámeními. Gruberova analýza ukazuje čtyři stupně „produktové zralosti“: od kontrolovaných demoverzí přes asistované praktické ukázky až po beta software a finální vydání. Vše, co Apple dosud dodal, bylo připraveno k předvedení již na WWDC. Skutečně transformační funkce – personalizovaná, kontextově citlivá Siri – nikdy neexistovaly mimo rámec maket. → Daring Fireball

Synthszr Take: Gruber dokonale rozebral fenomén „demo-vzdálenosti“. Čím dále je funkce od skutečné použitelnosti, tím větší je pravděpodobnost, že nikdy nepřijde. Připomíná to koncept „technického dluhu“ ve vývoji softwaru, jen naopak: Apple si naložil „dluhy ve funkcích“ tím, že dal sliby dříve, než existoval technický základ. Čtyři stupně zralosti fungují jako geologické vrstvy – co je nahoře (hotové demoverze), je reálné; co je hluboko dole (pouhá oznámení), je často jen horká pára. Apple Intelligence jako marketingová zástěrka elegantně zakrývá, že revoluční funkce se nikdy nedostaly za fázi PowerPointové prezentace. Problém není v tom, že je Apple příliš pomalý, ale v tom, že sliboval příliš brzy.

Sedm myšlenkových modelů pro éru AI infrastruktury

Většina pozorovatelů závodu v oblasti AI sleduje nesprávné ukazatele. Sledují vydání modelů, počítají parametry, analyzují výsledky benchmarků a sledují cenu akcií společnosti Nvidia jako zástupný symbol pro vše ostatní. Tyto signály jsou užitečné, ale jsou to jen vedlejší efekty mnohem zásadnějšího jevu: závodu ve fyzické infrastruktuře pod úrovní modelů. Mezi 1. čtvrtletím 2024 a 4. čtvrtletím 2025 vzrostla dostupná výpočetní kapacita pro AI 8,5krát – z 2,5 milionu na 21,3 milionu jednotek ekvivalentních H100. Tato expanze nevypráví příběh o čipech, ale o moci: Kdo kontroluje substrát, na kterém běží všechny schopnosti AI? Kdo si buduje strategickou nezávislost? Kdo je vázán na jediného dodavatele? Článek představuje sedm mentálních modelů jako přenositelné analytické nástroje pro pochopení strukturální dynamiky éry výpočetní techniky pro AI – modely, které lze aplikovat na jakékoli odvětví, kde se setkávají infrastruktura, dodavatelské řetězce a platformové ekosystémy. → The Business Engineer

Synthszr Take: 8,5násobná expanze výpočetní kapacity pro AI za pouhých šest čtvrtletí připomíná železniční expanzi 19. století: kdo kontroloval koleje, určoval ekonomickou geografii celých kontinentů. Dnešní rozdíl je v tom, že „koleje“ již nejsou fyzicky viditelné, ale skrývají se v datových centrech, která spotřebovávají více elektřiny než středně velká města. Zaměření na mentální modely místo na produktové roadmapy je chytré – dominance v infrastruktuře se řídí jinými pravidly než inovace v softwaru. Zatímco všichni čekají na GPT-5, o budoucnosti AI se možná rozhoduje již nyní v jednacích místnostech mezi výrobci čipů a dodavateli elektřiny. Skutečným nedostatkem ve věku AI není inteligence, ale energie.