Meta prosazuje AI-Slop a Čína svou nezávislost
- • Meta představuje Muse Image, nový model umělé inteligence pro generování obrázků pro Instagram a WhatsApp
- • Čínské modely AI stále více dominují americkému trhu díky cenovým výhodám
- • Čína plánuje opatření na ochranu svých systémů AI před zahraničním přístupem
Meta urychluje AI-slopizaci Instagramu a WhatsAppu
Meta dnes spouští Muse Image, model umělé inteligence pro generování obrázků, který běží přímo v Instagramu a WhatsAppu. Uživatelé s ním mohou vytvářet fotografie podobné jejich obvyklým příspěvkům: plážová selfie, restaurovat staré rodinné fotografie nebo se zobrazit jako plastelínová postavička. Jedná se o první obrazový model z nové jednotky Meta Superintelligence Labs, do které Mark Zuckerberg po zpoždění z loňského jara investoval miliardy. Muse Image v aplikaci Meta AI nahrazuje dříve nakupovanou technologii od Midjourney; video protějšek s názvem Muse Video je ohlášen jako náhled. Celkově chce Meta letos do AI investovat až 145 miliard dolarů, přičemž souběžně ruší tisíce pracovních míst. Cesta byla trnitá: v červnu umožnila chyba v zákaznickém servisu Meta s AI hackerům zaútočit na více než 34 000 instagramových účtů. Šéf AI Alexandr Wang interně slibuje špičkový model s názvem Watermelon, který má držet krok s nejlepším modelem od OpenAI. → www.nytimes.com
Synthszr Take: Meta nestaví AI jako chatovací okno vedle, ale přímo tam, kde lidé už jsou (tři miliardy uživatelů denně na Instagramu a WhatsAppu). To je jediná smysluplná odpověď na otázku, proč po OpenAI a Google potřebujeme další obrazový model: Muse Image nemusí být objeven, už leží ve feedu. Přesně proto je rozchod s Midjourney logickým důsledkem, protože kdo vlastní distribuci, nechce si úspěšný recept pronajímat. Přesto je zaostávání viditelné. Muse Spark zaostává, špičkový model se stále jmenuje Watermelon a zatím existuje jen jako příslib, a investice 145 miliard dolarů vedle masového propouštění vytváří tlak očekávání, který pěkný filtr zlaté hodinky sám neutáhne. Během několika týdnů by měli mít reklamní klienti možnost model využívat pro reklamy, a tam se rozhodne, zda se z funkce stanou tržby, nebo jen náklady na výpočetní výkon. Páka spočívá v distribuci, nikoli v benchmarcích, a to je jediná karta, kterou Meta skutečně drží v ruce.
Čínské modely AI dobývají americký trh
Americké firmy stále častěji staví své produkty AI na čínských modelech jako DeepSeek, Qwen od Alibaby a GLM 5.2 od Zhipu. Prostřednictvím vývojářské platformy OpenRouter je podíl čínských modelů na spotřebě tokenů od 8. února každý týden nad 30 procenty, s maximem 46 procent. V průměru za předchozích dvanáct měsíců to bylo 11 procent, v první polovině roku 2025 dokonce jen 4,5 procenta. Hnacím motorem je cena: open-source modely z Číny jsou podle OpenRouter o 60 až 90 procent levnější než špičkové modely od OpenAI a Anthropic. Startup Lindy v červnu převedl veškerý svůj provoz z Claude na DeepSeek a podle generálního ředitele Flo Crivella tím během několika měsíců ušetří miliony. Co se týče výkonu, rozdíl se zmenšuje: GLM 5.2 se v hojně sledovaném agentním benchmarku přiblížil na jeden procentní bod k Opus 4.8 od Anthropic, a to přibližně za pětinu nákladů. Expert z Brookings Kyle Chan odhaduje zpoždění čínských modelů na šest až devět měsíců. → www.cnbc.com
Synthszr Take: Skok ze 4,5 procenta na dočasných 46 procent podílu tokenů za půl roku ukazuje, jak rychle nastupuje disciplína ve využívání výpočetního výkonu, jakmile účet začne bolet. Dokud byl kapitál levný, bral se nejlepší model a nikdo se neptal, kolik stojí. Nyní každý rozumný tým směruje jednoduché úkoly na nejlevnější model, který je dostatečně dobrý, a právě tento segment nyní získává čínská vlna. V květnu byl DeepSeek ještě v jednání o ocenění se státními fondy, dnes u Lindy zcela nahrazuje Claude a výkon v klíčových případech použití dokonce vzrostl. To připomíná Linux proti uzavřeným derivátům Unixu: otevřený, levný a nakonec prostě standard, kolem kterého už nikdo neprojde. Kdo má vyspělou strategii AI, měl by tento týden rozdělit svou spotřebu tokenů podle typu úkolů a otestovat nenáročné úlohy na otevřeném modelu; úspora je reálná a okamžitě měřitelná. Exportní kontroly a regulace to mohou politicky zpomalit, ale proti nákladové křivce, která se řítí do sklepa, žádné nařízení nepomůže.
Čína diskutuje o Velké zdi kolem své levné AI
Čína týdny jednala s firmami Alibaba, ByteDance a Z.ai o omezení zahraničního přístupu k vlastním systémům AI, jak informuje Reuters. Podle zprávy by se to týkalo jak open-source, tak proprietárních modelů, včetně dosud nezveřejněných modelů, a také pravidel, podle kterých mohou investoři čínské AI startupy vůbec financovat. Na příkaz Pekingu už Meta přerušila veškeré vazby na startup Manus čínského původu, a to jen asi šest měsíců po akvizici za 2 miliardy dolarů. Současně se čínští vývojáři odklánějí od Nvidie a sázejí na domácí čipy, což je doprovázeno příslibem Pekingu investovat během pěti let přibližně 2 biliony jüanů (asi 294 miliard dolarů) do vlastních datových center. Spouštěčem je proces technického dohánění: GLM-5.2 od Z.ai dosáhl v benchmarcích kybernetické bezpečnosti úrovně proprietárních amerických modelů, přičemž byl trénován za zlomek nákladů. Navíc znepokojuje Mythos od Anthropic, model, který odhaluje zranitelnosti i v robustních kybernetických obranách. Yuval Noah Harari vznikající dělicí čáru nazývá „Silicon Curtain“. → gizmodo.com
Synthszr Take: Přesně v okamžiku, kdy se čínské levné open-source modely stávají atraktivními pro americké firmy s napjatým rozpočtem, Peking zatahuje oponu. To je ta pravá ironie: difuzní síla, která z GLM a spol. teprve udělala skutečný faktor, je nyní prohlášena za národní zdroj a zazděna. Pro všechny, kdo hospodaří mimo americko-čínský duopol, to není okrajové téma, ale strategická otázka. Kdo dnes nasazuje čínské modely do svého stacku, měl by počítat s tím, že přístup může být zítra politicky odpojen, jak to zažil Manus po 294 dnech (hrubým odhadem). Praktický krok pro tento týden: inventarizovat závislosti na modelech a pro každý kritický případ použití definovat druhou, ideologicky neutrální cestu. Těch 57 procent světového HDP mimo Washington a Peking potřebuje přesně toto: AI, která nekončí na hranicích. Silicon Curtain ještě není zatažen, ale kdo reaguje, až když spadne, zvolil špatného dodavatele.
Čínské laboratoře AI plánují vlastní čipy
Hned dvě čínské laboratoře AI se tlačí do křemíku. Deepseek podle agentury Reuters vyvíjí vlastní čip pro inferenci — fázi, ve které trénované modely generují odpovědi, nikoli samotný trénink. Startup jedná s firmami zabývajícími se návrhem, výrobou a paměťovými technologiemi a už měsíce v tichosti najímá čipové inženýry bez veřejných výběrových řízení. Současně Deepseek poprvé přijímá externí kapitál: 7 miliard dolarů při ocenění 52 až 59 miliard — v květnu se ještě mluvilo o 45 miliardách. Také Zhipu AI, laboratoř stojící za open-source řadou GLM, zvažuje podle The Information vlastní čip, protože poptávka po GLM překračuje dostupnou výpočetní kapacitu. Pozadím obou kroků: americké exportní kontroly odřezávají čínské firmy od nejpokročilejších čipů a pamětí. A trend je globální — Anthropic jedná se společností Samsung o výrobě, OpenAI také pracuje na vlastním křemíku. → Techpresso / The Information
Synthszr Take: Klíčový bod se skrývá ve slově inference. Deepseek nenapadá trénink, kde je obranný příkop Nvidie nejhlubší, ale tu část, která musí běžet každý den a která generuje náklady — komoditizovatelný konec hodnotového řetězce, kde se koncentruje objem a náklady. To, že Zhipu současně zvažuje stejnou cestu, vypovídá více o úzkém hrdle než o ambicích: výpočetní výkon je v Číně v současnosti tou nejvzácnější komoditou a Nvidii tam nelze volně doobjednat. Těch 7 miliard čerstvého kapitálu pro Deepseek není vedle projektu čipu náhoda — křemík stojí spoustu peněz. Zajímavá je souběžnost napříč bloky: Anthropic jde k Samsungu, OpenAI staví sama, čínské laboratoře následují. Každý, kdo vážně škáluje, se brání přenechat nejdražší a strategicky nejcitlivější vrstvu jedinému dodavateli. Vzrušující otázkou není, zda tyto čipy budou dobré — vlastní čipy vyžadují roky a miliardy a mnoho oznámení končí jako vyjednávací páka vůči Nvidii. Otázkou je, zda exportní kontroly natolik přiškrtí výrobu a paměti, že se z čínských plánů stanou zombie projekty. Pro všechny ostatní platí: kdo dnes kalkuluje náklady na inferenci, měl by počítat s tím, že příplatek za Nvidii se střednědobě dostane pod tlak — a úroveň modelů udržovat záměrně zaměnitelnou. Kdo vlastní spodní část stacku, diktuje ceny nahoře.
Náklady na tokeny: Anthropic chce potěšit finanční ředitele
Anthropic zavedla tři nové funkce v Claude Enterprise, které organizacím umožňují sledovat a omezovat spotřebu tokenů. Spend Alerts varují administrátory při dosažení 75 a 90 procent limitu, zaměstnance při 75 a 95 procentech, s tlačítkem pro žádost přímo v aplikaci. Pomocí „Costs vs. Outputs“ lze porovnat výstup s náklady a pomocí „Model Defaults“ mohou administrátoři nastavit levnější modely jako výchozí, a to na základě rolí nebo pro celou organizaci. Pozadí: Po tokenmaxingu v první polovině roku 2024 náklady na inferenci na mnoha místech eskalovaly. Uber spálil svůj roční rozpočet na AI během prvních čtyř měsíců, generální ředitel Databricks Ali Ghodsi mluvil o „vlasech v plamenech“. Podle údajů Ramp ze 6. července používá 77 procent firem s frontier LLM modely od Anthropic, což je nárůst o 40 procentních bodů během jednoho roku. A to i přesto, že roční tržby Anthropic vyskočily z 9 na 47 miliard dolarů. → The Deep View
Synthszr Take: Prodejce vám dobrovolně nainstaluje úsporné tlačítko, zatímco jeho kasa zvoní jako nikdy předtím. Zní to paradoxně, ale je to jediná chytrá kalkulace: kdo chce v roce 2026 platit za bezpečného a spolehlivého enterprise partnera, nemůže si dovolit finanční ředitele s hořícími vlasy. Číslo od Uberu je skutečným varováním – roční rozpočet pryč za čtyři měsíce, to se stane přesně tehdy, když se adopce podporuje pomocí žebříčků a nikdo nehledí na mezní náklady. Co je zde skutečně důležité, jsou Model Defaults: kdo standardně začíná na nejdražším modelu, platí daň za pohodlí, která se sčítá přes tisíce sezení. Tento týden to lze vypnout, nastavení se nachází v nastavení organizace a nevyžaduje žádnou principiální debatu. Anthropic sází na pověst místo na krátkodobou spotřebu, a se 77procentním podílem na trhu u uživatelů frontier modelů je to suverénnější pozice. Disciplína ve využívání výpočetního výkonu se v roce 2026 stane konkurenční výhodou, a kdo ji zavede nyní, nejenže ušetří peníze, ale také si udrží kontrolu nad vlastním prostředím nástrojů.
Obchodování s výpočetním výkonem: Wall Street objevuje surovinu AI
Ornn, startup financovaný Andreessen Horowitz, získal v seed kole 33 milionů dolarů na vybudování tržiště pro obchodování s výpočetním výkonem, podobné zavedeným trhům s ropou. Myšlenka: firmy zabývající se AI by si měly zajistit výpočetní výkon prostřednictvím futures kontraktů, stejně jako si letecké společnosti zajišťují cenu kerosinu nebo výrobci ceny kovů. Goldman Sachs odhaduje, že v letech 2026 až 2031 poteče do výpočetního výkonu, elektřiny a datových center celosvětově přibližně 7,6 bilionu dolarů, ale potřebná finanční infrastruktura k tomu podle banky ještě neexistuje. Přesně tu chce Ornn dodat, již integrovanou do terminálu Bloomberg a fungující na základě výjimky de minimis, zatímco větší domy ještě čekají na schválení regulačními orgány. CME plánuje futures na výpočetní výkon na základě benchmarku Silicon-Data, Intercontinental Exchange zase GPU futures navázané na cenový index Ornn. Háček zůstává fyzikální: kapacitu GPU nelze skladovat a každá nová generace Nvidie znehodnocuje staré čipy, každý benchmark tedy nahání aktivum, jehož hodnota klesá. CEO Kush Bavaria navíc celou věc rámuje jako americkou výhodu oproti Číně a podle vlastních slov nespolupracuje s čínskými laboratořemi. → Axios AI+
Synthszr Take: Výpočetní výkon se stává surovinou a Wall Street cítí těch 7,6 bilionu. Je to logické pokračování toho, co jsme viděli už v květnu, když OpenAI nabízelo garantovaný výpočetní výkon jako lákadlo: kdo si zajistí přístup ke GPU, zajišťuje si vlastní budoucnost. Jenže výpočetní výkon je vzpurná surovina, protože nevyužitá kapacita prostě zmizí a každá nová generace Nvidie převrátí kalkulace naruby. Termínový trh s aktivem, které každý rok ztrácí na hodnotě a nedá se skladovat – to bude tvrdý oříšek finančního inženýrství. Přesto se vyplatí se na to podívat teď, ne později: kdo nakupuje výpočetní výkon dlouhodobě, měl by zajištění ceny a benchmarking považovat za samostatnou disciplínu, místo aby se slepě vázal na předběžné smlouvy jednotlivých hyperscalerů. Ornn možná nebude vítězem, ale směr je správný. S výpočetním výkonem se možná nikdy nebude obchodovat jako s ropou, a právě proto bude mít ten, kdo ho jako první funkčně zmapuje, jedinečnou výhodu.
JadePuffer: Ransomware, který se přizpůsobuje v reálném čase
Bezpečnostní výzkumníci zdokumentovali s JadePuffer první známý „agentní ransomware“, tedy vyděračský software, který se v reálném čase přizpůsobuje svému prostředí. Místo aby postupoval podle pevně daného skriptu, JadePuffer opakuje jednotlivé kroky, pokud se nezdaří, a tak se samostatně propracovává celou vyděračskou operací od začátku do konce. Zpráva Billa Toulase na BleepingComputer to popisuje jako souvislý řetězec: získání přístupu, odcizení dat, zašifrování, požadavek na výkupné – to vše bez nutnosti lidského zásahu v každém hraničním případě. Pozoruhodná je logika opakovaných pokusů (retry), pomocí které software obchází překážky, které by klasický ransomware zastavily. Tím se strana útočníka posouvá od předprogramovaných postupů k systémům, které samy rozhodují, jak dosáhnout cíle. Je to bod, kdy logika agentů, kterou měsíce oslavujeme v produkčních prostředích, dorazí na druhou stranu. → us.list-manage.com
Synthszr Take: Stejná autonomie, která nechá kódovacího agenta v noci pracovat na vašem backlogu, nyní pohání vyděračskou operaci, která se sama opraví, když se některý krok nezdaří. JadePuffer je důkazem, že „opakuj, dokud neuspěješ“ funguje i pro protistranu. Kdo svou obranu stále opírá o známé signatury a pevné vzorce útoků, brání se proti scénáři, který útočník už dávno zahodil. Tento týden je třeba prověřit vlastní ochranné mechanismy (guardrails): segmentaci, minimalizaci oprávnění a zálohy, které obstojí, i když proces potřebuje dvacet pokusů. Po íránských útocích v březnu a nástroji DarkSword na GitHubu je to další logický krok a přišel rychleji, než většina bezpečnostních rozpočtů dovoluje. Dobrá zpráva: agentní obranu lze vybudovat se stejnými nástroji, a kdo nyní začne automatizovat, má stále náskok. Symetrie poráží paniku.
Agent-Native Memory: Paměť agentů AI
Nový článek (arXiv, podaný v červnu 2026 Shao Kun Hanem a kolegy) se zabývá pamětí agentů LLM z pohledu databází, místo aby ji jako obvykle považoval za černou skříňku. Autoři rozkládají paměť agenta na čtyři moduly: reprezentaci a ukládání, extrakci, vyhledávání včetně směrování a údržbu. Na tomto základě proměřili 12 reprezentativních paměťových systémů plus dvě základní varianty (baselines) na pěti benchmarkových úlohách a 11 datových sadách. Klíčový výsledek: žádná architektura nevítězí ve všech scénářích, účinnost závisí na tom, jak dobře paměťová struktura odpovídá konkrétnímu úzkému hrdlu dané úlohy. Prostřednictvím jemně strukturovaných ablačních studií dále kvantifikují věrnost reprezentace, přesnost vyhledávání, správnost aktualizací a dlouhodobou stabilitu. A ukazují jasný efekt nákladů a přínosů: lokálně omezená údržba paměti je výrazně levnější než globální reorganizace. Kód je volně dostupný na GitHubu. → Aakash Gupta
Synthszr Take: Konečně někdo měří, co agenty skutečně prodražuje a činí nestabilními. Většina týmů optimalizuje model, přitom volba architektury paměti má mnohem delší poločas rozpadu než volba LLM. Nejzajímavější zjištění se skrývá v části o nákladech: lokální údržba poráží globální reorganizaci, protože nemusíte pokaždé uklízet celou paměť, když se změní jeden detail. Kdo dnes nasazuje flotily agentů do produkce, měl by se zaměřit právě sem, protože smyčka složeného inženýrství (compound-engineering-loop) žije z toho, že poznatky přetrvávají a jsou znovu dostupné při dalším běhu. To, že žádná architektura nedominuje všude, není omluvou pro libovůli, ale úkolem sladit paměť se skutečným úzkým hrdlem vlastní úlohy. Čtyři moduly z článku se dají okamžitě použít jako checklist pro další rozhodnutí o architektuře. Kdo to ignoruje, platí účet za agenty dvakrát: jednou za výpočetní výkon a podruhé za nestabilitu.- -Metakognitivní zpětná vazba pomáhá LLM k větší nejistotě
Pracovní síla v technologiích v roce 2026: Zaměstnanci se rozdělují
Lenny Rachitsky a Noam Segal již podruhé za sebou vyhodnotili rozsáhlý průzkum mezi zaměstnanci v technologickém sektoru a obraz roku 2026 ukazuje hluboce rozdělenou pracovní sílu. Na otázku, jak AI změnila jejich vnímání sebe sama jako profesionálů, 49 procent říká „zesíleno“ (mohou dělat více a lépe), zatímco 13,9 procenta se cítí „destabilizováno“ a dalších 5 procent jednoduše „znehodnoceno“. Toto sebezařazení předpovídá kariérní náladu silněji než role, úroveň seniority nebo velikost firmy dohromady (standardizované β +0,39 pro optimismus, +0,60 pro doporučení vlastního oboru). Významné vyhoření vzrostlo během jednoho roku z 44,7 na 55,7 procenta, kariérní optimismus klesl z 54,8 na 48,7 procenta. 53 procent by nováčkům nedoporučilo svou vlastní profesi, ačkoli mnozí zůstávají optimističtí ohledně své vlastní situace. 82 procent hlásí měřitelně vyšší produktivitu, ale největší obavou není ztráta zaměstnání (pouze 22 procent), ale více práce za stejné peníze (51 procent) a neudržitelné tempo (46 procent). Designéři a výzkumníci jsou nejistější skupinou, zakladatelé zůstávají nejšťastnějšími lidmi v oboru. → Lenny’s Newsletter
Synthszr Take: Těch 82 procent vnímané produktivity je nejzajímavější hodnota celého průzkumu, protože připomíná nepohodlnou studii METR z roku 2025: zkušení vývojáři se s AI cítili o dvacet procent rychlejší, ale byli o devatenáct procent pomalejší. Výstup působí jako pokrok a tato mezera mezi vnímáním a měřením je přesně tou zónou, ve které 51 procent pojme podezření, že jen odvádějí více práce za stejné peníze. Skutečné rozdělení neprobíhá mezi juniory a seniory, ale mezi těmi, kteří pochopili AI jako páku, a těmi, kteří stále sedlají mrtvého koně staré logiky rolí. Případ Klause existuje v každé firmě: expert s 22 lety praxe, který nejprve tiše přihlíží a pak triumfálně nachází okrajové případy, místo aby se znovu objevil. Kdo se tento týden podívá na personální plánování, měl by se méně soustředit na tituly a více na sebezařazení zaměstnanců, protože to rozhoduje o loajalitě a vyhoření. Organizace, které nyní organizují posilování kompetencí místo tlaku na zrychlení, si své lidi udrží. Ostatní si pletou vyšší tempo s lepším směrem.
Červená královna a Gödelův automat: AI, která nechává měřítko růst s sebou
Výzkumný tým kolem Alexe Iacoba a Nicholase D. Lanea (Cambridge/Flower Labs) představil s Red Queen Gödel Machine (RQGM) framework pro rekurzivní sebezdokonalování, který boří starý myšlenkový omyl: dosavadní sebeoptimalizující agenti se ověřují proti pevnému verifikátoru, benchmarku nebo označenému datovému souboru, který se s nimi nevyvíjí. RQGM činí samotné hodnocení součástí smyčky zlepšování. Hledání probíhá v epochách s pevným hodnocením v rámci epochy, přičemž užitková funkce se mění na hranicích epoch, takže záruky platí pro každou epochu, zatímco cíl se dále vyvíjí. Už u ověřitelných úloh kódování zvyšuje dodatečný signál Agent-as-a-Judge úspěšnost v testech nad dosavadní stav techniky, a to s 1,35x až 1,72x menším počtem tokenů. U vědeckého psaní a recenzování a také u olympijských důkazů dosahují společně vyvíjení autoři 1,78x až 1,86x vyšší míry přijetí, společně vyvíjení hodnotitelé o 9 procent vyšší přesnosti. Nejvýbušnější zjištění: nejsilnější základní recenzent (baseline-reviewer) schvaluje články generované AI až 1,91krát častěji ve srovnání s lidskými, dokud adversariální cíl nenajde recenzenty, kteří jsou stejně přísní na stroje i na lidi. → Techpresso
Synthszr Take: Nejzajímavější věta v celém článku je to číslo 1,91. Nejlepší dostupný recenzent přijímá články od AI téměř dvakrát ochotněji než ty lidské a nikdo si toho nevšiml, protože měřítko stálo na místě. Přesně to je past, ve které dnes uvízli kódovací agenti: brilantně optimalizují na zkoušku a míjejí se s pochopením, jakmile verifikátor zůstane neměnný. RQGM to mění tím, že nechává evolvovat samotné měřítko úspěchu, a skutečnost, že to navíc šetří tokeny, místo aby je to stálo, činí celou věc praktickou, nikoli akademickou. Kdo dnes provozuje agenty v produkci, měl by tento týden prověřit vlastní hodnocení (evals) a zeptat se, zda měří víc než jen to, na co byl agent trénován. Hodnoticí kritérium, které nikdy neroste s vámi, není jistota, je to slepá skvrna s časovým razítkem. Kdo dokáže napsat měřítko, které se vyvíjí se systémem, programuje stroj, který programuje.
