Posedlost umělou inteligencí může vyhladovět výzkumné obory, které potřebuje k přežití

Už deset let píšu výhradně o umělé inteligenci. V roce 2022 bylo na světě jen několik dalších novinářů, kteří se věnovali výhradně AI; dnes nás jsou tisíce, možná i více, a lépe financovaná média zaměstnávají více než jednoho člověka, který se věnuje výhradně umělé inteligenci.

Jako druh nyní soustřeďujeme svou pozornost, úsilí, obavy i naděje na kulturní a technologický fenomén, který se objevuje jednou za století. Až do příchodu užitečných velkých jazykových modelů a účinné tvorby obrázků a videí na bázi difuzních modelů přitom tento fenomén přežíval v kategorii „zajímavostí“ a deepfaky byly politickým klackem, zatímco světové ekonomiky zjevně nebyly ohroženy.

„Rutinní“ bouře kolem AI

To je samozřejmě minulostí. Všechno je ohroženo, všechno prochází změnami a rok 2026 byl podle všeho rokem, kdy bylo nejobtížnější opřít předpovědi pro následující rok o pevné základy*.

Nové modely s uzavřeným zdrojovým kódem i otevřenými váhami vycházejí každý týden, někdy dokonce několikrát týdně. Vycházejí tak často, že některé z nich už ani nestihne zhodnotit komunita nadšenců a amatérských uživatelů, která si v tomto ohledu vytváří čím dál skeptičtější pohled,  a zároveň musí při neustálém proudu novinek věnovat pozornost stále vyšší úrovni.

Jako člověk, který pozorně a profesionálně sleduje výzkum i uvádění novinek na trh, musím říct, že zlepšení v různých oblastech výzkumu a vývoje AI, přestože mají v delších časových odstupech velký dopad, obvykle vznikají (a vždy vznikala) v malých krocích, nikoli jako revoluční či evoluční mezníky, jakým byli například Transformers. V současnosti se největší otřesy týkají především dopadu AI na ekonomiku, nikoli jejích nejnovějších schopností.

Jak už jsem si všiml dříve, kvalita myšlenek, které se objevují v obrovském rozmachu výzkumu AI od roku 2022, ne vždy odpovídá jejich množství. Mnohé z nich jsou „frankensteinovské“ opakované pokusy, kombinace či nová sestavení existujících i novějších prací – jde o záplatované architektury, které mají přinést zdánlivě výrazná zlepšení oproti předchozím řešením, ale při bližším zkoumání je brzdí křehké metodiky nebo absurdně vysoké nároky na VRAM.

Témata jako města duchů

Když se těchto tisíců novinářů přesunulo k pokrývání AI, tématům, kterým se dříve věnovali, se nevyhnutelně dostávalo méně přímé pozornosti. Svým způsobem na tom sotva záleželo, protože AI i její využití se v kultuře a infrastruktuře staly natolik všudypřítomnými, že například energetický zpravodaj se nyní věnoval tématům spojeným s AI více než kterémukoli jinému tématu; totéž platilo pro novináře zaměřené na ekonomiku, zaměstnanost, politiku a tvorbu politik i další oblasti.

Zdálo se, že všechna tato témata lze nyní nahlížet prizmatem AI, což může částečně vysvětlovat prudký nárůst „specializovaného“ zpravodajství o AI v oboru, který se stále zmenšuje (i když se v poslední době trochu vzchopil).

Člověk se proto musí ptát, zda se jiným tématům nyní nedostává nedostatečné pozornosti kvůli „posedlosti AI“ – a zda mezi ně nepatří témata s příběhy, trendy a oblastmi, které mohou nakonec ovlivnit i samotné „zlaté téma“ AI.

Co se s tím ale dá dělat? Zdroje jsou omezené a AI je zatím příběhem století.

Velká migrace k AI

Podle nové studie, která ve mně v této věci rozproudila krev, se něco podobného může dít i samotné AI – kromě rizika, že omezování výzkumu a opětovné přikrmování sníží kvalitu budoucích modelů, se širší vědecký ekosystém, v němž vznikají myšlenky a vzájemně se prolínají napříč obory, soustřeďuje na výzkum AI natolik, že „šťastné náhody“ – chvíle, kdy nečekaná spojení mezi zdánlivě nesouvisejícími myšlenkami dokážou proměnit celé obory – mohou být stále vzácnější.

Stručně řečeno, nová práce nazvaná Silnější průlomy v umělé inteligenci urychlují její vlastní vyčerpání naznačuje, že posedlost AI odčerpává podmínky, v nichž dochází k novému vývoji, včetně vývoje, který přímo ovlivňuje AI; a že v tomto novém centru zájmu existuje (abychom autory hrubě parafrázovali) určitá „incestuózní tendence“, která zřejmě nevede k dobrému konci.

Studie uvádí^†:

„Dominantní paradigma odstraňuje nejen své soupeře, ale i rozmanitost, z níž by mohl být znovu sestaven jeho vlastní nástupce.“

„Zužování pozornosti po roce 2017, přesun více než poloviny všech autorů měnících obor do oblasti AI, klesající životaschopnost nových myšlenek a stále strmější úbytek aktivních populací myšlenek v po sobě následujících cyklech společně popisují systém, jehož tvůrčí schopnost narušuje úspěch dominantních paradigmat, která sám vytvořil.“

Předchozí výzkum upozornil, že AI možná mění výzkum v monokulturu, autoři nové studie se však také domnívají, že rostoucí dominance AI ji může připravovat o nové myšlenky, které potřebuje k dalšímu rozvoji. Výzkum AI přirovnávají k biologickým vědám, kde podobné cykly inovací – a úpadku – vyvolaly průlomové objevy, jako jsou kryoelektronová mikroskopie a AlphaFold.

Aby autoři získali pro své teorie empirické důkazy, analyzovali 7,18 milionu počítačově-vědních článků vydaných v letech 1990 až 2025 v databázi OpenAlex. Sledovali změny výzkumných témat a citací, přesuny 3,7 milionu výzkumníků mezi obory a také 73 089 recenzních posudků, aby zjistili, jak rostoucí dominance AI ovlivnila vědeckou rozmanitost.

Jedno z nejzajímavějších zjištění, která z údajů vyplynula, se týká nedávného přesunu výzkumníků k AI a odklonu od témat, kterými se dosud zabývali:

„Výzkumníci, kteří mění obor, jsou zpravidla uprostřed kariéry a mají za sebou již určité úspěchy. Opouštějí práci, díky níž si vybudovali své postavení, a následují gravitační sílu daného oboru, i za cenu znevýhodnění, které změna zaměření přináší.“

Studie zjistila, že více než polovina z 918 862 zaznamenaných přechodů mezi obory informatiky směřovala do oblasti AI. Ostatní oblasti, zejména systémový výzkum a teoretický výzkum, přitom průběžně přicházely o své odborníky.

Z nové studie: změny podílu článků z informatiky věnovaných AI, systémům a teorii v letech 1990 až 2025. Každý čtverec představuje jeden rok; modrá označuje větší podíl, červená menší. Podíl AI po roce 2017 prudce vzrostl, zatímco podíly ostatních oblastí klesaly. Zdroj

Nejpravděpodobněji k tomuto přechodu přistupovali zkušení akademici s již vybudovanou kariérou. Podíl AI na všech článcích z informatiky mezitím vzrostl ze 40 % v roce 2017 na více než 55 % v roce 2025.

Z blogu Arxiv: nárůst počtu příspěvků z informatiky za dvouleté období 2024–26. Zdroj

Tři signály

Studie identifikuje tři „sbíhající se znaky“, které podle autorů určují podobu informatiky od roku 2017.

Prvním je výrazné zúžení pozornosti věnované výzkumu po roce 2017, kdy byla představena architektura Transformer. Autoři z každého z 7,18 milionu článků z informatiky vybrali deset nejvýraznějších klíčových slov a sledovali, nakolik se výzkum soustřeďuje na stejná témata:

Grafy znázorňují, jak se výzkum v informatice od roku 2017 stále více soustřeďuje. Vlevo: výzkumníci se zaměřují na užší okruh témat. Vpravo: rostoucí podíl citací připadá na menší výběr článků. Oba trendy zrychlily s příchodem architektury Transformer.

Po desetiletí zůstávala tato koncentrace poměrně stabilní, a to i během nástupu internetu, chytrých telefonů a hlubokého učení. V letech 2017 až 2025 však Giniho koeficient^†† pozornosti věnované výzkumu (viz obrázek výše) vzrostl z 0,26 na 0,33, tedy o 27 %. Koncentrovanější byly také citace: jejich Giniho koeficient stoupl z 0,60 na maximum 0,69.

Výzkumníci z Tsinghua University, University of Chicago a Santa Fe Institute uvádějí:

„Transformer narušil obor v míře, jakou jeho předchůdce nedokázal. Tento vzorec není artefaktem: přetrvává i při změnách [keyword count].“

A pokračují:

„Podíl AI na počítačově-vědních publikacích vzrostl v letech 2017 až 2025 ze 40 % na více než 55 %, zatímco systémový výzkum ustupuje po dlouhém zlatém věku a teorie se propadá ještě hlouběji.“

Zjištění tedy naznačují, že i když se informatika rozrůstala, výzkumníci stále častěji sledovali stejné myšlenky a citovali užší výběr prací.

Druhý „signál“ se týká rostoucího počtu výzkumníků, kteří opouštějí svou specializaci a začínají pracovat v oblasti AI: autoři sledovali 3,7 milionu výzkumníků a identifikovali téměř 919 000 přesunů mezi obory informatiky. Z nich 53,81 % směřovalo do oblasti AI – do výzkumné oblasti, která každý rok získávala nové výzkumníky, zatímco systémový a teoretický výzkum o ně průběžně přicházel:

Migrace výzkumníků do oblasti AI. Levý graf ukazuje, že AI přitahuje stále větší podíl výzkumníků z jiných oborů informatiky, zatímco systémové obory a teorie ztrácejí půdu pod nohama. Dva grafy vpravo ukazují, kdo se k tomuto kroku nejčastěji odhodlá: výzkumníci, kteří mají za sebou zhruba 32 let publikační kariéry a jejichž publikační výsledky jsou lepší než u přibližně 82 % jejich kolegů. Změna oboru se počítá tehdy, když výzkumník začne publikovat většinu svých prací v jiné oblasti.

Ti, kteří změnili obor, bývali spíše zavedenými akademiky uprostřed kariéry než nováčky nebo veterány. Pravděpodobnost přechodu do oblasti AI dosahovala vrcholu při akademickém věku 31,8 roku a u výzkumníků na 82. percentilu publikační úspěšnosti.

Třetím ze tří trendů, které článek zmiňuje, je rostoucí zátěž odborného recenzního řízení – procesu, v němž ostatní výzkumníci před zveřejněním posuzují kvalitu a spolehlivost vědecké práce.

Při analýze 73 089 recenzí 26 731 článků předložených v letech 2017 až 2025 na 45 konferencí a dalších akcí autoři zjistili, že důvěra recenzentů ve vlastní schopnost posoudit články klesla na pětibodové škále z 3,9 na 2,9:

Grafy změn ve vědeckém recenzním řízení v letech 2017 až 2025. Levý graf ukazuje, že recenzenti stále méně důvěřují své schopnosti posuzovat předložené články; jejich hodnocení kleslo z 3,9 na 2,9 z pěti. Pravý graf sleduje nepřátelské komentáře v recenzích, jejichž počet v roce 2021 krátce poklesl, když konference NeurIPS přešla na transparentnější platformu OpenReview, a poté opět vzrostl. Obě křivky znázorňují tříleté klouzavé průměry.

Autoři naznačují, že tento pokles může odrážet rychlý rozmach AI, kvůli němuž je obtížnější přiřadit články vhodně kvalifikovaným recenzentům:

‘Recenzentské řady zaplavili nováčci, které přitahuje gravitační síla AI. Recenzenti stále častěji dostávají články prošpikované metodami AI, jež nespadají do oblasti jejich hlavné odbornosti. Přiřazovat příspěvky skutečně erudovaným recenzentům je strukturálně obtížné.

‘Přijetí článku v tomto režimu stále více připomíná hod mincí.’

Po zlatých horečkách

Článek také naznačuje, že největší průlomy v AI mohou nakonec uspíšit vlastní vyčerpání, protože po každém významném pokroku následuje příval nových myšlenek – počáteční vlna inovací však posléze přechází v netečné opakování, neboť se výzkum stále více soustředí na samotné průlomové objevy.^†:

‘Po sobě jdoucí cykly moderní AI se rychleji nasycují a jejich vyčerpání je výraznější. Cyklus se zkracuje.

‘Během 36 let vývoje informatiky, zahrnujících tři hlavní technologické pokroky – AlexNet, Transformer a velké jazykové modely (LLM) – opakovaně pozorujeme stejnou spirálu[pattern].

‘Tento vzorec se neomezuje pouze na informatiku. V biologii pozorujeme stejný cyklus vyčerpání po významných pokrocích, ať už nepočítačových (např. kryoelektronová mikroskopie, kryo-EM), nebo výpočetních (např. AlphaFold).’ 

K tomuto „vyčerpání“ rozhodně došlo u autoenkodérů, generativních adversariálních sítí (GAN) i přístupů založených na autoenkodérech, jako jsou deepfaky. Výzkumníci všechny tyto přístupy po léta nemilosrdně ždímali, a to dlouho poté, co zjevně vyčerpaly svůj potenciál, dokud konečně nepřišly nové rámce a přístupy, které je zbavily této zátěže.

Aby tyto cykly sledovali, prohledali autoři vědecké abstrakty a hledali v nich charakteristická podstatná jména a fráze; jejich výskyt, vymizení a občasný návrat pak použili jako ukazatele proměn výzkumných myšlenek.

AlexNet v roce 2012 a modely Transformer v roce 2017 vyvolaly vlnu nových myšlenek, která nakonec opadla. S každým průlomem získávala AI stále větší náskok, zatímco ostatní obory informatiky zaostávaly a nakonec vytvářely nové myšlenky pomaleji než před rokem 2012:

Srovnání podílu nových výzkumných myšlenek v oblasti AI (modře), informatiky mimo oblast AI (červeně) a obou oblastí dohromady (přerušovaně fialově). Po příchodu AlexNetu v roce 2012 a Transformeru v roce 2017 počet nových myšlenek prudce vzrostl, než začal klesat. Náskok AI se po druhém průlomu zvětšil. Čáry znázorňují klouzavé průměry za tři roky.

Tento vzorec se týká i myšlenek, které přestávají být používány, když nové průlomy vytlačují starší přístupy, někdy až několik let po jejich zavedení. Samotné průlomové objevy však podléhají stejnému cyklu: každý z nich přitáhne vlnu výzkumné pozornosti, která nakonec opadne, a obor pak čeká na další objev, který znovu oživí jeho dynamiku (jak tomu bylo u Gaussian Splattingu po 31 letech):

Srovnání citací původních článků o AlexNetu (červeně) a Transformeru (modře) z let 2012 až 2025. Podíl citací u obou postupně rostl, než prudce poklesl, což ukazuje, jak pozornost věnovaná zásadním průlomům časem opadá. Čáry znázorňují klouzavé průměry za tři roky.

Úspěch AI podle autorů soustřeďuje výzkumníky a nápady kolem několika dominantních přístupů, zatímco okolní obory, které by mohly pomoci připravit půdu pro jejich nástupce, nadále ztrácejí pozice. Autoři sice nepředpovídají, že to budoucím průlomům zcela zabrání, upozorňují však na možnost, že AI postupně spotřebovává rozmanitost, na níž může záviset její další skok vpřed.

Autoři sledovali také počet myšlenek, které se stále aktivně používají; s každou další vlnou vývoje AI tento počet stále více zaostával za očekáváním. Zaostávání bylo výraznější po nástupu Transformeru než po AlexNetu:

Graf znázorňuje počet aktivních výzkumných myšlenek v jednotlivých etapách navazujících na průlomové objevy v AI. Plné čáry ukazují modelovaný růst, zatímco přerušované úseky zachycují skutečné počty, které klesly pod předpokládanou úroveň. Zaostávání je výraznější po nástupu Transformeru než po AlexNetu; počáteční pokles se objevuje také v éře velkých jazykových modelů (LLM).

Autoři shrnují, že soustředění úsilí a lidí na stále užší okruh problémů souvisejících s AI ohrožuje rozvoj sousedních oborů, které by dříve přirozeně přispívaly nápady do oblasti AI – i do mnoha dalších odvětví.

V souvislosti s komentářem Johna Hasslera k udělení Nobelovy ceny za ekonomické vědy za rok 2025 docházejí k závěru:

„Nobelovský výbor varoval, že má-li se předejít stagnaci, je třeba zachovat mechanismy tvořivé destrukce. Naše výsledky ukazují, že jedním z těchto mechanismů je intelektuální rozmanitost, a dokládají, že ji současné instituce oslabují.

„Instituce, které rozdělují pozornost, včetně systémů recenzního řízení, poplatků za podání příspěvků a pravidel, způsobů odměňování, přijímání zaměstnanců, povyšování a zvyklostí spojených s odchodem do důchodu 12, ovlivňují, zda se může prosadit nové paradigma.

„Navrhnout je správně znamená odolat nutkání ještě více podporovat právě vítězící paradigma, zatěžovat koncentraci místo zkoumání nových možností a přesouvat pravomoc hodnotit od těch, kdo publikují nejvíce, k těm, kdo přicházejí s novými myšlenkami.

„Tvořivá destrukce podporuje růst jen tehdy, pokud po sobě zanechá něco, co lze znovu kombinovat. Singularita nemá nástupce.“

* Mělo by pro to existovat nějaké slovo: „odolný vůči předpovědím“? To ale není samostatné slovo, nýbrž termín, a navíc zní, jako by se vztahoval k roku 2026, nikoli k pohledu z roku 2026 na rok 2027. „Nezbudoucňovatelný“? Kontrola pravopisu to podtrhla červeně, tak se u toho zastavme.

^† Moje převedení průběžných citací autorů na hypertextové odkazy.

^†† Giniho koeficient vyjadřuje, jak nerovnoměrně je něco rozděleno, na stupnici od 0 (dokonalá rovnost) do 1 (maximální koncentrace). Vyšší hodnota zde znamená, že se výzkumníci zaměřují na menší počet témat.

Poprvé zveřejněno ve středu 21. října 2026