AI bez GPU: jak poznat skutečnou úsporu pro firmu

Výpočty pomocí světla otevírají zajímavé možnosti. Pro české podnikatele bude rozhodující cena použitelného výsledku včetně lidské práce.

Když obrázek vytvořený umělou inteligencí potřebuje dlouhé ruční opravy, nízká cena jeho vygenerování rychle ztrácí kouzlo. Právě tak má smysl posuzovat i AI bez GPU, tedy bez grafických procesorů využívaných k výpočtům. Rozhoduje cena práce, kterou může firma skutečně odevzdat zákazníkovi.

Představte si malé české studio, které připravuje návrhy reklamních vizuálů pro internetové obchody. Nový způsob výpočtu by mu mohl pomoci, pokud zkrátí cestu od zadání ke schválenému návrhu. Samotná změna technologie však ještě neříká, jak budou vypadat výsledky, kolik práce přibude grafikovi a co se stane při změně zadání.

Co musí zvládnout světlo cestou k obrázku

U optických výpočtů se část matematických operací uskuteční při průchodu světla vhodně uspořádanými optickými prvky. Tuto možnost představuje Ilker Oguz v diskusi YC Paper Club (15:06). Pro podnikatele je zajímavá především možnost provádět určité opakované operace s menší spotřebou energie.

Oguz a jeho spoluautoři ve studii optických difuzních modelů zkoumají vytváření obrázků postupným odstraňováním šumu, tedy náhodného obrazového vzoru. Optická část soustavy odhaduje šum, který se má v jednotlivých krocích odstranit. Autoři výsledky ukazují na jednoduchých obrazových souborech včetně ručně psaných číslic.

Studie zároveň upozorňuje na energetické náklady vstupu a snímání výstupu i na potřebu přesného nastavení soustavy. Samotný průchod světla pasivními prvky tak nevystihuje nároky celého zařízení. Z těchto výsledků nelze vyvozovat, že stejná soustava zvládne reklamní zadání našeho studia se stejnou kvalitou jako jeho současné nástroje.

Pro firemní rozhodnutí z toho plyne jednoduchý požadavek: chtějte porovnat celý postup od přijetí zadání po použitelný obrázek. Dodavatel by měl ukázat, co měřil, jaké další zařízení potřeboval a jakou kvalitu výstupu při měření udržel. Teprve potom má údaj o spotřebě praktickou hodnotu.

Učení modelu a jeho provoz mají různé účty

Při učení se upravují parametry modelu, aby lépe zvládal zadanou úlohu. Při následném používání už model zpracovává konkrétní zákaznická zadání. Úspora v první fázi se proto nemusí automaticky promítnout do ceny druhé.

Právě metodu učení mění přístup SOMA, který představuje Francois Chaubard (8:08). V práci o tomto přístupu autoři popisují samostatné učení menších částí modelu bez běžného zpětného šíření chyby. Tím se rozumí postup, který od výsledné chyby dopočítává, jak upravit jednotlivé parametry; alternativní metoda místo toho vyhodnocuje změny výsledku po zkušebních úpravách parametrů.

Autoři své pokusy provádějí na grafických procesorech. Jiný způsob učení tedy sám o sobě neznamená, že firma přestane GPU potřebovat. Pro odběratele hotové služby je podstatné, zda se změna projeví v dostupné kvalitě, rychlosti nebo ceně.

To je užitečné rozlišení i při debatě o cenách nástrojů umělé inteligence. Nižší náklady provozovatele mu mohou vytvořit prostor pro levnější službu. Zákazník ale potřebuje konkrétní nabídku a podmínky, ze kterých může sestavit vlastní rozpočet.

Spočítejte cenu výsledku, který zákazník přijme

Našemu modelovému studiu pomůže, když si před zkouškou nové služby stanoví, co znamená hotový návrh. Musí odpovídat zadání, držet podobu značky a projít kontrolou grafika. Vygenerovaný obrázek, který skončí v koši, se do nákladů započítá také.

Užitečným měřítkem je celková cena zpracování zakázek dělená počtem přijatých výsledků. Do nákladů patří platby za službu, práce na jejím zapojení, kontrola, opravy i opakované pokusy. Jednorázové náklady je potřeba rozpočítat na realistický objem práce a stejné období u obou porovnávaných variant.

Takové srovnání může dopadnout jinak než ukázka rychlého generování. Pokud nový nástroj vyžaduje více zásahů grafika, přibude náklad právě tam. Pokud naopak omezí opakované pokusy při stejné kvalitě, má studio důvod zkoušku rozšířit.

Stejná logika platí pro podnikání na volné noze: do kalkulace patří také vlastní čas strávený opravami. Kdo ho vynechá, může přijmout více zakázek a přitom si zhoršit hodinový výdělek. Právě tady dostává otázka produktivity práce s AI konkrétní podobu.

Připravte si možnost změnit dodavatele

Pro malou firmu může být rozumnou přípravou oddělit vlastní zadání, podklady a kontrolu kvality od služby, která provádí výpočet. Pokud je dokážete použít při srovnání více dodavatelů, snáze poznáte skutečné zlepšení. U českých zakázek přitom zachovejte česká zadání, běžné požadavky klientů i jejich způsob schvalování.

Takové oddělení něco stojí. Dává smysl především tam, kde změna dodavatele představuje reálnou možnost a objem práce ospravedlní přípravu. Pro drobný tým může zpočátku stačit uchovat reprezentativní zadání, výsledky a záznam času potřebného k opravám.

Zkoušku nové technologie ohraničte rozpočtem v korunách a předem určenou podmínkou úspěchu. Určete také, kdo vyhodnotí kvalitu a jak se práce vrátí k dosavadnímu postupu, pokud zkouška nevyjde. Tím získáte použitelnou odpověď i z pokusu, který očekávanou úsporu nepotvrdí.

Co si z toho odnést

AI bez GPU má pro podnikatele smysl sledovat jako možnost zlepšit konkrétní službu. Optické výpočty ukazují, že část práce lze fyzicky uspořádat jinak; výzkum způsobů učení zase otevírá otázku, které postupy opravdu potřebujeme. O firemním přínosu rozhodne ověřená změna celkových nákladů při požadované kvalitě.

Začněte jednou opakovanou zakázkou a sečtěte, co dnes stojí její dokončení včetně lidského času. Budete mít pevný základ pro posouzení každé další nabídky. Nejlepší úspora je ta, kterou poznáte na ceně odevzdané práce i na čase, který vám zbude.

Doprovodné video: Y Combinator, diskuse o alternativních výpočtech, 2. října 2026.

Rozhoduje cena práce, kterou může firma skutečně odevzdat zákazníkovi.

Nejlepší úspora je ta, kterou poznáte na ceně odevzdané práce i na čase, který vám zbude.

▶

Původní díl na YouTube: Y Combinator.

Zdroje

• Y Combinator: Co kdybychom přestali používat GPU? — Zveřejněno 2. října 2026. Dodaný popis a kapitoly: SOMA 8:08, optické výpočty 15:06, jejich omezení 19:27. Úplný přepis se nepodařilo získat; technické podrobnosti jsou ověřeny v níže uvedených původních studiích.
• Optické difuzní modely pro generování obrázků — Ilker Oguz a spoluautoři. Výzkumná práce popisuje optické odhadování šumu, experimentální soustavu a omezení spojená se vstupem, výstupem a přesným nastavením.
• Škálování předtrénování bez zpětného šíření chyby rozdělením modelu — Francois Chaubard, Mykel J. Kochenderfer a Chris Ré. Práce o SOMA popisuje oddělené učení částí modelu a experimenty provedené na GPU.