Poskusi računanja s svetlobo odpirajo podjetniško vprašanje: koliko vas stane rezultat, ki ga stranka lahko uporabi?
Umetna inteligenca lahko izdela sliko, ki je videti odlično, pa je trgovec vseeno ne more uporabiti: izdelek na njej nima prave oblike. Predstavljajmo si majhno ljubljansko ekipo, ki razvija orodje za pripravo prodajnih fotografij. Vsak zavrnjeni predlog zahteva nov poskus ali ročni popravek, zato poceni ustvarjena slika še ne pomeni poceni opravljene naloge.
Prav tu postane iskanje alternativ grafičnim procesorjem, znanim pod kratico GPU, zanimivo tudi za podjetnike brez lastnega laboratorija. Svetloba kot sredstvo za računanje odpira vznemirljive možnosti. Za poslovno odločitev pa predlagam precej prizemljeno merilo: koliko stane rezultat, ki ga stranka dejansko lahko uporabi?
Varčen izračun je šele del računa
Raziskovalec Ilker Oguz v mednarodni razpravi YC Paper Club pri 19:27 pojasni ovire optičnega računalništva, pri katerem računske operacije izvaja svetloba. Opozarja, da energijo poleg samega izračuna porabljajo pretvorbe podatkov med elektronsko in optično obliko ter nastavljanje in umerjanje naprav. Prednost posamezne operacije zato še ne pove, kako učinkovit je celoten sistem.
Za našo zamišljeno ekipo je to dober razlog, da razširi pregled stroškov. Poleg računske storitve naj spremlja pripravo fotografij, prenos datotek, shranjevanje, ponovljene zahteve in čas človeka, ki preverja izdelek. Tudi če bi računanje postalo cenejše, bi lahko ročno popravljanje še vedno omejevalo število naročil, ki jih zmore obdelati.
Tak pregled pomaga odkriti, kje je naslednja smiselna izboljšava. Morda potrebujete hitrejše računanje, morda boljša navodila uporabniku za nalaganje fotografij ali jasnejša merila sprejemljivega rezultata. To so različni problemi, vsak pa zahteva svoj poseg in svoje preverjanje uspeha.
Kaj svetloba že pokaže in kaj ostaja odprto
Oguz in soavtorji v raziskavi o optičnih difuzijskih modelih pokažejo, kako je mogoče širjenje svetlobe skozi optične plasti prilagoditi ustvarjanju slik. Difuzijski model sliko gradi s postopnim odstranjevanjem šuma, podobno kot bi iz sprva neprepoznavnega vzorca postopoma izluščili podobo. Optični sistem pri tem ponavlja naučeno operacijo.
Oguz v predstavitvi od 22:23 naprej opiše poskuse z majhnimi podobami številk in oblačil. Pri oceni energijske prednosti izrecno navede predpostavko pasivnih, po učenju nespremenljivih optičnih plasti; prototip je uporabljal nastavljivo napravo. Kot naslednji korak izpostavi preverjanje celotnega sistema v večjem merilu.
Za ponudnika orodja za prodajne fotografije je to obetaven raziskovalni rezultat, vendar še premalo za izbiro dobavitelja. Iz njega ne more sklepati, kako dobro bi sistem ohranil podrobnosti izdelkov njegovih strank ali obdelal njihove dejanske fotografije. To bi moral pokazati ločen preizkus.
Pomembno je tudi ločiti učenje modela od njegove uporabe. Med učenjem nastajajo nastavitve, s katerimi model opravlja nalogo; med uporabo že naučeni model obdeluje nove vhodne podatke. Uspeh pri eni stopnji sam po sebi še ne potrjuje učinkovitosti druge, zato naj ponudnik jasno pove, na kateri del se nanaša njegova obljuba.
Primerjajte sprejete rezultate na svojih podatkih
Za začetek izberite nalogo, pri kateri danes poznate tako strošek kot težave. Ljubljanska ekipa bi lahko sestavila preizkusni nabor fotografij izdelkov, ki predstavljajo različne materiale, osvetlitev in zahtevnost podrobnosti. Pred primerjavo naj določi, kaj mora ostati nespremenjeno in kdaj je slika primerna za objavo.
Obstoječa rešitev in novi ponudnik naj nato dobita iste vhodne podatke in enaka merila kakovosti. Zabeležite tudi neuspele poskuse, čakanje ter ročne posege. Tako bo primerjava pokazala razliko v opravljenem delu, rezultat pa bo mogoče ponoviti.
- Strošek sprejetega rezultata: celotni strošek obdelave preizkusnega nabora delite s številom rezultatov, ki prestanejo preverjanje.
- Čas do uporabnega izdelka: merite pot od oddaje zahteve do potrditve, skupaj s ponovitvami in popravki.
- Obseg človeškega dela: zabeležite, katere napake mora odpraviti človek in koliko časa za to potrebuje.
- Zanesljivost ob več zahtevah: preverite, ali kakovost in odzivnost ostaneta sprejemljivi, ko storitev hkrati uporablja več strank.
Merila prilagodite svojemu izdelku. Pri orodju za javno nastopanje z umetno inteligenco bi denimo preverjali uporabnost povratne informacije o govoru. Število ustvarjenih povedi samo po sebi ne bi povedalo, ali uporabnik zaradi njih lažje izboljša nastop.
Prihranek povežite s ceno in zaupanjem
Ko poznate strošek sprejetega rezultata, lahko presodite, koliko prostora imate za razvoj, podporo in zaslužek. Ta podatek je uporabno izhodišče za razmislek o cenovni strategiji in prenizkih cenah. Prodajno ceno pa morate preveriti tudi glede na vrednost, ki jo stranka pripisuje opravljeni nalogi.
Trgovcu lahko največ pomeni, da nove izdelke hitreje objavi in da fotografije pravilno prikazujejo ponudbo. Prihranek pri računanju bi zato lahko namenili boljšemu preverjanju kakovosti ali podpori pri zahtevnih primerih. Smisel takšne odločitve pokaže odziv strank, zato jo preverite v omejenem preizkusu.
Tu se stroškovna računica sreča z vprašanjem zaupanja v umetno inteligenco. Če orodje neopazno spremeni videz izdelka, ima trgovec dodaten razlog za preverjanje vsake naslednje slike. Začetni prihranek lahko tako spremlja več dela, ki ga račun ponudnika sploh ne zajame.
Kaj naj podjetnik odnese v naslednji preizkus
Umetna inteligenca potrebuje merilo, ki se konča pri opravljeni nalogi. Izberite konkreten primer uporabe, določite sprejemljivo kakovost in izmerite celotno pot do potrjenega rezultata. Šele s takšno osnovo lahko ocenite, ali drugačna tehnologija izboljša vašo storitev.
Raziskave računanja s svetlobo so dober povod, da ponovno preverite svoje predpostavke o stroških in zasnovi izdelka. Ohranite radovednost, od ponudnika pa zahtevajte preizkus na podatkih, ki predstavljajo delo vaših strank. Najbolj uporabna novost bo tista, zaradi katere boste dogovorjeno nalogo opravili z manj zapleti in vzdržno računico.
Videoposnetek: Y Combinator, YC Paper Club, 2. oktober 2026. Optično računalništvo od 15:06, njegove omejitve od 19:27 in ustvarjanje slik od 22:23.
Umetna inteligenca potrebuje merilo, ki se konča pri opravljeni nalogi.
Začetni prihranek lahko tako spremlja več dela, ki ga račun ponudnika sploh ne zajame.

Viri
- Y Combinator: Kaj če bi nehali uporabljati grafične procesorje? — Razprava YC Paper Club, objavljena 2. oktobra 2026. Ilker Oguz: omejitve optičnega računalništva pri 19:27 in difuzijski modeli od 22:23. Podrobnosti preverjene v [prepisu izvirne razprave](https://www.usetranscribe.io/yt/xc2FTBGRSJo/stopped-using-gpus).
- Optični difuzijski modeli za ustvarjanje slik — Ilker Oguz in soavtorji v [izvirni raziskavi](https://arxiv.org/abs/2407.10897) predstavijo uporabo širjenja svetlobe skozi optične plasti za izvajanje difuzijskega modela.
Innohub TV
Oglej si to vsebino tudi na Innohub TV
Izbrali smo klipe z Innohub TV, ki nadaljujejo isto temo.
