Stáhnout model a neplatit za jeho váhy ani korunu je příjemný začátek. Zvlášť když před vámi někdo zaplatil výpočetní práci, kterou byste ze svého rozpočtu nikdy neutáhli. Právě tenhle přehlížený účet se snaží ukázat Hub Dollars: odhaduje, kolik by stálo pronajmout grafické akcelerátory na trénink vybraných otevřených modelů. Výsledek se pohybuje kolem miliardy dolarů. Důležitější než efektní částka je ale otázka, co si z ní smí odnést člověk, který chce AI skutečně používat.
Podle nás je otevření modelových vah především možností navázat na cizí drahou práci. Není to poukázka na bezplatný provoz ani důkaz, že všechny zveřejněné modely mají stejnou obchodní hodnotu. Zaměnit tyhle věci je snadné: katalog nabízí tlačítko ke stažení, zatímco rozpočet na správu, ověřování a odpovědnost nikdo tak hezky nevystaví.
Miliarda na webu není miliarda na fakturách
V rychlé zprávě o Hub Dollars jsme popsali analýzu 75 oficiálních modelových rodin na Hugging Face Hub. Samotný projekt, jehož odhad je označen jako stav k říjnu 2026, pracuje s modelovými kartami, technickými zprávami a databází Epoch AI. Centrální odhad v jeho datovém souboru činí přibližně 991 milionů dolarů. To je přepočet tréninkových výpočtů na zvolené ceny pronájmu hardwaru, nikoli součet účetnictví jednotlivých výrobců.
Rozdíl není kosmetický. Firma s vlastními akcelerátory má jinou nákladovou strukturu než zákazník platící hodinový pronájem a skutečné smluvní ceny nejsou veřejnou konstantou. Hub Dollars proto ukazuje srovnatelný odhad výpočetních nákladů, ne přesně to, co každý vývojář poslal bance. Ani zveřejněný počet hodin práce grafických čipů sám o sobě neodhaluje skutečně zaplacené dolary.
Tam, kde je výrobce uvádí, projekt používá přímo GPU hodiny, tedy dobu práce grafických akcelerátorů. Jinde dopočítává objem práce z velikosti modelu a množství tréninkových dat; pokud potřebné údaje chybějí, přidává přiznané předpoklady. Metodika používá například cenu 2,5 dolaru za hodinu H100. Je to vstup výpočtu, nikoli příslib, že takovou nabídku dnes dostane každý zájemce.
Užitečné je, že nejistota nezmizela pod jedním velkým číslem. Zveřejněný souhrn simulace uvádí rozpětí přibližně 816 milionů až 1,345 miliardy dolarů mezi desátým a devadesátým percentilem simulovaných výsledků. Vychází z 20 tisíc běhů, v nichž se mění ceny, využití hardwaru a odhadované tréninkové množství. Je to rozpětí uvnitř zvoleného modelu nejistoty, ne audit skutečných nákladů ani záruka, že do něj skutečnost musí spadnout.
Katalog kopií se nesmí počítat jako katalog nových tréninků
Hub Dollars zahrnuje závěrečné běhy předtrénování a dotrénování vybraných oficiálních rodin. Nezapočítává mzdy, datové sady, experimenty, nepovedené pokusy ani dlouhý seznam komunitních úprav. Částka tedy nepokrývá celý vývojový účet. Projekt svůj záběr označuje za spodní hranici vynaložených prostředků; konkrétní dolarový výsledek přesto zůstává odhadem závislým na cenách a dalších předpokladech.
Stejně podstatné je pravidlo proti dvojímu započítání. Základní model se počítá jednou a oficiální varianty mají přidávat jen další tréninkovou práci. Zrcadlená kopie nebo kvantizace, tedy zmenšení paměťových nároků pomocí úspornějšího číselného zápisu, nevytváří znovu celý původní trénink. Mnoho souborů v katalogu může navazovat na stejný draze vytvořený základ.
To je zdravá protiváha k oblíbenému počítání repozitářů. Rostoucí počet položek může znamenat užitečné varianty pro různý hardware, jazyky nebo úlohy. Sám o sobě ale neříká, kolik vzniklo nových základních modelů, kolik se utratilo za vývoj ani jak kvalitní jsou výsledky. Násobit všechny kopie cenou původního tréninku by vyrobilo hezký graf a špatnou ekonomiku.
Také databáze Epoch AI, kterou Hub Dollars uvádí mezi podklady, slouží ke sledování modelů a infrastruktury, nikoli jako účetní kniha celého odvětví. Veřejná data dovolují nákladům lépe rozumět. Neodstraňují však mezery tam, kde výrobci své tréninkové podrobnosti nezveřejnili. Čtenář by měl oceňovat právě otevřenou metodiku, ne předstíranou přesnost na dolar.
Největší výhoda je právo nezačínat od nuly
Představme si malou firmu, která potřebuje třídit servisní záznamy a hledat v interních návodech. Její skutečnou alternativou obvykle není vybudovat vlastní laboratoř a natrénovat univerzální model od začátku. Spíš porovnává hotové služby, dostupné modely a dosavadní ruční práci. Přístup k hotovým vahám rozšiřuje výběr, ale celou cenu jejich původního tréninku nelze zapsat jako úsporu firmy, která by ho nikdy neobjednala.
Tady má miliardový odhad největší smysl: ukazuje rozsah výpočetní práce, na jejíž výsledky mohou další lidé navazovat. Jeden vytvořený základ může posloužit více týmům, aniž by každý opakoval jeho původní trénink. Pro menší hráče je to podstatná možnost vstupu. Jejich konkurenceschopnost pak nemusí stát na vlastnictví největšího shluku čipů, ale na tom, že dobře znají konkrétní problém zákazníka.
Není nutné z toho dělat pohádku o nezištnosti výrobců. Podle nás je rozumné vnímat zveřejnění modelu současně jako přínos pro uživatele i jako způsob, jak kolem určité technologie získat vývojáře a partnery. Tyto motivy se nevylučují. Pro odběratele je důležitější, co smí s konkrétní verzí dělat a za jakých podmínek ji dokáže udržet v provozu.
Právě proto jsou slova „otevřený“ a „zdarma“ slabou náhradou za přečtenou licenci. Veřejné stažení vah nezaručuje neomezené firemní použití a licence kódu nemusí být totožná s licencí modelu. Rozdíl jsme podrobně rozebrali u Timestralu a podmínek jeho vah. Souhrnná cenovka Hub Dollars žádné takové oprávnění neuděluje.
Vlastní server nevyřeší účet za vlastní chyby
Po stažení začíná další nákladová etapa. Samotné používání naučeného modelu se označuje jako inference a vyžaduje výpočetní prostředky, paměť i obsluhu. U vlastního nasazení je potřeba řešit aktualizace, dostupnost a zabezpečení. U hostované služby zase platíte dodavateli a přijímáte jeho provozní a datové podmínky. Nulová cena za získání vah neříká, která z těchto cest vyjde levněji.
Vrátíme-li se k servisní firmě, drahá chyba nemusí být dlouhá odpověď modelu. Může to být špatně zařazená závada, kvůli níž technik vyjede s nesprávným dílem. Rozpočet proto musí počítat také s kontrolou výsledků a opravami. Model, který stojí méně za jeden výpočet, může být dražší na jednu správně dokončenou zakázku. To není argument proti otevřeným modelům, ale proti nákupu podle jediné cenovky.
Náš praktický návrh je prostý: pro pilot vyberte jednu skutečnou úlohu, vzorek vlastních dat a dosavadní způsob práce jako srovnání. Vedle rychlosti sledujte správně dokončené případy, čas lidských oprav a celkové provozní výdaje. Předem si určete, kdo výsledek kontroluje a co se stane při chybě. Jde o redakční doporučení pro nasazení, nikoli o výsledek měření Hub Dollars.
Důležitá je i hranice soukromí. Vlastní kopie modelu dává možnost zvolit místo zpracování, ale sama nezaručuje, že celý systém pracuje pouze uvnitř firmy. Další části řešení mohou odesílat dokumenty, diagnostiku nebo požadavky do externích služeb. Ochrana dat se musí posuzovat podle skutečné cesty informací, ne podle toho, odkud jste stáhli první soubor.
Cizí drahý trénink není vaše hotové řešení
Hub Dollars neprokazuje, že otevřené modely mají tržní hodnotu miliardy dolarů, že jejich uživatelé stejnou částku ušetřili nebo že dražší trénink zaručuje lepší výsledek. Jeho přínos je střízlivější a užitečnější: převádí obtížně představitelnou výpočetní práci na srozumitelný, veřejně rozebíratelný odhad. Přitom ukazuje, kde stojí na zveřejněných údajích a kde na domněnkách.
Podle nás je to dobrý důvod brát dostupné modelové váhy vážně. Umožňují využít výsledek investice, na kterou by mnoho týmů nikdy nedosáhlo. Není ale důvod přestat počítat ve chvíli, kdy zmizí poplatek za stažení. Rozumná otázka nezní, kolik milionů stál model někoho jiného. Zní, kolik bude stát vaše spolehlivě vyřešená práce.
