01
Damo Academy představil AI agenta, který objevil čtyři nové supravodiče
Výzkumná divize Alibaby Damo Academy odhalila prvního AI agenta na světě specializovaného na objevování supravodivých materiálů. Systém nazvaný Elements Claw, poháněný specializovaným modelem s miliardou parametrů trénovaným na 125 milionech molekulárních a krystalových struktur, prověřil 2,4 milionu stabilních krystalových struktur během 28 hodin výpočetního času na GPU. Ze 68 tisíc kandidátů s potenciálem supravodivosti vědci vybrali ty nejslibnější k fyzickému testování – a čtyři z nich se v laboratoři potvrdily jako dosud neznámé supravodivé sloučeniny. Projekt vznikl ve spolupráci s Renmin University a Čínskou akademií věd.
02
Nvidia se tiše stává bankéřem AI boomu
Firma Nvidia rozšiřuje svůj byznysmodel: kromě prodeje čipů začíná financovat nákupy svých GPU a podílet se na příjmech z infrastruktury. Podle zprávy The Information Nvidia nabízí menším cloudovým providerům nejen hardware, ale i financování jeho pořízení s garancí zpětného odkupu nevyužité kapacity. První projekty zahrnují nasazení 170 tisíc GPU v Indonésii (Firmus) a 40 tisíc systémů Grace Blackwell GB300 v Austrálii (Sharon AI). Finanční ředitelka Colette Kress program osobně zaštiťuje – nejde o experiment, ale o systematickou strategii. Nvidia se tak postupně mění z výrobce čipů na finančního hráče v AI ekonomice.
03
Meituan natrénoval 1,6bilionový model bez jediného Nvidia čipu
Čínská společnost Meituan představila model LongCat-2.0 s 1,6 bilionu parametrů (48 miliard aktivních na token), který byl kompletně natrénován a nasazen na vlastních AI ASIC akcelerátorech – bez jediného GPU od Nvidie. Model architekturou Mixture-of-Experts dosahuje v agentických schopnostech úrovně blízké Claude Opus 4.6. LongCat-2.0 není nejlepším modelem světa v kódování ani nejpoužívanějším čínským modelem na OpenRouter, ale je prvním skutečně masivním modelem trénovaným zcela bez Nvidia hardware. Ukazuje, že Čína i přes exportní omezení dokáže škálovat AI modely na domácích čipech.
04
Mapování s in-memory vrstvami snižuje zátěž LLM
Vývojáři z RidgeText přišli s technikou, která výrazně snižuje zátěž LLM při generování map. Místo aby model zpracovával kompletní GeoJSON data, orchestruje jednotlivé mapové vrstvy (požární perimetry, turistické trasy) pomocí in-memory kompozice. LLM tak nikdy nemanipuluje se surovými daty – pouze vydává pokyny, které vrstvy vykreslit. Výsledek: menší kontextová okna, deterministické vykreslování a možnost posílat hotové mapy i přes SMS. Přístup je zajímavý hlavně pro aplikace, kde AI potřebuje pracovat s prostorovými daty, ale naráží na limity kontextu a náklady na tokeny.
05
Claude Fable napsal většinu kódu sqlite-utils 4.0 za 150 dolarů
Simon Willison na svém blogu popsal, jak s pomocí modelu Claude Fable vytvořil release candidate sqlite-utils 4.0rc2. Během 37 promptů, 34 commitů a 1321 řádků kódu model odhalil a opravil kritickou chybu, která způsobovala ztrátu dat u metody delete_where(). Celkový náklad na použití modelu byl přibližně 150 dolarů – Willison přitom část práce řídil ze svého telefonu během oslav 4. července. Případ ukazuje reálný potenciál AI coding agentů pro produkční vývoj, ale zároveň potřebu lidského dohledu nad kvalitou.
06
Ford znovu najímá lidské inženýry, AI nezvládá kontrolu kvality
Automobilka Ford musela znovu najmout více než 300 zkušených inspektorů kvality poté, co umělá inteligence nedokázala nahradit jejich know-how. Podle viceprezidenta Charlese Poona firma podcenila potřebu lidské zkušenosti při zavádění AI na kontrolní linky. „Mylně jsme si mysleli, že stačí nasadit umělou inteligenci a bude to stačit,“ uvedl. Ford přitom do AI investoval miliardy a instaloval 900 kamer s umělou inteligencí do svých továren. Případ ilustruje limity současných AI systémů v komplexním výrobním prostředí.
