Závislost na nástrojích umělé inteligence se za posledních pár let proměnila v cosi, co si většina lidí ani nestihla pojmenovat. Místo občasné výpomoci s e-mailem nebo shrnutím textu se z AI stal základ, podle kterého plánujeme, tvoříme a rozhodujeme se. A právě proto se stává čím dál palčivější otázka: co se stane, když to klekne? Když v datacentru vyhoří jeden čip a služba, na které právě v tu chvíli závisíte, prostě přestane odpovídat.
Nová studie Google DeepMind nabízí pohled na řešení, které by mohlo přepsat nejen architekturu samotného tréninku modelů, ale i ekonomiku a energetiku celého oboru.
Proč je současná architektura strukturálně křehká
Poptávka po výpočetním výkonu pro špičkové modely roste pětkrát ročně. Výkon dostupného hardwaru se přitom zlepšuje zhruba jedenkrát a půl ročně. Tyto dvě křivky se od sebe rychle vzdalují a v mezeře mezi nimi vzniká strukturální křehkost, která trápí celý obor.
Natrénování dnešního top modelu od nuly by na nejlepším superpočítači světa trvalo nikoli týdny, ale celých šest let nepřetržitého provozu. Standardní strategií je proto brutálně prostý přístup: desítky tisíc čipů se sestěhují do jedné obří budovy a donutí se fungovat jako jeden jediný synchronizovaný organismus. Šest let se díky tomu smrští na měsíce — ale za cenu toho, že každý čip v každé vteřině musí běžet v naprostém souladu se všemi ostatními.
Výsledek připomíná maraton, kde mají všichni běžci svázané nohy dohromady. Jakmile jeden zakopne, celé pole se zastaví. Ve skutečném datovém centru to znamená: chyba paměti, záseky v síti, přehřátý čip — a celý klastr zamrzne, sáhne pro zálohu a restartuje se. U systému s desítkami tisíc čipů není porucha náhoda. Je to statistická jistota, která se odehrává průběžně. Ten systém stráví podstatnou část svého provozu tím, že se pouze křísí z pádu.
Existuje přitom absurdní detail, který tuto fyzickou realitu ilustruje. V trénovacím softwaru umělé inteligence prý existuje nastavení označované jako no_blowup = 1 — doslova „nevybuchuj". Procesory to přikazuje točit nesmyslné smyčky výpočtů, které nemají žádný přínos pro trénink modelu. Důvod není matematický, ale fyzický: kdyby všechny čipy naráz přešly do klidu, náhlý propad v odběru elektrického proudu by mohl fyzicky poškodit místní rozvodnou síť. Datacentrum tedy počítá nesmysly proto, aby venku nevybuchly dráty.
DiLoCo: první krok k nezávislosti čipů
Google DeepMind si položil na první pohled dětinsky prostou otázku: co kdyby ty čipy na sebe vůbec nemusely čekat a fungovaly na sobě nezávisle?
Prvním krokem k odpovědi byla metoda nazvaná DiLoCo — zkratka pro Distributed Low-Communication Training, tedy trénink s distribuovanou nízkou komunikací. Princip je elegantní: čipy se neprovázejí po každém výpočetním kroku, ale jedou si nezávisle po stovky operací. Teprve po uplynutí tohoto intervalu se „ohlásí", jak ve svém tréninku dopadly.
Nároky na stabilitu sítě tím drasticky klesnou — podle výzkumníků z 198 Gbps na pouhých 0,84 Gbps mezi datovými centry. Jenže narazilo se na matematickou zeď. Čipy se při samostatné práci začnou „názorově" rozcházet: každý si vybuduje svůj vlastní pohled na to, jak by měl výsledný model vypadat. Prostý průměr těchto pohledů dává nepoužitelný výsledek.
Řešení bylo opět elegantní. Systém přestal čipy ptát, kde přesně skončily, a začal sledovat, jakým směrem se při učení vydávají. Propojením jejich trajektorií — nikoli jejich momentálních poloh — se vytváří jeden společný aktualizovaný model. Nároky na přenosové pásmo zůstaly téměř stokrát nižší při zachování srovnatelné kvality.
Přesto zůstával jeden kritický bod selhání. I když byly synchronizační pauzy delší, v okamžiku, kdy se čipy jednou za čas musely přece jen spojit, na sebe stále musely počkat. Jeden zamrzlý čip dokázal celý proces zastavit.
Decoupled DiLoCo: asynchronní včelí úl
Nový model představený Google DeepMind v polovině dubna 2026 a nazvaný Decoupled DiLoCo tento poslední bod selhání odstraňuje. Přechází na plně asynchronní systém, který sami autoři přirovnávají ke včelímu úlu.
Včela se neptá úlu, jestli může vyletět. Nečeká, až se ostatní vrátí. Prostě nasbírá, co může, vrátí se, kdy může, a úl průběžně zpracovává, co přinese. Úl nepřestává vyrábět med jen proto, že se jedna včela ztratila nebo rozhodla nevyrazit. V technické terminologii: existují samostatní „učni" (včely), kteří pracují nezávisle, a centrální „sběrač" (úl), který do globálního modelu průběžně zapracovává všechna data, která právě dorazí. Čas přestává hrát roli. Dopad jakékoli chyby je izolovaný výhradně na tu jednu součástku, která selhala.
Výzkumníci tento přístup testovali na klastru s více než milionem čipů, přičemž simulovali poruchu každou minutu. Standardní synchronní architektura dokázala za takových podmínek reálně pracovat jen 27 procent času — zbytek strávila opravováním chyb. Decoupled DiLoCo dosahoval využitelného výkonu (goodput) 88 procent, a to přesto, že závady nijak nezmizely. Prostě přestaly celý systém zastavovat.
Validace proběhla i v produkčním měřítku: model s 12 miliardami parametrů byl úspěšně natrénován přes čtyři oddělené regiony ve Spojených státech, propojené jen standardní internetovou sítí o šířce pásma 2–5 Gbps.
Konec monopolu na hardware a energie
Stará architektura tréninku AI vyžadovala identický hardware — nelze míchat starší a novější čipy v jednom klastru. To vytvořilo závislost na několika málo monopolních dodavatelích a fakticky zablokovalo přístup menším hráčům. Decoupled DiLoCo tuto závislost rozbíjí: výzkumníci trénovali model na směsi starých a nových čipů současně. To znamená více procesorů, více prodejců, větší konkurenci a v důsledku nižší ceny nástrojů pro koncové uživatele. Trénink vlastních modelů se stává dostupným i pro menší firmy a výzkumné týmy.
Dalším důsledkem je radikálně odlišný přístup k energetice. Obří datacentra dnes potřebují v jednom místě obrovský, stabilní příkon — to vyžaduje nákladné upgrady rozvodné infrastruktury a promítá se přímo do účtů za elektřinu. Decoupled DiLoCo tuto logiku obrací: výpočetní výkon lze rozptýlit do deseti různých míst a propojit je běžnou internetovou sítí na standardní energetické síti. Není potřeba „vysát" jedno město; zátěž se rozdělí tam, kde je zrovna volná kapacita.
Zvláštní příležitost se tím otevírá pro obnovitelné zdroje. Větrné a solární elektrárny jsou přerušované — nedodávají stálý výkon a jejich přebytky bylo dosud obtížné efektivně využít. Decoupled trénink dokáže tyto přebytky absorbovat přímo: když síť produkuje víc, než spotřebovává, trénink se zrychlí; když obnovitelné zdroje nestíhají, trénink se zpomalí a počká. Místo toho, aby se přebytky mařily nebo vyvážely, pohánějí učení modelů. Jaderné elektrárny jakožto zdroje se stabilním základním výkonem přitom zůstávají spolehlivým doplňkem k tomuto intermitentnímu tréninku.
Pro Evropu to konkrétně znamená možnost vybudovat síť trénovacích uzlů rozptýlenou po celém kontinentu — bez nutnosti dedikovat celá pole a gigantické investice na jedno místo. Trénink AI by přestal být záležitostí několika obřích hala v amerických nebo asijských prérijích a stal by se součástí distribuované evropské energetické a datové infrastruktury.
Od tréninku k provozu: cesta k AI bez výpadků
Studie Google DeepMind se primárně týká tréninku modelů, nikoli jejich provozu v reálném čase. Autoři sami upozorňují, že přímý přenos principu do inference — tedy do fáze, kdy model odpovídá na dotazy — není triviální. Dnes existují distribuované provozní architektury ve formě více regionálních kopií téže služby s inteligentním směrováním a automatickým přepnutím při výpadku. Ale jeden modelový průchod rozložený přes celý svět v reálném čase zatím neexistuje.
Pokud by analogie Decoupled DiLoCo pro provoz někdy vznikla, znamenalo by to AI službu, která skutečně nikdy nepodléhá výpadku. Momentálně uživatelé výpadky pociťují — a čím hlubší je jejich závislost na nástrojích AI, tím palčivější ten pocit je. Tato studie je prvním vážným krokem k infrastruktuře, která je dostatečně odolná na to, aby odpovídala roli, jakou umělá inteligence v každodenním životě reálně hraje.
Závěr
Decoupled DiLoCo od Google DeepMind není pouhou technickou zajímavostí. Je to pokus přestavět základ AI infrastruktury — od křehkého, synchronizovaného monolit závislého na monopolním hardwaru a obřích energetických hubech k odolné, asynchronní síti uzlů, která dokáže absorbovat poruchy a přizpůsobit se dostupné energii. Důsledky sahají od nižších cen a dostupnějšího tréninku pro menší hráče přes efektivnější využití obnovitelných zdrojů až po reálnou šanci na evropskou AI infrastrukturu bez závislosti na zahraničních megadatových centrech. Výsledný model se učit nepřestane — a pokud technologie dozraje, nebude se ani zastavovat.
