Být pro-technologický neznamená být slepý k negativním dopadům nových technologií. Je to cvičení pragmatického optimismu – maximalizace výhod a zvládání nevýhod.

Podařilo se nám reprodukovat silná zjištění článku HRM o ARC-AGI-1. Dále jsme provedli řadu ablačních experimentů, abychom se dostali k jádru toho, co je za tím. Klíčová zjištění: 1. Samotná architektura modelu HRM (středobod článku) není důležitým faktorem. 2. Vnější smyčka zdokonalování (v článku sotva zmíněná) je hlavním hnacím motorem výkonu. 3. Učení s přenosem mezi úkoly není příliš užitečné. Důležité je školení o úkolech, na kterých budete testovat. 4. Můžete použít mnohem méně rozšíření dat, zejména v době odvozování. Zjištění 2 a 3 znamená, že tento přístup je případem *nulového předtréninkového testovacího tréninku*, podobného nedávno publikovanému článku "ARC-AGI bez předtréninku" od Liao et al.

Google právě vypustil nový malý LLM s vynikajícím výkonem – Gemma3 270M. Nyní k dispozici na KerasHub. Vyzkoušejte nové předvolby 'gemma3_270m' a 'gemma3_instruct_270m'!

Otevřené otázky o ekonomice jízdy bez řidiče: 1. Jaké bude snížení nákladů (oproti Uberu/Lyftu) za odstranění řidiče? 2. O kolik toto snížení nákladů zvýší poptávku? 3. Ovlivnila by změna UX výrazně poptávku? 4. Zaznamenali bychom velký nárůst geografické dostupnosti (nejsou potřeba řidiči = můžeme na silnice dostat více taxíků)? Pro 1: mzdové náklady na jízdu Lyftem/Uberem po započtení všeho ostatního jsou pouze 20-40 % ceny, což v nejlepším případě omezuje snížení na -40 %. Síť taxi bez řidiče by však měla výrazně vyšší fixní náklady (inženýři AI, datová centra) a nenulové přidané jednotkové náklady (časté čištění interiéru, amortizace samořídícího hardwaru), takže realisticky se díváme spíše na -15-20 %. Je tedy nepochybné, že autonomní jízdy ve velkém měřítku budou levnější než současné služby jízdy na zavolání. Velikost efektu však bude mnohem menší, než většina lidí očekává. Stále budou poměrně drahé. Za 2: asi ne o tolik -- kvůli dynamickému cenotvorbě už ceny kolísají o víc a ještě před pár lety Uber silně dotoval poptávku, takže máme nějaká data, co by se stalo s 20% levnějšími jízdami. TAM v oblastech, které jsou již dobře obsluhovány Uberem/Lyftem, by mohl vzrůst o ~20 % v mílích, zatímco v dolarech by měl zůstat konstantní. Za 3: již víme (prostřednictvím nasazení Waymo), že lidé dávají přednost tomu, aby v autě nebyl řidič, a zákazníci necitliví na cenu jsou ochotni za tuto zkušenost zaplatit více. Není to však všechno pozitivní: objevily se obavy o čistotu vozu (snadno řešitelná, ale to zvyšuje jednotkové náklady). Celkově si nemyslím, že změna UX příliš zvýší TAM, protože pro většinu lidí bude kritickým faktorem cena a dostupnost. Pro 4: toto je jeden je spíše zástupný znak. Většina nákladů na autonomní síť jsou fixní náklady; Inkrementální jednotkové náklady jsou především amortizace nákladů na automobil (chyba zaokrouhlení) a čištění. To znamená, že autonomní síť má potenciál mít mnohem vyšší pokrytí než současná síť Uber/Lyft. Určitě to ale nebude tak, že by se tyto sítě rozšířily *kamkoliv*, alespoň ne s krátkou čekací dobou. Myslím, že z tohoto efektu uvidíme určitý nárůst TAM, možná +20-30 %. Celkově bychom měli očekávat postupné zvýšení TAM v dolarovém vyjádření, ale celkově bude trh spíše jako Uber++ než jako nové dopravní paradigma. Většina lidí v USA, zejména mimo hustě osídlené oblasti, bude stále řídit vlastní auto.

Objevili jsme něco zábavného: můžete #Genie3 použít k tomu, abyste vstoupili do svých oblíbených obrazů a prozkoumali je. Zde je krátká návštěva filmu Edwarda Hoppera "Noční jestřábi".

Grok 4 je stále nejmodernější na ARC-AGI-2 mezi hraničními modely. 15,9 % pro Grok 4 vs. 9,9 % pro GPT-5.

Grok 4 je stále nejmodernější na ARC-AGI-2 mezi hraničními modely. 15,9 % pro Grok 4 vs. 9,9 % pro GPT-5.

Výsledky GPT-5 na ARC-AGI 1 & 2! Horní linie: 65.7 % na ARC-AGI-1 9.9% na ARC-AGI-2

Společnost Kaggle právě spustila soutěž NeurIPS 2025 Code Golf, jejímž cílem je, abyste psali programy pro řešení Pythonu k úlohám ARC-AGI-1 a zároveň udrželi programy co nejmenší. Jste lepší v psaní kódu než hraniční modely?

Cestou vpřed není vybudovat "boha v krabici", ale vytvořit inteligentní systémy, které se integrují do stávajících procesů, zejména vědy a lidí obecně, aby je posílily a urychlily.