# Jensen Huang: AGI je už tady, ale bez šancí na NVIDIA
Jensen Huang v podcastu Lexe Fridmana (#494) přímo prohlásil: AGI dosaženo. "I think it's now. I think we've achieved AGI". Nicméně upřesnil, že současné systémy nezvládnou řízení korporace úrovně NVIDIA. Lex Fridman definoval AGI jako schopnost AI autonomně spustit a vybudovat společnost v hodnotě přes 1 miliardu dolarů. Huang souhlasil, ale zdůraznil rozdíl mezi krátkodobým úspěchem a udržitelným rozvojem.
Příklad: modely jako Claude dokážou vytvořit virální webovou službu, přilákat publikum a rychle monetizovat na miliardu dolarů. Ale takový projekt je odsouzen k úpadku bez dlouhodobého řízení dodavatelských řetězců, týmů a strategií v nejistotě.
Agentní systémy jako základ pokroku
Huang zdůraznil rozvoj agentních frameworků, jako je OpenClaw. Současné agenty:
- Plánují vícefázové úkoly;
- Integrují nástroje;
- Spouštějí subagenty;
- Provádějí složité řetězce akcí.
Klíčový posun – fáze inference. Ta generuje hlavní výpočetní zátěž: agenty uvažují, interagují a produkují data pro následné trénování. To uzavírá cyklus: inference → nová data → zlepšení modelů.
Pravděpodobnost scénáře s 100 000 koordinovanými AI agenty, řídícími společnost jako NVIDIA, Huang odhadl na 0 %. Technické bariéry se kombinují s organizačními: strategické plánování a řízení v nejistotě zůstávají lidem.
Předefinování AGI v průmyslu
Prohlášení Huanga signalizuje změnu paradigmatu. Inteligence jako nástroj řešení úkolů je již masová, ale jako schopnost udržitelného korporátního růstu – ne. To kontrastuje s odhady Andrewa Nga (Google Brain): do AGI podle klasiky – desetiletí. Obecně přijímaná definice AGI chybí, což umožňuje přehodnotit pokrok.
Huang zdůrazňuje: NVIDIA těží z AI boomu díky zátěži inference. Masivní výpočty pro agenty – hlavní hnací síla poptávky po GPU.
Co je důležité
- AGI podle Huanga – to jsou současné systémy schopné krátkodobých business projektů, ale ne řízení korporací;
- Inference dominuje nad trénováním ve výpočetních nákladech kvůli agentním řetězcům;
- OpenClaw a podobné frameworky demonstrují plánování a hierarchické agenty;
- Koordinace tisíců agentů pro složité systémy – nedosažitelné na současné úrovni;
- Absence konsenzu o definici AGI stimuluje nové interpretace.
Technické důsledky pro vývojáře
Pro middle/senior specialisty to znamená fokus na optimalizaci inference. Agentní systémy vyžadují:
- Efektivní tool-using (integrace API, externí služby);
- Hierarchické plánování (subagenty pro subúlohy);
- Škálovatelné ukládání dat z inference pro RAG a fine-tuning;
- Monitorování řetězců uvažování (reasoning traces).
Při realizaci kontrolujte odolnost: jednotliví agenty zvládnou prototypy, ale scaling na 100+ vyžaduje human-in-the-loop. Testujte na reálných business scénářích – od webových služeb po simulace dodavatelských řetězců.
— Editorial Team
Zatím žádné komentáře.