Nature: TOP 100 nejrychleji rostoucích technologií podle AI
Australští výzkumníci pomocí modelu Wikipedia2Vec sestavili žebříček Momentum 100, kde strojové učení s posilováním, blockchain a 3D tisk označili za nejrychleji rostoucí technologie roku 2026 na základě analýzy dat z Wikipedie.
Momentum 100: Jak AI poprvé bez expertů určila nejrychleji rostoucí technologie roku 2026
Úvod
Každý rok přední světová média a analytická centra zveřejňují žebříčky nejperspektivnějších technologií. MIT Technology Review, Stanford University, Světové ekonomické fórum – všechny se spoléhají na názor úzkého okruhu odborníků, jejichž soudy, ať jsou jakkoli autoritativní, jsou nevyhnutelně subjektivní.
V dubnu 2026 přišla australská analytická společnost League of Scholars s radikálně odlišným přístupem. Ve spolupráci s Nature Index představila žebříček Momentum 100 – první seznam v historii nejdynamičtěji se rozvíjejících technologií, který nesestavili lidé, ale umělá inteligence na základě analýzy Wikipedie. AI prostudovala desítky tisíc článků, analyzovala miliony hypertextových odkazů a dynamiku zobrazení, aby bez jakéhokoli lidského zásahu určila, které technologie nabírají na obrátkách nejrychleji.
Podrobnosti události a časová osa
Žebříček Momentum 100 je založen na otevřené datové sadě Cosmos 1.0, publikované v časopise Scientific Data, který patří do skupiny Nature. K jeho vytvoření tým League of Scholars použil jazykový model Wikipedia2Vec, který převádí články Wikipedie na vícerozměrné číselné vektory – tzv. embeddingy.
Klíčovou výhodou této metody je, že embeddingy zachycují nejen obsah článků, ale také logiku hypertextových odkazů mezi nimi, čímž odrážejí reálné sémantické vazby ve vědecko-technickém diskurzu.
Metodologie zahrnovala několik fází:
- „Semeno“ analýzy – jeden výchozí článek s názvem „Seznam rozvíjejících se technologií“ (List of emerging technologies).
- Budování sítě – algoritmus extrahoval téměř 55 000 vzájemně propojených stránek Wikipedie.
- Filtrace – z nich bylo ponecháno více než 23 000 stránek přímo souvisejících s technologiemi a příbuznými koncepty.
- Hodnocení – každá technologie získala index na základě stáří, dynamiky zobrazení stránek a dalších metrik.
Validace výsledků probíhala porovnáním s jinými datovými sadami, včetně akademických publikací a patentových informací.
Časová osa vytvoření Cosmos 1.0 je popisována jako náročný proces, který měl trvat půl roku, ale tým League of Scholars s podporou programátorů a designérů jej zvládl za jeden týden nepřetržité práce.
Dopad a význam
Pro vědu a analytiku znamená vznik Momentum 100 posun paradigmatu v metodách predikce. Jak poznamenává Catherine Aiken z Georgetown University, specializující se na emerging technologie, „za posledních šest let se metody identifikace perspektivních oblastí prakticky neaktualizovaly – jsou příliš expertně orientované, pracné a individualizované.“ Cosmos 1.0 označila za „užitečný doplněk“ této oblasti, otevírající možnosti pro objektivnější analýzu.
Top 10 technologií žebříčku Momentum 100 (první tři pozice: strojové učení s posilováním, blockchain a 3D tisk) zahrnuje také měkkou robotiku (soft robotics), rozšířenou realitu (augmented reality) a „omické“ technologie (omics) – rozsáhlé studie biomolekul, jako je DNA, proteiny a metabolity.
Klíčové technologie žebříčku:
| Místo | Technologie | Klíčová charakteristika |
|-------|-------------|-------------------------|
| 1 | Reinforcement Learning (učení s posilováním) | Systém se učí metodou pokus-omyl, získává „odměnu“ za správná rozhodnutí |
| 2 | Blockchain | Využití daleko přesahuje kryptoměny: zdravotní data, dodavatelské řetězce, energetika |
| 3 | 3D tisk | Aditivní technologie pokračují v expanzi v průmyslu a medicíně |
Proč je učení s posilováním na prvním místě?
Univerzálnost metody, která umožňuje AI přijímat sekvenční rozhodnutí ve složitém, neustále se měnícím prostředí, jí zajistila vedoucí pozici. AI založená na reinforcement learning již poráží mistry v go a šachách, používá se při vývoji léků a v závodech dronů. Tvůrci žebříčku poznamenávají, že algoritmus matematicky reprodukuje mechanismy přirozeného učení – přibližně tak, jak se zvířata učí povely, když dostávají pamlsky.
Blockchain: od kryptoměn ke swarm learning
Zájem o blockchain, který jej posunul na druhé místo, neživí bitcoin, ale publikace v předních vědeckých časopisech. Jeden z článků, který získal více než 800 citací, popisuje swarm learning – metodu, která umožňuje nemocnicím a laboratořím společně trénovat AI na zdravotních datech bez odhalení osobních informací pacientů.
Reakce klíčových hráčů
Sám Paul McCarthy, spoluzakladatel League of Scholars, definuje filozofii projektu jako pokus „mapovat technologie zdola nahoru“ s využitím schopnosti AI odhalovat skryté znalosti ve velkých komplexních systémech.
Nature, která publikovala článek o žebříčku, tím legitimizuje tento přístup před akademickým publikem. Autorita časopisu je důležitým signálem pro vědeckou komunitu: data z AI mohou být stejně spolehlivá jako expertní hodnocení.
Catherine Aiken z Georgetown University, jejíž hodnocení je uvedeno jak v Nature, tak na ukrajinském populárně-vědeckém portálu, vyjadřuje opatrný optimismus. Cosmos 1.0 nazývá „užitečným doplňkem“ stávajících metod, ale nevyzývá k úplnému opuštění expertního přístupu.
Prognóza a závěry
Krátkodobá prognóza (2026-2027): League of Scholars plánuje žebříček každoročně aktualizovat a sledovat dynamiku změn. To umožní nejen zaznamenávat aktuální lídry, ale také identifikovat technologie, které ztrácejí nebo nabírají na obrátkách.
Dlouhodobá prognóza (2028+): Pokud se přístup osvědčí, můžeme očekávat rozšíření podobných metod v korporátním strategickém plánování, rizikovém investování a státním plánování. AI analýza velkých objemů nestrukturovaných dat (vědeckých článků, patentů, zpravodajských kanálů) může odhalit technologické trendy dříve, než si jich všimnou i ti nejpozornější experti.
Hlavní závěr: Momentum 100 není jen další žebříček. Je to demonstrace toho, jak AI může přebírat funkce, které byly tradičně považovány za výsadu lidského experta. Analýza 55 000 článků Wikipedie a odhalení skrytých vazeb mezi nimi je úkol, který je pro jakoukoli skupinu analytiků nezvladatelný, ale pro dobře natrénovaný model triviální.
Příznačné je, že technologie č. 1 v žebříčku je právě ta metoda, která umožnila jeho sestavení. Učení s posilováním (reinforcement learning) je stejné paradigma „pokus-omyl-odměna“, které příroda používá pro všechno – od výcviku psů po evoluci druhů. A AI, která žebříček sestavila, v podstatě aplikovala stejný princip na analýzu lidského poznání. Vznikla tak jakási rekurze, která je možná nejlepším důkazem, že výběr technologie je naprosto přesný.
— Editorial Team
Zatím žádné komentáře.