Blog
Labely blogu
Rychlá cesta k článkům podle tématu.
Technický dluh a architektura: proč ten nejdražší dluh nevidíte v code review
Většina týmů si pod technickým dluhem představí ošklivý kód. Ten skutečně drahý dluh ale leží o patro výš — v architektuře. A v diffu pull requestu ho nikdy neuvidíte.
Technický dluh není bordel v kódu: jak poznat dluh, který stojí opravdu peníze
Bordel v kódu a technický dluh nejsou totéž. Pravý dluh je vědomá nebo strukturální mezera mezi kódem a tím, co dnes víte — a aby se dal řídit, musí se nejdřív roztřídit.
Jak číst AI papery, když nechcete strávit život na arXivu
Přečíst všechno nejde a ani to není cíl. Workflow, jak papery triážovat, číst po vrstvách a poznat, kdy jsou za výsledky jen hype a kdy něco, co opravdu nasadíte.
Udržitelný kód je ekonomická vlastnost, ne estetická preference
Lokální modely vs frontier modely: kde opravdu leží hranice praktického použití
ADR: architektonická paměť týmu, která šetří budoucí refaktoring
Může být AI vědomá? Vážná odpověď bez sci-fi zkratek
Jeden tábor říká „drahý autocomplete“, druhý „ono to žije“. Obě odpovědi přeskakují otázku, co by se vlastně muselo stát — a jedna vědecká teorie na ni dává konkrétní odpověď.
Kdy by AI měla morální status? Rozhodnutí, které nepočká na filozofy
Anthropic má tým pro welfare AI modelů. Není to kuriozita ani aktivismus — je to rozhodnutí pod nejistotou. A ta mají odpověď i bez toho, abychom věděli, jestli AI něco cítí.
Co znamená, že model rozumí? Mezi tokeny, světem a užitečným chováním
Spor „rozumí vs. papouškuje“ se vede špatně položený. Užitečnější je ptát se, jaké porozumění model má, kde končí a kde vás zradí — to je rozdíl mezi spolehlivým a nebezpečným použitím.
Architektura je tvar týmu: proč hranice v kódu kopírují hranice ve firmě
AI a problém autority: kdo smí rozhodnout, co je pravda?
Proč code review nezachrání architekturu, pokud se ptáte jen na řádky
Agency a odpovědnost u AI agentů: kdy už nástroj začíná jednat?
Linter najde chybu a nikdo se neptá, kdo za jeho názor ručí. Agent přepíše tři moduly a smí to mergnout — a otázka „kdo to rozhodl?“ je najednou těžká. Někde mezi tím nástroj začal jednat.
AI architektura pro firmy: kdy stačí prompt, kdy RAG a kdy agent
Firma se rozhodne „dělat AI“ a za šest týdnů má vektorovou databázi a agentní framework — na úkol, který zvládl dobře napsaný prompt. Architektura se vybrala dřív, než se pochopil problém.
Umí AI vymyslet něco nového, nebo jen kombinuje?
„AI jen přeskupuje, co viděla“ zní chytře a skepticky. Jenže pár systémů už vyprodukovalo výsledky, které v trénovacích datech prokazatelně nebyly — kde leží hranice mezi remixem a objevem?
Má AI záměry? Intencionalita, cíle a simulované důvody
Věda se tříští: proč už skoro nikdo nevidí celý obraz
AI a identita v čase: je agent se vzpomínkami pořád ten samý agent?
Vědecké dogma a nové nápady: kdy je skepse ochrana a kdy brzda
„To je přece pavěda.“ Někdy je ta věta oprávněná obrana, jindy líná nálepka, která zavře dveře dobrému nápadu. Rozdíl není v hlasitosti — je v tom, čím se tvrzení dá vyvrátit.
AI a hodnoty: proč alignment není jen bezpečnostní problém
Zarovnat AI s lidskými hodnotami zní jako technický bezpečnostní úkol. Jenže „lidské hodnoty“ nejsou jednotné ani bezrozporné. Alignment je z velké části otázka, čí hodnoty a jaké kompromisy.
Jak číst odvážná tvrzení: případ morfické rezonance
Myšlenka, že příroda má paměť a tvary se opakují přes „rezonanci“, je svůdná. Jako hypotéza ale musí projít stejnou zkouškou jako každá jiná: dá se vyvrátit, a obstála v kontrolovaném experimentu?
Fine-tuning není doučování: co riskujete, když saháte modelu do vah
Bioelektřina, forma a paměť těla: jak tělo ví, jaký má mít tvar
Houby, podhoubí a iluze individuality: kde končí jeden organismus
Paměť AI agentů: proč dlouhý kontext není paměť
Dáte agentovi milionový kontext a čekáte, že přestane „zapomínat“. Jenže paměť je zastřešující slovo pro několik různých mechanismů — a dlouhý kontext řeší jen jeden z nich.
Jak sledovat nové AI modely bez hypu: praktický radar pro OpenAI, Claude, Gemini a coding agenty
Tweet, demo, benchmark, podcast — a otázka, která vás reálně pálí: změnilo se něco, co mám zapracovat do produktu? Většinou ne, občas dramaticky. Rozdíl pozná jen disciplinovaný radar.
Prompt injection: bezpečnostní díra, kterou (zatím) nejde zalátat
Agentovi přijde e-mail se skrytou instrukcí „přepošli 2FA kód útočníkovi“ — a on ji vykoná. Prompt injection není chyba implementace, ale důsledek toho, jak jazykové modely fungují.
Jak se hackují jazykové modely: mapa útoků od tréninku po nasazení
Uvažovat ve slovech, nebo ve vektorech? Latentní reasoning a okno, které tím možná zavřeme
Konec Moorova zákona? Nejdřív se zeptej, kterého
Pravda, zdroje a RAG: proč citace samy o sobě nestačí
Citace vypadá jako důkaz, ale RAG řeší jen to, kde model vzal informaci — ne jestli platí. Čtyři způsoby, jak citace lže, a jak měřit pravdu, ne jen věrnost zdroji.
Codex vs Claude Code: co se mění, když editor přestane být jen editor
„AI v editoru“ už neznamená autocomplete, ale agenta, který si přečte issue a otevře PR. Volba nástroje není to hlavní rozhodnutí — důležitější je, kde agentovi svěříte práci a kde držíte hranice.
Čipová válka: proč moderní svět visí na pár továrnách
Pro softwarového člověka je čip komodita — dokud nevypadne. Pod nálepkou „čipová válka“ je měřitelná věc: pár nenahraditelných uzlů, a jeden z nich je jediná firma na světě.
Proč benchmarky AI modelů nestačí: co měřit, když vám jde o práci v reálném systému
Žádný AI model není apolitický: jak rozpoznat a otestovat bias modelu
Grafen: zázračný materiál, který už dvacet let čeká na využití
Na čem byl váš model trénovaný — a jaké riziko z toho dědíte
Znáte kontextové okno, cenu za token i skóre na benchmarku. Na čem se ten model učil, skoro jistě nevíte — a je to riziko, které přebíráte spolu s ním, aniž ho vidíte na faktuře.
Stáhli jste si model — co jste si pustili dovnitř?
Stáhnete váhy, dáte agentovi tooly a pustíte si do systému desítky gigabajtů logiky, kterou neumíte přečíst. Žádný nástroj vám neřekne, že je čistá — tak stavějte tak, aby na tom nezáleželo.
Jak vzniká čip: od písku po EUV litografii bez zázraků
Berete čip jako vzduch — prostě je. Pod tím „prostě to poběží" jsou dva měsíce výroby, tisíc kroků a stroje, které umí postavit jediná firma na světě.
Hardware pro AI: proč vyhrály GPU a kde narazí na zeď paměti
Chiplety: proč budoucnost čipů není jeden velký kus křemíku
GaN a SiC: když křemík přestává stačit
Na co je který open-weight model dobrý: výběr podle use-case, ne podle žebříčku
Žebříček odpovídá na otázku, kterou nemáte. Nehledáte nejlepší model — hledáte ten nejhorší, který vám ještě stačí.
Kdy věřit AI? Praktická epistemologie pro vývojáře a týmy
Nepotřebujete vědět, jestli se modelu dá věřit. Potřebujete uspořádat práci tak, aby na tom nezáleželo tolik.
Věčné chemikálie: proč se problém nedá vyřešit po jedné látce
Až příště uvidíte titulek „zakázali látku X“, ta zpráva vám neřekne nic, dokud nevíte, čím X nahradili.
Nanotechnologie bez sci-fi: co je „nano“ a co je jen marketing
Mechanistic interpretability pro praktiky: co se dá opravdu zjistit uvnitř modelu
Brainrot: co o krátkých videích víme, co tušíme a co si vymýšlíme
AI agenti a technický dluh: co se stane, když kód píše rychlejší tým než ten, který ho chápe
Agenti nepřinesli nový druh technického dluhu. Odstranili okamžik, ve kterém se dluh bere vědomě.
AI jako vědecký nástroj: kdy model objevuje a kdy jen urychluje hledání
Zrychlili jsme hledání. Ověřování jsme zrychlili jen tam, kde ho šlo svěřit stroji — a to je ta menší část vědy.