Stane se CPU novým svatým grálem umělé inteligence?

V posledních letech se revoluce v oblasti umělé inteligence začala vyprávět prostřednictvím velmi jednoduchého investičního příběhu. V jeho centru stojí jediný hlavní protagonista: GPU. Grafické procesory se staly symbolem nové technologické éry a jejich dostupnost přímo určovala, které společnosti jsou schopné trénovat nejpokročilejší jazykové modely a které v závodě o budoucnost AI zaostávají.

Trh se proto rychle naučil vnímat umělou inteligenci skrze jedinou metriku: výpočetní výkon. Více GPU znamenalo větší modely, větší modely znamenaly lepší produkty a lepší produkty znamenaly konkurenční výhodu.

Postupem času se však tento příběh začal komplikovat. Ukázalo se, že samotný hrubý výpočetní výkon nestačí, pokud systém nedokáže dodávat data požadovanou rychlostí. Úzkým hrdlem už nebyly pouze GPU, ale stále více také paměť — jak paměť nejbližší procesoru ve formě HBM, tak tradiční serverová DRAM a celá infrastruktura pro ukládání a přenos dat.

To byl první moment, kdy si investoři začali uvědomovat, že revoluce v oblasti AI není příběhem jedné komponenty, ale celého technologického řetězce — od křemíku přes paměť až po síťovou infrastrukturu a chladicí systémy.

A nyní, právě ve chvíli, kdy se mapa této revoluce zdála být relativně úplná, se objevuje další posun — mnohem méně zjevný, ale potenciálně stejně důležitý jako ty předchozí.

Stále důležitější roli začíná hrát vrstva, která byla roky vnímána jako „samozřejmá infrastruktura“: CPU. Ve světě, kde AI už není jediným dotazem na model, ale spíše komplexním systémem autonomních agentů provádějících vícekrokové úkoly, se nemění pouze rozsah výpočtů, ale především jejich povaha.

V tomto bodě vyvstává otázka, která se ještě nedávno zdála druhořadá. Může se CPU, které dosud fungovalo jako koordinátor a tichý partner GPU, skutečně stávat jednou z klíčových součástí celé architektury AI?

A pokud ano, znamená to, že vstupujeme do třetí vlny revoluce AI po GPU a paměti, ve které už klíčovým faktorem nebude hrubý výpočetní výkon, ale spíše schopnost propojit a řídit celý systém jako jeden celek?

Éra GPU

Na začátku revoluce v oblasti AI nebylo mnoho pochybností o tom, kde vznikne její technologický základ. S průlomem v hlubokém učení a nástupem stále větších jazykových modelů se rychle ukázalo, že hlavním omezením už není samotný algoritmus, ale rozsah výpočtů potřebných k jeho tréninku.

V tomto okamžiku se do popředí dostaly grafické procesory. Jejich architektura, původně navržená pro vykreslování grafiky a zpracování paralelních obrazových operací, se ukázala jako ideálně vhodná pro typ výpočtů, které vyžadují neuronové sítě. Místo jednoho velmi rychlého jádra nabízejí GPU tisíce jednodušších výpočetních jednotek schopných provádět stejné operace paralelně nad obrovskými datovými sadami.

Právě to z GPU udělalo přirozený motor revoluce AI. Trénink jazykových modelů, zejména těch založených na architektuře transformerů, se z velké části omezuje na maticové operace — tedy úkoly, které lze snadno paralelizovat. V praxi to znamenalo, že čím více výkonu GPU bylo možné soustředit do jednoho systému, tím větší model bylo možné natrénovat.

Rychle tak vznikl nový standard výpočetní infrastruktury. Datová centra začala připomínat clustery specializovaných akcelerátorů, kde CPU hrály podpůrnou roli. Odpovídaly hlavně za přípravu dat, řízení procesů a komunikaci mezi komponentami systému. Veškerá „těžká matematika“ se přesunula na GPU.

Tato architektura vedla k silné koncentraci hodnoty v jediném segmentu trhu. S rostoucí poptávkou po výpočetním výkonu si výrobci GPU přivlastnili největší část ekonomické hodnoty revoluce AI. Přístup ke GPU se stal nejen technologickou výhodou, ale také strategickým omezením určujícím tempo rozvoje celých společností a výzkumných laboratoří.

V tomto nastavení začal trh o AI uvažovat velmi lineárně. Více GPU znamenalo více výpočetního výkonu, více výpočetního výkonu znamenalo větší modely a větší modely znamenaly lepší produkty. Logika této revoluce se zdála být relativně jednoduchá a dobře pochopitelná.

Teprve časem se začaly objevovat první signály, že tento obraz není úplný.

Paměť jako druhá vlna

Jak modely AI rostly z milionů na miliardy a poté na stovky miliard parametrů, objevil se problém, který zpočátku nebyl tak zřejmý jako nedostatek výpočetního výkonu. Ukázalo se, že samotné navyšování počtu GPU neřeší všechna systémová omezení, pokud data nemohou proudit celou výpočetní architekturou dostatečně rychle.

V tomto bodě se do centra pozornosti začala dostávat paměť. Jak paměť přímo napojená na GPU ve formě HBM, tak tradiční serverová DRAM a celá vrstva ukládání a přenosu dat v datových centrech. Paměť se stala faktorem určujícím rychlost, s jakou lze stále větší modely trénovat a provozovat.

V praxi to znamenalo, že ani nejpokročilejší GPU nedokázaly plně využít svůj potenciál, pokud nebyly správně „krmeny“ daty. Úzkým hrdlem už nebyl samotný výpočetní výkon, ale schopnost systému udržovat nepřetržitý tok informací mezi pamětí, sítí a akcelerátory.

To byl moment, kdy se revoluce AI začala měnit z čistě výpočetního problému na problém systémový. Místo jedné dominantní komponenty jsme začali pozorovat stále složitější závislost mezi různými vrstvami infrastruktury.

Paměť, dříve vnímaná jako podpůrný prvek, začala hrát strategickou roli. Řešení s vysokou propustností, jako je HBM, se stala jedním z klíčových předpokladů moderního škálování modelů a výrobci pamětí začali zaujímat důležitější pozici v hodnotovém řetězci revoluce AI.

Důležité je, že tato fáze GPU nenahradila. Spíše odhalila jejich přirozená omezení. S růstem modelů se ukázalo, že samotný výpočetní výkon nemá hodnotu, pokud není podpořen dostatečnou datovou propustností. Trh tak postupně začal chápat, že AI není jedním závodem o nejvýkonnější procesor, ale komplexním systémem, ve kterém se každá infrastrukturní komponenta může stát potenciálním úzkým hrdlem.

Právě tehdy se začalo formovat ucelenější chápání AI jako ekosystému, ve kterém vedle GPU hrají zásadní roli také paměť, síťová infrastruktura a datová infrastruktura.

CPU a vzestup agentní AI

Role CPU v revoluci AI se dlouho zdála být relativně stabilní a jasně definovaná. Odpovídaly za správu systému, přípravu dat a koordinaci práce GPU akcelerátorů, které vykonávaly náročné výpočetní úkoly. V tomto nastavení CPU fungovalo jako tichý infrastrukturní operátor, z pohledu koncového uživatele neviditelný a ve své funkci z velké části neměnný.

Tento obraz se nyní mění s nástupem nové třídy aplikací AI, stále častěji označované jako agentní AI. Na rozdíl od tradičních jazykových modelů, které odpovídají na jednotlivé prompty, jsou agentní systémy navrženy tak, aby prováděly komplexní vícekrokové úkoly. Ty vyžadují nejen generování odpovědí, ale také provádění akcí v digitálním prostředí.

V praxi to znamená, že místo jednoho dotazu a jedné odpovědi pracujeme s celým řetězcem operací. Agent může začít analýzou problému, poté jej rozdělit na menší kroky, provést sérii dotazů do externích systémů, databází nebo API, zpracovat získané informace a teprve poté vytvořit finální výsledek. Každý z těchto kroků vyžaduje samostatné systémové operace, komunikaci s různými datovými zdroji a průběžnou správu stavu celého procesu.

V tomto novém modelu se výpočetní zátěž začíná přesouvat. Jazykový model běžící na GPU se stává pouze jednou částí většího systému, odpovědnou za generování a interpretaci jazyka. Zbytek — řídicí logika, správa úkolů, komunikace mezi systémy a práce s externími nástroji — stále více zatěžuje CPU.

Právě zde nastává zásadní posun v perspektivě. Dříve bylo CPU vnímáno jako podpůrná vrstva, jejímž úkolem bylo „nepřekážet“ výpočtům na GPU. Ve světě agentní AI však CPU začíná fungovat jako aktivní koordinátor, který nejen řídí tok dat, ale také se podílí na rozhodovacím procesu systému.

Důležité je, že nejde o kosmetickou změnu, ale o změnu strukturální. Každý agent AI neprovádí jeden, ale mnoho výpočetních a provozních kroků, což vede k prudkému nárůstu operací prováděných mimo GPU. Význam CPU infrastruktury tak roste, protože musí paralelně zvládat obrovské množství dotazů, procesů a interakcí v reálném čase.

V tomto bodě začíná být viditelný první skutečný architektonický posun v systémech AI. Místo modelu soustředěného kolem jednoho typu výpočtů se přesouváme k vícevrstvému systému, ve kterém různé komponenty odpovídají za různé provozní role. GPU zajišťují maticové výpočty, paměť zajišťuje ukládání a tok dat, zatímco CPU se stále více stává vrstvou odpovědnou za orchestraci celého procesu.

Změna systémové architektury

S rostoucí rolí agentní AI se nemění pouze způsob využívání modelů, ale celá architektura systémů AI. Tradiční rozdělení, kde GPU zajišťovaly výpočty a CPU hrály podpůrnou roli, je stále méně vhodné pro skutečný provoz moderních aplikací AI.

Místo jediného výpočetního procesu se stále častěji setkáváme se systémem připomínajícím komplexní síť spolupracujících vrstev. Jazykový model zůstává „uvažujícím“ jádrem, ale kolem něj vzniká rozsáhlá infrastruktura odpovědná za paměť, tok dat, komunikaci s nástroji a exekuci v reálném čase.

V takovém nastavení už CPU není pouze technickou podporou GPU, ale stává se integrátorem celého systému. Nese stále větší část odpovědnosti za orchestraci, správu stavu a obsluhu komplexních agentních procesů.

V důsledku toho AI přestává být jedním modelem a stává se operačním systémem pro inteligentní procesy, ve kterém různé typy hardwaru plní specializované, ale vzájemně provázané role.

Ekonomika změny

Nejdůležitější změna v celé infrastruktuře AI se netýká toho, jak jsou systémy budovány, ale toho, jak je rozložena poptávka po výpočetních zdrojích. Dlouhou dobu byl hlavním referenčním bodem vztah mezi CPU a GPU, který byl v tradičních clusterech AI výrazně vychýlen směrem k akcelerátorům.

S nástupem agentní AI se tato rovnováha postupně mění. Místo architektury, ve které CPU hrají okrajovou roli a GPU dominují systému, směřujeme k vyváženějšímu modelu. V něm univerzální procesory přebírají rostoucí podíl pracovních zátěží spojených s orchestrací, obsluhou nástrojů a vícekrokovým zpracováním.

Tento posun má přímé ekonomické důsledky. Jak se více operací přesouvá mimo GPU, roste v datových centrech poptávka po výkonu CPU. To vede k potřebě vyššího počtu jader na jeden akcelerátor. Infrastruktura AI se tak stává náročnější na zdroje nejen z hlediska GPU, ale také z hlediska univerzálního výpočetního výkonu.

Ze systémového pohledu to vede ke strukturálnímu posunu poptávky napříč hodnotovým řetězcem. Kapitálové výdaje, které se dříve soustředily hlavně na GPU a paměti s vysokou propustností, se stále více rozšiřují také do segmentu CPU. To vytváří tlak na dodavatelské řetězce, zvyšuje využití výrobních kapacit a postupně mění očekávání pro trh serverových CPU.

V tomto kontextu už CPU není vnímáno jako vyspělý a stabilní segment, ale spíše jako jedna z klíčových součástí infrastruktury AI, jejíž význam roste spolu se složitostí agentních systémů.

Trh CPU a klíčoví hráči

Měnící se role CPU v architektuře AI přetváří konkurenční prostředí polovodičového průmyslu. Po mnoho let byl trh serverových CPU relativně stabilní a dominoval mu jeden hráč. S příchodem éry agentní AI se však znovu stává polem intenzivní technologické konkurence.

V centru této konkurence stojí tři hlavní síly: AMD, Intel a Arm. Každá z nich představuje odlišný obchodní model, architekturu i přístup k tomu, jak by měl v éře AI vypadat moderní procesor.

AMD je nejpřímějším beneficientem změn v segmentu serverových x86 procesorů. Se svými procesory EPYC společnost stabilně zvyšuje svůj tržní podíl a zároveň nabízí silnou energetickou efektivitu a konkurenceschopný výkon na jádro. V kontextu rostoucí poptávky po CPU v agentních systémech těží AMD také ze své schopnosti poskytovat jak CPU, tak GPU, čímž buduje komplexnější výpočetní stack pro datová centra.

Intel je naopak ve fázi transformace. Po letech ztráty podílu na serverovém trhu se snaží znovu získat svou pozici prostřednictvím nových generací procesorů Xeon a strategie zaměřené na pokrok ve výrobních procesech. Výzva pro Intel však není pouze technologická, ale také strategická — musí nově definovat svou roli v ekosystému AI, který se z velké části vyvinul mimo jeho historické silné stránky.

Třetím pilířem je Arm, který působí na jiné úrovni hodnotového řetězce. Místo výroby čipů poskytuje Arm architekturu, kterou hyperscale společnosti využívají k návrhu vlastních procesorů. Rostoucí část růstu v segmentu CPU tak nesměřuje přímo k tradičním výrobcům, ale do cloudových ekosystémů, které budují vlastní čipy na míru.

To vede ke strukturálnímu posunu. Trh CPU už není jednoduchým duopolem společností Intel a AMD, ale vícevrstvým ekosystémem, ve kterém hyperscale společnosti jako AWS, Google a Microsoft navrhují vlastní procesory optimalizované pro specifické pracovní zátěže.

V tomto nastavení neexistuje jeden dominantní vítěz. Místo toho sledujeme trh, kde vedle sebe existují různé obchodní a architektonické modely, které soutěží o rostoucí podíl na poptávce po výpočetním výkonu v éře AI.

Třetí vlna AI a její dopady

Při pohledu na celou revoluci AI z pohledu infrastruktury se objevuje jasný vzorec vývoje. Jednotlivé vrstvy systému se postupně přesouvají z pozadí do centra pozornosti. Nejprve přišel výpočetní výkon GPU, který umožnil vznik moderních jazykových modelů. Poté se do popředí dostala paměť, bez které by škálování nebylo možné. Nyní se další vrstvou tohoto řetězce stále více stávají CPU.

Tento posun není tažen technologickou módou, ale zásadní změnou v tom, jak systémy AI fungují. Přechod od jednotlivých dotazů na jazykové modely směrem k agentní AI představuje posun od jednoduchých výpočtů ke komplexním vícekrokovým rozhodovacím procesům. V takovém prostředí výrazně roste význam správy úkolů, komunikace s externími systémy a paralelního zpracování operací.

Právě tyto funkce stále více zatěžují CPU, která už nejsou podpůrnou vrstvou, ale integrální součástí provozu systémů AI.

To vede k výrazné revizi očekávání ohledně velikosti trhu serverových CPU. Prognózy ukazující na růst nad 120 mld. USD do roku 2030 a v agresivnějších scénářích až na 200 mld. USD naznačují, že CPU už nejsou vyspělým a stabilním segmentem, ale spíše samostatným růstovým cyklem taženým AI.

V této nové struktuře neexistuje jeden vítěz. AMD těží z rostoucí poptávky v segmentu x86 a posiluje svou pozici klíčového hráče v infrastruktuře AI. Intel se snaží využít obnovený význam CPU k obnově své pozice, zatímco čelí technologickým i konkurenčním výzvám. Arm mezitím získává rostoucí podíl na cloudovém růstu, kde hyperscale společnosti navrhují vlastní čipy pro specifické pracovní zátěže.

Klíčové není určit jednoho vítěze, ale pochopit, že CPU se vedle GPU a paměti stává třetí, paralelní vlnou revoluce AI. Vlnou, která nenahrazuje ty předchozí, ale doplňuje je a vytváří ucelenější obraz infrastruktury AI.

V tomto pohledu už revoluce AI není příběhem jediného technologického průlomu, ale vícestupňovým procesem přerozdělování hodnoty napříč polovodičovým hodnotovým řetězcem. A CPU, dlouho vnímané jako sekundární komponenta, začíná v tomto systému zaujímat pozici, kterou by ještě nedávno čekal jen málokdo.

Zjistěte o akciích, ETF i obchodování více:

• Investice do AI: Nejlepší společnosti pro investice
• ETF vs. akcie: Srovnání, výhody, nevýhody a jak si vybrat
• Investování do akcií – Co je to obchodování s akciemi?
• Jak sestavit portfolio z akcií a ETF fondů?
• Jaké jsou 4 různé typy akcií?
• Investice do vesmíru: jak najít vesmírné akcie?
• Nejlepší ETF fondy 2026 – cesta k pasivnímu investování?

Zaujalo Vás toto téma? U XTB můžete obchodovat více než 2000 CFD na akcie!

• Konkurenční spready
• Nízké swapové body, díky kterým můžete držet pozice déle
• Minimální velikost transakce již od 0 EUR

Kromě široké nabídky instrumentů od nás získáte také vzdělávací materiály – články, e-booky a kurzy zdarma:

• Trading pro začátečníky
• TOP 5 Trading nástrojů Ondřeje Hartmana
• Kurz tradingu vs. investování
• Investování do akcií – Co je to obchodování s akciemi?
• Testovací účet u XTB? Procvičte si obchodování zdarma!