↓Preskočiť na hlavný obsah
  1. Články/

Čím je AI lacnejšia, tým viac jej spotrebujeme. 160-ročný paradox sa vracia

·9 min
Parný stroj prepojený so žiarovkou a rozvetvenou sieťou rozhodnutí umelej inteligencie
Obsah

Efektívnejšie parné stroje mali šetriť uhlie. LED žiarovky elektrinu. Dnes lacnejšie AI modely sľubujú menej výpočtov — no môžu spôsobiť presný opak. Jevonsov paradox vysvetľuje prečo.

Predstavme si jednoduchú situáciu.

Vymeníme klasickú žiarovku za LED. Nová žiarovka potrebuje na rovnaké množstvo svetla zlomok elektrickej energie. Logický záver je jasný: spotreba elektriny na osvetlenie musí klesnúť.

Lenže potom začneme svietiť viac. Silnejšie. Dlhšie. Osvietime záhradu, fasádu domu, schody, kuchynskú linku, nábytok alebo chodník, ktorý predtým osvetlený nebol.

Jednotlivé svetlo je dramaticky úspornejšie, no svetla používame oveľa viac.

Podobný jav si pritom niekto všimol už pred viac než 160 rokmi. Nie pri elektrine, ale pri uhlí a parných strojoch.

A dnes sa tá istá myšlienka objavuje na jednom z najzaujímavejších miest: pri umelej inteligencii.

Dokonca podľa nej pomenovali nový AI model.

Keď úspornejší parný stroj spáli viac uhlia #

V roku 1865 vydal britský ekonóm William Stanley Jevons knihu The Coal Question.

Británia bola v centre priemyselnej revolúcie a uhlie bolo jedným zo základov jej hospodárstva. Parné stroje sa pritom neustále zdokonaľovali. Na vykonanie rovnakého množstva práce potrebovali čoraz menej uhlia.

Mohlo by sa teda zdať, že technologický pokrok spotrebu uhlia zníži.

Jevons upozornil na problém.

Efektívnejší parný stroj znamenal, že energia z uhlia bola ekonomicky lacnejšia. Parný pohon sa preto oplatilo používať na čoraz väčšom množstve miest. Stavalo sa viac strojov, viac tovární a vznikali použitia, ktoré predtým nedávali ekonomický zmysel.

Výsledkom mohla byť situácia, keď každý jednotlivý stroj spotreboval menej uhlia, ale celá ekonomika ho spotrebovala viac.

Dnes tento jav poznáme ako Jevonsov paradox. Jevons svoju argumentáciu publikoval v knihe The Coal Question v roku 1865.

Jeho princíp sa dá zjednodušiť na jednu reťaz:

vyššia efektivita → nižšia cena → väčšie využitie → nové možnosti využitia → rast celkovej spotreby

A práve posledný krok je podstatný.

Od uhlia k LED žiarovkám #

Moderná ekonomika pre tento jav používa aj pojem rebound effect, teda efekt spätného odrazu.

Ak napríklad nová technológia teoreticky zníži spotrebu energie o 50 %, ale ľudia ju vďaka nižším nákladom začnú používať viac a reálna úspora dosiahne iba 40 %, časť potenciálnej úspory sa „vrátila“.

Jevonsov paradox je extrémnejší prípad: dodatočné používanie pohltí celú úsporu alebo dokonca zvýši celkovú spotrebu.

Osvetlenie je pekný príklad, ale treba pri ňom rozlišovať krátkodobé správanie jednej domácnosti od vývoja celej spoločnosti.

Štúdia nemeckých domácností pri prechode z klasických alebo halogénových žiaroviek na CFL a LED namerala priemerný priamy rebound okolo 6 %. Ľudia teda úspornejšie svetlá skutočne používali o niečo viac alebo volili vyššiu intenzitu, ale väčšina energetickej úspory zostala zachovaná.

Keď však výskumníci sledovali osvetlenie v oveľa dlhšom horizonte, obraz bol zaujímavejší. Analýza približne troch storočí vývoja osvetlenia naprieč šiestimi kontinentmi a piatimi technológiami dospela k približne 100 % historickému rebound efektu.

Technológie nám umožnili vyrábať svetlo neporovnateľne efektívnejšie.

My sme však namiesto toho, aby sme jednoducho používali rovnaké množstvo svetla za zlomok energie, začali svetlo používať prakticky všade. Autori zároveň upozornili, že to nie je argument proti efektívnejšiemu osvetleniu — ľudia za podobný podiel svojich príjmov získali oveľa viac užitočného svetla. Podrobnosti zhrnuli v práci Rebound effects for lighting.

Je to pripomienka, že keď technológia dramaticky zníži cenu nejakej užitočnej veci, ľudské správanie nezostane rovnaké.

A teraz namiesto svetla dosaďme inteligenciu.

Čo sa stane, keď zlacnie inteligencia? #

Generatívna AI bola ešte pred niekoľkými rokmi pomerne drahá technológia.

Ak bolo potrebné pri každej malej operácii volať veľký jazykový model, cena a latencia veľmi rýchlo obmedzili počet miest, kde sa to oplatilo.

Situácia sa však mení extrémne rýchlo.

Výskumný inštitút Epoch AI uvádza, že medzi aprílom 2023 a marcom 2025 klesla cena tokenu pri porovnateľnej úrovni výkonu na sledovaných úlohách viac než desaťnásobne.

Na prvý pohľad by to mohlo znamenať:

AI bude efektívnejšia, takže budeme potrebovať menej výpočtového výkonu.

Realita môže byť presne opačná.

Keď je jedno AI volanie lacnejšie, nezačneme nevyhnutne robiť rovnaký počet volaní za menej peňazí.

Začneme robiť tisíce volaní tam, kde sme predtým nerobili žiadne.

AI môže kontrolovať každý commit. Triediť každý e-mail. Vyhodnocovať každý dokument. Kontrolovať výstup iného modelu. Rozhodovať, ktorý model má spracovať konkrétnu požiadavku. Sledovať logy. Kontrolovať bezpečnosť príkazov. Alebo vytvoriť desať riešení problému namiesto jedného a ďalším modelom vybrať najlepšie.

To, čo bolo pri jednom dolári za operáciu absurdné, môže byť pri desatine centu bežnou súčasťou aplikácie.

A presne tu vstupuje na scénu Jev.

AI model, ktorý dostal meno po Jevonsovi #

V septembri 2026 predstavila spoločnosť TypeSafe AI nový model s názvom Jev.

Názov nie je náhodný. Je odvodený priamo od Williama Stanleyho Jevonsa.

Zakladateľ TypeSafe AI Diogo Almeida sa predtým v OpenAI podieľal na metódach, ktoré pomohli jazykovým modelom lepšie nasledovať ľudské inštrukcie a stáli za nástupom ChatGPT. Výber mena vysvetľuje jednoducho: firma očakáva, že strojová inteligencia bude nasledovať podobný vývoj ako uhlie v Jevonsovej dobe.

Každý rádový pokles ceny inteligencie môže otvoriť rádovo viac možností jej využitia. TypeSafe túto súvislosť pomenúva priamo v predstavení modelu Jev.

Samotný Jev je pritom zaujímavý aj z technického hľadiska.

Nie je to ďalší chatbot.

AI, ktorá nechce písať #

Bežný veľký jazykový model generuje text postupne.

Token za tokenom.

To je fantasticky univerzálne. Rovnaký model môže napísať e-mail, vysvetliť kvantovú fyziku, analyzovať zmluvu alebo programovať.

Lenže veľká časť rozhodnutí v softvéri žiadny text nepotrebuje.

Predstavme si aplikáciu, ktorá dostane e-mail a potrebuje odpovedať iba na tri otázky:

  • Je to faktúra?
  • Je správa urgentná?
  • Do ktorého oddelenia patrí?

Klasický LLM môžeme požiadať, aby problém analyzoval a následne vygeneroval napríklad JSON.

Jev k problému pristupuje inak.

Dostane stav systému a presne definované otázky. Namiesto voľného textu vráti štruktúrované rozhodnutia spolu s pravdepodobnosťami.

faktúra: 97 %
urgentné: 12 %
oddelenie: účtovníctvo 94 %

TypeSafe tento nový typ modelu označuje ako System One Model — podľa konceptu rýchleho, intuitívneho myslenia známeho z práce Daniela Kahnemana.

Namiesto dlhého uvažovania má byť Jev rýchlou rozhodovacou vrstvou vo vnútri softvéru.

Namiesto AI chatbota „inteligentný if“ #

Toto môže byť nakoniec zaujímavejšie než ďalší model, ktorý napíše o niekoľko percent lepšiu esej.

TypeSafe používa veľmi výstižné prirovnanie: smart if-statements.

Programovanie je plné rozhodnutí:

ak nastalo A, urob B
inak urob C

Problém nastáva, keď sa rozhodnutie nedá jednoducho zapísať pravidlom.

Je tento komentár spam?

Je táto objednávka podozrivá?

Ktorému pracovníkovi treba priradiť túto požiadavku?

Vyzerá tento príkaz používateľa bezpečne?

Má zmysel na túto otázku volať drahý reasoning model alebo postačí malý a lacný?

Práve tam môže vzniknúť priestor pre veľmi lacnú rozhodovaciu AI vloženú hlboko do bežnej aplikačnej logiky.

Nie jeden veľký chatbot na titulnej stránke.

Ale stovky malých inteligentných rozhodnutí ukrytých v aplikácii, ktoré používateľ ani neuvidí.

200-krát rýchlejší? S číslami zatiaľ opatrne #

TypeSafe pri Jeve uvádza veľmi pôsobivé čísla.

Odozva má podľa spoločnosti trvať približne 70 až 500 milisekúnd a pri určitých úlohách má byť Jev približne 40- až 200-krát rýchlejší než porovnávané veľké modely.

Vo vlastných workflow testoch TypeSafe uvádza dokonca 193,6-násobné zrýchlenie a 444,6-násobné zníženie ceny. Vstup podľa zverejneného cenníka stojí 0,042 dolára za milión tokenov a výstup spoločnosť neúčtuje samostatne.

Je však dôležité pridať veľkú hviezdičku.

Ide o testy výrobcu nového modelu. TypeSafe samo priznáva, že výsledky pravdepodobne predstavujú hornú hranicu toho, čo možno očakávať v reálnych aplikáciách, a Jev je zatiaľ iba v early access.

Prvé testy nezávislých vývojárov sú zaujímavé, ale ešte nejde o definitívny benchmark. TechCrunch opisuje test vo Verceli, kde bol Jev pri klasifikácii bezpečnosti príkazov päť- až osemnásťkrát rýchlejší, aj test klasifikácie firemných e-mailov, v ktorom bol Gemini mierne presnejší, ale 10- až 20-krát drahší.

A ešte jedna dôležitá vec.

Tvrdenie, že Jev „nemôže halucinovať“, treba správne interpretovať.

Pretože možnosti výstupu sú definované vopred, Jev nemôže uprostred odpovede vymyslieť neexistujúci parameter alebo namiesto očakávaného čísla začať písať esej.

Stále však môže urobiť nesprávne rozhodnutie.

Rozdiel je v tom, že spolu s rozhodnutím poskytuje aj odhad svojej istoty. Aplikácia sa potom môže rozhodnúť, že pri 99 % bude pokračovať automaticky, ale pri 55 % požiada človeka alebo výkonnejší model.

To je pri návrhu reálnych systémov podstatný rozdiel.

Jevonsov paradox zabudovaný priamo do názvu produktu #

A tu sa kruh uzatvára.

Jev nemá šetriť výpočty tým, že budeme AI používať rovnako často a každé volanie bude iba lacnejšie.

Myšlienka je presne opačná.

Ak bude jedno inteligentné rozhodnutie dostatočne lacné a rýchle, môžeme ho umiestniť tam, kde by dnes nikoho ani nenapadlo volať veľký jazykový model.

Model môže napríklad desaťkrát za sekundu rozhodovať, čo má urobiť postava v hre. TypeSafe takto demonštrovalo Jev na hre Doom. Môže kontrolovať iný AI model, rozhodovať o smerovaní požiadaviek alebo priebežne vyhodnocovať tisíce objektov v systéme.

Zrazu nepotrebujeme jedno AI volanie.

Potrebujeme desať.

Potom tisíc.

Potom milión.

A lacnejšia AI môže paradoxne znamenať oveľa väčšiu celkovú spotrebu AI.

Nie je to zatiaľ iba filozofická úvaha. Medzinárodná energetická agentúra uvádza, že spotreba elektriny AI-orientovaných dátových centier vzrástla v roku 2025 približne o 50 %. Jej aktuálna projekcia počíta s rastom celkovej spotreby dátových centier z približne 485 TWh v roku 2025 na 950 TWh v roku 2030.

Efektivita jednotlivého výpočtu teda môže prudko rásť súčasne s rastom celkového množstva výpočtov.

Presne ako pri parnom stroji.

Čo to môže znamenať pre vývoj aplikácií #

Najzaujímavejšou zmenou možno nakoniec nebude to, že chatboty budú písať lepšie odpovede.

Zmení sa samotný spôsob, akým premýšľame nad softvérom.

Dnes sa pri vývoji často pýtame:

Má zmysel pridať do tejto aplikácie AI?

Ak bude inteligentné rozhodovanie dostatočne lacné, o niekoľko rokov môže táto otázka znieť rovnako zvláštne ako dnes otázka:

Má zmysel, aby táto aplikácia používala databázu?

AI nemusí byť samostatná funkcia s veľkým tlačidlom „Spýtať sa umelej inteligencie“.

Môže sa stať obyčajnou stavebnou súčasťou systému.

Jeden model vyrieši zložitý problém. Malý model skontroluje jeho výsledok. Ďalší rozhodne, kam požiadavku poslať. Iný odhadne riziko. A veľký reasoning model sa spustí iba vtedy, keď lacnejší model usúdi, že ho naozaj potrebujeme.

Z pohľadu vývoja potom nebude najdôležitejšie jednoducho „použiť AI“.

Dôležitejšie bude vedieť kde použiť aký typ inteligencie, koľko jej potrebujeme a čo má zostať obyčajným deterministickým kódom.

To je omnoho zaujímavejší problém.

Možno Jev uspeje. Možno nie. Paradox zostane. #

Jev je niekoľko dní stará technológia a bolo by predčasné tvrdiť, že práve tento model zmení spôsob tvorby softvéru.

Možno sa presadí.

Možno jeho myšlienky prevezmú iní.

A možno o pár rokov zostane Jev iba zaujímavou poznámkou v histórii AI.

Na samotnom princípe to veľa nemení.

Cena strojovej inteligencie klesá a zároveň rastie počet vecí, pri ktorých ju dokážeme použiť. Výsledkom preto nemusí byť svet, v ktorom budeme na AI míňať menej výpočtového výkonu.

Pokojne môže vzniknúť svet, v ktorom bude jedno AI rozhodnutie takmer zanedbateľne lacné — a práve preto ich budeme robiť miliardy.

William Stanley Jevons si v roku 1865 všimol, že efektívnejší parný stroj nemusí znamenať menej uhlia.

O viac než 160 rokov neskôr možno sledujeme tú istú myšlienku v novej podobe.

Tentoraz však nespaľujeme uhlie, aby sme získali mechanickú prácu.

Kupujeme výpočtový výkon, aby sme získali inteligenciu.

Zdroje a ďalšie čítanie #