Ti, kdo sledují Dharma AI, již vědí, že specializaci považujeme za jeden z určujících principů efektivních AI systémů, který ovlivňuje vše od nákladů a výkonu až po spolehlivost a suverenitu. Jen málo článků formulovalo tento argument tak důsledně jako práce Goldfedera, Wydera, LeCuna a Shwartz-Ziva z roku 2026.

V tomto článku zkoumáme a interpretujeme myšlenky z AI Must Embrace Specialization via Superhuman Adaptable Intelligence (Goldfeder, Wyder, LeCun, & Shwartz-Ziv, 2026). Konvergenční argumentace článku – zahrnující optimalizační teorii, biologii, organizační ekonomiku a strojové učení – poskytuje jak důkazní strukturu, tak intelektuální základ pro následující diskusi. Rámec, organizace a redakční syntéza zde prezentované jsou dílem Dharma.

Obvyklé očekávání je rozumné: jak se systémy AI stávají schopnějšími, měly by se také stávat obecnějšími. Větší schopnost a širší použitelnost se zdají být přirozenými společníky – více zdrojů, lepší metody a rozšířené trénování by měly produkovat systémy, které přistupují k více úkolům s rostoucí jistotou.

Vzor, který se ve skutečnosti objevuje, je jiný. Systémy, které dosahují nejvýznamnějších výsledků v dané oblasti, bývají ty, které jsou na ni nejužší zaměřeny. Průlom v predikci struktury proteinů přišel ze systému navrženého pro jediný vědecký úkol. Historické milníky AI, při bližším zkoumání, odrážejí intenzivní cílení na doménu spíše než rozšiřování obecnosti.

Tento vzor se opakuje. Opakuje se napříč doménami, napříč desetiletími, napříč architektonickými volbami, které nemají téměř nic společného. Vzor tak konzistentní naznačuje společnou příčinu – takovou, která nevzniká uvnitř výzkumu AI vůbec.

Algoritmus vítězí tím, že sedí na svůj cíl

V roce 1997 Wolpert a Macready dokázali něco, co se v diskusích o architektuře AI objevuje jen zřídka: žádný univerzální optimalizační algoritmus nepřekonává všechny ostatní napříč všemi možnými problémy (Wolpert & Macready, 1997). Důkaz je matematický, nikoli filozofický. Zprůměrováno přes všechny myslitelné problémy, kterým se může learner postavit, každý algoritmus funguje stejně dobře – a stejně špatně. Algoritmus, který získává na jednom rozdělení problémů, nutně ztrácí na jiných. Výkon je přerozdělen, nikoli znásoben.

Praktický důsledek je přímý: „algoritmus vítězí tím, že je dobrou volbou pro cílový problém“ (Goldfeder et al., 2026). Věta neříká, že obecnost je nemožná – říká, že obecnost není výkonnostní výhoda. Konzistentní strukturální cesta k nadprůměrnému výkonu je koncentrace: obchodování šířky za přizpůsobení.

To se zostřuje, když do hry vstoupí omezené zdroje. Každý reálný systém pracuje pod omezeními – omezený výpočet, omezená data, omezený čas vývoje. Při omezené energii přístup, který směřuje dostupné zdroje k učení konečné množiny úkolů, překoná ten, který stejné zdroje rozděluje na neomezený rozsah. Aritmetika je neúprosná: jak se množina úkolů neomezeně rozšiřuje, zdroje dostupné na úkol se zmenšují k nule. Univerzální pokrytí a smysluplný výkon jsou při omezených zdrojích v přímém napětí.

Závěr, na který věta ukazuje, není ten, že obecnost je špatná. Je užší a operativnější: jak článek uvádí, „univerzální obecnost je teoretický koncept, ale v praktických termínech je to mýtus“ (Goldfeder et al., 2026). Co přežije kontakt s reálnými omezeními, není systém, který se snaží dělat všechno – je to systém, který sedí na svůj cíl.

Matematika to stanovuje jako predikci, nikoli preferenci. Zda tato predikce platí ve světě mimo optimalizační teorii, je jiná otázka.

Co biologie a trhy již vědí

Dvě další domény dospěly ke stejné predikci dříve, než jí optimalizační teorie dala jméno.

Jak článek popisuje biologický případ: každý výkonnostní zisk v jedné nice přichází za cenu jinde. Generalista nese vlastnosti vhodné pro mnoho prostředí, ale optimální pro žádné – kompetence roztažená příliš tenká na to, aby dominovala jakékoli konkrétní podmínce. Neexistují výkonnostní zisky bez kompromisů; zdroje investované do jedné schopnosti nejsou k dispozici pro jinou. Selekce upřednostňuje návrhy přizpůsobené místním podmínkám před těmi optimalizovanými pro jednotné pokrytí napříč všemi možnými prostředími. Organismy, které přežijí, aby se rozmnožily, nejsou ty nejobecněji schopné – jsou ty nejspecifičtěji přizpůsobené. Výsledek, nahromaděný v evolučních časových měřítkách, není dominance generalistů – je to zaplnění nik specialisty. Jak článek uvádí:

„Specializace není náhoda biologie; je to předvídatelný důsledek omezených zdrojů, soupeřících cílů a prostředí, která odměňují výkon na malé podmnožině evolučně relevantních výzev“ (Goldfeder et al., 2026).

Konkurenční trhy následují stejnou dynamiku prostřednictvím jiných prostředků. Organizace a strategie, které nesplňují výkonnostní prahy, jsou eliminovány – nikoli vyhynutím, ale odchodem, ztrátou financování a nahrazením lépe přizpůsobenými alternativami. Konkurence působí jako selekční mechanismus: zesiluje efektivní strategie a eliminuje neefektivní. Mechanismus nemá nic společného s biologickou selekcí – žádné dědictví, žádná mutace, žádné evoluční časové měřítko. Jednotkou selekce není organismus, ale organizace, produkt, strategie. Přesto je strukturální tlak stejný: omezené zdroje, požadavky na výkon a systematické odstraňování entit příliš široce rozložených na to, aby vynikly tam, kde na tom záleží. Koncentrovaná kapacita překonává distribuovanou kapacitu, když jsou výkonnostní standardy jasné a konzistentní.

Evoluce a trhy fungují prostřednictvím zcela odlišných mechanismů – různá časová měřítka, různé jednotky selekce, různé dědičné mechanismy. Přesto oba produkují stejný výsledek pod tlakem zdrojů: přizpůsobení nad šířkou. Věta to předpovídá. Biologie a trhy k tomu dospívají nezávisle. Když třetí doména dospěje ke stejnému zjištění zcela odlišnými prostředky, vzor přestává vypadat jako věta a začíná vypadat jako něco obecnějšího o tom, jak se chovají omezené systémy.

Strojové učení stále znovu objevuje specializaci

Stejný vzor se objevil i uvnitř strojového učení – nikoli odvozený z optimalizační teorie, ale dosažený prostřednictvím nahromaděné zkušenosti s budováním systémů a sledováním, co je zlepšuje.

Nejjasnější formou je negativní transfer: měřitelná degradace, ke které dochází, když systém trénovaný na více úkolech trpí, protože tyto úkoly soutěží spíše než spolupracují (Ruder, 2017). Když úkoly sdílejí strukturu, společné trénování pomáhá. Ale když úkoly soutěží o reprezentační kapacitu nebo ukládají konfliktní gradienty během trénování, výkon na jednotlivých úkolech klesne pod to, čeho by dosáhl dedikovaný systém. Zisk z šířky se stává nákladem na hloubku. Je to zdokumentovaný důsledek dělení omezené kapacity mezi úkoly, které se navzájem táhnou proti sobě. Specialista, který čelí takové konkurenci, tento náklad neplatí.

Architektura špičkových modelů nabízí jinou formu důkazu. Systémy mixture-of-experts dosahují své šířky nikoli jednotnou obecností napříč všemi parametry, ale směrováním každého vstupu do specializované podmnožiny sítě – aktivováním různých expertů pro různé úkoly. Tato architektonická volba zrcadlí biologické a tržní vzory: celková schopnost systému je součtem specializovaných komponent, z nichž každá je optimalizována pro úzký výsek problémového prostoru. Trend směrem ke specializaci v AI není dočasnou fází – je to předvídatelný výsledek omezených systémů optimalizujících výkon. Dokud zdroje zůstanou omezené a požadavky na výkon se budou zintenzivňovat, budoucnost AI bude patřit systémům, které jsou nejen schopné, ale přesně přizpůsobené svým cílům.