Astronomové zkoumají proměnné pulzační módy hvězdy KIC 4737720 typu δ Scuti
22. 11. 2026
Nezisková organizace METR, která se zabývá hodnocením umělé inteligence, aktualizovala svůj známý graf časového horizontu. Původní verze naznačovala, že délka úloh, které špičkové modely zvládnou, se zdvojnásobuje zhruba každé čtyři měsíce. Obtížnost úloh se v ní měřila podle toho, jak dlouho jejich dokončení trvalo lidským testerům. O změnách informovala 20. listopadu 2026 Grace Huckins v MIT Technology Review.
Nová verze grafu obsahuje víc úloh, přičemž u některých se odhaduje mnohem delší doba řešení než u původní sady. Přibylo také více otevřených úloh. Podle zprávy METR některé schopnosti umělé inteligence stále rostou exponenciálně, modely ale zaostávají u úloh vyžadujících úsudek v porovnání s programováním.
Důvod je podle článku zřejmý. Úsudkové úlohy se špatně ověřují a reinforcement learning, tedy posilované učení, funguje nejlépe tam, kde lze úspěch zkontrolovat automaticky, například při programování nebo v matematice.
Jedna z nových úloh například žádá modely, aby navrhly nová hodnocení umělé inteligence pro samotnou organizaci METR. Zaměstnanci METR žádné z vytvořených hodnocení nepovažovali za dostatečně užitečné. V další úloze mají modely posuzovat filozofické argumenty, a i tady zůstaly za lidským výkonem. Nejnovější model Opus 5.5 u úloh návrhu hodnocení dosahuje výkonu označeného jako „borderline above the bar“, zatímco před rokem všechny modely spadaly do kategorie „clearly below the bar“.
Zpráva se opírá také o dřívější materiál METR z počátku listopadu 2026, podle něhož umělá inteligence mohla zhruba dvojnásobně zrychlit tempo vývoje umělé inteligence ve společnosti Anthropic.
Nová data mají ovšem svá omezení. Časy dokončení úloh jsou v nové zprávě z velké části odhadem. Placení lidí za úlohy, které zabírají stovky hodin, je totiž finančně i časově velmi náročné. U úlohy s filozofickými argumenty navíc většinu z nich hodnotil jediný člověk.
Matt Putz z technického týmu METR uvedl, že u obtížně ověřitelných úloh bude složité stanovit trendy. Rozšíření hodnocení označil za krok správným směrem Sayash Kapoor, počítačový vědec a budoucí profesor na Kalifornské univerzitě v Berkeley. Najoung Kim, lingvistka a počítačová vědkyně z Bostonské univerzity, označila zlepšení za zajímavé, zároveň ale dodala, že není jisté, jak ho extrapolovat.
Obtíže s měřením pokroku na reálných úlohách zmínila i další společnost. Podle středečního příspěvku na blogu OpenAI jeho modely zvládají reálné úlohy hůře než jednodušší, snadno ověřitelné úlohy z původní sady METR.
Aktualizovaný graf tak ukazuje spíše nerovnoměrný obraz než jednotnou exponenciální křivku. Tam, kde lze výsledek automaticky zkontrolovat, modely pokračují v rychlém růstu. U úloh, které vyžadují posouzení, vkus nebo úsudek, je pokrok pomalejší a hůře měřitelný. Odhady dob řešení, na nichž nová verze stojí, jsou navíc méně přesné než měření na kratších úlohách, což se musí promítnout do toho, jak pevné závěry lze z grafu vyvozovat.
METR s rozšířením sady úloh reaguje na kritiku, že původní měření zachycovala hlavně schopnosti v oblastech s jasně definovaným úspěchem. Zda se tempo zdvojnásobování délky úloh udrží i u náročnějších a hůře ověřitelných zadání, zůstává podle autorů zprávy i oslovených odborníků otevřenou otázkou.