Jak mozek plánuje — a proč to AI dosud neuměla napodobit

Když se rozhodujete, jak se dostat z jednoho konce města na druhý, váš mozek nevypočítá každou možnou trasu. Místo toho si mentálně vybaví mapu a projde si v hlavě několik slibných cest, než vybere tu nejlepší. Za tímto procesem stojí struktura zvaná hippokampus — část mozku klíčová pro paměť, prostorovou orientaci a právě plánování.

V umělé inteligenci se plánování řeší jinak: velké jazykové modely (LLM) jako GPT nebo Claude procházejí obrovské množství možností, nebo se spoléhají na předem pevně dané algoritmy. Výsledek je výpočetně náročný a špatně přenositelný do nových situací. Výzkum publikovaný v červenci 2026 v Nature Machine Intelligence nabízí zásadně odlišnou cestu.

GCML: AI model, který si „představuje" budoucnost

Tým vědců (Lin, Yang, Zhao a kolegové) vyvinul model nazvaný GCML — Generative Cognitive Map Learner (Generativní učitel kognitivních map). Jde o přímou inspiraci mozkovým obvodem hippokampus–ventrální striatum, který u savců zajišťuje navigaci a hodnocení odměn.

Jak to funguje v praxi? GCML se nejprve naučí kognitivní mapu prostředí — interní reprezentaci toho, jak spolu souvisejí jednotlivé stavy, akce a lokace. To není pevná databáze tras, ale dynamická struktura vztahů, podobně jako mentální model v lidské hlavě.

Klíčovým krokem je pak neurální vzorkování (neural sampling): místo vyčerpávajícího prohledávání všech možností systém stochasticky vzorkuje — tedy náhodně, ale informovaně — z naučené kognitivní mapy. Tím v reálném čase generuje více možných trajektorií k cíli. Hippokampální část generuje kandidátní cesty, „striatální" část pak vyhodnocuje, která z nich přinese nejvyšší odměnu.

Výsledkem je model, který si doslova představuje různé scénáře budoucnosti a vybírá z nich ten nejslibnější — stejně jako to dělá savčí mozek při tzv. vicarious trial and error (zástupném zkušebním pokusu), kdy potkan před rozcestím na okamžik „přemýšlí", kam se dát.

Výsledky, které překvapily: bez deep learningu, ale s lepšími výsledky

Autoři testovali GCML na třech typech úloh:

• Prostorová navigace — klasická navigace bludišti a složitými prostředími
• Obecné řešení problémů — úlohy vyžadující multi-krokové plánování
• Kompoziční úlohy — situace, kdy agent musí naplánovat trasu k dosud neviděnému cíli

Ve všech třech kategoriích GCML překonal přístupy, které postrádají cílově podmíněnou imaginaci. Zvláště pozoruhodný je výsledek v kompozičních úlohách: model dokázal plánovat k novým cílům, které nikdy předtím neviděl, jen na základě struktury naučené kognitivní mapy. To je schopnost, která dnešním LLM chybí nebo ji zvládají jen za cenu obrovské výpočetní zátěže.

Co je ale možná největší překvapení: GCML nevyžaduje hluboké neuronové sítě ani velké jazykové modely. Pracuje s mělkými sítěmi a biologicky věrohodnou lokální synaptickou plasticitou (učí se pouze z informací dostupných lokálně, bez globálního zpětného šíření chyby). To ho zásadně odlišuje od dominantního paradigmatu dnešní AI.

Proč je to důležité: energie, efektivita a neuromorphic hardware

Energetická náročnost AI je jedním z největších problémů oboru. Trénink velkých modelů spotřebovává gigawatthodiny elektřiny, provoz chatbotů miliony dolarů měsíčně. GCML otevírá zcela jiný přístup.

Díky jednoduchosti svého principu je model přímo vhodný pro nasazení na neuromorphic hardware — specializované čipy, které napodobují funkci mozkových neuronů a spotřebovávají mnohonásobně méně energie než klasické GPU. Příkladem jsou Intel Loihi 2, IBM NorthPole nebo evropský projekt BrainScaleS z Heidelbergu, který vznikl v rámci Human Brain Project financovaného EU.

V kontextu EU AI Actu a evropské strategie pro energeticky efektivní AI může být přístup GCML relevantní: Evropa aktivně hledá alternativy k výpočetně náročným modelům, které jsou v souladu s klimatickými cíli a nevytvářejí závislost na americkém cloudovém výpočetním výkonu.

Mozek jako vzor: neuroAI na vzestupu

Výzkum GCML není osamělý. Stojí v řadě prací, které se inspirují biologickými mechanismy mozku, aby překonaly omezení současné AI. Tzv. neurovědecky informovaná AI (NeuroAI) zažívá renesanci: DeepMind dlouhodobě spolupracuje s neurovědci, vznikají výzkumná centra propojující oba obory a přibývá studií, které ukazují, že lidský mozek dokáže věci, které LLM neumí — a to za zlomek energie.

Specificky model GCML navazuje na teorii kognitivních map formulovanou Edwardem Tolmanem v 50. letech 20. století — myšlenku, že mozek si nepamatuje pouze konkrétní trasy, ale abstraktní strukturu prostoru. Tato teorie se dnes dostává do centra pozornosti AI výzkumu jako základ pro robustnější, přenosnější plánování.

Pro českou AI scénu je zajímavé, že podobný výzkum probíhá i v Evropě — například na ISTA (Institute of Science and Technology Austria) nebo na pražském CIIRC (ČVUT), kde se výzkumné skupiny věnují robotickému plánování inspirovanému biologickými systémy.

Co to znamená pro budoucnost AI agentů

Dnešní AI agenti — ať už Anthropic Claude nebo OpenAI GPT v agentic režimu — se spoléhají na sekvenční uvažování a statické plány. GCML nabízí alternativu: dynamické, imaginativní plánování, které se přizpůsobuje novým situacím bez nutnosti přetrénovat model od nuly.

Praktický dopad? Roboti, kteří se dokáží orientovat v neznámém prostředí bez předem napsaných map. Autonomní vozidla s efektivnějším plánováním trasy. AI asistenti schopní řešit problémy, se kterými se nikdy předtím nesetkali. A to vše na zařízeních s omezenou spotřebou energie — tedy i na chytrých telefonech nebo IoT senzorech.

GCML zatím není komerční produkt ani open-source nástroj dostupný pro vývojáře. Jde o akademický výzkum, který teprve hledá cestu do praxe. Průmyslové nasazení neuromorphic přístupů trvá obvykle pět až deset let od publikace. Ale směr je jasný: budoucnost AI plánování nevede přes větší modely, ale přes chytřejší architektury.