Problém, který nikdo nahlas nepojmenoval

Moderní AI pro robotiku funguje na jednoduchém, ale nákladném principu: model dostane miliony příkladů, vyzkouší tisíce kombinací, udělá chybu, dostane zpětnou vazbu, zkusí znovu. Odborně se tomu říká posilované učení (reinforcement learning) nebo imitační učení — a oba přístupy mají společného jmenovatele: spotřebovávají obrovské množství energie a stále dělají překvapivě základní chyby.

Timothy Duggan, Pierrick Lorang, Hong Lu a Matthias Scheutz ze School of Engineering na Tufts University si položili zdánlivě jednoduchou otázku: Co kdybychom AI naučili pravidla a abstraktní pojmy — stejně jako učíme děti — místo toho, abychom ji nechali vše zjišťovat pokusem a omylem?

Výsledkem je výzkumná práce s přímočarým, ale provokativním názvem: "The Price Is Not Right: Neuro-Symbolic Methods Outperform VLAs on Structured Long-Horizon Manipulation Tasks with Significantly Lower Energy Consumption", publikovaná na arXiv 22. února 2026.

Co je neuro-symbolická AI a proč se o ní mluví

Neuro-symbolická umělá inteligence není nový pojem — ale teprve nyní začíná v praxi plnit sliby, které teoretici dávali desítky let. Jde o hybridní přístup, který kombinuje:

• Neuronové sítě — schopné rozpoznávat vzory, zpracovávat vizuální vstup, generalizovat ze zkušenosti
• Symbolické uvažování — abstraktní pravidla, logické vztahy, pojmy jako „tvar", „rovnováha", „pořadí kroků"

Zatímco klasické modely pro vizuálně-jazykovou robotiku (tzv. VLA modely — Vision-Language-Action) se spoléhají výhradně na statistické vzory z dat, neuro-symbolický přístup přidává strukturu. Robot nejen „vidí" situaci — rozumí jí na úrovni abstraktních konceptů.

Jednoduchá analogie: konvenční AI se naučí složit skládačku tak, že ji složila tisíckrát. Neuro-symbolická AI pochopí pravidla skládání — a přenese je na jinou skládačku, kterou nikdy neviděla.

Čísla, která mluví za vše

Výzkumný tým testoval svůj systém na klasickém robotickém problému — Hanojské věži — a výsledky překonaly očekávání:

• Přesnost: 95 % úspěšnost u neuro-symbolického systému vs. pouhých 34 % u standardních VLA modelů
• Spotřeba energie při tréninku: pouze 1 % energie potřebné pro trénink tradičních systémů
• Spotřeba energie při provozu: 5 % energie oproti konvenčním přístupům
• Čas tréninku: 34 minut vs. více než 36 hodin u konkurenčních modelů

Ještě pozoruhodnější výsledek přišel při testu s neznámým problémem — situací, kterou systém nikdy netrénoval. Zatímco tradiční modely zcela selhaly, neuro-symbolický přístup dosáhl 78% úspěšnosti. Právě schopnost generalizovat na nové situace je přitom jednou z největších slabin dnešních AI systémů.

Proč je to důležité právě teď

Energetická náročnost AI se stala jedním z nejvážnějších problémů celého oboru. Velké datové centrum může spotřebovat tolik elektřiny jako menší město. Trénink jednoho velkého jazykového modelu může vyprodukovat stovky tun ekvivalentu CO₂. A nároky stále rostou — každá nová generace modelů je výkonnější, ale také hladovější.

Evropská unie si toho je vědoma. AI Act, který vstoupil v platnost v roce 2024, klade důraz mimo jiné na udržitelnost a transparentnost AI systémů. Přístupy jako neuro-symbolická AI jsou tak v přímém souladu s tím, kam evropská regulace směřuje — a mohou otevřít dveře technologiím, které by jinak narážely na energetické limity.

Pro české firmy a výzkumné instituce, které hledají cestu k nasazení AI bez astronomických nákladů na infrastrukturu, představuje tento přístup reálnou alternativu. Trénink za 34 minut místo 36 hodin znamená, že experimenty, které dříve vyžadovaly dedikované GPU clustery, lze provádět na běžném výzkumném hardwaru.

Robotika jako testovací laboratoř

Robotika je pro podobné výzkumy ideálním testovacím polem. Roboti musí řešit dlouhé sekvence kroků (tzv. long-horizon tasks), kde chyba na začátku znehodnotí vše, co přijde poté. Právě zde se ukazuje slabost přístupů stavěných na čistém statistickém učení — systém může excelovat v krátkých úkolech, ale selhává, jakmile musí plánovat dopředu.

Výzkum z Tufts University bude officiálně představen na Mezinárodní konferenci robotiky a automatizace (ICRA) ve Vídni v květnu 2026 — jedné z nejprestižnějších robotických konferencí světa. To samo o sobě svědčí o váze, jakou odborná komunita výsledkům přisuzuje.

Přenesou se výsledky do praxe?

Kritická otázka samozřejmě zní: funguje to jen v laboratoři, nebo i v reálném světě? Výzkumníci jsou v tomto ohledu opatrní — Hanojská věž je úloha se strukturovanými pravidly, reálné průmyslové prostředí je chaotičtější. Sami autoři zmiňují jako další krok rozšíření testování na složitější, méně předvídatelné scénáře.

Přesto je posun zásadní. Pokud neuro-symbolická AI dokáže řešit nové problémy bez nového tréninku — s 78% úspěšností — je to krok k robotům, kteří si s neznámou situací poradí podobně jako zkušený člověk: díky pochopení principů, ne jen memorování příkladů.

Výzkumný kód a data jsou dostupné přes ScienceDaily, původní preprint byl publikován na arXiv 22. února 2026.