Podcast

Patrik Gudev (00:00:03): Ahoj všem, moje jméno je Barbara Hynerova a vítám Vás u dalšího dílu podcastu DataTalk. Mým dnešním hostem je Patrik Gudev,

Barbora Hinnerová (00:00:14): CTO a zakladatel startupu Rendero, také Revom Music a Deep Noise.

Patrik Gudev (00:00:22): Ahoj Patriku. Ahoj.

Barbora Hinnerová (00:00:41): Dnešní díl bude o AI v hudbě, bude taky o OpenClaw,

Patrik Gudev (00:00:49): Manusu, agentních systémech,

Barbora Hinnerová (00:00:53): GitHub repozitářích a tak dále.

Patrik Gudev (00:00:57): Bude to víc o AI než o datech a o tom, jak Patrik na takovýhlema věcma přemýšlí, protože je to jeden z lidí, který řešil AI before it was cool. Řeším to dlouho už. No tak asi začneme tím, jak jsi to začal řešit,

Barbora Hinnerová (00:01:16): tvojí první takovou jako AI zkušeností,

Patrik Gudev (00:01:21): řekněme. Já jsem se k tomu AI dostal ještě před rokem 2019, ještě vlastně, když vzniklo GPT a než to bylo cool a měl jsem vlastně vždycky fascinaci technologiem a vlastně už od malička a zajímalo mě vlastně, kam ten svět spije, vlastně inspirovalo mě právě Ray Kurzweil a Bangor, o kterém budu mluvit potom dále. Já jsem vlastně pocházím z Music Industry, kde jsem vlastně pracoval jako hudební scout, nějakých skoro deset let, z nějakých dvěsti alb jsem podepsal různě s umělcima po celém světě. Že jsi naháněl hudbu? Naháněl jsem skladatele, aby vydávali alba.

jsme pak distribuovali do televizí a rádí a tak. Tam vlastně mě i napadla vlastně ta fascinace toho, jestli počítáč je schopen generovat hudbu, ještě vlastně než předtím, než byly vlastně machine learning jako nějak být sofistikovaný, tak mě napadla tato myšlenka a tam právě v roce 2019 vznikla první moje vlastně ta firma, se jmenovala Reevo Music. Kde jsme pomocí algoritmů začali vytvářet hudbu a začali jsme vlastně skládat jako alba a měli jsme i trošku jako machine learningu, ale v té době to ještě bylo hodně na začátku. Takže to nebylo tak, že by si vzal všechny alba, který si kdy podepsal, nasypal to do modelu a hurá, jedeme? Ne, ne, ne, bylo to, já jsem vlastně aplikoval jako first principle, jako boil the things down to fundamental truths and go from there.

Což je vlastně ten princip, jak věci k tomu vždycky přistupují. To znamená, já jsem vzal vlastně to, co dělám jako skladatel a rozdělal jsem to na úplně ty miniaturní kroky, to, co bych udělal vždycky to rozhodnutí a postavil jsem vlastně celý tenhle systém na tomhle principu. Takže máš zkušenosti i se skladáním hudby, nebo zkrátka je to něco, co jako umíš dělat? Jo, ono vlastně celkově to vzniklo, jako vlastně moje frustrace toho, že já jsem skládal vlastně pro českou televizi, jsem dělal spoustu znělek, mám počasí pro vlastně americký reklamy a tak, jsem vlastně skládal jako custom music. Manuálně, řekněme.

Manuálně, ještě v této době. Ale vlastně upřímně řečeno ta myšlenka vznikla právě z toho, že jsem byl úplně jako měl skoro burnout, kdy vlastně jsem byl, měl jsem, pracoval jsem na třech reklamách zároveň pro nějaký jako song pro popový zpěváky a vůbec jsem nestíhal, byl jsem úplně jako z toho špatnej a vlastně jsem, vím, že jsem takhle jako někde šel a napadla mě ta myšlenka, jestli, jestli by ten počítač vlastně to nemohl udělat za mě a tam to vlastně jako vzniklo

Barbora Hinnerová (00:04:05): Takže prostě na tobě klečela studio Fontana a tak dělej, máš

Patrik Gudev (00:04:10): tady tři klienty, šup šup skládej a pak jsi zrodil tento nápad. Ne, to určitě nebyl tlak, jako z jejich strany, spíš to bylo to, že já jsem chtěl sám, jako vlastně to, já jsem chtěl úspět jako skladatel a chtěl jsem vlastně udělat co nejlepší skladby pro lidi a zároveň vydat spoustu alb, ale vlastně ten počítač vlastně byl ten prostředek a ta cesta vlastně nějakým způsobem to dosáhnout. No a jak jsi to teda udělal, nebo takhle,

Barbora Hinnerová (00:04:41): když jsi skladatel a jasně říkal jsi, že

Patrik Gudev (00:04:44): tě vždycky bavily technologie,

Barbora Hinnerová (00:04:46): ale zároveň jako tvůj main job byl teda jako být skladatel a skládat hudbu.

Patrik Gudev (00:04:52): Bylo to jako půl na půl. Vlastně napůl jsem byl jako hudební scout, ale zároveň jsem měl vlastně možnost se dostat k těmhle zakázkám právě díky tomu, že jsem pracoval ve studiu Fontána a ty příležitosti tam byly. Takže spíš to bylo tak, že jsem chtěl, aby ty příležitosti vlastně se proměnily v tu dobrou hudbu a ty licence do těch reklám. ale už nebylo to vlastně lidsky možný, protože vlastně ten čas člověk má limitovaný a myslím si, že teď i vlastně spoustu lidí, že on dělá spoustu věcí a jako najednou se kouká, jakým způsobem AI může vlastně zrychlit ty věci a jako jsem si položil vlastně tu otázku jako poměrně brzo a jako ten přístup nebyl vlastně jako machine learning, ale byl to vlastně jako problém solving vlastně jednotlivých těch kroků. Takže to prostě rozbitluješ, tak když skládám, tak dělám co?

No tak vlastně mám nějaký čtyři akordy, které vlastně třeba jako většinou jsou ty nejpopulárnější a většinou pop songy a tak, tak DCG a Irem Tam to vlastně všechno vzniká, ale potom jsou tam určitý logický kroky, jak se vlastně potom rozvíjí ta melodie, ty akordy, jako potom bycílinky a já jsem se uvědomil, že vlastně všechno jsou to určitý paterny, který vlastně se opakujou nebo mají nějakou návaznost, logiku A mně se podařilo vlastně z toho udělat jako systém, kdy vlastně jsem hodně používal třeba mouse clicker, což je v té době, protože jsem operoval vlastně Ableton, což je takový software na skládání hudby a mně se podařilo vlastně naprogramovat jako mouse clicker, který klikal na všechny ty kombinace a takže byl schopen operovat celý ten program. Že jsi měl agenta prostě... Byl takový ještě hodně hloupej, ale byl to jako klikací agent, který v tom úplně tom píku, kdy jsem pustil vlastně všechny naše počítače, tak jsme vygenerovali třeba 1500 skladeb za noc. A kolik těch věcí bylo reálně dobrých? No to právě to byl vlastně asi největší problém té doby, kdy vlastně jsme měli ten success rate třeba něco mezi 10 až 20% a nikdo vlastně nebyl schopen jako lidsky vlastně poslechnout všechno a takže v té době jako ten machine learning nebyl tak vyvinutý, aby vlastně mi řekl jako tohle good track, bad track, aby tam byl nějaký jako self-learning loop.

Takže jsme měli opravdu jako fyzicky jako týmy lidí, kteří to poslouchali a většinou po týdnu skončili, protože řekl centrum Finny, jakože nebudete volat, budete poslouchat hudbu Přesně tak a pak jsme jako dodělávali třeba nějaký jako detaily, že jsme si uvědomili, že vlastně to nemusíme vyhodit ty skladby, které jsou úplně perfektní, že tam je třeba nějaký jeden element, který jako tu skladbu nedělá dobrou, ale vlastně tak jsme měli jako pak tým skladatelů, který vlastně dodělávali třeba ty malý detaily No a když to byly skladatele, jak se na to tvářili třeba už v té době, že hele, mám tady nějakou vlastně vygenerovanou hudbu, nebo složili ji nějaký algoritmus, no tak to dodělej. Byla to hodně zajímavá doba, hodně zajímavý téma. Pamatuju se vlastně do teďka, kdy jsme měli jako schůzku vlastně s těma labelama a s právníkama a teď jsme se jako bavili vlastně, co to jako znamená. Jako jestli to je licencovatelný, jestli to je jako umělecký dílo, jestli opravdu jsme to jako složili my, nebo jestli to teda... A jako nakonec jsme se jako shodli, že tím, že to byl jako algoritmus, takže je to jako umělecký dílo, že to vychází z nějakých tělenstvích patternů.

Ale jako s těma skladatelema, co jsme to potom řešili, tak určitě spoustu z nich vlastně bylo jako dost v depresi z toho, protože najednou si člověk uvědomí, že ta kreativní činnost najednou jako může být vlastně automatizovaná, může vlastně být nahrazenou tou umělou inteligencí a myslím si, že teď je hlavně to jako velký téma třeba v music industry a i tam jako hodně skeptice v rámci toho, že vlastně Jako my to bereme, že hudba je vlastně umění a což jako je, ale vlastně v nějakých jako věcech třeba v reklamách a tak, že občas člověk jako nepotřebuje mít úplně umění. No jasně a hlavně rozpočty a tak dále. Přesně tak, přesně tak, no. Ale zase zároveň jako potom třeba tolik těch muzikantů nemá třeba tu jako tu opportunities, jakože u všech je třeba mnohem méně a je to spíš o té autenticitě a o tom být jako umělec a jako persona. Rozumím, no jako co se týče teda ty labelování hudby, tak dneska je to asi úplně jiný téma, než to, co jste řešili v roce 2019 Já si myslím, že je fér, aby ty věci měly nějaký label, že to prostě složila AI, tenkrát chápu, že když ta výroba byla vlastně replikace toho, co by dělal člověk A jak jsi říkal, nebylo do toho zahrnuto tolik machine learningu, kdybyste vyloženě jako chtěli replikovat ty nejlepší pecky, který se kdy dostali do počasí a tak dále.

Jako ten machine learning, jak v dnešní době třeba v firmě jako Suno, Udio a tak, tak oni k tomu přistoupili opravdu jinak, že to je opravdu čistě jako machine learning, to znamená oni vzali prostě skrypli podle mě data jako Walner a Universal. Spotify prostě tam tam. No jo, jako existují dokonce, já jsem se i díval na databanky, že normálně se dá stáhnout celý Spotify, což je celý zajímavý. To je tak to musí, kolik to je dá, to hodně. hodně, že to bylo asi 200 terabajtů, myslím.

Ale možná kecám, ale něco okolo tohle. Takže jako labelování hudby, já si myslím, že to je správná cesta, protože já furt věřím, že ta autenticita umělců je důležitá a myslím si, že to má určitě mnohem větší hloubku a duši, ta hudba. Zároveň je velký rozdíl, když tě někdo zahraje na kytaru, než když někdo přijde prostě s reprákem a posítí tam něco jako upřímně je to občas neuvěřitelný co to dělá, ale je tam opravdu jako třeba ta špetka tý originality a myslím, že ta originalita v té hudbě jako hodně je ten faktor. Zároveň je velký rozdíl, když tě někdo zahraje na kytaru, než když někdo přijde prostě s reprákem a posílí tam něco Z mobilu nebo z počítače, jakože určitě minimálně jako ten živej prožitek té hudby a to, jak lidi, já nevím, třeba chodí na koncerty a vlastně jsou někde na nějakém místě, kde je nějaká atmosféra, tak tohle si myslím, že úplně nezmizí a že... To jako právě, ale asi to není ta autenticita, o který mluvíš, no, jako chápu, že potom vlastně ty skladatele třeba reklamní, tak jako jo, no, tak tam asi to nějakej ten jobík vezme, ale zároveň se týče umělců, interpretu, který zpívají pro lidi a tak.

Já třeba věřím tomu, že AI... nějakým způsobem bude nahrazovat strašně moc jako industries a není to jenom hudba a myslím si, že se dostaneme velmi brzo, že vlastně to nahradí třeba 90% všech činností a já si myslím, že ta volba bude taková, že buď to člověk si může zaplatit prémiovou službu toho, že to dostane ten tu věc od člověka a bude to mít duši, bude to mít nějaký charakter a člověk to bude moc jako iterovat. A nebo bude mít vlastně nějakým způsobem Generickou věc Nemusí to být nutně generický, ale zároveň asi dokážeme potom už rozpoznávat nějaký určitý rysy toho, že ten člověk moc nedělal Myslím si, že to bude taková jako perfektní verze vlastně a myslím si, že ten perfekcionismus vlastně bude už vlastně škatulkovanej do toho AI, že vlastně AI je vlastně jako začíná být jako perfektní v určitých věcech, že to bude perfektní pop song jakoby s tou strukturou, ale myslím si, že... Ale bude tě to bavit? Právě, to je přesně ta správná otázka a proto si myslím, že furt bude...

Ta lidská činnost zajímavá v tom, že bude mít vlastně tu kreativitu, originalitu a bude to mít vlastně kastimalizovat vlastně na tu účtu věc jako reklama nebo prostě znělka. Bude to mít nějaký příběh, bude to mít něco, nějakou tu duši vlastně, co ten člověk do toho dá, ten umělec. Nebo třeba nějakou chybu, že jo. Dělat chyby je lidské a děláme jich čím dál víc schválně, ale pojď ještě na to trošku z té, řekněme, algoritmické části, jestli můžeš trošku víc popsat vlastně, já nevím, tu datovou stránku věci, že jo, protože určitě musíš mít nějaký data na to, ať už to jsou nějaký zvuky, jak zní nějaký nástroje, což je jako standardní asi u těch skladotelských programů. Jo, vlastně zajímavá ta část je, že jakým způsobem se propojujou.

My jsme to postavili jako modulární systém a což si myslím, že i vlastně je relevantní pro jako dnešní stavení vlastně s AI a čemu se dostaneme třeba pozdějíc, ale je to vlastně všechno jsou to kombinace určitých jako paternů a to znamená tam byly chord progressions a potom vlastně z toho vlastně najednou vzniknou jako melodie, z toho vznikne jakoby basová linka Ale vlastně existuje tam učitá jako návaznosti len z těch věcí a je tam učitá logika, což vlastně i v dnešní době jako AI systému je vlastně ten minds, vlastně ty skills, jsou to vlastně jakým způsobem jako to know-how a my jsme vlastně, já jsem přines jako umělec, skladatel, jsem přines vlastně to know-how do toho, jakým způsobem jsem schopen vlastně zachytit tu můj expertízu vlastně do toho kódu, do toho AI, do toho modulu A postavil jsem to jako modulární systém, to znamená, věděl jsem, že tenhle modul je dobrý pro basovou linku, tenhle je dobrý pro, dejme tomu, znělku, pro nějaký jako počasí, přesně tak. A to znamená, tam potom jako člověk škatulkuje a vlastně klasifikuje určitý jako ty databáze, což si myslím, že je relevantní vlastně pro všechny ty AI systémy dnešní doby. Jo, prostě nějakej semantický model věcí. Jo, jo. Takže tak, nechci jít úplně do hloubky té hudební teorie, ale je to ta aplikace, co může být prozajímavý pro lidi je právě ten kontext, ty data, jakým způsobem je labelovat, jakým způsobem je propojovat a vlastně stavit ty modulární systémy.

Ale jedna z těch zajímavých věcí, jakým způsobem jsme to hackli, je určitě ten mouse clicker. Což si myslím, že je třeba hodně, jako lidi ještě třeba tolik o tom nemluví, ale já myslím si, že mouse clicker, jako operování vlastně počítače pomocí myši a klávesnice, je vlastně, může nahradit absolutně všechny počítačový joby. Jako je to jako a tohle myslím si, že je to nejvíc scary, co vlastně lidi se ještě třeba neuvědomujou, že vlastně teď my teď furt operujeme to, že člověk píše prompty, ale myslím si, že jako full control jako počítače jako tam jsem si uvědomil, jak je to strašně powerful. No tak já myslím, že k tomu se ještě dostaneme vůbec k psaní promptů a tak dále. No a čím jsi se zabýval dál?

Když jsme potom to posunuli dál, kdy jsme založili novou firmu Deep Noise, která byla vlastně víc jako machine learning, kdy spíš jsem chtěl... Když jsme měli tu datavázi toho Spotify, byli jsme to tam. Ne, ne, ne, to je právě ta cesta, kterou se vydalo tu Suno a potom myslím si, že člověk stráví víc času u soudních sporů, než o tom stavět nějaký dobrý tech. A my spíš jsme k tomu přistoupili, tak jakým způsobem dát tu kreativitu umělcům, jakým způsobem využít to AI, ne aby je nahradilo, ale aby je doplňovalo a člověk měl vlastně tu kontrolu nad tím. Jedna z věcí, co bych tam chtěl zmínit, tak je vlastně, že my jsme to založili s Benem Gurdslem, což je pro mě byla velká osobnost a Zajímavý, jak jsme se vlastně, pro mě to byl jako jej mentor, vzor.

Já vlastně jsem koukal na spoustu YouTube videí o AI a on vlastně v té době byl jeden z mála lidí, který opravdu mluvil o AI, že to bude opravdu velká revoluce. Takže já jsem koukal na stovky, možná i tisíce videí vlastně s ním, jakým způsobem on o tom diskutoval. a vlastně jsem jako strašně rád, že se mi podařilo vlastně k tomu člověku dostat a založili jsme právě spolu ten Deep Noise, ještě s Metem, mým emkofondrem. Zajímavý je, že možná bych doporučil divákom, on byl Joe Rogan, posluchačům. Tak je vlastně super podcast s Joe Roganem a právě Benem, kde mluví i o tom, jakým způsobem AI bude ovlivňovat vlastně všechno.

Ale právě nás pojila jako ta láska k té hudbě. Jasně. No a Deep Noise teda byl něco podobného jako Revom Music, akorát, že... jsme se vydali víc s tím machine learningem. Jasně.

Já jsem se v nějaký moment i říkal, co je můj cíl životní, zaspomovat celý svět s vygenerovanýma trekama pod počasí a pod znílky. A nebo vlastně to posunou někam na nějaký jiný level. Který bude víc, nebude brát vlastně ten job těm hudebníkům, ale spíš jim umožní nějakou novou kreativitu s tím AI. Zkrátka se efektivní to jejich práci, než aby ji nahrazovali. To zní jako dobrá myšlenka, jak to fungovalo, nebo jak to dopadlo.

No my ještě furt vlastně pokračujeme, tak teď zrovna akorát dofinishováváme náš jako novej model, vlastně my stavíme AI Synthesizer, což je vlastně jako text to sound, to znamená asi aby se člověk představil, tak to je jako kdyby člověk měl Casio piano a teď tam bylo, že jo, vždycky třeba nějakých 50 zvuků a je to ale teď vlastně funguje to tak, že člověk to vlastně píše promptem, to znamená, že vlastně řekne Já jako teď potřebuji nějakou výtahovou jazzovou Spíš jako zvuk, to znamená, že je jako prostě zvuk, já nevím, basky tady, která je prostě víc jako saturovaná a je to teda jako těžký občas promptovat jako zvuk, ale právě zase jako je tam spoustu té kontroly nad tím, takže je to zajímavé. A je to těžký v čem, jakože musíš mít právě tu hudební teorii, nebo jako musíš vědět, co potřebuješ, nebo v čem je to těžký? Jakým způsobem popsat zvuk, který vlastně člověk třeba má v hlavě a jakým způsobem vlastně ho popsat vlastně těma technickýma věcma, znamená jako efekty, že jo, jakoby hudební, tak spoustu jako reverb delay a tak. Ale jako myslím si, že jako pokud člověk jako je hudebník, tak má určitě nějakou jako znalost vlastně těch základů. A nebo ho může jako udělat ten zvuk a...

To samozřejmě spoustu věcí, jak se dá udělat zvuk. No já myslím tak jako, že nevím, jako není to prompt, že jo, ale zkrátka, když ten zvuk nějak jako napodobíš a ono ti to pak vygeneruje jako lepší zvuk třeba než ten, který rozumíš. Jo, tak to je vlastně similarity. To je vlastně v obrázcích a tak, ta inspirace. Takže to je určitě taky cesta, jak popsat zvuk.

Zvukem. Taky mě to napadlo, že zvuk můžeš popsat zvukem, ale asi rozumím. Dobře, takže jsme teda u Deep Noizo, ale není to tvůj jedinej projekt, že jo? Já jsem jako tím, jak člověk byl v audiu a v hudbě, tak já jsem se vlastně dostal do takový trochu jako krize vlastně, kdy už jsem vůbec nebyl schopen poslouchat hudbu. Vlastně potom co člověk jako...

No tak hlavně, když musíš poslouchat 15 skladeb za den. To bylo, jako pamatuju si vlastně období, kdy jsem opravdu poslouchal třeba 2000 špatných skladeb jako denně a musím říct, že to bylo něco strašného. To bych opravdu jako... to je vlastně ta taková ta temná stránka tý práce vlastně s těma datama je, že člověk občas musí validovat vlastně věci, který třeba nejsou vlastně esteticky hezký a tam vlastně jsem dostal trochu i krizi v tom, že jsem se potřeba odpočinout a tam jsem se trochu přesunul vlastně k tomu vizuálnímu AI. Že koukat tě ještě...

Koukat mě ještě nebojí to, tak zatím. Nicméně ta myšlenka zůstává, nebo jako toho pomoc lidem něco dělat efektivněji, tak se přenáší i do toho tvýho vizuálního projektu, rendera. Určitě, určitě. Ta naše filozofie rendera je pomoct vlastně architektonickým studiům nebo jako real estate vlastně celkově budovy a domov a nějakým způsobem vlastně objekty tak pomoct vizualizovat tak, aby vlastně člověk měl kontrolu nad tím výstupem. Protože spoustu Jako v dnešní době je spoustu skvělejch generátorů, jako nanobanána, GPT Image 2 a tak.

A člověk už se dostane jako promotem na nějakou hyperrealistickou vizualizaci. Ale právě někde je to možná až moc hyper. Je to moc hyper, ale problém je, že člověk vlastně, když, dejme tomu, chce změnit jednu věc. Musí přegenerovat celý znova. Přesně.

A teďko, co se většinou stává, co je to vlastně ten největší problém, je, že když člověk udělá třeba desetilné z těch změn, tak najednou už je to úplně jiný obejvák, než s kterým tam přišel. A nech mi tam tu zeď, to má být. Najednou můj oblíbaný obraz už je pryč a je tam úplně jiný obraz. Takže ta míra té kontroly je vlastně, co si myslím, že ještě v těch z těch image generation vlastně ten problem to solve. Vlastně jakým způsobem kontrolovat vlastně jednotlivý objekty, jednotlivý materiály, jednotlivý vlastně jako ty estetický věci v tom detailu hlavně.

a pomoct vlastně mít jako nástroj, což vlastně renderuje nástroj pro architekty a interior design a real estate, aby měli vlastně tu možnost vizualizovat to, co ten architekt potřebuje, tak aby to bylo přesný a aby měl vlastně tu míru té kontroly toho opravdu, co přesně on chce, ten člověk. A to je vlastně ten... U nás to vzniklo jako frustrace, vlastně celý tenhle projekt, toho, že vlastně to nešlo takhle udělat. Nebo jako ta frustrace asi nebyla tvoje, protože jsi přišel z hudby. Jo, jo, to bylo vlastně mýho kofoundra Dana, kdy my jsme vlastně vzniklo to jako pod záštitou studio EMA Studio, což je vlastně architektonický studio.

A my jsme tam řešili právě problém těch vizualizací, že to opravdu jako tím tradičním způsobem to trvá jako poměrně dlouho. A je to drahý i pro toho klienta, že jo, když potřebuje vizualizaci nebo něco. Jo, jo, tam opravdu jako, když se člověk dostane na ten profesionální level těch vizualizací, tak jako ten market price je poměrně jako v desítkách tisíc korun za jednu fotku. No jasně, no tak ono 3D grafika, že jo? A já nevím, což je na to obnáší vůbec něco takový leho udělat, nebo?

Tam jde o to hlavně, že člověk nastavuje vlastně světlo, nastavuje vlastně textury a nejme tomu, když člověk nastavuje teď nějakou letní scénu. Tak jenom aby nastavil třeba zimní scénu, tak to trvá najednou. Takhle váš barák bude vypadat v létě, v zimě, 150 tisíc, děkujeme. Přesně, přesně tak. A myslím si, že i jako samozřejmě ta technologie se posunula dál i v tom renderingu, takže není to jako, že by to stagnoval ten space, ale myslím si, že to AI dává takovou tu hyperrealistost, hlavně jako by v těch texturách.

A mě třeba ta příroda, třeba kytky, stromy a vlastně jakým způsobem se láme to světlo, tak je to, mám pocit, že se to dostává víc k té realitě. Ok, rozumím, takže prostě, když tady budou mít beton, tak to světlo prostě bude vypadat jinak, než když tady budou mít asfalt prostě před barákem. Nebo... U těch materiálů tam je to spíš ta textura, jakože to světlo samozřejmě tam asi spíš hrá jako roli třeba světlo-stín, to znamená, jestli tam někde blokuje něco. Jaký odraz, že jo?

Hladký blochy. Jestli ten strom jakoby najednou blokuje vlastně ten a udělá jakoby stín na tom betonu na zemi, tak určitě tam to hráje roli a... No a jak moc jsou vlastně tyhle detaily, možná až velký detaily důležitý potom jako pro toho, řekněme, konečního zákazníka, jako pro nějakého člověka, který chce někde bydlet a... Já mi schápu, že potom těch developerských projektů, kdy se jedná prostě o projekty za, nevím, za hodně, tak je jasný, že tam třeba chciš jít do nějakého většího detailu, když děláš nějaké výběrové řízení, nebo se účastníš nějaké architektonické soutěže, tak asi je dobrý tam potom dbát na takhle velký level detailu, že tady ten strom, tady udělat takový amakový stín. A tak, ale já nevím, jako vyvedně zomilu, ale já si myslím třeba, že právě pro ten masovej trh možná jako až takovýhle detaily nejsou tak důležitý, ale zároveň jasně, jako čím víc řekněme high-endovej projekt, tím větší revenue potenciál, asi i pro vizualizační nástroj.

Já zastávám názor, že i když se to třeba nemusí zdát velký rozdíl, tak vlastně obrázek je i o tom feelingu a člověk cítí, jestli to je luxury, jestli tam je ta prestiž toho brandu, speciálně když pracujeme s velkýma brandama. A můžeš si zmínit, s kým pracujete třeba, nebo kdo právě vás používá? Jo, tak jako na co jsme pišný, tak nás používají ze Zaha Hadid, architekt z dnešního studia. Takže Masaryčka třeba byla u vás dělaná? Ne, ne, ne, to už je starší a to samozřejmě dělá, myslím si, že pokud se nepletu, tak to dělá i přímo Zaha Hadid, tuto budovu.

Ale je to spíš jako myslím, že tam jsou několik procesů vlastně v té architektuře, kdy je to jednak jako mood board, je to nějaký jako brainstorm nad těma věcma. Vlastně nežív scháníme obrázky na Pinterestu. Jo, ale jako reálně to tak je, že vlastně člověk má nějaký jako ten mood board, ale vlastně potom si může ten mood board vlastně generovat a to je vlastně ta krása toho AI. Že může vlastně být nejenom jako ta finální vizualizace, ale může být vlastně i tool k tomu, aby člověk si uvědomil, jaký jsou ty kombinace možný, jakým způsobem vlastně nad tím přemýšlet, nad tou budovou, nad tím objektem. A to je, myslím si, ta zajímavost toho, že člověk má během 30 sekund vlastně vidí tu změnu, vidí vlastně, může si navolit ty materiály, může si navolit vlastně kombinace.

A tak to je podle mě jedna z těch jako... Jo, jako k tomhle určitě, jakože u toho sedí, mění, hned vidí, není to moc pracný, takže se dokáže rozhodnout, který směr je pro ten daný projekt nejlepší. Jo, je to tak. Takže tohle je zajímavost toho AI. Ale jako...

No a tam teda ten problém, nebo jako to, co... To, co tam řešíte, tak je jako rozeznávání těch jednot, řekněme, výběr těch danejch ploch, aby tam mohla proběhnout nějaká změna. Já jakože vím, že tadyto celé je prostě podlaha a vy to prostě jste schopní poznat, že tohle je podlaha, tadyto je jedna zeď, tadyto je druhá zeď. Aktuálně tam máme zapojený čtyři nějaký AI modely, který vlastně v tom backgroundu působí a to je, my jako jsme vlastně z začátku trénovali i naše jako stable diffusion modely nebo jsme jako naše konfigurace. Ale vlastně tím jako nano banana a image, GPT image 2, tak tam člověk jako pomocí resources nemá tolik jako kapacity vlastně dělat tenhle z ty foundational models.

Takže pro nás vlastně je mnohem lepší vlastně stavit nad stavbu s těmi modelemi. Takže to je vlastně ten první layer. A ten druhý layer, co vlastně je ta limitace v tom big techu je ta míratý kontroly a hlavně máme jako segmenteční AI, který je vlastně schopný detekovat a chápat jednotlivý objekty, to znamená chápat, co je stůl, chápat, co je židle, chápat, co je zeď, co je podlaha a to právě umožňuje zalokovat, vlastně jako frýznout vlastně všechny to ostatní Pixely a dokázat opravdu kontrolovat jenom tu část. A potom je tam ještě jako AI, který chápe ten 3D prostor, protože jako jedna věc je chápat objekt, ale druhá je chápat vůbec jako dimenzi toho, jestli to je velká budova, jestli to je jako zdálky, jestli to je opravdu jako. Jo nějakou jako proportions.

Proportion a to je vlastně nebo jestli to je jako víc fotka z detailů, takže ten 3D jako chápání 3D prostoru je vlastně taky jako jedna z těch klíčových jako technologií, co tam je a potom je to i chápání barev. Myslím si, že chápání vlastně určitě nějaký souvislosti v barvách. Souvislosti v barvách, jakože když přidáš do modrý červenou, jestli to fialová nebo jako... No hlavně jako v té preciznosti toho, že nějakého přelivu barevného, to znamená jako dejme tomu, že když mám dřevěný stůl a mám jako koberec, tak je tam vlastně poměrně výraznej barevnej jako převis a to vlastně pomůže jako chápat vlastně ten kontext vlastně. My jako třeba jedna ze zajímavých věcí je, že my jsme se inspirovali lidským okem, že my jsme vlastně udělali jako velký research toho, jakým způsobem funguje lidský oko a je vlastně zajímavý, jakým způsobem vlastně je tam spoustu layerů vlastně těch z těch jako chápání a my jsme vlastně hodně z tý inspirace jsme vzali jako lidskýho oka, že protože my se vlastně snažíme to dělat pro lidský oko, takže...

Jako jo, ale dá se lidský oko takhle generalizovat, jakože někdo je třeba barvoslepej, že jo, a tak. Pro barva slepý musíme udělat ještě speciální model, ale ne, tam možná Neuralink pomůže víc, ale ale

Patrik Gudev (00:32:36): Ale byla to jako paradoxně zajímavá inspirace, protože my jsme to oko opravdu jako rekonstruuje obraz vlastně úplně jiným, jako opravdu se to člověk ani nemůj představit vlastně, kolik je tam těch jako těch layerů vlastně, i těch barevností vlastně, tyho toho jako Tak to je hodně zajímavý. No takže co vlastně umíte dělat? různý druhy vlastně ty barevnosti, takže máme vlastně tento ty lejery vlastně ty toho barevního spektra vlastně postavený vlastně na výzkumu jako lidskýho oka. Tak to je tak to je hodně zajímavý. No takže co vlastně umíte dělat?

Je nějaká hyper personalizace asi tam to celý spěš, jo? Hrozně, jako já osobně tím, jak se bavím s různě s developerama, výrobcema nábytků, výrobcema všech možných objektů. Já věřím tomu, že vlastně dnešní doba, a to AI, vlastně unlockuje právě tu personalizaci. Není to jenom samozřejmě, že cloud se adaptuje, ale vlastně je to skrze všech... AI tůlech a myslím si, že všechny tyto industries jsou tímhle směrem, že speciálně u té architektury, tak spousta rodin vlastně šetří vlastně, dejme tomu skoro celý život, nebo se vezmou hypotéku na 60 let.

Je to strašně důležitý rozhodnutí pro vlastně strašně moc lidí. A člověk opravdu chce mít jako ten svůj dream home, protože to je vlastně pro spoustu lidí, jako už to není ani dostupný, ale pro spoustu lidí je to vlastně jenom jako once a time rozhodnutí. A tam je strašně důležitý a právě vidím to jako tu možnost toho AI vlastně vizualizovat ten dream home v tom, že člověk si nakonfiguruje vlastně ty jednotlivý elementy. Takže dejme tomu, že třeba když je developer, tak má určitý standardy, má určitý druhy podláh, určitý druhy dveří, klik, v koupelně dlaždičky, umyvadla, ale spoustu lidí se vlastně nedokáže představit. Jak to bude vypadat, když to tam na tej ploše nebo něco takového.

No takže to funguje tak, že přijdeš k developerovi, on ti dá nějaký vzorník, nějakou knižtičku, tady máš vzorník a řekni, kterou chceš, nebo... V podstatě, akorát online. My dostaneme všechny ty data a my jsme schopní... No jako pro vás, já myslel spíš ten současný stav. Jo, jo, jo.

No je to tak, člověk vidí jako ano, vidí katalog, ale vidí to i v online, že se vidí fotku jako umyvadla, ale nevidí, jak to umyvadlo bude vypadat reálně v tý koupelně. A když k tomu dám tohle, změní se vibe tý místnosti a tak. Já jsem jako úplně byl překvapený, jak mod to hraje roli. Vlastně, když to člověk vidí v té vizualizaci, tak najednou člověk si uvědomí úplně jiný ty souvislosti. A myslím si, že spoustu lidí má třeba problém si vizualizovat v hlavě.

No jako prostorová přestavivost je asi trošku taková jako... Vlastně umějte profesionálové, ale potom když ten klient, tak většina lidí, že ho ještě byzy a teď vlastně se nedokáže představit, jako jak to tam bude vypadat. A potom se stává spoustu, jako i třeba najednou se pak ta věc postaví, že jo, a teď ten člověk, jako o, ale vlastně to není vůbec, jak jsem si to představou. Takže v tomhle s tom si myslím, že je ta velká síla. Takže něco, jako když přijdeš na web, já nevím, v Volkswagenu a prostě, jako tam máš to autíčko a ty, jako si tam dáváš, jo, tak chci třeba modrý, Chci, abych měl volant a kažený sedačky a tak?

Volant bych určitě doporučil. No jako, jako jo. Ale ne, já si srandu, ale myslím si, že, jako jo, je to přesně jako BMW, škoda, Tesla, vlastně člověk přijde na tu stránku, vlastně má ty kola, má vlastně potahy, má vlastně všechny tyhle materiály a myslím si, že proč vlastně by tohle nešlo vlastně posunout na tenhle ten level vlastně celý real estate. a nejenom vlastně jako skončit u tohohlenstvo, ale vlastně mít i databázy vlastně těch objektů, jako světla. Máme tady spoustu krásných firm, co dělá třeba světla, jako Lasvit, Preciosa.

Máme tady spousta nádhernýho nábytku. A vlastně člověk, než se ta věc postaví, tak si vlastně může nakonfigurovat i vlastně tuto věc, jak vlastně by mohl vypadat ten nábytek v tom. Protože... Když vlastně člověk si jenom rozhoduje, jestli chce tyhle dlaždíčky nebo tady koberec nebo tohle, tak ještě ten objekt nemá tu duši, ale ta duše vlastně dělá ty objekty a ty osvětlení, nábytek a tak. Jasně, já si pamatuju dobu, kdy bylo, nebo dobu, já nevím, kdy bylo hrozně populární augmented reality, víš, jakože dobře, tak tady máš bonamy, prostě tady si vybereš nějakou skřínku, vezmeš telefon a teďko si jako vyfitíš tu místnost, že jo, a teďko my ti tam tu skřínku dáme a tak, takže asi nějakej předskokan celý týhle srandy.

Já věřím augmented reality, myslím si, že tam to pojde do smart glasses, což je samou sobě velký téma, ale myslím si, že vlastně tam ten průsečík je, je vlastně v té naší technologie a myslím si, že je celkově v té technologie AI a myslím si, že to bude vlastně ta další nadstavba, kdy člověk vlastně půjde po ulici a bude se moc vizualizovat věci a bude tam mít ten digitální layer. A jak se to celý vyrábí, takováhle sranda pro hyperpersonalizaci, vizualizací, pro bydlení? No samozřejmě, když člověk má vlastně ty kombinace, dejme tomu šest podlách, 6 druhů dveří, 6 druhů zásuvek, stolu, tak vlastně všechny ty kombinace se násobí. To znamená, tam vlastně se člověk dostává jako k tisícům, deseti tisícům kombinací, což jedna věc je to live generovat, ale samozřejmě ta věc je poměrně, občas může dělat třeba malý neplechy, člověk nemá tu kontrolu. A nebo je tam ta druhá cesta, je to, co vlastně jsem se naučil v tom rývu, je vlastně jako stavět tyhle továrny jako na velký kvanta dat.

A to je vlastně ta cesta jako i toho, aby člověk měl vlastně plnou kontrolu nad tou user experience. Člověk nemusel jako čekat, nemusel vlastně se tam generovat něco a člověk vlastně nevěděl, co se jako vygeneruje. Ale takový rendrování jako může chvilku zabrat, že? No, jako my jsme asi byli schokný to dostat na 30 sekund, ale obecně si myslím, že je asi méně, jako to už je asi na Big Techu, ta otázka. Jasně.

No dobře, takže tam máme nějaký vstupní data, nějaký kombinace vlastně těch výsledků, ale já jsem se chtěla dostat k tomu, že vlastně celou tu továrnu na data a vůbec jako... Proč to funguje? Tak velká část toho, nebo vlastně asi většina dnešního produktu, tak je prostě navajbkouděná nebo prostě psaná za pomocí nějakých agentů. To procentně, to je pro nás, my jsme vlastně si prošli takovou jako, myslím si, že byly jako dvě vlastně nějaký jako revoluce vlastně v tom našem jako procesu a samozřejmě to bylo jako tím vibe codingem, jako u nás vlastně. A po začátku jo, všichni jako co existuje firma, to je se říkal dva roky.

My jsme dva roky no, tak jako. My jsme vlastně měli jako hodně developerů a vlastně jako z začátku my jsme si stavili naše servry, kde jsme měli stable diffusion modely a měli jsme nějakou jako logiku vlastně za tím. A kolik je hodně? Hodně je, no jako ne zas tak tolik, ale třeba nějakých jako 8, 9 lidí. Tak to je na začátek docela hodně.

Jo, tak taky to bylo, nás bylo docela hodně jako founderů, takže jako dali jsme do toho nějaký jako bootstrap, ale bylo to hodně, bylo to jako na mladý startup, to bylo jako náročný, ale vlastně ten minulej rok, jako ještě vlastně spoustu toho bylo jako psanej jako ručně kód, Ale vlastně někdy ten breakthrough jako největší byl tak jako listopad, listopad prosinec, kdy my jsme, já osobně jsem vlastně začal hodně používat Manus, což jako AI, je tam docela zajímavá historie toho, jak to vyvíjel ten projekt, ale vlastně já jsem byl v close beta, jakoby o Manusu. A jak jsi tam dostal? byl jsem ve správném místě, ve správnej čas a dostal jsem se do té komunity brzo, to byl vlastně asi týden potom, co oni jako to jako launchili ten close betu a takže se mi podařilo dostat jako dovnitř a do této, což potom jako neslo spoustu i benefitů a já musím si osobně říct, že já jsem zkoušel opravdu skoro všechny ty AI vibe coding tooly a Mánus za mě jako bylo jednoznačně ten nejvíc takový ten hard worker, jako já tomu říkám vlastně takový jako kladivo, takový bulldozer vlastně, kdy člověk jako jenom musí nasměrovat tím správným směrem a on potom jede. Takže třeba jako zajímavá evoluce samozřejmě Claude Codu a což asi jako posluchači všichni budou jako znát a tak s mý zkušeností vlastně Claude Code vlastně začal být zajímavý jež opus 4.6. Ale tam vlastně ten problém u mě aspoň osobně s tým mým zkušeností je, že člověk vlastně se než se dostal k tomu výsledku, tak musel udělat několik těch promptů.

A vlastně Manus vlastně stačilo udělat jakoby velmi přesnej ten prompt. A myslím si, že Manus byl jeden z těch první, který měl opravdu ten harness a ten agentic looping vlastně v tom backgroundu, jako měl velmi dobře udělaný, takže jako get the stuff done. A můžeš ještě přiblížit jako ten prompt, nebo jako přesnej prompt, co to jako konkrétně je, jako že udělej mi, nebo jak třeba moc detailní to má být, nebo víš jako. Velmi zajímavá otázka. Třeba jako hodně zajímavých věcí jsem si vzal i od zakladatele OpenClaw jako který vlastně what is the optimal way of doing it if you have to refactor how would you build it jako jsou určitý jako hacky vlastně kdy třeba člověk vlastně může donutit toto AI vlastně jako by se zamyslet nad tím jako já vlastně vždycky si myslím že ten kontext je důležitý to znamená jako já mám příjme jako připojení na GitHub na ten kód A myslím si, že jako ta analýza a myslím si, že jako ten game changer vlastně jenom tenta fráze what is the optimal way jako vlastně donutí to AI nad tím se jako trochu jít zamyslet, což pro mě vlastně třeba osobně vlastně mělo jako docela velký jako success rate.

Pak když je třeba nějaký bug, tak hodně z věcí, co mi třeba pomáhá je vlastně what are the probable causes and what is the percentage of Jaký confidence score? Confidence, no. To znamená, že ona občas je to schopný jako procentuálně se analyzovat ty bugy a vlastně říct, že tady je na 25% tenhle bug. A vlastně potom jakoby fixne. Takže tohle jsou vlastně takový nějaký jako...

Takže v jednom kroku, nebo ne asi v jednom kroku, ale zkrátka build i code review, jo? Nebo... Jsou učitý fáze, že občas já třeba hrozně nád prototypuju. Myslím si, že prototyping je vlastně ten next big thing jako nějakým hyperscale. No tak ani ne big thing, ale spíš must.

Must, no. Tak bez prototypu nevznikne produkt, takže je to rozhodně must. Nebo testuješ, že jo. A vlastně taky nevíš stejně jako, jestli chci mít takový nebo makový dlažičky v koupelně. Rozhodně.

Takže... Takže Manus určitě pro nás byl vlastně ten tool, který dokázal jako get things done. Opravdu jako ve rychlosti. A teďka se k němu vracím, jako že my používáme jako Open Claw, který vlastně je to druhá revoluce, který za chvilku přijdu. Ale vlastně ta první je furt jako ta rychlost.

Ta rychlost i iterace vlastně toho. Já si myslím, že vlastně je to hodně o tom mít krátký jako iteration loop. A vlastně čím člověk je schopen udělat víc těchto z těch iterational loops, tím je schopnej se dostat rychlejc k tomu mít dobrý produkt. To znamená, čím je člověk schopnej zkrátit tenhle loop, tím rychlejc vlastně dokáže se dostat tomu cíli. A myslím si, že právě ten mánus pro mě aspoň osobně byl jakoby ta cesta, že se nám to vlastně povedlo vlastně velmi zrychlit.

My vlastně v tomhle dnu jsme vlastně propustili vlastně většinu těch našich programátorů, protože se nedokázali adaptovat na tenhle stevibe coding jako techniky. Vlastně já jsem byl sám schopen vlastně to, co ten tým sedmi lidí udělal za týden, já jsem byl schopen vlastně udělat za dem dva. A tam vlastně jsme si uvědomili, že asi se na tím musíme zaměstnat trochu jinak a vlastně trošku nastavit jinak tu filozofii celý té firmy. Jasně, a zároveň asi vždycky je to nějaký trade-off za to, že máš mý lidí, děláš to rychle, je to celý na web kouděný, jako se všim, že jo, asi jako to není, jako není to řešení vhodné pro každýho, nebo jako pro každý typ biznesu, jako když zkoušíš, nebo jako nejsou na tobě závislí desetitisíce uživatelů, nebo víc. Že jim prostě nebude fungovat třeba online bankovnictví něco takovýho, tak asi máš větší luxus toho, jak vlastně k tomu přistoupit, nebo jako celkově.

Sto procentně, jako určitě jako korporace v tomhle mají tu byrokratickou zábranu, ale ale furt si myslím a to je i co vlastně jsem jako slyšel o Amazonu, že Ten success je podle mě v tom jako prototypování. A to si myslím, že jako by furt není problém mít jako prototyp nějaký funkcionality nebo prototyp nějaký vlastně jako něco v té roadmapě, protože to vlastně dokáže akcelerovat tu rychlost toho vývoje. A to si myslím, že vlastně furt banky, který jsou jako regulovaný vlastně extrémně, tak furt se dá prototypovat něco. Tak samozřejmě, Ježišmarja, to vůbec nerozporuji. Já jsem všema deseti, dvaceti možná i pro prototypy.

Nicméně, jak jsi zmiňoval ten manus. Mě k tomu jako... Mně tam zezvonilo to, že Manu se zvučanou, odkud pochází samý dobrý věci, který se šíří celkem rychle, ale vážně, že říkáš, že se k tomu rád vracíš, takže je něco, co používáš jako hlavní stek a k tomu se vracíš třeba právě na ty prototypy. Jo. Ještě k tomu mánusu, no, jako je tam určitě zajímavá historie, teď to je jako velmi dramatický s tím, jak to koupila meta.

No, a tak možná, jestli to můžeš trošku vysvět, protože já naposledy chytla to, že Čína zablokovala tu transakci. Tam se vlastně stalo to, že ty founderi vlastně chtěli odejít z Číny Ale oni to zakázali nebo něco? Ne, oni se přestěhovali do Singapuru Takže oni vlastně přesídlili tu firmu do Singapuru a tam vlastně se přesunul i celý ten tým, i data data centra A potom Meta, když to koupila, tak oni vlastně přestěhovali, aspoň teda co jsem se dočet, samozřejmě jsem tam nebyl, ale že se přestěhovali vlastně do headquarteru jako v Singapuru přímo do Mety. Takže já si osobně myslím, že Meta vlastně má kontrolu na tu technologii a na těma serverama. Akorát za to nemůže zaplatit.

Akorát za to nemůže zaplatit a ty foundři vlastně nemůžou dostat ty finance za to, takže. Aha, no tak to je zajímavý. Ale vlastně Čína se teď snaží jako hodně proti tomu bojovat. No jasně. Ty foundři dokonce jsem četl, že chtěli jako koupit zpátky od Meta tu firmu, ale.

Ale nemají žádný peníze, že jo, protože Meta ještě sedala a nemůže. A tak myslím, že čínská vláda má dost peněz na to. No jasně, no to asi jo. Takže já myslím, že oni právě, Čína se snaží jako dotáhnout zpátky tu technologii, jako půzbe křídla a doufám, že se to nestane, ale... Chápu.

No a to mě vede k otázce, jestli vůbec řešíš nějaký jako původ vlastně těch modelů. Jakože taky Čína a jejich model je asi dobrý, že jo, deep seek... Super výkonný a tak, ale zároveň je to prostě čínský, no, takže jestli řešíš vůbec jako nějaký původ toho, nebo jedeš jenom jako za tím výkonem, za tím, co to dělá pro tebe? Já jsem hodně liberální a politický v tyhle věcech. Já vlastně věřím v technologii, věřím v to, že a mně se zase naopak třeba líbí, že Čína jako open sourceuje většinu svojich věcí, což jako by mi přijde sympatický a jeden z těch možná důvodů je to, že...

A ono, co jsem tak slyšel, že jeden z těch důvodů je právě to, že nikdo nevěří čínským modelům, takže kdyby byl jako closed source, tak vlastně takže nikdo nepoužívá a právě jako zajímavý jako vlastně ten vznik těch modelů, jako třeba DeepSeek vlastně vzniknul v hedge fundu Hedge Fund financoval vývoj deepseeků. Nikdo vůbec nečekal, že z hedge fundů vznikne jeden z nejlepších open source local modelů. A je to vlastně zajímavý, že ta Čína má to stigma toho, že vlastně ty data nejsou protected. Takže myslím si, že to je právě ten důvod, proč si myslím, že Čína jde víc s tím open source směrem. Nebo jako nabírat market share a tak, jakože sbírat data, že jo a tak, jako nevím, jenom taková otázečka.

No a vnímáš tam nějaký situace, kdy jako vidíš, že dobrý, tak teď fakt jedu bomby prostě a mám toho strašně moc do toho, jsem mega produktivní. Mám třetí verzi produktu za týden, ale někdy jsi prostě třeba zaseknutý, nejde to tak rychle a víš, že kdybys to vlastně udělal manuálně, tak by to třeba bylo lepší a rychlejší. Stoprocentně. A myslím si, že kdyby někdo řekl, že to tak nemá, tak bych se hodně ptal, protože myslím si, že to je jako obecní vlastně teďkon problém, vlastně kde je ta míra té efektivity, vlastně v tom, že tý jako plný automatizace, nebo kde vlastně člověk jako to dělá tím vibe codingem nebo prostě si jenom píše s klaudem. Někdy to vibí a někdy ne, no.

Přesně. Tam, jak jsem vlastně chtěl zmínit tu druhou vlastně část, co byla pro nás ta revoluce, tak to bylo určitě OpenClaw, který vlastně unlocklo vlastně nějakou zajímavou vlastně novou jako direction, jako celkově AI agentů a celkově jako ty technologie toho, že to nejsou jenom pasivní agenti, ale je tam vlastně ta aktivita, je tam vlastně ten... Je tam heartbeat. Je tam heartbeat, je tam ta duše... A tam si myslím, že je tato otázka vlastně nejvíce relevantní pro nás, kdy my jsme vlastně začali stavit vlastně někdy v lednu jsme začali stavit jako poměrně sofistikovaný open-class system, který právě má poměrně jako hloubku v tom, jak je designovaný, to potom třeba zmíním i ty detaily.

Jirka Vicherek Patrik Gudev toho, že najednou se zeptám té otázky a teď, když to prochází vlastně, dejme tomu třeba jakýma třeba deseti, dvaceti agentama, tak najednou ten computing a ten čas toho, než se vlastně ta odpověď ke mně dostane, tak je... Tak trvá. A pak si vlastně člověk řekne, tyjo, a vlastně proč to tak trvá, proč vlastně můžu si to udělat tady vlastně jako v Manusu nebo v Klaudu nebo tak. A můžeš dát příklad jako nějaký modelový situace nebo ty otázky? Já si myslím, že obecně, když člověk potřebuje get things done a nějaký třeba deadline, něco potřebuje rychle a je to víc přímočarý, tak tam se to dá, tam si myslím, že to dává přesně ten smysl.

Jako vlastně not over engineering, prostě je tu věc. Že myslím, že když to má dostatečnou konkrétnost a není to nějaký strategicky obrovský rozhodnutí, Takže to myslíš tak, že třeba mám deadline na to, abych do produktu dodal tadyhle z tu fíčuru nebo zkrátka mám nějaký meeting s klientem a chci udělat nějaký prototyp nebo něco takového, takže systém toho, jak tohle z toho udělat, chápu to správně? Jo, je tam určitě jako takový rozkol, jako i osobně, jako s tím furt vlastně zápasím, že občas já myslím, že OpenClaw a tyhle ty systémy jsou powerful hlavně v tom, že dokážou vlastně fungovat 24-7, to znamená, že pracujou vlastně, i když spím pracujou vlastně jako non-stop, což je vlastně ta super power, ale občas stejně člověk musí vždycky kontrolovat ten outcome, protože pořád poslouchám 15 skladev denně Ale je to tak, že vlastně člověk jako stejně musí nějakým způsobem ten QA jako vlastně udělat, než aby to pustil do produkce No, tak to by bylo jako hodně odvážený Jo, jako občas jsme tam něco takhle střelili, ale jako nemám s tím zase bylo Tak půl a půl, no Takže Můžeš uvíct nějaký jako reální případ Jako bug fixing no, jako dejme tomu třeba nějakých jako věcí, tak občas něco jako jsme byli trošku odvážnější než jsme měli a pak pak najednou třeba zjistím, že to jako by nebylo dobrý rozhodnutí. Takže to prostě nefungovalo vůbec, předtím tam byl jenom trochu bug, ale... Nebo to rozbylo něco jinýho, no.

No jasně. No a když se podíváme teda na to, jako zmínil si 20 agentů v tom jednom autonomním agentním systému, tak jakou to má architekturu, nebo jak vůbec jako nad tím jste přemýšleli, když se to stavěli? Jo, já jsem vlastně začal stavet ty, když vlastně to, začal jsem se s tím hrát, když vlastně to nějak jako vyšlo v tom největším jako v tom zrodu a vlastně jako hodně jsem se do toho položil vlastně první kvartál No to byl největší hype taky Byl největší hype, tak jsem jako šel all in na tohle z toho, což Mělo svoje určitě jako trade-offy, protože je to furt na začátku ta technologie a to jsem si vlastně třeba neuvědomoval vlastně v té době, že člověk musí, aby to spustil, tak musel do toho dát opravdu hodně času v tom jako konstantně opravovat a vlastně vytvářet tu architekturu. A v té době ještě vlastně člověk moc nevěděl, jakým způsobem se staví ta architektura. Takže třeba první generace vlastně toho systému, co jsme stavili, jako možná většina lidí, je, že člověk si vezme org charts jako svý firmy a řekne si, tady bude můj CEO, tady bude CTO, CEO, a tady vlastně každý to bude agent a tady tenhle bude dělat marketing a tenhle bude dělat toto.

A to je právě podle mě ta největší chyba, protože ten problém vlastně, co tam nastane, že člověk vlastně občas řekne nějakému agentově vlastně nějaký kontext, ale vlastně ten routing toho kontextu a vlastně toho knowledge je potom vlastně poměrně komplexní, že vlastně ho nedá do těch dalších agentů. No a kde teda začneš? Začneš asi spíš jako u toho know-how, nebo u nějaký jako... Informační databáze, kontextu právě. Já vlastně mám, co rád vlastně říkám, že jsou tři fáze vlastně toho AI a celkově automatizace a myslím se, že to je aplikovatelný skoro na všechno.

Je, že první vlastně jenom sbírám informace na první fáze. To znamená, když člověk má firmu, tak napojit jí vlastně na všechny zdroje a my jsme to fakt napojili jako i na bankovní účet, popravu na Stripe, na Ale nemůže si nic dělat, jakože read only. Ne, read only. Zatím. Ale to je právě ta první fáze toho read only.

Já vlastně, jakoby vzít všechy. No dobře, takže prostě to tady řešíme leta letoucí, jo. Nejenom DataTalku, ale zkrátka nějaký ucelený data prostě o firmě. Bíjajko. Jo, jo, jo.

A myslím si, že je důležitý to napojit jako na, čím víc informací to má, tak tím víc kontextu je to schopný jako pojmout. A u nás vlastně funguje, že my jsme si udělali jako vždycky každá ta firma má jako svůj intelligence, jako GitHub repo, to znamená jako Deep Noise má svůj jako Deep Noise intelligence a tak a vlastně tam jsou vlastně celý ten kontext, vlastně celý tý firmy, všechny strategický rozhodnutí, vlastně všechny naše meetingy, vlastně se jako rekordujeme a vlastně jsme jakoby udělali vlastně nějaký jako, k tomu říkáme single source of truth, kde vlastně jsme schopní mít jakoby tu nějakou bibli vlastně celý tí. Dobře, takže jako váš single source of truth leží na GitHubu. Jo, jo, jo. A to je vlastně jeden z těch zdrojů, kde vlastně člověk.

No a jak to, abdejte, že máte nastavený nějaký Já to mám nastavený vlastně v té pipeline toho mýho open goal, že vlastně jednak vlastně ta první fáze je vlastně jakýokoliv agent, než cokoliv dělá, tak je vždycky mít jako kontext té situace. A to je vlastně jako ten power. To znamená... První je tadyhle do Readme Markdownu a... To znamená, já vlastně co dělám a to je vlastně navazuje i na tu věc tý hierarchie versus jako mít plošný agenty.

Já mám vlastně jenom jednoho agenta, ale já ho klonuju. To znamená, já vlastně jsem schopen ho naklonovat na 40 agentů, ale on vlastně všechno jakoby se sourceuje z toho svýho jako jednoho agenta. a to třeba za mě jako by ta plošná a to třeba jako Jack Dorsey jako by taky třeba zastává vlastně tuhle filozofii teďko s těma novýma, že je mnohem lepší mít jako plošnou a nemít tu vlastně byrokratickou hierarchii vlastně té firmy, protože ta navopak omezuje vlastně sdílení těch dat. To znamená, že mít jednoho agenta, který vlastně se replikuje a vlastně má všechny ty a vlastně ten... a jednoho Jarvise a hotovo.

Takže jeden agent, který, a myslím pro začátek to dává velmi velký smysl, který je vlastně naklonovaný a má jedno to kontext window a spíš vlastně řešit skily, pomocí skillama řešit vlastně ten... ty know-how, jakože když chci něco o marketingu, tak je to spíš jako skill, než... Než by si potřeboval úplně novej systém. Přesně, než tady bych měl jako Pepu, který je novej agent, ale zase nerozumí vlastně těm všem ostatním věcem. A jak se bude tvoj agent, říkáš mu nějak?

Já mám Frenka a mám Aslada.

Patrik Gudev (01:00:29): A Dona je moje personal assistant. Ok, ok. No a dobře, takže já bych si chtěla dostat ještě nějakým těm reálným věcem, který to dělá, nebo prostě ty role, který to plní, případně jako use case, na který je to aplikovaný, je to teda řekněme day-to-day operativa té firmy, když už jako kouká do bankovního účtu, takže je to jako váš CFO nebo A myslím si, že to vlastně je specifické pro každou firmu a myslím si, že to je jako obecně, že každý má nějaký jako jiný problém, každý má nějaký jiný jako challenges, někdo víc koudí, někdo potřebuje víc jako kontrolu nad nějakým managementem. Já bych se chtěl vlastně vrátit k té části, jako, že já si myslím, že nejročtí jsou ty tři fáze, že vlastně ta fáze toho monitoringu je vlastně jako ten první step a to si myslím, že každá firma řeší nějaký jako jiný kontext, má jako jiný problémy, má jiný jako challenges a ten monitoring toho kontextu je vlastně to, co je jako zajímavý a dokáže dostat jako vlastně velmi rychle, člověk dokáže vlastně pomocí OpenClo dostat vlastně obrovskou jako knowledge. a právě my třeba to používáme hodně na třeba Sales Funnel, kde vlastně jako monitorujeme, jsme do toho zapojili vlastně všechny API jako Google Analytics, vlastně Google Text a potom jako PostHog vlastně na jakoby co se týče monitoringu stránky vlastně té naší platformy a je to vlastně, že od toho, kdy jdou na webovou stránku, kdy vlastně prokliknou na ten náš produkt, registrace, onboarding, vlastně první render a Pricing Page, což je vlastně u biznesu jako ta důležité jisté.

Myslím si, že tenhle monitoring dokáže občas odhalit jako vlastně ten nedostatek třeba v tom techu. Takže prostě nějakou nebo optimalizaci prostě té cesty. Jo, protože jako kolikrát třeba ten náš openclo, já už tam mám třeba připojených, já nevím, dvacet API callů teďko, jakoby vlastně ze všech těch těch jako platformem, tam jde o to, že je to strašně fractionized, jakože vy to všude vlastně jsou, a teď člověk nechce prostě tady jít jako do Google Analytics a tady pak jako by post hoc, pak tady tohoto. Ono, takhle se staví datový sklady, že jo a tak. Jo, rozhodně, ale myslím si, že i pro třeba malý startupy, ten jako ta možnost toho dashboardu je vlastně věc, která se dá udělat poměrně rychle.

a máte velkou value. Takže Vy vlastně nahrazujete tímhle systémem vlastně celkovou řekněme jako bazální business analytiku. Ano, ale zároveň i kontext, jako kodu, bugů, customer support, když vlastně nějaký člověk řekne, že customer support, takže to může udělat hned automaticky ticket a ten ticket se dá potom zpracovat, vlastně jakoby jdou už do vibe codingu a do codingu, ale vlastně dá se to všechno dělat jako autonomně. Tam jde o to, že já si myslím, že ještě abych to vlastně dořekl. První část je ten monitoring.

Druhá část je vlastně nějakým, že už ten agent je schopen vlastně produkovat nějakou value, ale vždycky je human na konci té validace. To je vlastně ta druhá fáze. A ta je vlastně jako, aby si člověk dostal do třetí fáze, to je vlastně ta plná autonomie, tak ta druhá fáze je vlastně strašně klíčová v tom, že tam vlastně člověk ten open-claw systém udělá nějakým způsobem nějaký output, buď to to může být kód, prototyp, nebo to může být nějaká datová analýza, může to být nějaký opinion a ten human in the loop a A vlastně, aby si člověk dostal do té třetí fáze, tak tam je vlastně ta kritická část, což je jakoby ten self-learning loop. Je vlastně člověk jakoby vlastně jakýkoliv to rozhodnutí toho člověka musí zaznamenat, aby potom mohl vlastně naučit toho agenta dělat lepší rozhodnutí over time. A to je vlastně ten self-evolving system, který si myslím, že to je ten holy grail vlastně jako celkový chtělen z těch systémů.

Takže myslím si, že pokud člověk vlastně půjde podle těhle z těch tří pelířů, Tak si myslím, že to je ta správna, nebo aspoň minimálně mi to zatím historicky fungovalo, skoro ve všech připadech. Já si myslím, že to je úplně jiný přístup, než na který jsme zvyklí, což jako jasně, věci se mění a myslím si, že určitě musíme všichni jako... Jako začít fungovat nebo přemýšlet, ne fungovat, no jako fungovat potom taky, že jo, ale zkrátka přemýšlet nějak jinak a přijde mi to jako hodně vývojářská cesta, jak vlastně nahradit takovou to jako datovou vrstvu, která potom jako vstupuje do toho agenta, což samozřejmě jako je podle mě možný, nebo asi tady není správně a špatně. Ale není to asi plně možné pro každýho. Samozřejmě prostě pro vás tím, že jste v nějaké fázi, prostě fungujete řekněme chvilku, že jo a tak, tak ta potřeba zase bude prostě úplně jiná než prostě u nějaký větší firmy, že jo.

a tak, ale takhle já tomu hrozně fandím nebo jako líbí se mi to, že vlastně si tam umíš najít nějaký jako loophole a proč by jsme to dělali, že jo, nebo jako proč by jsme stavili datový sklad, no tak si uděláme prostě GitHub repo a je to. Víš jako, že vlastně jako proč ne? Já osobně věřím tomu, že a to si myslím, že je aplikovatelný skoro na všechny jako biznesy, možná třeba korporace, vůbec složitější, ale pokud člověk... český spořitelny. Tady máme GitHub repozitář.

Ale myslím si, že pokud člověk, člověk má vlastně dvě volby, že jo? Jedna je, že prostě je tím svým tradičním způsobem a vlastně škáluje. A druhá je vlastně ta transformace vlastně na to AI. Určitě ta transformace na to AI má určitý úskalí, který můžou ohrozit ten biznes. Protože pokud člověk má špatný lidi a špatně se zaintegruje vlastně tyto AI postupy do jakoby zavedných firmních postupů, který fungujou, Tak si naopak myslím, že to může i skoro zníčit určitý firmy.

Ale myslím si, že zase pokud člověk neinvestuje do toho AI, myslím si, že mnohem větší riziko je vlastně jako... Že jsteš na Vavřínech. Jo, protože... Když budeš mít dva biznesy, jeden bude vlastně, bude tou tradiční cestou a druhej bude plně automatizovaný a bude jako pomocí AI, i když třeba začátku nebude první rok třeba tak úspěšnej, tak ta linka toho self-learningu a toho, jakým způsobem ten agentic system je powerful a jsme furt na začátku, to je asi strašně důležité si uvědomit, ale myslím si, že mnohem větší risk je vlastně to neudělat ten krok, protože potom vlastně ta firma, která bude mít dva lidi, a bude moct najednou manažovat desetimillionovej biznes a rozdrtí ten druhý biznes, který to dělá tou tradiční způsobem. Protože když mám najednou sto lidí a vlastně ve dvou lidích jsem schopen udělat output těch sto lidí, tak...

No jakože vedu lidech plus jako pár kostů navíc, ale k tomu se ještě dostaneme. Nicméně podařilo se vám dosáhnout toho levelu 3, jakože toho plně autonomního operování. Dostali jsme se tam s codingem. Ale pořád je tam nějaká validace, jakože to nepouštíte do produkce, nebo... Je tam jsme zhruba, já když spustím, mám teď 40 agentů, který pracují přes noc, ale ten output jsme teď v nějakých mezi 20 až 50 % efficiency.

Ale je tam vlastně spoustu ještě jakoby ty TQA části, takže my jsme ještě furt v tom procesu vlastně já myslím, že tohle je vlastně jako nekonečná disciplína nebo myslím si, že vlastně je to furt jakoby se vyvíjí dopředu a člověk se zlepšuje a furt furt zlepšuje ten systém takže my vlastně jsme schopní teď těma agentama vytvořit tu value, kterou vlastně jsme schopní zkontrolovat, ale většinou těch částí jsme ještě v levelu 2 to znamená opravdu málo co jako

Patrik Gudev (01:08:54): zkontroluji, ale zároveň je tam ten benefit toho, že spím a něco se děje. Třeba, no jo přesně, a je třeba pro e-mail. vlastně jako že jsme třeba natrénovali agenty na e-mail, že vlastně jako schopen přičíst vlastně celý naučit se vlastně ten language toho toho člověka vlastně pochopit ten kontext vlastně té situace a nadraftovat e-mail, ale vlastně neposíláš tě e-maily. Takže myslím si, že ta vlastně ten přechod z té druhé do té třetí fáze je hodně náročnej a myslím si, že je lepší ho jako nedělat plošně, ale hodně vlastně vyrát jenom nějaký malý části v tom procesu jakoby té firmy a tam potom jakoby nejen člověk udělá těch 100x vlastně to, co když tam není ten člověk. Ale samozřejmě spoustu těch věcí jsou tak specifický a potřebují tu péči, že je tam hodně komplexity mezi tím tý druhý a třetí fázy.

A všechny ty agenty a těch je 4020 teda jsou na Open Claw? Jo, jo. Já vlastně jsem vytvořil jako docela originální strategii, jako vlastně teďka postupem času začalo být jako spoustu dashboardů. Já myslím, že dashboard je vlastně ten operation system. Myslím si, že vlastně open claw je jako z mého pohledu novej operation system of AI.

A myslím si, že takhle tímhle smírem to bude vlastně jako nějakým způsobem tam bude jako ten control interface. Což jako v dnešní době je třeba open close, začíná mít, že jako paperclip je vlastně jeden z těch zajímavých, ale já ho třeba osobně nepoužívám, protože má právě tu hierarchii vlastně jako org chartu, což si myslím, že třeba není úplně tak efektivní, ale začíná jako vznikat spoustu vlastně jeden z těch dashboardů, ale myslím si, že jako kastemalizovat si ten dashboard jako pro svoji firmu Je určitě jako ta správná cesta, protože má tím člověk jako tu kontrolu, ale je to rozhodně trade-off toho, že to bude zabírat hodin času. Znamená, pokud člověk chce jít rychle a nechce do toho investovat tolik času, doporučuji určitě jít paperclip, doporučuji vlastně jako... A teďka ještě dashboard s čím? Dashboard je vlastně jako vizuální část toho OpenClaw systému.

Jako, že tam vidíš logy, co jako dělal, nebo jako nějaký, řekněme, nějaký jako, nevím, Jira prostě pro OpenClaw, nebo... Jo, jo, jo. Jako, já jsem upřímně zastávám, jakoby, že... My třeba vlastně celý backlog máme v lináru, máme propojený linár vlastně do... No, neprávě do open globe, protože jako vlastně jsem si říkal, proč vlastně stavět issue list vlastně od znova, když existuje spoustu big techů.

To znamená, tohle je rozhodně důležitá otázka si položit, co všechno automatizovat, nechce automatizovat Slack. Nechci postavit Slack znova, protože Slack prostě funguje No, jako jsou případy, kdy je to trochu over engineering Jo, jo, jo Takže člověk určitě musí pracovat s nějakou efektivitou No dobře, ale pořád asi ten cíl toho, že dělám nějakého agenta nebo něco takového, tak je, aby mi pomohl líp dělat můj biznis, nebo zkrátka podporovat mě v tom, abych dělala to, kde je to moje know-how. Takže rozhodně stavit slaky a podobné věci. Nezbytečný asi. Jako vlastně ten největší jako holy grail nebo vlastně celýho toho systému, co jsem vlastně čel vyvíjet, že vlastně ta architektura je, že když máme určitý task, ten se vezme z lineáru, takže lineár má vlastně tu pipeline těch mojich queue, vlastně těch mojich tasků, to znamená já vlastně si navolím z lineáru vlastně, že chci udělat tyhle z těch 10 tasků, jakoby dejme tomu přes noc.

a nebo přes den a ten agent si to vezme, vlastně synchronizuje se vlastně s tím táskem a vezme, že to je jako jeho job a trigne se vlastně cronjob, který každých 15 minut se zeptá set otázek k tomu, jakým způsobem vlastně může ten agent udělat to, aby se ten tásk jako by dodělal. A já mám vlastně takový systém, jakože jsou dva levely vlastně rozhodování. Jeden je vlastně ten agent, což je vlastně jako normálně ten chatbot, což je vlastně poměrně jednodušší. Je to vlastně v podstatě jenom propojený jako s LLMkem vlastně ten OpenGlow agent. Samozřejmě má jakoby ta výhoda je toho, že má ten kontext jakoby té firmy, to znamená je tam, my jsme vlastně udělali poměrně sofistikovaný set of skills, to znamená, myslím si, že ty skills jsou jako důležitý, ale je důležitý určitě ten formatting, to znamená, aby člověk nedělal moc jako košatý ty skily a spíš navigoval jako tu datovou strukturou.

To je vlastně velmi důležitý, protože spoustu lidí dělá problém v tom, že zahltí ty skills jakoby spoustu kontextem, ale ten kontext potom bere compute a bere tu efektivitu těm LLMs. Takže to je určitě jedna z důležitých věcí. A mě třeba velmi dobře fungovalo to klonování toho jednoho agenta, to znamená má vlastně, nemusím tady manažovat prostě zbytečně jakoby komplexní nějakou strukturu agentů, který každej má nějaký jiný profil, takže tohle ta jednoduchost vlastně mi fungovala dobře. Ale ta zajímavá část toho systému je, že když mám nějaký sofistikovaný task, který potřebuje hodně výpočetní kapacity a je to důležitýho něco, tak jakým způsobem to děláme, že já vlastně napíšu ten task a mám jakoby prompt, který dokáže vlastně rozdělit toho agenta na 10 agentů. Říkat naklonuj se, aby si to všechno stihnul.

A vlastně já když se položím otázku Jakým způsobem bych postavil tuto novou funkcionalitu Pro můj produkt A ten agent Jeden si přečte všechny GitHub Druhý si přečte celý lineár Vlastně toho co se stalo Třetí si přečte My máme vlastně NVIDIA Cloud Service To znamená máme grafický karty tam Takže on se připojí na H100 Naše grafický karty A my tam máme poměrně dost dat A potom čtvrtý Vlastně se dokáže přečíst Vlastně i Slack Ten single source of truth Pak se jde meeting No právě, že A to je vlastně to, co dělá spoustu lidí A to si myslím, že je právě ten chaos Jakoby ty vlastně nesmíš nechat Tenhle z ty agenty, aby spolu mluvili Protože potom vznikne totální mez A to je myslím si, že je jedna z věcí Co bych doporučil jako nedělat Protože myslím si, že meetingy jsou jako by vlastně... Jako meetingy by se měly eliminovat všude. Přesně. I u agentů. Jo.

A to je myslím si, že jedna z těch velkých chyb, že oni pak dělají lidi spoustu jako groupchatů a vlastně teď ty agenti tam začnou spolu to. Ale tam je problém toho, že vlastně začne vznikat chaos. Začne vznikat strašně moc textů. A co je teda ta pravda? Jo.

A teď člověk neví, co je ta pravda. A my jsme vlastně vytvořili, já potom mám vlastně druhou část, což se jmenuje GATE. A vlastně GATE, já jsem to založil vlastně na engineeringových principech. Já jsem se inspiroval třeba i Elonem Muskem, který má vlastně takových five steps pro engineering. První je vlastně make your requirements less dump, to znamená vlastně vosekat, jako když vlastně člověk má obrovský množství toho kontextu, tak ne všechna kontext je relevantní, takže člověk musí začít katovat, to znamená musí vlastně začít katovat všechno, co jakoby tam, nebo první to zjednoduší, vlastně, že jakoby je to do formy vlastně toho, aby ten agent to chápal.

A navíc realita, že nějakých kontext Windows a tak dále, prosím. Jo, právě. Člověk nemůže tam nalejit jako... Vlastně, když udělám tuto sekci vlastně těch agentů, tak já mám vlastně nejednou třeba 20 MD filů, který jsou jako nabušený. Prostě opravdu jako...

To jsou třeba stovky stránek. A já vlastně potřebuji vlastně katovat. To znamená, já první vlastně zjednoduším, ten text. To je vlastně ten první krok. Druhý krok je...

Delitování, to znamená, on začne delitovat všechno, co není relevantní pro ten topic. A potom třetí fáze je optimalizování, to znamená optimalizování toho, aby vlastně to zadání pro to AI bylo jako dostatečně srozumitelný a dostatečně krátký. A potom vlastně začíná hodně zajímavá část, kterou jsem dokonce, jsem do toho napsal i vědecký paper a dokonce jsem to i měřil. Já jsem se vlastně inspiroval jako magnetismem a jako jako kladná negativní a pozitivní jakoby hodnota a myslím si, že vlastně tohle stoje jako když člověk přemýšlí nad LLM, tak vlastně přemýšlí nad určitým jako energí vlastně nějakým jako výpočetního výkonu A ta nejlepší architektura, která jsem zatím projevila jako nejsilnějc, je vzít dva nejsilnější modely, ale vlastně dáte jako tu polaritou. To znamená, já jsem třeba svéma zkušenostma, a možná každej to bude mít jinak, a bude se to asi měnit, ale třeba GPT je z mýho pohledu...

Je lepší na zadání nebo na něco takového. Má takový ten kritický mindset. To znamená, já to beru jako tu negativní vlastně hodnotu vlastně toho kritizování vlastně nápadu. A za mě třeba Opus nebo Fable teďko celkově Antropik vlastně je zase velmi kreativní a dokáže vytvořit vlastně spoustu zajímavých myšlenek, zajímavých věcí. Ale vlastně mě se podařilo zapojit ty lensty dva tak, aby měly velmi těsnej harness, to znamená iteration loop mezi jima dvouma.

Ale je tam extrémně důležitá ta polarita. Takže co vlastně se mi děje v tom OpenClaw, že oni vezmou ten lensty data, které jsou vyfiltrované. A tam začíná ten computing. A tam vlastně oni udělají dejme tomu pět až dvacet kroků výměn, takový ping-pong mezi sebou. a většinou z toho jsou jako ty nejlepší výsledky.

A potom jako už vlastně ten processing, to znamená už to pak porovná jako by co bylo to zadání v tom lináru a vlastně potom je jako by ta implementace, to znamená tam je pak ten execution layer, což vlastně já potom vlastně zadávám do mánusu, takže já jsem propojil vlastně ten CGPT, že ho s Claudem udělá nějakým způsobem to zadání a potom se to pošle vlastně do mánusu jako vlastně to zadání. Takže Open Cloud to prostě pošlo do manusu? Jo, jo, jo, já tam mám vlastně ten routing toho, že vlastně pak jde ten execution layer a zajímavý je, že já vlastně když si porovnám tomu, jakým způsobem jsem pracoval s tím mánusem a jakým způsobem ten Open Cloud pracuje s tím mánusem, já jsem občas úplně v šoku a to bylo třeba poprvé, když jsem s tím pracoval, tak já jsem mu říkal jako a ví to přece, jako by musíš udělat pět kroků k tomu, jako aspoň pět promptů, aby se tam člověk dostal, ale mám prostě jako na první dobrou, prostě to tam jako dá a já jsem se pak koukal vlastně, co je to zadání a to bylo třeba jako dvacet stránek prostě jako, jako upřímně řečeno jako hodně skoro neserozumitelný pro člověka a Ale tam jde o to, že vlastně it get things done a že vlastně potom si vezmu ten prototyp a řeknu wow, okej, tak tohle jakoby vlastně funguje, tohle nefunguje a jakoby to znamená to je vlastně... Změny jako skladatele tehdy. No jasně, jakože, ale...

A potom ještě, abych to vlastně dopověděl celý tohle téma, tak tam je potom ještě QA, což je vlastně jako, ale myslím si, že hodně, a to je vlastně teď, co děláme, hodně research a ještě upřímně nemám správnou odpověď na to, ale vlastně jako evals jsou vlastně jako mnohem efektivnější jako v tom, jakým způsobem vlastně jako validovat, co je vlastně jako správně, co není správně. a to znamená, že člověk vlastně nějakým způsobem zanalizuje tenhle ten a ještě jedna z důležitých věcí, co chci zmínit, tak já mám vlastně u každého tohle z toho loopu, tak já mám jako jury, to znamená, já beru vlastně dva modely, které jsou, nejsou vlastně v tom systému propojený, to znamená, beru Gemini a Grog, který vlastně jako rozvalidujou vlastně celý ten output, jakoby všech těchto agentů. Aby o tu party taky nepřišly, že? Právě, musíme tam mít všechny. Ale jako z mýho filozofického pohledu je to, člověk jako musí nad tím přemýšlet, jakým způsobem vlastně jako proč stavit OpenClaw, jako když tady mám prostě Antropik, který jako má vlastně nekonečný resource, nebo ne, ale ale přece jenom open source věc versus biliardová firma, jako je trochu rozdíl, že jo.

A proč vlastně pracovat, proč vlastně stavit open clock, když tady prostě... Když máš co-work, že? No, když máš co-work, přesně tak. A já si myslím, že ten důvod, který bude bulletproof i teďka, je, že já nevím, jestli Anthropic bude za dva roky vlastně number one. A já nevím, jestli GPT bude vlastně to...

Ale výhoda mít tohohle systému Ježi, vždycky ten model můžeš vyměnit Jo, to znamená Dneska prostě zase unlockly fable Takže já vlastně můžu udělat tak Hned tam Hned to tam vlastně můžu nastavit A takhle vlastně člověka tam může nastavit během minuty Jenom poznámka, nahráváme prvního sedmí, takže vůbec nevíme Co se stane A zdali informace budou Aktuální Jo, jo, jo Takže jo, Sonnet 5 včera vyšel a tak. Takže Antropic má teďka docela zábavu asi. Co rozeně, no. No hele, jakože já tomu rozumím, že vždycky je lepší používat prostě řekněme nějakej rapper nebo prostě nějakej orchestrátor těch modelů, který pořád si bude zachovávat ty instrukce nebo zkrátka ten řekněme jako ingest těch informací a prostě měnit tomu modely. Jakože dává mega smysl.

Ale zároveň, jak byl kolem OpenClaw obrovitánskej hype, tak zároveň kolem toho vznikala velká kontroverze, hlavně co se týče bezpečnosti a tak dále, přece jenom má to přístup k terminálu a má to heartbeat, takže vlastně jako. Rozeně tohle je velmi dobrá otázka Já si myslím, že každý si musí nějakým způsobem sám sobě říct Co je pro něj důležitý Co je pro něj ten risk appetite Protože já třeba jsem člověk, který jsem víc liberální a radši udělám ten trade-off toho, že mu umožním víc kontextu o mém životě, o mém přístupu k datům A než abych vlastně se bál víc těch security risků, to znamená možná nějakým způsobem jsem třeba víc vulnerable pro nějaké útoky, ale zároveň pokud třeba Macbook, Mac má vlastně sám o sobě velmi sofistikovaný security jako personal Devices, to znamená, pokud člověk ten open claw nepoužívá pro nějakou aktivitu na internetu, která vlastně jako nějakým způsobem. Jako nebo tam nemá vyleženě posílání e-mailu nebo něco takového, jakkoliv komunikace s vnějším světem. Přesně, pokud vlastně je tam ten risk, že nějaká third party vlastně může komunikovat s tvým systémem a tím pádem vlastně je tam ten risk toho, že by mohl vlastně přeprogramovat tvůj počítáč jako pomocí terminálu, tak si myslím, že ten risk se jako zásadně snižuje. To znamená, strašně záleží na tom use caseu, to znamená pokud člověk jako chce, aby ten agent byl víc ve světě, tak možná bych skoro doporučil jako mít separovaný počítáč, který...

Macmini. Přesně, meet another one, který je jakoby... Mít to někde na nějakém serveru možná taky, nebo... Takže ty to máš tedy u sebe na lokálu? Mám to na lokálu, no.

Mám jako víc jak počítačů, mám asi pět počítačů, takže různě to stavím teďko, snažím se to šířit. Mám pět agentů, pět počítačů. Je to, ale tak ono, že tím, jak pracujeme jako s Big Data, tak máme spoustu jako rendrovacích mašin. Ale myslím si, že vlastně ten rozdíl, jako samozřejmě servery jdou, ale tam je potom problém u serverů v tom, že ten agent, speciálně pokud nějak aktivně pracuje na internetu, tak je hodněkrát redflagovaný jako bot, protože ty API adresy vlastně těch poznají, protože to jsou prostě AWS servery, Azure, A to znamená Takže lokál je vlastně mnohem víc powerful v tom, pokud člověk chce mít větší svobodu a autonomii v tom, aby vlastně ten agent nebyl flagovaný vlastně těma stránkama Rozumím No ale zároveň to vypadá, že ti tam toho běží strašně moc Jo. A je zatím spojená, spojený ty kosty, to mě hrozně zajímá vlastně, jak tam funguje ta ekonomika zatímhle a vůbec, když říkáš i to, že máš v OpenClaw propojený kodex i Clauda, tak já nevím, co já vím, teda tak defaultně můžeš mít přihlášeně jenom přes API token u Anthropiku, že jo, do OpenClaw, což jako tě dokáže, což se dokáže jako trošičku jako nadlábnout tokenama.

Já myslím, že rozhodně jako alokace tokenů je vlastně jedna z těch největších otázek teď vlastně pro firmy. Vlastně kdy spoustu teďko bylo nadšení toho, že vlastně pojďme všechno dělat AI a teď najednou vlastně spoustu firm najednou se pak podívalo na účet a wow, okej, to možná by stalo za to mít. Možná jsme to trošku přepískli a myslím si, že to je jako jsou tam dva levely. Je tam level jako určitě jako velký firmy, která vlastně Jako, že má velkou jako spotřebu tokenů, takže jako, kde je vlastně ta efektivita. To znamená, myslím si, že ne všechno potřebuje opus 4.8 nebo fabel, to znamená, myslím si, že jako ten stachytrost v tomhle je rozhodně důležitá, ale samozřejmě je to těžký vysvětlit, jakoby ve struktuře, kde člověk má třeba, nevím, 40 lidí, tak jakým způsobem jako...

Jaký jako LLM Ops, nebo nějaký takovýhle... Tak já myslím si, že je lepší mít vlastně centrální systém, který je napojený do Slacku a vlastně který je schopen routovat. No dobře, ale ten centrální systém, teda operují lidi přes Slack, ale běží u tebe na lokálu. Jo, běží třeba, tak máme tím, jak mám více projektů, tak něco je můj osobní, to znamená něco běží na lokálu, ale něco mám Mac Mini v kanceláři. A ten způsob, je to hodně o tom, jakým způsobem vlastně deleguje ty člověk ty data.

A jako... Možná prozradím takový jako jeden hack, který se nám podařil a vlastně co nám umožnilo vlastně vůbec to škálování vlastně do téhle míry a to je vlastně Codex, že ho má jakoby CLI a což si myslím, že možná dost lidí třeba bude vědět, že vlastně je možnost propojit vlastně OpenClaw s Codexem jako pomocí subscriptionu, to znamená zjistě dolarový subscription jako Jste přes single sign a naseš tam. Jo, jo, CLI, vlastně funnel, dokáže jakoby používat vlastně tenhle z ty tokeny. A musím říct, že většina z mých zkušeností, aspoň teďkon, jako pro tuto relevancy, je jako, že GPT je velmi extrémně powerful a dokáže vlastně, člověk má mnohem víc tokenů, než v Antropiku. Antropik je vlastně hodně náročnej na tokeny.

No tak záleží, jaký máš předplatně. Nebo takhle, myslíš v tom stejném levelu? Jo, teď se bavím opravdu, když člověk, který je 40 agentů, jako 24 sedů, tak na jedno předplatný... Jako dokáže třeba většinou tak jako 14 dní třeba jsem schopen fungovat. Ale vlastně jeden z těch hacků, co bych tady chtěl prozradit, je, že existuje i věc, jakým způsobem připojit vlastně s Anthropic Subscription, jako ten dvou sedolovej model.

Nepotřebuješ to na otapi klíč. Tam je problém v tom API, že pokud člověk má prostě startup a nemá třeba tolik těch resources, tak API je extrémně drahý, ale jako extrémně, tam člověk upravdu jako dokáže propálit 100 dolarů za den a ne-li hodiny, jako když má nějaký jako sofistikovanější systém. Ale co jde, a to tady můžu prozradit, je, že jde udělat funnel i teďko. Dokonce to je i furt v podmínkách antropiku je to trošku grey zone, ale dá se to udělat. je, že dokáže propojit s pomocí CLI funnelu jako Anthropic Subscription.

To znamená, já mám vlastně 200 dolarový subscription. No jasně, Maxíka pěkně. A tam už potom to začne být jako ekonomicky reasonable. Ale ten důležitý tip je, že pokud člověk staví Open Claw systém, tak nesmí nikdy ho reprogramovat Claude Codem nebo něčím vlastně, co je jako Anthropic, protože Oni to poznají. Oni to poznají.

A oni automaticky ti přepnou tvojí CLI subscription, ti přepnou na API, aniž bys člověk o tom věděl. A to znamená, pokud člověk chce udělat tenhle ten funnel, tak kodex, jako, upřímně já jsem byl překvapený, jak rychle to šlo, že normálně pomocí kodexu jsem řekl, hej, chci mít tady prostě Anthropic subscription pomocí CLI, just do it. A jako, měl jsem teda nějaký jako snipec kodu, co jsem jako našel na Twitteru, Takže věřím, že pomocí koudexu, koudex je víc takový liberální v tomhle, tak člověk může ušetřit popravdu desítky tisíc, ne ale i víc. No Ježišmarja, určitě. No dobře, ale to máme jednu část té ekonomické stránky, jasně jako že tohle jste určitě dobrý zlepšovák, když nepálíš tokeny prostě přes API, tak jasně, že to dokáže docela hodně ohlevnit tu cenu, ale těch nákladů zatím bude strašně moc dalších, ať už je to ten Manus nebo nákup Mac Mini, však takovýhle věcí, který potřebuješ k tomu, aby vůbec něco takového mohlo fungovat.

Ne, rozhodně. Je to investice do budoucna. Já myslím si, že jedna z těch největších challengí, co teďkon si myslím, a teď vlastně nacházíme se v takovém období jako vystřízlivění, je, že tato technologie je složitá. Je složitá v tom ho dostat do toho, aby vlastně byla produktivní, jako reálně produktivní. Aby jenom nežrala to keny.

Přesně, protože je velmi jednoduchý jako... Nebo ne, není to úplně jednoduchý, ale je poměrně jednodušší, jakoby vlastně, aby najednou si tam deset agentů něco povídalo. To je však s lidma, no. Jo, jo. Ale vlastně, jakým způsobem extrahovat tu reálnou hodnotu pro ten biznis?

To je vlastně ta největší otázka podle mě tohohle roku a myslím si, že i tý transformace vlastně všech biznisů a myslím si, že tam aplikujeme zase tuto pravidlo těch tří fází, jako monitoring, vlastně nějaký advice a potom ten self-autonomy, kde vlastně člověk to musí fázovat tyhle věci, aby vlastně se dostal do té produktivitě a je to velmi důležitý to nadizajnovat správně, ale abych se vrátil k těm kostům Jako my jsme, jako když to teďka beru z toho startupového hlediska, tak my vlastně byli jako velmi efektivní v tom, že se nám podařilo udělat spoustu partnershipů, takže my jsme dostali jako spoustu Azure Creditu jakoby na GBT, takže jako pokud je člověk má startup, tak jde normálně jako napsat. Vlastně a využije všechny možný benefity, které existují vlastně. Takže můj kolega Matt, který je v tom velmi šikovný, tak dokázal vlastně udělat partnership, máme s NVD, kde vlastně nám dali jako 8 H-stovek, jako grafáren, takže nám teď běží vlastně velký jako serverový cloud, který by normálně stál jako fakt tisíce dolarů. Takže i ta jedna grafárna, že ho stojí jeden milion korun No jasně, ježišmarja Takže vlastně To se dostalo dobře vyšmelili takhle To jo, tak máme takhle vlastně ve všem Jakoby vlastně i v API tokenech na GPT Ten Antropic se nám podařilo takhle Jakoby tím subscription jako pomoct Ale používáme ho jenom na ty nejvíc high level decisions Takže myslím si, že je to i o té ekonomice Toho, jakým způsobem Člověk pracuje s těma modelema Myslím si, že třeba Ale jo, ale někdy jako když si vezmeš, já rozumím tomu, že to je investice do budoucna, ale někdy prostě tam ten kost hraje velkou roli, že jo, protože ať už je to jakákoliv transformace, tak jakákoliv transformace má svoji cenu a teďko když se někdo může rozhodovat dobře, no tak jako mám vyhodit teda těch zbývajících pět vývojářů a koupit si za to radši prostě jednu NVID a Víš jako, že postavit si kolem toho celou tady tu srandu, tak zkrátka to rozhodování potom je jiný, protože prostě ač je to, ač to může velmi pomoct, nebo samozřejmě, že to jako hodně pomáhá, můžeš být produktivnější, děláš víc věcí, tak je to pořád asociovaný s celkem velkýma kostama. Já si myslím, že každý jedinec vlastně si musí jako říct, co vlastně je to očekávání.

A nebo nejenom jako jedinec, že jo, pořád zatím máš nějakej biznis, který jako ve chvíli, kde jasně, tak nám to, nám se daří tadyhletu investici vlastně proměňovat v nějaký revenue a vidímáme to, že prostě za poslední měsíc máme nárůst klientů, nevím, a povedlo se nám to díky tomuhle, tak jako jo. A počítáte si těm nějak, jakože s tadyhletou metrikou? Já si myslím, že ta strategie má ten horizont. To znamená, jsou určitý věci, co to AI dokáže v krátkodobém horizontu udělat tu value, což si myslím, že jsou věci jako customer support, email, nějakým způsobem ten monitoring těch dát. Ale je taková ta hodně sofistikovaná AI, si myslím, že je spíš člověk musí počítat s tím, že aby postavil tenhle operation system té firmy, tak musí počítat s tím, že to je full time job aspoň pro jednoho, možná dva lidi k tomu, aby vlastně opravdu furt vyvíjeli a je to spíš jako středně dlouhodobá investice.

S tím, že já osobně věřím, pokud člověk bude mít správný lidi na správném místě, tak si myslím, že během půl roku, roku, pak najednou to začne dávat jako extrémní smysl. Ale myslím si, že ten risk a myslím, že... A pořád jako smysl, jo, jakože... A to já vůbec nejsem nějaký jako hejtr nebo tak jako naopak, ale smysl, jo, jakože... Ten smysl byla být hlavně biznesový, že jo, ať to prostě přinese tu biznesovou hodnotu.

Jestli teda chceš udržet firmu, já nevím, to asi blbý slovo na živou, nebo zkrátka přežít tady to je apokalypsu, tak samozřejmě jako to nutné je, ale zároveň jsem mířila spíš tam, že to všechno musí dávat i nějaký ekonomický smysl. a je hezký si s těma věcma vlastně tak trošku hrát a zkoušet, co je všechno možné, ale zároveň to nesví přesahovat nějaký ekonomický benefit pro tu organizaci. Já to si myslím, že je právě ta frustrace jako dnešní doby, protože já si myslím, že spoustu firm mělo to očekávání, že okej, teď zajímavujeme. Jako bude strašně jednoduchý. Jo, ale vlastně spoustu.

Bude to levný, jednoduchý a bude to rychlejší. A všechny vyhodíme a bude vystará. A to je právě přesně jako by to vystřízdovění, myslím si jako obecně vlastně ohledně AI, je, že ty věci nejsou tak jednoduchý. A myslím si, že pokud člověk chce udělat tuto transformaci v tom byznese, tak si musí uvědomit, že to je spíš středně dlouhej horizont tý transformace. No možná spíš dlouho někdy, ale...

Já si myslím, že to období, kdy to začne dávat smysl, je někde mezi půl rokem až rokem a díl možná trochu. Záleží na komplexitě toho biznesu. Záleží, jak moc vlastně chce omezit ty problémy. Pokud se opravdu bavíme, že tady stavíme operation system, který vlastně bude schopen chápat všechno fungování firmy, chápat vlastně všechny problémy a aktivně řešit ty problémy, nějakým tím prototypováním, nebo i třeba prostě v salesu, marketingu, nějakým způsobem nějakýma aktivitama, tak je to transformace. A ta transformace může být dvěma způsobama, buď to je to automatizováním nějakých jednotlivých kroků, jako content creation, nebo prostě analýza, nebo tohle.

Algoritmus. Což jako... Určitě to je jako modulární systém, ale myslím si, že je potřeba mít ten layer vlastně té inteligence, která trvá nějakým způsobem postavit. No jasně, určitě, ale tak jako tady si myslím, že spousta firm má právě výhodu, že předtím zainvestovali, nebo takhle jo, aspoň to říkají, jak mají v pořádku datát, ale že zkrátka spousta firm už dřív zainvestovalo právě do toho, aby měli... V pohodě data, nebo aby tam měli, jako zkrátka, aby věděli, co se s jejich firmou děje a tak.

Takže to si myslím, že ty, nebo jako to si myslíme všichni, že teďko mají ohromnou výhodu. A samozřejmě ten, kdo to jako nedělal doteď, tak teďko bude ještě víc sracenej, to je jasný. A ten, kdo to dělá od začátku, no tak ten má takový výhodu, že jo, protože to může udělat tak, jak... Tak jak chce. No každopádně si myslím, že si rozumíme.

Já jsem to chtěla jenom trošku trošku challengeovat. Jako někdo, kdo řeší hlavně finance, takže tak. Ale máš tam ještě něco, co by si chtěl posluchačům předat? No, ještě jen vlastně, než úplně jako to uzavřem, tak ještě vlastně si řekla tu finanční část. Třeba nám hrozně funguje vlastně i ta matematika, jakoby ty finanční části, jakože třeba ten monitoring, my vlastně počítáme přesně ty kosty, jakoby vlastně všeho toho, co nás stojí ten náklad na to AI, ale vlastně kosty i jako pro jako se svou firmu, jako vlastně jsme schopný jakoby tím, že to mám napojený na bankovní účet, mám to napojený na Stripe, mám to napojený vlastně na všechny tyhle datový toky, tak já jsem vlastně schopen přesně vypočítat margin, vypočítat lifetime value mých customers, jsem schopný vypočítat přesně kolik je náš customer acquisition cost.

Veškerý metriky, který můžou kohokoliv zajímat. To znamená, pokud vlastně v té první fázi toho monitoringu člověk jako zakomponuje ty kosty, zakomponuje to, aby to dávalo ekonomický smysl, tak potom vlastně to je součísla. Stop loss, prostě tam nastavit. Stop loss, přesně tak. Takže to ještě jenom, abych reagoval na tu finanční část tohohle.

Aha, jasně. No jinak obecně, já jsem to i zmínil tedy, já si myslím osobně, že je větší risk vlastně, když člověk to nedělá, než že to dělá. Než že to dělá trošku riskantně třeba. Jo, protože je tam určitě risk toho, že člověk vypálí hodně peněz a možná to třeba nebude generovat žádnou value a to se jakoby velmi často děje a my máme s tím naši osobní zkušenost. a člověk musí pochopit, že to je proces, je to vývoj, nějaký rozvoj a člověk musí počítat s tím, že možná spálí určitý počet peněz na něco, co nebude generovat absolutně žádnou value, ale člověk pokud vyří té evoluci, tak musí si uvědomit, že je to středně dlouhá doba, kdy vlastně potom to najednou začne dávat extrémní smysl.

Takže... Jo, jasně, jakože je to cesta. Je to cesta, je to cesta. Občas bolestivá. Občas drahá, občas bolestivá,

Barbora Hinnerová (01:41:39): ale to se nedá nic dělat.

Patrik Gudev (01:41:45): Jinak určitě bych vlastně rád doporučil, pokud mi máte nějaké zájmy ohledně AI architektury nebo AI music, tak určitě naštivte náš web, máme rendero.ai a deepnoise.ai a určitě si mi přidejte na LinkedInu, pokud byte nějaký zájem třeba si něco popovídat, tak velmi rád je odpovím. No a možná hlavně, když budou stavit nějaký barák nebo rekonstruovat něco, že jo, tak rendero pro ně může být dobrý pomocník. Máte nějaký free tier nebo něco takového, jako na takový trošku pohráníčko? Jo, jo, máme 50 kreditů jako free tier. A kolik toho zvládne?

Jako pokud má člověk jako ten Stay Body Fusion a ten z ty model, tak udělá třeba 20 vizualizací. Ale pokud člověk jako vezme ty nejnovější modely, tak tam třeba sedm nějakých vizualizací. O, tak to je docela dobrý, že to je nějaká jako value. Jo, že si ty člověk může vyzkoušet. For free.

Jo, for free. Přesně tak. Takže pokud stavíte, děláte nějakou rekonstrukci, tak určitě bych rád doporučil a myslím si, že je to fajn právě v tom, že člověk si může navolit ty kombinace a může nad tím trochu přemýšlet vlastně vizuálně. Přesně. No tak děkuji za rozhovor, Patriku.

Ať se daří. Super, já taky děkuji.

Jirka Vicherek (01:43:10): Děkujeme, že jste doposlouchali až sem a díky taky našim stálým partnerům, členům DataTalk klubu. Těmi jsou Sazka, TV Nova, Direct Technologies, GoodData, Miton, Colours of Data, BizzTreat, FLO, Carl Data Company a intecs. Díky moc za podporu a nechtě vás provází data.