Když se řekne umělá inteligence, většina lidí si vybaví chatbot v prohlížeči nebo generátor obrázků. Něco, co napíše e-mail nebo nakreslí kočku v kostýmu astronauta. To je jedna vrstva toho, co AI dnes dělá – spotřebitelská, viditelná, rychle rostoucí.
Existuje ale jiná vrstva. Méně mediální, bez barevných ukázek, s výstupy měřenými v procentech konzistence detekce nebo v milisekundách řídicího cyklu robota. Tady AI neodpovídá na otázky – tady rozhoduje, zda výrobek projde nebo vypadne z linky, zda robot poškodí mechaniku nebo ne, zda pacienta správně identifikuje jako rizikového dříve, než je pozdě.
Tam operuje průmyslová AI. A tam operuje Inventec AI Center – pracoviště, kterému jsem se rozhodl v tomhle textu věnovat podrobněji, protože si myslím, že ho venku nikdo pořádně nečte.
Proč výrobce serverů buduje vlastní AI výzkum
Inventec (TPE: 2356) je jedním ze čtyř největších tchajwanských ODM výrobců AI serverů – vedle Quanta, Wistronu a Foxconnu. V prvním čtvrtletí 2026 firma vykázala rekordní tržby NT$200,3 miliardy, přibližně 6,3 miliardy dolarů, meziročně o 27,6 % více. Tažnou silou jsou AI serverové zakázky. Pro rok 2026 firma zdvojnásobila investiční výdaje (capex) na 1 miliardu dolarů, z velké části na rozšíření kapacit v USA.
Otázka je přirozená: proč firma, která vydělává na tom, že staví hardware pro trénink modelů, potřebuje sama vyvíjet AI?
Odpověď má dvě roviny. První je obchodní – ODM výrobci jsou pod tlakem komoditizace. Hardware se srovnává, marže tenčí a diferenciace přichází ze schopnosti dodat celý stack, ne jen krabici. Druhá rovina je praktická: Inventec má vlastní továrny, vlastní výrobní linky, vlastní výrobní data. Ideální testovací prostředí bez nutnosti přesvědčovat externího zákazníka o pilotním projektu.
Výsledkem je uspořádání vzácné i v technologickém průmyslu. Firma vyvíjí AI nástroje a zároveň je nasazuje u sebe. Referenční zákazník je interní. To eliminuje jednu z nejdražších fází vývoje průmyslového softwaru.
Inventec AI Center v Taipei tuto práci organizuje do čtyř oblastí: Smart Manufacturing, Trustworthy AI, Robotics a Smart Healthcare. Každá má vlastní výzkumný tým, výstupy v podobě publikací a nasazených systémů nebo obojí.
Smart Manufacturing: AI jako součást výrobní smyčky
Začít u výroby dává smysl z jednoduchého důvodu – Inventec ji má přímo pod rukou. Smart Manufacturing v AI Center stojí na dvou produktech, které jsou v produkčním nasazení. Ne v pilotu, ne v testovacím prostředí.
Observation Agent je Vision AI systém pro monitoring výrobní linky v reálném čase. Tři funkce: měření cyklových časů operátorů, detekce abnormálních pohybů a identifikace chybějících nebo špatně umístěných komponent. Systém funguje přímo na výrobní lince Inventecu.
Tenhle detail je podstatný. Výrobní prostředí je pro počítačové vidění řádově obtížnější než kontrolované podmínky laboratoře. Osvětlení se mění, pohyby nejsou předvídatelné, pozadí není čisté. Systém, který funguje v reálném provozu, prošel filtrem, který velká část akademických výstupů neprojde.
AI+AOI Laptop Surface Appearance Detection je komplexnější případ. Jde o automatizaci optické kontroly kvality povrchu notebooků – úkol, který tradičně závisí na lidských inspektorech se všemi jejich omezeními: únava, subjektivita, variabilita mezi směnami.
Firma uvádí čtyři měřitelné parametry:
- Přesnost vyšší než lidská inspekce
- Čas od pořízení snímku po AI analýzu v řádu sekund
- Podpora více modelů notebooků přes sdílenou databázi standardů kvality
- Zvýšení konzistence detekce vad o 15 % oproti předchozímu přístupu
Za oněmi 15 % se skrývá něco, co bych zdůraznil víc než v oficiální dokumentaci – jde o konzistenci přes směny, ne o jednotlivé měření. Přesnost jednoho snímku zvládne i průměrný model. Držet stejnou kvalitu rozhodování v pondělí ráno, ve středu v noci a v pátek před koncem směny, to je reálný problém výroby. Člověk na něj odpovědi nemá.
Systém je propojen s MES (Manufacturing Execution System) přes API. To uzavírá smyčku: detekce vady, záznam v MES, reakce výroby. Bez tohoto propojení zůstává AI inspektor izolovaným nástrojem. S ním se stává součástí procesu.
Na výzkumné straně stojí za systémem pět konferenčních publikací – GTC 2019, GTC 2020, WACV 2020, APSIPA 2021, ICME 2022 – a 12 patentů registrovaných na Tchajwanu, v Číně a USA. Dvanáct patentů na jednu aplikaci není náhodný výsledek. Je to signál, že se firma chová jako výzkumná organizace, ne jen jako systémový integrátor.
Trustworthy AI: regulátor nepočká
Ze čtyř oblastí je tato nejméně intuitivní volba pro hardware firmu. A přesto má velmi jasnou logiku.
Inventec se zaměřuje na kryptografickou ochranu dat a modelů, evaluaci robustnosti AI systémů a nasazení v regulovaných sektorech: finance, zdravotnictví, veřejná správa. Technický základ tvoří secure multi-party computation, federated learning a detekce halucinací v multimodálních modelech.
Kdo dělá integrace v regulovaném prostředí, narazí na tři otázky, které se stále vracejí: odkud přesně data přišla, kde končí a kdo ručí za výstup modelu, když něco selže. Technická dokonalost modelu je nutná podmínka, ale zdaleka ne postačující. Regulátor chce auditovatelnost. Bezpečnostní tým chce vědět, jaká data model viděl. Vedení chce záruky, že systém neselhá způsobem, který přinese právní odpovědnost.
Secure multi-party computation umožňuje výpočty nad šifrovanými daty bez jejich sdílení mezi stranami. Federated learning trénuje modely bez centralizace citlivých dat na jednom místě. Detekce halucinací v multimodálních modelech snižuje riziko, že systém s jistotou generuje chybný výstup.
Inventec tuhle agendu řeší jako samostatnou výzkumnou oblast, ne jako checkbox v projektové dokumentaci. Rozdíl, kterého si regulované sektory začínají všímat.
Robotics: trade-off analýza v číslech
Robotická divize pracuje na celém řetězci: výzkum, vývoj softwaru, systémová integrace, průmyslové nasazení. Výsledky jsou měřitelné.
Hybridní metoda řízení pohybu – kombinace tradičního řízení a neuronových sítí – dosáhla zlepšení plynulosti pohybu o 26,8 % při poklesu výkonu o 2,8 %.
Přeloženo do ekonomiky provozu: plynulost v průmyslové robotice se promítá do opotřebení mechaniky, přesnosti výstupu a vibrací celé linky. Zlepšení o čtvrtinu při kompromisu nižším než 3 % ve výkonu znamená nižší servisní náklady, delší životnost zařízení, méně neplánovaných odstávek. To jsou položky, které manažer výroby čte pozorněji než čísla o přesnosti modelu.
Tým paralelně pracuje na méně průmyslově okamžitých, ale výzkumně zajímavých frontách: lokomoce čtyřnohých robotů (projekty CARL a Expert Composer Policy), navigace v prostorově omezených a nepředvídatelných prostředích (BARN Challenge 2023) nebo přechody mezi pohybovými vzory. Tyto projekty mají horizont v řádu let, ale budují metodické zázemí, které se v průmyslových aplikacích projevuje se zpožděním.
Smart Healthcare: od Afriky po kardiogram
Smart Healthcare je nejrozmanitější oblast, geograficky i metodicky. A paradoxně ta, kde jsou výsledky nejlépe ověřitelné – protože firma soutěžila v externích mezinárodních srovnáváních.
V roce 2022 Inventec zvítězil v soutěži USAID Intelligent Forecasting Prize. Úkolem bylo algoritmické předpovídání spotřeby antikoncepce v Côte d’Ivoire pro optimalizaci zásobování zdravotnického systému. Jde o klasický problém časových řad v prostředí s nedostatečnými daty, nepravidelnou distribucí a vysokou cenou chyby – výrazně obtížnější než stejný úkol v prostředí bohatém na data.
V takové soutěži se interním PR neprobojujete. Buď máte metodu, která na stejných datech jako ostatní týmy obstojí, nebo nemáte.
Ve PhysioNet Challenge 2024 tým Inventec AIC vyvinul dual deep-learning systém pro digitalizaci a klasifikaci 12-svodových EKG ze skenovaných papírových záznamů. Obsadil druhé místo v klasifikačním úkolu. PhysioNet Challenge je mezinárodní srovnávání v analýze fyziologických signálů, kde se účastní výzkumné týmy z celého světa včetně akademických institucí. Druhé místo v tomto kontextu je ověřitelný výsledek, ne marketingové tvrzení.
Paralelně probíhá výzkum detekce Alzheimerovy choroby pomocí velkých jazykových modelů. Metoda profilování jazykového projevu pacienta – jak mluví, jakou volí slovní zásobu, jakou délku vět – přinesla zlepšení přesnosti detekce o 8,34 %. LLM tady pracuje jako analytický nástroj, ne jako generátor doporučení. V klinickém prostředí to není detail – každá z těch rolí prochází jinými regulatorními mantinely.
Technologický základ: šest pilířů, jedna logika
Za všemi čtyřmi oblastmi stojí šest technologických pilířů: Deep Reinforcement Learning, Hierarchical Time-Series modelování, neuronové sítě, počítačové vidění a rozpoznávání vzorů, Meta-Learning a hardwarová akcelerace neuronových sítí (DNN Accelerator).
Každý z pilířů napájí konkrétní aplikaci. Hierarchical Time-Series stojí za výrobními predikcemi. Computer Vision pohání oba nasazené produkty Smart Manufacturing. Deep Reinforcement Learning je páteří robotiky. DNN Accelerator odráží zájem o to, jak efektivně modely poběží na vlastním serverovém hardwaru – uzavřená smyčka od čipu po aplikaci.
Výsledky vycházejí externě na recenzovaných konferencích. Pro výzkumníka je to cesta, jak si v komunitě udržet kredit – průmyslová pracoviště jsou v akademickém světě tradičně pod drobnohledem a bez publikací by se nikdo nenamáhal jejich práci číst.
Vertikální integrace jako konkurenční pozice
Inventec AI Center buduje pozici, která je v průmyslovém AI prostoru vzácná: vertikální integrace od hardwaru po nasazenou aplikaci.
Firma vyrábí servery pro trénink modelů. Vyvíjí algoritmy. Testuje je na vlastní výrobní lince. Nasazuje je jako produkty. Každá vrstva informuje tu další – zkušenosti z produkčního nasazení AI+AOI se promítají do vývoje dalších modelů, serverová platforma určuje výkonnostní omezení, na která algoritmus musí odpovídat.
Pro průmyslového zákazníka to přináší jednu konkrétní věc: dodavatele, který nese vlastní referenci. Systémy, které Inventec nabízí v oblasti průmyslové AI, prošly jeho vlastní výrobou v reálných podmínkách. To je jiná kategorie důvěry než slideshow se screenshoty z testovacího prostředí.
Zůstává otevřená otázka o komercializaci výzkumu mimo interní nasazení. O přechodu výsledků k externím zákazníkům firma komunikuje méně, než by kapacita výzkumného týmu naznačovala. Jestli jde o záměrnou ochranu know-how, nebo o slabé místo komunikační strategie, netroufnu si rozhodnout – obě interpretace mají svoji logiku.
V roce 2026, kdy se AI server trh dál zahřívá a zákazníci začínají rozlišovat mezi firmami, které AI prodávají, a firmami, které s ní pracují, bude tenhle rozdíl stále zřetelnější.
