Valor, Point72 back General Intuition at $6B valuation as AI startup pushes into robotics

NADPIS: Startup za 6 miliard dolarů učí roboty z her. Vaše solární elektrárna může být další testovací hřiště

Šest miliard dolarů za firmu, která vznikla z herních klipů. To nezní jako energetika. Jenže přesně tady začíná nová bezpečnostní bitva o fotovoltaiku, baterie, roboty a lokální AI agenty.

General Intuition: herní data, roboti a drahá sázka na „intuici“

General Intuition je newyorský AI startup okolo Pima de Witteho. Podle aktuálního reportingu jedná o financování při pre-money valuaci 6 miliard dolarů. Mezi novými investory se objevují Valor Equity Partners, Point72 Ventures a Seven Seven Six. Stávající investoři Khosla Ventures a General Catalyst mají být také u toho. Ještě v červnu 2026 firma oznámila 320 milionů dolarů při valuaci 2,3 miliardy. Rychlost růstu? Solidní raketa. Nebo také velmi drahá víra, že roboti se naučí svět pochopit z videoher.

Podstata je zajímavá. General Intuition nevychází hlavně z textu, ale z akce. Používá obrovské množství herních klipů a takzvané action labels. Tedy záznamy, kdy hráč zmáčkl klávesu, zatočil kamerou, uskočil, minul dveře, trefil soupeře nebo spadl z římsy jako amatér. Pro model je to cennější než pěkný popisek. Vidí obraz, čas a následek akce.

To má přímou vazbu na robotiku. Robot také nežije v promptu. Musí se pohnout, vyhodnotit prostor, neupustit nářadí, nezajet do člověka a v průmyslu ideálně nerozbít střídač za 80 tisíc korun. Herní data mohou model naučit prostorovou intuici levněji než miliony hodin v reálných skladech.

A tady se téma potkává s energetikou. Fotovoltaika už není jen panel, měnič a dotace. Je to řízený systém. Má baterii, spotové ceny, sdílení elektřiny, predikci výroby, dálkovou správu a čím dál víc IoT. Kdo ovládne rozhodování v prostoru a čase, může řídit i fyzickou infrastrukturu. To je skvělé. A trochu děsivé.

Proč by to mělo zajímat majitele FVE v Česku

Typická domácí FVE v Česku dnes řeší tři věci. Kolik vyrobím. Kam s přebytkem. A proč aplikace od střídače zase ukazuje něco jiného než elektroměr. Do toho přicházejí dotace, sdílení elektřiny a nové obchodní modely. Přehledně to vysvětluje třeba platforma SmartEnergyShare, hlavně v částech o [sdílení elektřiny](https://smartenergyshare.com/sdileni-elektriny?utm_source=smartenergyshare-info&utm_medium=referral&utm_campaign=satellite-marketing), [spotových cenách](https://smartenergyshare.com/spotova-cena-elektriny-denni-trh?utm_source=smartenergyshare-info&utm_medium=referral&utm_campaign=satellite-marketing) a [IoT monitoringu](https://smartenergyshare.com/iot-monitoring?utm_source=smartenergyshare-info&utm_medium=referral&utm_campaign=satellite-marketing).

AI do toho vstupuje prakticky. Ne jako chatbot, který vám popřeje slunečný den. Užitečný agent umí stáhnout výrobu z měniče, přečíst spotovou cenu, zohlednit počasí, stav baterie a tarif. Pak navrhne, jestli nabíjet bojler, omezit přetoky, prodat elektřinu, nebo poslat přebytek sousedovi. U firem přidá plán směn, nabíjení vozíků a rezervovanou kapacitu. U obce zase provoz školy, úřadu, čističky a veřejného osvětlení.

Jenže čím víc rozhodování pustíme do automatizace, tím víc roste bezpečnostní riziko. Agent, který má jen radit, je relativně neškodný. Agent, který má API token ke střídači, přístup do bateriového systému a právo spínat velké zátěže, už je malý dispečer. A malý dispečer s halucinacemi je pořád dispečer.

Proto je kategorie Bezpečnost u tohoto tématu přesná. FVE není izolovaný ostrov. Přes vzdálený monitoring, cloud výrobce, MQTT broker, Home Assistant, Modbus TCP a chytré zásuvky vzniká docela bohatá útočná plocha. Levná Wi-Fi zásuvka za 250 Kč může být nejslabší článek systému za půl milionu. Ironie má ráda faktury.

Jak si postavit lokálního energetického agenta za rozumné peníze

Nejjednodušší start je lokální model přes Ollama. Nepotřebujete hned H100. Pro domácí analýzu dat z FVE stačí notebook s 16 až 32 GB RAM, lepší je mini PC s 64 GB RAM nebo Mac Studio M4 Max. Ten se v Česku v srpnu 2026 prodává zhruba od 69 tisíc Kč podle konfigurace. Herní PC s kartou RTX 4070 Ti Super nebo RTX 4080 Super zvládne menší modely svižně. Pro větší 30B až 70B modely už chcete víc VRAM, kvantizaci, nebo cloud.

Základní instalace je nudná, což je dobře:

```bash curl -fsSL https://ollama.com/install.sh | sh ollama pull qwen3:8b ollama run qwen3:8b ```

Pro napojení na data můžete začít úplně prostě. Export CSV z měniče, data z elektroměru, spotové ceny z OTE a denní předpověď počasí. Agent nemusí hned sahat na živé řízení. Nechte ho nejdřív jen počítat doporučení. Například: „Při ceně pod 0,40 Kč/kWh nabij baterii ze sítě jen pokud zítra čekáme méně než 8 kWh výroby.“ To není magie. To je pravidlo, které AI umí vysvětlit a přepsat do čitelnější podoby.

Pokročilejší varianta je RAG nad vlastní dokumentací. Stáhnete manuál ke střídači, smlouvu o výkupu, podmínky dotace a pravidla sdílení. Vektorový index může běžet lokálně přes Chroma, Qdrant nebo SQLite rozšíření. Model pak nevaří z vody. Sahá do vašich dokumentů.

Open-source modely najdete na HuggingFace. Pro češtinu se hodí Qwen, Llama, Mistral a menší specializované modely. LoRA doladění dává smysl až ve chvíli, kdy máte vlastní kvalitní data. Třeba stovky anonymizovaných servisních protokolů, chybových hlášek střídačů a reálných reakcí techniků. Pět PDF a tři e-maily nejsou dataset. To je složka „bordel“.

LFM2.5-DSpark: proč rychlost inference rozhoduje

Liquid AI 20. srpna 2026 zveřejnila LFM2.5-DSpark. Tvrdí až 3,18× vyšší propustnost na GPU a až 2,87× na zařízení. U LFM2.5-2.6B uvádí snížení latence při function callingu v průměru o 57 %. Podpora běží v llama.cpp a SGLang. To je přesně druh detailu, který v energetice rozhoduje mezi hezkým demem a použitelným systémem.

Proč? Energetický agent často neodpovídá jednou větou. Volá nástroje. Načte cenu. Načte stav baterie. Zkontroluje předpověď. Ověří limit měniče. Vytvoří návrh. Zeptá se na potvrzení. Každé volání přidává latenci. Pokud odpověď trvá 12 sekund, uživatel přestává systému věřit. Pokud trvá 2 až 4 sekundy, působí to jako normální aplikace.

DSpark používá spekulativní dekódování. Malý draft model navrhne několik tokenů dopředu a hlavní model je ověří. Když návrh sedí, ušetří se čas. Když nesedí, hlavní model opraví výstup. Výhoda je jasná: rychlejší odpověď bez změny kvality při greedy dekódování. Nevýhoda také: trochu víc paměti, složitější nasazení a nutnost hlídat kompatibilitu.

Pro domácí FVE to může znít jako akademická libůstka. Není. Pokud chcete agenta, který běží na lokálním mini PC a reaguje na rychlé změny ceny nebo zatížení, inference je náklad. Elektřina, hardware, čekání, teplo. V cloudovém světě je to ještě tvrdší. H100 se v srpnu 2026 podle veřejných srovnávačů pohybuje přibližně od jednotek dolarů za GPU hodinu, u velkých hyperscalerů klidně výrazně výš. Osm GPU celý měsíc už není „levný experiment“. To je rozpočet menší firmy.

Kolik paměti agent opravdu potřebuje

Agent nepotřebuje pamatovat všechno. Potřebuje pamatovat správné věci. To je rozdíl, na kterém vykrvácí spousta projektů. Když do promptu nacpete kompletní historii domu za tři roky, dostanete pomalý a drahý chaos. Když uložíte jen poslední stav, agent zapomene, že baterie minulý týden třikrát spadla do chyby.

Praktické vrstvy paměti jsou čtyři. Krátký kontext pro aktuální konverzaci. Souhrn poslední úlohy. Dlouhodobé preference uživatele. A databáze událostí. Pro FVE to znamená třeba: „uživatel nechce vybíjet baterii pod 20 %“, „firma nabíjí elektromobily od 10:00 do 14:00“, „měnič 12. srpna hlásil chybu izolace“, „spotřeba dílny v pondělí ráno pravidelně skáče o 6 kW“.

Tohle se dá uložit levně. Preference do JSON nebo SQLite. Události do PostgreSQL. Dokumenty do vektorové databáze. Většina domácností nepotřebuje enterprise paměťovou platformu. Potřebuje zálohu, auditní log a možnost smazat nesmysl. Ano, i AI paměť potřebuje tlačítko „zapomeň tu blbost“.

Cloudflare Agent Memory jde cestou spravované perzistentní paměti pro agenty. Rozlišuje fakta, události, instrukce a úkoly. To je rozumný model. V energetice bych k tomu přidal ještě bezpečnostní vrstvu: žádná vzpomínka nesmí sama povolit akci. Agent si může pamatovat, že „majitel obvykle prodává při vysoké ceně“. Nesmí z toho automaticky usoudit, že dnes může poslat baterii na nulu.

Bezpečnost: oddělte radu od řízení

Největší chyba je dát AI agentovi rovnou práva zapisovat do zařízení. Čtení je jiný svět než zápis. Číst výrobu, stav baterie a ceny je relativně bezpečné. Měnit limity nabíjení, spínat relé nebo nastavovat export do sítě už vyžaduje schvalování.

Dobrá architektura má tři zóny. První je read-only sběr dat. Druhá je návrhový agent. Třetí je řídicí vrstva s pravidly. Agent smí navrhnout: „nabij baterii na 90 %“. Řídicí vrstva zkontroluje limity, smlouvu, stav zařízení, požární pravidla a maximální proudy. Teprve potom provede akci. Ideálně po potvrzení člověkem, aspoň u větších zásahů.

Síťově to znamená VLAN pro energetiku, žádné veřejné porty na střídač, VPN místo přímého přístupu, pravidelné aktualizace a oddělené účty. API klíče patří do správce tajemství, ne do poznámek na ploše. Logy musí ukázat, kdo co spustil a proč. Když agent udělá chybu, potřebujete audit. Ne filozofickou debatu s chatbotem.

U komunitní energetiky je riziko ještě vyšší. Sdílení elektřiny má patnáctiminutové vyhodnocovací intervaly, alokační klíče a více účastníků. Špatné nastavení může poslat úsporu do kanálu. ERÚ popisuje rozdíly mezi aktivním zákazníkem a společenstvím, včetně limitů členů a registrace přes EDC. Praktické návody a kalkulace k tomuto tématu najdete také na ShareElectric.cz a širší kontext komunitní energetiky na SdileniEnergie.info.

Dotace na fotovoltaiku a AI: kde je reálná návratnost

Fotovoltaika dotace pořád táhnou trh. Programy typu Nová zelená úsporám snižují vstupní cenu a dělají z FVE běžnou investici pro domácnosti. Jenže dotace samy o sobě neřeší provoz. Špatně nastavený systém může mít baterii za 200 tisíc Kč a pořád posílat přebytky v mizerný čas. AI agent tady vydělává na drobnostech. Lepší časování bojleru. Menší nákup ve špičce. Chytřejší nabíjení elektromobilu. Rychlejší odhalení vadného stringu panelů.

U domácnosti může být přínos v jednotkách tisíc korun ročně. U firmy s větší FVE, baterií a spotovým nákupem už mluvíme o desítkách tisíc. U agregace flexibility a služeb výkonové rovnováhy se hra přesouvá do úplně jiné ligy. Tam už nejde o hezký dashboard, ale o přesnost, dostupnost a smluvní odpovědnost. SmartEnergyShare k tomu má samostatné části pro obchodování flexibility, služby výkonové rovnováhy a firmy.

Návratnost AI vrstvy počítejte tvrdě. Lokální mini PC za 15 až 30 tisíc Kč se může vyplatit, pokud řídí více zařízení nebo firmu. Cloudový agent za pár stovek měsíčně dává smysl pro analýzu a reporting. Vlastní trénink modelu na GPU cloudu je pro běžného majitele FVE nesmysl. Použijte hotový model, RAG a dobrá pravidla. LoRA až později.

Kontroverzní předpověď na závěr: do tří let nebude největší rozdíl mezi dobrými a špatnými FVE v panelech. Bude v softwaru. Kdo bude mít bezpečného agenta, kvalitní data a rozumně nastavené sdílení, vydělá víc. Kdo připojí všechno do jednoho cloudu bez kontroly, bude doufat, že se nic nerozbije. Naděje je pěkná věc. V energetice se ale lépe účtuje prevence.

Zdroje

Obchodujete s batteriovými úložišti nebo hledáte partnera pro flexibilitu a day trading elektřiny? SmartEnergyShare nabízí kompletní řešení pro BESS projekty od 50 do 250 kW — obchodování flexibility, SVR služby a IoT monitoring. Zjistěte víc →

Další články na toto téma najdete na: ShareElectric.cz SmartEnergyShare není dodavatel elektřiny: Jak funguje el... Vice o sdílení elektřiny