Mellum2: Proč JetBrains vyvíjí vlastní mozek a neplatí OpenAI?

Většina vývojářů už dávno zjistila, že posílat každý řádek kódu do cloudu k OpenAI nebo Anthropicu není zrovna nejrychlejší ani nejlevnější cesta k produktivitě. Latence vás brzdí, soukromí trpí a faktury rostou. Proto se teď všichni snaží o "lokální revoluci". JetBrains, firma, která nám dala IntelliJ IDEA nebo Kotlin, do toho teď pořádně šlápla se svým modelem Mellum2. Je to 12B Mixture-of-Experts (MoE) model a upřímně – je to přesně ten kousek skládačky, který chyběl pro skutečně chytrou údržbu kódu i složitých energetických systémů přímo u vás na stroji.

Mellum2: Proč JetBrains vyvíjí vlastní mozek a neplatí OpenAI?

Když JetBrains oznámili Mellum2, v komunitě to vyvolalo vlnu otázek. Proč by sakra vývojářské studio mělo trénovat vlastní LLM, když je trh zaplavený modely jako Llama 3 nebo Mistral? Odpověď je prostá: specializace a efektivita. Mellum2 není model, který vám napíše báseň o lásce v 16. století (i když by to asi zvládl). Je to nástroj postavený pro kódování a logické operace.

Architektura Mixture-of-Experts (MoE) o celkové velikosti 12 miliard parametrů je geniální v tom, že při každém požadavku "aktivuje" jen zlomek své kapacity. Představte si to jako tým deseti specialistů – když máte problém s SQL, nebudíte experta na Python. Díky tomu model běží s rychlostí mnohem menších modelů, ale zachovává si hloubku znalostí těch velkých. V praxi to znamená, že Mellum2 na vašem MacBooku s M3 nebo na PC s RTX 3060 léta jako z praku. JetBrains ho integrovali přímo do svého AI Assistanta, ale díky komunitě na HuggingFace se na něj můžeme podívat pod kapotou i my, co si rádi hrajeme s vlastním hardwarem.

Pro nás v Česku, kde se teď masivně řeší optimalizace všeho možného od e-shopů po průmyslovou výrobu, je lokální model s takovým výkonem dar z nebes. Nemusíte se bát, že vaše citlivá data o konfiguraci firemní sítě nebo algoritmech pro obchodování s elektřinou vytečou někam do Silicon Valley. Mellum2 je navržen tak, aby chápal kontext celého projektu, což je v údržbě softwaru kritické. Pokud opravujete legacy kód, který nikdo neviděl deset let, potřebujete model, který neztrácí nit po třech odstavcích.

Olmo-eval: Jak poznat, že vám model nelže?

Mít model je jedna věc, ale vědět, že se na něj můžete spolehnout při údržbě kritické infrastruktury, je věc druhá. Tady přichází na scénu olmo-eval, což je v podstatě "diagnostická stolice" pro modely umělé inteligence od Allen Institute for AI. Pokud si myslíte, že benchmarky jako MMLU jsou všechno, olmo-eval vás vyvede z omylu. Je to komplexní workbench pro evaluační smyčku během vývoje modelu.

V oblasti údržby systémů – ať už jde o software nebo třeba prediktivní údržbu fotovoltaických elektráren – je přesnost naprosto zásadní. Olmo-eval umožňuje vývojářům testovat modely na specifických úlohách v reálném čase. Chcete vědět, jak si Mellum2 poradí s opravou chyb v Pythonu vs. v Javě? Olmo-eval vám to ukáže v grafech, které mají smysl, ne jen v nějakých abstraktních procentech.

Pro české firmy, které implementují AI do svých procesů, je tento workbench klíčový. Umožňuje totiž vytvořit vlastní testovací sady, které reflektují lokální potřeby. Můžete například otestovat, jak dobře model rozumí české legislativě kolem energetiky nebo jak přesně dokáže interpretovat data z IoT senzorů v českých rozvodných sítích. Údržba AI modelu totiž nekončí jeho stažením. Je to kontinuální proces sledování driftu odpovědí a ladění (fine-tuning) pomocí metod jako LoRA, aby model zůstal relevantní a bezpečný. Bez nástrojů jako olmo-eval je to jen hádání z křišťálové koule.

Mýtus o žíznivé AI: Jsou datacentra skutečně ekologickou katastrofou?

Kdykoliv se mluví o AI, dříve nebo později někdo vytáhne kartu spotřeby vody a elektřiny. Titulky o tom, jak ChatGPT "vypije" litr vody na pár dotazů, vypadají skvěle na sociálních sítích, ale realita je mnohem nudnější a méně apokalyptická. Když se podíváme na celkovou spotřebu vody, AI datacentra jsou v globálním měřítku jen kapkou v moři (drop in the bucket).

Většina moderních datacenter používá uzavřené chladicí okruhy, kde voda cirkuluje stále dokola. Ta, která se skutečně spotřebuje (odpaří), tvoří zlomek toho, co padne na zavlažování golfových hřišť nebo na výrobu jednoho jediného trička z bavlny. Navíc se zapomíná na druhou stranu mince: AI je nejlepším nástrojem, který máme pro snížení spotřeby v jiných, mnohem náročnějších odvětvích.

Například v energetice AI modely optimalizují toky v síti tak efektivně, že ušetřená energie a emise mnohonásobně převyšují to, co servery spotřebovaly na svůj provoz. V Česku se o tom hodně mluví v souvislosti s flexibilitou a ukládáním energie. Inteligentní systémy dokáží řídit bateriová úložiště tak, aby se nabíjela, když je v síti přebytek "zelené" elektřiny, a vybíjela v době špičky. Pokud vás zajímá, jak se s takovou flexibilitou dá i vydělat, podívejte se na obchodování flexibility. Je ironií osudu, že ti samí lidé, kteří kritizují spotřebu AI, často doma topí neefektivním elektrokotlem, který by mohl být řízen právě onou "žíznivou" umělou inteligencí. Více o efektivních úložištích najdete na BESS Global Blog.

Od kódu k solárům: Jak AI změní českou fotovoltaiku a dotace?

A teď k tomu, co pálí většinu českých domácností a firem: fotovoltaika dotace. Celý proces od žádosti na NZÚ (Nová zelená úsporám) až po první vyrobenou kilowatthodinu je byrokratické peklo. Máme tu tisíce stran směrnic, podmínek a technických norem. Tady Mellum2 a podobné modely excelují. Představte si AI asistenta, který za vás přečte všechny aktuální výzvy Fondu životního prostředí a řekne vám: "Hele, na tuhle dotaci nedosáhneš, protože máš střídač s nízkou účinností, ale když přidáš jednu baterii, dostaneš o 50 tisíc víc."

Údržba fotovoltaické elektrárny (FVE) není jen o tom, že jednou za rok vylezete na střechu a otřete panely od ptačího trusu. Je to především o údržbě datové a ekonomické. Pokud se nevyznáte ve spotových cenách, vaše investice se bude vracet místo osmi let let dvanáct. Právě tady nastupuje sdílení elektřiny, což je v Česku teď velké téma díky nové legislativě. Propojení FVE s komunitním sdílením vyžaduje složité výpočty v reálném čase. Jak to celé funguje v praxi, skvěle popisuje stránka jak to funguje na webu SmartEnergyShare.

AI modely mohou běžet přímo na vašem domácím serveru (třeba vedle Home Assistanta) a v reálném čase analyzovat, jestli je výhodnější elektřinu prodat sousedovi, nebo ji uložit do baterie pro večerní praní. Pokud jste výrobce FVE, doporučuji sekci pro výrobce FVE, kde uvidíte, jak se z pasivního majitele panelů stát aktivním hráčem na trhu. Více o trendech v solární energetice píše také ShareElectric.cz.

DIY: Jak si rozjet vlastní LLM pro správu energie na Raspberry nebo PC?

Dost bylo teorie, pojďme do garáže. Chcete si rozjet Mellum2 nebo jiný specializovaný model u sebe doma? Není to tak drahé, jak si myslíte. Za cenu kolem 15 000 Kč za slušnou grafickou kartu (např. NVIDIA RTX 4060 Ti s 16GB VRAM) můžete mít vlastní AI server, který strčí do kapsy většinu placených služeb pro specifické úkoly.

1. Hardware: Minimem pro 12B model je 16GB RAM, ideálně však VRAM na grafice. Pokud jedete na Macu, stačí vám 16GB sjednocené paměti.
2. Software: Zapomeňte na složité instalace knihoven. Stáhněte si Ollama. Je to nástroj, který vám umožní spouštět modely jedním příkazem v terminálu: `ollama run mellum2` (pokud už je v registru, jinak můžete použít GGUF formát z HuggingFace).
3. Integrace: Propojte Ollamu se svým systémem pro správu energie přes API. Většina moderních střídačů (Victron, GoodWe, Solax) má buď lokální API, nebo se dají číst přes Modbus.
4. Fine-tuning: Pokud máte data o své spotřebě za poslední dva roky, můžete model "přiučit" vašim zvyklostem pomocí metody LoRA. Model pak bude vědět, že v úterý v 18:00 vždycky zapínáte saunu a má si na to nechat rezervu v baterkách.

Takový systém pak funguje jako autonomní údržba vaší peněženky. Neustále sleduje spotové ceny elektřiny a podle nich upravuje chování domu. Není to sci-fi, je to realita roku 2026, kterou si můžete postavit na stole. Pokud se na to necítíte sami, existují řešení jako IoT monitoring, která vám s tou datovou částí pomohou profesionálně.

Provozování vlastní AI pro údržbu a správu energetiky není jen o ušetřených penězích. Je to o svobodě. Nejste závislí na tom, jestli cloudový poskytovatel zvedne ceny nebo jestli vypadne internet. Máte svůj model, svá data a svou elektřinu. A to je v dnešní době ta nejlepší investice, kterou můžete udělat. SmartEnergyShare.com vám k tomu dodá tu správnou platformu pro sdílení a optimalizaci.

Zdroje

- JetBrains AI Blog - Allen Institute for AI - Olmo Evaluation - SmartEnergyShare - Blog - ERÚ - Energetický regulační úřad - OTE-CR - Denní trh s elektřinou - HuggingFace - Mellum2 Model Card - SmartGrid.info - AI v energetice

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: SdileniEnergie.info SmartEnergyShare není dodavatel elektřiny: Jak funguje el... Vice o olmo-eval: an