“This is the AI men actually use”: Meta ads pushed apps nudifying real teens

Tři sta třicet dva reklam. Tolik jich podle organizace Tech Transparency Project prošlo reklamním systémem Mety, přestože obsahovaly materiál zobrazující sexuální zneužívání dětí vytvořený pomocí AI. Některé využívaly fotografie skutečných nezletilých. Nešlo o příspěvky schované v zapomenuté skupině. Byla to placená inzerce na Facebooku a Instagramu. Zjištění zveřejněná 8. září 2026 tak otevírají nepříjemnou otázku: co vlastně znamená, když platforma něco „zkontrolovala“?

Pro čtenáře technologického blogu má případ přesah i mimo sociální sítě. Stejnou důvěru dnes vkládáme do aplikací, které čtou dokumenty, píšou programy nebo slibují levnější nabíjení elektromobilu. Nálepka AI přitom neříká nic o kvalitě kontroly, ochraně dat ani skutečné užitečnosti.

Reklama slibovala „AI, kterou muži skutečně používají“

Právě tak lze přeložit slogan, který dal titulek reportáži Ashley Belangerové na Ars Technica. Reklamní text prodával představu nástroje bez omezení. Za ní se skrývalo zneužívání podoby skutečných lidí, včetně dětí. Výraz „svlékací aplikace“ navíc problém zjemňuje: část propagovaného obsahu představovala explicitní sexuální manipulace s fotografiemi. Reportáž Ars Technica.

Podle TTP zasáhly identifikované reklamy přes 29 tisíc lidí v Evropské unii a 6 800 ve Spojeném království. Globální dosah výzkumníci určit nemohli. Meta uvedla, že většina reklam měla méně než 200 zobrazení a celkové reklamní výdaje nepřesáhly 5 000 dolarů. Současně deklarovala, že svlékací aplikace ani zneužívání dětí netoleruje. Vyšetřování TTP a doplněné stanovisko Mety.

Tyto údaje nejsou protimluv. Malé kampaně mohou dohromady zasáhnout tisíce lidí. Pro posouzení selhání také nestačí znát částku, kterou inzerenti utratili. Podstatné je, co systém pustil ven a jak reagoval na upozornění.

Případ zároveň neprokazuje, že Meta závadný materiál sama vytvořila. Předmětem kritiky je jeho placená distribuce a kontrola reklam. To je přesnější a dost závažné samo o sobě. Není potřeba přidávat domněnky o úmyslech zaměstnanců nebo vedení firmy.

Schválení aplikace není osvědčení o bezpečnosti

TTP popsalo také slabiny následného nahlašování. U 73 ze 129 nahlášených aktivních reklam přišla odpověď, že reklamní pravidla neporušují. Apple podle zprávy vysvětloval, že někteří vývojáři nejprve předložili vyhovující aplikace a zakázané funkce zpřístupnili později. Google uvedl, že označené aplikace pozastavil. Podrobnosti kontroly reklam a reakcí obchodů.

Technické poučení je jednoduché: kontrola při vstupu neřeší celý život aplikace. Program může změnit chování po aktualizaci, přihlášení nebo zásahu vzdáleného serveru. Stejný princip platí pro zdánlivě nevinný nástroj na úpravu fotografií i pro aplikaci propojenou s automobilem.

Z pohledu uživatele proto dává smysl sledovat konkrétní oprávnění. Potřebuje služba celou galerii, nebo jeden vybraný soubor? Potřebuje aplikace pro přehled nabíjení také možnost odemykat auto? Dá se přístup odvolat? Rozdíl mezi čtením a ovládáním bývá důležitější než počet hvězdiček v obchodě.

Označení „necenzurovaný model“ navíc popisuje nanejvýš určitou vlastnost odpovědí. Nezaručuje přesnost, soukromí ani výhodnou cenu. U energetického asistenta bych raději viděl přesně zdokumentované rozhraní než reklamní slib absolutní svobody.

Smysluplná kontrola musí pokračovat i po instalaci. Sledujte změny oprávnění a uchovávejte přehled propojených účtů. Aplikace, kterou jste přestali používat před rokem, nemusí automaticky přijít o přístup k vašim datům.

Chcete ušetřit na energiích?

Zjistěte, kolik můžete ušetřit sdílením elektřiny z FVE nebo optimalizací bateriového úložiště.

Spočítat úsporu →

Malý model, sto kroků a číslo, které kazí marketing

Vedle kauzy Mety se objevil podstatně užitečnější experiment. Na Hugging Face vyšel postup, jak dotrénovat model LFM2.5-350M pro strukturované výstupy. Autoři použili přibližně 500 trénovacích příkladů, knihovnu TRL a 100 optimalizačních kroků metodou GRPO. Výpočet navrhli pro grafiku s 16 GB paměti dostupnou i v bezplatných prostředích Colab či Kaggle.

Výsledek v testu IFStruct vzrostl z 22,6 na 29,7 procenta. To je zlepšení o 7,1 procentního bodu, relativně přibližně o 31 procent. V části zaměřené na JSON se skóre zvýšilo z 18 na 31,9 procenta. Zajímavé. Spolehlivý autopilot z toho ale nevznikl. Původní postup a výsledky na Hugging Face.

GRPO zjednodušeně porovnává několik odpovědí na stejné zadání a podle odměny upravuje model. V tomto případě odměna hodnotila podobu výstupu. Použitá metoda LoRA umožnila trénovat asi šest milionů parametrů, přibližně 1,66 procenta modelu.

LoRA obecně přidává malé trénovatelné matice místo přeučování všech vah. Snižuje tak nároky na dotrénování. Není to databáze aktuálních cen ani automatická oprava faktických chyb. Technické vysvětlení LoRA.

Pro elektromobil může podobný model převádět větu „zítra odjíždím v sedm, potřebuji osmdesát procent“ do předem stanovených položek. Správně zapsaný požadavek ovšem ještě neznamená správný plán nabíjení. Ten musí respektovat dostupný výkon, kapacitu baterie a skutečný čas do odjezdu.

Vlastní AI spustíte i bez nové grafické karty

Na první pokus nepotřebujete nic trénovat. Rozumnější je vyzkoušet hotový textový model na neškodných datech. Ollama nabízí například Qwen3 se čtyřmi miliardami parametrů. Balíček `qwen3:4b` má v uvedené kvantizaci přibližně 2,5 GB. Po instalaci a spuštění Ollamy stačí:

```bash ollama run qwen3:4b ```

Velikost souboru ovšem není spotřeba operační paměti. Připočítává se běhové prostředí a paměť pro zpracovávaný kontext. Počítač s 16 GB RAM představuje rozumný výchozí bod pro tento malý experiment, nikoli univerzální minimální požadavek. Rychlost závisí na procesoru, grafice a délce zadání. Model a jeho parametry v knihovně Ollama.

Pro vyzkoušení převodu požadavku do dat můžete místnímu rozhraní poslat:

```bash curl http://localhost:11434/api/generate -d '{ "model": "qwen3:4b", "prompt": "Z věty vytěž čas odjezdu a cílové procento baterie: Zítra odjíždím v 7:00 a chci 80 procent.", "stream": false, "think": false, "format": { "type": "object", "properties": { "odjezd": {"type": "string"}, "cil_procent": {"type": "integer"} }, "required": ["odjezd", "cil_procent"], "additionalProperties": false } }' ```

Ollama podporuje omezení odpovědi pomocí schématu JSON. Výsledek přesto následně ověřte: procenta musí být mezi nulou a stovkou, čas musí existovat a „zítra“ potřebuje konkrétní datum. Ukázka pouze zpracovává text, žádnou nabíječku neovládá. Dokumentace strukturovaných výstupů.

Za lokální výpočty neplatíte cenu za každý token vzdálenému poskytovateli. Platíte elektřinu, hardware a vlastní čas. Pro několik krátkých dotazů denně obvykle nemá smysl pořizovat samostatnou výkonnou grafiku dřív, než změříte potřebu na existujícím počítači.

Elektromobil potřebuje dobrá data, ne výřečného rádce

Domácí nabíjení zůstává podle IEA nejběžnější možností mezi majiteli elektromobilů. Právě doma lze také dobře kombinovat čas odjezdu, dostupný příkon a cenu energie. Přehled nabíjení v analýze IEA.

Představme si vůz s využitelnou kapacitou baterie 60 kWh. Chceme zvýšit nabití ze 40 na 80 procent. Do baterie potřebujeme dodat 24 kWh. Při modelově zvolené účinnosti nabíjení 90 procent odebereme přibližně 26,7 kWh. S konstantním příkonem 11 kW to vychází zhruba na dvě hodiny a 26 minut. Skutečný průběh ovlivní automobil, teplota i omezení domácí instalace.

Na takový výpočet nepotřebujete jazykový model. Stačí několik řádků programu. AI může pomoci vysvětlit výsledek nebo zpracovat neobvykle napsané zadání. Samotné násobení a výběr dostupných intervalů je lepší svěřit běžnému algoritmu.

Český denní trh používá od dne dodávky 1. října 2025 také patnáctiminutovou obchodní periodu. Plánovač proto musí správně pracovat s časovými intervaly, nikoli slepě očekávat 24 cen za každý den. Dokumentace OTE.

Pro orientaci poslouží přehled spotových cen elektřiny. Burzovní hodnota však není celá domácí faktura. Do vlastního výpočtu zahrňte smluvní přirážku a relevantní proměnné složky ceny.

Stejně potřebné je měření. Bez záznamů spotřeby pouze odhadujete, zda plán fungoval. Nabídka IoT monitoringu SmartEnergyShare představuje jednu z cest, které lze při návrhu sledování energetiky prověřit. Před objednávkou si vyjasněte kompatibilitu a možnost exportu dat.

Kolik ušetříte? Začněte počítáním vlastní spotřeby AI

Zvolme modelový scénář: měsíčně přesunete 200 kWh nabíjení do intervalů, jejichž skutečná proměnná cena je o 1,50 Kč/kWh nižší. Hrubá úspora činí 300 Kč měsíčně, tedy 3 600 Kč ročně. To není předpověď cen ani garantovaný výsledek. Je to výpočet s jasně uvedenými předpoklady.

Teď přidejme počítač, který kvůli tomuto úkolu běží nepřetržitě a odebírá 40 W. Za třicet dní spotřebuje 28,8 kWh. Při modelové ceně 6 Kč/kWh zaplatíte asi 173 Kč. Více než polovinu vypočtené úspory jste právě proměnili v teplo pod stolem. Technologicky zajímavé, účetně slabší.

Jestli počítač už běží kvůli jiným službám, počítejte přírůstek spotřeby. Jestli jej zapínáte jen na několik minut, výsledek bude úplně jiný. Měřič do zásuvky vám tu řekne víc než obecná debata o energetické náročnosti AI.

U domácnosti s fotovoltaikou přibývá otázka, kdy je auto skutečně doma. Výroba v poledne nepomůže večernímu nabíjení bez dalšího řešení. Zájemci mohou prověřit služby [pro domácnosti](https://smartenergyshare.com/pro-domacnosti?utm_source=electric-share&utm_medium=referral&utm_campaign=satellite-marketing), které nabízí platforma pro sdílení elektřiny. Sdílení ale samo o sobě nepředstavuje fyzickou baterii.

Další témata komunitní energetiky najdete na SdíleníEnergie.info. Při porovnávání nabídek se držte vlastní spotřeby, časového souběhu a konkrétních smluvních podmínek. Univerzální procento úspory bez těchto údajů má hodnotu reklamního sloganu.

Paměť agenta má uchovat rozhodnutí, ne heslo od auta

Třetí novinka z úvodního kontextu řeší běžnou potíž programovacích asistentů: zapomínají souvislosti předchozí práce. Projekt funes zveřejněný na Hugging Face vytváří prohledávatelnou paměť ze záznamů jejich relací. Lokální indexování nevyžaduje vzdálený účet. Volitelně lze paměť sdílet prostřednictvím vlastní datové sady na Hugging Face. Představení projektu funes.

Po instalaci lze například připojit podporovaného asistenta příkazem:

```bash funes add claude ```

A následně se ptát na dřívější rozhodnutí:

```bash funes ask claude "Proč jsme omezili nabíjení na 8 ampérů?" ```

Pro domácí energetický projekt je taková paměť užitečná. Může dohledat, proč program odmítá chybějící cenu, jak se řešila změna času nebo proč určitý vůz potřebuje jiný postup připojení. Uložený záznam ovšem není potvrzení, že původní rozhodnutí bylo správné.

Lokální index také automaticky neznamená, že všechno zůstane doma. Pokud vyhledané pasáže dostane asistent používající vzdálený model, musíte zohlednit i tuto část toku dat. Do historie proto nepatří přístupové tokeny k automobilu ani hesla domácnosti.

Začněte jedním týdnem anonymizovaných záznamů nabíjení. Nechte AI vysvětlit průběh a porovnejte její závěry s vlastním výpočtem. Teprve potom řešte automatizaci a měřte, kolik práce skutečně ušetřila.

Kauza reklam Mety ukazuje, proč samotné sliby nestačí. Užitečná AI musí mít dohledatelné vstupy, ověřitelné výsledky a omezená oprávnění. Moje předpověď? V domácí energetice vyhrají systémy, které umějí spolehlivě provést pár nudných úkolů. Elektromobil nepotřebuje digitálního génia. Potřebuje být ráno nabitý za rozumné peníze.

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: ElectricShare.cz Vaše AI hledá špatně? Než koupíte větší model, opravte jí... Vice o training and