Table of Contents
Jaký počítač pro AI? Záleží na použití a velikosti modelů: pro kancelářskou práci obvykle stačí notebook nebo AI PC s jednotkou NPU, pro lokální provoz větších modelů je potřeba pracovní stanice nebo stolní superpočítač pro AI a pro trénování modelů od základu bude nutný GPU server nebo cloud. Tento průvodce je určen firmám, IT týmům, malým a středním podnikům i veřejným institucím, které plánují nasazení AI.
Najdete zde čtyři třídy počítačů určených pro práci s AI, jejich reálné limity, klíčové parametry, jako jsou paměť a propustnost, i tabulku ukazující, kolik zdrojů je potřeba pro konkrétní scénáře použití. Jde o důležité rozhodnutí, protože správně zvolený počítač umožňuje provozovat jazykové modely s využitím lokálních zdrojů, chránit soukromí dat a flexibilně i optimálně využívat dostupný výpočetní výkon.
Podle zprávy Eurostatu v roce 2025 využívalo technologie AI 20 % firem v Evropské unii. O dva roky dříve to bylo 8 %. U velkých podniků tento podíl dosahuje již 55 %, u malých 17 %. Adopce zrychluje, ale nerovnoměrně, a stále více týmů nyní řeší otázku vhodného hardwaru.
K čemu bude tento počítač sloužit?
Než se podíváte na parametry, určete scénář použití. Právě ten rozhoduje o výběru, nikoli samotné technické údaje. Nejlepší počítač pro AI je ten, jehož konfigurace a rozpočet odpovídají konkrétním oblastem využití umělé inteligence.
- AI asistence při každodenní práci. Přepis schůzek, generování a úpravy textů, asistent integrovaný v systému, filtry při videokonferencích. Modely fungují v cloudu nebo lokálně, jsou však malé a hardware výrazně nezatěžují.
- Lokální provoz hotových modelů. Firma si stáhne open-source model a používá jej ve vlastním prostředí: pro analýzu dokumentů, vyřizování zákaznických dotazů nebo generování obrázků. Do této skupiny patří také analýza dat a jednodušší projekty strojového učení. Data neopouštějí organizaci. Zde začínají skutečné hardwarové nároky.
- Dolaďování modelů na vlastních datech. Fine-tuning a LoRA umožňují modelu osvojit si terminologii, postupy a kontext konkrétní firmy. Vyžadují výrazně více paměti než samotný provoz hotového modelu.
- Trénování modelu od základu. Vytvoření vlastního modelu od základu. Jde o úlohu pro infrastrukturu datového centra, nikoli pro počítač na stole.
První dva scénáře zvládne hardware, který už řada firem má nebo jej pořídí bez větších investic. Třetí vyžaduje promyšlené rozhodnutí o třídě zařízení. Čtvrtý v praxi znamená cloud nebo serverovnu. Toto rozdělení usnadňuje výběr také AI vývojářům a datovým analytikům, kteří nejčastěji pracují ve dvou prostředních scénářích.
Typy počítačů pro AI
AI PC s jednotkou NPU
Počítač nebo notebook se specializovanou jednotkou NPU navrženou pro úlohy umělé inteligence. Zpracovává je energeticky úsporně, bez zatížení procesoru a grafické karty a bez odesílání dat do cloudu. Vstupní hranicí je 40 TOPS (bilionů operací za sekundu). Tolik vyžaduje certifikace Copilot+, která je dnes k dispozici v noteboocích s procesory Intel Core Ultra, AMD Ryzen AI a Snapdragon X.
Vhodné pro: asistenci při kancelářské práci, přepis, překlady, používání systémového asistenta a provoz menších lokálních modelů.
Kde jsou limity: u modelů větších než několik miliard parametrů. AI PC není počítač pro dolaďování ani trénování modelů a ani to není jeho účelem.
Příklad: Dell Pro 16 s jednotkou AMD Ryzen AI
Pracovní stanice s kartou NVIDIA RTX
Klasická pracovní stanice s profesionální grafickou kartou NVIDIA. Pro počítače určené pro AI se obvykle volí karty NVIDIA RTX, protože jejich jádra Tensor urychlují výpočty modelů umělé inteligence a strojového učení. Stejně důležitý je softwarový ekosystém CUDA, který se stal standardem pro většinu nástrojů a knihoven. Výpočty zde zajišťuje grafický procesor a klíčovým parametrem je kapacita paměti VRAM na kartě – od 16 GB v základních variantách až po 96 GB u karet RTX PRO Blackwell. Výhodou je velmi vysoká propustnost paměti, tedy reálná rychlost provozu.
Vhodné pro: generování obrazu a videa, práci s jazykovými modely do přibližně 32 miliard parametrů, rendering a výpočty – všude tam, kde záleží na době odezvy. Pro jazykové modely je praktickým minimem 12–16 GB VRAM.
Kde jsou limity: u modelů 70B a větších. Ty se vejdou pouze do nejdražších karet s 96 GB VRAM, modely nad 120B už nikoli. Rozšíření pak znamená konfiguraci s více GPU s odpovídajícím napájením, chlazením a náklady.
Příklad: Lenovo ThinkStation P3 Tower Gen 2 – pracovní stanice s profesionální kartou NVIDIA RTX a 16 GB paměti VRAM.
Stolní superpočítač pro AI
Nejnovější třída zařízení postavená na superčipu NVIDIA GB10 Grace Blackwell přináší práci s velkými modely přímo na stůl. Kombinuje procesor a grafický čip se sdíleným fondem 128 GB unifikované paměti, který je celý k dispozici pro model, bez pevného rozdělení na RAM a VRAM. Zařízení je velké jako kniha, spotřebovává tolik energie jako výkonný notebook a pracuje tiše, přitom podporuje celý ekosystém NVIDIA: CUDA, kontejnery NGC, PyTorch, Ollama. Největší předností této třídy je úplná kontrola nad daty při lokálním provozu modelů AI.
Vhodné pro: lokální provoz velkých modelů (do přibližně 200 miliard parametrů), prototypování, dolaďování modelů metodami LoRA a QLoRA i práci s daty, která nemohou opustit firmu. Hodí se také pro testování vlastních AI aplikací a experimentování v krátkých iteracích, kde je důležitá rychlost ověřování dalších nápadů.
Kde jsou limity: při trénování modelů od nuly a při produkčním obsluhování mnoha uživatelů současně. Jde o hardware pro tým pracující na modelu, nikoli o aplikační server pro celou organizaci.
Příklad: Asus Ascent GX10 – kompaktní stolní superpočítač AI se superčipem GB10, určený pro vývojáře a inženýry AI a datové inženýry.
GPU server a cloud
Serverová infrastruktura s akcelerátory třídy H100, H200 nebo Blackwell — vlastní nebo pronajatá v cloudu. Nabízí mnohonásobně vyšší výkon a propustnost, má však také své požadavky: rack, napájení a chlazení počítané v kilowattech.
Vhodné pro: trénování modelů od základů, obsluhu mnoha uživatelů, nasazení vyžadující souběžné provádění mnoha operací a práci v reálném čase.
Kde jsou limity: v nákladech a datech. Cloud znamená, že informace opouštějí firmu, a to stále představuje jednu z hlavních překážek nasazení AI.
Než však sáhnete po serverovně, stojí za to prověřit mezikrok. Stolní superpočítače AI lze propojit po dvou jednotkách a získat tak 256 GB sdílené paměti — dostatečně pro práci s modely o velikosti 405 miliard parametrů, aniž by data opustila kancelář a bylo nutné investovat do infrastruktury.
Příklad: HP ZGX Nano G1n – dvě takové jednotky propojené rozhraním ConnectX-7 poskytují 256 GB sdílené paměti.
Hardwarové požadavky: kolik paměti potřebujete a proč jde o nejdůležitější parametr
Paměť rozhoduje o tom, zda se model vůbec spustí. V pracovní stanici jde o VRAM grafické karty, ve stolních superpočítačích AI pak o unifikovanou paměť sdílenou procesorem a grafickým čipem. Z pohledu uživatele je podstatné jediné: kolik paměti je pro model skutečně k dispozici. Operační paměť a VRAM přitom nejsou zaměnitelné, protože plní odlišné role a volí se samostatně.
Označení jako 7B nebo 70B udávají počet parametrů modelu, konkrétně 7 a 70 miliard. Parametry jsou hodnoty, které si model osvojil během trénování a musí je načíst do paměti, aby fungoval. Čím více jich je, tím vyšší je kvalita odpovědí, ale také hardwarové nároky.
Požadavky závisí na počtu parametrů modelu a na kvantizaci, tedy přesnosti zápisu. Pravidlo je jednoduché: při 4bitové kvantizaci (Q4) potřebuje model přibližně 0,5–0,6 GB na každou miliardu parametrů, při 8bitové (Q8) zhruba 1 GB a při plné přesnosti FP16 přibližně 2 GB. K tomu je nutné připočítat rezervu 10–20%.
| Model | Q4 (4bit) | Q8 (8bit) | FP16 |
| 7B / 8B | 5–8 GB | 8–10 GB | 14–16 GB |
| 13B | 8–10 GB | 14 GB | 26 GB |
| 30–34B | přibl. 20 GB | přibl. 34 GB | přibl. 64 GB |
| 70B | 40–48 GB | přibl. 70 GB | přibl. 140 GB |
| 120B (MoE) | 65–75 GB | — | — |
| 200B (FP4) | vejde se do 128 GB | — | — |
| 405B | 256 GB (dvě jednotky) | — | přibl. 810 GB |
Hodnoty ve sloupci Q4 již zahrnují rezervu pro KV-cache a režii. Sloupce Q8 a FP16 uvádějí velikost samotných vah modelu a je k nim nutné připočítat dalších 10–20%. Model 405B se na dvě propojené jednotky vejde pouze při 4bitovém zápisu (Q4).
Při generování obrázků jsou požadavky nižší: Stable Diffusion 1.5 funguje od 4–6 GB, SDXL pohodlně od 12–16 GB, novější modely třídy FLUX vyžadují 24–48 GB. Trénování vlastního LoRA pro SDXL se vejde do 16–24 GB.
V prostředích data science zůstává standardem 32 GB paměti RAM, ačkoli práce s velkými lokálními modely může vyžadovat více. Dolaďování metodou LoRA nebo QLoRA je proveditelné i pro model 70B na jedné jednotce s 128 GB unifikované paměti. Plné trénování velkých modelů zůstává doménou hardwaru pro datová centra.
Paměť určuje, co se vejde. Propustnost určuje, jak rychle model odpovídá
Druhým parametrem, o kterém se mluví jen zřídka, ale který rozhoduje o každodenním komfortu práce, je propustnost paměti. Množství paměti určuje, zda se model vůbec načte; propustnost pak to, jak rychle bude generovat další slova odpovědi.
| Zařízení | Propustnost paměti |
| Stolní superpočítač AI (GB10) | 273 GB/s |
| Apple Mac Studio M3 Ultra | 819 GB/s |
| NVIDIA RTX 4090 | přibl. 1008 GB/s |
| NVIDIA RTX 5090 | přibl. 1792 GB/s |
| NVIDIA H100 (HBM3) | přibl. 3350 GB/s |
Na první pohled se závěr zdá zřejmý: když má H100 dvanáctkrát vyšší propustnost, proč by někdo potřeboval zařízení s 273 GB/s? Toto srovnání je však zavádějící, protože tato zařízení si navzájem nekonkurují.
H100 je akcelerátor pro server v racku, který stojí několik desítek tisíc dolarů pouze za samotný čip a vyžaduje infrastrukturu serverovny. Stolní superpočítač AI stojí na stole a spotřebovává tolik energie jako výkonný notebook. Obliba této třídy nevychází z rychlosti, ale z toho, že 128 GB paměti v podobě takto malého počítače bylo dříve za tuto cenu nedosažitelné. Firma dříve měla tři možnosti: kartu RTX s 24–32 GB, tedy příliš málo pro velké modely; server s H100, tedy příliš drahý a s požadavkem na serverovnu; nebo cloud, což znamená, že data odcházejí mimo firmu. Nová třída zařízení vyplňuje mezeru mezi nimi.
Je to trochu jako srovnávat dodávku se sportovním vozem. Sportovní vůz jede rychleji, ale o to zde nejde. Důležité je, kolik se do něj vejde a kolik stojí.
V praxi to vypadá takto: model 70B v jednom streamu generuje odpověď pomalu, znatelně pomaleji než na serveru. Generuje ji však lokálně, bez odesílání dat do cloudu a bez investic do serverovny. Při větším počtu souběžných dotazů, například v pipelinech nebo agentech, celkový výkon roste. Pro prototypování, dolaďování a týmovou práci na modelu to plně postačuje.
Ostatní komponenty mají druhořadý, nikoli však nulový význam. Rychlý disk NVMe zkracuje dobu načítání modelů a ovlivňuje celkový výkon práce, proto by specifikace počítače pro AI měla zahrnovat GPU, procesor, paměť RAM a SSD NVMe. U hotových zařízení jsou ostatní komponenty zvoleny pro konkrétní konfiguraci, takže je není třeba posuzovat samostatně. Jedinou volbou, kterou skutečně činíte, je kapacita disku; tu je vhodné přizpůsobit velikosti modelů a datových sad, se kterými pracujete.
Přehled značek a řad
Všechny dnes dostupné stolní superpočítače pro AI jsou založeny na stejném superčipu NVIDIA GB10 a mají stejnou kapacitu 128 GB unifikované paměti. Výrobci je výkonově nerozlišují. Jednotlivé konfigurace se liší kapacitou disku, skříní a chlazením, operačním systémem i rozsahem záruky a podpory. Při nákupu jde o důležitou informaci: porovnávat tato zařízení podle výpočetního výkonu nedává smysl, rozhodující je soulad s procesy a požadavky konkrétní firmy.
- NVIDIA DGX Spark – referenční verze a měřítko pro celou třídu zařízení. NVIDIA na ní staví dokumentaci i technické materiály, takže se popisy výkonu a testy zveřejňované online nejčastěji týkají právě této varianty. Dodává se s prostorným rychlým diskem a charakteristickou skříní, která ji odlišuje od konstrukcí partnerů.
- Lenovo ThinkStation PGX – řada ThinkStation s rozsáhlým servisním zázemím a technickou podporou. Jde o nejvíce zastoupenou značku v této kategorii: k dispozici je mnoho variant lišících se kapacitou disku, operačním systémem a záručním balíčkem. Přirozená volba pro organizace, které již mají zavedené nákupní a servisní procesy s Lenovo.
- HP ZGX Nano G1n – k dispozici také ve variantě bez rádiového modulu, určené pro prostředí se zpřísněnými bezpečnostními požadavky. V této třídě jde o vzácnou možnost a skutečnou výhodu všude tam, kde bezpečnostní politika vylučuje bezdrátové připojení, například ve veřejné správě, finančním sektoru nebo oddělených sítích. Zařízení se dodává se systémem založeným na Linuxu, připraveným pro práci s modely.
- Dell Pro Max – přirozená volba pro organizace pořizující vybavení v rámci podnikových smluv se společností Dell, což zjednodušuje administrativu při rozsáhlejších nasazeních. Ve standardní konfiguraci je k dispozici s prostorným diskem bez nutnosti dokupovat úložiště.
- ASUS Ascent GX10 – kompaktní konstrukce. Dostupné varianty s různou kapacitou disku umožňují začít s menší konfigurací a snížit vstupní náklady, pokud firma teprve testuje práci s lokálními modely. Konstrukce umožňuje stavět jednotky na sebe, což usnadňuje pozdější rozšíření.
- Gigabyte AI TOP ATOM a MSI EdgeXpert – varianty s důrazem na prostorné a rychlé úložiště. To je důležité při práci s velkými datovými sadami a více modely současně, kdy samotné soubory modelů zabírají stovky gigabajtů. Uplatní se také tam, kde má zařízení pracovat mimo serverovnu, blízko místa vzniku dat.
- Acer Veriton GN100 – konstrukce, která dobře odvádí teplo. Ve srovnání s jinými zařízeními této třídy se zahřívá nejméně, což zajišťuje stabilní provoz při dlouhých úlohách, jako je dolaďování modelů, kdy je hardware bez přerušení zatížen po mnoho hodin.
Nejčastější otázky
Jaký je rozdíl mezi běžným počítačem a AI PC?
AI PC má vyhrazený čip NPU, který zpracovává úlohy umělé inteligence lokálně a energeticky úsporně. AI zvládne i běžný počítač, ale bude ji zpracovávat procesorem nebo grafickou kartou – pomaleji a s vyšší spotřebou energie.
Kolik RAM je potřeba pro práci s AI?
Pro kancelářské využití s podporou AI postačí 16 GB, pohodlnou práci zajistí 32 GB. V prostředích data science je standardem 32 GB RAM a práce s lokálními modely často vyžaduje více. Klíčová však není jen systémová paměť, ale také paměť dostupná pro grafický čip, tedy VRAM nebo unifikovaná paměť.
Kolik VRAM je potřeba pro spuštění modelu 7B, 13B nebo 70B?
Při 4bitové kvantizaci: přibližně 5–8 GB pro model 7B, 8–10 GB pro 13B a 40–48 GB pro 70B. V praxi začíná minimum pro jazykové modely na 12–16 GB VRAM v závislosti na kvantizaci.
Je pro AI důležitější procesor, nebo grafická karta?
Grafická karta nebo specializovaný akcelerátor. Procesor zajišťuje přípravu dat, ale vlastní výpočty provádí GPU. Čipy s jádry Tensor urychlují úlohy strojového učení účinněji než samotný procesor.
Co je unifikovaná paměť a jak se liší od VRAM?
VRAM je paměť trvale přiřazená ke grafické kartě. Unifikovaná paměť je společný fond sdílený procesorem a grafickým čipem. Díky tomu zařízení se 128 GB unifikované paměti spustí model, který by se nevešel do žádné samostatné grafické karty. Její nevýhodou je nižší propustnost, takže odpovědi se generují pomaleji.
Co je NPU a kolik TOPS potřebuji?
NPU je čip specializovaný na výpočty umělé inteligence. TOPS udává jeho výkon. Pro kancelářské využití s podporou AI postačuje 40 TOPS, tedy hranice pro certifikaci Copilot+. U větších modelů přestává být TOPS relevantním ukazatelem; rozhodující jsou pak paměť a propustnost.
Funguje AI ve Windows, nebo je potřeba Linux?
AI funguje ve Windows. Profesionální nástroje pro práci s velkými modely jsou však vyvíjeny především pro Linux, proto se desktopové superpočítače pro AI obvykle dodávají se systémem založeným na Ubuntu.
Pro jak velké modely postačí 128 GB unifikované paměti?
Pro modely o velikosti přibližně 200 miliard parametrů při 4bitové kvantizaci. Modely o velikosti 405 miliard vyžadují propojení dvou jednotek.
Lze dvě jednotky propojit do clusteru?
Ano. Zařízení založená na GB10 mají integrované síťové rozhraní NVIDIA ConnectX-7 s porty 200 GbE, které umožňuje propojit dvě jednotky a získat 256 GB sdílené paměti.
Kdy zvolit AI PC, kdy pracovní stanici a kdy server?
AI PC – pokud má AI podporovat každodenní kancelářskou práci. Pracovní stanice s RTX – pokud pracujete s obrazem, videem nebo modely do 32 miliard parametrů a požadujete vysokou rychlost. Desktopový superpočítač pro AI – pokud potřebujete lokálně provozovat velké modely a provádět jejich dolaďování. Server nebo cloud – pokud modely trénujete.
Opouštějí data při použití lokálního modelu firmu?
Ne. Model spuštěný na vlastním hardwaru zpracovává data výhradně lokálně. To je hlavní důvod, proč společnosti pracující s citlivými daty volí on-premise řešení namísto cloudu.
Údaje o využívání AI v podnicích: Eurostat, „Use of artificial intelligence in enterprises“, údaje za rok 2025. Specifikace a parametry aktuální k srpnu 2026.
