Rastlina, ktorá si sama nájde svetlo, vyhne sa prekážkam a povie vám, kedy je smädná. Takto opísal Google vo videu z 28. 10. 2026 projekt „Sprout“ – a hoci to znie ako marketingová rozprávka, v skutočnosti je to návod, ako dostať vizuálnu AI do vlastného projektu bez serverovej farmy za tisíce eur.
Poďme sa pozrieť, čo z toho naozaj využijete.
Čo Google naozaj predviedol
Vo videu z 28. 10. 2026 tím Google for Developers ukázal robota menom Sprout postaveného na základe TurtleBot 4 – v podstate Roomba s podvozkom, kamerou a LiDARom. Ako „tvár a oči“ poslúžil smartfón Pixel, doplnený o skutočnú monsteru v kvetináči. Podstatné je, čo bežalo v pozadí:
- Gemini Flash na videnie (vision) – rozpoznávanie objektov a rastlín v reálnom čase.
- Gemini Live na hlas – obojsmerná konverzácia s možnosťou prerušenia.
Tím uvádza, že od začiatku do konca to trvalo približne dva týždne. To je najzaujímavejšie číslo celého videa – nie preto, že je malé, ale preto, že ukazuje, kde sa dnes skrýva skutočná práca.
Kde je hardvér a kde je AI
Kľúčové poučenie: drahý hardvér nie je ten, ktorý vidí, ale ten, ktorý rozhoduje. TurtleBot 4 je komerčný robot, no jeho úloha je „len“ mapovať miestnosť, nájsť svetlo a vyhnúť sa prekážkam – teda klasická robotika s LiDARom. Vizuálne rozpoznávanie a rozhodovanie prebieha v cloude cez Gemini.
Pre váš vlastný projekt to znamená tri praktické veci:
- Kameru nepotrebujete prémiovú. Bežný telefón alebo modul za pár desiatok eur stačí, ak obraz putuje do modelu.
- Segmentáciu a videnie riešte cez API, nie lokálne. Lokálne modely na segmentáciu v reálnom čase sú na bežnom domácom hardvéri výrazne pomalšie a menej spoľahlivé.
- Latencia je vaša nová metrika. Pri videní v reálnom čase nerozhoduje len presnosť, ale hlavne to, ako rýchlo sa dostane odpoveď späť.
Gemini Live: čo naozaj zvládne a čo nie
Pri návrhu projektu sa ľahko prehliadne dôležité obmedzenie: Gemini Live je primárne konverzačný režim. Jeho možnosti ovládania zariadenia a aplikácií sa líšia podľa platformy a verzie a treba si ich overiť v aktuálnej dokumentácii Google (stav k 29. 10. 2026). Ak potrebujete telefón reálne ovládať, počítajte s tým, že časť akcií bude musieť zabezpečiť štandardný režim Gemini alebo vlastná vrstva.
To isté platí pre váš produkt: Live je rozhranie na dialóg a videnie, nie na vykonávanie akcií. Ak potrebujete, aby robot po rozpoznaní rastliny niečo urobil, musíte si akčnú vrstvu napísať sami – Gemini vám dodá „mozog“, ale nie „ruky“.
Druhá praktická vec: Gemini Live sa dá prerušiť rečou. Keď model vysvetľuje príliš dlho, stačí začať hovoriť a odmlčí sa. Pri hlasovom ovládaní robota je to rozdiel medzi plynulým používaním a čakaním, kým AI dokončí vetu.
Ako začať bez drahého hardvéru
Realistický postup pre malý projekt vyzerá takto:
- Vyberte si jednu úlohu. Nie „robot, ktorý všetko vidí“, ale „rozpoznaj rastlinu a povedz, či potrebuje vodu“. Sprout robil presne to.
- Použite existujúci podvozok alebo telefón. TurtleBot 4 je referenčný, nie povinný – dôležitá je kamera a pripojenie.
- Videnie a segmentáciu nechajte v cloude. Gemini Flash na videnie a ER 2.0 na segmentáciu sú práve tie časti, ktoré by vás doma stáli najviac.
- Hlas pridajte až nakoniec. Gemini Live je najväčší „wow“ efekt, ale najmenšia technická nutnosť. Bez neho projekt funguje.
- Počítajte s latenciou a výpadkami. V reálnom čase znamená, že sieť je súčasťou vášho produktu. Ak vypadne, robot „oslepne“.
Skryté náklady, ktoré video nespomína
Video je ukážka, nie cenník – konkrétne ceny za volania Gemini Live a videnie sa menia a treba si ich overiť v aktuálnej dokumentácii Google. Čo však platí všeobecne: pri videní v reálnom čase posielate snímky nepretržite, takže náklady nerastú s počtom používateľov, ale s časom, počas ktorého kamera beží. Projekt, ktorý beží 24/7, môže stáť rádovo viac než ten, ktorý sa zapne na požiadanie.
Druhá pasca je súkromie: ak kamera sníma priestor, kde žijú ľudia, posielate obraz do cloudu. Pri domácom projekte to nikoho nezaujíma, pri produkte pre zákazníka je to otázka, ktorú treba vyriešiť skôr, než napíšete kód.
Technický záver: Kde má zmysel stavať na Gemini Live a kde nie
Gemini Live a cloudové videnie sú dnes rozumná cesta, ak chcete dostať vizuálnu AI do prototypu rýchlo a nemáte GPU farmu. Platíte latenciou, závislosťou na sieti a priebežnými nákladmi za čas snímania – ale ušetríte si mesiace práce na lokálnych modeloch. Ak však potrebujete, aby zariadenie fungovalo aj bez internetu alebo reagovalo v milisekundách, cloudové videnie je slepá ulička a musíte ísť na edge. Rozhodnutie nie je technologické, ale o tom, čo od produktu naozaj chcete.
Zdroje
- Google for Developers - Building real-time vision & edge navigation with Gemini Live (YouTube, 28. 10. 2026): https://www.youtube.com/watch?v=ID6vEy94j7c (citované 29. 10. 2026)
- Svet androida - Jak ovládat (nejen) Samsung hlasem česky a co všechno umí?: https://www.svetandroida.cz/ovladani-gemini-hlas-cestina-samsung/ (citované 29. 10. 2026)
