Sztuczna inteligencja rozwija się szybciej niż język, którym próbujemy ją opisać. W efekcie dyskusje o AI często pełne są skrótów i specjalistycznych pojęć, które utrudniają zrozumienie tematu. Poniżej znajdziesz uporządkowany, przystępny przewodnik po najważniejszych terminach – wyjaśnionych tak, by zachować sens technologiczny, ale bez zbędnego żargonu.
-
AGI (Artificial General Intelligence)
AGI to koncepcja sztucznej inteligencji, która dorównuje człowiekowi w większości zadań poznawczych – od analizy danych po kreatywne rozwiązywanie problemów. Nie ma jednej, powszechnie przyjętej definicji: jedni mówią o „cyfrowym pracowniku”, inni o systemie przewyższającym ludzi w kluczowych zadaniach ekonomicznych. W praktyce AGI pozostaje celem badań, a nie gotową technologią.
-
Agent AI
Agent AI to system, który nie tylko odpowiada na pytania, ale samodzielnie wykonuje zadania – często wieloetapowe. Może planować działania, korzystać z różnych narzędzi i podejmować decyzje, np. zarezerwować podróż czy zarządzać procesem biznesowym. Kluczowa cecha: rosnąca autonomia i zdolność do działania „w imieniu użytkownika”.
-
ASI (Artificial Super Intelligence)
Hipotetyczna forma sztucznej inteligencji, która przewyższa najtęższe ludzkie umysły w praktycznie każdej dziedzinie, włączając w to kreatywność, myślenie strategiczne, inteligencję emocjonalną i rozwiązywanie problemów naukowych. Jest to kolejny, teoretyczny etap ewolucji po osiągnięciu Sztucznej Inteligencji Ogólnej (AGI), czyli AI na poziomie ludzkim.
-
Algorytm
To precyzyjny zestaw instrukcji lub reguł, który krok po kroku prowadzi do rozwiązania konkretnego problemu lub osiągnięcia określonego celu. Komputery używają algorytmów do wszystkiego – od posortowania listy kontaktów w telefonie, przez wskazanie najkrótszej drogi na mapie, aż po rekomendowanie filmów. To fundamentalny budulec każdego programu komputerowego.
-
Architektura AI
To fundamentalny plan lub schemat budowy systemu sztucznej inteligencji. Architektura określa, z jakich komponentów (np. sztucznych neuronów) składa się model, jak są one ułożone w warstwy oraz jakie zasady rządzą przepływem informacji między nimi. Jest to szkielet, który definiuje, w jaki sposób AI będzie przetwarzać dane i uczyć się.
-
Wąska AI (ANI – Artificial Narrow Intelligence)
Rodzaj sztucznej inteligencji zaprojektowany do wykonywania jednego, konkretnego zadania lub bardzo ograniczonego ich zestawu. Jest to „specjalista” – niezwykle skuteczny w swojej dziedzinie, ale pozbawiony samoświadomości i zdolności do działania poza swoim wąskim programowaniem. Praktycznie każda AI, z której dziś korzystamy, to właśnie Wąska AI.
-
Stronniczość (Bias)
To systematyczna tendencja modelu do podejmowania niesprawiedliwych, nieobiektywnych lub dyskryminujących decyzji. Nie wynika to ze złej woli maszyny, lecz jest odzwierciedleniem uprzedzeń i nierównowagi obecnych w danych, na których model był trenowany.
-
Pamięć podręczna (Caching)
Technika przyspieszająca działanie AI poprzez zapisywanie często używanych danych, wyników obliczeń lub fragmentów kontekstu w szybkiej pamięci tymczasowej. Dzięki temu model nie musi za każdym razem liczyć wszystkiego od nowa, co zmniejsza koszty operacyjne i opóźnienia.
-
Łańcuch myśli (Chain of Thought)
To sposób, w jaki modele AI rozwiązują bardziej złożone problemy – krok po kroku, zamiast generować odpowiedź od razu. Rozbijanie zadania na etapy zwiększa szansę na poprawny wynik, szczególnie w logice, matematyce czy programowaniu, choć zwykle wydłuża czas odpowiedzi.
-
Obliczenia (Compute)
Termin odnosi się do mocy obliczeniowej potrzebnej do trenowania i uruchamiania modeli AI. Obejmuje sprzęt taki jak GPU, CPU czy TPU (rodzaje procesorów służące do przetwarzania danych) oraz całą infrastrukturę centrów danych. W praktyce „compute” to jeden z głównych kosztów i ograniczeń rozwoju AI.
-
Computer Vision
To dziedzina sztucznej inteligencji, która uczy komputery „widzieć” i interpretować świat wizualny. Za pomocą danych z obrazów cyfrowych i filmów, systemy widzenia komputerowego są trenowane do identyfikowania, klasyfikowania i reagowania na obiekty w podobny sposób, jak robi to ludzki wzrok.
-
Głębokie uczenie (Deep Learning)
To zaawansowana forma uczenia maszynowego oparta na wielowarstwowych sieciach neuronowych. Pozwala modelom samodzielnie wykrywać wzorce w danych – np. rozpoznawać obrazy czy mowę – bez ręcznego definiowania reguł. Wymaga jednak ogromnych zbiorów danych i dużej mocy obliczeniowej.
-
Dyfuzja (Diffusion)
Technika wykorzystywana w generatywnej AI (np. do tworzenia obrazów). Model najpierw „psuje” dane, dodając szum, a następnie uczy się odwracać ten proces, rekonstruując obraz lub dźwięk. Dzięki temu potrafi generować nowe, realistyczne treści.
-
Destylacja (Distillation)
Metoda „uczenia się od większego modelu”. Duży model (nauczyciel) przekazuje wiedzę mniejszemu (uczniowi), który działa szybciej i taniej. To jeden ze sposobów optymalizacji AI bez dużej utraty jakości.
-
Dostrajanie (Fine-tuning)
Polega na dalszym trenowaniu modelu na wyspecjalizowanych danych, aby lepiej radził sobie w konkretnym zadaniu – np. w medycynie czy finansach. To kluczowy etap przekształcania ogólnych modeli w rozwiązania biznesowe.
-
Wyjaśnialność AI (Explainable AI – XAI)
To zbiór metod i technik, które pozwalają człowiekowi zrozumieć, dlaczego model sztucznej inteligencji podjął konkretną decyzję lub wygenerował określony wynik. Wyjaśnialność buduje zaufanie do systemów AI i jest kluczowa w takich dziedzinach jak medycyna, finanse czy prawo, gdzie uzasadnienie decyzji jest równie ważne jak sama decyzja.
-
GAN (Generative Adversarial Network)
To dwa współpracujące modele: jeden generuje dane (np. obraz), drugi ocenia ich autentyczność. Dzięki tej „rywalizacji” system uczy się tworzyć coraz bardziej realistyczne treści, co znajduje zastosowanie m.in. w grafice i deepfake’ach.
-
Generatywna AI
Gen AI nie tylko analizuje informacje, ale potrafi tworzyć na ich podstawie zupełnie nowe, oryginalne treści – takie jak teksty, obrazy, muzykę czy kod. Działa jak uczeń, który po przestudiowaniu tysięcy przykładów nie tylko je rozpoznaje, ale jest w stanie stworzyć własne, unikalne dzieło w podobnym stylu.
-
GPT (Generative Pre-trained Transformer)
Rodzaj sztucznej inteligencji, która specjalizuje się w tworzeniu tekstu przypominającego ludzki. Swoją ogromną wiedzę o świecie i języku zdobyła dzięki wcześniejszej analizie gigantycznych zbiorów danych z internetu i książek. Wykorzystuje technologię zwaną Transformer, aby głęboko rozumieć kontekst, co pozwala jej generować nowe, spójne i logiczne odpowiedzi poprzez przewidywanie najbardziej prawdopodobnych słów w zdaniu.
-
Halucynacje AI
Sytuacje, w których model generuje nieprawdziwe lub zmyślone informacje, mimo że brzmią wiarygodnie. To jedno z głównych ograniczeń AI – szczególnie w zastosowaniach wymagających wysokiej dokładności.
-
Wnioskowanie (Inference)
Etap, w którym wytrenowany model jest używany w praktyce – odpowiada na pytania, analizuje dane czy generuje treści. To „moment działania” AI, w przeciwieństwie do wcześniejszego treningu.
-
Duży model językowy (LLM)
To modele stojące za narzędziami takimi jak ChatGPT czy Gemini. Uczą się na ogromnych zbiorach tekstów i przewidują kolejne słowa w zdaniu, co pozwala im prowadzić rozmowę, pisać teksty czy analizować informacje.
-
Uczenie Maszynowe (Machine Learning)
To dziedzina sztucznej inteligencji, w której komputery nie są programowane za pomocą sztywnych instrukcji, lecz uczą się samodzielnie na podstawie analizy ogromnych ilości danych. System „trenuje się” na przykładach, aby rozpoznawać w nich wzorce, a następnie wykorzystuje tę wiedzę do podejmowania decyzji.
-
Systemy agentowe (Multi-Agent Systems)
To system składający się z wielu autonomicznych „agentów”, które wchodzą ze sobą w interakcje. Każdy agent jest niezależnym programem, który ma własne cele, zasoby i zdolność do podejmowania decyzji. Siła tego podejścia nie leży w inteligencji pojedynczego agenta, ale w złożonych zachowaniach, które wyłaniają się z ich współpracy, rywalizacji lub negocjacji.
-
NLP (Natural Language Processing)
To dziedzina sztucznej inteligencji, która uczy komputery rozumieć, interpretować i posługiwać się ludzkim językiem (mową i tekstem). Celem NLP jest wypełnienie luki komunikacyjnej między człowiekiem a maszyną, co pozwala na tworzenie takich narzędzi jak tłumacze automatyczni, chatboty czy systemy analizujące opinie w internecie.
-
Prompt
To konkretne polecenie, pytanie lub instrukcja, którą kierujemy do modelu sztucznej inteligencji, aby uzyskać od niego pożądaną odpowiedź lub rezultat. Prompt jest kluczowym elementem interakcji z Generatywną AI.
-
Prompt Engineering
To umiejętność i proces świadomego tworzenia oraz optymalizacji poleceń (promptów) w celu uzyskania od Generatywnej AI jak najdokładniejszych, najbardziej trafnych i kreatywnych odpowiedzi. Zamiast zadawać proste pytania, prompt engineering polega na strategicznym formułowaniu instrukcji – dostarczaniu kontekstu, określaniu formatu wyjściowego i precyzowaniu oczekiwań
-
Prompt injection
To rodzaj ataku na modele językowe (LLM), polegający na stworzeniu przez użytkownika takiego polecenia (promptu), które oszukuje AI i zmusza je do zignorowania swoich oryginalnych instrukcji na rzecz wykonania ukrytego, złośliwego polecenia. Atakujący „wstrzykuje” swoje komendy w treść zapytania, aby przejąć kontrolę nad działaniem modelu, skłonić go do ujawnienia poufnych danych, wygenerowania szkodliwych treści lub obejścia jego wbudowanych zabezpieczeń.
-
RAG (Retrieval-Augmented Generation)
To technika, która pozwala sztucznej inteligencji „sięgnąć po źródła” przed udzieleniem odpowiedzi. Zamiast polegać tylko na swojej wewnętrznej wiedzy, model najpierw przeszukuje zewnętrzną, aktualną bazę danych, a następnie wykorzystuje znalezione fakty do stworzenia precyzyjnej i wiarygodnej odpowiedzi.
-
RAMageddon
Nieformalny termin opisujący rosnący niedobór pamięci RAM spowodowany boomem na AI. Duże centra danych zużywają ogromne ilości zasobów, co wpływa na ceny i dostępność sprzętu w innych sektorach.
-
Reinforcement Learning
To rodzaj uczenia maszynowego, w którym agent (program AI) uczy się podejmowania optymalnych decyzji poprzez metodę prób i błędów. Agent wykonuje akcje w określonym środowisku, a za każdą akcję otrzymuje informację zwrotną w postaci „nagrody” (za dobry ruch) lub „kary” (za zły ruch). Jego celem nie jest wykonanie jednego, idealnego zadania, ale wypracowanie strategii, która pozwoli mu zmaksymalizować sumę nagród w długim okresie.
-
Sieci neuronowe
Fundament nowoczesnej AI – struktury inspirowane ludzkim mózgiem, które przetwarzają dane w wielu warstwach. To one umożliwiają rozpoznawanie obrazów, języka czy wzorców w danych.
-
Transformer
To architektura AI, która doskonale rozumie kontekst. Zamiast czytać zdanie słowo po słowie, analizuje je całe na raz. Dzięki temu potrafi błyskawicznie „zauważyć”, które słowa są dla siebie najważniejsze, co pozwala jej głęboko zrozumieć znaczenie nawet bardzo złożonych tekstów. Jest to technologia stojąca za najnowszymi modelami językowymi, takimi jak ChatGPT czy Gemini.
-
Trening (Training)
Proces „uczenia” modelu poprzez analizę danych i dostosowywanie parametrów. To najbardziej kosztowny etap rozwoju AI, wymagający zarówno danych, jak i mocy obliczeniowej.
-
Tokeny
Podstawowe jednostki danych, które AI przetwarza – mogą odpowiadać słowom lub ich fragmentom. Liczba tokenów wpływa bezpośrednio na koszty korzystania z modeli oraz długość i złożoność odpowiedzi.
-
Transfer learning
Technika polegająca na wykorzystaniu już wytrenowanego modelu jako bazy do nowego zadania. Skraca czas i koszty rozwoju, szczególnie gdy dostęp do danych jest ograniczony.
-
Wagi (Weights)
Parametry modelu określające, które informacje są najważniejsze. To właśnie ich dostosowywanie w trakcie treningu pozwala AI „uczyć się” i poprawiać wyniki.
