Przejdź do treści

Co to jest sztuczna inteligencja? Prosto i bez żargonu

Adam Marzec
Karta z pytaniem Co to jest sztuczna inteligencja, licznikami rok 1956 Dartmouth, 78 procent organizacji i 5 minut testu Turinga, chipami o prostych definicjach i granicach, pomarańczowa pieczątka Podstawy AI, obraz wyróżniający poradnika o sztucznej inteligencji

Sztuczna inteligencja to dziś najczęściej nazwa dla programów, które uczą się na przykładach i wykonują zadania, jakie kiedyś rezerwowaliśmy dla ludzi: rozpoznają mowę, tłumaczą teksty, piszą odpowiedzi na maile, znajdują kota na zdjęciach. Encyklopedia Britannica definiuje ją jako zdolność komputera lub sterowanego komputerowo robota do wykonywania zadań powszechnie kojarzonych z istotami inteligentnymi, czyli do rozumowania, wyciągania znaczeń, uogólniania i uczenia się z przeszłości. Brzmi poważnie, ale w praktyce chodzi o coś prostszego: maszyna nie dostaje gotowej instrukcji na każdą okazję, tylko samodzielnie dopasowuje się do sytuacji na podstawie tego, czego się nauczyła.

W tym tekście idziemy od początku. Najpierw wyjaśniam, skąd w ogóle wzięła się nazwa i czemu trudno o jedną, sztywną definicję. Potem rozdzielam pojęcia, które ludzie często mieszają: sztuczną inteligencję, uczenie maszynowe, głębokie uczenie i generatywną AI. Dalej pokazuję, jak te systemy działają od kuchni, gdy nie chce się liczyć ani czytać prac naukowych, potem gdzie spotykasz AI codziennie, często nie wiedząc o tym. Na koniec uczciwie rozpisuję, czego dzisiejsza sztuczna inteligencja nie umie, i podpowiadam, jak zacząć z nią pracę samemu, najlepiej dziś wieczorem.

Najważniejsze informacje

CoStan na odczyt 17.10
Definicja jednym zdaniemZdolność maszyn do zadań, które zwykle wymagają ludzkiej inteligencji: rozumowania, uogólniania, uczenia się z doświadczenia (definicja Britanniki w moim przekładzie)
Skąd nazwaTermin „sztuczna inteligencja” pochodzi z propozycji Johna McCarthy’ego na letnim projekcie badawczym w Dartmouth w 1956 roku
AI, uczenie maszynowe i głębokie uczenieUczenie maszynowe to podzbiór AI, głębokie uczenie (deep learning) to podzbiór uczenia maszynowego, a generatywna AI to odłam głębokiego uczenia
Generatywna AIOdłam AI, który tworzy nowe treści: tekst, obraz, dźwięk; czatboty typu ChatGPT to jej najbardziej znany przykład
AI w telefonieAutokorekta i podpowiedzi klawiatury, tłumacz, nawigacja z prognozą przejazdu, wyszukiwanie zdjęć po treści
Skala wdrożeń78% organizacji raportowało użycie AI w 2024 roku, rok wcześniej 55% (Stanford AI Index 2025)
Czego AI nie umieHalucynuje (twierdzi nieprawdę pewnym tonem), nie rozumie świata tak jak człowiek, poza wiedzą z danych treningowych nie zna niczego nowego
Jak zacząćDarmowy czatbot i jedno konkretne zadanie z własnej codzienności, na przykład przerobienie trudnego tekstu na prosty

Definicja bez matematyki, plus skąd wzięła się ta nazwa

Gdybym miał trzymać się jednego zdania, napisałbym tak: sztuczna inteligencja to dziedzina, która buduje maszyny robiące rzeczy, dla których potrzebna jest inteligencja, gdy robi je człowiek. Takie ujęcie daje Encyklopedia Britannica (przekład własny), podobnie opisuje je IBM, u którego AI to technologia pozwalająca komputerom naśladować ludzkie uczenie się, rozumienie, rozwiązywanie problemów i podejmowanie decyzji. Google Cloud dodaje drugą połowę obrazu: AI to szeroka dziedzina, a nie pojedyncza technologia, więc pod tą jedną nazwą kryje się cała rodzina metod.

Ciekawe jest to, że same badacze nie mają jednej definicji, na którą zgodzą się wszyscy. Artykuł o AI w Stanford Encyclopedia of Philosophy zaczyna od tego, że ustalenie wspólnej definicji całej dziedziny jest trudne, i ostrożnie omawia rozjazd między jej celami. To nie jest wada tekstu, tylko uczciwy opis stanu rzeczy. Dla nas, użytkowników, wystarczy rozumienie praktyczne: AI to programy, które radzą sobie z zadaniami otwartymi i zmiennymi, a nie tylko z tymi, które ktoś wcześniej rozpisał krok po kroku.

Historia w jednym akapicie, bo bez niej nazwa wisi w powietrzu. W 1950 roku Alan Turing opublikował w czasopiśmie Mind pracę „Computing Machinery and Intelligence”, w której zapytał, czy maszyny mogą myśleć, i zaproponował test porównujący odpowiedzi maszyny i człowieka; to z niego wywodzi się znany test Turinga. Sześć lat później, w 1956 roku, John McCarthy zorganizował w Dartmouth letni projekt badawczy i to w jego propozycji padła nazwa „artificial intelligence”. McCarthy zaryzykował tam tezę, że każdy aspekt uczenia się i każda cecha inteligencji da się opisać tak precyzyjnie, że maszyna będzie mogła to symulować. Dziedzina ruszyła z rozpędu, przeżyła potem okresy rozczarowania, które badacze nazywają zimami AI (druga przypadała na przełom lat 80. i 90.), aż w końcu zwrot ku metodom statystycznym i uczeniu na danych dał obecny boom. Kamieniem milowym okazała się architektura transformera, zaproponowana przez zespół Google w 2017 roku, bo to na niej stoją dzisiejsze duże modele językowe, czyli modele typu GPT, Claude czy Gemini.

Sztuczna inteligencja, uczenie maszynowe, deep learning: co jest czym

Najprościej myśleć o tych pojęciach jak o laluszce, w której każda większa lalka zawiera mniejszą. IBM pisze wprost o „konceptach zagnieżdżonych jeden w drugim”: sztuczna inteligencja to całość, wewnątrz niej siedzi uczenie maszynowe, w nim głębokie uczenie, a generatywna AI to odłam tego ostatniego. Google Cloud formułuje to samo zdanie inaczej: uczenie maszynowe jest podzbiorem AI. Jeśli ktoś używa tych nazw zamiennie, drobna korekta pomaga: AI to cel, czyli maszyny radzące sobie z inteligentnymi zadaniami, a uczenie maszynowe to jedna z dróg do tego celu, polegająca na wyciąganiu wzorców z danych zamiast wpisywania reguł ręcznie. Szczegóły tej drogi rozpisałem osobno w tekście o tym, czym jest uczenie maszynowe.

Głębokie uczenie (deep learning) to warstwa jeszcze głębiej: sieci neuronowe z wieloma poziomami, w których kolejne warstwy wyłapują coraz bardziej złożone cechy. W rozpoznawaniu obrazu niższe warstwy potrafią reagować na krawędzie i proste kształty, a wyższe już na coś w rodzaju „twarz” albo „znak drogowy”. Stąd nazwa „głębokie”: chodzi o liczbę warstw, nie o tajemniczą głębię rozumowania. I tu mieszka generatywna AI, czyli odłam, który po nauce na ogromnej liczbie przykładów tworzy nowe treści: tekst, obraz, dźwięk, wideo. Rozpisałem ją osobno w tekście co to jest generatywna AI, a mechanikę jej najpopularniejszego przedstawiciela omawia co to jest LLM.

Google Cloud wprowadza też trzyczęściowy podział, który porządkuje rozmowy o przyszłości. Pierwszy typ to wąska AI, wyspecjalizowana w jednym zadaniu, jak rozpoznawanie obrazów; cała AI, którą spotykasz dziś w praktyce, należy do tej grupy. Drugi typ to AGI, czyli AI na poziomie człowieka w dowolnym zadaniu intelektualnym, a trzeci to hipotetyczna superinteligencja przewyższająca człowieka. Te dwie ostatnie pozostają kategoriami opisowymi, nie produktami: żadna z istniejących dziś systemów nie spełnia warunków AGI i nikt nie umie powiedzieć, kiedy to się zmieni, jeśli w ogóle.

Jak to działa, gdy nie chce się liczyć

Weźmy czatbota, bo jego mechanikę da się opowiedzieć na jednym przykładzie. Duży model językowy uczy się z zadania, które brzmi niemal zabawnie: zgadnij kolejne słowo. Model dostaje początek tekstu i próbuje przewidzieć, co powinno pójść dalej, potem dostaje poprawkę, gdy się pomylił. Po miliardach takich powtórzeń na tekstach z internetu, książkach i dokumentach model nabywa coś, co wygląda na rozumienie języka: wie, że po „raz za” zwykle idzie „razem”, że odpowiedź na pytanie o stolicę wymaga nazwy miasta i że o meczu w piłce pisze się inaczej niż o meczu w szachy. Tyle że to nie reguła wpisana przez programistę, tylko wyuczony wzorzec, podobnie jak dziecko nie uczy się gramatyki z tabel, tylko z setek słyszanych zdań.

Sedno zmiany z ostatnich lat polega na tym, że przestaliśmy programować maszyny regułami i zaczęliśmy je uczyć na przykładach. Kiedyś twórca systemu rozpoznającego litery musiałby ręcznie opisać, jak wygląda litera A: pozioma belka, dwie skośne nogi. W podejściu uczenia maszynowego pokazuje się modelowi tysiące przykładów z opisami i pozwala mu samemu wyrobić sobie kryteria. To dlatego AI radzi sobie z zadaniami, których nie da się opisać regułami bez końca: z odręcznym pismem, gwarą, zdjęciami zrobionymi pod dziwnym kątem. Za cenę, że nie zawsze da się wskazać, czemu model podjął akurat taką, a nie inną decyzję.

Nazwa transformera przewinęła się wyżej, więc dodam dwa zdania bez matematyki. Zaproponowany w 2017 roku mechanizm uwagi pozwala modelowi czytać całą Twoją wiadomość naraz i ważyć, które jej fragmenty są dla kontekstu ważniejsze, zamiast przechodzić przez tekst słowo po słowie i gubić początek długiej rozmowy. Dzięki temu trenowanie dało się przyspieszyć i prowadzić na znacznie większych zbiorach danych. Właśnie dlatego czatbot po trzydziestu zdaniach wciąż pamięta, jak się przedstawiłeś na początku. Jeśli chcesz zejść poziom niżej, na tokeny i trenowanie, zajrzyj do zbiorczego huba podstaw AI, gdzie te pojęcia są rozpisane po kolei.

AI, której już używasz, może o tym nie wiedząc

Zacznijmy od telefonu, bo tam sztuczna inteligencja wkrada się do życia najwcześniej i najciszej. Kiedy klawiatura podpowiada kolejne słowo albo poprawia literówkę, działa mały model wytrenowany na przykładach pisanego języka. Kiedy otwierasz tłumacz bez internetu i tekst tłumaczy się mimo braku sieci, przetwarza go model zapisany w pamięci telefonu. Nawigacja, która mówi, że dojedziesz w 23 minuty zamiast 19, liczy na podstawie wzorców ruchu wyuczonych z danych milionów wcześniejszych przejazdów. A wyszukiwanie po galerii po frazie „pies na plaży”, bez żadnych tagów, to rozpoznawanie obrazów w praktyce.

Poza telefonem lista rośnie jeszcze szybciej. Wyszukiwarka rozumie pytania sformułowane zwykłym językiem, nie tylko dobrane słowa kluczowe. Bank oznacza podejrzane przelewy, bo widzi, że odbiegają od Twoich wzorców wydatków. Serwis streamingowy podpowiada film, sklep produkt, a poczta odsiewa spam, zanim go zobaczysz. Do tego dochodzą czatboty obsługi klienta, które odpowiadają o status paczki bez kolejki do konsultanta. Pytanie o przykłady sztucznej inteligencji zasługuje właśnie na taką listę, bo te codzienne opisują AI lepiej niż jakikolwiek lab z robotami.

Żeby nie było, że to tylko gadżety przy ekranie: raport Stanford AI Index z 2025 roku podaje, że 78% organizacji zadeklarowało użycie AI w 2024 roku, wobec 55% rok wcześniej. Ten sam raport opisuje usługi bez kierowcy, które wykonują ponad 150 tysięcy autonomicznych kursów tygodniowo. Skala przestała być eksperymentalna i to jest główny powód, dla którego rozumienie podstaw AI opłaca się każdemu, nie tylko osobom z branży IT.

Czego dzisiejsza AI wciąż nie umie

Pierwsza rzecz, o której musisz wiedzieć zanim zaczniesz polegać na odpowiedziach: modele językowe halucynują. W żargonie tym nazywa się sytuacje, gdy model z pełnym przekonaniem podaje nieprawdę: wymyślony cytat, błędną datę, artykuł naukowy, który nigdy nie istniał. Robi to dlatego, że jego zadaniem jest wygenerowanie tekstu prawdopodobnego, a nie sprawdzonego; mechanizm tego zjawiska opisałem osobno w tekście o halucynacjach AI. Pewny ton odpowiedzi nie jest jej dowodem, raczej odwrotnie: im pewniejszy i im bardziej szczegółowy cytat, tym silniej zweryfikuj go u źródła.

Druga rzecz to granica wiedzy. Model zna tylko to, co było w danych treningowych, więc świat po dacie jego treningu jest dla niego niewidoczny: nowy cennik, wczorajszy mecz, przepisana ustawa. Część narzędzi dorabia sobie wyszukiwanie w internecie, żeby tę dziurę załatać, ale to osobny mechanizm nakładany na model, nie jego naturalna umiejętność. Trzecia rzecz jest najgłębsza: AI nie rozumie świata tak jak człowiek. Nie ma intencji, nie wie, co jest prawdą w sensie, w jakim wie to człowiek, bo operuje wyuczonymi zależnościami między słowami i obrazami. Dlatego czatbot potrafi zgodzić się z Twoim błędnym założeniem zamiast je poprawić, a potem w jednej rozmowie błysnąć rozwiązaniem, którego nie wpadłbyś na przez cały dzień.

Powyższe nie jest apelem, żeby nie korzystać. Jest radą praktyczną: traktuj AI jak sprawnego, szybkiego i pewnego siebie stażystę, którego prace sprawdzasz przed wysłaniem dalej. Przy zadaniach niskiej stawki wystarczy rzut oka, przy liczbach, cytatach i faktach, które idą do szefa albo na głos, drugie źródło to obowiązek. Do bezpieczeństwa wracam jeszcze w FAQ niżej, bo to pytanie pada często i zasługuje na osobną odpowiedź.

Od czego zacząć: pierwsze spotkanie z AI

Najkrótsza droga to darmowy czatbot w przeglądarce, bez instalowania czegokolwiek. Czatbot to program, z którym rozmawiasz zwykłymi zdaniami, a wybór konkretnego narzędzia, limity i pułapki planów darmowych rozpisuję w tekście o darmowych narzędziach AI na start, do tego dochodzi co to jest chatbot, jeśli temat rozmowy z maszyną jest dla ciebie nowy. Nie potrzebujesz konta płatnego ani żadnej wiedzy technicznej; potrzebujesz jednego zadania.

I tu jedyna prawdziwa rada tego tekstu: nie pytaj o „coś ciekawego”, bo dostaniesz odpowiedź niczym z broszury. Weź zadanie z własnej codzienności. Wklej akapit, który napisałeś i powiedz „uprość to tak, żeby zrozumiał ktoś spoza branży”. Wklej listę zakupów i poproś o plan obiadów na tydzień z tych składników. Opisz błąd, który wyskakuje ci w programie, i poproś o wytłumaczenie krok po kroku. Treść, którą podajesz modelowi, nazywa się prompt i jej jakość decyduje o jakości odpowiedzi bardziej niż wybór narzędzia; podstawy pisania promptów znajdziesz w hubie podstaw AI podlinkowanym wyżej.

Po pierwszych piętnastu minutach będziesz wiedział o AI więcej niż większość ludzi, którzy o niej czytają. Zobaczysz z bliska, co model robi świetnie, co robi przeciętnie i kiedy trzeba przejąć stery. Ta wiedza z praktyki przydaje się potem przy każdej kolejnej decyzji: jakiego narzędzia użyć do jakiej pracy i gdzie kończy się pomoc maszyny, a zaczyna twoja.

FAQ

Co to jest sztuczna inteligencja i na czym polega?

Sztuczna inteligencja to zdolność maszyn do wykonywania zadań, które zwykle wymagają ludzkiej inteligencji: rozumowania, uczenia się z doświadczenia, rozpoznawania mowy czy obrazów. Polega na tym, że zamiast programować system regułami dla każdej sytuacji, uczy się go na przykładach, a on potem dopasowuje wyuczone wzorce do nowych danych. W praktyce oznacza to programy, które tłumaczą teksty, odpowiadają na pytania, znajdują obiekty na zdjęciach i przewidują, co może się wydarzyć dalej.

Czym różni się AI od uczenia maszynowego?

Sztuczna inteligencja to szersze pojęcie: cała dziedzina budująca maszyny radzące sobie z zadaniami inteligentnymi, także takie, które realizowano regułami wpisanymi przez człowieka. Uczenie maszynowe to podzbiór AI i jednocześnie obecnie najważniejsza metoda w tej dziedzinie: system nie dostaje reguł, tylko przykłady, i sam wyłapuje wzorce. Mówiąc obrazowo, każde uczenie maszynowe jest sztuczną inteligencją, ale nie każda sztuczna inteligencja opiera się na uczeniu maszynowym.

Jak działa sztuczna inteligencja w telefonie?

W telefonie działają małe modele wytrenowane na przykładach, często zapisane wprost w pamięci urządzenia, żeby pracowały bez internetu. Klawiatura przewiduje kolejne słowa i poprawia literówki na podstawie wzorców językowych, tłumacz przekłada tekst modelem zapisanym lokalnie, nawigacja szacuje czas przejazdu z wyuczonych wzorców ruchu, a galeria znajduje zdjęcia po treści, bo model rozpoznał na nich obiekty. Dla ciebie to wygląda jak zwykłe funkcje, a pod spodem każda z nich to wytrenowany, nie zaprogramowany ręcznie, model.

Co to jest sztuczna inteligencja generatywna?

Generatywna AI to odłam sztucznej inteligencji, który po nauce na dużych zbiorach przykładów tworzy nowe treści: tekst, obraz, dźwięk, wideo albo kod. Różni się od AI, która tylko klasyfikuje lub przewiduje, na przykład ocenia, czy na zdjęciu jest pies, bo sama produkuje coś, czego wcześniej nie było. Czatboty typu ChatGPT, generatory obrazów i narzędzia do tworzenia muzyki to wszystko generatywna AI; szczegóły tej dziedziny rozpisuję w osobnym tekście o generatywnej AI.

Czy sztuczna inteligencja jest bezpieczna?

W codziennym użyciu, czyli pytanie czatbota, tłumaczenie tekstu albo nawigacja, ryzyko jest małe i przypomina ryzyko zwykłych usług internetowych. Prawdziwe ryzyka leżą gdzie indziej: model może halucynować, czyli podawać nieprawdę pewnym tonem, może więc wprowadzić w błąd tego, kto nie sprawdza odpowiedzi; a treści, które wklejasz w publiczne narzędzia, warto traktować jak wysłanie do firmy zewnętrznej, więc dane wrażliwe zostawiaj poza rozmową. Traktuj AI jako pomocnika do weryfikacji, nie wyrocznię, a przy zadaniach z konsekwencjami, finansowymi czy prawnymi, zawsze sprawdzaj u źródła.

Źródła

Powiązane artykuły