Emergens beskriver egenskaber ved et system, som opstår af samspillet mellem mange simple dele, men som ikke kan ses i nogen enkelt del. I AI-forskning kaldes evner emergente, når store sprogmodeller over en vis størrelse løser opgaver som flertrinsregning eller oversættelse markant bedre end mindre modeller. Om sådanne spring er reelle, eller delvis afhænger af, hvordan de måles, diskuteres blandt forskere.
En stor sprogmodel (large language model, LLM) er et neuralt netværk, der er trænet på meget store tekstmængder, så det kan forstå og generere sprog. Den fungerer ved trin for trin at beregne det mest sandsynlige næste token. LLM'er skriver, opsummerer, oversætter, besvarer spørgsmål og genererer kode; kendte eksempler er Claude, GPT, Gemini og Llama. Uden adgang til aktuelle kilder ved de kun det, der stod i deres træningsdata.
En fundamentmodel (foundation model) er en stor AI-model, der er fortrænet på meget omfattende, varierede data, og som derefter kan bruges til mange forskellige opgaver. Begrebet blev skabt på Stanford University i 2021. Kendte eksempler er store sprogmodeller som Claude eller GPT samt billedmodeller. Virksomheder bygger som regel deres applikationer på sådanne modeller i stedet for at træne egne fra bunden; EU's AI-forordning omtaler AI-modeller til almen brug.
Kunstig generel intelligens (artificial general intelligence, AGI) betegner et hypotetisk AI-system, der kan klare en bred vifte af intellektuelle opgaver på menneskeligt niveau og fleksibelt overføre det lærte til nye områder. Nutidens systemer klarer sig godt på mange opgaver, men viser stadig begrænsninger, f.eks. i pålidelighed. Der findes ingen almindeligt accepteret definition eller målemetode, og om og hvornår AGI nås, er omstridt blandt eksperter.
Multi-hop reasoning er et AI-systems evne til at besvare et spørgsmål gennem flere på hinanden følgende slutninger, ofte ved at kombinere oplysninger fra forskellige kilder. Eksempel: »Hvilken afdeling ledes af den person, der er ansvarlig for projekt X?« kræver først, at man finder den ansvarlige person og derefter vedkommendes afdeling. Den slags spørgsmål er krævende for søgnings- og RAG-systemer, fordi hvert mellemtrin skal findes og kobles korrekt.
