Emergencja oznacza właściwości systemu, które wynikają ze współdziałania wielu prostych części, ale nie są widoczne w żadnej z nich z osobna. W badaniach nad AI zdolności nazywa się emergentnymi, gdy duże modele językowe powyżej pewnej wielkości wyraźnie lepiej niż mniejsze modele rozwiązują zadania takie jak wieloetapowe rachunki czy tłumaczenie. Wśród badaczy trwa spór, czy takie skoki są rzeczywiste, czy częściowo zależą od sposobu pomiaru.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoDuży model językowy (LLM) to sieć neuronowa wytrenowana na bardzo dużych ilościach tekstu, dzięki czemu potrafi rozumieć i generować język. Działa, obliczając krok po kroku najbardziej prawdopodobny kolejny token. LLM-y piszą, streszczają, tłumaczą, odpowiadają na pytania i generują kod; znane przykłady to Claude, GPT, Gemini i Llama. Bez dostępu do aktualnych źródeł wiedzą tylko to, co znajdowało się w ich danych treningowych.
Model bazowy (foundation model) to duży model AI wstępnie wytrenowany na bardzo obszernych i zróżnicowanych danych, który można następnie wykorzystać do wielu różnych zadań. Pojęcie to wprowadzono na Uniwersytecie Stanforda w 2021 roku. Znane przykłady to duże modele językowe, takie jak Claude czy GPT, a także modele obrazów. Firmy zwykle budują swoje aplikacje na takich modelach, zamiast trenować własne od podstaw; unijny AI Act odnosi się do modeli AI ogólnego przeznaczenia.
Ogólna sztuczna inteligencja (AGI) to hipotetyczny system AI, który potrafi sprostać szerokiemu zakresowi zadań intelektualnych na poziomie człowieka i elastycznie przenosić zdobytą wiedzę na nowe dziedziny. Dzisiejsze systemy radzą sobie dobrze z wieloma zadaniami, ale nadal mają ograniczenia, na przykład w niezawodności. Nie istnieje powszechnie przyjęta definicja ani sposób pomiaru, a to, czy i kiedy AGI zostanie osiągnięta, jest sporne wśród ekspertów.
Rozumowanie wieloetapowe to zdolność systemu AI do udzielenia odpowiedzi na pytanie poprzez kilka następujących po sobie wnioskowań, często łącząc informacje z różnych źródeł. Przykład: pytanie „Którym działem kieruje osoba odpowiedzialna za projekt X?” wymaga najpierw ustalenia osoby odpowiedzialnej, a potem jej działu. Takie pytania są wymagające dla systemów wyszukiwania i RAG, ponieważ każdy krok pośredni musi zostać poprawnie znaleziony i powiązany.
