Emergencia opisuje vlastnosti systému, ktoré vznikajú súhrou mnohých jednoduchých častí, ale nie sú viditeľné v žiadnej jednotlivej časti. Vo výskume AI sa schopnosti nazývajú emergentné, keď veľké jazykové modely nad určitou veľkosťou riešia úlohy, ako sú viackrokové počítanie alebo preklad, výrazne lepšie ako menšie modely. Výskumníci diskutujú o tom, či sú takéto skoky skutočné, alebo čiastočne závisia od spôsobu merania.
Agenti, postupy a šablóny v jednom pracovnom priestore – bezplatné 24-hodinové demo.
Spustiť demoVeľký jazykový model (LLM, large language model) je neurónová sieť natrénovaná na veľmi veľkom množstve textu, vďaka čomu rozumie jazyku a dokáže ho tvoriť. Funguje tak, že krok za krokom vypočítava najpravdepodobnejší nasledujúci token. LLM píšu, zhŕňajú, prekladajú, odpovedajú na otázky a generujú kód; známymi príkladmi sú Claude, GPT, Gemini a Llama. Bez prístupu k aktuálnym zdrojom vedia len to, čo bolo v ich trénovacích údajoch.
Základný model (foundation model) je veľký model AI vopred natrénovaný na veľmi rozsiahlych a rôznorodých údajoch, ktorý sa potom dá použiť na mnoho rôznych úloh. Pojem vznikol na Stanfordskej univerzite v roku 2021. Známymi príkladmi sú veľké jazykové modely, ako Claude alebo GPT, a tiež modely obrázkov. Firmy zvyčajne stavajú svoje aplikácie na takýchto modeloch, namiesto toho, aby od základu trénovali vlastné; akt EÚ o umelej inteligencii hovorí o modeloch AI na všeobecné účely.
Umelá všeobecná inteligencia (AGI, artificial general intelligence) označuje hypotetický systém AI, ktorý dokáže zvládať široké spektrum intelektuálnych úloh na ľudskej úrovni a flexibilne prenášať naučené do nových oblastí. Dnešné systémy podávajú dobrý výkon pri mnohých úlohách, no stále vykazujú obmedzenia, napríklad v spoľahlivosti. Neexistuje všeobecne akceptovaná definícia ani spôsob merania a o tom, či a kedy sa AGI dosiahne, sa odborníci sporia.
Viackrokové usudzovanie je schopnosť systému AI odpovedať na otázku prostredníctvom viacerých po sebe idúcich úsudkov, často s kombinovaním informácií z rôznych zdrojov. Príklad: „Ktoré oddelenie vedie osoba zodpovedná za projekt X?“ najprv vyžaduje zistiť zodpovednú osobu a potom jej oddelenie. Takéto otázky sú pre systémy vyhľadávania a RAG náročné, pretože každý medzikrok sa musí správne nájsť a prepojiť.
