Co je umělá inteligence (a co není)

Co se dnes doopravdy myslí slovem „AI“, jak do sebe zapadají strojové učení, hluboké učení a generativní AI a proč je dobré oddělit skutečné schopnosti od reklamy.

Ráno ti telefon odemkne obličej, e-mail sám odklidí podezřelé zprávy do spamu, navigace tě objede kolem zácpy a večer ti streamovací služba nabídne seriál, který tě opravdu zajímá. Nic z toho nejspíš nevnímáš jako „umělou inteligenci“. A přitom za každou z těch drobností stojí přesně ta technologie, o které se dnes tolik mluví.

V téhle lekci si ujasníme, co slovo AI v praxi znamená, jak do sebe zapadají pojmy, které se kolem něj točí, a kde končí skutečné schopnosti a začíná marketing. Je to základ, na kterém stojí celý kurz: když budeš mít tyhle pojmy srovnané, budeš umět rozlišit, co ti dodavatel nabízí, a nenecháš se opít rohlíkem.

Co se v praxi myslí slovem „AI“

Jedna přesná a všeobecně přijímaná definice umělé inteligence neexistuje. Obor si ji nese od 50. let a od té doby se posouvá: co bylo kdysi „inteligentní“ (třeba počítač, který hraje šachy), dnes bereme jako obyčejný program. Pro praktické účely ale stačí pracovní vymezení.

Umělá inteligence(artificial intelligence, AI): Souhrnné označení pro počítačové systémy, které zvládají úkoly, u kterých bychom od člověka čekali nějakou formu myšlení: rozpoznat obrázek, porozumět větě, něco předpovědět, rozhodnout se, vytvořit text.

Všimni si, že definice mluví o úkolech, ne o tom, jak to stroj uvnitř dělá. To je důležité. Pod nálepkou AI se schovávají velmi různé technologie: od pár desítek ručně napsaných pravidel až po obří neuronové sítě s miliardami nastavitelných čísel. Když ti někdo řekne „naše aplikace používá AI“, ještě ses nedozvěděl skoro nic. Správná doplňující otázka zní: jakou a k čemu.

Matrjoška pojmů: AI, strojové učení, hluboké učení, generativní AI

Nejvíc zmatku vzniká tím, že se čtyři různé pojmy používají jako synonyma. Ve skutečnosti do sebe zapadají jako ruské panenky: každý další je užší část toho předchozího.

Strojové učení(machine learning, ML): Část AI, ve které program nedostane od člověka hotová pravidla, ale sám si je odvodí z příkladů (dat). Čím víc dobrých příkladů, tím lépe obvykle funguje.

Hluboké učení(deep learning): Část strojového učení, která používá neuronové sítě s mnoha vrstvami za sebou. Díky tomu si umí sama najít složité vzory v obrázcích, zvuku nebo textu.

Generativní AI(generative AI): Systémy postavené na hlubokém učení, které na základě zadání vytvářejí nový obsah: text, obrázky, zvuk, video nebo kód. Patří sem ChatGPT, Claude, Gemini i generátory obrázků.

Celé to vypadá takto:

Vrstva	Co znamená	Typický příklad
Umělá inteligence	Jakýkoli systém, který řeší „chytré“ úkoly, ať už pomocí pravidel, nebo učení	Šachový program, plánovač tras, systém s ručně psanými pravidly
⤷ Strojové učení	Systém si pravidla odvodí z dat	Spamový filtr, odhad ceny nemovitosti, doporučení produktů
⤷⤷ Hluboké učení	Strojové učení pomocí vícevrstvých neuronových sítí	Rozpoznání obličeje, převod řeči na text, strojový překlad
⤷⤷⤷ Generativní AI	Hluboké učení, které vytváří nový obsah	ChatGPT, Claude, generátory obrázků

Z tabulky plyne pár užitečných důsledků. Každá generativní AI je zároveň hluboké učení, strojové učení i AI. Ale obráceně to neplatí: většina AI, která dnes ve firmách běží, žádný text negeneruje. Odhaduje, třídí, předpovídá a doporučuje. Když tedy budeš ve firmě řešit „zavedení AI“, nemusí to vůbec znamenat chatbota.

AI, kterou už používáš (a nevíš o ní)

Projdeme si pár běžných příkladů. U každého je dobré vidět, co přesně stroj dělá, protože to rozbije představu, že AI je jedna záhadná věc.

Spamový filtr. Klasický příklad strojového učení. Systém viděl obrovské množství e-mailů, které lidé označili jako spam nebo jako běžnou poštu, a naučil se, jaké znaky spam obvykle má. U nového e-mailu pak odhadne pravděpodobnost, že jde o spam. Jak přesně se to učí, uvidíš v další lekci.
Mapy a navigace. Hledání nejkratší cesty je starý, „klasický“ algoritmus, žádné učení. Odhad, za jak dlouho dojedeš a kde bude za čtvrt hodiny zácpa, už ale typicky stojí na modelech, které se učí z dat o dopravě. Jedna aplikace tak kombinuje víc druhů AI.
Doporučení v e-shopu, na YouTube nebo ve streamovací službě. Systém se z chování milionů lidí naučil, že kdo se díval na A a B, často chce i C. Nerozumí filmu, rozumí vzorům v chování diváků.
Odemykání obličejem, převod řeči na text, automatický překlad. Typické hluboké učení: úlohy, ve kterých se ručně psaná pravidla nikdy pořádně neosvědčila, protože obličej nebo hlas se nedá popsat sadou jednoduchých podmínek.
ChatGPT, Claude, Gemini a podobní asistenti. Generativní AI postavená na takzvaných velkých jazykových modelech. Ty se naučily z obrovského množství textu odhadovat, jaké slovo má pravděpodobně následovat. Tenhle mechanismus je tak zajímavý, že mu věnujeme celý druhý modul, začni třeba lekcí o předpovědi dalšího slova.

Úzká AI a představa obecné AI

Všechno, co jsme zatím zmínili, má jednu společnou vlastnost: umí to jednu věc, nebo úzkou skupinu věcí. Spamový filtr neuvaří kafe a navigace nenapíše smlouvu.

Úzká AI(narrow AI): Systém navržený a natrénovaný na konkrétní úlohu nebo okruh úloh. V nich může být lepší než člověk, mimo ně je bezradný. Veškerá AI, která dnes reálně existuje, je v tomhle smyslu úzká, i když se jazykové modely okraje toho pojmu dotýkají.

Obecná umělá inteligence(artificial general intelligence, AGI): Hypotetický systém, který by zvládl prakticky jakýkoli intelektuální úkol, který zvládne člověk, a uměl by se učit nové věci podobně pružně jako my. Zatím neexistuje a ani na její přesné definici se odborníci neshodnou.

Tady to začíná být zajímavé, protože velké jazykové modely do té úhledné škatulky „úzké AI“ úplně nezapadají. Jeden a týž model umí napsat e-mail, přeložit text, vysvětlit kód i poradit s receptem. Nikdo přitom pro každou z těch úloh nestavěl zvláštní program. To je skutečná a nová věc. Zároveň ale tytéž modely dělají chyby, které by žádný člověk se srovnatelným rozhledem neudělal, a některé jednoduché úlohy jim dlouho dělaly potíže.

Proto je debata o AGI otevřená, a to z několika důvodů:

Není jasné, co přesně měřit. Má AGI znamenat „zvládne většinu kancelářské práce“? „Umí se sama naučit cokoli nového“? „Má porozumění světu jako člověk“? Každá definice vede k jiné odpovědi.
Odborníci se neshodnou na směru. Část z nich věří, že stačí dál zvětšovat modely a data. Jiní tvrdí, že současný přístup narazí na strop a bude potřeba něco zásadně jiného.
Do debaty mluví peníze. Firmy, které vyvíjejí AI, mají zájem působit, že jsou blízko průlomu, a kritici mají zase zájem na opaku. Obojí je dobré mít na paměti, když čteš titulky.

Co tu vlastně znamená „inteligence“

Slovo „inteligence“ v názvu oboru svádí k představě, že stroj přemýšlí jako člověk. Je dobré si hned na začátku říct, že tak to není, nebo přinejmenším ne tak, jak to známe sami ze sebe.

Když spamový filtr odhalí podvodný e-mail, nedělá to proto, že by chápal, co je podvod. Spočítal, že zpráva nese znaky, které se v minulosti opakovaně objevovaly ve zprávách označených jako spam. Když jazykový model napíše odpověď, neprochází si vědomě myšlenky. Postupně vybírá další kousky textu podle pravděpodobností, které se naučil z obrovského množství textů. Výsledek může vypadat chytře, a často opravdu je užitečný, ale vzniká jinou cestou než u člověka.

Pár rozdílů, které stojí za zapamatování:

	Člověk	Dnešní AI
Jak se učí	Z mála příkladů, ze zkušenosti, z těla a světa kolem	Z obrovského množství dat, typicky jednorázově při tréninku
Co ví o světě	Žije v něm, ověřuje si věci	Zná jen to, co bylo v datech (a to může být zastaralé nebo zkreslené)
Jak chybuje	Většinou ví, kdy si není jistý	Umí se mýlit stejně sebejistě, jako má pravdu
Co chce	Má vlastní cíle a motivaci	Nemá vlastní záměr, plní úlohu, na kterou byl natrénován a kterou dostal

Odborníci se dodnes přou, jestli se tomu, co dělají velké modely, dá říkat „porozumění“. Tahle lekce ten spor nerozsoudí a nemusí. Prakticky ti stačí vědět, že AI je velmi dobrá v hledání a využívání vzorů v datech, a že právě z toho plynou její silné stránky i typické chyby. Proč si model někdy vymýšlí, vysvětlíme v lekci o halucinacích.

Do hloubkyTuringův test a proč nestačí

V roce 1950 navrhl britský matematik Alan Turing místo filozofické otázky „Mohou stroje myslet?“ praktickou zkoušku, které říkal „hra na napodobování“ (imitation game). Tazatel si píše se dvěma neviditelnými partnery, člověkem a strojem, a má poznat, který je který. Když to nedokáže spolehlivě rozlišit, má podle Turinga smysl o stroji mluvit jako o myslícím.

Dnešní jazykové modely v krátkém rozhovoru působí lidsky natolik, že tahle hranice přestala být dobrým měřítkem. Ukázalo se, že znít jako člověk je něco jiného než myslet jako člověk. Proto se dnes schopnosti modelů měří spíš sadami konkrétních úloh (testy z matematiky, programování, porozumění textu) a i tyhle testy mají své slabiny: model mohl podobné úlohy vidět už při tréninku. Víc o Turingovi najdeš v lekci o historii AI.

Humbuk a realita

AI dnes provází obrovské množství nadšení i strachu. Obojí má reálný základ a obojí se přehání. Abys mohl dělat rozumná rozhodnutí, pomůže ti oddělit, co je doložené a co je zatím slib.

Co je skutečné. Generativní AI umí věci, které ještě před pár lety neuměla: srozumitelně shrnout dlouhý dokument, napsat použitelný první návrh textu, přeložit, vysvětlit, pomoct s programováním, odpovídat na otázky nad firemními dokumenty. Klasické strojové učení mezitím léta tiše a spolehlivě běží v bankách, logistice, e-shopech i výrobě. To nejsou sliby, to je provoz.

Co se přehání. Marketing rád nálepkuje jako „AI“ i obyčejné automatizace. Tvrzení typu „AI nahradí celé oddělení“ nebo „model rozumí vašemu byznysu“ obvykle nejsou podložená. A skoro vždy se zamlčí, že výstupy je potřeba kontrolovat, že model může sebejistě uvést nepravdu a že jeho znalosti končí k určitému datu.

Co je nejisté. Jak rychle se bude AI dál zlepšovat, jak velký bude její dopad na práci a jestli a kdy přijde něco jako AGI. Tady se neshodnou ani lidé, kteří modely sami vyvíjejí. Kdo ti to řekne s jistotou, ví víc, než se dá vědět.

Dobrým kompasem je zdravá zvědavost spojená se zdravou skepsí. AI ber vážně, zkoušej ji, ale ptej se, jak daná věc funguje a jak se ověřilo, že funguje. Přesně k tomu tě má tenhle kurz dovést. V další lekci se podíváme pod kapotu: jak se stroj z dat vůbec něco naučí.

Co si odnést

„AI“ je široký deštník pro systémy, které zvládají úkoly vyžadující u lidí myšlení. Samo o sobě to slovo neříká, jaká technologie se pod ním skrývá.
Pojmy do sebe zapadají: AI ⊃ strojové učení ⊃ hluboké učení ⊃ generativní AI. Většina AI ve firmách nic negeneruje, ale třídí, předpovídá a doporučuje.
Veškerá dnešní AI je v zásadě úzká. Obecná AI (AGI) zatím neexistuje a odborníci se neshodnou ani na její definici, ani na tom, kdy a jestli přijde.
„Inteligence“ stroje není lidské myšlení. Je to velmi silná schopnost najít a využít vzory v datech, z čehož plynou silné stránky i typické chyby.
K humbuku přistupuj se zvědavostí i skepsí: rozhodují výsledky na tvých vlastních datech a úlohách, ne působivé ukázky.

Zdroje a další čtení

IBM: What is artificial intelligence (AI)? – přehledné vysvětlení vztahu AI, strojového a hlubokého učení a generativní AI (anglicky).
Elements of AI – Úvod do umělé inteligence – bezplatný kurz Helsinské univerzity a MinnaLearn, dostupný i v češtině.
A. M. Turing: Computing Machinery and Intelligence (Mind, 1950) – původní článek s „hrou na napodobování“ (anglicky).