Umělá inteligence není jeden konkrétní algoritmus, ale celý vědní obor. Cílem AI je vytvořit stroje, které dokážou vnímat své okolí, logicky uvažovat, učit se a jednat za účelem dosažení určitého cíle.

Pro správné pochopení kontextu je důležité rozlišovat mezi AI, ML a Deep Learningem:

• Artificial Intelligence (AI): Nadřazená kategorie. Zahrnuje vše od jednoduchých „if-then“ pravidel až po komplexní systémy.
• Machine Learning (ML): Podmnožina AI. Metody, které se učí vzorce z dat (namísto programování pravidel).
• Deep Learning (DL): Podmnožina ML využívající vícevrstvé neuronové sítě.

—

Odborníci dělí AI do tří vývojových stupňů:

Systémy navržené pro jeden konkrétní úkol. Jsou v něm lepší než lidé, ale neumí nic jiného.

• Příklady: Hraní šachů, rozpoznávání obličejů, doporučování videí na YouTube.
• Stav: V této fázi se nacházíme dnes.

Stroj, který má intelektuální schopnosti na úrovni člověka. Dokáže se naučit jakýkoliv úkol, řešit problémy v neznámém prostředí a má vědomí.

• Stav: Hypotetická, zatím neexistuje.

AI, která výrazně překonává lidský mozek ve všech oblastech (včetně kreativity a sociálních dovedností).

• Stav: Předmět sci-fi a futuristických úvah (např. Nick Bostrom).

—

Existují dva hlavní myšlenkové proudy, jak AI budovat:

1. **Symbolická AI (Top-Down):** Založena na logice a manipulaci se symboly. Expertní systémy z 80. let fungovaly na tisících pravidel typu "pokud nastane X, udělej Y". Je snadno vysvětlitelná, ale nepružná.
2. **Konektivismus (Bottom-Up):** Inspirován biologií. Namísto pravidel stavíme síť "neuronů", které se učí vztahy mezi vstupy a výstupy. Tento přístup dnes dominuje díky [[it:sw:strojove_uceni|strojovému učení]].

—

Současný boom (2022–současnost) je poháněn Generativní AI. Na rozdíl od předchozí AI, která data pouze klasifikovala, generativní AI dokáže vytvářet nový obsah (text, obrázky, kód).

• LLM (Large Language Models): Modely jako GPT-4, které jsou vytrénovány na obrovském množství lidského textu a dokáží predikovat další slovo v sekvenci s neuvěřitelnou přesností.

—

Širší kontext AI zahrnuje i rizika:

• Algoritmická zaujatost: AI může přejímat předsudky z trénovacích dat.
• Transparentnost (Black Box): U hlubokých sítí často nevíme, proč se systém rozhodl tak, jak se rozhodl.
• Dopad na trh práce: Automatizace kognitivních úloh (psaní, programování, analýza).

Související články:

• Strojové učení: Technický základ AI
• Neuronové sítě: Jak funguje Deep Learning
• Turingův test: Jak měříme inteligenci strojů

Tagy: it ai artificial-intelligence ml deep-learning futurology ethics