Czym jest sztuczna inteligencja (AI)? Jak działa, rodzaje i przykłady

Słowo „AI” pada dziś w kontekście chatbotów, rekomendacji filmów, filtrów spamu, aut autonomicznych i narzędzi do pisania kodu. To nie jest jedna technologia, tylko cała dziedzina, a jej najczęściej mylone fragmenty (uczenie maszynowe, uczenie głębokie, LLM) to nie synonimy. Ten artykuł porządkuje pojęcia i pokazuje, gdzie w tym wszystkim jest miejsce dla programisty.

Czym jest sztuczna inteligencja?

Sztuczna inteligencja (artificial intelligence, AI) to dziedzina informatyki, która buduje systemy wykonujące zadania wymagające zwykle ludzkiej inteligencji. Nazwa pochodzi z 1956 roku, z letniego seminarium w Dartmouth College, na którym John McCarthy i współpracownicy użyli jej jako nazwy nowej dziedziny.

Dwie rzeczy warto zapamiętać od razu:

• AI to zbiór technik, a nie jeden program. Szachowy silnik z ręcznie zapisanymi regułami, filtr spamu uczący się z przykładów i model generujący tekst to wszystko AI, choć działają zupełnie inaczej.
• Granica się przesuwa. To, co kiedyś uchodziło za AI (np. rozpoznawanie znaków na kopertach), po oswojeniu zaczyna być traktowane jako zwykłe oprogramowanie. Dlatego definicje AI w różnych źródłach się różnią.

Czym różni się AI, uczenie maszynowe, uczenie głębokie i LLM?

To najczęściej mylone pojęcia. Układają się jak zbiory zawarte jeden w drugim:

Nie każde AI to uczenie maszynowe (silnik oparty na ręcznych regułach też jest AI), nie każde uczenie maszynowe to uczenie głębokie (prosty model liczący próg decyzyjny nie ma warstw neuronowych) i nie każde uczenie głębokie to LLM (sieć rozpoznająca zdjęcia nie generuje tekstu). Szczegółowo o ostatnim ogniwie piszemy w artykule Czym jest LLM.

Jeśli wolisz usłyszeć to od osoby, która zajmuje się tym naukowo, w odcinku podcastu dr Marcin Płodzień tłumaczy, czym jest ChatGPT, uczenie maszynowe i głębokie oraz jak trenuje się sieci neuronowe:

Jak działa AI oparta na uczeniu maszynowym?

Różnicę między programowaniem klasycznym a uczeniem maszynowym najłatwiej opisać tak:

Mały przykład w Pythonie. Chcemy rozpoznawać spam po liczbie wykrzykników w wiadomości. W podejściu klasycznym programista zgaduje próg, a w uczeniu maszynowym próg dobiera się tak, żeby jak najlepiej pasował do przykładów:

# Przykłady: (liczba wykrzykników w wiadomości, czy to spam)
examples = [(0, False), (1, False), (0, False), (2, False), (1, False),
            (4, True), (6, True), (5, True), (3, True), (7, True)]


# Podejście klasyczne: programista zapisuje regułę ręcznie
def rule_by_hand(exclamations: int) -> bool:
    return exclamations > 10  # strzał, który nie pasuje do danych


# Podejście uczenia maszynowego: próg wybieramy tak, żeby jak najlepiej pasował do przykładów
def learn_threshold(data) -> int:
    def correct(threshold: int) -> int:
        return sum((x > threshold) == label for x, label in data)

    return max(range(0, 10), key=correct)


threshold = learn_threshold(examples)
print("nauczony próg:", threshold)
print("ręczna reguła, 5 wykrzykników:", rule_by_hand(5))
print("nauczona reguła, 5 wykrzykników:", 5 > threshold)
accuracy_hand = sum(rule_by_hand(x) == y for x, y in examples) / len(examples)
accuracy_learned = sum((x > threshold) == y for x, y in examples) / len(examples)
print("trafność ręczna:", accuracy_hand, "nauczona:", accuracy_learned)

Po uruchomieniu wychodzi nauczony próg 2, ręczna reguła („więcej niż 10 wykrzykników”) uznaje wiadomość z pięcioma wykrzyknikami za zwykłą, a nauczona wyłapuje ją jako spam. Trafność na tych 10 przykładach to 0,5 dla reguły zgadywanej i 1,0 dla nauczonej. Pamiętaj, że to przykład poglądowy: sprawdzamy model na tych samych danych, na których go uczyliśmy, więc w prawdziwym projekcie trafność mierzy się na osobnych danych testowych. Mechanizm jest jednak ten sam co w dużych modelach: parametry (tu jeden próg, w sieciach neuronowych miliardy liczb) dobiera się na podstawie przykładów.

Kiedy w ogóle sięgać po AI, a kiedy napisać regułę ręcznie?

Ten przykład pokazuje też granicę, o której łatwo zapomnieć. Jeśli potrafisz zapisać regułę w kilku liniach i nie zmienia się ona razem z danymi, napisz ją ręcznie: będzie tańsza, szybsza i w pełni przewidywalna. Model ma sens dopiero wtedy, gdy reguły nie da się sensownie zapisać, a masz dużo przykładów, na których można ją wywnioskować. Rozpoznawanie, czy na zdjęciu jest kot, to typowy przypadek dla modelu, a sprawdzenie, czy kwota faktury jest większa od zera, nie.

Jakie są rodzaje uczenia maszynowego?

Duże modele językowe łączą kilka z tych podejść na różnych etapach treningu. Jak wygląda ten proces krok po kroku, opisujemy w artykule o LLM.

Uczenie głębokie i jego ograniczenia (m.in. podatność sieci neuronowych na celowo spreparowane dane) omawia dalsza część tej samej rozmowy:

Jakie są rodzaje sztucznej inteligencji pod względem możliwości?

Często spotkasz podział na trzy poziomy, z których tylko pierwszy istnieje:

Duży model językowy potrafi rozmawiać o wielu tematach, ale nadal jest wąską AI: nie ma celów, nie działa w świecie bez narzędzi i nie weryfikuje prawdziwości tego, co generuje.

Jakie są przykłady zastosowań AI?

Na rynku narzędzi dla programistów najpopularniejsze stały się asystenci kodowania, które porównujemy w artykule o narzędziach AI dla programistów.

Jakie są ograniczenia i ryzyka AI?

Ile kosztuje AI i jaki ślad zostawia?

To zależy od skali. Mały model uczenia maszynowego, jak ten z przykładu wyżej, uczy się w ułamku sekundy na zwykłym komputerze. Inaczej jest z największymi modelami językowymi: według szacunków Stanford AI Index 2024 sam koszt mocy obliczeniowej treningu GPT-4 wyniósł rzędu 78 mln dolarów (ok. 300 mln zł), a Epoch AI szacuje, że koszt treningu największych modeli rośnie od 2016 roku około 2,4 raza rocznie. Do tego dochodzą energia i woda do chłodzenia: według Międzynarodowej Agencji Energetycznej (IEA) centra danych zużyły w 2024 roku ok. 1,5% światowej energii elektrycznej, czyli ponad dwa razy więcej niż cała Polska. Konkretne liczby, przykład nieudanego treningu i szacunki zużycia wody opisujemy w artykule o kosztach trenowania dużych modeli językowych.

Czy AI zastąpi programistów?

AI przejmuje część pracy programisty, ale nie zdejmuje z niego odpowiedzialności za wynik: ktoś musi postawić cel, ocenić kod i odpowiadać za skutki. Szerzej o tym, jak zmienia się zawód, piszemy w artykule Czy AI zastąpi programistów, czy tylko zmieni ich pracę, a o tym, czy w takiej sytuacji nauka kodowania ma sens, w tekście Czy nauka programowania w dobie AI ma sens.

Jak zacząć pracę z AI jako programista?

Pod hasłem „praca z AI” kryją się dwie różne ścieżki, które warto rozdzielić:

Większość zawodowych zadań w firmach to ta druga ścieżka: model jest gotowy, a trzeba go sensownie podłączyć do produktu.

Uwaga mentora: najczęstsze nieporozumienie osób zaczynających to utożsamianie „AI” z „ChatGPT” i przekonanie, że do pracy z AI trzeba najpierw nauczyć się trenować modele. W praktyce większość zawodowych zadań to budowanie aplikacji na gotowych modelach, a umiejętność trenowania jest osobną specjalizacją.

Kolejność nauki, którą polecamy:

1. Programowanie w Pythonie, bo to język, w którym pracuje się z modelami.
2. Czym jest LLM, żeby rozumieć, co dzieje się wewnątrz modelu.
3. API modelu, tokeny i koszty: pierwsze wywołanie z własnego kodu.
4. Agenty AI: model z narzędziami i pętlą.
5. Prompty do kodu: jak codziennie pracować z AI przy własnym kodzie.

Tę drogę, od integracji z modelem po systemy agentowe i wdrożenie, przechodzisz na ścieżce AI Engineer.

Najczęstsze pytania o sztuczną inteligencję

Czy AI to to samo co ChatGPT?

Nie. ChatGPT to jedna aplikacja oparta na dużym modelu językowym, a ten jest jednym z rodzajów AI. AI obejmuje też filtry spamu, rozpoznawanie obrazów, rekomendacje i wiele innych systemów.

Czym różni się uczenie maszynowe od uczenia głębokiego?

Uczenie maszynowe to ogólna idea: algorytm uczy się z przykładów. Uczenie głębokie to jego odmiana, w której uczą się wielowarstwowe sieci neuronowe, dobre przy dużych zbiorach danych, takich jak obrazy, dźwięk i tekst.

Czy AI naprawdę myśli lub rozumie?

Zachowuje się tak, jakby rozumiała, ale to wynik wzorców wyuczonych z danych, a nie świadomości czy własnych celów. Dla praktyki ważniejsze jest to, że jej wyniki trzeba sprawdzać, niż spór o definicję „myślenia”.

Czy żeby pracować z AI, trzeba umieć matematykę?

Do trenowania modeli: tak, statystyka i algebra liniowa się przydają. Do budowania aplikacji na gotowych modelach wystarczą solidne programowanie, znajomość API i umiejętność testowania, choć rozumienie podstaw działania modeli bardzo pomaga.

Ile energii i wody zużywa AI?

Dużo, choć dokładne liczby zależą od modelu i miejsca. Szacuje się, że trening GPT-3 pochłonął ok. 1287 MWh energii i mógł odparować setki tysięcy litrów wody tylko na chłodzenie, a centra danych zużywają łącznie ok. 1,5% światowej energii elektrycznej (dane za 2024 rok). Liczby i źródła opisujemy w artykule o kosztach trenowania dużych modeli językowych.

Od czego zacząć naukę AI?

Od programowania w Pythonie, a potem od zrozumienia, jak działa duży model językowy, i pierwszego wywołania modelu z własnego kodu. Dopiero na tej bazie ma sens sięgać po agentów i frameworki.