V roce 1997 porazil počítač Deep Blue od IBM tehdejšího mistra světa v šachu Garriho Kasparova. Média tehdy psala o vítězství umělé inteligence nad člověkem, a měla pravdu, jen ne v tom smyslu, v jakém dnes slovo AI chápeme. Deep Blue se z ničeho neučil. Prohledával během vteřiny miliony možných pokračování partie podle pravidel, která do něj naprogramovali inženýři IBM, a vybral tah, který vypadal nejlíp podle jejich předem daných kritérií. Žádná data, žádné učení, čistě hrubá výpočetní síla podle napsaných pravidel.

ChatGPT funguje úplně jinak, a právě tenhle rozdíl často mizí, když se pojmy umělá inteligence, strojové učení a hluboké učení používají jako synonyma. Nejsou. Jeden pojem je vždycky podmnožinou druhého, jako ruské matrjošky vložené jedna do druhé.

Umělá inteligence: ta největší matrjoška

Umělá inteligence je nejširší pojem ze všech tří, zastřešující cokoliv, kde počítač vykazuje chování, které bychom u člověka označili za inteligentní, bez ohledu na to, jak toho uvnitř dosahuje. Patří sem jak Deep Blue s pevně danými pravidly, tak dnešní jazykové modely, tak jednoduché systémy z osmdesátých let zvané expertní systémy, které se rozhodovaly podle sad ručně zapsaných pravidel typu „pokud pacient má příznak A a B, zvaž diagnózu C”.

AI podle týhle definice vůbec nemusí zahrnovat učení z dat. Stačí, že systém řeší úlohu způsobem, který působí inteligentně navenek, ať už k tomu došel učením, nebo naprogramovanými pravidly.

Strojové učení: matrjoška uvnitř

Strojové učení je podmnožina umělé inteligence, konkrétní přístup, jak inteligentní chování dosáhnout: necháte systém, aby se pravidla naučil sám z dat, místo abyste mu je naprogramovali ručně. Filtr spamu, který se učí z tisíců označených e-mailů, nebo doporučovací systém, který se učí z historie vašich nákupů, spadají do týhle kategorie. Podrobně tomu, jak se takový systém uvnitř „učí”, se věnuje samostatný přehled o strojovém učení a neuronových sítích.

Každé strojové učení je typem AI. Ne každá AI je strojové učení, Deep Blue je toho jasným důkazem.

Rozdíl má i praktický dopad. Systém postavený na ručně psaných pravidlech je předvídatelný, dá se přesně vysvětlit, proč udělal konkrétní rozhodnutí, protože každé pravidlo napsal a zdůvodnil člověk. Systém postavený na strojovém učení je často přesnější a zvládne i úlohy, které by se pravidly popisovaly jen těžko, zaplatí za to ale nižší předvídatelností: proč model odpověděl zrovna takhle, se dá u složitějších modelů dokázat jen obtížně.

Hluboké učení: nejmenší matrjoška

Hluboké učení je dál podmnožina strojového učení, konkrétně ta část, která k učení používá neuronové sítě s mnoha vrstvami. Není to jediný způsob, jak strojové učení implementovat, existují i jiné, starší metody, třeba rozhodovací stromy nebo takzvané metody podpůrných vektorů, které se pro jednodušší úlohy používají dodnes, protože jsou rychlejší na trénink a snáz se u nich chápe, proč model rozhodl zrovna takhle.

Hluboké učení vyniká hlavně u složitých úloh s obrovským množstvím dat, rozpoznávání obrázků, zpracování přirozeného jazyka, a právě na něm stojí dnešní velké jazykové modely jako ten za ChatGPT.

Není to ale univerzálně nejlepší volba pro každou úlohu. Banka, která potřebuje rozhodnout o schválení úvěru a musí být schopná klientovi vysvětlit důvod zamítnutí, často sáhne po jednodušší, vysvětlitelnější metodě strojového učení, ne po neuronové síti, i kdyby síť dosahovala o pár procent vyšší přesnosti. Volba metody se řídí nejen výkonem, ale i tím, jak moc je potřeba rozhodnutí umět zdůvodnit.

Proč se ty pojmy tak často pletou

Novináři i marketéři mají tendenci používat „umělá inteligence” jako zastřešující, chytlavé označení pro cokoliv nového a působivého, bez ohledu na to, jestli jde technicky o hluboké učení, jednodušší strojové učení, nebo dokonce žádné učení vůbec. Není to nutně záměrná manipulace, spíš pohodlnost: „AI” se lépe vejde do titulku než „systém využívající neuronovou síť s architekturou transformer”.

Problém nastává ve chvíli, kdy si lidé pod slovem AI představí jen tu nejpokročilejší, nejnovější podobu, tedy hluboké učení, a zapomenou, že pojem zahrnuje i mnohem starší a jednodušší přístupy. Kalkulačka řešící šachovou úlohu hrubou silou je AI stejně jako ChatGPT, jen úplně jiným způsobem.

Kam patří generativní AI

Poslední pojem, který do skládačky přibyl v posledních letech, je generativní AI, tedy systémy, které nevyhodnocují nebo netřídí existující data, ale vytvářejí nový obsah, text, obrázek, hudbu. Generativní AI není samostatná čtvrtá kategorie vedle těch tří předchozích, je to spíš popis toho, k čemu se hluboké učení používá. ChatGPT je zároveň hluboké učení, podle metody, jakou funguje uvnitř, i generativní AI, podle toho, co navenek dělá. Stejný systém popisujete jinými slovy podle toho, jestli mluvíte o jeho vnitřní stavbě, nebo o jeho vnějším chování.

Jak pojmy rychle rozlišit v praxi

Jednoduchý test: ptejte se, jestli systém potřeboval trénovací data, aby se naučil, co dělat. Pokud ne a pracuje čistě podle napsaných pravidel, jde o AI, která není strojové učení, jako Deep Blue. Pokud ano, jde o strojové učení, a zbývá zjistit, jestli k učení použil neuronovou síť. Pokud ano, jde o hluboké učení. Pokud použil jinou metodu, třeba rozhodovací strom, jde o strojové učení, které hluboké učení není.

Většina toho, o čem se dnes mluví jako o „AI”, od chatbotů po generátory obrázků, spadá pod hluboké učení, tu nejužší a technicky nejnovější ze tří kategorií. Ne všechno, co se AI nazývá, ale hluboké učení je, a rozdíl je dobré znát, hlavně když čtete zprávu o „průlomu v AI” a chcete odhadnout, o jak velký posun skutečně jde.

Příště, až narazíte na titulek slibující „revoluci díky umělé inteligenci”, zkuste si položit stejnou otázku jako u Deep Blue: naučil se ten systém něco z dat, nebo jen šikovně vykonává předem daná pravidla? Odpověď často prozradí, jestli jde o skutečný technický posun, nebo jen o nový název pro starší princip.

Shrnutí

Umělá inteligence, strojové učení a hluboké učení nejsou tři různá slova pro stejnou věc, jsou to tři vrstvy vložené jedna do druhé, od nejširší po nejužší. Deep Blue ukazuje, že AI existovala dávno před strojovým učením. ChatGPT ukazuje, kam se dostalo hluboké učení, nejnovější a zatím nejúspěšnější vrstva celé matrjošky.

Kdo chce pochopit, jak konkrétně fungují dnešní jazykové modely, tedy nejviditelnější příklad hlubokého učení v praxi, najde podrobné vysvětlení v přehledu o velkých jazykových modelech.