Kolega z redakce mi přeposlal odkaz na zahraniční článek s poznámkou „nerozumím ani nadpisu“. Nadpis zněl: „How RAG improves LLM accuracy versus fine-tuned GPT models on the path to AGI.“ Čtyři zkratky v jedné větě, žádná vysvětlená. AI si za pár let vybudovala vlastní abecední polívku. Některé zkratky označují typ technologie, jiné konkrétní firemní produkt, další jen hypotetickou budoucnost, o které se zatím spíš spekuluje. Tenhle text je rychlý zkratkovník, seřazený podle toho, k čemu se zkratky váží, ne podle abecedy. Kdo hledá spíš vysvětlení pojmů než zkratek, najde je v glosáři přes 60 AI pojmů.

Bez těchhle čtyř písmen se neobejdete

AI, umělá inteligence, je zastřešující pojem pro techniky, které učí počítač řešit úlohy dřív vyhrazené lidskému uvažování, rozpoznávat obrázky, generovat text, hrát šachy.

ML, strojové učení (machine learning), je konkrétní přístup k AI, ve kterém se počítač učí rozpoznávat vzory z dat, místo aby dostal pravidla napsaná ručně programátorem. Skoro všechno, čemu se dnes běžně říká AI, spadá právě sem.

NLP, zpracování přirozeného jazyka (natural language processing), je obor zaměřený na porozumění a generování lidského jazyka, psaného i mluveného. Patří sem překlad, rozpoznávání řeči i chatboti.

LLM, velký jazykový model (large language model), je model natrénovaný na obrovském množství textu, který umí text generovat, shrnovat nebo překládat. ChatGPT, Gemini nebo Claude jsou konkrétní produkty postavené na LLM, ne synonyma pro tuhle zkratku. Jak model uvnitř vybírá jednotlivá slova, podrobně popisuje článek Co je LLM a jak funguje.

Proč se model jmenuje zrovna GPT

GPT rozvinete jako generative pre-trained transformer, tedy generativní předtrénovaný transformer. Lidé slovo GPT často používají jako obecné synonymum pro „chytrý jazykový model“, ale ve skutečnosti jde o konkrétní pojmenování, které OpenAI použila poprvé v roce 2018 pro svůj model a od té doby ho drží jako značku vlastní řady, GPT-3, GPT-4 a dál. Jinými slovy, každý GPT je LLM, ale zdaleka ne každý LLM je GPT, Gemini od Googlu nebo Claude od Anthropicu jsou taky LLM, jen s jiným jménem a jinou firmou za sebou.

Slovo transformer v názvu odkazuje na architekturu neuronové sítě, na které jsou dnes postavené prakticky všechny velké jazykové modely, představil ji Google v roce 2017 ve studii „Attention Is All You Need“.

Co bylo předtím, než vyhrál transformer

Transformer dnešní modely neměly vždycky. Předtím se jazykové úlohy řešily přes RNN, rekurentní neuronovou síť (recurrent neural network), architekturu, která text zpracovávala slovo po slově v pořadí, jak jde za sebou, podobně jako člověk čte řádek zleva doprava. Problém byl v délce, čím delší věta nebo odstavec, tím hůř si síť pamatovala začátek, než se dostala ke konci.

CNN, konvoluční neuronová síť (convolutional neural network), zase dominovala rozpoznávání obrázků, hledala vzory v malých výřezech obrazu a skládala je do většího celku, od hran přes tvary až po celé objekty. V počítačovém vidění se používá dodnes, i když ji dnes doplňují i modernější přístupy.

Zvláštní kapitolou je GAN, generativní síť s protivníkem (generative adversarial network), kterou v roce 2014 popsal Ian Goodfellow. Fungovala na principu dvou sítí proti sobě, jedna se snažila vytvořit věrohodný falešný obrázek, druhá poznat, že je falešný, a obě se tímhle soubojem postupně zlepšovaly. Dnešní generátory obrázků staví většinou na jiném principu, difuzních modelech, ale GAN byl důležitým mezikrokem k tomu, kam se generování obrazu dostalo.

Jak si model chodí pro nápovědu navíc

RAG, generování rozšířené o vyhledávání (retrieval-augmented generation), je technika, při které si model před odpovědí nejdřív vyhledá relevantní informace v externí databázi nebo dokumentech a teprve pak z nich odpověď poskládá. Snižuje riziko, že si model něco vymyslí, protože nespoléhá jen na to, co se naučil při tréninku. Celý princip i praktické příklady rozebírá článek Co je RAG a jak zpřesňuje odpovědi AI modelů.

MCP, protokol kontextu modelu (Model Context Protocol), je otevřený standard, který modelu umožňuje jednotně komunikovat s vnějšími nástroji, souborovým systémem, databází nebo firemní aplikací. Anthropic ho představil koncem roku 2024, postupně ho přijaly i další firmy. Řeší jiný problém než RAG, RAG dodává modelu informace, MCP mu dává ruce, kterými sáhne po nástrojích.

Jak se model naučí, co se sluší

RLHF, posilované učení ze zpětné vazby lidí (reinforcement learning from human feedback), je metoda doladění, při které lidé hodnotí různé odpovědi modelu na stejný dotaz a model se učí upřednostňovat ty, které lidé označili za lepší. Právě RLHF stojí za rozdílem mezi syrovým natrénovaným modelem a hotovým produktem, se kterým si dnes povídáte.

CoT, řetězec myšlenek (chain-of-thought), popisuje techniku, při které model před finální odpovědí rozepíše mezikroky vlastního uvažování, podobně jako student, který si na zkoušce píše postup výpočtu. U logických a matematických úloh to zvyšuje šanci na správný výsledek.

Zkratky, na kterých to celé běží

API, aplikační programové rozhraní (application programming interface), je způsob, jak si dvě aplikace mezi sebou vymění data bez lidského zásahu. Přes API si program vyžádá odpověď od modelu a zapracuje ji do vlastní aplikace, aniž byste museli otevírat chatovací okno sami.

GPU, grafická karta (graphics processing unit), byla původně navržená pro zobrazování grafiky ve hrách, ukázala se ale jako vhodná i pro trénink AI modelů, díky schopnosti počítat obrovské množství operací najednou.

TPU, tenzorová procesní jednotka (tensor processing unit), je čip navržený přímo pro AI výpočty, který od roku 2016 vyvíjí Google jako alternativu ke grafickým kartám ve vlastní infrastruktuře.

Když AI mluví, poslouchá nebo čte z fotky

TTS, převod textu na řeč (text-to-speech), vygeneruje z psaného textu mluvenou nahrávku. STT, převod řeči na text (speech-to-text), dělá přesný opak, přepíše mluvené slovo do textové podoby. Obě zkratky se objevují u diktování, titulků nebo hlasových asistentů.

OCR, optické rozpoznávání znaků (optical character recognition), umí přečíst text z fotky nebo naskenovaného dokumentu a převést ho do editovatelné podoby. Technologie existovala dávno před dnešní vlnou AI, moderní modely ji ale výrazně zpřesnily, i u textu vyfoceného nakřivo nebo v horším světle.

Všechny tři zkratky spojuje jedna věc: nepopisují, jak model „myslí“, ale jak vstupuje nebo vystupuje z jedné konkrétní formy dat do jiné. Chatbot s hlasovým režimem tak v jednu chvíli může používat STT na to, co řeknete, a TTS na to, co vám odpoví, aniž byste si toho jako uživatel vůbec všimli.

Zkratky, které patří spíš do budoucnosti než do dneška

AGI, obecná umělá inteligence (artificial general intelligence), je hypotetický systém, který by zvládal libovolný intelektuální úkol na úrovni člověka, ne jen jednu úzkou oblast, jak to dělají dnešní modely. Kdy, nebo jestli vůbec AGI vznikne, je mezi odborníky předmětem sporu, ne shody.

ASI, umělá superinteligence (artificial superintelligence), jde ještě o krok dál, systém, který by lidskou inteligenci předčil napříč všemi obory najednou. Pojem popularizoval hlavně filozof Nick Bostrom ve své knize Superintelligence z roku 2014. Obě zkratky, AGI i ASI, dnes popisují spíš myšlenkový experiment než cokoli, co existuje.

Na co si dát pozor

Marketingové materiály firem se zkratkami sázejí často volněji, než by odpovídalo technické přesnosti. „AI agent“, „GPT“ nebo „reasoning model“ se v reklamě objevují i tam, kde produkt jejich technický obsah plní jen zčásti. Zkratka v názvu produktu není zárukou, že přesně odpovídá definici, kterou popisuje.

Shrnutí

Až příště narazíte na větu podobnou té z úvodu, plnou zkratek bez vysvětlení, stačí je rozebrat po jedné: co je nadřazený pojem, co konkrétní technika a co jen sen o budoucnosti. Pomůže to zorientovat se v drtivé většině textů o AI, aniž byste museli znát každou novou zkratku, která se objeví příští měsíc.