Słownik AI: 52 kluczowe terminy, od tokenów po benchmarki

AI to każdy system, który wykonuje zadania wymagające zazwyczaj ludzkiej inteligencji — rozpoznawanie obrazów, tłumaczenie języków, podejmowanie decyzji. Istnieje jednak zasadnicza różnica w sposobie działania systemów AI.

Tradycyjna AI działa zgodnie z zaprogramowanymi regułami. Filtr antyspamowy sprawdzający zakazane słowa kluczowe to tradycyjna AI: reaktywna, deterministyczna, ograniczona do tego, co wyraźnie zakodowali inżynierowie. Generatywna AI uczy się wzorców na podstawie ogromnych zbiorów danych i tworzy na ich podstawie nowe treści — tekst, obrazy, kod, audio. Jest proaktywna, a nie reaktywna, generując wyniki, których jej twórcy nigdy wyraźnie nie zaprogramowali.

Kiedy ludzie mówią "AI" w 2026 roku, prawie zawsze mają na myśli generatywną AI. Pozostała część tego słownika podąża tym tropem.

Generatywna AI tworzy nowe treści, ucząc się wzorców na podstawie danych szkoleniowych, a następnie stosując te wzorce do generowania oryginalnych wyników. Poproś ją o napisanie wiadomości e-mail, a wygeneruje ją słowo po słowie w oparciu o wzorce statystyczne, których nauczyła się podczas szkolenia.

Narzędzia, z którymi prawdopodobnie się spotkałeś — ChatGPT, Claude, Gemini, DALL-E — to generatywna AI. Każde wykorzystuje inną architekturę modelu, ale wszystkie mają to samo podstawowe podejście: uczą się wzorców, a następnie generują.

Uczenie maszynowe jest podzbiorem AI, w którym systemy uczą się na podstawie danych zamiast przestrzegać sztywnych reguł. Istnieją trzy rodzaje:

• Uczenie nadzorowane opiera się na danych oznaczonych etykietami. Modelowi pokazuje się tysiące zdjęć oznaczonych "kot" i "pies", a on uczy się je rozróżniać.
• Uczenie nienadzorowane odkrywa wzorce w danych nieoznaczonych etykietami. Przekaż modelowi historie zakupów klientów bez kategorii, a samodzielnie znajdzie naturalne grupy.
• Uczenie ze wzmocnieniem opiera się na metodzie prób i błędów, gdzie za dobre wyniki przyznaje się nagrody, a za złe kary — to samo podejście stosuje się w AI wykorzystywanej w grach.

Wszystkie systemy generatywnej AI opierają się na uczeniu maszynowym. Kolejny termin jeszcze bardziej zawęża zakres.

Głębokie uczenie jest podzbiorem uczenia maszynowego, które wykorzystuje sieci neuronowe o wielu warstwach — co najmniej czterech, często setkach lub tysiącach. Warstwy te pozwalają modelowi uczyć się coraz bardziej abstrakcyjnych reprezentacji danych: wczesne warstwy mogą wykrywać krawędzie na obrazie, podczas gdy głębsze warstwy rozpoznają twarze.

Głębokie uczenie umożliwiło powstanie nowoczesnej generatywnej AI.

Sieć neuronowa składa się z warstw prostych jednostek przetwarzających zwanych neuronami. Każdy neuron oblicza ważoną sumę swoich danych wejściowych, dodaje składnik odchylenia, a następnie przekazuje wynik przez nieliniową funkcję aktywacji. Sieć uczy się, dostosowując te wagi i odchylenia, aż jej wyniki będą zgodne z oczekiwanymi rezultatami. Bardziej szczegółowe wyjaśnienie techniczne znajdziesz w przewodniku IBM po sieciach neuronowych.

Możesz to porównać do serii filtrów. Surowe dane trafiają do pierwszej warstwy. Każda kolejna warstwa udoskonala sygnał, wydobywając coraz bardziej użyteczne wzorce. Ostatnia warstwa generuje wynik — klasyfikację, prognozę lub wygenerowany token.

Transformer to architektura sieci neuronowej, która stanowi podstawę wszystkich współczesnych modeli AI. Wprowadzony w artykule z 2017 r. Attention is All You Need (Vaswani et al., 2017), rozwiązał fundamentalny problem: wcześniejsze architektury (RNN) przetwarzały sekwencje po jednym elemencie na raz, co było powolne i utrudniało uchwycenie relacji między odległymi słowami.

Transformery wykorzystują mechanizm zwany self-attention, który ocenia wszystkie części danych wejściowych jednocześnie, określając, które elementy są najbardziej istotne dla siebie nawzajem. Dzięki temu równoległemu przetwarzaniu Transformery były szybsze w szkoleniu i lepiej wychwytywały odległe zależności w tekście.

Istnieją dwa kluczowe podtypy. Modele encoder-only (takie jak BERT) doskonale radzą sobie z rozumieniem tekstu — klasyfikacją, wyszukiwaniem, analizą nastrojów. Modele decoder-only (takie jak GPT) doskonale radzą sobie z generowaniem tekstu — pisaniem, kodowaniem, konwersacją. Większość nowoczesnych chatbotów wykorzystuje Transformery decoder-only.

LLM to model oparty na Transformerze, wstępnie przeszkolony na ogromnych ilościach danych tekstowych — ze źródeł takich jak Common Crawl (ponad 50 miliardów stron internetowych) i Wikipedia (ponad 60 milionów stron we wszystkich językach). LLM zawierają od setek miliardów do bilionów parametrów i mogą generować, podsumowywać, tłumaczyć i wnioskować na podstawie tekstu.

"Duży" w LLM odnosi się zarówno do danych szkoleniowych, jak i liczby parametrów.

Parametry to wewnętrzne zmienne — wagi, odchylenia i osadzenia — które model dostosowuje podczas szkolenia w celu poprawy swoich prognoz. Wagi kontrolują, jak silnie każde dane wejściowe wpływają na decyzje modelu. Odchylenia zmieniają progi decyzyjne.

Porównania skali pozwalają umieścić liczby w kontekście: GPT-3 ma 175 miliardów parametrów. Szacuje się, że GPT-4 ma 1,76 biliona. DeepSeek R1 ma 671 miliardów.

Jednakże większa liczba parametrów nie oznacza automatycznie lepszego modelu. Architektura, jakość danych szkoleniowych i techniki szkolenia mają równie duże lub nawet większe znaczenie. DeepSeek R1 z 671 miliardami parametrów przewyższa niektóre modele o większej liczbie parametrów w określonych benchmarkach.

Osadzenia to numeryczne reprezentacje, które oddają znaczenie. Przekształcają słowa, zdania lub całe dokumenty w wielowymiarowe wektory — tablice liczb, w których elementy o podobnej semantyce skupiają się blisko siebie w przestrzeni wektorowej.

Słowa "król" i "królowa" znajdowałyby się blisko siebie. Podobnie jak "Paryż" i "Francja". Ta relacja przestrzenna pozwala systemom AI rozumieć podobieństwa, analogie i kontekst bez wyraźnego uczenia ich tych powiązań.

Kluczowe algorytmy to Word2Vec (uchwycenie skojarzeń słownych) i BERT (uchwycenie kontekstowego znaczenia słów — "bank" w pobliżu "rzeki" vs. "bank" w pobliżu "pieniędzy"). Osadzenia napędzają wszystko, od wyszukiwania po systemy rekomendacji.

Architektura jest teraz jasna: sieci neuronowe zapewniają strukturę uczenia się, Transformery przetwarzają sekwencje równolegle, LLM skalują Transformery za pomocą ogromnych ilości danych, parametry definiują wiedzę przyswojoną przez model, a osadzenia reprezentują znaczenie jako wektory.

Token to najmniejsza jednostka tekstu przetwarzana przez modele językowe. Jeden token odpowiada mniej więcej czterem znakom lub 0,75 słowa. Zdanie "How are you doing today?" składa się z około sześciu tokenów.

Każda interakcja z modelem AI — wejście i wyjście — jest mierzona w tokenach. Ma to znaczenie, ponieważ za tokeny się płaci. Ceny API są ustalane za milion przetworzonych tokenów.

Tokeny nie ograniczają się do tekstu. Obrazy wykorzystują około 258 tokenów na kafelek, wideo 263 tokeny na sekundę, a audio 32 tokeny na sekundę. Zrozumienie tokenów jest niezbędne do zarządzania kosztami i zrozumienia, dlaczego niektóre odpowiedzi są ucinane.

Okno kontekstowe to pamięć robocza modelu — całkowita liczba tokenów, które może on rozpatrzyć jednocześnie. Tokeny to jednostka; okno kontekstowe to pojemność.

Obecne rozmiary różnią się znacznie: Claude oferuje okno kontekstowe do 1 miliona tokenów (GA dla Opus 4.6 i Sonnet 4.6), Gemini 2.0 Flash obsługuje około 1 miliona tokenów, a GPT-5.2 zapewnia do 400 tys. tokenów. Większe okno kontekstowe oznacza, że model może przetwarzać dłuższe dokumenty i zachować spójność w długich rozmowach.

Kompromis: większe okna zwiększają dokładność i zmniejszają halucynacje, ale wymagają kwadratowo większej mocy obliczeniowej. Podwojenie okna nie podwaja kosztów — powoduje ich około czterokrotny wzrost.

Knowledge cutoff to data, po której dane szkoleniowe modelu nie zawierają już żadnych informacji. Zdarzenia, publikacje i odkrycia po tej dacie są modelowi nieznane — chyba że dostarczysz je przez web search grounding, RAG lub bezpośrednie wstrzyknięcie kontekstu.

Aktualne daty odcięcia (luty 2026): GPT-5.2 ma granicę wiedzy na 31 sierpnia 2025. Claude Opus 4.6 — na maj 2025. Gemini 3 Pro — na styczeń 2025.

Co istotne, modele nie znają precyzyjnie własnej daty odcięcia i mogą odpowiadać na pytania o późniejsze wydarzenia, halucynując wiarygodnie brzmiące informacje. Rozwiązaniem jest web search grounding: ChatGPT Search (Bing), integracja Google w Gemini oraz dostęp do Bing w Copilot pobierają informacje w czasie rzeczywistym, uzupełniając pamięć ze szkolenia.

Inżynieria promptów to praktyka polegająca na strukturyzowaniu danych wejściowych, aby model generował lepsze wyniki. To samo pytanie, sformułowane w inny sposób, może dać diametralnie różne rezultaty.

Kluczowe techniki obejmują:

• Zero-shot prompting: Zapytaj bezpośrednio, bez podawania przykładów. "Przetłumacz to na francuski."
• Few-shot prompting: Podaj przykłady pożądanego wzorca. Pokaż trzy tłumaczenia, a następnie poproś o czwarte.
• Chain-of-thought prompting: Poproś model o rozumowanie krok po kroku, co poprawia dokładność w przypadku złożonych problemów.
• Role prompting: Przypisz osobowość. "Jesteś starszym analitykiem danych. Przejrzyj ten zestaw danych."
• Prompt chaining: Połącz wiele poleceń dla złożonych zadań — najpierw podsumuj, następnie przeanalizuj, a na końcu zarekomenduj.

Opanowanie tych technik to najszybszy sposób na uzyskanie większej wartości z dowolnego narzędzia AI. Zapoznaj się z naszą kolekcją promptów AI, aby uzyskać gotowe do użycia przykłady.

Chain-of-thought (CoT) prompting instruuje model, aby rozwiązywał problem krok po kroku, zanim poda ostateczną odpowiedź. Zamiast od razu przeskakiwać do wniosku, model pokazuje swoje rozumowanie.

Najprostsza implementacja: dodaj "Myśl krok po kroku" lub "Pokaż swoje rozumowanie" do promptu. Few-shot CoT idzie dalej: pokaż dwa lub trzy rozwiązane przykłady rozumowania krok po kroku, a następnie przedstaw docelowy problem.

Dlaczego to działa mechanicznie: modele autoregresywne generują każdy token na podstawie wcześniejszych tokenów. Gdy model jest zmuszony wygenerować pośrednie kroki rozumowania, jego uwaga skupiona na tych widocznych krokach poprawia jakość końcowej odpowiedzi — spisane rozumowanie działa jak rusztowanie, z którym dalszy ciąg musi być spójny.

CoT dodaje tokeny (a więc koszt i opóźnienie) do każdego zapytania. Tryby Extended thinking w Claude, ChatGPT i Gemini automatyzują CoT wewnętrznie, więc ręczne stosowanie CoT ma największe znaczenie przy korzystaniu z modeli bazowych lub API bez wbudowanych trybów myślenia.

System prompt to zestaw instrukcji przekazywanych modelowi AI przed rozpoczęciem interakcji z użytkownikiem. Definiuje osobowość modelu, ton, zakres zadań, ograniczenia i stały kontekst — bez konieczności powtarzania ich w każdej wiadomości.

Przykłady skutecznej zawartości system promptu:

• Persona: "Jesteś starszym analitykiem finansowym. Zawsze podawaj źródła danych."
• Ograniczenia: "Omawiaj wyłącznie tematy związane z naszym produktem. Grzecznie przekierowuj pytania nie na temat."
• Reguły formatu: "Zawsze odpowiadaj w punktach. Używaj języka formalnego."
• Kontekst: "Firma użytkownika to Acme Corp. Ich główny rynek to IT w ochronie zdrowia."

System prompt to główny mechanizm dostosowywania zachowania AI w aplikacjach produkcyjnych. Użytkownicy API ustawiają je programowo per sesja. Produkty konsumenckie takie jak ChatGPT i Claude udostępniają je przez ustawienia Custom Instructions.

Temperatura kontroluje losowość wyników modelu podczas inferencji. Skaluje rozkład prawdopodobieństwa dla prognoz następnego tokenu za pomocą funkcji softmax.

Niska temperatura (0,0–0,3) daje skupione, deterministyczne wyniki — idealne do zadań opartych na faktach, generowania kodu i ekstrakcji danych. Model prawie zawsze wybiera token o najwyższym prawdopodobieństwie.

Wysoka temperatura (powyżej 1,0) spłaszcza krzywą prawdopodobieństwa, dając tokenom o niższym prawdopodobieństwie większą szansę na wybór. Zwiększa to różnorodność, ale może też dawać bezsensowne wyniki.

Powszechne nieporozumienie: temperatura nie kontroluje "kreatywności". Model nie staje się bardziej inteligentny przy wyższych ustawieniach. Staje się bardziej losowy. Pułap jakości pozostaje taki sam, a podłoga opada.

Structured outputs to funkcja AI wymuszająca na modelu zwracanie danych w określonym formacie — najczęściej JSON, XML lub niestandardowym schemacie — zamiast tekstu swobodnego. Definiujesz oczekiwaną strukturę; model gwarantuje, że wygeneruje dane zgodne z nią.

Przykład: zamiast pytać "Jakie są kluczowe daty w tym kontrakcie?" (odpowiedź tekstowa), podajesz schemat JSON z polami {party_name, effective_date, termination_date, notice_period} — a model niezawodnie wypełnia każde pole.

Structured outputs to coś innego niż prośba do modelu o "sformatowanie jako JSON". Takie podejście daje poprawny JSON przez większość czasu. Prawdziwe structured outputs używają constrained decoding, aby zagwarantować zgodność z formatem — model fizycznie nie może wygenerować tokenów, które złamałyby schemat.

Obsługiwane przez: GPT-5.2 API (tryb strict), Gemini API (tryb JSON ze schematem), Claude API (tool use jako mechanizm structured output).

Inferencja zachodzi za każdym razem, gdy wysyłasz prompt — model generuje wynik na podstawie Twoich danych wejściowych. Jeśli szkolenie to szkoła, inferencja to praca.

Podczas inferencji zachodzą trzy fazy: prefill (jednoczesne przetwarzanie wszystkich tokenów wejściowych), decode (generowanie tokenów wyjściowych pojedynczo) i konwersja wyjścia (zamiana tokenów na czytelny tekst).

Inferencja musi być szybka, ponieważ odbywa się w czasie rzeczywistym. Każdy wygenerowany token kosztuje. Szkolenie odbywa się jednorazowo i trwa kilka dni lub tygodni. Inferencja zachodzi miliony razy dziennie i musi zakończyć się w ciągu sekund.

Latency w AI mierzy czas między wysłaniem zapytania a otrzymaniem odpowiedzi. W praktyce liczą się dwie wartości:

Time to first token (TTFT): Ile czasu upłynie, zanim model zacznie strumieniować wynik. Kluczowe dla interaktywnych interfejsów — 500 ms TTFT daje wrażenie spowolnienia; poniżej 200 ms wydaje się natychmiastowe. Advanced Voice Mode w ChatGPT celuje w średnio 232 ms TTFT.

Opóźnienie end-to-end: Całkowity czas potrzebny do ukończenia pełnej odpowiedzi. Skaluje się z długością, ponieważ generowanie autoregresywne produkuje tokeny sekwencyjnie — odpowiedź o 1000 tokenów zawsze zajmuje więcej czasu niż odpowiedź o 100 tokenach.

Trzy dźwignie sterują opóźnieniem: rozmiar modelu (większe modele są wolniejsze na porównywalnym sprzęcie), sprzęt (wyspecjalizowane chipy inferencyjne znacząco redukują TTFT) i długość wyjścia (nieuchronnie liniowa). Tryby Extended thinking dodają od 2 do 30 sekund, zależnie od głębokości rozumowania.

Dane szkoleniowe to informacje, na podstawie których model się uczy. Mogą być oznaczone (każdy punkt danych opatrzony prawidłową odpowiedzią, używane w uczeniu nadzorowanym) lub nieoznaczone (surowe dane, w których model samodzielnie wyszukuje wzorce).

Jakość jest ważniejsza niż ilość. Model przeszkolony na starannie wyselekcjonowanych, zróżnicowanych i dobrze zorganizowanych danych osiąga lepsze wyniki niż model przeszkolony na większym, ale zaszumionym zbiorze danych. Przygotowanie obejmuje gromadzenie, czyszczenie, transformację, inżynierię cech oraz podział na zestawy szkoleniowe, walidacyjne i testowe.

Szkolenie to proces uczenia modelu poprzez eksponowanie go na dane i dostosowywanie jego parametrów. Cykl powtarza się miliony razy: dane wejściowe przepływają przez sieć (forward pass), prognozy modelu są porównywane z oczekiwanymi wynikami (obliczanie błędu), błędy propagują się wstecz przez warstwy (backpropagation), a wagi są aktualizowane metodą gradientowego spadku.

To praca wymagająca ogromnej mocy obliczeniowej. Szkolenie Llama 3.1 (405 miliardów parametrów) wymagało około 38 yottaflops — czyli 3,8 x 10^25 operacji matematycznych. Sesje szkoleniowe trwają kilka dni lub tygodni na klastrach specjalistycznego sprzętu.

Kluczowa różnica: szkolenie odbywa się raz (lub rzadko). Inferencja zachodzi za każdym razem, gdy ktoś wysyła prompt. Kolejne dwa terminy opisują sposoby dostosowania wyszkolonego modelu bez konieczności zaczynania od zera.

Fine-tuning dostosowuje wstępnie wytrenowany model do konkretnego zadania lub dziedziny. Zamiast trenować od zera, bierzesz istniejący model i udoskonalasz go za pomocą specjalistycznych danych.

Trzy główne podejścia:

• Pełny fine-tuning aktualizuje wszystkie parametry. Skuteczny, ale kosztowny.
• Fine-tuning efektywny parametrowo (PEFT) aktualizuje tylko niewielki podzbiór. LoRA (Low-Rank Adaptation) jest najpopularniejszą techniką — wprowadza małe macierze, które można trenować, do warstw Transformera, zmniejszając liczbę parametrów wymagających aktualizacji o kilka rzędów wielkości. LoRA może działać na konsumenckich kartach graficznych z 24 GB pamięci.
• RLHF (Reinforcement Learning from Human Feedback) trenuje model nagród na podstawie ludzkich rankingów, a następnie optymalizuje LLM, by maksymalizować te wyniki nagród. W ten sposób ChatGPT nauczył się być pomocny, a nie szkodliwy.

Mit, że fine-tuning wymaga ogromnej mocy obliczeniowej, jest przestarzały. LoRA zmieniło zasady gry.

RAG uzupełnia wiedzę modelu w momencie inferencji danymi zewnętrznymi. Zamiast polegać wyłącznie na tym, czego model nauczył się podczas szkolenia, RAG pobiera odpowiednie informacje z zewnętrznej bazy wiedzy i wstrzykuje je do promptu.

Proces składa się z czterech kroków: osadź dane zewnętrzne jako wektory, pobierz najbardziej istotne fragmenty na podstawie zapytania użytkownika, wzbogać prompt pobranym kontekstem i wygeneruj odpowiedź uwzględniającą ten kontekst.

RAG jest opłacalny (nie wymaga ponownego szkolenia), zapewnia aktualność informacji i umożliwia wskazanie źródła. Nie zastępuje jednak szkolenia — stanowi jego uzupełnienie. Słabo wyszkolony model nie zapewni dobrych wyników nawet przy idealnym pobieraniu danych.

Progresja: fine-tuning zmienia sam model. RAG zmienia to, co model widzi w momencie inferencji.

Halucynacja zachodzi, gdy model generuje treść, która brzmi wiarygodnie, ale jest niezgodna z faktami. Model nie kłamie — przewiduje najbardziej prawdopodobny statystycznie następny token bez żadnego mechanizmu weryfikacji faktów.

Przyczyny obejmują nadmierne dopasowanie do danych szkoleniowych, stronnicze zbiory danych i fundamentalną naturę prognoz statystycznych. Wiodące modele zgłaszają wskaźniki halucynacji na poziomie 0,7%–0,9%, podczas gdy wiele powszechnie stosowanych modeli osiąga wyniki między 2% a 5%.

Dwa czynniki z wcześniejszych sekcji łączą się bezpośrednio: wyższa temperatura zwiększa losowość i może podwyższyć wskaźniki halucynacji. Większe okna kontekstowe pomagają zmniejszyć halucynacje, dostarczając modelowi więcej istotnych informacji. Zrozumienie obu koncepcji pomaga w praktyce zarządzać ryzykiem halucynacji.

Stronniczość AI odnosi się do systematycznych błędów, które powodują niesprawiedliwe wyniki. Trzy główne źródła ją zasilają:

• Stronnicze dane szkoleniowe — jeśli zbiór danych nie odzwierciedla niektórych grup, model dziedziczy te luki.
• Błąd algorytmiczny — wybory projektowe w architekturze modelu, które wzmacniają istniejące wzorce.
• Błąd interpretacji ludzkiej — ludzie stosujący wyniki modelu bez kwestionowania założeń.

Ograniczenie tego zjawiska wymaga zróżnicowanych, reprezentatywnych danych szkoleniowych, regularnych audytów sprawiedliwości i nadzoru ludzkiego w punktach decyzyjnych. Żaden model nie jest wolny od stronniczości, ale świadomość tych źródeł jest pierwszym krokiem do odpowiedzialnego użytkowania.

Zabezpieczenia to techniczne i proceduralne środki kontroli, które utrzymują systemy AI w bezpiecznych granicach. Działają na trzech poziomach:

• Filtrowanie danych wejściowych sprawdza, co model otrzymuje — blokując próby wstrzyknięcia promptów, ujawnienie danych osobowych i szkodliwe żądania.
• Ograniczenia przetwarzania limitują zachowanie modelu podczas generowania — egzekwując granice tematyczne i zasady zgodności.
• Egzekwowanie wyników weryfikuje odpowiedzi, zanim dotrą do użytkownika — sprawdzając, czy nie zawierają szkodliwych treści, czy są spójne faktograficznie i zgodne z polityką.

Zabezpieczenia nie sprawiają, że modele są nieomylne. Sprawiają, że ryzyko jest możliwe do opanowania. Każde produkcyjne wdrożenie AI ich potrzebuje.

Przetwarzanie języka naturalnego to szeroka dziedzina, która umożliwia interakcję językową między człowiekiem a komputerem. Łączy lingwistykę komputerową, modelowanie statystyczne i głębokie uczenie w jeden proces: wstępne przetwarzanie tekstu (oczyszczanie i strukturyzowanie surowego tekstu), ekstrakcja cech (identyfikacja znaczących wzorców), analiza tekstu (stosowanie modeli w celu zrozumienia znaczenia) oraz szkolenie modeli (poprawa dokładności dzięki informacjom zwrotnym). Słownik terminów uczenia maszynowego Google zawiera dodatkowe definicje NLP, które warto zapisać.

Kluczowe zadania w ramach NLP obejmują rozpoznawanie nazwanych encji (identyfikowanie osób, miejsc i organizacji w tekście), analizę nastrojów (określanie tonu emocjonalnego) oraz tagowanie części mowy (klasyfikowanie słów według roli gramatycznej). LLM działają w ramach NLP — są najpotężniejszymi narzędziami NLP, jakie kiedykolwiek stworzono, ale NLP jako dyscyplina istnieje od dziesięcioleci.

Wielomodalna AI przetwarza i generuje jednocześnie wiele rodzajów danych — tekst, obrazy, dźwięk, wideo i coraz częściej dane przestrzenne 3D. W przeciwieństwie do modeli jednomodalnych, które obsługują tylko tekst, systemy wielomodalne interpretują kombinacje danych wejściowych.

Aktualne przykłady: ChatGPT przetwarza tekst, obrazy i dźwięk. Claude obsługuje tekst i obrazy. Gemini działa w zakresie tekstu, obrazów, dźwięku i wideo. Kierunek jest jasny — przyszłe systemy AI będą natywnie wielomodalne i będą przetwarzać informacje tak jak ludzie: za pomocą wielu zmysłów jednocześnie.

MMLU testuje ogólną wiedzę z 57 przedmiotów — od STEM i prawa po żywienie i religię — za pomocą 15 908 pytań wielokrotnego wyboru. Opublikowany we wrześniu 2020 r. przez Dana Hendrycksa i in., szybko stał się standardową miarą tego, jak dobrze model radzi sobie z różnorodną wiedzą faktograficzną. Oryginalny artykuł dotyczący benchmarku MMLU (Hendrycks et al., 2020) szczegółowo opisuje metodologię.

Do połowy 2024 r. najlepsze modele niemal osiągnęły nasycenie oryginalnego benchmarku, uzyskując tak wysokie wyniki, że różnice między nimi stały się statystycznie nieistotne. Nasycenie to spowodowało powstanie kilku pochodnych: MMLU-Pro (trudniejsze pytania), MMMLU (wersja wielojęzyczna) i MMLU-Redux (poprawione błędy w oryginale).

Wysoki wynik MMLU oznacza, że model dobrze radzi sobie z przywoływaniem faktów z różnych dziedzin. Nie mierzy on głębokości rozumowania, zdolności twórczych ani wykonywania zadań w świecie rzeczywistym. Traktuj go jako jeden punkt danych, a nie werdykt.

HumanEval mierzy zdolność kodowania za pomocą 164 ręcznie przygotowanych zadań programistycznych w Pythonie, z których każde zawiera sygnaturę funkcji, docstring i testy jednostkowe (średnio 7,7 testów na zadanie). OpenAI opracowało i udostępniło go w 2021 roku wraz z modelem Codex. Zestaw testów jest dostępny w repozytorium HumanEval firmy OpenAI.

Wykorzystuje metrykę pass@k: prawdopodobieństwo, że co najmniej jedna z k wygenerowanych próbek kodu przejdzie wszystkie testy jednostkowe. Podejście to uwzględnia zmienność kodu generowanego przez AI — model może uzyskać prawidłowy wynik przy trzeciej próbie, nawet jeśli dwie pierwsze zakończyły się niepowodzeniem.

HumanEval pozostaje najczęściej cytowanym benchmarkiem kodowania, chociaż pojawiają się kolejne benchmarki, takie jak BigCodeBench, służące do testowania bardziej złożonych scenariuszy programowania.

Aby uzyskać bardziej szczegółowe porównanie wyników benchmarków dla różnych modeli, zobacz stronę porównującą narzędzia AI.

SWE-bench mierzy zdolność kodowania AI na podstawie 2294 prawdziwych zgłoszeń i pull requestów z GitHuba, pobranych z popularnych projektów open-source w Pythonie. Model musi przeczytać zgłoszenie, zrozumieć bazę kodu, napisać poprawkę i przejść istniejący zestaw testów projektu — bez ludzkiej pomocy na żadnym etapie.

SWE-bench Verified (500 problemów zwalidowanych przez ludzi) to wersja standardowa cytowana w ogłoszeniach modeli. Metryką jest resolve rate: procent zgłoszeń, które model poprawnie łata przy pierwszej próbie.

Benchmarki zmieniają się szybko. Stan na początek 2026: Claude Opus 4.5 z 80,9%, Gemini 3.1 Pro z 80,6%, inne modele frontier blisko za nimi. W przeciwieństwie do 164 ręcznie tworzonych zadań Pythona w HumanEval, SWE-bench testuje inżynierię oprogramowania klasy produkcyjnej — różnica między 75% a 80% przekłada się na realne różnice w autonomicznej zdolności kodowania.

ARC-AGI-2 (Abstraction and Reasoning Corpus) testuje AI na nowatorskich wizualnych łamigłówkach gridowych, które ludzie rozwiązują w kilka minut, ale które wymagają prawdziwego abstrakcyjnego rozumowania — nie odtwarzania wzorców z danych szkoleniowych. Każda łamigłówka pokazuje serię kolorowych transformacji siatki i prosi model o zidentyfikowanie reguły leżącej u ich podstaw.

Benchmark jest celowo odporny na zapamiętywanie: problemy są generowane z nowych reguł przy każdej ewaluacji, więc model nie może poprawić wyniku, studiując wcześniejsze przykłady. Wyniki są weryfikowane przez ARC Prize Foundation.

Stan na początek 2026: tryb Deep Think Gemini uzyskuje 84,6%, Claude Opus 4.6 uzyskuje 68,8%, GPT-5.2 Pro 54,2%. Warto zauważyć, że rozwiązania systemowe przekroczyły 95%, choć wyniki samodzielnych modeli pozostają niższe. Różnica między 54% a 84% reprezentuje fundamentalnie różne zdolności abstrakcyjnego rozumowania.

Terminal-Bench 2.0 mierzy zdolność AI w zadaniach wiersza poleceń i DevOps: manipulacja plikami, skrypty powłoki, diagnostyka sieci, zarządzanie procesami i konfiguracja systemu. Problemy uruchamiane są w żywych środowiskach Linux i oceniane na podstawie tego, czy polecenia AI przynoszą prawidłowy stan systemu — nie tylko prawidłowy tekst wyjściowy.

Ta ewaluacja oparta na wykonaniu sprawia, że jest trudniejsza niż benchmarki sprawdzające wyłącznie wygenerowany tekst. Model musi uruchamiać polecenia, obserwować wyniki i samodzielnie się korygować.

Stan na początek 2026: Gemini 3.1 Pro z 78,4%, Codex CLI z 77,3%, Claude Opus 4.6 z 74,7%. Ranking zmienił się znacząco — Claude nie jest już na szczycie, ale pozostaje wysoce konkurencyjny w wieloetapowych zadaniach agentowych w ograniczonych środowiskach.

GDPval-AA (General Document Processing and Valuation — Advanced Analysis) mierzy wydajność AI w zadaniach związanych z dokumentami biznesowymi: analiza sprawozdań finansowych, przegląd umów, interpretacja rozmów o wynikach i synteza dokumentów strategicznych. Ocenianie wykorzystuje system porównań Elo head-to-head — ewaluatorzy porównują wyniki dwóch modeli dla tego samego dokumentu i wskazują, który jest lepszy.

Stan na początek 2026: Claude Sonnet 4.6 z wynikiem ok. 1633 Elo, Gemini 3.1 Pro z wynikiem ok. 1317. Różnica pozostaje istotna, choć konkretne wartości zmieniają się wraz z aktualizacjami modeli i odświeżaniem ewaluacji.

Elo to system rankingu parami, pierwotnie opracowany dla szachów. W ewaluacji AI platformy takie jak LMArena prezentują wyniki dwóch anonimowych modeli na ten sam prompt ludzkim oceniającym, którzy wybierają preferowaną odpowiedź. Algorytm Elo aktualizuje wyniki obu modeli na podstawie rezultatu — niespodzianka (słabszy model wygrywa z silniejszym) przesuwa wyniki bardziej niż oczekiwany rezultat.

Stan na początek 2026: Claude Opus 4.6 z wynikiem 1504 na LMArena, Gemini 3.1 Pro z 1500, pozostałe modele frontier blisko za nimi. Rankingi zmieniają się często wraz z premierami nowych wersji modeli.

Rankingi Elo oddają ogólne preferencje użytkowników w zadaniach otwartych. Korelują niedoskonale z benchmarkami specyficznymi dla zadań — model może prowadzić w Elo, ale ustępować w SWE-bench lub ARC-AGI-2.

Generowanie autoregresywne to sposób, w jaki LLM produkują tekst: przewidywanie jednego tokenu na raz, z wykorzystaniem wszystkich wcześniej wygenerowanych tokenów jako kontekstu dla kolejnej predykcji. Każdy token wyjściowy zależy od wszystkich poprzednich — stąd "autoregresywne".

Pętla dekodowania: (prompt wejściowy + wszystkie dotychczas wygenerowane tokeny) -> rozkład prawdopodobieństwa nad słownikiem -> próbkowanie jednego tokenu -> dołączenie do kontekstu -> powtórzenie do zakończenia.

To ograniczenie wyjaśnia dwa kluczowe zachowania LLM. Po pierwsze, generowanie jest sekwencyjne — nie można wyprodukować tokenu 100 bez uprzedniego wygenerowania tokenów 1–99, dlatego dłuższe odpowiedzi trwają dłużej. Po drugie, każdy token jest statystycznie prawdopodobny przy danym kontekście — model nie ma ogólnej kontroli, czy całe zdanie będzie faktycznie poprawne, co jest źródłową przyczyną halucynacji.

OpenAI zastosowało generowanie autoregresywne do pikseli obrazu zamiast tokenów tekstu w GPT Image — w kontraście do modeli dyfuzyjnych, które zaczynają od szumu i iteracyjnie go udoskonalają.

Model dyfuzyjny generuje obrazy (a coraz częściej także dźwięk i wideo) poprzez odwrócenie procesu dodawania szumu. Podczas szkolenia model uczy się przewidywać, jak "odszumić" częściowo zaszumioną wersję prawdziwego obrazu, krok po kroku. Podczas generowania zaczyna od czystego losowego szumu i wielokrotnie stosuje wyuczony proces odszumiania, aż powstanie spójny obraz.

Kluczowe przykłady: DALL-E 3 (wycofanie API ogłoszone w listopadzie 2025, wyłączenie w maju 2026; następca: GPT Image), Midjourney V6 i V7, Stable Diffusion, Adobe Firefly.

Główny kontrast z generowaniem autoregresywnym: modele dyfuzyjne udoskonalają wszystkie części obrazu jednocześnie w wielu krokach, podczas gdy autoregresywne modele obrazów generują piksele sekwencyjnie. Modele dyfuzyjne świetnie radzą sobie ze spójnymi kompozycjami pełnoobrazowymi; historycznie mają problemy z renderowaniem tekstu i precyzyjnym wykonywaniem instrukcji — dwa obszary, w których OpenAI wskazywało przewagi przy przejściu na architekturę autoregresywną (GPT Image) w marcu 2025.

Agentic AI oznacza systemy, które autonomicznie wykonują wieloetapowe zadania — planują, podejmują działania, obserwują wyniki i korygują kurs — bez ludzkiej akceptacji na każdym pojedynczym etapie. Kontrast stanowią chatboty jednozapytaniowe, które odpowiadają na jedno pytanie i czekają na kolejne.

Agent kodujący, na przykład, otrzymuje żądanie funkcji, czyta bazę kodu, pisze kod, uruchamia testy, interpretuje niepowodzenia i poprawia się, aż testy przejdą. Obecne przykłady: Claude Code, ChatGPT Codex, Jules od Gemini, DeepSearch od Grok.

Cztery właściwości odróżniają agentów od chatbotów: trwałość (utrzymywanie stanu przez wiele kroków), użycie narzędzi (czytanie plików, uruchamianie kodu, przeglądanie internetu), samokorekta (dostosowywanie się na podstawie pośrednich wyników) i ukierunkowanie na cel (dążenie do rezultatu, a nie odpowiadanie na pojedynczy prompt).

Wpis słownikowy "Agenci AI są w pełni autonomiczni" ujmuje kluczowe ograniczenie: obecni agenci wymagają jasno zdefiniowanego zakresu, zabezpieczeń i nadzoru ludzkiego do użytku produkcyjnego. To zdolni stażyści, nie niezależni współpracownicy.

Extended thinking to tryb rozumowania, w którym model przepracowuje pośrednie kroki wewnętrznie przed wygenerowaniem ostatecznej odpowiedzi. Zamiast od razu przewidywać najbardziej prawdopodobny statystycznie kolejny token, model generuje łańcuch rozumowania — sprawdza założenia, bada alternatywy, wychwytuje błędy — a następnie tworzy wynik oparty na tym procesie myślowym.

Implementacje różnią się w zależności od produktu: Claude Opus 4.6 używa adaptive thinking (cztery poziomy wysiłku, które model sam wybiera w zależności od złożoności problemu). Tryb Deep Think w Gemini Ultra stosuje rozszerzone rozumowanie z wewnętrznym budżetem 192 tys. tokenów. Thinking mode w ChatGPT oferuje warianty Standard, Light i Extended.

Extended thinking zwiększa opóźnienie (od sekund do dziesiątek sekund) i zużycie tokenów. Dla prostych zapytań narzut nie jest wart zachodu. Dla złożonego rozumowania, matematyki, planowania i kodowania poprawa dokładności jest znacząca.

Deep Research to agentowy przepływ pracy, w którym model AI autonomicznie prowadzi wieloźródłowe badania i syntetyzuje ustrukturyzowany raport — bez konieczności ręcznego przeglądania i czytania każdego źródła przez użytkownika.

Przepływ pracy: otrzymanie złożonego pytania badawczego -> rozbicie na podzapytania -> przeszukanie wielu źródeł -> przeczytanie i ocena pobranych stron -> synteza wyników -> wygenerowanie cytowanego raportu. Pełne wykonanie zajmuje od 2 do 15 minut w zależności od zakresu.

Obecne implementacje: ChatGPT Deep Research (zasilany rozumowaniem GPT-5.2; Free 5 lekkich/mies., Plus/Team 10 pełnych + 15 lekkich na 30 dni, Pro 125 pełnych + 125 lekkich na 30 dni), Gemini Deep Research (poziomy AI Pro i Ultra), Grok DeepSearch (wyróżnia się wyszukiwaniem także postów na X/Twitter obok źródeł internetowych).

Różnica jakościowa w porównaniu z prostym web search grounding: Deep Research czyta i analizuje dziesiątki źródeł sekwencyjnie, nie tylko kilka najlepszych wyników. Wynik to zsyntetyzowany raport ze strukturą i cytowaniami — nie lista pobranych fragmentów.

Web search grounding uzupełnia odpowiedzi AI o wyniki wyszukiwania na żywo, zmniejszając zależność od potencjalnie nieaktualnych danych szkoleniowych. Po aktywacji model przeszukuje internet, pobiera odpowiednie strony i włącza ich treść do swojej odpowiedzi — zwykle z cytowaniem źródeł.

Obecne implementacje: ChatGPT Search (zasilany przez Bing, dostępny na wszystkich poziomach, w tym Free, od lutego 2025), Gemini Search (zasilany przez Google, domyślny w aplikacji Gemini), Copilot (zasilany przez Bing, zawsze włączony), Perplexity (AI stawiający wyszukiwanie na pierwszym miejscu).

Różnica w porównaniu z RAG: web search grounding pobiera z publicznego internetu na żywo. RAG pobiera z Twoich własnych prywatnych dokumentów. Oba zmniejszają halucynacje, dając modelowi konkretny tekst do pracy zamiast polegania na pamięci ze szkolenia. Żadne z nich nie eliminuje halucynacji — model nadal syntetyzuje pobraną treść i może błędnie zinterpretować źródła.

Source grounding ogranicza model AI do odpowiadania wyłącznie na podstawie konkretnych dokumentów, które dostarczysz, zamiast jego danych szkoleniowych lub internetu. Każda odpowiedź zawiera cytowania wskazujące dokładne fragmenty w tych dokumentach.

NotebookLM jest najczystszym przykładem: prześlij pliki PDF, artykuły naukowe lub notatki ze spotkań, a każda odpowiedź AI linkuje do akapitu źródłowego, który ją wspiera. Jeśli odpowiedzi nie ma w Twoich źródłach, model informuje o tym zamiast halucynować na podstawie danych szkoleniowych.

Source grounding sprawia, że halucynacja jest strukturalnie trudniejsza: model nie może wymyślać informacji, których nie otrzymał. Błędy wciąż się zdarzają — model może źle zinterpretować tekst źródłowy — ale są wykrywalne, bo każde twierdzenie ma identyfikowalne cytowanie. To kluczowa przewaga nad web search grounding, które pobiera szeroko, a nie precyzyjnie.

MCP to otwarty standard definiujący, jak modele AI łączą się z zewnętrznymi narzędziami i źródłami danych. Anthropic opisuje go jako "USB-C dla AI": jedna specyfikacja konektora, która działa we wszystkich kompatybilnych systemach, zamiast wymagać osobnej integracji dla każdej kombinacji model-narzędzie.

Opublikowany przez Anthropic w 2024 roku, MCP pozwala deweloperom zbudować jedną integrację działającą z każdym systemem AI kompatybilnym z MCP. Obecne konektory obejmują Slack, GitHub, Figma, Asana, Notion, bazy danych i systemy plików. Claude obsługuje ponad 50 konektorów; Copilot Studio ma ogólnie dostępne wsparcie MCP.

Przed MCP podłączenie AI do zewnętrznych narzędzi wymagało indywidualnej pracy integracyjnej dla każdego dostawcy AI. MCP standaryzuje interfejs, dzięki czemu jedna integracja obsługuje wszystkie kompatybilne modele — redukując narzut deweloperski i zapobiegając uzależnieniu od dostawcy.

Data residency odnosi się do wymagań — prawnych, umownych lub organizacyjnych — określających, w jakim kraju lub regionie dane AI (prompty, wyniki, dane użytkowników) muszą być przechowywane i przetwarzane.

Istotne regulacje: RODO wymaga ochrony danych mieszkańców UE, ale nie wymaga automatycznie przechowywania geograficznego. Niektóre państwa członkowskie UE oraz przepisy sektorowe w ochronie zdrowia i finansach nakładają surowsze ograniczenia geograficzne. Japońska APPI i podobne przepisy krajowe dodają warstwy regionalne.

Obecne opcje dostawców AI: ChatGPT Enterprise oferuje EU Data Boundary, US i Japonię. Microsoft Copilot obsługuje rezydencję danych w UE, UK, US, Kanadzie, Japonii, Korei Południowej, Singapurze, Indiach, Australii i ZEA. Google Workspace AI obsługuje konfiguracje UE, US i multi-region.

Dla większości osób prywatnych i MŚP rezydencja danych nie jest problemem. Dla branż regulowanych (ochrona zdrowia, finanse, sektor rządowy) i przedsiębiorstw z siedzibą w UE jest często twardym wymogiem zakupowym.

Copyright indemnity (zwane też IP indemnity lub Copyright Shield) to prawna gwarancja od dostawcy AI, że będzie Cię bronił i pokryje odszkodowanie, jeśli strona trzecia pozwie Cię za naruszenie praw autorskich na podstawie treści wygenerowanych przez AI.

Kto oferuje: OpenAI zapewnia Copyright Shield dla klientów API i Enterprise. Microsoft oferuje Copilot Copyright Commitment dla komercyjnych użytkowników Copilot. Anthropic obejmuje komercyjnych użytkowników API w ramach standardowych warunków.

Kto nie oferuje: Midjourney wyraźnie nie zapewnia ochrony IP. Większość usług generowania obrazów nie oferuje żadnej.

Kluczowe wyłączenia u wszystkich dostawców: celowe próby odtworzenia konkretnych chronionych dzieł, zignorowane ostrzeżenia o naruszeniu i użytkowanie poza autoryzowanymi warunkami. Dla użytkowników indywidualnych copyright indemnity rzadko ma praktyczne znaczenie. Dla przedsiębiorstw publikujących lub monetyzujących treści generowane przez AI na dużą skalę to uzasadnione kryterium wyboru dostawcy.

Parametry mają znaczenie, ale architektura, jakość danych szkoleniowych i technika szkolenia mają większe znaczenie. DeepSeek R1 (671 miliardów parametrów) przewyższa niektóre modele o większej liczbie parametrów w określonych benchmarkach.

LLM przewidują statystycznie prawdopodobne kolejne tokeny na podstawie wyuczonych wzorców. Nie posiadają zrozumienia semantycznego. Dlatego dochodzi do halucynacji — model generuje wiarygodny tekst bez weryfikacji faktów.

Temperatura kontroluje losowość, nie inteligencję. Wysoka temperatura nie sprawia, że model jest bardziej kreatywny — sprawia, że jest bardziej losowy. Pułap jakości pozostaje niezmienny, a podłoga opada.

LoRA i inne techniki efektywne parametrowo mogą dostrajać modele na konsumenckich kartach graficznych z 24 GB pamięci. Bariera wejścia została zniesiona.

RAG uzupełnia wiedzę modelu w momencie inferencji. Nie może naprawić fundamentalnie słabego modelu — baza nadal wymaga odpowiedniego szkolenia.

Okno kontekstowe to tymczasowa pamięć robocza dla pojedynczej rozmowy. Po zakończeniu sesji lub zapełnieniu okna model nie zachowuje żadnych danych. To tablica, nie dysk twardy.

Obecni agenci AI działają z pewnym stopniem autonomii, ale wymagają nadzoru człowieka, zabezpieczeń i jasno określonych granic. Są bardziej jak zdolni stażyści niż niezależni współpracownicy.