AI, AGI, ASI, LLM, RAG… Co to za skróty? Słowniczek pojęć SI dla nie-ekspertów
Sztuczna inteligencja (czyli SI czytane es-i) to dziedzina informatyki, a jak wszyscy wiedzą informatycy uwielbiają skróty. Jeśli czytacie newsy technologiczne, słuchacie podcastów lub przeglądacie LinkedIn, z pewnością spotkaliście serię akronimów: AI, AGI, ASI, LLM, RAG, CoT, SFT, RLHF… Poniżej zbieram te najczęstsze, tłumacząc je prostym językiem - bez konieczności posiadania dyplomu informatyki.
Podstawowe pojęcia #
AI - Artificial Intelligence (Sztuczna Inteligencja) #
Ogólna nazwa pola informatyki zajmującego się budowaniem systemów potrafiących wykonywać zadania, które tradycyjnie wymagają ludzkiej inteligencji: rozpoznawanie obrazu, zrozumienie języka naturalnego, planowanie, gra w szachy, diagnozowanie chorób. W potocznym użyciu “AI” (czyt. ejaj z angielska) często oznacza po prostu interaktywny czat, z którym rozmawiamy w przeglądarce, choć technicznie to węższe pojęcie.
AGI - Artificial General Intelligence (Ogólna Sztuczna Inteligencja) #
System, który dorównuje ludzkiej inteligencji w szerokim spektrum zadań poznawczych - nie tylko w jednej dziedzinie (jak szachy czy rozpoznawanie twarzy), ale w każdym zadaniu intelektualnym, jakie potrafi wykonać człowiek. To “Święty Graal” badań nad SI. Na ten moment (2026 r.) AGI nie istnieje - modele, które mamy (GPT, Claude, Gemini, DeepSeek), to tzw. narrow AI (wąska SI), świetne w konkretnych zadaniach, ale bez głębszego zrozumienia świata i zdolności do transferu wiedzy między zupełnie obcymi domenami. Kiedy oraz czy w ogóle powstanie AGI to przedmiot gorących dyskusji - prognozy wahają się od “już za 2–3 lata” po “nigdy” lub “za kilkadziesiąt lat”.
Moja opinia jest taka, że nie wiemy, kiedy to nastąpi, oraz czy jest to w ogóle możliwe - choć niektórzy twierdzą, że już ją mamy. Obecnie ChatGPT, Claude czy inne tego typu narzędzia wydają się posiadać jakąś formę inteligencji, jednakże nie posiadają one żadnej formy świadomości, więc moim zdaniem do AGI jeszcze im daleko.
ASI - Artificial Superintelligence (Nadludzka Sztuczna Inteligencja) #
Hipotetyczny system przewyższający ludzką inteligencję we wszystkich wymiarach - naukowych, kreatywnych, strategicznych, społecznych. ASI jest krokiem dalej po AGI. Jeśli AGI to “tak inteligentny jak najlepszy człowiek”, to ASI to “bardziej inteligentny od całej ludzkości razem wziętej”. W dyskusjach o bezpieczeństwie SI (tzw. AI alignment, czyli dostrajanie celów SI do wartości ludzkich) ASI to scenariusz, w którym kontrola nad systemem staje się krytyczna - system taki mógłby np. samodzielnie odkrywać nowe prawa fizyki, optymalizować własny kod wykładniczo szybciej niż ludzie, czy manipulować ludzkimi instytucjami.
Jak działają dzisiejsze modele #
LLM - Large Language Model (Duży Model Językowy) #
Fundament dzisiejszej fali SI generatywnej. To model uczenia maszynowego (architektura Transformer, wprowadzona w 2017 r. przez Google w artykule Attention Is All You Need), wytrenowany na ogromnych korpusach tekstu (biliony słów: Wikipedia, kod źródłowy GitHub, książki, artykuły, Reddit, Common Crawl). Zadanie LLM w fazie treningu: przewidzieć kolejne słowo (token) w tekście, mając kontekst poprzednich słów. Efekt uboczny tego prostego zadania: model uczy się gramatyki, faktów, stylu, logiki, wzorców rozumowania i… halucynuje (patrz niżej).
Tokens (tokeny) #
Jednostki, na które model “kroi” tekst. Nie zawsze 1 token = 1 słowo - dla zainteresowanych jak to działa odsyłam na YT. W języku polskim 1 token to często ułamek słowa (np. “programi-stów” = 2–3 tokeny), w angielskim średnio ~0,75 słowa. Limity kontekstu (patrz niżej) i ceny API podawane są w tokenach.
Context Window (Okno kontekstowe) / Context Length #
Ile tokenów model “widzi” naraz - czyli jak długa historia rozmowy (lub jak duży dokument) może zostać wrzucona do modelu w jednym poleceniu. Przykłady (stan na 2026 r.):
- GPT 6 Astra: do 1,05 mln tokenów
- Claude Sonnet/Opus/Fable 5: 200k lub 1 mln tokenów w zależności od ustawień
- Gemini 1.5 Pro: do 1–2 mln tokenów (eksperymentalnie)
- Kimi (Moonshot): do 1 mln tokenów
- Modele open-source (Qwen, Llama): zazwyczaj 32k–128k, nowe wersje idą w górę
W praktyce: większe okno = można wrzucić całą książkę, kod całego repozytorium lub długą transkrypcję spotkania.
Inference (Wnioskowanie / Uruchamianie modelu) #
Faza używania wytrenowanego modelu (w przeciwieństwie do trainingu - treningu). Informatycy stosują często kalkę językową i nazywają ten proces inferencją. Kiedy piszecie do ChatGPT/Claude, serwer wykonuje inferencję: przepuszcza Wasz prompt (zapytanie/polecenie) przez sieć neuronową i generuje odpowiedź token po tokenie. Koszt inferencji (energetyczny, finansowy, czasowy) to dzisiaj główny limit skalowalności SI.
Techniki dostosowywania modeli #
Fine-tuning (Dostrajanie) #
Ponowny trening gotowego modelu bazowego na mniejszym, specjalistycznym zbiorze danych, by nauczyć go nowej domeny, stylu lub zadania. Przykładowo bierzemy model bazowy (wytrenowany na całym Internecie) i robimy fine-tuning na kodzie napisanym w języku Rust, albo na dokumentach prawnych, albo na transkrypcji filmów Star Wars, aby odpowiadał nam jak Mistrz Joda. Wymaga mocy obliczeniowej (GPU), ale znacznie mniej niż trening od zera.
SFT - Supervised Fine-Tuning (Dostrajanie nadzorowane) #
Odmiana fine-tuningu, w której model trenuje się na starannie przygotowanych parach pytanie-odpowiedź, żeby nauczyć się pożądanego formatu i stylu odpowiedzi. To trochę jak nauka do egzaminu na gotowych testach z kluczem odpowiedzi.
RAG - Retrieval-Augmented Generation (Generacja Wzbogacona o Wyszukiwanie) #
Technika, która nie zmienia wag modelu, a jedynie dostarcza mu aktualną wiedzę w momencie zapytania. Schemat:
- Użytkownik zadaje pytanie.
- System szuka w bazie wektorowej (lub innej) pasujących fragmentów dokumentów - po ludzku, system szuka w dokumentach, które udostępniła mu firma.
- Te fragmenty wrzucane są do kontekstu modelu razem z pytaniem.
- Model odpowiada, opierając się na dostarczonych faktach.
RAG to dzisiaj standard w aplikacjach korporacyjnych (chatboty na własnej wiedzy, wsparcie supportu, analiza umów), bo pozwala minimalizować halucynacje i nie wymaga drogiego fine-tuningu przy każdej zmianie danych.
RLHF - Reinforcement Learning from Human Feedback (Uczenie Wzmocnione z Opinią Ludzką) #
Kluczowy etap po treningu bazowym (pre-training), który sprawia, że model jest użyteczny i bezpieczny. Ludzie oceniają wygenerowane odpowiedzi (która lepsza, bezpieczniejsza, bardziej pomocna), a te oceny trenują model nagrody, który dalej dopracowuje model językowy. Dzięki RLHF model nie tylko “dokończa zdania”, ale odpowiada w formie asystenta, odmawia niebezpiecznych zadań i stara się nie kłamać.
Uwaga: ten proces może powodować nabieranie pewnych cech osób wydających opinię. Wyobraź sobie, że oceniane jest jakieś kontrowersyjne zdanie. Wątpliwe, że osoba oceniająca zignoruje treść i skupi się na poprawności zdania, tym samym “przeleje” swój pogląd na model. Nie jest to może pożądane, ale jakże ludzkie!
Constitutional AI (Konstytucyjna SI) #
Wersja RLHF opracowana przez Anthropic (używana w Claude). Zamiast tylko opinii ludzi, model ocenia własne odpowiedzi względem jawnie spisanej listy zasad (konstytucji) - np. “nie pomagaj w cyberatakach”, “nie dyskryminuj”, “bądź precyzyjny”. To pozwala na większą przejrzystość (zasady są publiczne) i łatwiejszą kontrolę zachowań.
Inne pojęcia, które warto znać #
Hallucinations (Halucynacje) #
Sytuacja, gdy model podaje fałszywą informację jako coś prawdziwego - wymyśla cytaty, numerki, biograficzne detale czy źródła. To nie błąd w sensie “zepsutego kodu” - to cecha działania modeli prawdopodobieństwa: model generuje to, co wydaje się prawdopodobne, a nie to, co jest prawdziwe. RAG i narzędzia z wyszukiwaniem w sieci (search grounding, czyli uziemianie odpowiedzi w wynikach wyszukiwania) to główne sposoby na ograniczenie halucynacji, ale nie na ich eliminację.
CoT - Chain of Thought (Łańcuch Myślenia) #
Technika zmuszania modelu do jawnego rozumowania krok po kroku przed podaniem ostatecznej odpowiedzi. Zamiast: “Odpowiedź: 42”, model pisze: “Krok 1: … Krok 2: … Wniosek: 42”. Poprawia jakość odpowiedzi w zadaniach matematycznych, logicznych, programistycznych. Modele typu reasoning (rozumujące: OpenAI o1/o3, DeepSeek-R1, Qwen-QwQ, Claude z extended thinking, czyli rozszerzonym myśleniem) robią to automatycznie, ukrywając CoT przed użytkownikiem (lub pokazując w trybie deweloperskim).
System Prompt / System Instruction (Prompt systemowy / Instrukcja systemowa) #
Ukryta instrukcja podawana modelowi przed rozpoczęciem rozmowy z użytkownikiem. Definiuje rolę, styl, granice, zasady bezpieczeństwa, format wyjścia, np. “Jesteś specjalistą w prawie rodzinnym. Niczym prawdziwy prawnik napisz pismo rozwodowe”.
Uwaga: Nie polecam wyręczać się żadną sztuczną inteligencją w tematach, które mogą rzutować na twoje życie! Żadna sztuczna inteligencja nie jest radcą prawnym czy lekarzem.
Temperature / Top-p / Top-k #
Parametry losowości generowania.
- Temperature = 0 → deterministyczne, najbardziej pewne tokeny (do kodu, faktów).
- Temperature = 0,7–1,0 → kreatywne, zróżnicowane (do pisania opowiadań, brainstormingu).
- Top-p (nucleus sampling, czyli próbkowanie z jądra) - bierzemy tylko z najmniejszego zbioru tokenów, które razem dają prawdopodobieństwo p (np. 0,9). W praktyce: do kodu trzymajcie niską temperaturę, do kreatywności - wyższą.
Jest to wartość, która może wpływać na ilość halucynacji, stąd dostępne za darmo narzędzia najczęściej nie pozwalają jej ustawiać.
Multimodalność #
Zdolność modelu do przetwarzania więcej niż tekstu - obrazów, dźwięku, wideo, kodu jako plików. Wszystkie flagowe modele 2025/2026 (GPT-6, Gemini 3., Claude 5.) są multimodalne: możecie wrzucić im screena, wykres, PDF ze skanem, nagranie głosu - a one to “przeczytają”.
Agent / Agentic AI (Agent / Agentowa SI) #
System, który nie tylko odpowiada, ale działa: planuje zadanie, dzieli na kroki, wywołuje narzędzia (przeglądarka, terminal, edycja plików, a nawet sterowanie całym komputerem), iteruje, aż dokończy. Przykłady: Claude Code (terminal), Claude Cowork (desktop), ChatGPT Agent, Manus AI, Devin (programowanie). To główna fala 2025/2026 - przejście od czatowania do delegowania zadań.
Dlaczego “agenty”, a nie “agenci”? W polskiej terminologii technicznej agenty to programy/systemy autonomiczne (software agents - agenty programowe), natomiast agenci to ludzie (agent nieruchomości, agent ubezpieczeniowy, agent wywiadu). Rozróżnienie to utrzymało się w literaturze i dokumentacjach - piszemy więc “agenty SI”, “agenty kodujące”, “wielooddziałowe agenty”.
MCP - Model Context Protocol (Protokół Kontekstu Modelu) #
Otwarty standard (zainicjowany przez Anthropic, rozwijany wspólnie) do łączania modeli z narzędziami i danymi. Zamiast pisać dedykowaną integrację pod każdy model, budujecie serwer MCP (np. “mój system faktur”, “baza klientów”, “GitHub”) i dowolny klient wspierający MCP (Claude Desktop, Cursor, własny agent) może z niego korzystać.
Jakby ktoś nazwał serwer MCP wtyczką, to świat się nie zawali.
Open Weights (Otwarte wagi) #
Model, którego wagi (parametry sieci neuronowej) są publicznie dostępne do pobrania i uruchomienia u siebie (lokalnie lub na własnej chmurze). Przykłady: DeepSeek-V3/R1, Qwen 2.5/3, Llama 3.1/3.2/3.3, Nemotron 3 Ultra, Phi-3/4, Gemma 2/3. To nie to samo co open source - często brak kodu treningowego, danych, skryptów, a licencja bywa restrykcyjna (np. Llama: komercyjne użycie do 700 mln użytkowników, potem negocjacje). Mimo to: open weights = możecie mieć model “u siebie” na komputerze, bez wysyłania danych do dostawcy.
Quantization (Kwantyzacja) #
Proces “zmniejszenia” (czyli kompresji) modelu poprzez “zaokrąglanie” albo “przeliczanie” wartości wag. Wagi modelu to liczby, np. 0,0000469996 może zostać zamieniona na 0,000047, czyli obcinamy aż 4 znaki. Drastycznie zmniejsza rozmiar pliku i zużycie pamięci w komputerze, pozwalając uruchomić duży model na słabszym sprzęcie. Jakość spada nieznacznie, aczkolwiek zauważalnie.
Krótka ściąga (cheat sheet) #
| Skrót | Rozwinięcie | Jedno zdanie |
|---|---|---|
| AI | Artificial Intelligence | Cała dziedzina budowania inteligentnych systemów. |
| AGI | Artificial General Intelligence | SI równa ludzkiej we wszystkim (jeszcze nie ma). |
| ASI | Artificial Superintelligence | SI lepsza od ludzkości w wszystkim (hipotetyczna). |
| LLM | Large Language Model | Model przewidujący kolejne słowo, wytrenowany na miliardach tekstów. |
| RAG | Retrieval-Augmented Generation | Model dostaje aktualne dokumenty w kontekście, zamiast ufać pamięci. |
| Fine-tuning | Dostrajanie | Dodatkowy trening modelu na własnych danych. |
| SFT | Supervised Fine-Tuning | Dostrajanie nadzorowane na gotowych parach pytanie-odpowiedź. |
| RLHF | Reinforcement Learning from Human Feedback | Proces uczenia modelu bycia pomocnym/bezpiecznym na podstawie ocen ludzi. |
| CoT | Chain of Thought | Model myśli “na głos” krok po kroku przed odpowiedzią. |
| MCP | Model Context Protocol | Standard łączenia modeli z narzędziami/danymi (jak wtyczka USB dla AI). |
| Tokens | Tokeny | Kawałki tekstu, na które model kroi wejście/wyjście. |
| Context Window | Okno kontekstowe | Ile tokenów model pomieści naraz. |
| Inference | Wnioskowanie | Uruchamianie modelu (generowanie odpowiedzi). |
| Hallucination | Halucynacja | Model pewnie kłamie / wymyśla fakty. |
| Open Weights | Otwarte wagi | Można pobrać model i puścić u siebie. |
| Quantization | Kwantyzacja | Zmniejszenie modelu, by działał na słabszym sprzęcie. |
Dlaczego warto to znać? #
Nie musicie być badaczami SI, by rozumieć, co kupujecie (subskrypcja, API, model open-source), co czytajecie w changelogach nowych wersji modeli i dlaczego jeden model kosztuje $0,50 za milion tokenów, a inny $15 za ten sam milion tokenów. Znajomość tych pojęć pozwala też lepiej oceniać hype: gdy startup twierdzi, że “ma AGI”, a w produkcie jest RAG nad GPT 6 - wiecie, że to marketing, nie przełom.
Slang #
Ponieważ nazwy takich narzędzi ChatGPT czy Claude nie są zbyt przyjazne (to nie tylko moja opinia) w języku polskim świat IT nadał im imiona. Oto one:
- ChatGPT to Oktawiusz
- Claude to Klaudiusz
- OpenCode to Odyseusz
- Geminy to Eugeniusz
- Cursor to Korneliusz
Jakże ludzkie jest nadawanie imion narzędziom - prawda?
Źródła #
- Wikipedia - Artificial intelligence: https://en.wikipedia.org/wiki/Artificial_intelligence
- Wikipedia - Artificial general intelligence: https://en.wikipedia.org/wiki/Artificial_general_intelligence
- Wikipedia - Large language model: https://en.wikipedia.org/wiki/Large_language_model
- Wikipedia - Retrieval-augmented generation: https://en.wikipedia.org/wiki/Retrieval-augmented_generation
- Wikipedia - Reinforcement learning from human feedback: https://en.wikipedia.org/wiki/Reinforcement_learning_from_human_feedback
- Anthropic - Constitutional AI: https://www.anthropic.com/research/constitutional-ai
- arXiv - Attention Is All You Need (Transformer): https://arxiv.org/abs/1706.03762
- arXiv - DeepSeek-R1 (Reasoning via RL): https://arxiv.org/abs/2501.12948
- Anthropic - Model Context Protocol (specyfikacja): https://modelcontextprotocol.io/
- llama.cpp / GGUF (kwantyzacja): https://github.com/ggerganov/llama.cpp
- Hugging Face - Open LLM Leaderboard: https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard
- Stanford HAI - AI Index Report 2026: https://aiindex.stanford.edu/report/