Co je umělá inteligence a jak funguje

Umělá inteligence neboli AI se během několika let dostala z výzkumných laboratoří do mobilních telefonů, internetových vyhledávačů, kancelářských programů, automobilů nebo finančních služeb. Generativní AI dnes dokáže vytvářet text, obrázky, video, hudbu i počítačový kód a stále větší pozornost získávají také AI agenti, kteří mohou samostatně vykonávat složitější úkoly. Co ale umělá inteligence ve skutečnosti je, jak funguje a jaký je rozdíl mezi AI, strojovým učením a velkými jazykovými modely?

Co je umělá inteligence?

Umělá inteligence, anglicky artificial intelligence (AI), je široké označení pro počítačové systémy schopné vykonávat úkoly, které bývají spojovány s lidskou inteligencí. Může jít například o rozpoznávání obrazu a řeči, práci s jazykem, hledání vzorců v datech, rozhodování, plánování nebo vytváření nového obsahu.

Americký institut NIST popisuje AI mimo jiné jako strojový systém, který může na základě člověkem stanovených cílů vytvářet předpovědi, doporučení nebo rozhodnutí ovlivňující reálné či virtuální prostředí.

Důležité je, že pojem AI neoznačuje jednu konkrétní technologii. Jde spíše o zastřešující obor, pod který spadají různé metody a technologie. Zjednodušeně lze vztah mezi hlavními pojmy popsat následovně:

umělá inteligence → strojové učení → hluboké učení → generativní AI

Jednotlivé kategorie se přitom částečně překrývají. Moderní generativní AI například většinou využívá hluboké neuronové sítě, které jsou jednou z metod strojového učení.

AI zároveň nemusí připomínat člověka ani komunikovat prostřednictvím chatu. Umělou inteligenci mohou využívat systémy doporučující videa, detekce podvodných transakcí, překladače, navigace nebo algoritmy analyzující medicínské snímky.

Jak funguje umělá inteligence?

Neexistuje jediný způsob, jakým AI funguje. Moderní systémy však velmi často stojí na kombinaci dat, matematických algoritmů a výpočetního výkonu. U tradičního programu programátor předem stanoví pravidla, podle kterých má počítač postupovat. Pokud například nastane podmínka A, program vykoná akci B.

U strojového učení je princip odlišný. Vývojář nemusí definovat všechna pravidla ručně. Systém dostane velké množství dat a během procesu nazývaného trénování se z nich snaží naučit určité vztahy a vzorce.

Představme si model, jehož úkolem je rozpoznávat fotografie koček a psů. Během tréninku může dostat tisíce nebo miliony obrázků. Model postupně upravuje své vnitřní parametry tak, aby byl při určování obsahu nových obrázků stále přesnější.

Po dokončení tréninku přichází fáze označovaná jako inference. To je okamžik, kdy již vytrénovaný model dostane nový vstup a vytvoří výstup. V případě jazykového modelu může být vstupem otázka uživatele a výstupem odpověď. U obrazového modelu může jít například o vytvoření obrázku podle textového zadání.

Co je model AI?

AI model je možné zjednodušeně chápat jako matematický systém, který se během tréninku naučil určité vztahy obsažené v datech. To, co se model „naučil“, je zakódováno v jeho parametrech. Velké moderní modely mohou obsahovat obrovské množství těchto parametrů.

Model však zpravidla není klasickou databází, ve které by měl uloženou každou informaci přesně tak, jak ji během tréninku viděl. Místo toho vytváří matematické reprezentace vzorců a vztahů v datech. Právě proto může být schopný pracovat i se situacemi, které během tréninku nikdy přesně neviděl.

Co je strojové učení?

Strojové učení neboli machine learning (ML) je podmnožinou umělé inteligence. Jeho cílem je vytvářet systémy, které se dokážou učit z dat místo toho, aby bylo nutné každý jednotlivý postup naprogramovat ručně. Mezi základní typy strojového učení patří učení s učitelem, učení bez učitele a posilované učení.

Při učení s učitelem má model k dispozici data se správnými odpověďmi. Pokud se například učí rozpoznávat spam, dostane tisíce e-mailů označených jako „spam“ nebo „není spam“. Model hledá vlastnosti, které jednotlivé skupiny odlišují.

Při učení bez učitele nejsou správné odpovědi předem označené. Algoritmus se snaží sám odhalit strukturu dat. Může například rozdělit zákazníky do různých skupin podle jejich chování.

Posilované učení neboli reinforcement learning funguje na principu odměn a trestů. Systém opakovaně provádí určité akce a podle výsledku získává zpětnou vazbu. Postupně se učí strategii, která maximalizuje očekávanou odměnu.

Strojové učení se používá dlouho před současným rozmachem generativní AI. Najdeme jej například ve filtrování spamu, doporučovacích systémech, predikci poptávky, algoritmickém obchodování nebo detekci finančních podvodů.

Neuronové sítě a deep learning

Významnou součástí dnešní AI představují umělé neuronové sítě. Jejich konstrukce je volně inspirována způsobem, jakým spolu komunikují neurony v biologickém mozku, nejedná se však o jeho přesnou digitální kopii.

Neuronová síť se skládá z propojených výpočetních jednotek uspořádaných do vrstev. Jednotlivá spojení mají určitou váhu, která se během tréninku upravuje. Pokud neuronová síť obsahuje velké množství vrstev, mluvíme o hlubokém učení neboli deep learningu.

Hluboké neuronové sítě sehrály zásadní roli v pokroku počítačového vidění, rozpoznávání řeči, zpracování přirozeného jazyka a později generativní AI. IBM charakterizuje deep learning jako podmnožinu machine learningu využívající vícevrstvé neuronové sítě schopné pracovat s velmi složitými vztahy v datech.

Jednou z jejich největších výhod je schopnost automaticky hledat užitečné charakteristiky v obrovských souborech nestrukturovaných dat, například v textu, fotografiích nebo zvukových nahrávkách.

Co je generativní AI?

Generativní umělá inteligence neboli generative AI je AI schopná vytvářet nový digitální obsah.

Může generovat například: text, obrázky, počítačový kód, hudbu, hlas, video nebo 3D obsah.

NIST generativní AI definuje jako třídu modelů, které se učí strukturu a charakteristiky vstupních dat a na jejich základě vytvářejí nový syntetický obsah.

To je významný rozdíl oproti mnoha starším AI systémům zaměřeným především na klasifikaci nebo predikci.

Systém pro rozpoznávání fotografií například odpovídá na otázku: „Je na tomto obrázku pes?“

Generativní AI dokáže řešit jiný typ úkolu: „Vytvoř obrázek psa sedícího na lavičce v Praze.“

Rozmach generativní AI zásadně změnil způsob, jakým veřejnost s umělou inteligencí komunikuje. Místo specializovaných systémů ovládaných experty vznikly nástroje, se kterými je možné komunikovat běžným jazykem.

Co je LLM a jak fungují velké jazykové modely?

Zkratka LLM znamená Large Language Model neboli velký jazykový model.

LLM jsou modely umělé inteligence zaměřené na práci s jazykem. Dokážou například odpovídat na otázky, shrnovat dokumenty, překládat, vytvářet texty, vysvětlovat témata nebo programovat.

Základní princip fungování jazykového modelu může znít překvapivě jednoduše: model se snaží předpovědět další část textu na základě toho, co se nachází před ní.

Text je nejprve rozdělen na menší části označované jako tokeny. Tokenem může být celé slovo, část slova, interpunkční znaménko nebo jiný textový prvek. Model následně odhaduje pravděpodobnost, jaký token by měl následovat.

Pokud například dostane začátek věty: „Hlavním městem České republiky je…“ bude velmi vysokou pravděpodobnost přisuzovat tokenům tvořícím slovo „Praha“.

U moderních modelů je ale tento proces mnohem komplexnější. Model bere v úvahu dlouhý kontext předchozího textu a vztahy mezi jednotlivými částmi vstupu. Díky tréninku na rozsáhlém množství dat získává schopnost reprezentovat jazyk, fakta, souvislosti, stylistické vzorce a do určité míry také postupy potřebné k řešení problémů.

Transformer změnil vývoj jazykové AI

Klíčovým technologickým milníkem se stala architektura Transformer, představená v roce 2017 ve vědeckém článku Attention Is All You Need. Její autoři navrhli architekturu založenou na mechanismu attention, která umožnila efektivněji pracovat se vztahy mezi různými částmi textu a lépe využívat paralelní výpočty.

Transformery se následně staly základem velké části moderních jazykových modelů.

Proč může AI někdy odpovídat chybně?

Jazykový model není automaticky zdrojem pravdy. Generuje odpověď podle pravděpodobností a vzorců, které se naučil. Proto může někdy vytvořit velmi přesvědčivě znějící informaci, která není pravdivá. Tento jev bývá označován jako halucinace AI.

Z tohoto důvodu je vhodné důležité informace vytvořené generativní AI ověřovat, zejména pokud jde o zdravotnictví, finance, právo, aktuální události nebo jiná citlivá témata.

Schopnost používat internetové vyhledávání, databáze nebo firemní dokumentaci může přesnost modelu výrazně zvýšit, stále však není zárukou absolutní správnosti.

Jak AI vytváří obrázky?

Generativní AI se neomezuje pouze na text. Modely dokážou vytvářet fotografie, ilustrace, grafiku nebo další vizuální obsah na základě textového zadání. Významnou roli při rozvoji generování obrázků sehrály difuzní modely. Jejich princip lze velmi zjednodušeně popsat jako proces, při kterém se model učí odstraňovat šum z obrázků.

Při trénování je do obrázků postupně přidáván šum, dokud se původní obraz téměř neztratí. Neuronová síť se následně učí opačný proces – z poškozeného obrazu odhadovat čistší podobu. Při samotném generování potom může systém začít prakticky náhodným šumem a v několika krocích jej transformovat do obrazu odpovídajícího textovému zadání.

Výzkum difuzních modelů vedl k výraznému zlepšení kvality syntetických obrazů a dnes existuje řada dalších a kombinovaných přístupů.

Moderní systémy navíc spojují obrazové a jazykové modely. Díky tomu mohou chápat instrukce napsané přirozeným jazykem a vytvářet podle nich obrazový obsah. Stejný vývoj postupně zasahuje také video, hudbu, hlas a další média.

Co jsou multimodální modely?

První generace známých chatbotů pracovala převážně s textem. Moderní AI se ale stále více posouvá směrem k multimodalitě.

Multimodální model dokáže pracovat s několika druhy informací současně. Může například přijmout fotografii, textovou otázku a zvukovou nahrávku a následně vytvořit textovou nebo hlasovou odpověď.

Takový systém může například analyzovat graf na obrázku, vysvětlit jeho význam a následně o něm s uživatelem vést hlasovou konverzaci.

Rozdíl mezi „jazykovou AI“, „obrazovou AI“ a „hlasovou AI“ se tak postupně zmenšuje.

Co jsou AI agenti?

Dalším významným směrem vývoje jsou AI agenti. Běžný chatbot většinou funguje především systémem otázka–odpověď. Uživatel něco zadá, model vytvoří odpověď a interakce končí. Agent může dostat širší cíl a následně s určitou mírou autonomie rozhodovat, jaké kroky musí pro jeho splnění provést.

OpenAI popisuje agenty jako systémy, které dokážou samostatně vykonávat úkoly jménem uživatele a využívat dostupné nástroje pro získávání informací nebo provádění akcí. Představme si požadavek:

„Najdi vhodné letenky na příští víkend, porovnej hotely v okolí centra a připrav mi itinerář.“

Klasický jazykový model může navrhnout, jak postupovat. AI agent by teoreticky mohl jednotlivé kroky skutečně provést: vyhledat informace, porovnat možnosti, pracovat s mapami nebo kalendářem a výsledky spojit do jednoho výstupu.

Agent proto zpravidla kombinuje jazykový model s dalšími nástroji. Může mít přístup k vyhledávači, databázi, e-mailu, programovacímu prostředí nebo firemním systémům.

Právě schopnost AI nejen vytvářet informace, ale také jednat, může být jednou z nejvýznamnějších změn další fáze vývoje umělé inteligence.

Stručná historie umělé inteligence

Myšlenka inteligentních strojů je mnohem starší než dnešní generativní AI. Významný moment přišel už v roce 1950, kdy britský matematik Alan Turing publikoval práci Computing Machinery and Intelligence. Namísto obtížně definovatelné otázky „Mohou stroje myslet?“ navrhl takzvanou imitační hru, ze které později vzniklo označení Turingův test.

Samotný termín artificial intelligence je spojen především s americkým informatikem Johnem McCarthym. V létě roku 1956 se na Dartmouth College uskutečnil Dartmouth Summer Research Project on Artificial Intelligence, který je považován za jeden ze zakládajících okamžiků AI jako samostatného vědeckého oboru.

Následující desetiletí přinesla období optimismu i zklamání. První výzkumníci očekávali rychlý pokrok, ale omezený výpočetní výkon, nedostatek dat a složitost skutečného světa vedly opakovaně ke zpomalení vývoje. Tato období jsou známá jako AI winters neboli zimy umělé inteligence.

Pozdější rozvoj internetu, dostupnost obrovského množství digitálních dat, výkonnější grafické procesory a zdokonalení neuronových sítí vytvořily podmínky pro novou vlnu AI.

Významným bodem se stal rozvoj deep learningu v první polovině 2010. let a následně představení architektury Transformer v roce 2017.

Na počátku 2020. let pak prudce vzrostla dostupnost generativní AI pro běžné uživatele. Umělá inteligence se přestala odehrávat pouze na univerzitách a ve výzkumných laboratořích a stala se běžnou spotřebitelskou technologií.

Kde se umělá inteligence používá?

AI je dnes integrována do celé řady produktů a služeb, často aniž by ji uživatel přímo vnímal.

Ve vyhledávačích a internetových službách pomáhá AI určovat relevanci výsledků, doporučovat obsah, filtrovat spam nebo odhalovat škodlivé aktivity.

Ve financích se strojové učení používá například při detekci podezřelých transakcí, řízení rizik, analýze dokumentů, zákaznické podpoře nebo zpracování rozsáhlého množství tržních dat.

V programování umí generativní modely navrhovat kód, hledat chyby, vysvětlovat existující programy nebo vytvářet testy.

Ve zdravotnictví a vědě může AI pomáhat při analýze medicínských snímků, hledání kandidátů na nové léky, modelování biologických struktur nebo zpracování rozsáhlých vědeckých dat.

V marketingu a médiích se používá pro práci s textem, obrazem, videem, překlady, analýzu dat nebo personalizaci obsahu.

Ve výrobě a logistice může pomáhat předvídat poruchy strojů, optimalizovat dopravu nebo kontrolovat kvalitu výrobků pomocí kamerových systémů.

A stále důležitější je AI také jako běžný osobní asistent. Uživatelé ji mohou využívat při studiu, analýze dokumentů, plánování, programování, výzkumu nebo tvorbě obsahu.

Rozsah adopce v posledních letech prudce vzrostl. Stanford AI Index 2026 uvádí, že nějakou formu AI používalo alespoň v jedné podnikové funkci 88 % organizací zahrnutých v jeho sledování. Generativní AI využívalo v alespoň jedné oblasti 70 % organizací.

Umělá inteligence, automatizace a roboti nejsou totéž

AI bývá někdy zaměňována s automatizací nebo robotikou.

Automatizace znamená, že systém automaticky vykonává předem definovanou činnost. Nemusí při tom používat žádnou AI. Robot je fyzický stroj schopný vykonávat určité úkoly. Robot může používat umělou inteligenci, ale nemusí. Umělá inteligence je naopak metoda zpracování informací a rozhodování. Může existovat pouze jako software a žádné fyzické tělo nepotřebuje.

Robotický skladový systém proto může kombinovat všechny tři oblasti: automatizaci, robotiku a AI.

Jaké jsou hlavní limity umělé inteligence?

Schopnosti dnešní AI mohou působit mimořádně, technologie má ale stále řadu omezení. Jedním z nich jsou již zmíněné halucinace, tedy vytváření chybných nebo smyšlených informací.

Dalším problémem je závislost na datech. Model může převzít chyby nebo zkreslení obsažené v trénovacích datech a jeho výkon se může lišit mezi různými skupinami lidí nebo typy úloh.

Důležitými tématy jsou také soukromí, bezpečnost a autorská práva. Uživatel by měl vědět, kam zadává citlivé informace a jak může provozovatel služby s těmito daty nakládat.

Velké modely jsou navíc náročné na výpočetní infrastrukturu. Jejich vývoj a provoz vyžaduje datová centra, specializované čipy, elektřinu a další zdroje. Samostatným rizikem je přílišná důvěra v automatizovaný výstup. Sebevědomě formulovaná odpověď AI může působit autoritativně, i když je chybná.

AI proto nejlépe funguje jako nástroj, který rozšiřuje lidské schopnosti, nikoli jako automatická náhrada úsudku ve všech situacích.

Je dnešní AI skutečně inteligentní?

Odpověď závisí na tom, jak definujeme inteligenci. Dnešní systémy dokážou v některých úlohách dosahovat nebo překonávat výkon člověka. Zároveň však mohou selhávat v situacích, které lidem připadají velmi jednoduché.

Většinu současných systémů lze označit za úzkou neboli specializovanou AI. Jsou velmi schopné v určitých typech úloh, ale nelze automaticky předpokládat, že disponují obecnou inteligencí srovnatelnou s člověkem.

Odlišným pojmem je AGI – Artificial General Intelligence, česky obecná umělá inteligence. Tento termín se používá pro hypotetický systém schopný zvládat široké spektrum intelektuálních úloh na úrovni člověka nebo vyšší.

Neexistuje však jednotná technická definice AGI ani všeobecná shoda na tom, jak přesně by měla být měřena.

Kam se AI posouvá?

Vývoj umělé inteligence se stále více soustředí na systémy, které kombinují několik dosud oddělených schopností.

Modely se stávají multimodálními, takže mohou současně pracovat s textem, obrazem, zvukem a videem. Zlepšuje se jejich schopnost používat externí nástroje, pracovat s rozsáhlými dokumenty, programovat nebo řešit složitější úlohy v několika krocích.

Velkou oblastí dalšího vývoje jsou AI agenti. Zatímco první vlna generativní AI byla zaměřena především na tvorbu obsahu, agentní systémy mají stále více přecházet od odpovídání k vykonávání úkolů.

Podle Stanford AI Indexu patří agentní systémy k rychle se rozvíjejícím oblastem, jejich praktické nasazení v organizacích je však zatím výrazně méně rozšířené než používání generativní AI obecně.

Budoucnost AI proto pravděpodobně nebude znamenat pouze „chytřejší chatboty“. Umělá inteligence se postupně stává další softwarovou vrstvou, která může být integrována do běžných aplikací, firemních procesů, zařízení i fyzických strojů.

Nejčastější otázky o umělé inteligenci