AI, ML, Sieci Neuronowe

Trzy pojęcia, które często się mylą

Sztuczna inteligencja, uczenie maszynowe, sieci neuronowe… Te terminy często pojawiają się zamiennie w mediach i codziennych rozmowach. Nic dziwnego, że łatwo się w nich pogubić! W rzeczywistości to trzy różne, choć powiązane ze sobą koncepcje. Wyobraź je sobie jak rosyjskie matrioszki - jedna mieści się w drugiej. Rozdzielam je na samym początku kursu, bo bez tego rozróżnienia nie ocenisz, czy narzędzie reklamowane jako “AI” faktycznie uczy się z danych, czy tylko wykonuje reguły, które ktoś w nie wpisał.

Hierarchia pojęć - co w czym się zawiera

Zacznijmy od najważniejszego - te trzy pojęcia tworzą hierarchię, gdzie każde kolejne jest podzbiorem poprzedniego:

• 🔵 Sztuczna Inteligencja (AI) - najszersze pojęcie: każdy system naśladujący ludzką inteligencję
  • 🟢 Uczenie Maszynowe (ML) - podzbiór AI: systemy uczące się z danych
    • 🟣 Sieci Neuronowe - podzbiór ML: inspirowane budową mózgu
      • 🟡 Deep Learning - głębokie (wielowarstwowe) sieci neuronowe

Jeśli masz zapamiętać jedno zdanie z tego rozdziału, to właśnie to: każda sieć neuronowa to forma uczenia maszynowego, a każde uczenie maszynowe to forma AI. Ale nie każda AI używa uczenia maszynowego, i nie każde uczenie maszynowe korzysta z sieci neuronowych.

Sztuczna Inteligencja (AI) - najszersze pojęcie

Sztuczna inteligencja to najszerszy termin. Obejmuje wszystkie systemy komputerowe, które naśladują ludzką inteligencję - rozpoznawanie wzorców, podejmowanie decyzji, rozumienie języka, rozwiązywanie problemów.

AI istnieje już od lat 50. XX wieku i obejmuje wiele różnych podejść:

• Systemy eksperckie: Programy z zaprogramowanymi regułami (“jeśli temperatura > 38°C, to gorączka”)
• Algorytmy przeszukiwania: Np. GPS szukający najkrótszej trasy
• Logika rozmyta: Systemy operujące na nieprecyzyjnych danych
• Uczenie maszynowe: Systemy uczące się z danych (o tym za chwilę)

Kluczowa cecha AI: próbuje wykonywać zadania wymagające “ludzkiej inteligencji”, niezależnie od metody.

Uczenie Maszynowe (ML) - AI, która się uczy

Machine Learning (uczenie maszynowe) to podzbiór AI, który zamiast ręcznego programowania reguł, uczy się ich sam na podstawie danych.

Różnica jest fundamentalna:

• Tradycyjna AI: Programista pisze reguły → komputer je wykonuje
• Uczenie maszynowe: Programista dostarcza dane → komputer sam odkrywa reguły

Przykład: Chcesz stworzyć filtr spamu.

• Podejście tradycyjne: Ręcznie tworzysz listę słów kluczowych (“wygraj”, “gratis”, “pilne”) i reguły ich wykrywania
• Podejście ML: Dajesz systemowi tysiące e-maili oznaczonych jako spam lub nie-spam, a on sam uczy się, jakie cechy charakteryzują spam

Główne typy uczenia maszynowego to: uczenie nadzorowane (z etykietami, np. zdjęcia kotów oznaczone jako “kot”), uczenie nienadzorowane (samodzielne odkrywanie wzorców) oraz uczenie ze wzmocnieniem (nauka metodą prób i błędów). Szczegóły każdego z nich znajdziesz w rozdziale Jak uczą się modele.

Sieci Neuronowe - inspiracja mózgiem

Sieci neuronowe (neural networks) to szczególny rodzaj algorytmu uczenia maszynowego, inspirowany budową ludzkiego mózgu. Składają się z warstw “sztucznych neuronów”, które przetwarzają informacje.

Jak to działa w uproszczeniu:

1. Dane wchodzą przez warstwę wejściową (np. piksele obrazu)
2. Przechodzą przez warstwy ukryte, gdzie każdy neuron przetwarza sygnały i przekazuje dalej
3. Wynik pojawia się w warstwie wyjściowej (np. “to jest kot”)

Sieci neuronowe są szczególnie dobre w:

• Rozpoznawaniu obrazów i twarzy
• Przetwarzaniu języka naturalnego
• Generowaniu treści (tekst, obrazy, muzyka)
• Zadaniach, gdzie wzorce są zbyt skomplikowane do ręcznego zaprogramowania

Deep Learning - głębokie sieci neuronowe

Deep Learning (głębokie uczenie) to sieci neuronowe z wieloma warstwami ukrytymi - stąd nazwa “głębokie”. Im więcej warstw, tym bardziej złożone wzorce sieć może rozpoznać.

To właśnie deep learning stoi za największymi przełomami ostatnich lat:

• GPT i ChatGPT - modele językowe z miliardami parametrów
• DALL-E, Midjourney - generatory obrazów
• AlphaGo - program, który pokonał mistrzów w Go
• Rozpoznawanie mowy - Siri, Asystent Google, Alexa

Deep learning wymaga ogromnych ilości danych i mocy obliczeniowej, ale osiąga wyniki niemożliwe dla prostszych metod.

Porównanie na konkretnych przykładach

Zanim spojrzysz na drugą kolumnę, spróbuj sam przypisać każdy z tych przykładów do właściwego poziomu. To dobry sprawdzian, czy hierarchia z początku rozdziału faktycznie się ułożyła.

Przykład	Kategoria	Dlaczego?
Termostat z regułami “jeśli-to”	AI (ale nie ML)	Wykonuje inteligentne zadanie, ale reguły są zaprogramowane ręcznie
Filtr spamu uczący się z przykładów	ML (ale niekoniecznie NN)	Uczy się z danych, może używać prostszych algorytmów (np. drzewa decyzyjne)
Rozpoznawanie twarzy w telefonie	Sieć neuronowa	Wymaga rozpoznawania złożonych wzorców wizualnych
ChatGPT, Claude	Deep Learning	Głębokie sieci z miliardami parametrów (Transformery)
GPS szukający trasy	AI (ale nie ML)	Używa algorytmów przeszukiwania, nie uczy się

Zwróć uwagę na pierwszy i ostatni wiersz - to miejsce, w którym najczęściej pojawia się nieporozumienie. System może wykonywać zadanie wymagające inteligencji i nadal nie mieć nic wspólnego z uczeniem się. Termostat i nawigacja robią dokładnie to, co ktoś wcześniej w nie wpisał.

Dlaczego to rozróżnienie ma znaczenie?

Rozumienie tych różnic pomaga w kilku kwestiach:

• Lepsze zrozumienie możliwości: Wiesz, czego możesz oczekiwać od różnych systemów
• Krytyczne myślenie: Gdy media piszą “AI zrobiła X”, wiesz, że to może być prosty algorytm albo zaawansowana sieć neuronowa
• Świadome korzystanie: Rozumiesz, dlaczego ChatGPT działa inaczej niż zwykła wyszukiwarka
• Rozmowy o przyszłości: Możesz sensownie dyskutować o rozwoju technologii

Analogia na zakończenie

Jeśli hierarchia matrioszek nadal wydaje Ci się abstrakcyjna, spróbuj z tej strony. Wyobraź sobie transport:

• AI to jak “środki transportu” - wszystko, co służy do przemieszczania się
• ML to jak “pojazdy silnikowe” - podzbiór transportu z określoną cechą (silnik)
• Sieci neuronowe to jak “samochody” - konkretny typ pojazdu silnikowego
• Deep Learning to jak “samochody sportowe” - szczególnie zaawansowane samochody

Każdy samochód sportowy to samochód, każdy samochód to pojazd silnikowy, każdy pojazd silnikowy to środek transportu. Ale nie każdy środek transportu to samochód sportowy - może to być rower, łódź czy nawet koń.

Warto zapamiętać

AI to najszersze pojęcie obejmujące wszystkie “inteligentne” systemy. Uczenie maszynowe to AI, która uczy się z danych. Sieci neuronowe to rodzaj ML inspirowany mózgiem. Deep learning to głębokie sieci neuronowe odpowiedzialne za ChatGPT i inne przełomowe technologie.

Źródła i dalsze lektury

• Vaswani i in. “Attention Is All You Need” (2017) - przełomowa praca opisująca architekturę Transformer, na której oparto GPT, Claude i Gemini
• Goodfellow, Bengio, Courville “Deep Learning” (MIT Press) - podręcznik akademicki o deep learning, dostępny bezpłatnie online
• Wikipedia: Uczenie maszynowe - przegląd metod ML z historią i taksonomią
• IBM: What are Neural Networks? - przystępne wyjaśnienie sieci neuronowych z wizualizacjami

Zobacz też

Więcej o tym, jak modele AI uczą się z danych, znajdziesz w rozdziale Jak uczą się modele. Jeśli interesują Cię różne rodzaje AI, zajrzyj do Typy AI.

Teraz wiesz

• Czym jest sztuczna inteligencja, uczenie maszynowe, sieci neuronowe i deep learning - oraz jak te pojęcia się do siebie mają
• Że AI to nie jeden system, a cała hierarchia technologii - od prostych reguł po zaawansowane sieci neuronowe
• Dlaczego ChatGPT i inne narzędzia AI to deep learning - najgłębszy poziom tej hierarchii

Następny krok: Jak uczą się modele AI - dowiesz się, w jaki sposób systemy AI zdobywają wiedzę z danych i jakie metody uczenia stosują.

Częste pytania

Czym różni się AI od uczenia maszynowego?

AI to szerokie pojęcie obejmujące wszelkie systemy naśladujące ludzką inteligencję. Uczenie maszynowe (ML) to podzbiór AI - metoda, w której systemy uczą się z danych bez jawnego programowania.

Czym są sieci neuronowe?

Sieci neuronowe to modele obliczeniowe inspirowane budową ludzkiego mózgu. Składają się z warstw sztucznych neuronów, które przetwarzają dane i uczą się rozpoznawać wzorce.