Mapa sztucznej inteligencji: co jest czym i jak to do siebie pasuje

Sztuczna inteligencja, uczenie maszynowe, uczenie głębokie, modele językowe i agenci AI — jak się ze sobą wiążą, na jednej stronie. Część otwierająca serię Podstawy AI.

6 minut Matěj Žalmánek 2026-10-15

Seria Podstawy AI Część 1 z 52

1. Mapa sztucznej inteligencji: co jest czym i jak to do siebie pasuje
2. Krótka historia sztucznej inteligencji: od Turinga do modeli językowych
3. Dane, model, trening, inferencja: podstawowe pojęcia na jednym przykładzie
4. Jak czytać zapis matematyczny: symbole, indeksy, sumy i kwantyfikatory
5. Zbiory i relacje: klocki, z których składają się definicje w AI
6. Funkcje i odwzorowania: dlaczego każdy model AI jest funkcją
7. Logika i dowody: reguły, według których rozumuje AI
8. Grafy i drzewa: struktura, na której opierają się przeszukiwanie i sieci neuronowe
9. Algebra liniowa dla uczenia maszynowego: wektory, macierze i dlaczego AI głównie mnoży
10. Pochodne, gradient i reguła łańcuchowa: jak model ustala, w którą stronę się uczyć
11. Spadek gradientu: jak uczy się model
12. Czym jest prawdopodobieństwo: od rzutu kostką do aksjomatów Kołmogorowa
13. Prawdopodobieństwo warunkowe i twierdzenie Bayesa: jak zmienić ocenę, gdy dowiesz się czegoś nowego
14. Zmienna losowa i dystrybuanta: jedna funkcja, która mówi o rozkładzie wszystko
15. Funkcja gęstości i funkcja prawdopodobieństwa: dlaczego zmienna ciągła ma w punkcie prawdopodobieństwo zero
16. Wartość oczekiwana, wariancja i kowariancja: gdzie leży rozkład, jak jest szeroki i co z czym się wiąże
17. Przegląd rozkładów prawdopodobieństwa: Bernoulliego, dwumianowy, Poissona, jednostajny, normalny i wykładniczy
18. Prawo wielkich liczb i centralne twierdzenie graniczne: dlaczego średnie zachowują się tak przewidywalnie
19. Statystyka i estymacja parametrów: największa wiarygodność, MAP i przedziały ufności
20. Teoria informacji: entropia, entropia krzyżowa i dywergencja KL — skąd się biorą funkcje straty
21. Przeszukiwanie przestrzeni stanów: BFS, DFS, UCS i A* z animacjami
22. Gry i przeciwnik: minimax, przycinanie alfa-beta i Monte Carlo tree search
23. Spełnianie ograniczeń: backtracking, propagacja ograniczeń i AC-3 na sudoku i mapie czeskich krajów
24. Logika i systemy z bazą wiedzy: wnioskowanie w przód i wstecz, rezolucja i systemy ekspertowe
25. Planowanie: STRIPS, świat klocków, heurystyki z relaksacji i planowanie w agentach AI
26. Przeszukiwanie lokalne i symulowane wyżarzanie: komiwojażer przez czeskie miasta wojewódzkie
27. Algorytmy genetyczne: populacja, krzyżowanie, mutacja i selekcja na plecaku na wycieczkę
28. Strategie ewolucyjne i programowanie genetyczne: od reguły jednej piątej do prawa Keplera
29. Optymalizacja kolonią mrówek: jak ślad feromonowy znajduje krótką drogę
30. Optymalizacja rojem cząstek: bezwładność, własne doświadczenie i doświadczenie roju
31. Neuroewolucja: ewolucja wag i kształtu sieci neuronowych oraz algorytm NEAT
32. Zbiory rozmyte i funkcje przynależności: jak zapisać „trochę ciepło”
33. Logika rozmyta a prawdopodobieństwo: dlaczego „trochę ciepło” nie znaczy „prawdopodobnie ciepło”
34. Logika rozmyta: t-normy, implikacje i reguły JEŻELI–TO
35. Sterowanie rozmyte: Mamdani i Sugeno od wentylatora po wahadło na wózku
36. Klasteryzacja rozmyta: algorytm fuzzy c-means i punkty między skupieniami
37. Systemy neuro-rozmyte (ANFIS): reguły rozmyte, które uczą się z danych
38. Łańcuchy Markowa: macierz przejścia, rozkład stacjonarny i PageRank
39. Ukryte modele Markowa: algorytm Viterbiego i nieuczciwe kasyno
40. Sieci bayesowskie: dlaczego trawa jest mokra i co z tego wynika dla zraszacza
41. Filtr Kalmana: jak z niedokładnych pomiarów oszacować, gdzie jest samochód i jak szybko jedzie
42. Rodzaje uczenia maszynowego: nadzorowane, nienadzorowane, półnadzorowane i inne
43. Prompty, kontekst i RAG: jak dać modelowi właściwe informacje
44. Wariacyjne autoenkodery (VAE): nowe obrazki z ciągłej przestrzeni latentnej
45. Generatywne sieci przeciwstawne (GAN): fałszerz kontra detektyw
46. Modele dyfuzyjne: jak z czystego szumu powstaje obraz
47. Procesy decyzyjne Markowa: stany, akcje, nagrody i równania Bellmana
48. Q-learning i DQN: uczenie się wartości akcji od tabeli po sieć neuronową
49. Policy gradient i PPO: uczenie się bezpośrednio polityki
50. Jak działa agent AI: model językowy w pętli z narzędziami
51. Programowanie z agentami AI: zadanie, testy i kontrola
52. Ocena i bezpieczeństwo systemów AI: jak mierzyć i jak pilnować

Pełny program serii Gotowe: 52 z 83 tematów

Sztuczna inteligencja, uczenie maszynowe, sieci neuronowe, modele językowe, agenci. Słowa, których używa się dziś niemal jak synonimów — a przecież każde znaczy coś innego. Ta część to mapa: pokaże, co jest czym i jak to do siebie pasuje. W głąb idą kolejne części serii; każdą z nich da się też czytać osobno.

1. Czym jest sztuczna inteligencja

Definicja — racjonalny agent (Russell i Norvig)

Agent to cokolwiek, co postrzega swoje środowisko za pomocą sensorów i oddziałuje na nie za pomocą akcji. Formalnie funkcja f : P* → A z ciągów percepcji w akcje.

Agent jest racjonalny, jeśli dla każdego ciągu percepcji wybiera akcję, która maksymalizuje wartość oczekiwaną miary wydajności.

Sztuczna inteligencja to dziedzina, która takich agentów projektuje i buduje.

Całą dziedzinę da się narysować jako zagnieżdżone w sobie zbiory. Uczenie głębokie to rodzaj uczenia maszynowego, uczenie maszynowe to jedna z dróg do sztucznej inteligencji — a agent AI łączy dziś często jedno i drugie, szukanie i uczenie się:

2. AI, która szuka

Najstarsza rodzina AI niczego się nie uczy. Dostaje dokładny opis zadania — gdzie zaczynam, co mogę zrobić, dokąd chcę dojść — i przeszukuje możliwości, dopóki nie znajdzie rozwiązania. Tak działa nawigacja, która szuka najkrótszej trasy, program szachowy, który przelicza ruchy do przodu, albo planer harmonogramu.

Zaleta: gdy zadanie jest dobrze opisane, wynik jest niezawodny i da się udowodnić, że jest najlepszy z możliwych. Wada: ktoś musi zadanie dokładnie opisać — a świata prawie nigdy nie da się opisać dokładnie.

W głąb: Część 2 — Przeszukiwanie przestrzeni stanów.

3. AI, która się uczy

Definicja — uczenie maszynowe (T. Mitchell)

Program uczy się z doświadczenia E względem zadania T i miary wydajności P, jeżeli jego wydajność w T, mierzona za pomocą P, poprawia się wraz z doświadczeniem E.

Uczenie maszynowe dzieli się według tego, jaki sygnał model dostaje podczas nauki: poprawne odpowiedzi (uczenie nadzorowane), same dane bez odpowiedzi (nienadzorowane), trochę jednego i drugiego (półnadzorowane), odpowiedzi wytworzone z samych danych (samonadzorowane) albo nagrody za działania (uczenie przez wzmacnianie).

W głąb: Część 3 — Rodzaje uczenia maszynowego.

4. Uczenie głębokie i sieci neuronowe

Uczenie głębokie to uczenie maszynowe z jednym konkretnym rodzajem modelu: siecią neuronową o wielu warstwach. Każda warstwa przelicza wejście trochę inaczej — w sieci do obrazów pierwsze warstwy rozpoznają krawędzie, kolejne kształty, ostatnie całe przedmioty. Nikt im nie mówi, czego mają szukać; uczą się tego z danych.

Dlaczego „głębokie”? Z powodu liczby warstw. A dlaczego dopiero teraz, skoro sieci neuronowe istnieją od lat pięćdziesiątych? Bo dopiero dziś mamy dość danych i dość mocy obliczeniowej (karty graficzne), żeby duże sieci dało się wytrenować.

W głąb: przygotowujemy części „Spadek gradientu: jak uczy się model” i „Sieć neuronowa od zera”.

5. Generatywna AI i modele językowe

Większość modeli odpowiada na pytanie „co to jest?” — spam czy nie? Modele generatywne tworzą nowe dane: tekst, obrazy, dźwięk, kod. Duży model językowy to sieć neuronowa, która na ogromnej ilości tekstu nauczyła się jednego: przewidywać następne słowo. Gdy robi to wystarczająco dobrze, przy okazji potrafi też odpowiadać, tłumaczyć i pisać kod.

Modele językowe uczą się w trzech krokach, a każdy to inny rodzaj uczenia: uczenie samonadzorowane na tekstach z internetu, nadzorowane dostrajanie na przykładowych odpowiedziach i uczenie przez wzmacnianie według tego, które odpowiedzi ludzie oceniają lepiej.

W głąb: przygotowujemy część „Transformery i duże modele językowe”.

6. Agenci AI: gdzie to wszystko się spotyka

Agent AI to model językowy, który nie tylko odpowiada, ale działa: czyta pliki, uruchamia polecenia, przeszukuje sieć i na podstawie wyników decyduje, co zrobić dalej. Tu obie rodziny AI znów się spotykają — model nauczył się języka i osądu, ale zadanie rozwiązuje jak przeszukiwanie: próbuje kroku, patrzy na wynik, a gdy nie prowadzi do celu, próbuje innego.

Agenci piszą dziś i poprawiają kod, i właśnie do pracy z nimi powstał coden: agent pracuje na twoim komputerze, a ty kierujesz nim z telefonu.

W głąb: przygotowujemy część „Jak działa agent AI”.

7. Jak czytać tę serię

• Każdą część da się czytać osobno. Na górze znajdziesz, czego się dowiesz i co warto wiedzieć wcześniej.
• Proste wyjaśnienie wystarczy. Dokładne definicje matematyczne są schowane pod rozwinięciem — dla tych, którzy ich chcą.
• Obrazki są prawdziwe. Animacje w częściach to wynik rzeczywistego działania algorytmów, a nie ilustracje.

Lista wszystkich części, łącznie z tymi, które przygotowujemy, jest w ramce serii na górze i w przeglądzie artykułów.

Masz inne zdanie? Napisz na support@coden-app.com.