Изкуственият интелект променя света с бързи темпове и едновременно с това създава изцяло нов речник за описание на процесите си. На всяка продуктова среща, презентация пред инвеститори или технологична конференция вече систематично се споменават съкращения като LLM, RAG и RLHF. Напоследък към тях се присъедини и концепцията за „opaque recurrence“ (непрозрачна рекурентност) — техника за разсъждение в новия модел Astra на OpenAI, която предизвика загриженост сред изследователите по безопасност на AI. Скоростта, с която се раждат тези термини, може да накара дори опитни специалисти в технологичната сфера да се почувстват несигурни. Този кратък наръчник на TechCrunch има за цел да обясни най-често срещаните термини на ясен и достъпен език — независимо дали разработвате продукти, инвестирате в сектора или просто следите новините за AI. AGI (Общ изкуствен интелект) Концепцията за AGI остава сравнително абстрактна, но най-общо се отнася до система, която превъзхожда средностатистическия човек при изпълнението на повечето задачи. Изпълнителният директор на OpenAI Сам Алтман я определя като еквивалент на „средностатистически служител, когото можете да наемете като колега“. Според устава на OpenAI обаче AGI е „високоавтономна система, изпреварваща хората в повечето икономически ценни дейности“. От своя страна Google DeepMind разглежда AGI като AI, който е „поне толкова способен, колкото хората при повечето когнитивни задачи“. AI агент (AI agent) За разлика от стандартните чатботове, AI агентът е инструмент, способен самостоятелно да изпълнява сложни, многостъпкови задачи от името на потребителя — например подаване на отчети за разходи, резервиране на билети и маси в ресторанти или дори самостоятелно писане и поддръжка на софтуерен код. API крайни точки (API endpoints) Можете да си представите API крайните точки като скрити интерфейси или „бутони“ на даден софтуер, които позволяват на други програми да взаимодействат с него. С напредъка си AI агентите все по-често откриват и използват тези точки самостоятелно, за да управляват външни услуги без необходимост от човешка намеса. Верига от разсъждения (Chain of thought) При решаване на сложни казуси хората често използват междинни стъпки и бележки. В контекста на големите езикови модели „веригата от разсъждения“ означава разбиване на задачата на по-малки логически последователности преди да се даде краен отговор. Процесът отнема повече време, но значително повишава точността, особено при логически проблеми и програмиране. Агенти за програмиране (Coding agents) Специализирана категория AI агенти, насочена към софтуерната разработка. Вместо просто да предлагат фрагменти от код, тези агенти могат автономно да пишат, тестват и коригират грешки в цели бази от данни с минимален човешки контрол. Compute (Изчислителна мощ) Терминът обозначава критично необходимите изчислителни ресурси (като GPU, CPU, TPU и специализирана инфраструктура), които позволяват обучението и функционирането на съвременните AI модели. Дълбоко обучение (Deep learning) Подмножество на машинното обучение, използващо многослойни изкуствени невронни мрежи, вдъхновени от структурата на човешкия мозък. Моделите за дълбоко обучение могат сами да откриват важни зависимости в данните без предварителна дефиниция от инженери, но изискват огромни масиви от данни и сериозни изчислителни ресурси. Дифузия (Diffusion) Технология, залегнала в основата на повечето модели за генериране на изображения, музика и текст. Заимствана от физиката, тя първоначално нарушава структурата на данните чрез добавяне на „шум“, а след това се научава да го премахва, възстановявайки или създавайки нови реалистични обекти. Дестилация (Distillation) Метод за пренасяне на знания от голям и complexен модел („учител“) към по-малък и по-ефективен модел („ученик“). По този начин се създават по-бързи и евтини за поддръжка модели с минимална загуба на точност. Фина настройка (Fine-tuning) Процес на допълнително обучение на вече съществуващ базисен AI модел с тесноспециализирани данни. Това позволява на модела да оптимизира работата си за конкретна индустрия или специфична задача. Генеративно-съревнователни мрежи (GAN) Архитектура от две невронни мрежи — генератор и дискриминатор, които се състезават помежду си. Генераторът създава съдържание (напр. изображение), а дискриминаторът преценява дали то е истинско или генерирано. Това състезание подобрява качеството на крайния продукт до постигане на висока степен на реализъм. Халюцинация (Hallucination) Терминът, използван от технологичната общност за случаите, в които AI моделите генерират фактологично невярна или напълно измислена информация. Това е един от основните проблеми пред безопасността и надеждността на генеративните системи. Инференция (Inference) Процесът на реално използване на вече обучен AI модел за правене на прогнози, генериране на отговори или извеждане на заключения на базата на нови данни. Големи езикови модели (LLM) Основната технология, зад която стоят популярните асистенти за генеративен AI като ChatGPT, Claude, Gemini, Llama и Copilot.