Jak funguje umělá inteligence – vysvětlení principu AI, LLM a neuronových sítí

Když se dnes řekne umělá inteligence, většina lidí si vybaví ChatGPT, Google Gemini nebo generátory obrázků jako Midjourney. Málokdo ale ví, co se skutečně odehrává "pod kapotou" – jak stroj dokáže psát souvislé věty, rozpoznávat obličeje na fotkách nebo doporučovat filmy na Netflixu. Tento článek vysvětluje princip moderní umělé inteligence srozumitelně, bez nutnosti matematického vzdělání, a zaměřuje se především na velké jazykové modely (LLM), na kterých stojí ChatGPT, Gemini i Copilot.

Co je to umělá inteligence ve skutečnosti

Umělá inteligence (AI) není jedna technologie, ale souhrnný název pro programy, které se snaží napodobit lidské schopnosti – rozpoznávání vzorů, rozhodování, generování textu či obrazu. Dnešní AI systémy nejsou "chytré" v lidském slova smyslu – neřeší problémy přemýšlením, ale statistickým odhadem na základě obrovského množství dat, na kterých se učily.

Rozlišujeme zjednodušeně tři úrovně:

• Strojové učení (machine learning) – algoritmy se učí z dat samy, bez toho, aby programátor napsal přesná pravidla pro každou situaci.

• Hluboké učení (deep learning) – podmnožina strojového učení používající neuronové sítě s mnoha vrstvami, inspirované (velmi volně) fungováním lidského mozku.

• Velké jazykové modely (LLM) – speciální typ neuronové sítě (architektura transformer) natrénovaný na obrovském množství textu, na kterém stojí ChatGPT, Gemini, Claude i Copilot.

Jak fungují neuronové sítě

Neuronová síť je matematická struktura složená z vrstev "uzlů" (neuronů), které jsou propojené váhami. Když síti dáte vstup (třeba text nebo obrázek), data procházejí vrstvami, každá vrstva upravuje signál podle naučených vah, a na konci vznikne výstup – třeba pravděpodobnost, že na fotce je kočka, nebo další slovo ve větě.

Klíčové je slovo naučených – tyto váhy nikdo ručně nenaprogramoval. Vznikly tak, že síť viděla miliony příkladů a postupně upravovala váhy tak, aby se její odhady co nejvíc blížily správným odpovědím. Tomuto procesu se říká trénování a probíhá metodou zpětného šíření chyby (backpropagation) – síť porovná svůj odhad se skutečností, spočítá chybu a nepatrně upraví váhy směrem, který chybu zmenšuje. Tento krok se opakuje miliardy až biliony případů.

Co je transformer a proč změnil svět AI

V roce 2017 publikovali výzkumníci z Googlu článek "Attention Is All You Need", který představil architekturu transformer. Jejím klíčovým prvkem je mechanismus self-attention (sebepozornost) – model se při zpracování každého slova "dívá" na všechna ostatní slova ve vstupu a určuje, která jsou pro aktuální kontext nejdůležitější. Díky tomu model chápe, že ve větě "Banka byla zavřená, tak jsme šli na procházku podél řeky, kde byla krásná banka ze dřeva" znamenají dvě slova "banka" něco úplně jiného – podle okolního kontextu.

Transformer je základem všech dnešních velkých jazykových modelů – GPT (ChatGPT), Gemini, Claude i open-source modelů jako Llama.

Jak se ChatGPT a podobné modely učí psát text

Trénování velkého jazykového modelu probíhá typicky ve dvou fázích:

1. Předtrénování (pre-training) – model se "krmí" enormním množstvím textu z internetu, knih a dalších zdrojů (u největších modelů jde o biliony slov) a učí se jednoduchý úkol: predikovat další slovo ve větě. Zní to triviálně, ale aby model uhodl další slovo správně, musí se "naučit" gramatiku, fakta o světě, logické vazby i styl psaní.

2. Dolaďování (fine-tuning) a RLHF – po předtrénování je model schopný generovat text, ale neumí se "chovat" jako asistent. Proto ho firmy dolaďují na konverzacích a používají metodu RLHF (Reinforcement Learning from Human Feedback) – lidští hodnotitelé porovnávají různé odpovědi modelu a označují, která je lepší. Model se pak učí odpovídat tak, aby se líbil lidem – byl užitečný, zdvořilý a bezpečný.

Proč AI "nerozumí" textu tak, jak si lidé myslí

Je důležité pochopit, že jazykový model nemá žádné vnitřní "vědomí" ani skutečné pochopení významu slov v lidském smyslu. Pracuje s tokeny – kousky slov převedenými na čísla (vektory) v mnohorozměrném prostoru, kde podobný význam odpovídá podobné matematické poloze. Model "ví", že slova "král" a "královna" jsou si podobná, protože se v trénovacích datech vyskytovala v podobných kontextech – ne proto, že by chápal pojem monarchie tak, jak ho chápe člověk.

Tím se vysvětluje i to, proč AI dokáže psát brilantní text o tématu, o kterém "nic neví" ve skutečném smyslu – jen extrémně dobře odhaduje, jaké slovo pravděpodobně následuje po předchozích, na základě statistických vzorů z tréninkových dat.

Jak funguje generování obrázků (Midjourney, DALL-E)

Generátory obrázků jako Midjourney nebo DALL-E používají jiný princip – nejčastěji difuzní modely (diffusion models). Zjednodušeně: model se trénuje na dvojicích (obrázek + popisek) tak, že se nejprve naučí postupně "ničit" obrázek šumem a pak tento proces obrátit – odhadovat, jak by měl vypadat čistý obrázek, který odpovídá danému textovému popisu, a krok za krokem šum odstraňovat. Při generování model začíná z čistého šumu a postupně ho "zušlechťuje" do podoby, která odpovídá zadanému promptu.

Odpovědi na otázky, které lidé na Googlu nejčastěji hledají

Je umělá inteligence skutečně "inteligentní"?

Ne v lidském smyslu. AI nemá vědomí, úmysly ani skutečné chápání – je to extrémně sofistikovaný statistický nástroj na rozpoznávání a reprodukci vzorů z dat. Termín "inteligence" je zde spíš marketingová zkratka než přesný popis.

Kolik dat potřebuje AI k trénování?

U největších jazykových modelů jde o řádově biliony slov (tokeny) textu – ekvivalent milionů knih. Proto jsou k trénování potřeba obrovské výpočetní clustery s tisíci grafických karet běžícími týdny až měsíce.

Proč AI dělá chyby, když je tak "chytrá"?

Protože generuje text na základě pravděpodobnosti, ne na základě skutečného ověřování faktů. Pokud trénovací data obsahovala chybu, nebo pokud model "odhadne" nesprávně pravděpodobné pokračování věty, vznikne chyba – tomuto jevu se říká halucinace AI (podrobně v samostatném článku).

Umí se AI učit sama bez lidí?

Částečně. Základní předtrénování je z velké části bez lidského dohledu (model se učí sám z textu), ale fáze dolaďování chování (RLHF) vyžaduje lidské hodnotitele. Zcela samostatně se učící systémy bez jakéhokoli lidského zásahu jsou u komerčních modelů spíše výjimkou.

Jaký je rozdíl mezi AI, machine learning a deep learning?

AI je nejširší pojem (cokoliv, co napodobuje lidské schopnosti), machine learning je podmnožina AI (algoritmy učící se z dat) a deep learning je podmnožina machine learning používající vrstvené neuronové sítě. Velké jazykové modely jsou pak specifický typ deep learning modelu.

Potřebuje AI internetové připojení, aby fungovala?

Většina populárních nástrojů (ChatGPT, Gemini, Copilot) běží na serverech poskytovatele, takže ano, potřebují připojení. Existují ale i menší modely, které lze spustit lokálně na vlastním počítači bez internetu – obvykle s nižším výkonem než cloudové verze.

Může AI nahradit programátory nebo spisovatele?

AI dnes dokáže výrazně zrychlit a usnadnit psaní kódu i textu, ale u složitějších úloh obvykle vyžaduje lidský dohled, opravy a kontrolu kontextu. Spíše se mění charakter práce (méně rutinního psaní, víc kontroly a zadávání) než že by obory zcela zanikaly.

Multimodální AI – když model zvládá text, obraz i zvuk zároveň

Starší modely byly obvykle specializované – jeden model uměl jen text, jiný jen rozpoznávat obrázky. Dnešní multimodální modely (například GPT-4o, Gemini 2.0, Claude) zpracovávají v jednom systému text, obrázky, zvuk i video. Princip je podobný jako u textu – i obrázek nebo zvuková nahrávka se převede na číselnou reprezentaci (vektory) v podobném "významovém prostoru" jako text, takže model může propojit slovo "pes" s fotkou psa i se zvukem štěkání. Díky tomu dnes můžete AI ukázat fotku rozbité pračky a textem se zeptat, co je špatně, nebo nahrát hlasovou zprávu a dostat textovou odpověď.

Jak se AI modely porovnávají – benchmarky a jejich limity

Firmy jako OpenAI, Google nebo Anthropic prezentují nové modely s odkazem na benchmarky – standardizované testy, které měří konkrétní schopnosti:

• MMLU (Massive Multitask Language Understanding) – soubor otázek z desítek oborů (právo, medicína, matematika), testuje obecné znalosti.

• HumanEval / SWE-bench – testují schopnost modelu psát a opravovat funkční programový kód.

• GPQA – náročné otázky na úrovni doktorandů z přírodních věd, odolné vůči prostému vyhledávání na internetu.

Je ale důležité benchmarkům nevěřit automaticky jako jedinému ukazateli kvality. Modely se mohou na konkrétní testy nechtěně (nebo záměrně) "přetrénovat", pokud se podobné otázky objevily v trénovacích datech - fenomén označovaný jako kontaminace dat (data contamination). Proto je rozumnější brát benchmarky jako orientační vodítko a ověřovat si chování modelu na vlastních reálných úlohách, ne jen podle marketingových tabulek v tiskové zprávě.

Kontextové okno – proč AI "zapomíná", o čem jste psali dřív

Každý jazykový model má omezenou velikost kontextového okna – maximální množství textu (měřeno v tokenech, zhruba ¾ slova na token), které si model "pamatuje" během jedné konverzace. Starší modely zvládaly jen několik tisíc tokenů, dnešní špičkové modely už stovky tisíc až přes milion tokenů (řádově stovky stran textu). Jakmile konverzace přesáhne limit, nejstarší část se z "paměti" modelu vytrácí - proto se může stát, že AI po delší konverzaci "zapomene" instrukci zadanou na začátku. Technicky to není skutečná paměť v lidském smyslu, ale okno dat, které model v danou chvíli zpracovává najednou.

Proč je trénování AI tak nákladné a energeticky náročné

Trénování velkého modelu vyžaduje tisíce specializovaných grafických čipů (GPU/TPU) běžících souvisle týdny až měsíce. Odhady nákladů na trénování nejvýkonnějších modelů se podle různých odhadů pohybují v řádu desítek až stovek milionů dolarů, přičemž spotřeba elektrické energie datových center pro AI roste meziročně výrazným tempem - podle Mezinárodní agentury pro energii (IEA) by spotřeba datových center mohla do konce desetiletí výrazně vzrůst v souvislosti s rozmachem AI. To je i důvod, proč velké firmy investují do vlastních jaderných a obnovitelných zdrojů energie pro napájení datových center.

Shrnutí

Umělá inteligence dnešní generace stojí na statistickém učení z velkého množství dat, ne na skutečném "myšlení". Velké jazykové modely jako ChatGPT se naučily predikovat další slovo v textu po zpracování bilionů slov a následném dolaďování pomocí lidské zpětné vazby. Generátory obrázků naopak pracují na principu postupného odstraňování šumu z náhodného obrazu. Pochopení tohoto principu pomáhá chápat i limity AI – proč halucinuje, proč potřebuje přesné zadání (prompt) a proč není vhodné jí bezhlavě věřit bez ověření.

Nejčastější dotazy (FAQ)

Je umělá inteligence to samé jako robot?

Ne. Robot je fyzické zařízení, AI je software/algoritmus. Robot může, ale nemusí obsahovat AI - a AI může existovat čistě softwarově bez jakéhokoli fyzického těla (jako ChatGPT).

Kdo vynalezl umělou inteligenci?

Pojem poprvé použil John McCarthy v roce 1955-1956 na konferenci v Dartmouthu, ale principy strojového učení a neuronových sítí se vyvíjely desítky let, se zásadním zlomem v roce 2017 (architektura transformer) a následným boomem po roce 2022 (ChatGPT).

Proč je teď AI tak populární, když existuje desítky let?

Kombinace tří faktorů: dostupnost enormního množství digitálních dat z internetu, levnější a výkonnější výpočetní hardware (GPU) a objev architektury transformer, která umožnila efektivně trénovat mnohem větší modely než dřív.

Můžu si AI model natrénovat sám doma?

Malé modely ano, ale trénování velkého jazykového modelu srovnatelného s ChatGPT vyžaduje investice v řádu milionů až desítek milionů dolarů do výpočetního výkonu - pro běžného uživatele nedosažitelné. Místo trénování vlastního modelu od nuly je běžnější "fine-tuning" existujícího otevřeného modelu na konkrétní úkol.

Je AI vědomá nebo má pocity?

Podle současného vědeckého konsenzu ne. AI generuje text, který může znít empaticky nebo osobně, protože se naučila z lidsky psaných textů, ale nemá vnitřní prožívání ani vědomí v biologickém/filozofickém smyslu.