Když se řekne umělá inteligence, většina lidí si dnes představí chatbot. Napíšeme otázku, dostaneme odpověď a máme pocit, že jsme se dotkli celé technologie. Ve skutečnosti jsme se dotkli jen jedné její části – jazykového rozhraní, které může být napojené na velmi odlišné modely, data, nástroje a pravomoci.
Typy umělé inteligence proto nejdou seřadit do jedné čisté tabulky od nejhloupější po nejchytřejší. AI se dá dělit podle toho, co umí, jak se učí, jaký výstup vytváří, jaké vstupy zpracuje i nakolik smí jednat sama. Tyto kategorie se překrývají. Jeden systém může být současně generativní, multimodální, založený na hlubokém učení a vybavený funkcí agenta.
Nejprve je potřeba oddělit tři věci: model, systém a produkt. Model je výpočetní mechanismus, který zpracovává vstupy. Systém k němu přidává data, pravidla, paměť, nástroje a kontrolní mechanismy. Produkt je rozhraní, které používá člověk. Chatbot tedy není synonymum pro AI – je to způsob, jak se k určitému AI systému dostat.
Co vlastně znamená umělá inteligence?
Ani odborníci nepoužívají pojem AI vždy stejně. Podle definice OECD je AI systém strojový systém, který z přijatých vstupů odvozuje, jak vytvářet předpovědi, obsah, doporučení nebo rozhodnutí. Tyto výstupy mohou ovlivňovat fyzické nebo virtuální prostředí a systém může mít různou míru autonomie i schopnosti přizpůsobit se po nasazení.
To je praktičtější definice než představa stroje, který musí myslet jako člověk. AI nemusí mít vědomí, osobnost ani obecné porozumění světu. Může velmi dobře rozpoznávat nádor na snímku, předpovídat poruchu turbíny nebo řadit e-maily a přitom neumět odpovědět na jednoduchou otázku mimo svůj obor.
Právě proto je slovo inteligence trochu zrádné. V běžné řeči znamená širokou schopnost orientovat se v různých situacích. U technického systému často znamená jen to, že umí z dat odvodit výstup, který bychom dříve připravovali ručně pomocí pravidel nebo statistického výpočtu.
Dělení podle schopností: úzká, obecná a superinteligence
Nejznámější dělení rozlišuje úzkou AI, obecnou AI a superinteligenci. Je přehledné, ale je potřeba vědět, že první kategorie popisuje skutečnou technologii, zatímco další dvě jsou především pojmy pro výzkum a veřejnou debatu.
Úzká AI, někdy označovaná jako ANI, je systém určený pro konkrétní úlohu nebo omezený okruh úloh. Může být velmi přesný a v dané oblasti překonat člověka. Model pro rozpoznání obrazu, doporučovací systém, překladač, detektor podvodu nebo jazykový model jsou stále úzké systémy, i když působí univerzálněji než starší software.
Velký jazykový model umí odpovídat na otázky, shrnovat, překládat, psát kód a pracovat s obrázky. To vypadá jako široká inteligence, ale rozsah použití ještě neznamená obecné porozumění. Model stále vytváří výstupy podle naučených vzorců a konkrétního kontextu. Neví automaticky, co je pro člověka důležité, co se změnilo ve světě ani jaký následek bude mít jeho rada.
Obecná umělá inteligence, tedy AGI, označuje hypotetický systém, který by zvládal široké spektrum intelektuálních úloh s přenositelností podobnou člověku. Měl by se umět učit nové věci, přenášet zkušenosti mezi obory a rozumně pracovat i v situacích, pro které nebyl přímo připraven.
Problém je, že neexistuje jedna všeobecně přijatá zkouška AGI. Někdo za ni považuje schopnost zvládnout většinu lidské práce, jiný požaduje dlouhodobé plánování, samostatné učení, práci ve fyzickém světě nebo stabilní porozumění příčinám a následkům. Když firma prohlásí, že se přiblížila k AGI, je proto důležité ptát se, podle jaké definice a testu.
Superinteligence je ještě vzdálenější pojem. Označuje systém, který by v téměř všech důležitých intelektuálních oblastech výrazně překonal nejlepší lidské odborníky. Nejde o běžný produkt ani o popis dnešního chatbotu. Je to scénář, o kterém se diskutuje kvůli dlouhodobým bezpečnostním, ekonomickým a politickým dopadům.
Z tohoto dělení plyne jednoduchý závěr: dnešní systém může být mimořádně schopný v konkrétní kombinaci úloh, aniž by byl obecnou inteligencí. Vysoké skóre v matematice, programování nebo práci s textem samo o sobě neříká, že model rozumí celému světu.
Dělení podle způsobu učení
Druhá skupina kategorií popisuje, jak se model učí ze svých dat. Tady se často používají pojmy supervised learning, unsupervised learning, self-supervised learning a reinforcement learning. Nejde o čtyři konkurenční druhy AI, které by se navzájem vylučovaly. Jeden moderní systém může využít několik z nich v různých fázích vývoje.
Učení s učitelem pracuje s příklady, u nichž známe správný výsledek. Model dostane například snímky označené jako nemocné a zdravé, e-maily označené jako spam nebo historické údaje o cenách. Upravuje své parametry tak, aby se jeho předpovědi co nejvíce přiblížily známým odpovědím.
Výhodou je jasné měření úspěšnosti. Nevýhodou je cena a kvalita označených dat. Pokud jsou data neúplná, zaujatá nebo označená různými lidmi podle různých pravidel, model se naučí právě tento problém. Přesný výpočet na špatně připravených datech není známka dobrého rozhodování.
Učení bez učitele hledá struktury v datech, aniž by každý příklad měl předem danou správnou odpověď. Systém může seskupovat podobné zákazníky, hledat neobvyklé chování nebo zjednodušit velké množství proměnných. Člověk pak musí rozhodnout, zda nalezené skupiny skutečně něco znamenají, nebo jde jen o statistický artefakt.
Samořízené neboli self-supervised learning vytváří učební úlohu přímo z dat. Jazykový model může dostat část věty a učit se předpovědět chybějící token. U obrázků lze zakrýt část obrazu a nechat model odhadovat, co v ní je. Tím se dá využít velké množství neznačkovaných textů, obrázků nebo zvuku.
Právě tento přístup stojí za velkou částí moderních základních modelů. Model se nejdřív učí obecné pravidelnosti z rozsáhlých dat a teprve potom se upravuje pro konkrétní úlohy. Neznamená to, že se učí jako člověk. Znamená to, že se z dat automaticky vytvářejí tréninkové signály, které by člověk nemusel ručně připravovat.
Posilované učení staví na odměnách a trestech. Systém zkouší akce v prostředí a podle výsledku upravuje své chování. Používá se například v řízení robotů, hrách, optimalizaci provozu nebo při dolaďování jazykových modelů podle lidské zpětné vazby.
Slovo odměna ale neznamená morální úsudek. Je to číslo nebo jiný signál, který říká, zda se systém podle zadaného cíle přiblížil k žádoucímu výsledku. Když je cíl špatně navržený, může se AI naučit obcházet smysl úkolu a optimalizovat jen to, co se měří.
Dělení podle toho, co AI dělá
Z praktického hlediska je často užitečnější ptát se na funkci systému než na jeho marketingové označení. Rozlišit můžeme například prediktivní, klasifikační, doporučovací, generativní a rozhodovací systémy. Ani tady nejde o uzavřené šuplíky.
Prediktivní AI odhaduje budoucí nebo neznámou hodnotu. Může předpovídat poptávku, spotřebu energie, riziko poruchy nebo pravděpodobnost, že zákazník odejde. Výstupem bývá číslo, pořadí nebo skóre, ne dlouhý text.
Klasifikační AI přiřazuje vstup do jedné nebo více tříd. Rozpozná, zda je transakce podezřelá, jestli zpráva obsahuje určitý typ obsahu nebo zda je na snímku konkrétní objekt. Hranice mezi klasifikací a predikcí není vždy ostrá – záleží na tom, co systém přesně odhaduje a jak výsledek používáme.
Doporučovací systémy vybírají, co uživatel pravděpodobně ocení nebo co by měl vidět jako další. Stojí za pořadím videí, hudby, produktů, zpráv i reklam. Nejde jen o pohodlí. Doporučovací systém zároveň rozhoduje, co se k člověku vůbec dostane a co zůstane skryté.
Generativní AI vytváří nový obsah podle vstupu a naučených vzorců. Může generovat text, obraz, zvuk, video, programový kód nebo kombinaci těchto výstupů. Generativní neznamená automaticky kreativní, pravdivé ani originální. Model může vytvořit přesvědčivou odpověď, která je fakticky chybná, nebo obrázek, který vypadá nově, ale vychází ze silně naučených vzorců.
Rozhodovací a řídicí systémy používají odhad k výběru akce. Mohou řídit semafory, nastavovat průmyslový proces, přidělovat prioritu požadavkům nebo doporučit zásah do zařízení. U těchto systémů je důležitější než samotná přesnost také možnost zásah zastavit, vrátit a zpětně vysvětlit.
Proč generativní AI není totéž co jazykový model
Pojmy generativní AI a velký jazykový model se často používají jako synonyma, ale nejsou jimi. Generativní AI je širší kategorie podle toho, že systém vytváří nový výstup. Jazykový model je model pracující především s jazykem a pravděpodobnostmi tokenů. Může být generativní, ale jazykové modely lze používat také pro klasifikaci, vyhledávání nebo hodnocení textu.
Stejně tak generativní AI nemusí být textová. Model pro tvorbu obrázků, syntézu hlasu nebo generování videa patří do stejné velké rodiny, ale používá jiné reprezentace, data i technické postupy. Multimodální systém pak kombinuje více typů vstupů a výstupů – například text, obraz, zvuk a video.
Když tedy někdo řekne, že používá AI, stále nevíme, jestli systém třídí dokumenty, předpovídá poruchy, generuje text, ovládá robota nebo jen hledá podobné obrázky. Slovo AI popisuje oblast, ne konkrétní vlastnost produktu.
Symbolická AI, strojové učení a hluboké sítě
AI se dá dělit také podle technického přístupu. Symbolická AI používá explicitní pravidla, logiku, znalostní grafy a reprezentace, se kterými se dá pracovat jako s pojmy. Klasický expertní systém může například rozhodovat podle pravidel „pokud platí A a B, navrhni C“. Takové systémy se dobře kontrolují v uzavřené oblasti, ale hůře se přizpůsobují nečekanému světu.
Strojové učení místo ručního sepisování všech pravidel odvozuje vzorce z dat. Může používat rozhodovací stromy, lineární modely, shlukování nebo jiné statistické postupy. Strojové učení proto není synonymum pro neuronovou síť – neuronové sítě jsou jen jedna jeho důležitá skupina.
Hluboké učení používá vícevrstvé neuronové sítě, které se samy učí užitečné reprezentace dat. Konvoluční sítě se výrazně prosadily u obrazu, rekurentní architektury u sekvencí a transformery u jazyka i dalších typů dat. Moderní modely často kombinují několik architektur nebo je obalují dalšími vrstvami systému.
Dnes se často mluví o základních neboli foundation modelech. Jde o velké předtrénované modely, které lze upravit nebo využít pro mnoho různých úloh. Nejsou samy o sobě celým produktem. Produkt k nim může přidat systémovou instrukci, vyhledávání v dokumentech, vlastní databázi, bezpečnostní filtry, paměť a nástroje.
RAG, tedy vyhledání relevantních dokumentů před vytvořením odpovědi, není nový druh inteligence. Je to způsob, jak modelu dodat aktuální nebo firemní kontext. Když chatbot odpovídá z interní znalostní báze, často neví více proto, že se sám naučil nové fakty. Dostává je z externího zdroje v průběhu dotazu.
Od asistenta k agentovi: rozhoduje míra autonomie
Nejrychleji se dnes mění hranice mezi chatbotem, asistentem a agentem. Chatbot obvykle reaguje na zprávu v konverzaci. Asistent nebo kopilot může pracovat s kontextem uživatele, navrhovat další krok a pomáhat uvnitř konkrétní aplikace. Stále ale většinou čeká, až člověk úkol zadá a výsledek schválí.
Workflow je předem navržená posloupnost kroků, do které může být zapojený jazykový model. Program určí, co se stane po jednotlivých výstupech. Agent dostane cíl a za běhu si může vybírat další kroky, používat nástroje, kontrolovat mezivýsledky a opakovat práci, dokud nedosáhne cíle nebo nenarazí na limit.
Toto rozlišení používá například Anthropic ve svém popisu workflow a agentů. Praktický rozdíl není v tom, zda systém působí chytře v chatu. Je v tom, kdo řídí posloupnost akcí – pevně napsaný program, nebo model, který si ji do určité míry sestavuje sám.
Agent proto není jen chatbot s hezčím názvem. Může číst soubory, volat API, pracovat s prohlížečem, upravovat kód, posílat zprávy nebo provádět nákupy. S každým novým nástrojem roste nejen užitečnost, ale také prostor pro chybu. U agenta je proto potřeba sledovat oprávnění, auditní stopu, limity nákladů a možnost lidského potvrzení.
Příkladem je osobní agent Muse od Mety, který podle popisu nemá pouze odpovídat, ale také otevírat web, vyplňovat formuláře, nakupovat nebo plánovat cestu. To je jiný typ produktu než jazykový chatbot bez přístupu k externím službám, i kdyby oba používaly podobný základní model.
Ne každý systém, který vykoná několik kroků, je autonomní agent. Automatizace může mít všechny kroky pevně napsané dopředu. Naopak agent může pracovat s velmi omezenou sadou nástrojů a stále si sám vybírat pořadí akcí. Proto je lepší popsat konkrétní pravomoci než se přít o nálepku.
Fyzická a vtělená AI
Další kategorií je vtělená neboli embodied AI. Takový systém nevydává pouze digitální výstup, ale vnímá fyzické prostředí prostřednictvím kamer, mikrofonů, lidarů nebo dalších senzorů a nějak v něm jedná. Patří sem autonomní vozidla, roboty ve skladech, průmyslové stroje i některé zdravotnické systémy.
Tady se ukazuje, proč nestačí měřit jen kvalitu odpovědi. Robot může správně rozpoznat objekt, ale špatně odhadnout vzdálenost. Autonomní vozidlo může dobře reagovat v běžném provozu a selhat v neobvyklé kombinaci počasí, značení a chování lidí. Fyzický svět neposkytuje systému tlačítko pro obnovení stránky.
Do této oblasti patří také AI ve zdravotnictví. V článku o AI v medicíně jsme popisovali rozdíl mezi chirurgickým robotem jako přesným nástrojem a systémem, který začíná analyzovat obraz, upozorňovat na rizika nebo pomáhat s dalším postupem. Robotická ruka sama o sobě není AI a AI sama o sobě není autonomní chirurg.
Když se spojí více kategorií
Nejlepší způsob, jak rozumět dnešním systémům, je popsat je několika větami najednou. Moderní textový agent může být například úzký AI systém podle schopností, založený na self-supervised learning, postavený na foundation modelu, generativní podle výstupu a částečně autonomní podle způsobu práce.
Multimodální agent pro práci s počítačem může být úzký, ale přitom zvládat text, obraz a klikání v grafickém rozhraní. Robot ve skladu může používat hluboké učení pro vidění, posilované učení pro pohyb a symbolická pravidla pro bezpečnostní zóny. Model pro detekci podvodu může být prediktivní, klasifikační a současně součástí většího rozhodovacího systému.
Tato kombinace není slovíčkaření. Určuje, jak systém testovat a kde hledat jeho limity. U generátoru textu řešíme halucinace a úniky citlivých údajů. U prediktivního skóre řešíme kvalitu dat a rozdíly mezi skupinami. U agenta řešíme oprávnění a možnost nekontrolovaných akcí. U robota řešíme senzory, fyzické prostředí a bezpečný návrat do známého stavu.
Jak poznat, co vlastně používáme
Když firma řekne, že do svého produktu přidala AI, nestačí se ptát, jaký model používá. Užitečnější je položit několik konkrétních otázek:
- Jaký je vstup systému – text, obraz, zvuk, senzorická data nebo kombinace?
- Jaký výstup vytváří – skóre, klasifikaci, doporučení, nový obsah nebo akci v externím systému?
- Učí se model z našich dat, nebo pouze vyhledává informace v připojeném zdroji?
- Rozhoduje o pořadí kroků model, nebo je postup předem napsaný v programu?
- Může systém něco skutečně změnit, odeslat, koupit nebo smazat?
- Kdo kontroluje výsledek a lze chybnou akci vrátit?
Odpovědi vytvoří mnohem přesnější obrázek než označení „AI-powered“. Produkt, který pouze shrne dokument, má jinou míru rizika než agent, který podle stejného shrnutí odešle peníze. Oba mohou uvnitř používat jazykový model, ale z pohledu uživatele jde o dvě odlišné technologie.
Benchmark neříká, co systém zvládne ve světě
Další častý omyl vzniká při záměně skóre s obecnou schopností. Benchmark měří konkrétní úlohu za konkrétních podmínek. Model může získat skvělý výsledek v matematice a zároveň dělat nesmyslné chyby při práci s běžným obrázkem, časem nebo neúplným zadáním.
AI Index 2026 tento rozpor ukazuje na více příkladech. Schopnosti modelů rostou, ale nerostou rovnoměrně. Proto má smysl oddělovat výsledek testu od tvrzení, že systém obecně rozumí problému nebo bezpečně převezme celou pracovní činnost.
U reálného nasazení je potřeba měřit také cenu chyby, odolnost na neobvyklé vstupy, chování po aktualizaci a kvalitu lidské kontroly. Model, který má v testu přesnost 98 procent, může být nepřijatelný v situaci, kde dvě procenta chyb znamenají nespravedlivé odmítnutí služby nebo zásah do zdraví člověka.
NIST proto ve svém AI Risk Management Framework nestaví řízení rizik na jediné známce. Doporučuje pracovat s kontextem, měřit vlastnosti systému, řídit rizika a průběžně ověřovat, zda se podmínky nezměnily. I dobře klasifikovaný typ AI tedy potřebuje vlastní způsob kontroly.
Chatbot není celá AI
Chatbot je pro veřejnost nejviditelnější forma AI, protože s ním lze mluvit přirozeným jazykem. To ale neznamená, že je nejdůležitější nebo nejpokročilejší. Ve firmě může být mnohem podstatnější systém, který nikdo nevidí: model odhalující podvody, řídící logistiku, doporučující léčbu nebo rozhodující, kterému požadavku se bude někdo věnovat jako prvnímu.
Stejně zavádějící je tvrdit, že každý agent je autonomní pracovník. Agent může mít velmi úzký cíl, omezené nástroje a povinnost žádat člověka o schválení. Na druhé straně může i zdánlivě nevinný asistent dostat tolik oprávnění, že se z něj stane systém schopný měnit data a služby.
Přesnější otázka proto nezní „Jak chytrá je tahle AI?“. Zní: „Jakou úlohu řeší, z jakých dat vychází, co může udělat a co se stane, když se splete?“ To je rozdíl mezi technologickým dojmem a popisem skutečného systému.
Nejčastější typy AI se tedy nepohybují po jedné přímce. Úzký model může být v konkrétním oboru lepší než člověk. Generativní model nemusí být agent. Agent nemusí být obecná inteligence. Robot nemusí být autonomní. A chatbot může být jen přední částí systému, jehož nejdůležitější práce probíhá někde v databázi, klasifikátoru nebo nástroji připojeném na pozadí.
Když si tyto rozdíly udržíme, bude se o umělé inteligenci mluvit přesněji. Přestaneme zaměňovat plynulý text za porozumění, generování za pravdu a automatizaci za samostatné rozhodování. A hlavně budeme lépe vědět, co konkrétně testovat, než systém pustíme k penězům, datům, zdraví nebo lidem.
