AI slovník: 55 pojmů jednoduše vysvětlených

Základy

Toto je referenční verze: 55 pojmů, nejdřív definice, pak podrobnosti. Pokud chcete jemnější úvod jen do slov, která budete potřebovat první týden, přečtěte si místo toho Vysvětlení AI pojmů a vraťte se sem, až vás sem nějaký pojem nasměruje.

Umělá inteligence

Umělá inteligence je software, který vykonává úkoly obvykle vyžadující lidský úsudek, jako je psaní, uvažování nebo rozpoznávání toho, co je na obrázku.

V běžném užití v roce 2026 pojem „AI“ téměř vždy znamená chatovací asistenty postavené na velkých jazykových modelech, spíše než širší akademický obor.

Strojové učení

Strojové učení je technika, jak naučit software pomocí příkladů místo naprogramování pravidel.

Každý moderní AI asistent je postaven tímto způsobem: chování vychází ze vzorců v trénovacích datech, a proto může být stejný model skvělý v běžných úlohách a nejistý v těch vzácných.

Model

Model je jeden konkrétní natrénovaný AI systém, artefakt, kterému skutečně posíláte prompt.

GPT, Claude a Gemini jsou rodiny modelů; rodina obsahuje jednotlivé modely s různou velikostí, rychlostí a cenou. Výběr mezi nimi podle úkolu je klíčová dovednost při dobrém používání AI.

LLM (velký jazykový model)

LLM, neboli velký jazykový model, je model natrénovaný na obrovském množství textu, aby předpověděl, jaký text by měl následovat.

Právě tento jediný trik, provedený ve velkém měřítku, produkuje odpovědi, návrhy textů, kód i shrnutí. Slovo „velký“ se vztahuje jak na trénovací data, tak na počet parametrů.

Chatbot

Chatbot je konverzační rozhraní obalující model, věc s okénkem na zprávy.

Tento rozdíl je důležitý při porovnávání produktů: dva chatboty mohou obalovat stejný model a přesto působit jinak, a jeden chatbot může nabízet mnoho modelů, což je způsob, jakým funguje Whizi.

Prompt

Prompt je vše, co modelu pošlete: otázka, instrukce a jakýkoli text nebo soubory, které přiložíte.

Kvalita odpovědi úzce souvisí s kvalitou promptu. Kontext, omezení a požadovaný formát výstupu jsou tři věci, které začátečníci nejčastěji opomíjejí.

Token

Token je malý úsek textu, který model skutečně čte a píše, zhruba tři čtvrtiny anglického slova v průměru.

Ceny, rychlost i velikost kontextového okna se měří v tokenech, a proto se toto slovo objevuje na každé stránce s cenami AI. Dokument o 1 000 slovech má zhruba 1 300 tokenů.

Kontextové okno

Kontextové okno je maximální množství textu, měřeno v tokenech, které model dokáže naráz zohlednit.

Sdílí ho váš prompt, dosavadní konverzace, přiložené dokumenty i samotná odpověď. Tabulka Porovnání kontextových oken uvádí aktuální hodnotu pro každý významný model a vysvětlení popisuje, proč to vysvětluje většinu stížností typu „AI zapomněla“.

Parametry

Parametry jsou vnitřní čísla, která se model naučil během trénování, a obvyklá míra jeho velikosti.

Počítají se v miliardách, přičemž víc parametrů zhruba znamená víc schopností a vyšší náklady. Samo o sobě je to špatné nákupní kritérium; benchmarky a vaše vlastní testy jsou lepší než počet parametrů.

Odpověď

Odpověď je výstup modelu pro jeden prompt, nazývaný také dokončení (completion).

Odpovědi se generují znovu pokaždé, a proto opětovné vygenerování stejného promptu dává jinou formulaci a někdy i jinou odpověď.

Komunikace s modelem

Systémový prompt

Systémový prompt je stálá instrukce, kterou model dostane před vaší zprávou, a která nastavuje jeho roli, tón a pravidla.

Každý produkt ho má, i když ho nevidíte. Když chatbot „má osobnost“, obvykle právě tam sídlí.

Prompt engineering

Prompt engineering je praxe cíleného psaní promptů za účelem spolehlivě lepších výstupů.

Navzdory velkolepému názvu jde většinou o obyčejnou srozumitelnost: uveďte cíl, dejte kontext, ukažte příklad, pojmenujte formát. Průvodce pro začátečníky popisuje techniky, které skutečně zlepšují výsledky.

Zero-shot

Zero-shot znamená požádat model o splnění úkolu bez jakýchkoli příkladů.

Moderní modely zvládají většinu běžných úkolů v režimu zero-shot. Pojem přežívá hlavně jako protiklad k few-shot promptování.

Few-shot

Few-shot znamená vložit do promptu několik vypracovaných příkladů, aby model okopíroval vzor.

Je to nejlevnější způsob, jak zvýšit spolehlivost u práce citlivé na formátování: dva nebo tři příklady vstupu a požadovaného výstupu překonají odstavec popisu.

Chain of thought (řetězec úvah)

Chain of thought znamená, že model prochází mezikroky, než uvede konečnou odpověď.

Požádat model, aby uvažoval krok za krokem, měřitelně zlepšuje výsledky u obtížných úloh, a reasoning modely dnes ve výchozím nastavení dělají svou verzi tohoto postupu interně.

Temperature (teplota)

Temperature je nastavení, které řídí, kolik náhodnosti model přidává při výběru každého dalšího tokenu.

Nízká teplota dává konzistentní, konzervativní výstup; vysoká teplota dává rozmanitost a občas nesmysly. Chatovací produkty za vás obvykle zvolí střední hodnotu.

Streaming

Streaming znamená, že model posílá odpověď token po tokenu tak, jak ji generuje, místo aby ji poslal celou najednou po dokončení.

Proto se odpovědi zdají „psát samy“ a proto lze špatnou odpověď zastavit hned na začátku místo čekání na konec.

Regenerovat

Regenerovat znamená požádat o novou odpověď na stejný prompt.

Protože generování je pravděpodobnostní, regenerace je opravdu nový pokus, ne opakování stejného výpočtu. Porovnání dvou pokusů, nebo stejného promptu na dvou modelech, je rychlá kontrola kvality.

Jak vznikají modely

Trénování

Trénování je proces upravování parametrů modelu podle dat, dokud jeho predikce nejsou dobré.

Děje se to dřív, než se s modelem vůbec setkáte, a stojí to poskytovatele obrovský výpočetní výkon. Nic, co do chatu napíšete, model v tu chvíli znovu netrénuje, i když poskytovatelé mohou konverzace použít pro trénování budoucích verzí, v závislosti na svých zásadách.

Trénovací data

Trénovací data jsou text a další materiál, ze kterého se model učil.

Jejich šíře vysvětluje, co model ví, jejich mezery vysvětlují systematická slepá místa a jejich časové rozmezí určuje hranici znalostí.

Předtrénování

Předtrénování je první, největší fáze trénování, kdy se model učí jazyk a znalosti o světě z velkého množství textu.

Výsledek je schopný, ale surový. Vše, díky čemu se model chová jako užitečný asistent, přichází až potom.

Fine-tuning

Fine-tuning je dodatečné trénování na užším souboru dat, které specializuje nebo formuje předtrénovaný model.

Poskytovatelé dělají fine-tuning kvůli užitečnosti a bezpečnosti; firmy ho dělají pro úlohy z konkrétní domény. Pro většinu uživatelů dobré promptování plus schopný obecný model překoná placení za fine-tuning.

RLHF

RLHF, posilované učení z lidské zpětné vazby, je trénování modelu podle lidského hodnocení jeho odpovědí.

Je to velká část důvodu, proč jsou moderní asistenti zdvořilí, strukturovaní a opatrní. Když se to přežene, vzniká z toho i vyhýbavost, kvůli které některé modely odmítají odpovědět nebo mluví kolem horké kaše.

Alignment (sladění)

Alignment je práce na tom, aby chování modelu odpovídalo lidským záměrům a hodnotám.

V praxi to zahrnuje vše od odmítání škodlivých požadavků až po prosté přesné plnění instrukcí. Když model udělá něco technicky působivého, ale nechtěného, jde o mezeru v alignmentu.

Inference

Inference je spuštění natrénovaného modelu za účelem vytvoření odpovědi, na rozdíl od jeho trénování.

Každá zpráva, kterou pošlete, spouští inferenci, a náklady na inferenci jsou to, co měří cena za token. Levné modely na provoz mohou být pozoruhodně schopné; AI Model Cost Index ukazuje 2000násobný cenový rozptyl.

Transformer

Transformer je architektura neuronové sítě, na které stojí prakticky každý moderní jazykový model.

Jeho klíčový mechanismus, pozornost (attention), umožňuje modelu poměřovat každou část vstupu vůči každé jiné části. Detaily nikdy nepotřebujete znát, ale toto slovo se v textech o AI objevuje všude.

Když se něco pokazí

Halucinace

Halucinace je situace, kdy model s naprostou jistotou tvrdí něco nepravdivého.

Není to chyba, kterou opraví příští vydání; vyplývá to ze samotného principu generování. Frekvence se hodně liší podle modelu a úkolu. Ke každému konkrétnímu faktu, číslu nebo citaci přistupujte jako k neověřenému, dokud ho nezkontrolujete. Proč se AI plete popisuje mechanismus.

Grounding (ukotvení)

Grounding znamená dát modelu autoritativní materiál, ze kterého má odpovídat, místo toho, aby se spoléhal na paměť.

Vložení smlouvy, přiložení zprávy nebo zapnutí vyhledávání na webu, to vše je grounding. Je to nejúčinnější každodenní obrana proti halucinacím.

Bias (zkreslení)

Bias je situace, kdy model systematicky zkresluje své výstupy způsobem zděděným z trénovacích dat.

Projevuje se jako předpoklady o lidech, místech a výchozích hodnotách. U důležitých rozhodnutí kontrolujte výstup AI stejně, jako byste kontrolovali práci chytrého, ale neprověřeného stážisty.

Guardrails (mantinely)

Guardrails jsou omezení, která poskytovatel kolem modelu vybuduje, aby zablokoval škodlivé nebo nevyhovující výstupy.

Různí poskytovatelé vedou hranice jinak, což je skutečný rozdíl mezi produkty: stejný požadavek jeden model zodpoví a druhý odmítne.

Jailbreak

Jailbreak je prompt vytvořený tak, aby model přelstil a přiměl ho ignorovat vlastní mantinely.

Poskytovatelé je průběžně opravují. Pro běžné uživatele je tento pojem důležitý hlavně jako bezpečnostní koncept: cokoli, k čemu lze model namluvit, se o to někdo pokusí.

Red teaming

Red teaming znamená záměrně útočit na model před vydáním, aby se odhalily škodlivé způsoby selhání.

Poskytovatelé provozují interní i externí red teamy a zveřejněné model cards často shrnují, co zjistili. Je to obdoba penetračního testování ve světě AI.

Knowledge cutoff (hranice znalostí)

Knowledge cutoff je datum, po kterém už trénovací data modelu nepokračují.

Zeptáte-li se na cokoli novějšího, model buď přizná neznalost, prohledá web, pokud to umí, nebo si to vymyslí. Znalost hranice znalostí modelu, který používáte, předchází celé kategorii chyb.

Vyhledávání a vaše data

RAG (generování rozšířené o vyhledávání)

RAG, retrieval augmented generation, znamená nejdřív načíst relevantní dokumenty a nechat model odpovídat na jejich základě.

Takto pod kapotou fungují produkty typu „chatujte se svou znalostní bází“ a proto dokážou citovat zdroje. RAG snižuje halucinace, ale přebírá kvalitu toho, co načte.

Embedding

Embedding je seznam čísel reprezentujících význam kusu textu.

Texty s podobným významem mají čísla blízko sebe, což softwaru umožňuje matematicky nacházet související pasáže. Embeddingy jsou mechanismus stojící za sémantickým vyhledáváním a RAG.

Vektorová databáze

Vektorová databáze je databáze postavená tak, aby ukládala embeddingy a rychle nacházela ty nejbližší.

Pokud produkt tvrdí, že „indexoval“ vaše dokumenty pro AI vyhledávání, jde o to, že embedding pro každý kus dokumentu sedí právě v jedné z nich.

Sémantické vyhledávání

Sémantické vyhledávání znamená hledat text podle významu, ne podle shody klíčových slov.

Hledání „finanční potíže“ může vynést na povrch pasáž o problémech s cash flow, přestože se neshoduje žádné slovo. Jde o embeddingy v akci.

Chunking (dělení na kusy)

Chunking znamená rozdělit dlouhé dokumenty na kusy dostatečně malé na to, aby se daly dobře zakódovat do embeddingu a dobře vyhledávat.

Zní to jako instalatérská práce a do jisté míry jí i je, ale špatný chunking je běžný důvod, proč nástroje pro chatování s dokumenty odpovídají ze špatné části souboru.

Vyhledávání na webu (v AI)

Vyhledávání na webu v AI znamená, že model před odpovědí načte aktuální stránky, místo aby se spoléhal na paměť z trénování.

Mění rychlost za aktuálnost a umožňuje, aby odpovědi nesly citace, které si můžete otevřít. U všeho po hranici znalostí modelu je to rozdíl mezi odpovědí a odhadem.

Znalostní báze

Znalostní báze je pečlivě sestavený soubor dokumentů, který firma dá své AI k dispozici pro odpovídání.

Co vložíte, to dostanete zpátky: asistent ukotvený na zastaralé wiki sebejistě podává zastaralé odpovědi, i s citacemi.

Tři pojmy z tohoto slovníku pojmenovávají konkurenční odpovědi na stejnou otázku, jak zlepšit model pro váš úkol, a jejich záměna je nejčastější terminologická chyba na produktových poradách. Vedle sebe:

Přístup	Co se mění	Náklady a rychlost	Kdy vyhrává
Lepší promptování (zero-shot, few-shot)	Jen text, který posíláte	Zdarma, zabere minuty	Skoro vždy první krok; dva nebo tři vypracované příklady vyřeší většinu problémů s formátováním
RAG	To, co model čte před odpovědí	Střední náročnost na vybudování, bez opětovného trénování	Odpovědi, které musí zůstat aktuální nebo citovat vaše vlastní dokumenty
Fine-tuning	Samotné parametry modelu	Pomalé a nákladné, pak fixní	Stabilní požadavky na styl a formát ve velkém měřítku, téměř nikdy pro jednotlivce

Za hranicemi textu

Multimodální

Multimodální znamená model, který funguje napříč více médii, například text plus obrázky, zvuk nebo video.

Proto můžete vyfotit chybovou hlášku a zeptat se, co je špatně. Průvodce multimodální AI popisuje, co dnes skutečně funguje.

Vizuální model

Vizuální model je model, který dokáže interpretovat obrázky: fotky, screenshoty, grafy a dokumenty.

Čtení není totéž co generování; model může váš diagram dokonale popsat, a přesto ho nedokáže sám nakreslit.

Generování obrázků

Generování obrázků znamená vytváření nových obrázků z textového popisu.

Kvalita, škála stylů a vykreslování textu uvnitř obrázků se mezi generátory výrazně liší, a proto je serioznější uživatelé porovnávají. Přehled generátorů obrázků je v tomto oboru aktuální.

Difuzní model

Difuzní model generuje obrázky tak, že začíná od šumu a postupně ho krok za krokem upravuje směrem k popisu.

Je to dominantní technika za moderními generátory obrázků. Slovo je důležité hlavně proto, že „diffusion“ v názvu produktu prozrazuje, co daný produkt dělá.

Převod řeči na text

Převod řeči na text znamená přepis mluveného zvuku do psaných slov.

Moderní přepis je natolik přesný, že díky němu lze prohledávat schůzky, hlasové poznámky i rozhovory, a takto funguje i hlasový vstup v chatovacích aplikacích.

Převod textu na řeč

Převod textu na řeč znamená generování mluveného zvuku z psaných slov.

Současné systémy produkují přirozené, výrazné hlasy, což pohání funkce předčítání textu i hlasové konverzace s AI.

Ekosystém

API

API je programové rozhraní, přes které vývojáři posílají prompty modelu přímo ze svého softwaru.

Ceny API se počítají za token, a odtud nakonec vychází ekonomika každé odpovědi u každého AI produktu.

Otevřené váhy (open weights)

Otevřené váhy znamenají, že natrénované parametry modelu jsou zveřejněné a kdokoli si je může stáhnout a spustit.

Umožňuje to hostovat model vlastními silami a dovoluje to jiným poskytovatelům nabízet model na vlastní infrastruktuře. DeepSeek a Llama jsou nejznámější příklady.

Open-source model

Open-source model je zhruba řečeno model uvolněný pro veřejné použití a úpravy, i když se licence hodně liší.

Praktické otázky jsou vždy stejné dvě: můžete ho použít komerčně a kdo vám ho hostuje. Ekosystém otevřených vah je nejdůležitější, když soukromí nebo náklady vylučují hostované vlajkové modely.

Benchmark

Benchmark je standardní test používaný k hodnocení a porovnávání modelů.

Užitečný pro první odhad, v marketingu běžně přeceňovaný. Model, který vede v benchmarku, může přesto prohrát na vaší skutečné práci, a proto vlastní srovnání na třech úlohách překoná čtení grafů.

Agent

Agent je AI systém, který podniká kroky směrem k cíli, místo aby jen jednou odpověděl.

Rezervace, research, programování a vyřizování ticketů, to vše je území agentů. Schopnosti jsou reálné a rychle se zlepšují, stejně jako potřeba zkontrolovat, co agent udělal, dřív než na tom bude záležet.

Použití nástrojů

Použití nástrojů, neboli volání funkcí, znamená, že model spouští vnější schopnosti jako vyhledávání, kalkulačku, kód nebo váš kalendář.

Takto chatovací asistenti jednají ve světě místo toho, aby ho jen popisovali, a je to mechanismus, na kterém stojí agenti.

Reasoning model (usuzující model)

Reasoning model je model, který věnuje navíc výpočetní výkon na to, aby si problém interně promyslel, než odpoví.

Cenou je čas a náklady výměnou za přesnost u těžkých problémů. U jednoduchých otázek toto navíc přemýšlení nic nepřinese, což je další argument pro přepínání modelů podle úkolu.

Latence

Latence je doba, kterou čekáte mezi odesláním promptu a příchodem nebo začátkem streamování odpovědi.

Liší se podle velikosti modelu, zátěže a toho, zda jde o reasoning model. Pro interaktivní práci často rychlý, dostatečně dobrý model překoná pomalý brilantní.

Rate limit (limit počtu požadavků)

Rate limit je strop, který poskytovatel nasadí na to, kolik požadavků nebo tokenů můžete využít v daném časovém okně.

Narazit na něj je obvyklý důvod, proč vám chatovací produkt řekne, ať počkáte nebo si předplatíte vyšší tarif. Limity zpráv v předplatných plánech jsou rate limity s příjemnějším marketingovým názvem.

Jak udržet slovník užitečný

Pojmy v tomto oboru rychle stárnou. Tato stránka se udržuje jako referenční materiál: hesla se přepisují, jakmile se posune úzus, a odkazované podrobné průvodce nesou detaily, které se do definice nevejdou.

Pokud narazíte na pojem, který tu chybí, nejrychlejší cesta je vložit větu, ve které jste ho našli, do schopného modelu a požádat o definici v kontextu. Ve Whizi se můžete zeptat dvou modelů najednou a všimnout si, kdy se neshodnou, což je u nového žargonu překvapivě časté.