A mesterséges intelligencia gyors fejlődése nemcsak új képességeket hoz, hanem folyamatosan alakítja a szakmai nyelvet is. A termek, rövidítések és technikai fogalmak — mint az LLM, RAG vagy RLHF — naponta felbukkannak termékmegbeszéléseken, befektetői pitch-eken és szakmai paneleken. Ez a cikk egy élő, rendszeresen frissített szószedet: rövid, közérthető magyarázatokat ad a leggyakrabban használt fogalmakra, hogy fejlesztők, vállalatok, kutatók és érdeklődők könnyebben eligazodjanak.
Alapfogalmak és szervezeti definíciók
- AGI (artificial general intelligence): általános értelemben olyan MI-t jelöl, amely sokféle feladatban legalább átlagos emberi szintnél jobb. OpenAI vezérigazgatója, Sam Altman egy alkalommal az AGI-t „a középszerű emberhez hasonló munkatársként” jellemezte, míg az OpenAI alapszabálya AGI-t úgy határozza meg, mint „nagyon autonóm rendszereket, amelyek az embernél jobb teljesítményt nyújtanak a gazdaságilag értékes munkák többségében”. Google DeepMind ennél kissé eltérően fogalmaz: náluk az AGI legalább emberi képességű a kognitív feladatok többségében.
Rendszerek és működésük
- AI agent: olyan autonóm eszközök vagy programok, amelyek több lépéses feladatokat végeznek el felhasználói helyett (például költségelszámolás, jegyfoglalás, kódírás és karbantartás). Az „agent” jelentése projekttől függően változhat; az infrastruktúra még fejlődik, hogy ezek az elképzelt képességek teljesen működőképesek legyenek.
- API endpoints: szoftverek „hátsó gombjai”, amelyeken keresztül más programok vezérelhetnek egy alkalmazást. Az AI-agentek egyre jobban képesek ezeket megtalálni és használni automatikusan, ami hatékony, de néha váratlan automatizálási lehetőségeket is hoz.
Nyelvi modellek és kapcsolódó fogalmak
- Large language model (LLM): mély neurális hálózatok, amelyek milliárdnyi paramétert tartalmaznak és a nyelvstatikát tanulják milliónyi szövegből. Népszerű példák: ChatGPT, Claude, Google Gemini, Meta Llama, Microsoft Copilot és Mistral Le Chat.
- Token és tokenization: a modellek által feldolgozott legkisebb egységek; a tokenek határozzák meg gyakran a költségeket is, mert sok vállalat tokenalapú díjszabást alkalmaz.
- Token throughput: azt méri, hogy egy rendszer mennyi tokent tud feldolgozni egy adott idő alatt; ez alapvető az infrastruktúra skálázhatósága és a felhasználói válaszidő szempontjából.
- Chain of thought: az a módszer, amikor egy feladatot köztes lépésekre bontanak, hogy javítsák a modellek választételét—különösen logikai vagy kódolási problémáknál.
- Neural network, deep learning: a háttéralgoritmusok és architektúrák, amelyek lehetővé teszik a mély tanuló modellek komplex mintázatfelismerését. A deep learning sok adatot és hosszabb tréninget igényel.
Képességfejlesztés és tréning
- Training és inference: a tréning az a folyamat, amikor a modellt adatokkal tanítják, az inference pedig a betanult modell futtatása és jóslatok készítése. Inference csak tréning után lehetséges.
- Fine-tuning és transfer learning: meglévő nagy modell további, célzott adatokkal történő továbbképzése egy specifikus feladathoz; a transfer learning a korábbi tanulás újrahasznosítását jelenti.
- Distillation: egy nagy „tanár” modell válaszainak rögzítése és ezekkel egy kisebb „diák” modell betanítása, hogy hatékonyabb, gyorsabb modelleket kapjunk (például GPT-4 Turbo-szerű megoldások esetén).
- Reinforcement learning és RLHF: a modell próbálkozások és jutalmi jelek alapján tanul; az RLHF (reinforcement learning from human feedback) emberi értékeléseken alapuló finomhangolást jelent.
Architektúrák és hatékonyság
- Mixture of Experts (MoE): a hálózat több specializált alhálózatra oszlik, és csak néhány „szakértőt” aktivál egy adott feladathoz, így nagy modellek is gyorsan és olcsóbban futhatnak.
- Parallelization: a párhuzamos számítás — több számítás egyszerre — kritikus mind a tréning, mind az inference esetén; a GPU-k erre vannak optimalizálva.
- Compute: az a számítási teljesítmény (GPU-k, CPU-k, TPU-k), amely a modellek betanítását és futtatását lehetővé teszi.
- Memory cache (például KV-caching): olyan optimalizációs technika, amely csökkenti a szükséges számításokat azáltal, hogy elment bizonyos előre kiszámolt értékeket a gyorsabb válaszokért.
Generatív módszerek és hibák
- Diffusion: olyan módszer, amely zajt ad a bemeneti adathoz és megtanulja azt visszaállítani (reverse diffusion), ennek a megközelítésnek köszönhetők sok kép- és hanggeneráló modellek eredményei.
- GAN (Generative Adversarial Network): két hálózat (generátor és diszkriminátor) versenye, amely realisztikus kimenetek előállítására ösztönzi a rendszert.
- Hallucination: a modellek által generált téves vagy kitalált információk. Ez jelentős kihívás, mert hamis válaszok veszélyes következményekhez vezethetnek (például egészségügyi tanácsoknál).
Biztonság, átláthatóság és új aggályok
- Opaque recurrence / recurrent depth: egy technika, amikor a modell ugyanazt a lekérdezést többször futtatja végig a belső rétegein, ahelyett, hogy lépésről-lépésre, emberi nyelven vezetett láncot hagyna maga után. Ez hatékonyabb lehet — kisebb modellek is jobb teljesítményt érhetnek el kevesebb compute-tal —, de kevesebb ember számára olvasható nyomot hagy, ami megnehezíti a viselkedés felügyeletét.
- Az OpenAI Astra modellje, amelyet 2026 szeptemberében adtak ki, korai példaként kapott figyelmet emiatt; a cég azt állítja, hogy Astra láncolata olvasható marad, de biztonsági kutatók az opaque recurrence miatt aggódnak, mivel ez a megközelítés közelebb vihet a „neuralese” hipotetikus rossz forgatókönyvhöz.
- Neuralese: egy elméleti legrosszabb eset, amikor a modell kizárólag belső numerikus reprezentációkban gondolkodik, ember számára értelmezhetetlen formában. Jelenleg nincs bizonyítottan ilyen kereskedelmi modell, de az opaque recurrence miatti vita felélesztette a fogalom figyelmét.
- Validation loss: a tanulás minőségét számszerűsítő mutató a tréning során — alacsonyabb jobb —, amely segít jelezni például az overfitting kockázatát.
- Open source vs. closed source: a nyílt forráskódú modellek (például Meta Llama család) lehetővé teszik a független ellenőrzést és gyorsabb közösségi fejlődést; a zárt modellek (például bizonyos OpenAI modellek) viszont belső kontrollt és kereskedelmi szigorúságot tükröznek. Ez a vita a ma egyik fő iparági kérdése.
Piaci és ellátási hatások
- RAMageddon: a memóriakészletek (RAM) folyamatos szűkössége, amelyet az AI-laborok és nagy technológiai cégek megnövekedett vásárlása gerjeszt. Rövid távon a hiány és az emelkedő árak hatással vannak játékkonzolokra, okostelefon-ellátásokra és vállalati adatközpontokra.
Szabványok és interoperabilitás
- Model Context Protocol (MCP): Anthropic 2024-ben bevezetett, majd a Linux Foundation számára átadott nyílt szabvány, amely lehetővé teszi AI-modellek számára külső eszközökhöz és adatokhoz való csatlakozást általános módon. OpenAI, Google és Microsoft is adoptálta, ami gyors elterjedést eredményezett.
Egyéb technikai fogalmak
- Coding agents: kifejezetten szoftverfejlesztésre tervezett agentek, amelyek önállóan írnak, tesztelnek és hibajavítanak kódot; emberi felülvizsgálat továbbra is szükséges.
- Recursive self-improvement (RSI): olyan képesség, amikor egy AI képes saját magát továbbfejleszteni emberi beavatkozás nélkül; egyes startupok dolgoznak rajta, de a legtöbben az apokaliptikus narratívákat elvetik és inkább kutatási célként kezelik.
- Weights: a neuronháló számértékei, amelyek meghatározzák, mely bemenetek mennyit nyomnak a modell kimeneténél.
Záró megjegyzés
Az AI-terminológia folyamatosan bővül, és amint új technikák vagy veszélyek jelennek meg, ez a szószedet frissül. A gyakorlatban a fogalmak jelentése kontextusfüggő lehet: egyes kifejezések mérnöki értelemben egy módszert takarnak, mások pedig biztonsági vagy iparági viták csapáspontjai. Az átláthatóság, a nyílt ellenőrzés és a témák pontos megértése kulcsfontosságú mind a fejlesztők, mind a döntéshozók számára.
