Kada Sam Altman kaže da OpenAI "radi na AGI-ju", kada kompanija predstavlja novi "agentski" sistem, ili kada marketinški tim govori o "generativnoj vještačkoj inteligenciji" – šta to zapravo znači?
Terminologija vezana za vještačku inteligenciju postala je zbunjujuća čak i za profesionalce u industriji, a razlike između ovih pojmova nisu samo semantičke, one definiraju fundamentalno različite pristupe i mogućnosti. Zato smo pripremili ovaj tekst kako bismo vam približili sve ove termine.
Specijalizirana vještačka inteligencija: Ono što već koristimo
Većina današnjih sistema vještačke inteligencije spada u kategoriju uske ili specijalizirane vještačke inteligencije (engl. Artificial Narrow Intelligence - ANI). Prema definiciji IBM-a, ovi sistemi su dizajnirani da izvršavaju specifične zadatke unutar unaprijed definiranih parametara.
Primjeri su svuda oko nas: preporuke na Netflixu, prepoznavanje lica na telefonu, glasovni asistenti poput Siri ili Alexe, sistemi za autonomnu vožnju. Svaki od njih je izuzetno dobar u svojoj oblasti, ali ne može raditi ništa van toga. Sistem koji vozi automobil ne može napisati pjesmu. Algoritam koji preporučuje filmove ne može dijagnosticirati bolest.
Ova uska specijalizacija je i najveća prednost i najveće ograničenje današnje vještačke inteligencije. Sistemi su pouzdani i efikasni u svom domenu, ali nemaju fleksibilnost ljudske inteligencije.
izvor: Deposit Photos
Generativna vještačka inteligencija: Kreiranje umjesto klasifikacije
Generativna vještačka inteligencija (eng. Generative AI) predstavlja pomak od analize ka kreiranju. Prema istraživačima MIT-a, tradicionalni sistemi mašinskog učenja bili su fokusirani na klasifikaciju podataka, prepoznavanje mačke na fotografiji, na primjer. Generativna vještačka inteligencija ide korak dalje: ne samo da prepoznaje mačku, već može kreirati potpuno novu sliku mačke koja nikada nije postojala.
ChatGPT, DALL-E, Midjourney, Claude – svi su primjeri generativnih sistema. Oni koriste velike jezičke modele (engl. Large Language Models - LLM) trenirane na ogromnim količinama podataka da bi kreirali novi sadržaj: tekst, slike, kod, muziku, video.
Način na koji rade zasniva se na predviđanju. Model je naučio obrasce iz podataka na kojima je treniran i koristi te obrasce da predvidi šta bi trebalo da dođe sljedeće. Kada pitate ChatGPT nešto, on ne "zna" odgovor u ljudskom smislu – on generira tekst koji je najvjerovatnije tačan na osnovu onoga što je vidio tokom treninga, i na osnovu ogromne baze podataka kojom upravlja.
Ključna inovacija koja je omogućila generativnu vještačku inteligenciju su nove arhitekture neuronskih mreža. Pojednostavljeno: sistem uči kako nešto izgleda (na primjer, milioni slika mačaka) i onda može kreirati novu sliku mačke koja nikada nije postojala, ali izgleda realno. Slično s tekstom, sistem uči kako ljudi pišu i onda može pisati kao čovjek.
Ali generativna vještačka inteligencija je još uvijek reaktivna. Ona odgovara na upite, ne djeluje samostalno. Zato na djelo dolaze agenti.
izvor: Depositphotos
Agentska vještačka inteligencija: Autonomija sa ciljem
Agentska vještačka inteligencija (engl. Agentic AI) predstavlja sljedeći korak: sistem koji ne samo da kreira sadržaj, već djeluje autonomno da postigne cilj.
Dok generativna vještačka inteligencija poput ChatGPT-a čeka da joj date upit i onda odgovara, agentski sistem može samostalno planirati, izvršavati zadatke i prilagođavati se promjenama bez konstantnog ljudskog nadzora.
Primjer: zamislite da tražite od sistema da organizira poslovni put. Generativna vještačka inteligencija može napisati email s prijedlozima letova. Agentska vještačka inteligencija može sama rezervirati letove, hotel, zakupiti automobil, koordinirati sastanke s kalendarima učesnika, prilagoditi raspored ako let kasni i automatski obavijestiti sve relevantne osobe, i to sve dok prati budžet i preference koje ste zadali.
Agentski sistemi rade kroz četiri faze: prikupljanje podataka (šta se dešava), analiza situacije (šta to znači), provođenje odluke (šta uraditi) i učenje (kako sljedeći put bolje). Oni se mogu povezati s alatima, bazama podataka i drugim sistemima da bi dobili informacije u realnom vremenu i donijeli odluke.
Ključna razlika između generativne i agentske vještačke inteligencije je autonomija. Generativna vještačka inteligencija je alat koji čeka instrukcije. Agentska vještačka inteligencija je sistem koji razumije cilj i samostalno određuje kako da ga postigne.
OpenAI je krajem 2024. predstavio Operator, agentski sistem koji može koristiti web pretraživač, otvoriti sajtove, popuniti formulare i izvršiti radnje u ime korisnika. Perplexity je lansirao Comet, sistem koji može automatizirati web zadatke.
AGI: Teorijska vještačka inteligencija na nivou čovjeka
Opća vještačka inteligencija (engl. AGI - Artificial General Intelligence) je teorijski sistem koji bi imao kognitivne sposobnosti uporedive s ljudskim preko bilo kog zadatka. Prema McKinseyju, AGI bi mogao razumjeti, učiti i primijeniti znanje u različitim oblastima, baš kao što mi to radimo.
Za razliku od uske vještačke inteligencije koja je odlična u jednoj stvari, AGI bi bio kompetentan u svemu. Mogao bi voziti automobil, pisati poeziju, dijagnosticirati bolest, programirati softver, učiti novi jezik i osmišljavati naučne teorije – sve bez specifičnog treninga za svaki zadatak.
Prema mnogim izvorima, kreiranje AGI-ja je primarni cilj istraživanja vještačke inteligencije u kompanijama poput OpenAI-ja, Googlea, xAI-ja i Mete.
Međutim, ono što se kvalificira kao AGI ostaje predmet debate. AGI bi trebalo da može rezonovati, koristiti strategiju, rješavati probleme pod neizvjesnošću, predstavljati znanje uključujući zdrav razum, planirati, učiti i komunicirati na prirodnom jeziku.
Trenutni sistemi poput GPT-5 ili Claudea nisu AGI. Iako imaju impresivne sposobnosti, oni ne mogu samostalno učiti nove zadatke van svoje oblasti treninga, ne razumiju uzrok i posljedicu na način na koji to čine ljudi i nemaju opće razumijevanje svijeta.
Vremenska linija do AGI-ja je predmet debate. Istraživanja pokazuju da AI istraživači daju različite prognoze koje se kreću od kasnih 2020-ih do sredine vijeka, dok značajan broj očekuje dolazak mnogo ranije, ili nikada.
U januaru 2025, izvršni direktor OpenAI-ja Ilya Sutskever tvrdio je da je njihov najnoviji model O3 dostigao "rani AGI" sa sposobnošću da nadmaši većinu ljudi u većini zadataka. Kritičari tvrde da iako modeli pokazuju izuzetnu svestranost, još ne zadovoljavaju tradicionalni standard AGI-ja.
izvor: Deposit Photos
Zašto su ove razlike bitne
Razumijevanje ovih razlika nije akademska vježba.
Uska vještačka inteligencija je pouzdana za specifične zadatke, ali zahtijeva ljudsku inteligenciju da poveže različite sisteme.
Generativna vještačka inteligencija ubrzava kreiranje sadržaja, ali zahtijeva ljudsko usmjeravanje i provjeru.
Agentska vještačka inteligencija može autonomno izvršavati složene procese, ali zahtijeva pažljivo definiranje ciljeva i granica.
AGI, ako i kada dođe, predstavljat će fundamentalnu promjenu u odnosu između ljudi i mašina.
Za kompanije iz Adria regije koje razmatraju implementaciju vještačke inteligencije terminologija ima itekakav značaj. Sistem koji kreira emailove (generativna vještačka inteligencija) fundamentalno je drugačiji od sistema koji samostalno upravlja cijelim procesom kupovine (agentska vještačka inteligencija), i oba su daleko od sistema koji bi mogao raditi bilo koji posao u kompaniji bez treninga (AGI).
Trenutno stojimo u eri generativne vještačke inteligencije s prvim komercijalnim agentskim sistemima. AGI ostaje horizont ka kojem se kreće istraživanje, neki ga vide kroz dvije decenije, drugi kroz vijek, a neki smatraju da možda nikada neće biti postignut. Ali bez obzira na tempo, razumijevanje ovih razlika ključno je za svakoga ko radi s vještačkom inteligencijom ili planira investirati u nju.
.webp){kind=icon}
