Штучний інтелект швидко став частиною роботи, навчання, бізнесу й навіть побутових сервісів. Разом із ним з’явилася нова мова: LLM, RAG, MCP, AGI, токени, інференс, дистиляція, fine-tuning. Якщо ці слова трапляються в новинах, презентаціях або документації й здаються зайво складними, проблема не у вас – індустрія справді говорить густим жаргоном. У цьому словнику пояснюємо ключові терміни ШІ українською, простими словами та з прикладами, щоб було зрозуміло не лише розробникам. Матеріал корисний усім, хто користується ChatGPT, Claude, Gemini, Copilot чи іншими AI-сервісами й хоче краще розуміти, що відбувається «під капотом».
Зміст
- Найшвидше: що треба знати про терміни ШІ
- Базові поняття: з чого почати
- Моделі та інструменти, про які говорять найчастіше
- Як ШІ навчається і чому помиляється
- Терміни для генеративного ШІ
- Інфраструктура ШІ: токени, обчислення, API
- Архітектури та прийоми оптимізації
- Суперечливі й новіші терміни
- Як користуватися цим словником на практиці
- Що робити, якщо термін ШІ все одно незрозумілий
- FAQ
- Підсумок
Найшвидше: що треба знати про терміни ШІ
Найшвидше: якщо бачите незнайомий термін, спитайте себе три речі: це про модель, про спосіб її навчання чи про інфраструктуру, на якій вона працює. Більшість AI-жаргону вкладається саме в ці три групи.
Швидка підказка: не треба вчити всі абревіатури одразу. Для щоденного користування ШІ найважливіші LLM, токени, контекст, галюцинації, агент, RAG та API.
| Якщо ви бачите термін | Найімовірніше, йдеться про | Що варто запам’ятати |
|---|---|---|
| LLM, AGI, MoE | Тип або архітектуру моделі | Що це за «мозок» системи |
| Токени, контекст, throughput | Роботу з текстом і вартість | Чому відповідь має ліміти й ціну |
| Fine-tuning, RLHF, distillation | Навчання або покращення моделі | Як модель підлаштовують під задачу |
| Інференс, GPU, кеш | Інфраструктуру | Чому швидкість і ціна залежать від заліза |
| Агент, MCP, API | Дії ШІ в інших сервісах | Як ШІ переходить від відповіді до виконання задач |
Базові поняття: з чого почати
Штучний інтелект
Штучний інтелект – це загальна назва для систем, які виконують завдання, що зазвичай потребують людського мислення: розпізнають мову, аналізують дані, пишуть текст, шукають закономірності, генерують зображення або допомагають ухвалювати рішення.
Важливо: ШІ не обов’язково «думає» як людина. Часто це набір математичних моделей, які добре знаходять статистичні зв’язки в даних і на їх основі створюють відповідь.
Машинне навчання
Машинне навчання – це підхід, за якого комп’ютер не отримує всі правила вручну, а вчиться на прикладах. Йому показують багато даних, і система поступово знаходить закономірності.
Наприклад, замість того щоб програміст описував усі ознаки спаму, модель навчають на великій кількості листів: які були спамом, а які ні. Після цього вона може оцінювати нові листи самостійно.
Глибинне навчання
Глибинне навчання – це різновид машинного навчання, де використовуються багатошарові нейронні мережі. Саме воно стало основою сучасного прориву в розпізнаванні зображень, мовленні, перекладі та генеративному ШІ.
Такі системи можуть самі знаходити складні ознаки в даних, але мають важливий мінус: їм потрібні великі обсяги даних і потужні обчислення. Через це навчання великих моделей дороге й енергомістке.
Нейронна мережа
Нейронна мережа – це математична структура, натхненна ідеєю взаємопов’язаних нейронів у мозку, хоча працює вона не так, як людський мозок. Вона складається з шарів, які перетворюють вхідні дані на результат: текст, прогноз, класифікацію, зображення або іншу відповідь.
Уявіть фільтр, який багато разів уточнює сигнал. Перші шари можуть помічати прості ознаки, наступні – складніші, а фінальні формують відповідь.
Моделі та інструменти, про які говорять найчастіше
LLM, або велика мовна модель
LLM, або велика мовна модель, – це AI-модель, навчена працювати з мовою: розуміти запити, генерувати текст, пояснювати, перекладати, писати код і відповідати на питання. Саме з LLM ви взаємодієте, коли користуєтеся ChatGPT, Claude, Gemini, Copilot або схожими сервісами.
Модель не зберігає текст як енциклопедію. Вона навчається на величезних масивах даних і формує ймовірні продовження тексту відповідно до запиту. Тому LLM може бути дуже корисною, але не гарантує правдивість кожного факту.
AI-асистент і AI-агент
AI-асистент зазвичай відповідає на ваші запити: пояснює, пише, редагує, перекладає, аналізує. AI-агент іде далі: він може виконувати послідовність дій для досягнення мети.
Наприклад, асистент може підказати, як скласти план поїздки. Агент у теорії може сам перевірити варіанти, порівняти ціни, заповнити форму бронювання й підготувати лист. На практиці ця сфера ще розвивається, тому повністю автономним агентам варто давати обмежені права й перевіряти їхні дії.
Агент для коду
Агент для коду – це AI-інструмент, який не просто підказує фрагмент коду, а може працювати з цілим проєктом: читати файли, змінювати код, запускати тести, шукати помилки й пропонувати виправлення.
Його зручно сприймати як дуже швидкого помічника-розробника. Але остаточна відповідальність все одно залишається за людиною: агент може неправильно зрозуміти вимогу, зламати сумісність або пропустити побічний ефект.
AGI, або загальний штучний інтелект
AGI – це гіпотетичний або майбутній рівень ШІ, який був би здатний виконувати широкий спектр когнітивних завдань на рівні людини або краще. Єдиного визначення немає: різні лабораторії, компанії та дослідники описують AGI по-різному.
Через це термін часто звучить голосніше, ніж пояснює. Коли хтось говорить про AGI, варто уточнювати: мається на увазі економічна продуктивність, здатність навчатися нових навичок, автономність чи рівень міркування?
Як ШІ навчається і чому помиляється
Навчання моделі
Навчання моделі – це процес, під час якого система отримує багато прикладів і поступово налаштовує свої внутрішні параметри. Мета – навчитися видавати корисні результати для нових запитів, а не просто повторювати побачене.
У випадку мовних моделей навчальні дані можуть містити книги, сайти, документацію, діалоги, код та інші тексти. Якість і різноманітність даних сильно впливають на те, як модель поводитиметься після запуску.
Ваги моделі
Ваги – це числові параметри всередині моделі, які визначають, наскільки важливими є різні ознаки даних. Під час навчання ці числа постійно змінюються, щоб модель краще наближалася до правильних відповідей.
Якщо дуже спростити, ваги – це «налаштування пам’яті» моделі. Вони не зберігають окрему фразу як у текстовому файлі, але кодують закономірності, які модель засвоїла.
Тонке донавчання
Тонке донавчання, або fine-tuning, – це додаткове навчання вже готової моделі на спеціальних даних. Його використовують, коли базову модель треба адаптувати під конкретну сферу: медичну документацію, юридичні тексти, підтримку клієнтів, стиль компанії або певний формат відповідей.
Це дешевше, ніж навчати модель з нуля, але не магія. Якщо дані погані або задача нечітка, донавчання може закріпити помилки.
Навчання з підкріпленням
Навчання з підкріпленням – це підхід, за якого система навчається через винагороди. Вона пробує різні дії, отримує сигнал про успіх або помилку й поступово обирає стратегії, які дають кращий результат.
Цей підхід давно використовують у задачах ігор, робототехніки та оптимізації. У сучасних мовних моделях він допомагає покращувати міркування, корисність і безпечність відповідей.
RLHF
RLHF означає навчання з підкріпленням на основі людського зворотного зв’язку. Люди оцінюють відповіді моделі, порівнюють варіанти, вказують, що корисніше, точніше або безпечніше. Потім ці оцінки використовують, щоб налаштувати модель.
Саме RLHF допоміг зробити чат-ботів менш «сирими»: вони краще дотримуються інструкцій, частіше пояснюють відповідь і менше видають відверто небажаний контент. Але цей метод не усуває помилки повністю.
Галюцинації ШІ
Галюцинація ШІ – це ситуація, коли модель вигадує факт, джерело, цитату, число або пояснення, але подає його впевнено. Наприклад, може назвати неіснуюче дослідження, переплутати дату релізу або вигадати функцію програми.
Причина в тому, що мовна модель генерує правдоподібний текст, а не перевіряє реальність так, як це робить людина з доступом до джерел. Тому важливі твердження – медичні, юридичні, фінансові, технічні – треба перевіряти окремо.
Validation loss
Validation loss – це показник, який допомагає дослідникам зрозуміти, наскільки добре модель навчається на даних, яких вона не бачила під час тренування. Нижче значення зазвичай краще, але його треба оцінювати в контексті.
Цей показник допомагає помітити перенавчання. Перенавчання – це коли модель ніби «визубрила» навчальні приклади, але погано справляється з новими ситуаціями.
Терміни для генеративного ШІ
Генеративний ШІ
Генеративний ШІ – це системи, які створюють новий контент: текст, зображення, музику, відео, код, презентації або синтетичні дані. Вони не просто класифікують вхідну інформацію, а генерують результат у потрібному форматі.
До генеративного ШІ належать мовні моделі, генератори зображень, відеомоделі, інструменти для музики й багато сучасних сервісів автоматизації.
Дифузійна модель
Дифузійна модель – це підхід, який часто використовують у генерації зображень. Спрощено: модель вчиться перетворювати шум на осмислену картинку.
Під час навчання зображення поступово «псують» шумом, а модель вчиться робити зворотний процес. Завдяки цьому вона може створювати нові зображення за текстовим описом.
GAN
GAN, або генеративно-змагальна мережа, – це архітектура з двох нейронних мереж: генератора й дискримінатора. Генератор створює штучні дані, а дискримінатор намагається відрізнити їх від справжніх.
Це схоже на тренування фальшивомонетника й експерта: один вчиться робити підробку переконливішою, інший – краще її викривати. GAN добре підходили для вузьких задач генерації зображень і відео, але сьогодні в багатьох сферах їх посунули інші підходи.
Міркування ланцюжком кроків
Міркування ланцюжком кроків – це спосіб, за якого модель розбиває складну задачу на проміжні етапи. Це корисно для логіки, математики, програмування та планування.
Наприклад, замість миттєвої відповіді на задачу модель може спочатку визначити умови, потім скласти рівняння, перевірити варіанти й лише після цього дати результат. Такий підхід часто повільніший, але може бути точнішим.
RAG
RAG – це підхід, коли мовна модель перед відповіддю отримує додаткові дані з пошуку, бази знань або документів. Повна назва англійською – retrieval-augmented generation, тобто генерація з підсиленням через пошук.
Навіщо це потрібно? Щоб модель не покладалася лише на те, що засвоїла під час навчання, а могла працювати з актуальними або приватними матеріалами: інструкціями компанії, базою підтримки, договорами, технічною документацією.
Інфраструктура ШІ: токени, обчислення, API
Токени
Токени – це маленькі частини тексту, на які модель розбиває запит і відповідь. Один токен може бути словом, частиною слова, розділовим знаком або фрагментом коду.
Токени важливі з двох причин. По-перше, вони визначають ліміт контексту: скільки тексту модель може «бачити» за один раз. По-друге, часто саме за токени рахують вартість використання AI API.
Пропускна здатність токенів
Пропускна здатність токенів – це кількість токенів, яку система може обробити за певний час. Для користувача це проявляється як швидкість відповіді. Для бізнесу – як здатність обслуговувати багато запитів одночасно.
Якщо сервіс має низьку пропускну здатність, відповіді будуть повільними або дорожчими. Якщо високу – модель може швидше обробляти масові запити.
Інференс
Інференс – це запуск уже навченої моделі для отримання відповіді. Коли ви пишете запит у чаті й модель генерує текст, відбувається інференс.
Навчання – це створення й налаштування моделі. Інференс – її щоденна робота. Обидва процеси потребують обчислень, але мають різні вимоги до заліза й витрат.
Обчислювальні ресурси
Обчислювальні ресурси – це потужність, потрібна для навчання й запуску моделей: GPU, CPU, спеціальні прискорювачі, пам’ять, мережі, дата-центри. У розмовах про ШІ часто кажуть просто «compute».
Це одна з причин, чому великі моделі дорогі. Потрібні не лише алгоритми й дані, а й інфраструктура, яка може все це обробити.
Кеш пам’яті
Кеш пам’яті – це спосіб зберігати частину проміжних обчислень, щоб не повторювати їх щоразу. У мовних моделях часто згадують KV-кеш, який допомагає швидше генерувати продовження тексту.
Практичний сенс простий: кешування зменшує зайві обчислення, прискорює відповіді й може знижувати витрати.
API та endpoint
API – це інтерфейс, через який одна програма може взаємодіяти з іншою. Endpoint – конкретна адреса або «точка входу» в цьому інтерфейсі.
Якщо пояснити побутово, API – це меню можливостей сервісу, а endpoint – окрема кнопка в цьому меню. AI-агенти можуть використовувати API, щоб не лише відповідати в чаті, а й виконувати дії: створювати записи, перевіряти дані, запускати процеси.
MCP
MCP, або Model Context Protocol, – це стандарт, який допомагає AI-моделям підключатися до зовнішніх інструментів і джерел даних. Його часто пояснюють як «USB-C для ШІ»: один узгоджений спосіб з’єднати модель із файлами, базами, застосунками або сервісами.
Anthropic представила MCP у 2024 році, після чого ідею почали активно підхоплювати інші гравці ринку. Для користувача це означає перспективу більш зручних AI-агентів, які можуть працювати з реальними інструментами без окремої інтеграції для кожної пари «модель плюс сервіс».
Архітектури та прийоми оптимізації
Mixture of Experts
Mixture of Experts – це архітектура, де велика модель складається з багатьох спеціалізованих підмереж, або «експертів». Для конкретного запиту активуються не всі частини моделі, а лише ті, які найкраще підходять для задачі.
Це допомагає робити моделі великими, але не запускати всю їхню потужність щоразу. У результаті можна отримати кращий баланс між якістю, швидкістю та ціною.
Дистиляція моделі
Дистиляція – це спосіб навчити меншу модель наслідувати більшу. Велику модель умовно називають «учителем», а меншу – «студентом».
Розробники збирають відповіді сильної моделі й використовують їх для навчання компактнішої. Так можна отримати швидшу й дешевшу модель, яка зберігає частину можливостей великої. Але якщо дистиляцію роблять із моделі конкурента без дозволу, це може порушувати умови використання сервісу.
Transfer learning
Transfer learning, або перенесення навчання, – це підхід, коли вже навчена модель стає основою для нової задачі. Замість стартувати з нуля, розробники використовують знання, які модель уже отримала.
Це корисно, коли даних для нової задачі небагато або потрібно зменшити витрати. Проте модель все одно може потребувати додаткового навчання, якщо сфера суттєво відрізняється.
Паралелізація
Паралелізація – це виконання багатьох обчислень одночасно. У ШІ вона критично важлива, бо навчання й запуск моделей складаються з величезної кількості математичних операцій.
Саме тому GPU стали настільки важливими: вони добре виконують багато однотипних операцій паралельно. Без паралелізації сучасні великі моделі працювали б надто повільно.
Відкриті та закриті моделі
Відкриті моделі – це моделі, ваги або код яких доступні спільноті за певною ліцензією. Закриті моделі працюють як сервіс: ви можете ними користуватися, але не бачите повністю, як вони влаштовані.
Відкритість спрощує дослідження, незалежні перевірки й локальне розгортання. Закриті системи часто зручніші як продукт і можуть мати сильнішу інфраструктуру. У реальному виборі важливі не гасла, а ліцензія, безпека, якість, ціна й контроль над даними.
Суперечливі й новіші терміни
Рекурсивне самовдосконалення
Рекурсивне самовдосконалення – це ідея, що ШІ може сам покращувати власні наступні версії. У м’якому варіанті це означає автоматизовану допомогу дослідникам і розробникам. У радикальному – швидке зростання автономності системи без прямого людського контролю.
Термін часто звучить у дискусіях про майбутнє AGI та ризики ШІ. На практиці варто відрізняти наукову гіпотезу, маркетингову заяву й реальні можливості конкретного продукту.
RAMageddon
RAMageddon – жартівливий, але тривожний термін для опису дефіциту оперативної пам’яті через зростання попиту з боку AI-індустрії. Великі дата-центри купують багато пам’яті для моделей та інфраструктури, що може впливати на ціни й доступність компонентів.
Для звичайного користувача це може проявитися непрямо: дорожчими смартфонами, ноутбуками, серверами або ігровими пристроями. Це не суто технічний термін, а радше назва ринкового явища.
Як користуватися цим словником на практиці
Не обов’язково запам’ятовувати всі визначення. Краще навчитися швидко розпізнавати, до якої групи належить термін.
- Якщо термін описує «що це за система» – ймовірно, це модель або архітектура: LLM, MoE, AGI, GAN.
- Якщо описує «як її зробили кращою» – це навчання або оптимізація: RLHF, fine-tuning, дистиляція, transfer learning.
- Якщо описує «як вона працює в продукті» – це інфраструктура: інференс, токени, API, кеш, GPU.
- Якщо описує «як вона діє у світі» – це агенти, MCP, інтеграції, інструменти.
Для роботи з AI-сервісами достатньо розуміти кілька речей: модель не завжди права, контекст має ліміт, токени коштують грошей, а агентам не варто давати безконтрольний доступ до важливих систем.
Що робити, якщо термін ШІ все одно незрозумілий
Якщо термін звучить складно, не намагайтеся одразу знайти академічне визначення. Часто воно лише заплутає.
Спробуйте такий порядок:
- Визначте, про що термін: модель, навчання, інфраструктура чи продуктова функція.
- Знайдіть приклад у реальному сервісі: чат-бот, генератор зображень, API, агент для коду.
- Перекладіть термін у дію: що саме він дозволяє зробити швидше, дешевше або точніше?
- Перевірте, чи це усталений термін, чи маркетингова назва конкретної компанії.
- Якщо термін впливає на рішення в бізнесі, бюджеті або безпеці, шукайте первинне джерело: документацію продукту, стандарт, наукову статтю або офіційний блог розробника.
Найчастіша помилка – сприймати абревіатуру як доказ складності. У багатьох випадках за нею стоїть проста ідея, просто названа англійською.
FAQ
Що таке LLM простими словами?
LLM – це велика мовна модель, яка працює з текстом: розуміє запити, генерує відповіді, перекладає, пояснює та пише код. ChatGPT, Claude і Gemini працюють на основі таких моделей.
Чим AI-агент відрізняється від чат-бота?
Чат-бот переважно відповідає на повідомлення. AI-агент може виконувати серію дій: користуватися інструментами, звертатися до API, аналізувати результат і переходити до наступного кроку.
Що таке токени й чому вони важливі?
Токени – це частини тексту, які модель обробляє замість «цілих слів» у людському розумінні. Вони впливають на ліміт контексту, швидкість і вартість роботи ШІ.
Чому ШІ вигадує факти?
Бо мовна модель генерує найімовірніший текст за запитом, а не автоматично перевіряє кожне твердження. Якщо даних бракує або запит нечіткий, модель може створити правдоподібну, але хибну відповідь.
Що таке AGI і чи він уже існує?
AGI – це ідея загального штучного інтелекту, здатного виконувати широкий спектр задач на рівні людини або краще. Єдиного визначення немає, а наявність справжнього AGI залишається предметом дискусій.
Чи треба звичайному користувачу знати MCP, RAG і RLHF?
Не обов’язково глибоко. Але базове розуміння корисне: RAG пояснює, як модель працює з документами, RLHF – чому чат-боти краще дотримуються інструкцій, MCP – як агенти підключаються до інструментів.
Відкриті AI-моделі завжди кращі за закриті?
Ні. Відкриті моделі дають більше контролю й прозорості, а закриті часто зручніші як сервіс і можуть мати сильну інфраструктуру. Вибір залежить від задачі, бюджету, безпеки й ліцензії.
Підсумок
Словник ШІ виглядає складним, бо індустрія швидко росте й постійно додає нові абревіатури. Але більшість термінів описує кілька базових речей: що таке модель, як її навчають, як вона генерує відповідь і як підключається до реальних інструментів. Якщо розуміти LLM, токени, інференс, галюцинації, агентів, RAG і fine-tuning, читати новини та документацію про штучний інтелект стає значно простіше. Головне – пам’ятати, що термінологія не замінює критичного мислення: навіть найсучасніша AI-система потребує перевірки, контексту й людського контролю.
