Czym różni się sztuczna inteligencja od machine learningu?

Sztuczna inteligencja to cel, machine learning to metoda. AI opisuje każdy program zachowujący się mądrze, także taki oparty na ręcznie napisanych regułach. Machine learning to jeden konkretny sposób osiągnięcia tego celu: zamiast pisać reguły, pokazujesz maszynie przykłady i pozwalasz jej znaleźć regułę samodzielnie. Każdy machine learning jest sztuczną inteligencją, ale nie każda sztuczna inteligencja to machine learning.

Czy każda sztuczna inteligencja to model językowy?

Nie. Model językowy odpowiada wyłącznie za tekst i jest niewielkim wycinkiem całości. System rekomendacji w Netfliksie, wykrywanie nietypowych transakcji w banku i rozpoznawanie twarzy w telefonie działają bez żadnego modelu językowego. Mylenie AI z ChatemGPT to najczęstszy błąd w rozmowach o technologii w polskich firmach.

Czym różni się AR od VR?

Różnicą jest to, ile rzeczywistości oddajesz. W AR dalej widzisz swój pokój, a urządzenie dokłada do niego warstwę - na przykład kanapę, której nie kupiłeś. W VR nie widzisz pokoju wcale, bo gogle podmieniły cały obraz. AR uzupełnia świat, VR go zastępuje.

Co oznaczają skróty MR i XR?

MR, czyli rzeczywistość mieszana (po angielsku mixed reality), leży pomiędzy AR a VR: wirtualne obiekty nie tylko wyświetlają się na tle pokoju, ale reagują na jego geometrię, więc piłka odbija się od Twojego stołu. XR to termin zbiorczy obejmujący AR, MR i VR razem - używa się go, gdy nie chce się rozstrzygać, o który punkt osi chodzi.

Czym jest agent AI i czym różni się od chatbota?

Chatbot odpowiada na pytanie i kończy pracę. Agent dostaje cel, sam planuje kroki, używa narzędzi, sprawdza wynik i poprawia się, dopóki zadania nie domknie. Różnica leży w tym, kto pilnuje kolejnych kroków: przy chatbocie robisz to Ty, przy agencie robi to program.

Dlaczego blockchain i komputery kwantowe nie pojawiają się w codziennym dniu?

Ponieważ nie weszły do codziennego użycia w takiej formie, w jakiej weszły AI, AR i IoT. Blockchain działa realnie w kryptowalutach i wybranych rejestrach, ale przeciętny Polak nie styka się z nim w ciągu doby. Komputery kwantowe pozostają narzędziem laboratoryjnym. Uczciwe rozróżnienie technologii obecnych od zapowiadanych jest częścią rozumienia rynku.

Czym jest AI, ML, LLM, AR i VR. Jedna doba, w której użyłeś ich wszystkich

TL;DR: Przez jedną zwykłą dobę przechodzisz przez dziesięć różnych technologii i żadnej z nich nie musisz umieć nazwać, żeby z niej skorzystać. Nazwy zaczynają mieć znaczenie dopiero wtedy, gdy ktoś chce Ci coś na ich podstawie sprzedać. Pierwsza część tekstu to Twój dzień od 6:30 do 22:40, bez ani jednej definicji. Druga to trzy mapy, które porządkują to, przez co właśnie przeszedłeś: co w czym siedzi (AI zawiera uczenie maszynowe, uczenie maszynowe zawiera modele językowe). Do tego oś rzeczywistości od AR przez MR do VR oraz odpowiedź na pytanie, kto tu naprawdę jest silnikiem. Na koniec lista pojęć, których w tej dobie nie spotkałeś - i wyjaśnienie, dlaczego to o czymś świadczy.

Stan na 28 lipca 2026. Wszystkie liczby pochodzą z podanych źródeł, nie z szacunków autora.

Zauważyłem pewien wzorzec na spotkaniach. Ktoś mówi „wdrożymy AI”, ktoś inny kiwa głową, a po dwudziestu minutach okazuje się, że jeden myślał o chatbocie, drugi o raportach, trzeci o kamerach w magazynie, a czwarty o tym, żeby to ładnie wyglądało na slajdzie dla zarządu.

Nikt nie kłamał. Wszyscy jednym słowem nazywali cztery różne rzeczy.

Zamiast otwierać definicjami, zrobię coś innego. Pokażę Ci zwykły dzień - prawdopodobnie bardzo podobny do Twojego wczorajszego. Będę nazywał technologie mimochodem, bez tłumaczenia. Uporządkujemy je później.

Część pierwsza: doba

06:30 - telefon Cię poznaje

Podnosisz telefon i on się odblokowuje. Nie pytał o hasło.

Kamera zamieniła Twoją twarz na zbiór liczb opisujących odległości między punktami: oczy, nos, kości policzkowe. Porównała je z zapisanym wzorcem. Dopasowanie wystarczyło.

Ważny szczegół: te liczby nie poleciały na żaden serwer. Obliczenie wykonał sam telefon, w ułamku sekundy, bez internetu. To przetwarzanie brzegowe - decyzja zapada tam, gdzie powstają dane, a nie w chmurze.

07:15 - pokazujesz dokument, którego nie masz przy sobie

Kontrola biletów. Otwierasz mObywatela i pokazujesz legitymację.

Z aplikacji korzysta 12 milionów Polaków, a 1,5 miliona loguje się do niej każdego dnia - dane Ministerstwa Cyfryzacji z maja 2026 roku. W środku jest 47 usług i 28 cyfrowych dokumentów.

Nie ma tam ani grama sztucznej inteligencji.

Zatrzymaj się na tym na moment, bo to najważniejsze zdanie w pierwszej połowie tekstu. Cyfrowe nie znaczy inteligentne. mObywatel to świetnie zrobiona baza danych z bezpiecznym logowaniem. Gdy sprzedawca nazywa taki system „rozwiązaniem AI”, nie mówi prawdy - mówi cennik.

07:50 - bank pyta, czy to na pewno Ty

SMS: czy autoryzujesz przelew na 4 200 złotych do odbiorcy, którego nigdy wcześniej nie miałeś?

Nikt nie napisał reguły „zablokuj przelewy powyżej czterech tysięcy do nowych odbiorców”. Reguła byłaby bezużyteczna, bo połowa uczciwych przelewów też tak wygląda.

System nauczył się Twojego zachowania z historii: o jakich porach płacisz, komu, ile, z jakiego urządzenia. Ten przelew odstawał od wzorca. To wykrywanie anomalii, jedno z najstarszych zastosowań uczenia maszynowego w finansach.

Żadnej rozmowy. Żadnego chatbota. Sama matematyka na Twoich danych.

Ten sam bank chroni Cię jednak także zupełnie inaczej i te dwa mechanizmy warto rozdzielić, bo mylą się nagminnie. Gdy ktoś próbuje wziąć kredyt na Twój zgubiony dowód, bank sprawdza dokument w Systemie Dokumenty Zastrzeżone. To rejestr, czyli zwykła baza danych bez cienia sztucznej inteligencji. Mimo to w drugim kwartale 2026 roku pomógł udaremnić 9 362 próby wyłudzeń kredytów na 303,1 miliona złotych (Związek Banków Polskich, raport infoDOK).

Dwa zagrożenia, jeden bank, dwie zupełnie różne technologie. Zapamiętaj to rozróżnienie, wróci do nas w drugiej części tekstu.

09:10 - edytor kończy Twoje zdanie

Piszesz maila do klienta. Po słowach „w załączeniu przesyłam” edytor podpowiada szarym tekstem: „ofertę wraz z harmonogramem wdrożenia”.

Trafnie. Trochę niepokojąco.

To model językowy. Nie zna Twojej oferty ani Twojego klienta. Nauczył się natomiast, jakie słowa statystycznie następują po jakich w milionach polskich zdań. Przewidział najbardziej prawdopodobny ciąg dalszy.

Właśnie dlatego bywa genialny i dlatego bywa pewny siebie, gdy zmyśla. Rozpisałem ten mechanizm osobno w tekście o tym, jak naprawdę działa AI, oraz w interaktywnym przewodniku po wnętrzu modelu.

11:30 - piszesz do klienta z Czech

Wklejasz jego wiadomość do tłumacza. Dostajesz zrozumiały polski w dwie sekundy.

To wciąż przetwarzanie języka, ale zadanie jest inne niż podpowiadanie końcówki zdania. Tu model musi utrzymać sens, a nie zgadnąć kolejne słowo. Dziesięć lat temu takie tłumaczenie brzmiało jak instrukcja obsługi pralki. Zmiana nie wzięła się z lepszych słowników, tylko z innej architektury uczenia.

13:20 - kanapa staje w Twoim salonie

Rozważasz nową kanapę. Aplikacja sklepu prosi o pozwolenie na kamerę, a potem stawia mebel na Twoim dywanie. Obchodzisz go dookoła, kucasz, sprawdzasz, czy nie zasłoni kaloryfera.

Kanapy nie ma. Twój salon jest prawdziwy.

To rzeczywistość rozszerzona, w skrócie AR. Urządzenie dokłada warstwę do świata, który dalej widzisz.

Liczby o wpływie AR na sprzedaż krążą po branży w kilku sprzecznych wersjach, więc jedna uwaga o źródle. Najczęściej cytowane badanie mówi, że prawie trzech na czterech konsumentów zapłaciłoby więcej za produkt pokazany w ten sposób. Przeprowadziło je Deloitte Digital na 15 000 osób, ale zleciła je firma Snap, która zarabia na reklamie w AR. Dane pochodzą z 2021 roku. Traktuj tę liczbę jako sygnał zainteresowania, nie jako prognozę sprzedaży w Twoim sklepie.

15:40 - magazyn wysyła wiadomość, zanim ktokolwiek zauważy problem

Czujnik w chłodni notuje wzrost temperatury o dwa stopnie. Kierownik dostaje powiadomienie, zanim towar zdąży ucierpieć.

Czujnik nie jest inteligentny. Jest tani, mały i podłączony. To internet rzeczy, czyli IoT: sieć urządzeń, które mierzą i przesyłają dane bez udziału człowieka.

Inteligencja pojawia się dopiero warstwę wyżej, gdy ktoś zbierze odczyty z pięćdziesięciu czujników i nauczy system rozpoznawać, która kombinacja zapowiada awarię sprężarki.

16:45 - kolega gasił pożar, ale nic się nie paliło

Wraca ze szkolenia przeciwpożarowego lekko spocony. Przez czterdzieści minut ewakuował halę produkcyjną, która nie istnieje.

To rzeczywistość wirtualna, czyli VR. Tutaj nie widzisz już swojego pokoju - gogle podmieniły cały obraz.

Liczby z badania PwC nad skutecznością szkoleń w VR są mocniejsze, niż się spodziewałem. Uczestnicy przechodzili materiał czterokrotnie szybciej niż w sali szkoleniowej i deklarowali o 275% wyższą pewność w zastosowaniu tego, czego się nauczyli.

Zanim przeniesiesz te wyniki na własne szkolenia, sprawdź, czego dotyczyły. PwC badało szkolenie z kompetencji miękkich dla nowych menedżerów, a nie ewakuację hali produkcyjnej. Przełożenie tych liczb na szkolenie przeciwpożarowe jest założeniem, nie wnioskiem z badania.

Jest też liczba, którą lubię najbardziej, bo urealnia entuzjazm. Próg opłacalności wobec szkolenia stacjonarnego wypada przy 375 uczestnikach. Poniżej tej skali sala z trenerem wygrywa ceną. VR nie jest lepszy z definicji - jest lepszy przy odpowiedniej skali.

19:00 - auto trzyma pas bez Twojej pomocy

Wracasz z pracy. Zmęczenie robi swoje, samochód delikatnie koryguje tor jazdy.

Kamera za lusterkiem rozpoznaje linie na asfalcie i przelicza je na odległość od krawędzi pasa. To znowu widzenie maszynowe, dokładnie ta sama rodzina rozwiązań, co odblokowanie telefonu o 6:30.

Różnica polega na tym, że tutaj system nie tylko rozpoznaje - on działa. Rozpoznanie zamienia się w ruch kierownicy.

21:30 - zlecasz zadanie i odchodzisz od komputera

Prosisz asystenta o zestawienie cen konkurencji z sześciu stron i podsumowanie różnic w tabeli.

Wracasz po ośmiu minutach. Tabela czeka.

W tym czasie program sam zdecydował, które strony otworzyć, wyciągnął dane, zauważył, że dwie ceny są w euro, przeliczył je i zapisał plik. Nikt nie prowadził go za rękę przez kolejne kroki.

To agent. Różnica wobec chatbota nie leży w inteligencji, tylko w tym, kto pilnuje kolejnych kroków. Przy chatbocie robisz to Ty. Przy agencie robi to program. Rozwinięcie tematu znajdziesz w tekście o pierwszym agencie AI i pięciu pytaniach przed jego budową.

22:40 - platforma wie, na co masz ochotę

Włączasz serwis z filmami. Na górze czeka propozycja, która trafia w nastrój.

Tu nie ma żadnego modelu językowego. Jest system rekomendacyjny: matematyka, która porównała Twoją historię oglądania z historią milionów innych osób i znalazła ludzi o podobnym guście.

Ta sama rodzina metod ustawia Ci kolejność produktów w sklepie internetowym i kolejność postów w mediach społecznościowych. Zwykle wpływa na Twoje decyzje znacznie mocniej niż jakikolwiek chatbot.

Koniec doby. Przeszedłeś przez dziesięć technologii i ani razu nie musiałeś znać ich nazw.

Nazwy zaczynają mieć znaczenie w jednym konkretnym momencie: kiedy ktoś chce Ci coś na ich podstawie sprzedać, a Ty musisz ocenić, czy oferta ma sens.

Poukładajmy to.

Część druga: trzy mapy

Mapa pierwsza: co w czym siedzi

Najczęstszy błąd w rozmowach o technologii brzmi tak: „AI, uczenie maszynowe, no wiesz, to samo”.

To nie jest to samo. To zestaw pudełek, jedno w drugim.

AI Sztuczna inteligencja cel: program zachowuje się mądrze

ML Uczenie maszynowe metoda: ucz się z przykładów

DL Deep learning ML na sieciach neuronowych

LLM Model językowy deep learning na tekście

Czytaj to od zewnątrz:

Sztuczna inteligencja to cel, nie technika. Termin obejmuje wszystko, co sprawia, że program zachowuje się mądrze - łącznie z systemami opartymi na regułach napisanych ręcznie przez człowieka. Szachowy program z lat dziewięćdziesiątych był sztuczną inteligencją. Jego siła brała się jednak z przeszukiwania milionów wariantów i z reguł oceny pozycji wpisanych przez ludzi, a nie z uczenia się na danych.

Uczenie maszynowe, po angielsku machine learning, to jedna z metod dojścia do tego celu, dziś zdecydowanie dominująca. Zamiast pisać reguły, pokazujesz systemowi sto tysięcy przykładów i każesz mu znaleźć regułę samemu. Wykrywanie anomalii w Twoim banku o 7:50 działało dokładnie tak.

Deep learning to uczenie maszynowe na sieciach neuronowych o wielu warstwach. Wymaga dużo danych i dużo mocy obliczeniowej, ale radzi sobie z zadaniami, przy których prostsze metody się poddają - rozpoznawaniem obrazu, dźwięku, języka.

Model językowy to deep learning wytrenowany na tekście. Jeden liść na dużym drzewie.

Praktyczny wniosek: gdy ktoś mówi „mamy AI”, nie powiedział jeszcze nic. Pytanie brzmi, które pudełko ma na myśli.

Mapa druga: oś rzeczywistości

AR i VR nie są dwoma skrótami do zapamiętania. Są dwoma punktami na jednej osi, a oś mierzy jedno: ile rzeczywistości oddajesz.

świat prawdziwyświat podmieniony

telefonpatrzysz na ekran obok świata
ARdokłada warstwę do pokoju, który dalej widzisz
MRobiekty reagują na geometrię pokoju
VRnie widzisz pokoju wcale

AR dokłada. Kanapa o 13:20 stała na Twoim prawdziwym dywanie.

MR, czyli rzeczywistość mieszana, idzie krok dalej. Wirtualny obiekt nie tylko wyświetla się na tle pokoju, ale rozumie jego geometrię: chowa się za realną szafą, odbija od realnego stołu.

VR zabiera wszystko. Kolega o 16:45 nie widział sali szkoleniowej.

XR to worek na całą trójkę. Używa się go wtedy, gdy nie chce się rozstrzygać, o który punkt osi chodzi - albo gdy sprzedawca sam jeszcze nie wie.

Praktyczna konsekwencja tej osi jest kosztowa. Im dalej w prawo, tym drożej i tym trudniej wdrożyć. AR działa na telefonie, który pracownik ma w kieszeni. VR wymaga sprzętu, przestrzeni, obsługi i - jak pokazało badanie PwC - odpowiedniej liczby uczestników, żeby w ogóle się spiąć.

Mapa trzecia: kto tu naprawdę jest silnikiem

Odkąd ChatGPT wszedł do powszechnego użycia, „AI” w rozmowach biznesowych oznacza zwykle „model językowy”. Ta zamiana kosztuje polskie firmy realne pieniądze, bo prowadzi do budowania chatbotów tam, gdzie problem wymagał czegoś zupełnie innego.

Spójrz jeszcze raz na swoją dobę i na to, co siedziało pod spodem każdej sceny:

Godzina	Co się stało	Silnik
06:30	telefon rozpoznał twarz	uczenie maszynowe (widzenie)
07:15	mObywatel pokazał dokument	brak AI, zwykła baza danych
07:50	bank wykrył nietypowy przelew	uczenie maszynowe (anomalie)
07:50	bank sprawdził zastrzeżony dokument	brak AI, rejestr dokumentów
09:10	edytor dokończył zdanie	model językowy
11:30	tłumacz przełożył wiadomość	model językowy
13:20	kanapa stanęła w salonie	AR plus widzenie maszynowe
15:40	czujnik zgłosił temperaturę	IoT, bez AI
16:45	kolega gasił wirtualny pożar	VR, bez AI
19:00	auto skorygowało tor jazdy	uczenie maszynowe (widzenie)
21:30	agent zrobił zestawienie sam	model językowy plus narzędzia
22:40	platforma trafiła w nastrój	uczenie maszynowe (rekomendacje)

Policz. Model językowy odpowiada za trzy z dwunastu pozycji. Uczenie maszynowe w innych postaciach - za pięć. Cztery obyły się bez sztucznej inteligencji w ogóle, a jedna z nich zablokowała w ciągu kwartału wyłudzenia warte 303,1 miliona złotych.

Zapamiętaj jedno zdanie: uczenie maszynowe jest korzeniem, model językowy jest liściem.

Firma, która pyta „jak wykorzystamy ChatGPT”, zawęziła sobie pole poszukiwań do jednego liścia, zanim w ogóle spojrzała na drzewo.

Czego w tej dobie nie było

Trzy pojęcia, które słyszysz równie często, nie pojawiły się ani razu. Nie przez przeoczenie.

Blockchain. Działa realnie w kryptowalutach i w kilku rejestrach publicznych. Przez ostatnie osiem lat zapowiadano go jednak jako fundament wszystkiego - od łańcuchów dostaw po dokumentację medyczną. Twoja doba przebiegła bez niego i doba przeciętnego Polaka też przebiega bez niego.

Metaverse. Termin przeżył szczyt zainteresowania w 2021 roku i cichy odwrót później. Technologie, które miały go tworzyć, mają się dobrze - tylko pracują pod nazwami AR, MR i VR, w konkretnych zastosowaniach, takich jak szkolenia i projektowanie. Sama wizja wspólnego świata równoległego nie znalazła odbiorców.

Komputery kwantowe. Istnieją, robią postępy i pozostają narzędziem laboratoryjnym. Ich realne zastosowania biznesowe są dziś policzalne na palcach.

Po co ta lista w tekście o wyjaśnianiu pojęć? Ponieważ umiejętność odróżnienia technologii obecnej od zapowiadanej jest częścią rozumienia rynku - i akurat tej części nie znajdziesz w żadnym słowniku.

Dojrzałość technologii działa przy tym w obie strony. W opracowaniu „Krajobraz cyberzagrożeń w polskim sektorze finansowym” CSIRT KNF wymienia oszustwa wspierane sztuczną inteligencją wśród najważniejszych zagrożeń na 2026 rok. Na tej samej liście zagrożeń stoją kradzież tożsamości, ransomware i ataki DDoS. Generatywne modele podnoszą skuteczność phishingu i deepfake'ów, bo wiadomości są poprawne językowo i lepiej dopasowane do ofiary.

Ta sama technologia, która o 7:50 chroniła Twoje konto, pracuje dziś także dla drugiej strony.

Co z tego zostaje

Wróćmy do spotkania z początku tekstu, na którym cztery osoby mówiły „AI” i miały na myśli cztery różne rzeczy.

Masz teraz trzy pytania, które je rozstrzygają:

Które pudełko? Sztuczna inteligencja, uczenie maszynowe czy konkretnie model językowy. Odpowiedź „AI” nie jest odpowiedzią.

Ile rzeczywistości? Przy projektach wizualnych ustal, czy mówimy o warstwie na telefonie, czy o goglach i osobnym pomieszczeniu. Różnica w budżecie bywa dziesięciokrotna.

Czy tu w ogóle potrzebne jest uczenie? Jeśli reguły da się wypisać na kartce, baza danych i kilka warunków zrobią to samo taniej i przewidywalniej. mObywatel obsługuje 12 milionów ludzi bez sztucznej inteligencji.

Nie musisz umieć zbudować żadnej z tych rzeczy. Musisz umieć powiedzieć, o której z nich rozmawiacie.

Jeśli chcesz przejść od nazewnictwa do praktyki, zacznij od darmowego kursu Claude AI - pierwsze trzy moduły nie wymagają ani linijki kodu. Jeśli wolisz najpierw zrozumieć mechanikę modeli językowych do końca, wejdź w interaktywny przewodnik po wnętrzu modelu.

Źródła

Ministerstwo Cyfryzacji, dane o aplikacji mObywatel, 26 maja 2026 (12 mln użytkowników, 1,5 mln logowań dziennie, 47 usług, 28 dokumentów cyfrowych)
Związek Banków Polskich, raport infoDOK, 66. edycja, II kwartał 2026 (9 362 udaremnione próby wyłudzeń kredytów na 303,1 mln zł, średnio 18,6 tys. zł na próbę). Raport opisuje System Dokumenty Zastrzeżone, czyli rejestr - nie systemy uczenia maszynowego
PwC, „VR Soft Skills Training Efficacy Study”, 2020, badanie prowadzone z Cornerstone na nowych menedżerach w 12 lokalizacjach PwC w USA, temat: szkolenie z kompetencji miękkich (czterokrotnie szybsze niż w sali, 275% wyższa pewność zastosowania, 3,75x silniejsze związanie emocjonalne, próg opłacalności przy 375 uczestnikach wobec sali i 1 950 wobec e-learningu)
Deloitte Digital, „Snap Consumer AR Global Report”, maj 2021, badanie na 15 000 konsumentów zlecone przez Snap Inc. (prawie trzech na czterech konsumentów deklaruje gotowość zapłacenia więcej za produkt pokazany w AR)
CSIRT KNF, „Krajobraz cyberzagrożeń w polskim sektorze finansowym”, edycja 2026 (oszustwa wspierane sztuczną inteligencją wśród najważniejszych zagrożeń roku)