Najnovija generacija modela veštačke inteligencije oslobađa se ograničenja teksta. Multimodalna AI je novi standard, omogućavajući sistemima da istovremeno obrađuju i generišu informacije u više formata – tekst, slike, zvuk i video. Ova sposobnost čini interakcije sa AI prirodnijim, intuitivnijim i sličnijim ljudskim nego ikada pre.

Tokeni su osnovne gradivne jedinice teksta koje veštačka inteligencija čita i razume. Veliki jezički modeli "seckaju" tekst na manje delove — te delove zovemo tokeni.

Veštačka inteligencija (AI) je tehnologija koja omogućava računarima i mašinama da "razmišljaju" i obavljaju zadatke koji inače zahtevaju ljudsku inteligenciju.

Ovaj tekst je nastavak teksta ☞ Da li veštačka inteligencija jeste ili nije inteligencija?. Kineska soba (The Chinese Room) je jedan od najuticajnijih i najkontroverznijih misaonih eksperimenata u filozofiji veštačke inteligencije, koji je 1980. godine predložio filozof John Searle.

Nedavno sam se par puta sreo sa izjavama da veštačka inteligencija uopšte nije inteligencija. Moje mišljenje je da AI jeste inteligencija, ali veštačka, ne ljudska. Da bi čak bilo opravdano je zvati neljudskom inteligencijom. Zabunu prvi što ljudi mešaju svest i kretivanost sa inteligencijom i zbog toga smatraju da AI nije inteligencija jer nema svest i ljudsku kreativnost.

Pre nego što je Transformer arhitektura (i Mehanizam pažnje) preuzela primat, problem obrade sekvencijalnih podataka – kao što su tekst, govor ili vremenske serije – rešavali su Rekurentne Neuronske Mreže (RNN).

Mehanizam pažnje je tehnika koja omogućava neuronskoj mreži da dinamički proceni važnost različitih delova ulaznih podataka (reči, piksela ili tokena) prilikom obrade svakog pojedinačnog dela. Ova tehnika, koja leži u arhitekturi Transformer modela, je revolucionisala AI,

Model Context Protocol (MCP) je otvoreni (javno dostupan) protokol koji je razvio Anthropic kako bi standardizovao način na koji AI aplikacije komuniciraju sa različitim izvorima podataka i alatima. Predstavlja ključan korak u rešavanju haosa integracija i bezbednom povezivanju velikih jezičkih modela (LLM) sa spoljašnjim, privatnim i dinamičkim sistemima.

Markovljev lanac je matematički model koji opisuje niz događaja ili stanja, pri čemu sledeće stanje zavisi isključivo od trenutnog stanja, a ne od celokupne istorije prethodnih stanja. Ovo svojstvo se naziva Markovljevo svojstvo ili "svojstvo bez pamćenja". Na primer, ako pratimo vremenske uslove, temperatura sutra zavisi samo od temperature danas, a ne od temperature od pre nedelju dana.

Zamislite da posmatrate hiljade pojedinačnih pčela kako grade košnicu. Nijedna pčela nema plan za celu građevinu, ali zajedno stvaraju složenu i funkcionalnu strukturu. Sličan fenomen – gde celina postaje mnogo više od zbira svojih delova – dešava se u svetu veštačke inteligencije. To su emergentna ili spontana svojstva.

Graf baze podataka predstavljaju moćan alat za modelovanje i upravljanje podacima koji su po prirodi međusobno povezani. Za razliku od tradicionalnih relacionih baza podataka koje skladište podatke u tabelama, graf baze koriste strukture grafova sa čvorovima, relacijama i svojstvima za reprezentaciju i skladištenje podataka.

Zamislite da imate asistenta koji na svako pitanje daje brz odgovor – ali ponekad jednostavno izmisli informacije kada nije siguran. Upravo to je bio problem sa kojim su se suočavali AI sistemi: davali su samouverene odgovore koji su zvučali uverljivo, ali nisu uvek bili tačni. Ove netačnosti naučnici nazivaju "halucinacijama" veštačke inteligencije.

Parametar kod velikih jezičkih modela (LLM) je jedna od ključnih komponenti koja kontroliše rad i ponašanje modela. Veliki jezički modeli su napredne neuronske mreže sa milijardama parametara – numeričkih vrednosti (težina i pristrasnosti) naučenih tokom procesa obuke na ogromnim količinama tekstualnih podataka. Ti parametri omogućavaju modelu da prepozna složene obrasce u jeziku i da generiše koherentan, smislen tekst.

Kada koristite AI alate poput ChatGPT-a, Gemini-ja ili Claude-a, verovatno ste primetili da ponekad dobijate veoma precizne i fokusirane odgovore, dok su drugi put rezultati kreativniji i neočekivaniji. Iza ove razlike često stoji jedan ključni parametar: temperatura.

Vibe coding je zapravo izraz koji je popularizovao Andrej Karpathy početkom 2025. godine i označava način programiranja gde programer gotovo u potpunosti prepušta pisanje koda veštačkoj inteligenciji, obično velikim jezičkim modelima (LLM). Termin je postao poznat nakon što ga je sam Karpathy upotrebio na društvenoj mreži X u februaru 2025, a potom je brzo ušao i u širu upotrebu i bio zabeležen kao „trending“ pojam u rečnicima, uključujući Merriam-Webster.[2][9]