Słownik AI: 100 pojęć sztucznej inteligencji wyjaśnionych prostym językiem [2026]

Czym jest sztuczna inteligencja i jak się dzieli? (terminy 1–4)

Sztuczna inteligencja (AI) to dziedzina informatyki tworząca systemy zdolne do wykonywania zadań wymagających ludzkiej inteligencji: rozumowania, uczenia się, percepcji i podejmowania decyzji. Termin ukuł John McCarthy w 1956 roku podczas konferencji w Dartmouth.

• 1. Artificial Intelligence (AI) – sztuczna inteligencja: System wykonujący zadania typowo wymagające ludzkiej inteligencji: rozumowanie, uczenie się, percepcja, podejmowanie decyzji. Definicja Parlamentu Europejskiego z AI Act określa AI jako zdolność maszyn do wykazywania umiejętności takich jak rozumowanie, planowanie i kreatywność.
• 2. Machine learning (ML) – uczenie maszynowe: Podzbiór AI, w którym systemy uczą się wzorców z danych zamiast postępować według ręcznie zakodowanych reguł. Fundament większości współczesnych rozwiązań AI.
• 3. Deep learning (DL) – głębokie uczenie: Technika ML wykorzystująca wielowarstwowe sieci neuronowe do nauki hierarchicznych reprezentacji z dużych zbiorów danych. Umożliwia rozpoznawanie obrazów, mowy i języka naturalnego.
• 4. Neural network – sieć neuronowa: Model obliczeniowy inspirowany ludzkim mózgiem. Składa się z połączonych węzłów (neuronów) zorganizowanych w warstwy, które wspólnie przetwarzają informacje i generują odpowiedź.

Paradygmaty uczenia – jak modele AI się uczą? (terminy 5–11)

Uczenie maszynowe nie jest jednorodną metodą – obejmuje kilka odrębnych podejść zależnych od dostępności danych i celu treningu. Wybór właściwego paradygmatu decyduje o tym, jakiego rodzaju problemy model jest w stanie rozwiązać.

• 5. Supervised learning (uczenie nadzorowane): Model trenuje na przykładach z przypisanymi poprawnymi odpowiedziami. Przykład: klasyfikacja e-maili jako spam lub nie-spam.
• 6. Unsupervised learning (uczenie nienadzorowane): Model szuka ukrytych wzorców w danych bez etykiet. Przykład: grupowanie klientów według zachowań zakupowych.
• 7. Reinforcement learning (RL) – uczenie ze wzmocnieniem: Model uczy się przez próbę i błąd, optymalizując działania na podstawie sygnałów nagród. Tak trenowane były systemy grające w szachy i Go oraz modele językowe przy użyciu RLHF.
• 8. Self-supervised learning – uczenie samodzielne: Model generuje własne etykiety z danych wejściowych, np. przewidując zasłonięte słowa w tekście. Ta metoda leży u podstaw modeli językowych takich jak GPT.
• 9. Transfer learning – transfer wiedzy: Przeniesienie wiedzy zdobytej przy jednym zadaniu do nowego, pokrewnego zadania. Pozwala trenować skuteczne modele przy ograniczonych danych.
• 10. Zero-shot learning: Model wykonuje zadania bez żadnych przykładów treningowych dla danej kategorii – identyfikuje obiekty lub odpowiada na pytania, których nigdy wcześniej nie widział.
• 11. Few-shot learning: Nauka na bardzo małej liczbie przykładów – zazwyczaj od 1 do 10. Podejście kluczowe przy ograniczonych danych etykietowanych.

Architektura i trening modeli – co dzieje się pod maską? (terminy 12–21)

Zrozumienie, jak modele są budowane i trenowane, pomaga ocenić ich możliwości i ograniczenia. Poniżej kluczowe pojęcia z tej kategorii, zestawione w tabeli.

• Gradient descent: Algorytm optymalizacji minimalizujący funkcję straty przez iteracyjną aktualizację wag modelu wzdłuż gradientu – umożliwia efektywne uczenie nawet bardzo dużych sieci.

Uwaga: gradient descent to termin ściśle powiązany z backpropagation – oba są wymienione razem w kontekście treningu sieci.

Fine-tuning i dostosowanie modeli – jak specjalizować AI? (terminy 22–27)

Pre-trenowany model to punkt wyjścia. Żeby dostosować go do konkretnego zastosowania – obsługi klienta, analizy dokumentów prawnych czy generowania kodu – stosuje się różne metody dostrajania. Ta kategoria opisuje najważniejsze z nich.

• 22. Pre-training (pre-trening): Wstępny etap treningu modelu na ogromnych zbiorach danych ogólnego przeznaczenia. Model uczy się statystycznych wzorców języka lub obrazów, zanim zostanie dostosowany do konkretnych zadań. Pre-trening GPT-4 kosztował szacunkowo ponad 100 mln dolarów w mocy obliczeniowej.
• 23. Fine-tuning (dostrajanie): Dalszy trening pre-trenowanego modelu na mniejszym, specjalistycznym zbiorze danych. Pozwala dostosować model do konkretnej domeny (np. medycyna, prawo, obsługa klienta) bez trenowania od zera. To najbardziej popularny sposób specjalizacji modeli.
• 24. Instruction tuning (dostrajanie instrukcjami): Forma fine-tuningu, w której model trenuje na parach pytanie–odpowiedź sformułowanych jako instrukcje. Sprawia, że model lepiej rozumie i wykonuje polecenia użytkownika.
• 25. RLHF (Reinforcement Learning from Human Feedback): Metoda dostrajania modeli językowych z użyciem ludzkich preferencji jako sygnału nagrody. Model uczy się odpowiadać w sposób, który ludzie oceniają jako bardziej pomocny, precyzyjny i bezpieczny. Zastosowana m.in. w treningu ChatGPT i Claude.
• 26. LoRA (Low-Rank Adaptation): Parametroefektywna metoda fine-tuningu, w której zamiast aktualizować wszystkie wagi modelu, trenuje się niewielkie macierze niskorangowe. Pozwala dostosować model kilkadziesiąt razy taniej niż pełny fine-tuning.
• 27. PEFT (Parameter-Efficient Fine-Tuning): Rodzina metod dostrajania modeli (w tym LoRA) pozwalających uzyskać wysoką jakość przy aktualizacji zaledwie ułamka parametrów. Kluczowe dla wdrożeń z ograniczonymi zasobami obliczeniowymi.

NLP i język – jak AI rozumie tekst? (terminy 28–33)

Natural Language Processing (NLP) to dziedzina AI zajmująca się rozumieniem, interpretacją i generowaniem ludzkiego języka. Modele NLP zasilają dziś wyszukiwarki, chatboty, asystentów głosowych i systemy tłumaczenia.

• 28. NLP (Natural Language Processing) – przetwarzanie języka naturalnego: Obszar AI skupiony na rozumieniu, interpretacji i generowaniu ludzkiego języka przez maszyny. NLP łączy lingwistykę, statystykę i głębokie uczenie.
• 29. Embedding (osadzenie wektorowe): Gęsta reprezentacja wektorowa kodująca semantyczne znaczenie słów, zdań lub obrazów w przestrzeni liczbowej. Podobne pojęcia mają geometrycznie zbliżone wektory – to fundament wyszukiwania semantycznego i systemów RAG.
• 30. Semantic search (wyszukiwanie semantyczne): Wyszukiwanie oparte na znaczeniu i intencji zapytania, nie tylko dopasowaniu słów kluczowych. Umożliwia znajdowanie treści nawet wtedy, gdy użytkownik nie użył dokładnych słów z dokumentu.
• 31. Tokenization (tokenizacja): Dzielenie tekstu na mniejsze jednostki (tokeny) przetwarzane przez model – mogą to być całe słowa, fragmenty lub pojedyncze znaki. Sposób tokenizacji wpływa na efektywność i koszty modelu.
• 32. Attention mechanism (mechanizm uwagi): Komponent sieci neuronowej pozwalający modelowi przypisywać różne wagi różnym fragmentom wejścia przy generowaniu każdego tokenu wyjściowego. Leży u podstaw architektury Transformer.
• 33. Prompt engineering (inżynieria promptów): Sztuka i nauka projektowania instrukcji (promptów) w sposób maksymalizujący jakość i użyteczność odpowiedzi modelu. Obejmuje techniki takie jak Chain-of-Thought, few-shot examples czy role prompting.

Generatywna AI – pojęcia, które musisz znać (terminy 34–41)

Generatywna AI to podzbiór modeli tworzących nowe treści: tekst, obrazy, wideo i dźwięk. To właśnie te systemy odmieniły codzienną pracę milionów ludzi i stały się synonimem „rewolucji AI” zapoczątkowanej w 2022 roku.

• 34. Generative AI – generatywna AI: Modele AI projektowane do tworzenia nowych treści (tekst, obraz, wideo, audio, kod) na podstawie wzorców wyuczonych z danych treningowych. Przykłady: ChatGPT, DALL-E, Sora, Midjourney.
• 35. Prompt: Instrukcja tekstowa lub pytanie kierowane do modelu przez użytkownika. Jakość i precyzja promptu bezpośrednio wpływa na trafność i użyteczność odpowiedzi.
• 36. Token: Podstawowa jednostka tekstu przetwarzana przez model językowy – może to być słowo, fragment słowa lub znak interpunkcyjny. Liczba tokenów decyduje o kosztach API i pojemności kontekstu.
• 37. Context window (okno kontekstu): Maksymalna liczba tokenów, które model może przetworzyć naraz w jednym wywołaniu. Decyduje o tym, ile informacji model „widzi” podczas rozmowy. GPT-4o obsługuje ok. 128 tys. tokenów, Claude 3.5 – do 200 tys.
• 38. Temperature (temperatura): Parametr kontrolujący losowość odpowiedzi. Temperatura bliska 0 daje deterministyczne, powtarzalne wyniki – idealne do zadań faktograficznych. Wyższa wartość (np. 1.0) sprzyja kreatywności.
• 39. Inference (wnioskowanie): Uruchomienie wytrenowanego modelu na nowych danych wejściowych w celu wygenerowania odpowiedzi. Inference to etap „produkcyjny” – w odróżnieniu od kosztownego treningu.
• 40. Diffusion model: Generatywny model uczący się odwracać proces stopniowego dodawania szumu do danych. Leży u podstaw narzędzi do generowania obrazów, takich jak DALL-E, Stable Diffusion czy Midjourney.
• 41. Autoregressive model: Model generujący dane sekwencyjnie – każdy token jest produkowany na podstawie wszystkich poprzednich. Tak działają wszystkie modele z rodziny GPT i większość nowoczesnych LLM.

Vision AI i modele multimodalne – AI, które widzi (terminy 42–47)

Współczesne modele AI nie ograniczają się do tekstu. Modele multimodalne przetwarzają jednocześnie tekst, obraz, dźwięk i wideo – zbliżając się do sposobu, w jaki człowiek postrzega świat.

• 42. Computer Vision – widzenie komputerowe: Dziedzina AI umożliwiająca maszynom interpretację i analizę informacji wizualnych z obrazów i wideo. Zastosowania obejmują rozpoznawanie twarzy, kontrolę jakości w przemyśle i autonomiczne pojazdy.
• 43. Multimodal AI – AI multimodalna: Modele zdolne do przetwarzania i łączenia wielu typów danych jednocześnie: tekstu, obrazów, audio i wideo. Przykłady: GPT-4o (analizuje obrazy i generuje tekst), Gemini 1.5 Pro.
• 44. OCR (Optical Character Recognition) – optyczne rozpoznawanie znaków: Technologia konwertująca obraz tekstu (skan, zdjęcie) na edytowalny, przeszukiwalny tekst cyfrowy. Kluczowa w automatyzacji przetwarzania dokumentów.
• 45. Image segmentation – segmentacja obrazu: Zadanie polegające na przypisaniu każdego piksela obrazu do określonej klasy lub obiektu. Stosowane w diagnostyce medycznej (segmentacja guzów), autonomicznej jeździe i edycji zdjęć.
• 46. Object detection – wykrywanie obiektów: Identyfikacja i lokalizacja konkretnych obiektów na obrazie lub w sekwencji wideo z podaniem ich pozycji (bounding box). Przykłady: wykrywanie pieszych przez samochody autonomiczne, monitoring CCTV.
• 47. Multimodal embedding: Ujednolicona reprezentacja wektorowa łącząca dane z różnych modalności (tekst i obraz) w tej samej przestrzeni wektorowej. Pozwala wyszukiwać obrazy za pomocą opisu tekstowego i odwrotnie.

Agenci AI i systemy – nowa era autonomii (terminy 48–55)

AI agent to system zdolny do postrzegania środowiska, planowania i podejmowania autonomicznych działań zmierzających do wyznaczonego celu. Agenci AI są jednym z najgorętszych trendów 2026 roku – przechodzą od eksperymentów do wdrożeń produkcyjnych.

• 48. AI agent – agent AI: System percypujący środowisko i podejmujący autonomiczne działania zmierzające do wyznaczonego celu. W przeciwieństwie do chatbota agent może samodzielnie korzystać z narzędzi, przeszukiwać sieć czy uruchamiać kod.
• 49. Agentic AI: Zdolna do wieloetapowego planowania, korzystania z zewnętrznych narzędzi i samodzielnego wykonywania złożonych zadań forma AI – bez konieczności potwierdzania każdego kroku przez człowieka.
• 50. Tool use (korzystanie z narzędzi): Zdolność modelu do wywoływania zewnętrznych funkcji, API i serwisów – np. przeszukiwanie internetu, wykonywanie kodu Pythona, wysyłanie e-maili czy tworzenie plików.
• 51. Chain-of-Thought (CoT) – łańcuch myślenia: Technika promptowania zachęcająca model do rozumowania krok po kroku przed udzieleniem ostatecznej odpowiedzi. Znacząco zwiększa trafność przy złożonych problemach matematycznych i logicznych.
• 52. RAG (Retrieval-Augmented Generation): Architektura łącząca wyszukiwanie zewnętrznych dokumentów z generowaniem tekstu przez LLM. Pozwala modelowi odpowiadać na pytania o aktualne lub specjalistyczne dane bez kosztownego retrainingu. Kluczowe narzędzie w systemach enterprise.
• 53. MCP (Model Context Protocol): Otwarty standard opracowany przez Anthropic, ułatwiający podłączanie modeli AI do zewnętrznych narzędzi i źródeł danych w ustandaryzowany sposób.
• 54. Multi-agent system – system wieloagentowy: Architektura, w której wiele specjalizowanych agentów AI współpracuje, wykonując różne części złożonego zadania i komunikując się ze sobą. Pozwala rozwiązywać problemy przekraczające możliwości jednego agenta.
• 55. Vector database – baza wektorowa: Baza danych zoptymalizowana do przechowywania i przeszukiwania embeddingów (wektorów). Fundament systemów RAG – umożliwia błyskawiczne znajdowanie semantycznie podobnych dokumentów. Przykłady: Pinecone, Weaviate, Chroma.

Problemy i zachowanie modeli – czego AI nie potrafi? (terminy 56–62)

Znajomość ograniczeń i typowych błędów modeli AI jest równie ważna jak rozumienie ich możliwości. Każde z poniższych zjawisk może prowadzić do poważnych konsekwencji w środowiskach produkcyjnych.

• 56. Hallucination (halucynacja): Generowanie przez model przekonująco brzmiących, lecz faktycznie nieprawdziwych lub zmyślonych informacji. Jeden z największych wyzwań współczesnych LLM – modele nie „wiedzą”, że kłamią.
• 57. Overfitting (przeuczenie): Model zapamiętał dane treningowe zbyt dokładnie – razem z ich szumem i wyjątkami – i słabo generalizuje na nowe, niewidziane dane.
• 58. Underfitting (niedouczenie): Model jest zbyt prosty, aby uchwycić wzorce w danych – błęduje zarówno na danych treningowych, jak i testowych.
• 59. Bias (stronniczość modelu): Systematyczne błędy lub niesprawiedliwe wyniki wynikające z wadliwych, niezbalansowanych lub historycznie stronniczych danych treningowych. Przykład: modele rozpoznawania twarzy gorzej działające dla osób o ciemniejszej karnacji.
• 60. Alignment (zgodność z intencją): Zapewnienie, że zachowanie modeli AI jest zgodne z ludzkimi wartościami, celami i intencjami. Jeden z centralnych problemów badań nad bezpieczną AI.
• 61. Jailbreaking: Próba obejścia zabezpieczeń modelu za pomocą sprytnie skonstruowanych promptów, tak by wygenerował treści niezgodne z jego wytycznymi bezpieczeństwa.
• 62. Prompt injection: Atak polegający na wstrzyknięciu złośliwych instrukcji do promptu lub danych wejściowych modelu w celu manipulowania jego zachowaniem lub przejęcia kontroli nad agentem AI.

Bezpieczeństwo i etyka AI (terminy 63–70)

Wraz z rosnącą mocą modeli AI rosną wymagania dotyczące ich bezpiecznego i odpowiedzialnego wdrażania. Poniżej kluczowe pojęcia z obszaru AI safety i AI ethics.

• 63. Explainable AI (XAI) – wyjaśnialna AI: Metody i techniki sprawiające, że decyzje modeli AI stają się zrozumiałe i interpretowalne dla ludzi – nie tylko specjalistów. Kluczowe w zastosowaniach medycznych, finansowych i prawnych.
• 64. Red teaming: Adversarialne testowanie modeli przed wdrożeniem w celu identyfikacji słabości, trybów awarii i potencjalnych nadużyć. Grupy red team celowo próbują „złamać” model lub wyciągnąć od niego szkodliwe odpowiedzi.
• 65. Constitutional AI: Podejście do treningu modeli z użyciem zestawu zasad (konstytucji) kierujących ich zachowaniem – model uczy się oceniać własne odpowiedzi pod kątem zgodności z tymi zasadami. Technika opracowana przez Anthropic.
• 66. Guardrails (zabezpieczenia): Ograniczenia techniczne i polityki wbudowane w model, zapobiegające generowaniu szkodliwych, obraźliwych lub nielegalnych treści.
• 67. Model Card: Dokumentacja towarzysząca modelowi AI, opisująca jego możliwości, ograniczenia, dane treningowe, metryki wydajności i przeznaczenie. Standard przejrzystości w branży AI.
• 68. Data Privacy (prywatność danych): Ochrona danych osobowych na etapie zbierania, treningu i wnioskowania modeli AI. Kluczowe w kontekście RODO i regulacji AI Act.
• 69. AI Act: Pierwsze na świecie kompleksowe prawo regulujące sztuczną inteligencję, uchwalone przez Unię Europejską w 2024 roku. Dzieli systemy AI na kategorie ryzyka (niedopuszczalne, wysokie, ograniczone, minimalne) i nakłada na nie odpowiednie obowiązki.
• 70. AI watermarking – znakowanie wodne AI: Technika osadzania niewidocznych znaczników w treściach generowanych przez AI (tekst, obraz, dźwięk), umożliwiająca ich późniejszą identyfikację jako wygenerowane maszynowo. Ważna dla walki z dezinformacją.

Infrastruktura i wdrożenie – co napędza modele AI? (terminy 71–80)

Za możliwościami współczesnych modeli AI stoi rozbudowana infrastruktura sprzętowa i programowa. Te pojęcia są kluczowe dla inżynierów i decydentów wdrażających AI w organizacjach.

Ewaluacja modeli – jak mierzymy jakość AI? (terminy 81–88)

Ocena modeli AI wymaga precyzyjnych, obiektywnych metryk. Poniżej najważniejsze z nich – każda mierzy coś innego i żadna nie wystarczy sama w sobie.

• 81. Accuracy (dokładność): Odsetek poprawnych przewidywań wśród wszystkich. Prosta i intuicyjna, ale myląca przy niezbalansowanych zbiorach danych (np. 99% próbek to jedna klasa).
• 82. Precision (precyzja): Spośród wszystkich przypadków zaklasyfikowanych przez model jako pozytywne – jaki odsetek rzeczywiście nim jest? Ważna gdy koszt fałszywego alarmu jest wysoki.
• 83. Recall (czułość): Spośród wszystkich rzeczywistych pozytywów – jaki odsetek model wykrył? Kluczowa gdy przeoczenie przypadku pozytywnego jest kosztowne (np. diagnostyka raka).
• 84. F1 Score: Średnia harmoniczna precyzji i czułości. Syntetyczna miara jakości modelu przy niezbalansowanych danych – równoważy oba podejścia.
• 85. Perplexity (perpleksja): Miara jak dobrze LLM przewiduje kolejny token w sekwencji. Im niższa, tym lepiej model „rozumie” język. Używana do porównywania modeli językowych.
• 86. BLEU Score: Automatyczna metryka oceny jakości tłumaczenia maszynowego poprzez porównanie z tłumaczeniami referencyjnymi. Wartość od 0 do 100 – wyżej oznacza bliżej ludzkiemu tłumaczeniu.
• 87. Benchmark: Standaryzowany zestaw testów używany do porównywania modeli AI w określonych zadaniach. Popularne benchmarki to MMLU (wiedza ogólna), HumanEval (kodowanie) czy GLUE (NLP).
• 88. Ground Truth (dane referencyjne): Zweryfikowane, poprawne odpowiedzi używane podczas treningu lub ewaluacji do porównania z przewidywaniami modelu. Jakość ground truth bezpośrednio determinuje jakość modelu.

Zaawansowane koncepcje – granica możliwości AI (terminy 89–100)

Te pojęcia opisują zarówno zjawiska techniczne, jak i spekulatywne teorie dotyczące przyszłości AI. Są szczególnie istotne w debacie o kierunkach i ryzykach tej technologii.

• 89. Latent space (przestrzeń ukryta): Skompresowana przestrzeń matematyczna, w której model koduje wewnętrzne reprezentacje danych. Podobne pojęcia grupują się geometrycznie blisko siebie – to tam tkwi „wiedza” modelu.
• 90. Emergent abilities (zdolności emergentne): Niespodziewane możliwości pojawiające się w dużych modelach, nieobecne w mniejszych wersjach – nie wynikające wprost z zadań treningowych. Przykład: spontaniczne zdolności arytmetyczne GPT-3 ujawniające się przy przekroczeniu pewnej skali.
• 91. Scaling laws (prawa skalowania): Empiryczne zależności opisujące, jak wydajność modelu rośnie przewidywalnie wraz z rozmiarem modelu, ilością danych i mocą obliczeniową. Odkryte przez badaczy OpenAI (Kaplan i wsp., 2020).
• 92. In-context learning (uczenie w kontekście): Zdolność LLM do adaptacji do nowych zadań wyłącznie na podstawie przykładów zawartych w prompcie – bez aktualizacji wag modelu. Odróżnia LLM od wcześniejszych systemów ML.
• 93. Mixture of Experts (MoE): Architektura modelu, w której wyspecjalizowane podsieci (eksperci) aktywują się selektywnie w zależności od danych wejściowych. Pozwala skalować model do ogromnych rozmiarów przy ograniczonym koszcie wnioskowania. Stosowana w GPT-4 i Mixtral.
• 94. Knowledge graph (graf wiedzy): Baza wiedzy reprezentująca fakty i relacje między encjami w postaci grafu. Stosowana do ustrukturyzowania wiedzy i redukcji halucynacji w systemach AI opartych na bazach wiedzy.
• 95. AI Winter – zima AI: Historyczny okres spadku zainteresowania, finansowania i postępu w badaniach nad AI, gdy wyniki nie dorównywały oczekiwaniom. Dwie zimy AI miały miejsce w latach 70. i 80./90. XX wieku. Termin stosowany dziś w ostrzeżeniach przed „bańką AI”.
• 96. Turing Test (test Turinga): Opracowany przez Alana Turinga w 1950 roku test sprawdzający, czy maszyna potrafi naśladować człowieka na tyle przekonująco, że rozmówca nie jest w stanie jej odróżnić od osoby ludzkiej.
• 97. Narrow AI – wąska AI: AI zdolna do doskonałego wykonywania jednego, konkretnego zadania – np. rozpoznawania twarzy, tłumaczenia tekstów czy grania w szachy. Wszystkie dziś istniejące systemy AI należą do tej kategorii.
• 98. AGI (Artificial General Intelligence) – sztuczna inteligencja ogólna: Hipotetyczna AI dorównująca człowiekowi we wszystkich domenach poznawczych: uczeniu się, rozumowaniu, analizie i podejmowaniu decyzji. Cel intensywnych badań OpenAI, Anthropic i DeepMind – według różnych szacunków odległy o lata lub dekady.
• 99. ASI (Artificial Superintelligence) – superinteligencja: Teoretyczna AI przewyższająca ludzką inteligencję we wszystkich dziedzinach. Jej pojawienie się – zwane osobliwością technologiczną (technological singularity) – jest przedmiotem zarówno naukowych, jak i filozoficznych debat.
• 100. Technological Singularity – osobliwość technologiczna: Hipotetyczny, przełomowy moment w historii, w którym AI staje się na tyle zaawansowana, że zaczyna samodzielnie się ulepszać w tempie przekraczającym zdolność człowieka do przewidywania lub kontrolowania dalszego rozwoju. Termin spopularyzowany przez Vernona Vinge’a i Raya Kurzweila.