Moderní umělá inteligence (AI) se v posledních letech dramaticky proměnila. Od rigidních systémů založených na pravidlech, jakými byly lékařské expertní systémy sedmdesátých a osmdesátých let, jsme se posunuli k dynamickým, adaptivním a generativním modelům, které pravidla nedostávají od člověka, ale odvozují je z dat; zlom přinesly grafické procesory, které umožnily neuronové sítě skutečně natrénovat. Autor, který s AI začínal v osmdesátých letech na pravidlových expertních systémech, chce uvést na pravou míru fámy, které kolem AI kolují. Článek je určen lékařům, studentům medicíny a všem, kdo používají nástroje AI, aniž by je vyvíjeli. Srozumitelnou formou a na konkrétních příkladech vysvětluje deset základních pilířů, na nichž stojí nástroje současné AI: neuronové sítě, trénování a používání modelu, rozklad textu na tokeny, číselnou reprezentaci významu, mechanismus pozornosti, architekturu transformeru, kontextové okno, zákony škálování, předtrénování a dotrénování a konečně velké jazykové modely. Každý princip vykládáme pomocí analogie z fyziologie nebo z lékařské praxe a ukazujeme, co z něj plyne pro každodenní práci s AI: proč jazykový model občas sebejistě uvádí nepravdy, proč zapomíná začátek dlouhého rozhovoru a proč se jeho výstupy musí ověřovat.

Modern artificial intelligence (AI) has changed dramatically in recent years. From rigid rule-based systems, such as the medical expert systems of the 1970s and 1980s, we have moved to dynamic, adaptive and generative models that do not receive their rules from humans but derive them from data; the turning point came with graphics processors, which made it possible to actually train neural networks. The author, who began working with AI in the 1980s on rule-based expert systems, aims to set straight the myths that circulate about AI. The article is intended for physicians, medical students and everyone who uses AI tools without developing them. In an accessible way and with concrete examples, it explains the ten pillars on which today’s AI tools rest: neural networks, training and using a model, splitting text into tokens, the numerical representation of meaning, the attention mechanism, the transformer architecture, the context window, scaling laws, pre-training and fine-tuning, and finally large language models. Each principle is explained through an analogy from physiology or medical practice, and we show what follows from it for everyday work with AI: why a language model sometimes states falsehoods with confidence, why it forgets the beginning of a long conversation, and why its outputs must be verified.