Uczenie maszynowe a sztuczna inteligencja: czym się różnią
W skrócie
AI to cel, a uczenie maszynowe to jeden sposób, żeby go osiągnąć: program sam wyprowadza regułę z przykładów. Trzy koła, eksperyment na guzach i prosty test.
Krótka odpowiedź
Sztuczna inteligencja (AI) to cel: maszyna, która robi rzeczy, do których człowiek potrzebuje inteligencji, np. rozpoznaje mowę, gra w szachy albo odpowiada na pytania. Uczenie maszynowe (ML) to jeden ze sposobów dojścia do tego celu: program sam wyprowadza regułę z przykładów, zamiast dostać ją gotową od człowieka. Głębokie uczenie (deep learning) to część ML, w której regułę tworzy wielowarstwowa sieć neuronowa. Czaty AI, takie jak ChatGPT, to głębokie uczenie. W skrócie: każde uczenie maszynowe to AI, ale nie każda AI to uczenie maszynowe.
Różnicę zobaczysz w 10 minut w lekcji Czym jest uczenie maszynowe?: ta sama decyzja raz z reguły wpisanej ręcznie, raz z reguły wyuczonej z danych. Krótkie definicje pojęć znajdziesz w słowniczku.
Trzy koła, jedno w drugim
- AI, koło największe. Należą tu też programy, które niczego się nie uczą: system ekspertowy z regułami „jeśli… to…” spisanymi razem z lekarzami, program szachowy, który przeszukuje ruchy i ocenia pozycje według wzorów wpisanych przez programistów, albo algorytm szukający najkrótszej trasy na mapie.
- Uczenie maszynowe, koło w środku. Reguła powstaje z danych: filtr spamu uczony na mailach oznaczonych jako spam, polecanie filmów na podstawie tego, co oglądali podobni widzowie, drzewo decyzyjne rozpoznające gatunek pingwina z wymiarów ciała.
- Głębokie uczenie, koło najmniejsze. Uczenie maszynowe z sieciami neuronowymi o wielu warstwach: rozpoznawanie obrazów i mowy, tłumaczenie tekstu, duże modele językowe.
Ta sama decyzja na dwa sposoby
Lab z lekcji pracuje na 569 biopsjach guza piersi. Reguła jest jedna: „jeśli średni promień jądra komórki przekracza próg, podnieś alarm”. Cała różnica polega na tym, kto ustawia próg.
- Ręcznie. Ktoś zgaduje próg 18,0. Na 171 biopsjach, których nikt nie użył do ustawiania reguły, trafia 132 razy, czyli 77,2%. Tak działa podejście z regułami: wiedza przychodzi od człowieka.
- Z danych. Program dostaje 398 innych biopsji ze znaną diagnozą i sam sprawdza, który próg najmniej się myli. Wybiera 15,1, a na tych samych 171 biopsjach trafia 86,0%. Nikt mu nie powiedział, gdzie postawić próg. Znalazł go w przykładach i to jest właśnie uczenie maszynowe.
Prawdziwe modele mają zamiast jednego progu tysiące albo miliardy liczb, ale zasada się nie zmienia: liczby ustawiają się tak, żeby model jak najmniej mylił się na przykładach.
Skąd te nazwy
Określenie „artificial intelligence” stoi w tytule propozycji letniego projektu badawczego w Dartmouth z 31 sierpnia 1955 roku, którą napisali John McCarthy, Marvin Minsky, Nathaniel Rochester i Claude Shannon. „Machine learning” pojawia się w tytule pracy Arthura Samuela z 1959 roku o samouczącym się programie do warcabów. Więcej o tym, jak jedno wyrosło z drugiego, przeczytasz w haśle historia uczenia maszynowego.
Dziś słowo „AI” w reklamach i nagłówkach bywa używane dla dowolnego uczenia maszynowego, a czasem nawet dla zwykłych reguł. Dlatego przydaje się prosty test.
Test na co dzień: skąd się wzięła reguła?
- Ktoś ją spisał (lekarz, prawnik, programista) → program z regułami. Może nazywać się AI, ale niczego się nie uczy.
- Powstała z przykładów ze znaną odpowiedzią (maile oznaczone jako spam lub nie) → uczenie maszynowe, a dokładniej uczenie nadzorowane.
- Powstała z przykładów bez odpowiedzi (klienci pogrupowani według podobnych zakupów) → uczenie maszynowe nienadzorowane.
Działa to też w drugą stronę: nie każde uczenie maszynowe brzmi jak „inteligencja”. Prosta dopasowana do danych, żeby przewidzieć sprzedaż, to też ML, choć nikt nie nazwie jej sztuczną inteligencją. Zobaczysz to w lekcji Regresja liniowa. A jeśli chcesz wiedzieć, jak z uczenia maszynowego robi się czat, przeczytaj Czy ChatGPT to uczenie maszynowe?.
Co dalej
- Start tutaj: mapa na pierwsze 15 minut i darmowe materiały z zewnątrz.
- Kurs ML od zera: od reguły z przykładów do oceny modelu, z eksperymentem w każdej lekcji.
- Słowniczek pierwszych pojęć: model, cecha, etykieta i reszta słów z kursu, każde z linkiem do lekcji.
- Newsletter „ML jak dziecku”: jedno pojęcie w mailu, z linkiem do eksperymentu.
Źródła
- McCarthy J., Minsky M. L., Rochester N., Shannon C. E., „A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955”, przedruk w AI Magazine 27(4), 2006, otwarty dostęp (CC BY), sprawdzone 25.10.2026: https://ojs.aaai.org/aimagazine/index.php/aimagazine/article/view/1904
- Samuel A. L., „Some Studies in Machine Learning Using the Game of Checkers”, IBM Journal of Research and Development 3(3), 1959 (dane bibliograficzne), sprawdzone 25.10.2026: https://doi.org/10.1147/rd.33.0210
- Breast Cancer Wisconsin (Diagnostic), UCI Machine Learning Repository, licencja CC BY 4.0, sprawdzone 25.10.2026: https://archive.ics.uci.edu/dataset/17/breast+cancer+wisconsin+diagnostic
- Liczby z eksperymentu policzył kod labu lekcji „Czym jest uczenie maszynowe?” (ten sam podział 70/30 co na stronie).