10 pytań sprawdzających, czy faktycznie ogarniasz AI, czy tylko słyszałeś hasła w podcastach. Odpowiedzi pod każdym pytaniem.
Pytanie 1
Co to jest "token" w kontekście LLM?
a) Krypto-waluta sieci AI b) Najmniejsza jednostka tekstu, na której operuje model c) Klucz API do połączenia z chmurą d) Rodzaj sieci neuronowej
Odpowiedź
**b)** Token to fragment tekstu (zazwyczaj kawałek słowa). LLM przetwarza tekst rozbity na tokeny — i właśnie w tokenach rozlicza się płatność za API.Pytanie 2
Co oznacza skrót RAG?
a) Random Access Generator b) Recursive Adaptive Graph c) Retrieval-Augmented Generation d) Realtime AI Gateway
Odpowiedź
**c)** Retrieval-Augmented Generation — model dostaje "do ręki" Twoje dokumenty, zanim odpowie. Tak działają chatboty wiedzy firmowej.Pytanie 3
Czy LLM "rozumie" co mówi?
a) Tak, ma świadomość znaczenia b) Nie, generuje statystycznie najprawdopodobniejszą odpowiedź c) Tylko jeśli temperatura = 0 d) Zależy od modelu
Odpowiedź
**b)** LLM przewiduje kolejny token na podstawie poprzednich. To bardziej wyrafinowane statystyki niż "rozumienie" w ludzkim sensie. Choć granica jest filozoficznie rozmyta — dlatego dyskusja trwa.Pytanie 4
Jak nazywa się sytuacja, w której model zmyśla wiarygodnie brzmiące informacje?
a) Bug b) Halucynacja c) Overflow d) Misalignment
Odpowiedź
**b)** Halucynacja. Klasyczny problem LLM-ów. Lekarstwo: RAG, weryfikacja źródeł, niższa temperatura.Pytanie 5
Która firma rozwija Claude'a?
a) OpenAI b) Google c) Anthropic d) Meta
Odpowiedź
**c)** Anthropic, założony m.in. przez byłych badaczy OpenAI w 2021.Pytanie 6
Co to "prompt engineering"?
a) Sztuka pisania zapytań dających pożądane wyniki b) Inżynieria sieci neuronowych c) Tworzenie agentów AI d) Optymalizacja modeli
Odpowiedź
**a)** Sposób formułowania zapytań, dobierania kontekstu i przykładów, żeby model dał najlepszą odpowiedź. Branża istnieje, ale jej znaczenie maleje wraz z mądrzejszymi modelami.Pytanie 7
Co to jest MCP?
a) Model Compression Protocol b) Model Context Protocol — standard od Anthropic do podpinania narzędzi c) Multi-Channel Processor d) Markov Chain Pipeline
Odpowiedź
**b)** Otwarty protokół do komunikacji LLM z narzędziami (Google Drive, Slack, bazy danych). Wprowadzony przez Anthropic, podchwycony przez branżę.Pytanie 8
Czy fine-tuning to to samo co RAG?
a) Tak, dwa określenia jednego procesu b) Nie — fine-tuning douczy model, RAG dorzuca kontekst w trakcie zapytania c) Tak, ale fine-tuning jest tańszy d) Nie — RAG jest tylko dla obrazów
Odpowiedź
**b)** Fine-tuning zmienia wagi modelu (drogie, raz). RAG dostarcza dokumenty w trakcie zapytania (tańsze, dynamiczne). W praktyce częściej używa się RAG.Pytanie 9
Co oznacza "open-source" w kontekście modeli AI?
a) Model jest darmowy do użytku w chmurze b) Wagi modelu są publicznie dostępne i można go uruchomić u siebie c) Twórcy modelu publikują tylko paper d) Model można zmieniać przez API
Odpowiedź
**b)** Open-weights = pobierasz wagi i uruchamiasz lokalnie (Llama, Mistral, Qwen). Niektórzy spierają się o termin — "true open-source" wymaga też kodu treningowego i danych.Pytanie 10
Co to "agent" w 2026 jeśli chodzi o AI?
a) Aplikacja typu Claude czy ChatGPT b) System AI, który nie tylko odpowiada, ale samodzielnie wykonuje akcje (czyta pliki, używa narzędzi, robi zakupy) c) Człowiek korzystający z AI d) Bot na czacie