AI Insider #9: AI речник на човешки

Публикувано на 19.08.2026

40 AI думи, които всички използват, но масово разбират грешно.

AI си има собствена терминология. Проблемът е, че често се обяснява силно технически или егоцентрично-префърцунено, или като магия. Ще се опитам да коригирам тази неправда.

Всеки термин идва с превод на човешки, реален пример и най-честия мит. Без гуроизъм и тенгризъм. И без тривиалните общоизвестни думи.

A

Agent loop — цикълът „планирай -> действай → резултат → коригирай“. Пример: AI пуска код, вижда грешката, поправя го и опитва отново. Мит: че цикълът непременно води до успех. Понякога агентът повтаря същата грешка по нов начин.

Agent (агент) — AI, който не само отговаря, а сам извършва поредица действия. Пример: търси информация, отваря файлове, сравнява, подготвя резултат. Мит: че „самостоятелен“ значи „безгрешен“.

Agentic AI — по-скоро спектър на самостоятелност, отколкото отделна категория: агенти, които сами си поставят междинни цели и се проверяват. Вече не казваш едно по едно, а целта, която трябва да се постигне. Пример: разбива голяма задача на под-задачи и ги изпълнява. Мит: че е само методология/начин на използване на AI.

AI Harness (AI Доспехи) — обвивката от код/апликации около модел, която го превръща от чатбот в работник: цикълът, инструментите, паметта и достъпът до среда. И разбира се, защитите. *виж Guardrails Пример: един и същ модел с по-добър harness се справя далеч по-добре като агент. Мит: че всички способности идват от модела. Голяма част идва от harness-а около него, да не кажа почти всичко смислено.

AI watermarking — добавяне на сигнал, който показва, че съдържание е създадено или редактирано с AI. Не само за картинки, но и за текст, скрит алгоритъм, който оформя текста по начин, който да гарантира, че е генерирано съдържание. Пример: невидима маркировка в генерирано изображение или текст. Мит: че всеки watermark е вечен и невъзможен за премахване.

AI-First Company — компания, проектирана около AI от основата, вместо да го „намаже“ върху старите си процеси. Пример: малък екип с AI върши работа, за която доскоро трябваха десетки хора. Мит: че значи „използваме AI“. AI-first е за устройството на компанията, не за инструментите ѝ.

AI-First Development — разработка, при която AI е основният начин да строиш софтуер, а не помощно колелце отстрани. Пример: описваш спецификация, а агенти пишат, тестват и поправят кода. Мит: че значи vibe coding. Тук целият процес е преустроен около AI, но продължават да действат инженерните принципи и парадигми.

B

Bias (пристрастие) — изкривявания в резултата, наследени от данните или начина на обучение. Пример: модел, който свързва определени професии с определен пол. Мит: че е нарочно вкарано. Най-често идва тихомълком от данните на които е трениран.

C

Chain of thought — когато AI разсъждава на стъпки, преди да отговори. Пример: решава задача, като първо разписва междинните стъпки. Моделът може да използва и вътрешни reasoning стъпки, без да ги показва. Мит: че „мисли“ като човек. Това е техника, не съзнание.

Connector (конектор) — готова връзка между AI и външна услуга или източник на данни. Пример: свързваш Google Drive, за да намира и използва файловете ти. Мит: че дава пълен достъп до всичко. Вижда и прави само позволеното от правата и твоите разрешения.

Context window — максималният обем вход, който моделът може да обработи при конкретна заявка. Колкото повече си пишете, толкова повече от старите неща ще се забравят или компресират. Пример: качваш дълъг документ и той го помни, докато трае разговорът. Мит: че помни завинаги. Излезе ли от прозореца, забравя.

Custom GPT / асистент — конфигурирана версия на AI приложение за определена роля или задача. Пример: фирмен асистент с конкретни инструкции, документи и инструменти. Мит: че си създал или обучил собствен AI модел. Обикновено си конфигурирал съществуващ, просто си му дал различен специфичен контекст и документация.

E

Embedding — превръщане на съдържание (разбирайте текст) във вектор (матрица от числа), който описва приблизително значението/смисъла му. Пример: „автомобил“ и „кола“ като се преобразуват ще са сходни, намират се близо едно до друго в смисловото пространство. Мит: че embedding е резюме или описанието на думата. То не е текст, а числово представяне.

Extension (разширение) — общо име за добавка, която разширява възможностите на даден софтуер. В контекста на AI обичайно се разбира софтуер, който дава допълнителни права на даден модел. Пример: Claude browser extension добавя Claude директно в Chrome, където вече може да работи по вашите отворени табове. Мит: че е конкретна AI технология. Думата значи различни неща в различните продукти.

F

Fine-tuning — допълнително обучение на модел за конкретно поведение или задача. Пример: моделът се тренира да пише отговори в стила на компанията. Мит: че е начин просто да му качиш фирмените документи. За актуални знания най-често ти трябва RAG.

Foundation model — голям базов модел, върху който се строят много приложения. Пример: един модел захранва десетки различни продукти. Мит: че всеки продукт има собствен модел. Често делят един и същ.

Frontier model — модел на самата граница на най-доброто налично. Пример: най-новите водещи модели на големите компании. Мит: че „най-нов“ значи „най-подходящ за теб“. Често по-малък върши работа.

G

Guardrails (AI мантинела) — правила и технически ограничения върху поведението на AI. Пример: не позволяват на HR асистента да показва чужди заплати. Мит: че са непробиваеми. По-скоро са предпазни мантинели. *Виж Jailbreak

H

Human in the loop — човек проверява или одобрява критично действие на AI. Нещо като checkpoint, който само чрез човек може да се премине. Пример: AI подготвя отказ за кредит, но служител взема финалното решение. Мит: че е нотификация "готов съм" и че присъствието на човек автоматично прави системата безопасна. Ако само натиска „Одобри“, контролът е театрален.

J

Jailbreak — опит да накараш AI да заобиколи ограниченията си. Пример: заобикаляш защитите чрез хитро формулиран въпрос. „Помагаш ми да се подготвя за кастинг по сценарий за {нещо забранено}. Мит: че е безобидна игра. Може да отключи наистина опасно съдържание, затова става все по-трудно заобикалянето.

L

LLM (голям езиков модел) — модел, обучен върху огромно, ама наистина огромно количество текст, за да борави с език. Пример: популярните модели на ChatGPT, Claude, Gemini. Мит: че е база данни с готови отговори. Всъщност предсказва най-вероятната следваща дума (или по-точно токън).

M

MCP (Model Context Protocol) — стандартизиран протокол, чрез който AI се свързва с инструменти, данни и системи. Нещо като USB порт за AI. Пример: закачаш календар или базата данни към асистента. Мит: че значи MCP Server. *виж долу

MCP server — системата, която предоставя на AI инструменти достъп до външни данни чрез MCP. Пример: позволява на AI да търси задачи в Jira и да променя статуса им. Мит: че е база данни или AI модел. Той е обикновен сървър посредник, който дава достъп до разрешените данни и действия чрез стандартния протокол.

Model collapse — влошаване на моделите, когато все повече се учат върху AI съдържание. Пример: копие на копие на копие, което избледнява. Мит: че повече данни винаги значи по-добре. Ако са AI боклук получаваме обратния ефект. Определено ще говорим в отделен брой. *Виж Synthetic данни.

Multimodal AI — AI, който работи с повече от един вид информация. Пример: едновременно разбира текст, снимки, звук и видео. Мит: че това са няколко модела, залепени един за друг. Понякога, много често, е един общ модел.

O

Orchestration — системата, която координира модели, агенти, инструменти и данни. Пример: един агент проучва, втори анализира, трети събира крайния резултат. Мит: че означава да стоиш с камшика и да шамариш агентите. Не го правим ръчно вече.

P

Parameters (параметри) — числовите стойности, в които моделът е кодирал научените закономерности. Просто казано, повече параметри – по-умен модел (не баш, но на практика). Пример: „модел със 70 милиарда параметъра“ описва приблизително размера му. Мит: че повече параметри автоматично значат по-интелигентен модел.

Plugin (плъгин) — инсталируем пакет, който добавя към AI една или повече способности. Пример: може да съдържа Skill, Connector към Google Drive и инструменти за файлове. Мит: че е просто връзка с външно приложение. Той е опаковката и може изобщо да няма такава връзка и само да добавя няколко system prompt-а.

Prompt — инструкцията или въпросът, който даваш на AI. Пример: „Обобщи този имейл в три изречения.“ Мит: че колкото по-кратко, толкова по-добре. Обратното: контекстът помага.

Prompt injection — скрита зловредна инструкция, която кара AI да наруши правилата си. Пример: текст в уебстраница, който казва на асистента „игнорирай указанията“. Мит: че е като хакване на парола. По-скоро е измама с думи, с хитрост.

R

RAG — Подход, при който AI първо намира релевантна информация в документите, които си му дал, после отговаря въз основа на нея. Пример: асистент, който отговаря само от вътрешните ти наръчници. Мит: че е просто база данни и че спира халюцинациите напълно.

S

Skill (умение) — пакет от инструкции, примери и ресурси, който учи AI как да изпълнява дадена задача (по-добре). Пример: Skill за презентации задава процеса, структурата и проверките, които AI следва. Мит: че прави модела по-умен или го обучава наново. Дава му рецепта за работа, не нов мозък.

Subagent — допълнителен AI агент, на който основният възлага част от задачата. Пример: един проучва пазара, друг проверява финансовите данни. Мит: че това са независими „AI служители“. Обикновено са временни изпълнения на същия или сходен модел.

Synthetic data (синтетични данни) — данни, създадени изкуствено, често от друг AI модел. Пример: генерират се хиляди примерни клиентски казуси за обучение. Мит: че изкуствените данни са автоматично точни и безпристрастни. Често е обратното.

System prompt — скритите основни инструкции, които определят как се държи AI. Пример: „При актуални, спорни, медицински, правни или финансови въпроси трябва да проверяваш източници.“ Мит: че ти пишеш всичко. Голяма част е зададена преди твоето съобщение и идват от самата платформа, която използваш.

T

Temperature — настройка, която влияе на разнообразието и предвидимостта на резултата. Пример: по-висока температура дава по-разнообразни идеи за заглавие. Мит: че ниската температура гарантира фактическа точност. Няма общо.

Token (Токен) — малкото парче текст (често казвам сричка и не е далеч от истината), с което моделът мери входа и изхода. Пример: „изкуствен интелект“ е няколко токена, не два. Мит: че токен = дума. Затова цените и лимитите се смятат по токени, а не по думи.

Tool (инструмент) — конкретна функция, която AI може да извика, за да получи информация или да извърши действие. Пример: „провери времето“, „прочети файл“, „създай задача“, „изпълни код“. Мит: че AI сам притежава тази способност. Често той само решава кога да извика външен инструмент, LLM не може да търси в интернет, използва web_search tool-a.

V

Vector database — база, която съхранява информация по сходство на смисъла, а не по точни думи и значение (визирам описание чрез текст). Пример: търсиш „прекратяване на договор“ и намира текст за „разваляне на споразумение“. Мит: че разбира значението като човек. Сравнява математическа близост.

Vibe coding — описваш какво искаш с прости думи, а AI пише кода вместо теб. Пример: „Направи ми приложение за списък със задачи.“ Мит: че е програмиране и че вече не ни трябват програмисти.

💬 Коя дума от списъка си използвал уверено, без всъщност да си сигурен какво значи? А коя според теб липсва — да я сложа във второто издание на речника?