Stutt skýring: Tækni sem hermir eftir mannlegri hugsun og getu til að læra og taka ákvarðanir.

Ítarlegri skýring: Hugtakið yfir greindarlega hegðun eða hæfileika sem sýndir eru af vélum eða hugbúnaði. Gervigreind felur í sér að tölvur geta leyst verkefni sem venjulega krefjast mannlegrar greindar, s.s. að læra af reynslu eða taka ákvarðanir. Gervigreind spannar allt frá einföldum, reglumiðuðum kerfum til flókinna, sjálflærandi líkana.

Dæmi: Spjallforrit sem geta svarað spurningum, sjálfkeyrandi bílar sem skynja umhverfi sitt, persónulegir aðstoðarmenn eins og Siri og Alexa, meðmælakerfi á streymisveitum, kerfi til sjúkdómsgreiningar.

Stutt skýring: Gervigreind sem getur búið til nýtt efni, t.d. texta, myndir, myndbönd eða hljóð.

Ítarlegri skýring: Sköpunargervigreind (Generative AI) er tegund AI sem býr til nýtt efni út frá gögnum sem hún hefur lært af. Hún greinir mynstur í texta, myndum eða hljóði og notar þau til að skapa nýja útkomu sem ekki var til áður – t.d. skrifar nýja setningu, býr til óútgefið lag eða teiknar mynd úr hugmynd. Ólíkt hefðbundinni AI, sem metur eða flokkar gögn (eins og að greina andlit), þá er sköpunargervigreind hönnuð til að framleiða. Hún er því bæði gagnvirk og skapandi, og hefur breytt því hvernig við skrifum, hönnum, kóðum og sköpum í dag.

– Gervigreind (AI): Greinir, flokkar, metur, hermir eftir ákvörðunum. T.d. „Er þetta mynd af ketti eða hundi?“

– Sköpunargervigreind (Generative AI): Skapar nýja hluti. T.d. „Búðu til mynd af ketti með geimgrímu sem flýgur á seglbretti yfir Jökulsárlóni.“

Dæmi: S– ChatGPT sem skrifar bloggfærslu út frá stikkorðum.
– DALL·E sem býr til mynd af „kvikmyndatjaldi á norðurslóðum með víkingi og vélmenni“.
– Suno sem semur lag og syngur það í valinni söngrödd.
– Runway sem býr til myndband eftir stuttum texta eins og „kona gengur um draumkennda skóga“.

Stutt skýring: Undirgrein AI sem felst í því að tölvur læra af gögnum án þess að vera forritaðar sérstaklega fyrir hverja aðgerð.

Ítarlegri skýring: Undirsvið gervigreindar þar sem tölvukerfi læra mynstur og reglur beint úr gögnum, án þess að vera sérstaklega forrituð fyrir hvert verkefni. Kerfið þjálfar sig á miklu magni gagna og getur þannig spáð fyrir um útkomur eða greint hluti. Til eru mismunandi gerðir vélræns náms, þar á meðal læri með tilsögn (supervised learning), viðgjafarlaust læri (unsupervised learning) og styrkingarlæri (reinforcement learning).

Dæmi: Vélrænt nám er notað til að láta tölvu þekkja andlit á myndum, mæla fyrir um veðrið út frá fyrri gögnum, greina hvað fólk vill sjá á samfélagsmiðlum, síun á ruslpósti, forspá um hlutabréfaverð, meðmæli um vörur í vefverslunum.

Stutt skýring: Nám þar sem líkan fær umbun fyrir réttar aðgerðir.

Ítarlegri skýring: Í styrkingarnámi lærir AI kerfi með því að prófa aðgerðir og fá umbun eða refsingu. Með tímanum þróar kerfið bestu hegðun til að hámarka árangur – svipað og við lærum af reynslu.

Dæmi: Tölvuleikjakerfi sem lærir að vinna leiki án þess að hafa reglurnar fyrirfram – bara með því að prófa sig áfram.

Stutt skýring: Reiknirit sem segir tölvu hvernig hún á að leysa tiltekið verkefni.

Ítarlegri skýring: Algóritmi er skref-fyrir-skref aðferð eða leiðbeinandi regla sem tölvur fylgja til að framkvæma tiltekið verkefni. Hann getur verið einfaldur (t.d. reikna summu) eða flókinn (t.d. flokka myndir eftir andlitum).

Dæmi: Leitarsíða á netinu notar flókinn algóritma til að skila viðeigandi leitarniðurstöðum byggt á leitarorðum.

Stutt skýring: Undirgrein vélræns náms sem notar tauganet með mörgum lögum til að greina flókin mynstur í gögnum.

Ítarlegri skýring: Tegund vélræns náms sem notar djúp tauganet með mörgum lögum til að læra af gögnum. Hvert lag í tauganeti vinnur úr gögnum á stigvaxandi hátt sem gerir kerfinu kleift að læra flóknari mynstur og hugtök, t.d. í myndum, hljóði og texta. Djúpnám er tæknin á bak við marga af nýjustu framförunum í gervigreind.

Dæmi: Andlitsgreining í snjallsímum og myndavélum, raddgreining eins og talgreinir Google, sjálfvirk þýðing á texta milli tungumála, sköpun raunverulegra mynda og texta (t.d. DALL-E, GPT-4).

Stutt skýring: Reiknilíkön sem líkja eftir uppbyggingu og starfsemi heilans til að vinna úr upplýsingum. (Fræðiheiti: Gervitaugakerfi).

Ítarlegri skýring: Reiknilíkön innblásin af starfsemi taugafruma í heila. Tauganet samanstanda af samtengdum gervitaugum (reiknieiningum) sem vinna saman að lausn verkefna, skipulögðum í lög (inntakslag, falin lög, úttakslag). Þau geta lært sambandið milli inntaks og úttaks með því að stilla styrk tenginga (vægi) eftir þjálfunargögnum.

Dæmi: Tauganet geta lært að flokka tölvupósta sem ruslpóst eða ekki, greina myndir, skilja tungumál, eða lært að spila tölvuleiki betur en menn með því að reyna aftur og aftur.

Stutt skýring: Flókin tauganet sem vinna með mörg lög af gögnum.

Ítarlegri skýring: Djúptauganet eru tauganet með mörgum vinnslulögum sem geta greint flókin mynstur í gögnum, svo sem texta, myndum eða tali. Þau eru lykilatriði í djúpnámi og notuð í mörgum AI-forritum í dag.

Dæmi: Taugakerfi sem greinir handskrift eða tölur í skönnuðum skjölum.

Stutt skýring: Líkön sem læra af gögnum til að spá eða taka ákvarðanir.

Ítarlegri skýring: Vélanámslíkön eru reiknirit sem eru þjálfuð á gögn til að læra mynstrin í þeim og geta síðan spáð fyrir eða flokkað ný gögn. Slík líkön eru grunnstoð flestra AI-kerfa.

Dæmi: Líkan sem spáir fyrir um hvort einstaklingur muni hætta við áskrift byggt á hegðun hans.

Stutt skýring: Aðferð þar sem AI lærir með endurgjöf (umbun/refsingu) úr umhverfi sínu fyrir góðar/slæmar ákvarðanir.

Ítarlegri skýring: Í styrkingarlæri lærir gervigreindarfulltrúi (agent) að taka röð ákvarðana í umhverfi til að hámarka heildarumbun. Fulltrúinn kannar umhverfið með því að prófa sig áfram (trial-and-error). Aðgerðir sem leiða að jákvæðum niðurstöðum (umbun) eru styrktar, en aðgerðir sem leiða að neikvæðum niðurstöðum (refsingu) eru veiktar. Þetta er ólíkt læri með tilsögn þar sem fulltrúinn fær ekki rétt svör gefin heldur verður sjálfur að finna bestu stefnuna.

Dæmi: Sjálfakandi bílar læra að aka á öruggan hátt; þjálfun vélmenna til að framkvæma verkefni (ganga, grípa); AI sem lærir að spila flókna leiki (skák, Go); hagræðing kerfa eins og umferðarstjórnunar.

(Ath: Hugtakið “Sjálfnám” í upprunalega textanum náði yfir bæði Viðgjafarlaust læri (Unsupervised Learning) og Styrkingarlæri (Reinforcement Learning)).

Stutt skýring: Áhrifamikill tauganetsarkitektúr sem notar “attention” (athygli) kerfi til að vega og meta mikilvægi mismunandi hluta inntaksgagna.

Ítarlegri skýring: Transformer arkitektúrinn var kynntur árið 2017 og olli byltingu, sérstaklega í máltækni (NLP). Lykilnýjungin er “self-attention” kerfið sem gerir líkaninu kleift að meta mikilvægi allra orða í inntakstexta í tengslum við hvert annað, óháð fjarlægð þeirra í textanum. Þetta gerir líkönunum kleift að skilja samhengi og langtímafylgni mun betur en eldri arkitektúrar (eins og RNN og LSTM). Transformer er grunnurinn að flestum stórum málalíkönum (LLM) í dag, en er einnig notaður í tölvusjón og öðrum sviðum.

Dæmi: Grunnurinn að GPT-líkönunum, BERT, T5, og mörgum öðrum LLM; Vision Transformers (ViT) fyrir myndgreiningu.

Stutt skýring: Ferlið við að bæta við upplýsingum eða merkjum við hrágögn (t.d. myndir, texta) til að gera þau nothæf fyrir þjálfun AI líkana, sérstaklega í læri með tilsögn.

Ítarlegri skýring: Í læri með tilsögn (supervised learning) þarf líkanið að læra af dæmum þar sem rétta svarið eða flokkurinn er þekktur. Gagnamerking er ferlið þar sem menn (eða stundum önnur AI kerfi) fara yfir gögn og bæta við þessum merkjum. Þetta getur falið í sér að merkja hluti á myndum (t.d. “köttur”, “bíll”), flokka texta (t.d. “jákvætt”, “neikvætt”), umrita tal eða merkja ákveðna hluta texta. Gæði gagnamerkingar eru afar mikilvæg fyrir frammistöðu líkansins.

Dæmi: Merking á myndum fyrir þjálfun sjálfkeyrandi bíla (merkja vegi, gangandi vegfarendur, bíla); flokkun tölvupósta sem ruslpóstur/ekki ruslpóstur; umritun á hljóðupptökum fyrir þjálfun talgreiningar.

Stutt skýring: Tvö algeng vandamál í þjálfun vélræns náms líkana sem lýsa því þegar líkan lærir gögnin of vel eða of illa.

Ítarlegri skýring:

Ofþjálfun (Overfitting): Gerist þegar líkan lærir þjálfunargögnin of nákvæmlega, þar með talið hávaða og tilviljanakennd mynstur sem eiga ekki við um ný, óséð gögn. Líkanið stendur sig þá vel á þjálfunargögnunum en illa á nýjum gögnum. Það hefur ekki lært almenn mynstur heldur “memorerað” þjálfunardæmin.

Vanþjálfun (Underfitting): Gerist þegar líkan er of einfalt til að fanga undirliggjandi mynstur í þjálfunargögnunum. Líkanið stendur sig þá illa bæði á þjálfunargögnum og nýjum gögnum. Það hefur ekki náð að læra nógu mikið af gögnunum.

Markmiðið er að finna jafnvægi þar sem líkanið lærir almenn mynstur (generalizes) vel yfir á ný gögn.

Dæmi: Líkan sem er ofþjálfað til að spá fyrir um húsnæðisverð gæti verið fullkomið á gömlu gögnunum en gefið fáránlegar spár fyrir ný hús. Líkan sem er vanþjálfað gæti einfaldlega spáð meðalverði fyrir öll hús.

Stutt skýring: AI-líkön sem vinna með texta og geta myndað mannleg samskipti með mikilli nákvæmni.

Ítarlegri skýring: LLM eru tegund tauganeta (oft byggð á Transformer-arkitektúr) sem eru þjálfuð á gríðarlegu magni textagagna (milljörðum orða af internetinu, úr bókum o.s.frv.). Þetta gerir þeim kleift að skilja og búa til mannlegt mál á mjög háþróaðan hátt. Þau geta leyst fjölbreytt verkefni í tungumáli, frá samræðum yfir í textaþýðingar, samantektir, spurningasvörun og textagerð.

Dæmi: ChatGPT og Bard (nú Gemini), GPT-línan frá OpenAI, Llama frá Meta, Claude frá Anthropic.

Stutt skýring: Öflugt stórt málalíkan frá OpenAI, þjálfað á gríðarlegu textasafni.

Ítarlegri skýring: GPT-4 (Generative Pre-trained Transformer 4) er flaggskipslíkan frá OpenAI, þekkt fyrir getu sína til að skilja flóknar leiðbeiningar, leysa erfið vandamál, búa til skapandi efni og rökræða. Það getur unnið með bæði texta- og myndinntak (fjölþátta). Slík líkön tákna fremstu víglínu í þróun LLM.

Dæmi um notkun: GPT-4 er notað í spjallþjónustum til að svara fyrirspurnum notenda, búa til samantektir úr löngum texta, aðstoða við skriftir eins og að ljúka við setningar, kóðasmíði, markaðstextagerð.

Stutt skýring: Tækni sem gerir tölvum kleift að skilja og búa til mannlegt mál.

Ítarlegri skýring: NLP er sú grein gervigreindar sem gerir kerfum kleift að vinna með texta og tal – bæði að skilja inntak, svara, þýða og draga ályktanir. Mörg málalíkön byggja alfarið á NLP.

Dæmi um notkun: ChatGPT notar NLP til að skilja spurningar og búa til merkingarbær svör á náttúrulegu máli.

Stutt skýring: Aðlögun fyrirfram þjálfaðs LLM að sérhæfðum verkefnum eða gögnum með nýjum, sértækum gögnum.

Ítarlegri skýring: Aðferð til að sérsníða fyrirfram þjálfað gervigreindarlíkan að ákveðnu verkefni eða gögnum. Líkanið er þá þjálfað áfram á sértækum gögnum svo það læri að leysa sérhæft verkefni betur, án þess að þurfa að þjálfa það alveg frá grunni. Þetta gerir líkanið nákvæmara og viðeigandi innan ákveðins sviðs.

Dæmi: Fyrirtæki býr til AI-aðstoðarmann fyrir þjónustuver með því að fínstilla almennt LLM á fyrri þjónustusamtölum; fínstilling er notuð þegar grunnmálalíkani er breytt þannig að það svari læknisfræðilegum spurningum með því að þjálfa það á læknagögnum.

Stutt skýring: Fjöldi fyrri orða/tákna (tokens) sem AI getur tekið með í reikninginn við svörun eða textagerð.

Ítarlegri skýring: Það magn texta (eða orð/tákna) sem málalíkan getur tekið inn í einu og haft í huga þegar það býr til svar. Stærri samhengisgluggi þýðir að líkanið getur notað lengra samhengi úr inngangstexta til að mynda næstu orð og viðhalda samræmi yfir lengri texta eða samræður. Minni gluggi getur valdið því að líkanið „gleymi“ því sem kom fyrir nokkrum setningum.

Dæmi: Ef samhengisglugginn er 8.000 tákn, getur líkanið munað og vitnað til atriða sem komu fyrr fram í löngum texta eða samtali. Styttri samhengisgluggi veldur gleymsku í lengri samtölum.

Stutt skýring: Aðferð til að stýra svörun AI með vel samsettum fyrirspurnum (prompts). (Fræðiheiti: Fyrirmælahönnun).

Ítarlegri skýring: Sú aðferð að stýra eða móta svör gervigreindarlíkans með því að hanna eða stilla fyrirspurnir (prompt) á ákveðinn hátt. Með réttum fyrirmælum, dæmum og stillingum er hægt að fá líkanið til að einbeita sér að ákveðnum atriðum, forðast óæskileg svör, framkalla skapandi niðurstöður eða halda sig við ákveðinn stíl eða hlutverk.

Dæmi: Hönnuður notar vel ígrundað skipunarmál til að fá besta úttak frá AI. Notandi gæti mótað spurningu mjög nákvæmlega eða gefið fyrirmæli eins og „Þú ert sérfræðingur í sögu, útskýrðu…“ til að fá betra svar.

Stutt skýring: AI sem býr til myndbönd út frá textalýsingu.

Ítarlegri skýring: Tækni þar sem gervigreind býr til myndbandsefni út frá skriflegri lýsingu. Forritið les textalýsingu á því sem á að gerast eða sjást og framleiðir stutt myndband sem passar við þá lýsingu, oft með notkun generative AI líkana (t.d. diffusion).

Dæmi: Runway AI býr til kvikmyndaatriði út frá sögulýsingu; Notandi skrifar „sólarlag við hafið og fuglar fljúga“ og AI-kerfi framleiðir nokkurra sekúndna myndband af því. Líkön eins og Sora (OpenAI), Runway Gen-2, Pika Labs.

Stutt skýring: Breyting á einu myndbandi í annað með AI, t.d. stílbreyting eða breyting á innihaldi.

Ítarlegri skýring: Aðferð þar sem gervigreind tekur inn myndband og breytir því eða endurgerir á nýjan hátt. Kerfið notar upphaflega myndbandið sem viðmið en getur breytt stíl (t.d. í teiknimynd), útliti, hlutum eða jafnvel framvindu þess samkvæmt leiðbeiningum (prompt) eða öðru myndefni.

Dæmi: Gamlar teiknimyndir gerðar að háskerpuefni; breyta raunverulegu myndbandi í málverksstíl; skipta um bakgrunn í myndbandi.

Stutt skýring: AI sem getur stjórnað, greint, hermt eftir eða búið til hreyfingar í myndböndum eða hreyfimyndum.

Ítarlegri skýring: Tækni sem notar gervigreind til að hafa áhrif á eða stýra hreyfingu í myndbandi. Þetta getur falið í sér að greina hreyfingu (motion tracking), flytja hreyfimynstur frá einu myndbandi yfir á annað (motion transfer), eða framkalla nýjar, raunhæfar hreyfingar úr kyrrmyndum eða lýsingum.

Dæmi: Notað í CGI (tölvugerðar myndir) til að líkja eftir raunverulegum hreyfingum í hreyfimyndum; flytja dansspor yfir á annan karakter; lífga við persónur í málverkum.

Stutt skýring: AI fyllir út í eyður eða fjarlægir/breytir hlutum í myndum á raunhæfan hátt.

Ítarlegri skýring: Aðferð til að fylla upp í eyður eða fjarlægja/skipta út atriðum í mynd með gervigreind. Kerfið býr til myndefni sem vantar inn í myndina á raunhæfan hátt með því að greina nærliggjandi svæði, svo erfitt sé að sjá að eitthvað hafi verið breytt.

Dæmi: Photoshop Generative Fill eða Content-Aware Fill; fjarlægja óæskilegan hlut (t.d. rusl) af ljósmynd; laga skemmdir á gamalli mynd.

Stutt skýring: AI bætir við myndir út fyrir upprunalegan ramma þeirra með því að búa til nýtt efni í sama stíl.

Ítarlegri skýring: Tækni þar sem gervigreind er notuð til að stækka mynd út fyrir upprunaleg mörk hennar. Kerfið fyllir inn í ný svæði í kringum myndina með efni í stíl og samhengi við upprunalegu myndina, eins konar að „loka upp“ meira af sögunni í myndinni.

Dæmi: DALL-E getur stækkað myndir út fyrir upprunalegt ramma; breyta ferköntuðu landslagsmynd í víðmynd (panorama) með því að bæta við til hliðanna.

Stutt skýring: Fölsuð myndbönd eða hljóð búin til með AI.

Ítarlegri skýring: Djúpfalsanir nota tauganet og myndvinnslulíkön til að búa til sannfærandi fölsuð myndskeið eða raddir. Þetta getur skapað nýjar leiðir til skemmtunar, en einnig valdið siðferðilegum áskorunum.

Dæmi: Myndband sem sýnir opinberan einstakling segja eitthvað sem hann aldrei sagði – búið til með gervigreind.

Stutt skýring: AI eykur myndgæði, skerpu og upplausn mynda eða myndbanda.

Ítarlegri skýring: Aðferð til að hækka upplausn mynda með gervigreind þannig að smáatriði aukist. Líkanið býr til eða giskar á auka pixla út frá mynstrum sem það lærði í þjálfun, til að bæta gæði og skerpu í mynd sem var upprunalega lágupplausn.

Dæmi: Notað í myndaforritum eins og Gigapixel AI; bæta gæði á gömlum ljósmyndum eða myndböndum; skerpa smáatriði í læknisfræðilegum myndum eða gervihnattamyndum.

Stutt skýring: Tegund generative AI líkana sem búa til gögn (t.d. myndir) með því að læra að fjarlægja hávaða skref fyrir skref.

Ítarlegri skýring: Diffusion líkön virka með því að taka fyrst raunveruleg gögn (t.d. mynd) og bæta smám saman við hana tilviljanakenndum hávaða þar til aðeins hávaði er eftir. Síðan er líkanið þjálfað til að snúa þessu ferli við: að byrja með hávaða og fjarlægja hann skref fyrir skref til að endurskapa upprunalegu gögnin (eða búa til ný gögn sem líkjast þeim). Þessi tækni hefur reynst afar áhrifarík við mynd-, myndbands- og hljóðsköpun.

Dæmi: Grunnurinn að mörgum nýlegum myndgeneratorum eins og Stable Diffusion, Midjourney og DALL-E 2/3; notuð í texta-í-myndband líkönum.

Stutt skýring: AI tækni sem notar tvö tauganet í samkeppni (generator og discriminator) til að búa til raunhæf gervigögn.

Ítarlegri skýring: GAN samanstendur af tveimur netum: Generator (rafall) sem reynir að búa til ný gögn (t.d. myndir) sem líkjast raunverulegum gögnum, og Discriminator (greinir) sem reynir að greina á milli raunverulegra gagna og gervigagna frá generatornum. Netin tvö eru þjálfuð samtímis í eins konar leik þar sem generatorinn reynir að “blekkja” greininn og greinirinn reynir að verða betri í að “afhjúpa” generatorinn. Útkoman er oft mjög raunhæf gervigögn.

Dæmi: Sköpun raunhæfra andlitsmynda af fólki sem er ekki til (t.d. ThisPersonDoesNotExist.com); stílflutningur (style transfer) á myndum; yfirupplausn (super-resolution); sköpun á gervigögnum til þjálfunar.

Stutt skýring: AI verkfæri og aðferðir sem greina, stjórna og vernda höfundarréttarvarið efni.

Ítarlegri skýring: Aðferðir og tæki sem tryggja að höfundarréttarvarið efni sé varið gegn óleyfilegri notkun, sérstaklega í stafrænum heimi. Í samhengi AI getur þetta þýtt að greina og koma í veg fyrir að gervigreind noti eða endurskapi verndað efni án leyfis, en einnig spurningar um eignarhald á AI-sköpuðu efni og hvort þjálfun á höfundarréttarvörðu efni sé lögleg.

Dæmi: YouTube Content ID kerfið notar AI til að bera kennsl á höfundarréttarvarið efni; lagaleg deilumál um þjálfunargögn AI; tækni til að setja vatnsmerki á AI-myndir.

Stutt skýring: Leyfi og samningar sem stýra hvernig AI má nota gögn, sérstaklega til þjálfunar.

Ítarlegri skýring: Ferlið að veita leyfi fyrir notkun gagna, oftast gagna sem eru eign einhvers, til þriðja aðila. Í samhengi gervigreindar er þetta mikilvægt því AI kerfi þurfa oft mikið magn gagna til þjálfunar. Gagnaleyfisveiting skilgreinir hvaða gögn má nota, í hvaða tilgangi og undir hvaða skilyrðum, oft gegn gjaldi.

Dæmi: OpenAI kaupir gögn frá stórum útgefendum (t.d. Associated Press) til að þjálfa líkön sín; myndabankar (t.d. Shutterstock) gefa leyfi fyrir notkun mynda í þjálfun myndlíkana.

Stutt skýring: Gögn sem eru búin til með AI eða reikniritum til að líkja eftir raunverulegum gögnum, oft til að forðast notkun viðkvæmra gagna eða auka gagnamagn.

Ítarlegri skýring: Gagnasett sem eru búin til gervi, frekar en að safna þeim beint úr raunheimum. Þau eru oft búin til með því að líkja eftir tölfræðilegum eiginleikum raunverulegra gagna. Gervigögn geta aukið raunveruleg gögn eða komið í stað þeirra þegar ekki er hægt að nota raunveruleg gögn vegna skorts, kostnaðar eða persónuverndar.

Dæmi: Notað í þjálfun AI fyrir heilbrigðiskerfi (gervi sjúkragögn); þjálfun sjálfakandi bíla með hermilíkönum af umferðaraðstæðum; prófun á fjármálahugbúnaði með gervi viðskiptagögnum.

Stutt skýring: Notkun AI til að klippa, bæta og aðstoða við myndbandsklippingu sjálfvirkt eða hálfsjálfvirkt.

Ítarlegri skýring: Notkun gervigreindar til að aðstoða við eða sjálfvirknivæða verkefni í myndbandsklippingu og eftirvinnslu. Þetta getur þýtt að AI greini efni, velji bestu búta, raði atriðum, lagfæri mynd/gæði, umriti tal eða finni sjálfkrafa klippipunkta, til að flýta fyrir klippingarferlinu.

Dæmi: Adobe Premiere Pro AI-klipping (t.d. Text-Based Editing); DaVinci Resolve (AI raddaeinangrun); Descript (klipping byggð á umritun).

Stutt skýring: AI getur hermt eftir og búið til nýtt tal með rödd tiltekins einstaklings.

Ítarlegri skýring: Tækni sem gerir kleift að herma eftir rödd manneskju með hjálp gervigreindar. Með því að greina upptökur af tali ákveðins einstaklings getur AI búið til nýtt talað efni sem hljómar nánast eins og viðkomandi manneskja hafi sjálf talað það. Hefur bæði gagnlega notkunarmöguleika og áhættur tengdar misnotkun.

Dæmi: Lyrebird AI raddklónun (nú Descript); endurskapa raddir látinna leikara í kvikmyndum; búa til persónulegar gerviraddir fyrir fólk með talhömlun; möguleg notkun í deepfake hljóðupptökum.

Stutt skýring: AI fjarlægir bakgrunnshljóð, suð og aðra óæskilega þætti úr hljóðupptökum og eykur gæði hljóðs.

Ítarlegri skýring: Notkun gervigreindar til að fjarlægja suð, bakgrunnshljóð eða önnur óæskileg hljóð úr hljóðupptökum. Kerfið lærir að greina hvað er gagnlegt merki (t.d. talað mál eða tónlist) og hvað er hávaði og reynir að láta upptökuna hljóma skýrari og hreinni, oft með betri árangri en hefðbundnar aðferðir.

Dæmi: Notað í podcastum og kvikmyndum til að hreinsa talupptökur; fjarlægja vindgnauð eða umferðarhljóð; bæta gæði á símtölum (t.d. Krisp.ai); verkfæri eins og Izotope RX, Adobe Podcast Enhance.

Stutt skýring: AI býr til tónlist sjálfkrafa, annað hvort frá grunni eða byggt á fyrirmælum.

Ítarlegri skýring: Tónlist sem er samin eða búin til að mestu leyti af gervigreind. Forritið lærir af miklu safni tónlistar og getur síðan framleitt nýja tóna, laglínur eða jafnvel heilar tónsmíðar án beinnar mannlegrar íhlutunar, oft í tilteknum stíl eða tegund (genre).

Dæmi: AIVA AI sem samdi klassíska tónlist; Suno AI sem býr til lög með söng út frá texta; Google MusicLM; tónlist fyrir tölvuleiki eða myndbönd.

Stutt skýring: AI getur hermt eftir tónlistarstíl, hljóðfæraskipan eða rödd tiltekinna tónlistarmanna eða tónlistarstefna.

Ítarlegri skýring: Að nota gervigreind til að líkja eftir eða endurskapa stíl ákveðinna laga eða listamanna. Kerfið lærir einkenni tónlistarstílsins og getur framleitt nýtt verk sem hljómar eins og það gæti verið eftir tiltekinn listamann eða í tilteknum stíl, án þess að vera beint afrit af neinu einu lagi. Veldur álitamálum um höfundarrétt.

Dæmi: Jukebox AI frá OpenAI (fyrri tilraunir); verkefni sem búa til tónlist í stíl Bítlanna eða Bachs; AI-lög sem herma eftir röddum frægra listamanna.

Stutt skýring: AI lagar hljóðstig, jafnvægi og heildarhljóm tónlistar sjálfvirkt eða með aðstoð.

Ítarlegri skýring: Tæknin að nota gervigreind til að stilla og blanda saman mismunandi hljóðrásum (t.d. rödd, hljóðfæri, takt) í tónlist eða hljóðverki (mixun), eða til að fínpússa heildarhljóm upptöku fyrir útgáfu (mastering). Kerfið lagar hlutföll, tónjafnvægi (EQ), vídd og aðra hljóðeiginleika sjálfvirkt til að útkoman verði vel hljómandi.

Dæmi: Izotope Neutron og Ozone (með AI aðstoðarmönnum); netþjónustur eins og LANDR, Masterchannel.ai.

Stutt skýring: Söngur eða söngrödd sem er framleidd af gervigreind í stað raunverulegs söngvara.

Ítarlegri skýring: Söngur eða söngrödd sem er framleidd af gervigreind í stað raunverulegs söngvara. Með því að þjálfa líkan á söngröddum eða nota talgervla með sönghæfni getur AI sungið texta með tilteknum röddum eða búið til alveg nýja söngrödd sem er ekki til í raun.

Dæmi: Tónverk þar sem enginn manneskja syngur en gervigreind syngur textann; sýndarlistamenn (virtual artists) þar sem öll tónlistin, þar á meðal söngurinn, er framleidd af AI; Vocaloid hugbúnaður (t.d. Hatsune Miku).

Stutt skýring: AI stjórnar heimilistækjum, lýsingu, hita og öryggi á grundvelli venja og þarfa íbúa.

Ítarlegri skýring: Heimili þar sem ýmis tækni og kerfi eru nettengd og nota gervigreind til að læra af venjum íbúa og gera sjálfvirkar stýringar. Slík kerfi geta aðlagað lýsingu, hita, öryggi og tæki eftir þörfum og hegðun íbúanna, oft stýrt með raddskipunum eða smáforritum.

Dæmi: Amazon Alexa og Google Home/Nest; snjallhitastillar sem læra hvenær fólk er heima; snjallperur (t.d. Philips Hue); vélmennaryksugur; snjalllæsingar.

Stutt skýring: Tækni sem gerir tölvum kleift að lesa og greina myndir.

Ítarlegri skýring: Tölvusjón er notuð til að greina hluti, fólk, hreyfingu eða umhverfi úr myndum og myndskeiðum. Notað í margvíslegum greinum: öryggiskerfum, læknisfræði, bifreiðum og fleira.

Dæmi: Snjallsími sem opnast aðeins við andlitsgreiningu eigandans.

Stutt skýring: AI sem hermir eftir mannlegu samtali til að svara spurningum, veita aðstoð eða framkvæma verkefni.

Ítarlegri skýring: Hugbúnaðarforrit eða gervigreind sem hermir eftir mannlegu samtali og getur spjallað við notendur. Spjallmenni geta svarað spurningum, aðstoðað við verkefni eða veitt upplýsingar, oft í gegnum textaspjall eða tal. Sýndaraðstoðarmenn (Siri, Alexa, Google Assistant) sameina oft spjallgetu við aðgerðir.

Dæmi: ChatGPT, Meta AI, Google Gemini; þjónustuvef-spjallmenni; Siri í iPhone; Alexa í Echo tækjum; Google Assistant í Android símum.

Stutt skýring: Sjálfvirkt forrit sem framkvæmir endurtekin verkefni.

Ítarlegri skýring: Bottar eru forrit sem framkvæma einföld verkefni sjálfvirkt, oft í samskiptum eða vefumhverfi. Þeir geta svarað spurningum, veitt aðstoð eða jafnvel hermt eftir raunverulegum notendum.

Dæmi: Spjallbotti á heimasíðu sem svarar algengum spurningum notenda, t.d. um sendingartíma eða opnunartíma.

Stutt skýring: AI getur greint og túlkað innihald mynda og myndbanda, s.s. hluti, andlit og texta.

Ítarlegri skýring: Tæknin að láta tölvur þekkja og flokka það sem er á myndum eða í myndstreymi. Gervigreind er þjálfuð til að bera kennsl á hluti, andlit, texta eða aðstæður í myndum, svipað og mannsaugað greinir umhverfi sitt. Undirsvið AI sem kallast tölvusjón (Computer Vision).

Dæmi: Face ID í iPhone; sjálfvirk flokkun mynda í símanum (eftir fólki, stöðum); númeraplötugreining; gæðaeftirlit í iðnaði; sjálfkeyrandi bílar.

Stutt skýring: Notkun tækni (þ.m.t. AI) til að láta ferla eða verkefni gerast sjálfkrafa með lágmarks mannlegri íhlutun.

Ítarlegri skýring: Sú framkvæmd að láta ferli eða verkefni gerast af sjálfu sér með lítilli sem engri mannlegri íhlutun, oft með hjálp tölvustýrðra kerfa eða gervigreindar. Markmiðið er að spara tíma, auka nákvæmni og samræmi í endurteknum verkum. AI gerir kleift að sjálfvirknivæða flóknari verkefni sem krefjast greindar.

Dæmi í daglegu lífi: Sjálfvirk síun á ruslpósti; tillögur að svörum í tölvupósti; vélmennaryksugur; sjálfvirkar hugbúnaðaruppfærslur. (Sjá einnig kafla 10 um sjálfvirkni í atvinnulífi).

Stutt skýring: Hversu skýrt og skiljanlegt er hvernig AI tekur ákvarðanir eða kemst að niðurstöðu.

Ítarlegri skýring: Hversu skýrt eða sýnilegt er hvernig gervigreindarkerfi starfar og tekur ákvarðanir. Gagnsæi felur í sér að hægt sé að útskýra eða rekja hvernig kerfi komst að niðurstöðu, sem er mikilvægt til að auka traust, skilning, finna villur og tryggja ábyrgð. Þetta er sérstaklega mikilvægt fyrir “svarta kassa” líkön eins og djúp tauganet.

Dæmi: AI sem birtir hvernig niðurstöður eru reiknaðar; kerfi sem getur útskýrt hvaða þættir vógu þyngst í ákvörðun (t.d. við synjun láns); XAI (Explainable AI) aðferðir.

Stutt skýring: Spurningin um hver ber ábyrgð á ákvörðunum og afleiðingum gjörða AI-kerfa.

Ítarlegri skýring: Sú spurning hver beri ábyrgð á ákvörðunum eða afleiðingum af gjörðum AI-kerfa. Hugtakið nær yfir bæði að tryggja að hægt sé að rekja ákvarðanir AI til ábyrgra aðila og að þeir aðilar geri ráðstafanir til að AI sé notað á ábyrgan og siðlegan hátt, í samræmi við lög og reglur.

Dæmi: Reglugerðir um notkun AI í heilbrigðisgeiranum; umræða um ábyrgð framleiðenda sjálfakandi bíla; kröfur um skráningu og endurskoðun ákvarðana í hááhættu AI-kerfum (skv. AI lögum ESB).

Stutt skýring: Rannsókn á siðferðilegum álitamálum og viðmiðum sem snúa að hönnun, þróun og notkun gervigreindar.

Ítarlegri skýring: Siðferðileg álitamál og viðmið sem snúa að hönnun og notkun gervigreindar. Þetta tekur til spurninga um rétt og rangt í samhengi AI, s.s. hvernig tryggja megi réttláta notkun, virðingu fyrir einkalífi, öryggi, og að AI skaði ekki menn eða samfélag. Lykilatriði eru m.a. hlutdrægni, gagnsæi, ábyrgð og áhrif á samfélagið.

Dæmi: Umræða um notkun andlitsgreiningar; hvernig koma megi í veg fyrir mismunun vegna hlutdrægni í gögnum; hvort þróa eigi sjálfvirk vopnakerfi; siðareglur fyrir AI þróun (t.d. frá ESB).

Stutt skýring: Þegar AI sýnir kerfisbundnar, óréttlátar og hlutdrægar niðurstöður, oft vegna ójafnvægis eða fordóma í þjálfunargögnum eða hönnun.

Ítarlegri skýring: Tilhneiging AI kerfa til að hygla eða mismuna ákveðnum niðurstöðum vegna skekkju í gögnum eða hönnun. Hlutdrægni getur orðið til ef þjálfunargögn endurspegla ekki raunveruleikann nægilega eða ef þau innihalda fyrirframgefna slagsíðu (t.d. samfélagslega fordóma), sem AI kerfið síðan lærir og endurtekur. Að greina og draga úr hlutdrægni er mikilvægt siðferðilegt verkefni.

Dæmi: AI sem velur karla fram yfir konur í ráðningum vegna hlutdrægra sögulegra gagna; andlitsgreining sem virkar verr fyrir fólk með dekkri húðlit; lánshæfismatskerfi sem mismuna ákveðnum hverfum.

Stutt skýring: AI greinir viðskiptagögn til að finna innsýn, spá fyrir um þróun og bæta ákvarðanatöku í fyrirtækjum.

Ítarlegri skýring: Söfnun, greining og framsetning viðskiptatengdra gagna til að styðja ákvörðunartöku. Þó hefðbundin viðskiptagreind feli ekki endilega í sér AI, eru nú æ oftar notaðar AI-aðferðir (sérstaklega ML) til að spá fyrir um þróun, finna mynstur í gögnum, gera sjálfvirkar greiningar og bæta rekstrarákvarðanir.

Dæmi: AI-greining í markaðssetningu til að spá fyrir um hegðun viðskiptavina; spá um söluþróun; greining á orsökum fyrir brotthvarfi viðskiptavina (churn analysis); sjálfvirk skýrslugerð.

Stutt skýring: AI stýrir vélum, vélmennum og framleiðsluferlum til að auka skilvirkni, gæði og sveigjanleika.

Ítarlegri skýring: Innleiðing tækni og gervigreindar í verksmiðjur og framleiðsluferla til að minnka þörfina á mannlegri íhlutun, sérstaklega í flóknum eða breytilegum verkefnum. Vélar og iðnaðararmar geta stýrt sér sjálfir, skynjað umhverfið (með tölvusjón), tekið ákvarðanir í rauntíma og lagað sig að nýjum aðstæðum.

Dæmi: AI-notkun í verksmiðjum fyrir gæðaeftirlit (greina gallaða hluti); vélmenni sem vinna með mönnum (cobots); forspárviðhald á vélum; hagræðing á aðfangakeðjum og framleiðsluáætlunum.

Stutt skýring: Greining á gögnum til að draga gagnlegar ályktanir.

Ítarlegri skýring: Gagnavísindi sameina tölfræði, forritun og þekkingu á tilteknu sviði til að finna mynstur í gögnum og styðja ákvarðanatöku. Gagnavísindi eru gjarnan grunnur að vel heppnuðum AI-verkefnum.

Dæmi: Greining á hegðun notenda í netverslun til að hanna markvissari auglýsingar.

Stutt skýring: AI notar söguleg gögn og tölfræði til að spá fyrir um framtíðarútkomur eða þróun.

Ítarlegri skýring: Reiknilíkön, oft byggð á vélrænu námi, sem eru notuð til að spá fyrir um framtíðarhegðun eða niðurstöður út frá gögnum. Spálíkön nema mynstur úr fortíðinni og nútímanum til að gera upplýstar ágiskanir um það sem gæti gerst í framhaldinu.

Dæmi: Notað í fjármálagreiningu (t.d. spá um markaðsþróun, lánshæfismat); spá um eftirspurn eftir vörum; spá um viðhaldsþörf véla; spá um líkur á að viðskiptavinur kaupi vöru.

Stutt skýring: AI hjálpar við skipulag, umferðarstjórn, orkunotkun og aðra borgarþjónustu til að bæta lífsgæði íbúa.

Ítarlegri skýring: Borgir sem nýta stafræna tækni, IoT (Internet of Things) og gervigreind til að bæta þjónustu, samgöngur, sjálfbærni og lífsgæði íbúa. Kerfi borgarinnar safna gögnum og AI greinir þau til að gera ráðstafanir í rauntíma, svo sem að stjórna umferðarljósum, dreifa orku eða skipuleggja sorphirðu á skilvirkari hátt.

Dæmi: AI-stýrð ljósastýring sem lagar sig að umferð; snjallari almenningssamgöngur; eftirlit með loftgæðum; hagræðing á orkunotkun bygginga; snjallar ruslatunnur sem láta vita þegar þær eru fullar.

Stutt skýring: AI greinir sjúkdóma (t.d. út frá myndum), aðstoðar lækna við ákvarðanir og hjálpar við lyfjaþróun.

Ítarlegri skýring: Notkun gervigreindar í heilbrigðisgeiranum til að bæta greiningu, meðferð, eftirlit með heilsufari og þróun nýrra lyfja. Þetta getur falist í kerfum sem greina læknisfræðilegar myndir, spá fyrir um sjúkdómsgreiningar, finna mynstur í stórum sjúkragagnasöfnum eða styðja við ákvarðanir lækna.

Dæmi: AI sem greinir röntgenmyndir (t.d. fyrir lungnabólgu eða krabbamein); greining á augnbotnamyndum fyrir sjónukvilla af völdum sykursýki; AI sem hjálpar til við að finna rétta skammta lyfja (persónusniðin læknisfræði); flýta fyrir þróun nýrra sýklalyfja.

Stutt skýring: AI sérsníður námsefni að nemendum, aðstoðar við mat og veitir kennurum innsýn.

Ítarlegri skýring: Beiting tækni og sérstaklega gervigreindar í menntun til að sérsníða nám að nemendum (adaptive learning), gera námið gagnvirkara og auka skilvirkni. Gervigreind getur fylgst með framförum nemenda, aðlagað námsefni og hraða, séð um að meta verkefni (að hluta), gefið endurgjöf og aðstoðað kennara við stjórnun.

Dæmi: AI sem hjálpar við tungumálakennslu (t.d. Duolingo); aðlögunarhæf námskerfi (t.d. Khan Academy); verkfæri til að greina ritstuld; sjálfvirk yfirferð á einföldum verkefnum; spjallmenni sem svara spurningum nemenda.

Stutt skýring: AI greinir óeðlilega hegðun eða ógnir í öryggismyndavélum, netumferð eða öðrum öryggisgögnum.

Ítarlegri skýring: Öryggis- og eftirlitskerfi sem nýta gervigreind til að greina ógnir, frávik eða grunsamlega virkni sjálfkrafa og hraðar en menn. Þetta getur náð yfir bæði netöryggi (sem greinir óvenjulega netumferð, spilliforrit eða árásir) og líkamlegt öryggi (eins og myndavélar sem þekkja andlit, greina slagsmál eða skynja hegðun sem gæti bent til glæps).

Dæmi: AI-notkun í bankaöryggi (greina sviksamlegar færslur); snjallar öryggismyndavélar sem greina mun á fólki, dýrum og bílum; kerfi til að greina netárásir; andlitsgreining við landamæraeftirlit (með siðferðilegum fyrirvörum).

Stutt skýring: AI sem hefur skilning, lærdómsgetu og hugsun á við manneskju yfir fjölbreytt svið verkefna.

Ítarlegri skýring: Gervigreind sem hefur víðtæka og fjölhæfa greind, sambærilega við mannshuga, frekar en að vera sérhæfð í afmörkuðum verkefnum (sem kallast þröng eða veik AI – Narrow/Weak AI). Almenn gervigreind gæti lært og skilið hvaða verkefni sem er sem manneskja getur, og jafnvel bætt sig sjálf yfir tíma án þess að þurfa ný forritun fyrir hverja nýja áskorun. AGI er enn fræðilegt hugtak og markmið sumra rannsókna.

Dæmi: Enn í þróun og tilheyrir framtíðinni (eða vísindaskáldskap eins og HAL 9000, Skynet, Data).

Stutt skýring: Geta AI-kerfa til að framkvæma verkefni án mannlegrar íhlutunar.

Ítarlegri skýring: Sjálfstýrð kerfi geta tekið ákvarðanir og framkvæmt aðgerðir út frá skynjun og úrvinnslu gagna. Þetta nær yfir allt frá sjálfkeyrandi ökutækjum til sjálfstýrðra dróna eða iðnkerfa.

Dæmi: Sjálfkeyrandi bíll sem velur akstursleið og bregst við umferð í rauntíma.

Stutt skýring: Hugmyndafræðilegur framtíðarpunktur þegar tækniþróun (sérstaklega AI) verður svo hröð og ófyrirsjáanleg að hún breytir mannlegri tilveru grundvallaratriðum.

Ítarlegri skýring: Hugtak sem lýsir mögulegum tímamótum þegar gervigreind verður sjálfbær og yfirgnæfir mannlega greind, sem leiðir til veldisvaxtar í tækniþróun. Eftir þann punkt verður tæknin svo þróuð að menn geta ekki séð fyrir framvinduna eða haft stjórn á henni – breytingarnar verða óafturkræfar og gífurlega hraðar. Hugmyndin er umdeild.

Dæmi: Hugmyndafræðilegt sviðsmynd, ekki raunverulegur atburður enn sem komið er.

Stutt skýring: Vélmenni sem geta skynjað umhverfi sitt, tekið sjálfstæðar ákvarðanir og unnið verkefni með hjálp gervigreindar.

Ítarlegri skýring: Líkamleg vélmenni búin gervigreind sem gerir þeim kleift að starfa að nokkru eða öllu leyti sjálfstætt í raunheimum. Þessi vélmenni geta skynjað umhverfi sitt (með skynjurum og tölvusjón), tekið ákvarðanir og framkvæmt athafnir án beinnar stýringar manns, oft til að aðstoða, vinna með fólki eða vinna hættuleg verkefni.

Dæmi: Tesla humanoid robot (Optimus); Atlas frá Boston Dynamics; sjálfkeyrandi bílar; sjálfstæðir drónar; vélmenni á vöruhúsum.

Stutt skýring: Hvernig AI breytir vinnumarkaði, skapar ný störf, gerir önnur úrelt og breytir því hvernig við vinnum.

Ítarlegri skýring: Þau áhrif sem vaxandi notkun gervigreindar og sjálfvirkni hefur á vinnumarkaðinn og einstaka starfsgreinar. Þetta getur falið í sér að sum störf hverfa eða breytast mikið vegna sjálfvirkni (sérstaklega rútínuverk), en á sama tíma skapast ný störf og tækifæri sem tengjast hönnun, stýringu, viðhaldi og siðfræði AI-kerfa. Mikilvægt er að huga að endurmenntun og aðlögun vinnuaflsins.

Dæmi: AI sem kemur í staðinn fyrir einhæf störf (t.d. gagnainnsláttur); ný störf eins og “prompt engineer” eða AI-siðfræðingur; breyting á störfum þar sem AI verður aðstoðartæki (t.d. fyrir lækna, lögfræðinga).

Stutt skýring: Fræðasvið og verkfræðileg viðfangsefni sem snúa að því að tryggja að AI kerfi, sérstaklega mjög öflug framtíðarkerfi, séu örugg og hegði sér í samræmi við mannleg gildi og fyrirætlanir.

Ítarlegri skýring: Eftir því sem AI kerfi verða öflugri og sjálfstæðari eykst mikilvægi þess að þau séu hönnuð á þann hátt að þau valdi ekki skaða, hvorki óviljandi né viljandi. AI Öryggi fjallar um að koma í veg fyrir slys og óæskilega hegðun. AI Samstilling (Alignment) fjallar um það flókna vandamál að tryggja að markmið og hegðun AI kerfa séu í raun og veru í takt við það sem menn ætluðust til og telja æskilegt, jafnvel þegar kerfin verða mun gáfaðri en við.

Dæmi um viðfangsefni: Koma í veg fyrir að AI finni óæskilegar “glufur” í markmiðasetningu; tryggja að AI sé sannsögul; þróa aðferðir til að skilja og stýra mjög flóknum AI kerfum; rannsóknir á mögulegum tilvistarlegum áhættum af völdum ofurgreindar (Superintelligence).

Stutt skýring: Upphaflega hannað fyrir tölvugrafík, en hentar einstaklega vel fyrir samhliða útreikninga sem þarf í djúpnámi.

Ítarlegri skýring: GPU innihalda þúsundir lítilla kjarna sem geta framkvæmt marga einfalda útreikninga samtímis (samhliða vinnsla). Þetta hentar fullkomlega fyrir þá fylkja- og vigurútreikninga sem eru kjarninn í þjálfun og keyrslu djúpra tauganeta. Notkun GPU hefur verið lykilatriði í þeim miklu framförum sem orðið hafa í djúpnámi síðasta áratuginn.

Dæmi: NVIDIA og AMD eru helstu framleiðendur GPU sem notuð eru í AI þjálfun og keyrslu.

Stutt skýring: Sérhæfður örgjörvi (ASIC) hannaður af Google sérstaklega til að flýta fyrir vélrænu námi og tauganetsútreikningum.

Ítarlegri skýring: TPU eru enn sérhæfðari en GPU og eru fínstilltir fyrir þær sérstöku reikniaðgerðir (tensor útreikninga) sem eru algengastar í tauganetum, sérstaklega í TensorFlow rammanum frá Google. Þeir geta veitt enn meiri afköst og orkunýtni fyrir ákveðnar AI vinnuálag en GPU.

Dæmi: Google notar TPU mikið í eigin gagnaverum fyrir þjálfun og keyrslu á stórum líkönum eins og Gemini og í Google Cloud Platform.

Stutt skýring: Keyrsla AI reiknirita og líkana beint á staðbundnum tækjum (t.d. símum, myndavélum, skynjurum) í stað þess að senda gögn í skýið.

Ítarlegri skýring: Edge AI færir útreikningana nær uppruna gagnanna. Þetta hefur ýmsa kosti: minni biðtíma (latency) þar sem gögn þurfa ekki að ferðast fram og til baka yfir netið, aukið gagnaöryggi og persónuvernd þar sem viðkvæm gögn yfirgefa hugsanlega ekki tækið, minni bandvíddarnotkun og möguleika á virkni án nettengingar. Þetta krefst þó oft fínstilltra og minni AI líkana sem geta keyrt á takmörkuðum vélbúnaði.

Dæmi: Snjallsímar sem keyra andlitsgreiningu eða talgreiningu beint á tækinu; snjallmyndavélar sem greina atburði sjálfar; iðnaðarskynjarar sem greina frávik á staðnum; sjálfkeyrandi bílar sem þurfa að taka ákvarðanir í rauntíma.

Stutt skýring: Þjálfunaraðferð þar sem AI líkan er þjálfað á mörgum dreifðum tækjum eða gagnasílóum án þess að flytja hrágögnin á miðlægan stað.

Ítarlegri skýring: Í stað þess að safna öllum gögnum saman er miðlægt líkan sent út til staðbundinna tækja (t.d. síma). Hvert tæki þjálfar líkanið á sínum eigin gögnum. Aðeins uppfærslur á líkaninu (t.d. breytingar á vægjum), ekki hrágögnin sjálf, eru síðan sendar til baka og sameinaðar til að bæta miðlæga líkanið. Þetta er mikilvæg tækni til að viðhalda persónuvernd og leynd gagna.

Dæmi: Google notar þetta til að bæta lyklaborðsspár á Android símum án þess að safna því sem notendur skrifa; notkun í heilbrigðisgeiranum til að þjálfa líkön á gögnum frá mörgum sjúkrahúsum án þess að deila sjúklingagögnum.

Stutt skýring: Gervigreind sem býr í og stýrir líkamlegum kerfum (oftast vélmennum) sem geta hreyft sig, skynjað og haft áhrif á raunverulegt umhverfi.

Ítarlegri skýring: Þetta svið sameinar AI og vélfærafræði. Markmiðið er að búa til greinda fulltrúa (agents) sem geta lært og starfað í hinum flókna og óreiðukennda raunheimi, ekki bara í sýndarheimi eða með stafræn gögn. Þetta krefst þess að AI geti unnið úr skynjunargögnum (sjón, heyrn, snerting), skipulagt hreyfingar, aðlagast óvæntum aðstæðum og lært af samskiptum við umhverfið.

Dæmi: Humanoide vélmenni sem geta gengið um og unnið verkefni; sjálfkeyrandi bílar; drónar sem geta flogið sjálfstætt innandyra; vélmenni sem læra að meðhöndla hluti með snertiskyni.