Szkolenia AI dla firm Warsztaty na zadaniach Twojego zespołu: online 4–8 h albo stacjonarnie w całej Polsce Zobacz program →

Sieć neuronowa: co to jest, jak działa i jakie są rodzaje. Od neuronu do ChatGPT i Claude

Sieć neuronowa krok po kroku: neuron, wagi, warstwy, propagacja wsteczna, deep learning, rodzaje sieci i to, jak z nich powstały ChatGPT, Claude i Gemini.

11 listopada 2026 · Adam Bakalarz
Ilustracja: warstwy połączonych węzłów, przez które płynie sygnał

W skrócie

  • Sieć neuronowa uczy się, poprawiając wagi połączeń: prosta sieć z samouczka TensorFlow ma 101 770 takich liczb i po 5 rundach treningu rozpoznaje ok. 98% odręcznych cyfr.
  • Deep learning to sieci z wieloma warstwami: AlexNet z 2012 r. miała 60 mln parametrów, a transformer z 2017 r. stał się podstawą modeli GPT i Gemini, które mają ich miliardy.
  • Ograniczenia to dane, czarna skrzynka, halucynacje i energia: według IEA centra danych zużyły w 2024 r. ok. 415 TWh prądu, a w 2030 r. mogą ok. 945 TWh.

Stan na 11 listopada 2026

Co to jest sieć neuronowa?

Sieć neuronowa to program, który uczy się na przykładach. Składa się z wielu prostych jednostek, nazywanych neuronami, połączonych w warstwy, a cała jego „wiedza” to liczby zapisane w połączeniach między nimi. Na sieciach neuronowych działają ChatGPT, Claude i Gemini, ale też tłumacz w telefonie i odblokowywanie telefonu twarzą.

Definicja

Sztuczna sieć neuronowa (ang. artificial neural network) to model uczenia maszynowego zbudowany z warstw połączonych ze sobą jednostek obliczeniowych. Każda jednostka mnoży otrzymane liczby przez wagi, sumuje je i przekazuje wynik dalej. Sieć uczy się, poprawiając wagi tak, żeby jej odpowiedzi były coraz bliższe prawidłowym.

Nazwa pochodzi od mózgu, ale na nazwie podobieństwo w dużej mierze się kończy. W 1943 r. Warren McCulloch i Walter Pitts opisali neuron jako prosty układ logiczny (Bulletin of Mathematical Biophysics, t. 5), a w 1958 r. Frank Rosenblatt przedstawił perceptron, czyli model, który sam dobierał wagi połączeń (Psychological Review, t. 65). Dzisiejszy sztuczny neuron to działanie matematyczne, a nie komórka nerwowa. Dlaczego porównanie z mózgiem łatwo myli, wyjaśniamy w tekście jak działa sztuczna inteligencja od danych do odpowiedzi.

Jeśli dopiero zaczynasz, najpierw zajrzyj do naszego przewodnika po podstawach: co to jest sztuczna inteligencja i jak zacząć z niej korzystać. Tu wchodzimy do środka jednego elementu, czyli samej sieci.

Jak działa sieć neuronowa: neurony, wagi i warstwy

Sieć przepuszcza liczby przez kolejne warstwy. Każdy neuron liczy ważoną sumę tego, co dostał, przepuszcza ją przez prostą funkcję i oddaje wynik następnej warstwie, aż na końcu wyjdzie odpowiedź.

Weźmy klasyczne zadanie: rozpoznanie odręcznie napisanej cyfry. Obrazek ze zbioru MNIST ma 28 × 28 pikseli, a każdy piksel to liczba od 0 do 255, czyli jasność (dokumentacja TensorFlow). Dla sieci obrazek to więc 784 liczby.

ElementCo robiW przykładzie z cyfrą
Warstwa wejściowaprzyjmuje dane zamienione na liczby784 jasności pikseli
Wagaliczba, która mówi, jak mocno dane wejście wpływa na neuron (może być ujemna)czy ciemny piksel w środku obrazka „głosuje” za ósemką, czy przeciw
Neuronmnoży wejścia przez wagi, dodaje stałą (ang. bias) i przepuszcza wynik przez funkcję aktywacjijeden ze 128 neuronów warstwy ukrytej
Funkcja aktywacjinieliniowy „przełącznik”, np. ReLU zamienia wynik ujemny na 0pozwala łączyć proste kreski w złożone kształty
Warstwa ukrytawarstwy między wejściem a wyjściem; tu sieć buduje własne cechy128 neuronów
Warstwa wyjściowapodaje wynik10 liczb: ocena dla każdej cyfry od 0 do 9

Google w kursie uczenia maszynowego wyjaśnia, że warstwy między wejściem a wyjściem nazywa się ukrytymi, a ich węzły neuronami (Google for Developers). Bez funkcji aktywacji dokładanie warstw nic by nie dało, bo działania liniowe wykonane na działaniach liniowych dalej są liniowe. Najczęściej używa się sigmoidy, tangensa hiperbolicznego i ReLU (Google for Developers).

Najważniejsze: nikt nie wpisuje sieci, że ósemka ma dwie pętle. Sieć dostaje tysiące podpisanych przykładów i sama ustawia wagi tak, żeby odpowiedzi się zgadzały. Dlatego sieci neuronowe to część uczenia maszynowego: program sam znajduje wzorce w danych, zamiast dostać gotowe reguły.

Jak sieć neuronowa się uczy? Propagacja wsteczna po ludzku

Sieć uczy się na błędach. Zgaduje odpowiedź, sprawdza, o ile się pomyliła, i cofając się od wyjścia do wejścia, lekko poprawia każdą wagę w stronę mniejszego błędu. Tę metodę nazywa się propagacją wsteczną (ang. backpropagation).

  1. Start. Wagi są na początku przypadkowe, więc sieć zgaduje. W samouczku TensorFlow nienauczona sieć daje każdej cyfrze prawdopodobieństwo bliskie 1/10.
  2. Odpowiedź. Sieć dostaje obrazek „3” i podaje swoją ocenę, na przykład „chyba 8”.
  3. Błąd. Funkcja straty liczy, jak daleko ta ocena jest od prawidłowej odpowiedzi.
  4. Cofanie. Propagacja wsteczna wylicza dla każdej wagi, w którą stronę i jak mocno ją przesunąć, żeby błąd zmalał.
  5. Poprawka. Wagi zmieniają się o mały krok. Potem przychodzi następna porcja przykładów i tak tysiące razy.

Metodę opisali w 1986 r. w „Nature” David Rumelhart, Geoffrey Hinton i Ronald Williams: procedura poprawia wagi połączeń tak, żeby zmniejszyć różnicę między tym, co sieć podaje, a tym, co powinna podać, a neurony ukryte same zaczynają reprezentować cechy ważne dla zadania (Nature, t. 323). Google nazywa ją najczęściej używanym algorytmem trenowania sieci neuronowych (Google for Developers).

Policzmy to. Sieć z samouczka TensorFlow ma 784 wejścia, jedną warstwę ukrytą ze 128 neuronami i 10 wyjść (TensorFlow, samouczek dla początkujących). Liczb do nauczenia jest 784 × 128 + 128 = 100 480 w warstwie ukrytej i 128 × 10 + 10 = 1 290 w wyjściowej, razem 101 770. Zapis treningu pokazuje 1 875 kroków na jedną rundę (epokę) po 60 000 obrazkach, czyli wagi są poprawiane co 32 obrazki. Po 5 rundach to 9 375 poprawek wszystkich 101 770 liczb, a sieć trafia w ok. 98% cyfr ze zbioru testowego, którego wcześniej nie widziała.

Dla dociekliwych. Kierunek poprawki wyznacza gradient, czyli to, jak zmienia się błąd, gdy lekko ruszymy daną wagą. Przesuwanie wag małymi krokami w stronę spadku błędu to metoda spadku gradientu, a propagacja wsteczna to sposób, żeby policzyć gradienty dla wszystkich warstw naraz, idąc od wyjścia do wejścia. W głębokich sieciach ma słaby punkt: gradienty w warstwach blisko wejścia mogą maleć prawie do zera albo rosnąć bez kontroli. Według Google warstwy z zanikającym gradientem uczą się bardzo wolno albo wcale. Przed zanikaniem gradientu chroni funkcja ReLU, a przed eksplodującymi gradientami normalizacja wsadowa i mniejszy krok uczenia.

Deep learning, czyli głębokie uczenie: kiedy sieć jest „głęboka”?

Deep learning, po polsku głębokie uczenie, to uczenie maszynowe na sieciach neuronowych z wieloma warstwami ukrytymi. Im więcej warstw, tym bardziej złożone cechy sieć może zbudować: od krawędzi, przez kształty, po całe przedmioty albo sens zdania.

Nie ma oficjalnej granicy, od ilu warstw sieć jest głęboka. Sieć od cyfr z jedną warstwą ukrytą to sieć płytka. AlexNet z 2012 r. miała pięć warstw konwolucyjnych, dwie w pełni połączone i warstwę wyjściową na 1 000 kategorii, razem 60 mln parametrów, a uczyła się na ok. 1,3 mln zdjęć ze zbioru ImageNet (Krizhevsky, Sutskever, Hinton, NeurIPS 2012). Jednym z autorów był Ilya Sutskever, późniejszy współzałożyciel OpenAI.

Różnica wobec klasycznego uczenia maszynowego jest praktyczna. W starszych metodach człowiek często sam decydował, jakie cechy danych policzyć, zanim model zaczął się uczyć. Głęboka sieć dostaje surowe dane, na przykład piksele, i cechy buduje sama w warstwach ukrytych. Płaci za to dużą ilością danych i mocy obliczeniowej. Gdzie głębokie uczenie leży na tle reguł, klasycznego uczenia maszynowego i generatywnej AI, pokazujemy w tekście rodzaje sztucznej inteligencji według sposobu działania.

Za tę dziedzinę przyznano dwie najważniejsze nagrody naukowe. W marcu 2019 r. ACM przyznało Nagrodę Turinga za 2018 r. Yoshui Bengio, Geoffreyowi Hintonowi i Yannowi LeCunowi za przełomy, dzięki którym głębokie sieci neuronowe stały się kluczowym elementem informatyki (ACM). W 2024 r. Nobla z fizyki dostali John Hopfield i Geoffrey Hinton „za fundamentalne odkrycia i wynalazki, które umożliwiają uczenie maszynowe ze sztucznymi sieciami neuronowymi” (NobelPrize.org), a Nobla z chemii współdzielił m.in. Demis Hassabis, współtwórca AlphaFold, sieci przewidującej strukturę białek.

Rodzaje sieci neuronowych: konwolucyjne, rekurencyjne i transformer

Trzy rodziny warto znać: sieci konwolucyjne do obrazów, rekurencyjne do danych podawanych po kolei i transformer, na którym działają dzisiejsze modele językowe. Różnią się tym, jak sieć „patrzy” na dane.

RodzajJak patrzy na daneDo czegoPotwierdzona data
Konwolucyjna (CNN)przesuwa po obrazie małe filtry i szuka lokalnych wzorów: krawędzi, łuków, plamzdjęcia, skany, pismo odręcznekoniec lat 80.: według ACM pierwsza sieć konwolucyjna wytrenowana na odręcznych cyfrach (Yann LeCun)
Rekurencyjna (RNN, w tym LSTM)czyta dane krok po kroku i przenosi „pamięć” poprzednich krokówtekst, mowa, szeregi czasowe1997: LSTM (Hochreiter, Schmidhuber)
Transformerwidzi wszystkie fragmenty naraz i mechanizmem uwagi waży, które są ważne dla któregomodele językowe, tłumaczenie, modele multimodalne12.06.2017: praca „Attention Is All You Need”

Sieci konwolucyjne. W pracy z 1998 r. LeCun i współautorzy pokazali, że na zadaniu rozpoznawania odręcznych cyfr sieci konwolucyjne wypadają lepiej niż inne metody, a oparty na nich czytnik czeków czytał kilka milionów czeków dziennie (Proceedings of the IEEE, t. 86).

Sieci rekurencyjne. Zwykła sieć rekurencyjna słabo pamięta odległe kroki, bo sygnał błędu słabnie, gdy wraca w czasie. LSTM dodał specjalne komórki pamięci, które utrzymują stały przepływ błędu, i dzięki temu rozwiązywał zadania z długimi odstępami, z którymi wcześniejsze sieci rekurencyjne sobie nie radziły (Neural Computation, t. 9).

Transformer. Autorzy z Google zrezygnowali w nim z rekurencji i konwolucji i oparli model wyłącznie na mechanizmie uwagi. Taki model da się trenować równolegle, więc szybciej: wersję do tłumaczenia z angielskiego na francuski wytrenowano w 3,5 dnia na ośmiu kartach graficznych (Vaswani i in., arXiv). Ta architektura stała się podstawą dużych modeli językowych.

Od sieci neuronowej do ChatGPT, Claude i Gemini

Duży model językowy to bardzo duża głęboka sieć neuronowa, zwykle typu transformer, wytrenowana na tekstach do przewidywania kolejnego fragmentu. Zasada jest ta sama co w sieci od cyfr: wagi, warstwy i poprawianie błędów. Inna jest skala.

OpenAI pisze w dokumentacji, że jej modele generujące tekst nazywa się generatywnymi, wstępnie wytrenowanymi transformerami, w skrócie GPT (OpenAI). Google podaje, że modele Gemini zbudowano na dekoderach transformera (raport techniczny Gemini, 19.12.2023). Anthropic opisuje wnętrze Claude językiem sieci: stan modelu to długa lista aktywacji neuronów, a każde pojęcie jest rozłożone na wiele neuronów, z których każdy uczestniczy w wielu pojęciach (Anthropic, 21.05.2024).

A skala? GPT-3 z 2020 r. miał 175 mld parametrów (Brown i in., arXiv). Otwarty Mistral Large 4 ma ok. biliona parametrów, ale przy każdym tokenie pracuje ich ok. 49 mld, bo model składa się ze 128 „ekspertów”, z których naraz działa czterech (karta modelu na Hugging Face). Taki układ nazywa się mieszaniną ekspertów (ang. mixture of experts, MoE).

Zestawmy to z siecią od cyfr: bilion parametrów to ok. 9,8 mln razy więcej niż jej 101 770. Gdyby każdą wagę zapisać na 2 bajtach, same wagi Mistrala zajęłyby ok. 2 TB, a sieć od cyfr zmieściłaby się w ok. 200 KB. Dlatego największe modele działają w centrach danych, a na zwykłym komputerze uruchamia się mniejsze.

Jak model językowy tnie pytanie na tokeny i układa odpowiedź słowo po słowie, opisaliśmy w tekście o tym, jak działa sztuczna inteligencja. Porównanie modeli i to, jak wybrać model do zadania, znajdziesz w przewodniku LLM, czyli duże modele językowe.

Gdzie spotykasz sieci neuronowe na co dzień

Częściej, niż się wydaje: w czacie AI, w tłumaczu, przy odblokowaniu telefonu twarzą. Oto przykłady potwierdzone przez samych twórców:

  • Czat AI. ChatGPT, Claude i Gemini to aplikacje, w których pracuje duża sieć neuronowa. Od czego zacząć, podpowiadamy w tekście który czat AI wybrać na start.
  • Tłumacz. We wrześniu 2016 r. Google przełączył tłumaczenia z chińskiego na angielski w Tłumaczu Google na neuronowy system GNMT, który obsługiwał wtedy ok. 18 mln tłumaczeń dziennie. W ocenach ludzi błędów było mniej o 55–85% na kilku głównych parach językowych (Google Research).
  • Odblokowanie twarzą. Apple podaje, że Face ID używa sieci neuronowych do sprawdzania, czy patrzysz na ekran, do dopasowania twarzy i do wykrywania prób oszukania czujnika, a dopasowanie odbywa się w chronionej części procesora (Apple Platform Security).
  • Pismo i dokumenty. Rozpoznawanie pisma to klasyczne zadanie sieci konwolucyjnych: już pod koniec lat 90. czytnik czeków oparty na takich sieciach czytał kilka milionów czeków dziennie.
  • Nauka. AlphaFold przewiduje strukturę białek, co przyniosło jego twórcom Nobla z chemii w 2024 r.

W firmie sieć neuronowa rzadko jest celem sama w sobie. Zwykle korzystasz z gotowej: czatu AI na kontach firmowych, odczytu danych z faktur, transkrypcji spotkań. Pytanie nie brzmi „czy zbudować sieć”, tylko „do którego zadania wziąć gotowy model i jak sprawdzać jego wyniki”. Tego uczymy zespoły na szkoleniu AI w codziennej pracy: ChatGPT, Claude i Gemini od podstaw.

Ograniczenia sieci neuronowych: dane, energia, czarna skrzynka i halucynacje

Sieć jest tak dobra jak jej dane, zużywa dużo energii, trudno zajrzeć jej do środka, a duże modele językowe potrafią podać zmyślenie tonem pełnym pewności. Każde z tych ograniczeń ma praktyczne skutki dla użytkownika.

  • Dane. Sieć uczy się tylko z tego, co dostała. Gdy przykładów z jakiejś grupy jest mało albo są źle podpisane, sieć powieli te braki. Sieć od cyfr nauczona na MNIST nie przeczyta paragonu, bo nigdy go nie widziała.
  • Energia. Międzynarodowa Agencja Energetyczna szacuje, że centra danych zużyły w 2024 r. ok. 415 TWh prądu, a w 2030 r. mogą zużywać ok. 945 TWh, nieco więcej niż dziś cała Japonia; główną siłą tego wzrostu jest AI (IEA, raport „Energy and AI”, kwiecień 2025). To wzrost o ok. 2,3 raza w sześć lat, choć nie cały prąd centrów danych idzie na AI.
  • Czarna skrzynka. Wagi to miliardy liczb bez znaczenia, które dałoby się odczytać wprost. Anthropic pisze otwarcie, że modele AI zwykle traktuje się jak czarną skrzynkę. Jego badacze wyodrębnili miliony cech, czyli wzorów aktywności neuronów odpowiadających pojęciom, ze środkowej warstwy modelu Claude 3.0 Sonnet, ale pełnego wglądu w działanie dużego modelu wciąż nie ma.
  • Halucynacje. Model językowy podaje najbardziej prawdopodobny ciąg dalszy, a nie sprawdzony fakt. Według pracy Kalaia i współautorów z 2025 r. procedury treningu i oceny nagradzają zgadywanie bardziej niż przyznanie się do niepewności (arXiv). Jak wyłapywać zmyślenia, opisujemy w tekście halucynacje AI: skąd się biorą i jak je wyłapać.

Wniosek dla codziennej pracy jest prosty: sieć neuronowa świetnie wyłapuje wzorce, ale nie gwarantuje prawdy. Ważne liczby, daty i cytaty sprawdzaj u źródła.

Wszystkie teksty dla początkujących

Pełny start z AI, od pojęć po pierwsze zadania, zebraliśmy w przewodniku co to jest sztuczna inteligencja. Gdy wiesz już, jak działa sieć, sprawdź, co za darmo dają ChatGPT, Gemini i Claude, a jeśli myślisz o asystencie na stronę firmy, przeczytaj, jak działa chatbot i ile kosztuje. Kolejne teksty dla osób zaczynających z AI znajdziesz poniżej.

Co to znaczy dla Ciebie

Nie musisz umieć liczyć gradientów, żeby dobrze korzystać z AI. Wystarczą trzy wnioski z budowy sieci. Po pierwsze, ChatGPT, Claude i Gemini wiedzą tyle, ile wyciągnęły z danych treningowych, więc o rzeczach rzadkich, lokalnych i świeżych piszą słabiej: daj im własny materiał albo włącz wyszukiwanie. Po drugie, płynna odpowiedź nie jest dowodem: sieć przewiduje prawdopodobny tekst, dlatego liczby, daty i cytaty sprawdzaj u źródła. Po trzecie, w firmie zamiast budować własną sieć zwykle wystarczy dobrze dobrany gotowy model, jasne zasady, co wolno do niego wklejać, i nawyk weryfikacji.

Najczęstsze pytania

Co to jest sieć neuronowa?

Sieć neuronowa to program uczenia maszynowego zbudowany z warstw prostych jednostek, nazywanych neuronami. Każdy neuron mnoży otrzymane liczby przez wagi, sumuje je i przekazuje dalej. Sieć uczy się na przykładach, poprawiając wagi tak, żeby jej odpowiedzi były coraz trafniejsze. Na sieciach neuronowych działają m.in. ChatGPT, Claude, Gemini i Tłumacz Google.

Czy sieć neuronowa to sztuczna inteligencja?

Tak, to jedna z metod sztucznej inteligencji. Sztuczna inteligencja to cała dziedzina, uczenie maszynowe to jej część, w której program uczy się na danych, a sieci neuronowe to jeden ze sposobów uczenia maszynowego. Głębokie uczenie (deep learning) to sieci neuronowe z wieloma warstwami.

Jakie są rodzaje sieci neuronowych?

Najczęściej wymienia się trzy rodziny. Sieci konwolucyjne (CNN) służą głównie do obrazów, bo szukają lokalnych wzorów, takich jak krawędzie. Sieci rekurencyjne (RNN, w tym LSTM z 1997 r.) czytają dane krok po kroku, np. tekst albo mowę. Transformer, opisany w 2017 r. w pracy „Attention Is All You Need”, patrzy na wszystkie fragmenty naraz i jest podstawą dużych modeli językowych.

Czym różni się deep learning od uczenia maszynowego?

Deep learning, czyli głębokie uczenie, to część uczenia maszynowego. W klasycznych metodach człowiek często sam wybiera, jakie cechy danych policzyć. Głęboka sieć neuronowa dostaje surowe dane, np. piksele albo tekst, i cechy buduje sama w wielu warstwach ukrytych. Potrzebuje za to więcej danych i mocy obliczeniowej.

Czy ChatGPT to sieć neuronowa?

Tak. ChatGPT korzysta z dużego modelu językowego, czyli bardzo dużej głębokiej sieci neuronowej. OpenAI opisuje swoje modele tekstowe jako generatywne, wstępnie wytrenowane transformery, stąd skrót GPT. Na sieciach typu transformer działają też modele Gemini od Google.

Czy sieć neuronowa działa jak ludzki mózg?

Tylko w bardzo ogólnym sensie. Pierwsze modele sztucznego neuronu, np. McCullocha i Pittsa z 1943 r., inspirowała biologia, ale dzisiejszy sztuczny neuron to proste działanie matematyczne: ważona suma i funkcja aktywacji. Z samej nazwy nie wynika, że sieć myśli ani rozumie jak człowiek.

Źródła i data sprawdzenia

Sprawdzono 11 listopada 2026

Czytaj dalej

Przewodnik po temacie Co to jest sztuczna inteligencja? AI wyjaśniona prosto dla początkujących

Czytaj dalej

Przewodnik po temacie Co to jest sztuczna inteligencja? AI wyjaśniona prosto dla początkujących

Adam Bakalarz, założyciel instytut.ai
Autor

Adam Bakalarz

Szkoleniowiec AI · właściciel agencji NowoczesnyMarketing.pl · założyciel instytut.ai

Prowadzi agencję, w której ChatGPT, Claude i automatyzacje codziennie pracują dla klientów. Na szkoleniach i w kursach online uczy tego, co sam stosuje w pracy.

100+

firm na szkoleniach zamkniętych od 2025

21

kursów online

1 200+

zweryfikowanych opinii

50 000+

kursantów online