AI a robotika

ELIZA byla zrcadlem dřív, než se z chatbotů stali asistenti

Před šedesáti lety ukázal malý program, že lidé dokážou v odpovědi stroje zažít pocit porozumění. Dnešní systémy umějí mnohem víc, ale ověřit, čemu věřit, zůstává lidskou prací.

3. října 2026, 20:05 5 min 5 zdrojů Jistota 95/100

Ve zkratce

Co se stalo. V lednu 1966 publikoval Joseph Weizenbaum program ELIZA. Ten na sdíleném počítači MIT proměňoval napsané věty v uvěřitelné odpovědi, jako by šlo o rozhovor.

Co to znamená. ELIZA nepotřebovala široké znalosti, aby se uživatel cítil vyslyšen. Její nejznámější scénář přetvářel části vlastních slov člověka v otázky. Velkou část smyslu pak dodal sám člověk.

Rizika a dopady. Plynulá odpověď si může půjčit důvěryhodnost od tónu, načasování a společenských očekávání. Ta důvěryhodnost může přerůst to, co systém skutečně doloží, co si pamatuje, jak chrání soukromí a k čemu má oprávnění.

Co se s tím dá dělat. Oddělit kvalitu rozhovoru od kvality tvrzení. Ptát se, co systém doopravdy udělal, jaké zdroje odpověď podpírají, jaké informace si ponechává a kdo za rozhodnutí dál odpovídá.

Na co se dívat dál. Moderní jazykové modely nejsou zvětšené kopie ELIZY. Umějí jazyk vytvářet, přetvářet a propojovat v nesrovnatelně větším měřítku. Historické varování platí dál právě proto, že schopnosti a pocit porozumění mohou růst společně, a přesto nejsou totéž.

Zobrazeno jako shrnutí podle tvého nastavení čtení.

Co se stalo

ELIZA běžela v prostředí projektu MAC na MIT. Weizenbaum popsal program, který ve vstupu hledal klíčová slova, vybíral pravidla pro rozložení věty a odpovědi skládal podle navázaných pravidel pro její nové sestavení. Styl rozhovoru byl uložený ve zvláštním scénáři. Stejný program tak mohl hrát různé konverzační role.

Slavný psychiatrický scénář fungoval nečekaně dobře, protože terapeut může směrovat pozornost, aniž by předváděl velké znalosti o světě. Když uživatel zmínil problém, systém mohl zopakovat jeho slova nebo požádat o příklad. Člověk si odpověď vyložil v rámci známé společenské situace a sám doplnil souvislosti, které program neměl.

Na té stavbě záleží. ELIZA nebyla miniaturní moderní jazykový model, ale ani pouhý seznam předem napsaných vět. Byl to programovatelný systém na přetváření vzorců, postavený pro pokusy s rozhovorem mezi člověkem a strojem. Historik Jeff Shrager tvrdí, že Weizenbaum chtěl výzkumnou platformu pro studium výkladu a nedorozumění, ne spotřebitelského „chatbota“, jak se jí začalo říkat později.

Co podporují důkazy

Článek z roku 1966 popisuje mechanismus neobvykle srozumitelně. Vysvětluje rozkládání a skládání vět spouštěné klíčovými slovy a pak klade větší otázku: proč lidem připadá výstup stroje důvěryhodný? Weizenbaum varoval, že ELIZA snadno vytváří iluzi porozumění, možná i úsudku. Rozlišoval také mezi tím, udržet rozhovor, a tím, vyvodit z řečeného platné závěry.

Původní program pak zmizel z dohledu. Šířily se pozdější verze v jazycích Lisp a BASIC, zatímco zdrojový kód v MAD-SLIP upadal v zapomnění. V roce 2021 našli Shrager a archivář MIT Myles Crowley ve Weizenbaumově pozůstalosti jeho výtisk. Tým kód přepsal, opravil celý softwarový základ včetně chybějících funkcí a v prosinci 2024 ho znovu spustil na emulovaném počítači IBM 7094 se systémem CTSS.

Obnova zpřesnila historii. Kód i scénáře ELIZY se mezi verzemi měnily. Známý potomek nebyl prostě originál zakonzervovaný v jantaru. Připomenout si minulost tu vyžadovalo softwarovou archeologii, ne jen převyprávět slavnou historku.

Jak se příběh vykládá

Pro uživatele je pohotová odpověď užitečná. Systém, který zmatenou otázku přeformuluje, může odhalit její strukturu. A otázka položená bez spěchu usnadní přemýšlení. Zážitek nemusí být falešný, aby měl cenu. Bránit se je třeba nezaslouženému skoku od „ten rozhovor mi pomohl přemýšlet“ k „tenhle mluvčí ví, záleží mu na mně nebo za to ručí“.

Pro návrháře nejsou lidské prvky kosmetika. V online experimentu z roku 2024 se 2 165 dospělými Američany měnila Michelle Cohnová s kolegy dvě věci: zda napodobený jazykový model komunikuje jen textem, nebo hlasem i textem, a zda o sobě mluví jako „já“, nebo „systém“. Hlas s textem posílil polidšťování stroje i to, jak přesné se účastníkům informace zdály. Mluva v první osobě ovlivnila hodnocení přesnosti a rizika v jednom z kontextů.

Pro instituci je to provozní problém. Vlídnost může usnadnit přístup, ale zároveň svádět lidi, aby prozradili víc nebo se podřídili. Rozhraní, pravidla uchovávání dat, cesta k vyšší instanci a lidská kontrola rozhodují, jestli je rozhovor jen příjemný, nebo i odpovědně řízený.

Historikům ELIZA připomíná, že nevede přímá čára od primitivní minulosti k inteligentní přítomnosti. Opakující se téma není jen to, co stroje dokážou vytvořit. Je to i to, jak si lidé odpověď vykládají a jak instituce z toho výkladu dělají rozhodnutí.

Souvislosti

Moderní generativní systémy se od ELIZY liší metodou i dosahem. Velké jazykové modely se učí statistickou strukturu z obrovských souborů dat a dokážou skládat nové texty v mnoha oborech. Mohou být napojené na vyhledávání, kalkulačky, spouštění kódu a další nástroje. Díky tomu může být odpověď opravdu užitečnější a lépe ověřitelná.

Rozhovor ale pořád slévá dohromady několik soudů, které by měly zůstat oddělené. Gramatická plynulost je vlastnost výstupu. Věcná přesnost závisí na důkazech a podmínkách úlohy. Spolehlivost je vzorec měřený napříč mnoha případy. Porozumění a vědomí jsou filozofické a vědecké otázky, které jeden přesvědčivý dialog nerozhodne. Odpovědnost patří lidem a institucím, které systém nasazují, používají a podle něj jednají.

Profil generativní AI, který americký úřad NIST vydal v roce 2024, bere tato rozlišení jako součást řízení rizik. Doporučuje ověřovat tvrzení o schopnostech v praxi, kontrolovat zdroje a citace a sledovat polidšťující prvky v rozhraní. Varuje také před odvozováním širokých schopností z úzkých nebo jednotlivých testů. Jinými slovy: lékem na efekt ELIZY není nevlídné rozhraní, ale důkazy kolem něj.

Koho se to týká

Trvalá síla ELIZY vycházela ze spolupráce, které si uživatelé nevšimli. Program přispěl drobnou úpravou věty. Člověk přispěl vlastním životem, očekáváními a vstřícným výkladem, díky kterému rozhovor vůbec funguje. Smysl vznikal v setkání, i když vnitřní výbava stroje byla chudá.

Tenhle poznatek by neměl sloužit k posměchu lidem, kteří ke konverzačním systémům přilnou. Lidé běžně reagují společensky na hlasy, jména, pauzy a pozornost. Podstatná otázka je, kdo vydělá, když se tyto instinkty zabudují do výrobku. A jakou ochranu má uživatel, který je osamělý, vystrašený, mladý nebo právě dělá závažné rozhodnutí.

Poučení by také nemělo smazat Weizenbaumovo řemeslo. Postavit interaktivní jazykový software na systému CTSS a počítači IBM 7094 bylo technicky odvážné. Malý mechanismus odhalil velký lidský sklon proto, že byl navržený dost dobře, aby se ten sklon mohl projevit.

Hlubší příběh

Když začne rozhovor působit autoritativně, udělejte si test ELIZY:

Pojmenujte funkci. Systém zrovna zrcadlí, vymýšlí nápady, shrnuje, vyhledává, počítá, nebo doporučuje? Užitečné zrcadlení ještě není prověřená odpověď.
Prověřte tvrzení. U podstatného výroku se zeptejte na důkazy, datum a míru nejistoty. Otevřete citovaný zdroj a ověřte, že tvrzení opravdu podporuje, a ne že s ním jen sdílí klíčová slova.
Vyzkoušejte hranice. Změňte jeden předpoklad, požádejte o protipříklad nebo se zeptejte, jaká informace by odpověď obrátila. Soudržné změny jsou užitečné. Nejsou důkazem, ale odhalí křehkou jistotu.
Ověřte vztah. Zjistěte, jestli se rozhovor ukládá, kontroluje nebo používá k tréninku. Nesvěřujte informace, u kterých nevíte, co se s nimi stane. Důvěrný tón není smlouva o mlčenlivosti.
Vraťte odpovědnost tam, kam patří. U rozhodnutí o zdraví, právu, penězích, bezpečnosti nebo práci najděte kvalifikovaného člověka nebo postup, který výsledek ověří a ručí za něj.

Praktický závěr nezní nevěřit každému přátelskému stroji. Jde o to udržet dvě čtení zároveň. Konverzační, které může být užitečné a lidské. A kontrolní, které se ptá, co se technicky stalo a jaké důkazy si zaslouží, abychom podle nich jednali.

K zamyšlení

Která část užitečného rozhovoru s AI pocházela ze systému a která z vašeho výkladu?

Usnadňuje hlas v první osobě odpověď použít — nebo ji naopak ztěžuje zpochybnit?

Kdo by nesl odpovědnost, kdyby přesvědčivá odpověď byla chybná a někdo podle ní jednal?

Zdroje

Joseph Weizenbaum — ELIZA, A Computer Program for the Study of Natural Language Communication Between Man and Machine — https://cse.buffalo.edu/~rapaport/572/S02/weizenbaum.eliza.1966.pdf
Lane et al. — ELIZA Reanimated — https://arxiv.org/abs/2501.06707
Jeff Shrager — ELIZA Reinterpreted — https://arxiv.org/abs/2406.17650
Cohn et al. — Believing Anthropomorphism — https://arxiv.org/abs/2405.06079
NIST — Generative AI Profile for the AI Risk Management Framework — https://www.nist.gov/publications/artificial-intelligence-risk-mana...

Fakta přebíráme z uvedených zdrojů vlastními slovy a odkazujeme na originály. Výklad je náš, ne jejich.

RYCHLÁ KONTROLA POCHOPENÍ

Jaké nejdůležitější poučení si z ELIZY vzít do rozhovoru s moderním systémem umělé inteligence?

♻︎ Volně k převzetí

Zkopírujte HTML do svého systému. Uvedení zdroje i licence je součástí. Převezměte naše články — zdarma

<h1>ELIZA byla zrcadlem dřív, než se z chatbotů stali asistenti</h1>
<p><em>Před šedesáti lety ukázal malý program, že lidé dokážou v odpovědi stroje zažít pocit porozumění. Dnešní systémy umějí mnohem víc, ale ověřit, čemu věřit, zůstává lidskou prací.</em></p>
<h2>Ve zkratce</h2>
<p><strong>Co se stalo.</strong> V lednu 1966 publikoval Joseph Weizenbaum program ELIZA. Ten na sdíleném počítači MIT proměňoval napsané věty v uvěřitelné odpovědi, jako by šlo o rozhovor.</p>
<p><strong>Co to znamená.</strong> ELIZA nepotřebovala široké znalosti, aby se uživatel cítil vyslyšen. Její nejznámější scénář přetvářel části vlastních slov člověka v otázky. Velkou část smyslu pak dodal sám člověk.</p>
<p><strong>Rizika a dopady.</strong> Plynulá odpověď si může půjčit důvěryhodnost od tónu, načasování a společenských očekávání. Ta důvěryhodnost může přerůst to, co systém skutečně doloží, co si pamatuje, jak chrání soukromí a k čemu má oprávnění.</p>
<p><strong>Co se s tím dá dělat.</strong> Oddělit kvalitu rozhovoru od kvality tvrzení. Ptát se, co systém doopravdy udělal, jaké zdroje odpověď podpírají, jaké informace si ponechává a kdo za rozhodnutí dál odpovídá.</p>
<p><strong>Na co se dívat dál.</strong> Moderní jazykové modely nejsou zvětšené kopie ELIZY. Umějí jazyk vytvářet, přetvářet a propojovat v nesrovnatelně větším měřítku. Historické varování platí dál právě proto, že schopnosti a pocit porozumění mohou růst společně, a přesto nejsou totéž.</p>
<h2>Co se stalo</h2>
<p>ELIZA běžela v prostředí projektu MAC na MIT. Weizenbaum popsal program, který ve vstupu hledal klíčová slova, vybíral pravidla pro rozložení věty a odpovědi skládal podle navázaných pravidel pro její nové sestavení. Styl rozhovoru byl uložený ve zvláštním scénáři. Stejný program tak mohl hrát různé konverzační role.</p>
<p>Slavný psychiatrický scénář fungoval nečekaně dobře, protože terapeut může směrovat pozornost, aniž by předváděl velké znalosti o světě. Když uživatel zmínil problém, systém mohl zopakovat jeho slova nebo požádat o příklad. Člověk si odpověď vyložil v rámci známé společenské situace a sám doplnil souvislosti, které program neměl.</p>
<p>Na té stavbě záleží. ELIZA nebyla miniaturní moderní jazykový model, ale ani pouhý seznam předem napsaných vět. Byl to programovatelný systém na přetváření vzorců, postavený pro pokusy s rozhovorem mezi člověkem a strojem. Historik Jeff Shrager tvrdí, že Weizenbaum chtěl výzkumnou platformu pro studium výkladu a nedorozumění, ne spotřebitelského „chatbota“, jak se jí začalo říkat později.</p>
<h2>Co podporují důkazy</h2>
<p>Článek z roku 1966 popisuje mechanismus neobvykle srozumitelně. Vysvětluje rozkládání a skládání vět spouštěné klíčovými slovy a pak klade větší otázku: proč lidem připadá výstup stroje důvěryhodný? Weizenbaum varoval, že ELIZA snadno vytváří iluzi porozumění, možná i úsudku. Rozlišoval také mezi tím, udržet rozhovor, a tím, vyvodit z řečeného platné závěry.</p>
<p>Původní program pak zmizel z dohledu. Šířily se pozdější verze v jazycích Lisp a BASIC, zatímco zdrojový kód v MAD-SLIP upadal v zapomnění. V roce 2021 našli Shrager a archivář MIT Myles Crowley ve Weizenbaumově pozůstalosti jeho výtisk. Tým kód přepsal, opravil celý softwarový základ včetně chybějících funkcí a v prosinci 2024 ho znovu spustil na emulovaném počítači IBM 7094 se systémem CTSS.</p>
<p>Obnova zpřesnila historii. Kód i scénáře ELIZY se mezi verzemi měnily. Známý potomek nebyl prostě originál zakonzervovaný v jantaru. Připomenout si minulost tu vyžadovalo softwarovou archeologii, ne jen převyprávět slavnou historku.</p>
<h2>Jak se příběh vykládá</h2>
<p>Pro uživatele je pohotová odpověď užitečná. Systém, který zmatenou otázku přeformuluje, může odhalit její strukturu. A otázka položená bez spěchu usnadní přemýšlení. Zážitek nemusí být falešný, aby měl cenu. Bránit se je třeba nezaslouženému skoku od „ten rozhovor mi pomohl přemýšlet“ k „tenhle mluvčí ví, záleží mu na mně nebo za to ručí“.</p>
<p>Pro návrháře nejsou lidské prvky kosmetika. V online experimentu z roku 2024 se 2 165 dospělými Američany měnila Michelle Cohnová s kolegy dvě věci: zda napodobený jazykový model komunikuje jen textem, nebo hlasem i textem, a zda o sobě mluví jako „já“, nebo „systém“. Hlas s textem posílil polidšťování stroje i to, jak přesné se účastníkům informace zdály. Mluva v první osobě ovlivnila hodnocení přesnosti a rizika v jednom z kontextů.</p>
<p>Pro instituci je to provozní problém. Vlídnost může usnadnit přístup, ale zároveň svádět lidi, aby prozradili víc nebo se podřídili. Rozhraní, pravidla uchovávání dat, cesta k vyšší instanci a lidská kontrola rozhodují, jestli je rozhovor jen příjemný, nebo i odpovědně řízený.</p>
<p>Historikům ELIZA připomíná, že nevede přímá čára od primitivní minulosti k inteligentní přítomnosti. Opakující se téma není jen to, co stroje dokážou vytvořit. Je to i to, jak si lidé odpověď vykládají a jak instituce z toho výkladu dělají rozhodnutí.</p>
<h2>Souvislosti</h2>
<p>Moderní generativní systémy se od ELIZY liší metodou i dosahem. Velké jazykové modely se učí statistickou strukturu z obrovských souborů dat a dokážou skládat nové texty v mnoha oborech. Mohou být napojené na vyhledávání, kalkulačky, spouštění kódu a další nástroje. Díky tomu může být odpověď opravdu užitečnější a lépe ověřitelná.</p>
<p>Rozhovor ale pořád slévá dohromady několik soudů, které by měly zůstat oddělené. Gramatická plynulost je vlastnost výstupu. Věcná přesnost závisí na důkazech a podmínkách úlohy. Spolehlivost je vzorec měřený napříč mnoha případy. Porozumění a vědomí jsou filozofické a vědecké otázky, které jeden přesvědčivý dialog nerozhodne. Odpovědnost patří lidem a institucím, které systém nasazují, používají a podle něj jednají.</p>
<p>Profil generativní AI, který americký úřad NIST vydal v roce 2024, bere tato rozlišení jako součást řízení rizik. Doporučuje ověřovat tvrzení o schopnostech v praxi, kontrolovat zdroje a citace a sledovat polidšťující prvky v rozhraní. Varuje také před odvozováním širokých schopností z úzkých nebo jednotlivých testů. Jinými slovy: lékem na efekt ELIZY není nevlídné rozhraní, ale důkazy kolem něj.</p>
<h2>Koho se to týká</h2>
<p>Trvalá síla ELIZY vycházela ze spolupráce, které si uživatelé nevšimli. Program přispěl drobnou úpravou věty. Člověk přispěl vlastním životem, očekáváními a vstřícným výkladem, díky kterému rozhovor vůbec funguje. Smysl vznikal v setkání, i když vnitřní výbava stroje byla chudá.</p>
<p>Tenhle poznatek by neměl sloužit k posměchu lidem, kteří ke konverzačním systémům přilnou. Lidé běžně reagují společensky na hlasy, jména, pauzy a pozornost. Podstatná otázka je, kdo vydělá, když se tyto instinkty zabudují do výrobku. A jakou ochranu má uživatel, který je osamělý, vystrašený, mladý nebo právě dělá závažné rozhodnutí.</p>
<p>Poučení by také nemělo smazat Weizenbaumovo řemeslo. Postavit interaktivní jazykový software na systému CTSS a počítači IBM 7094 bylo technicky odvážné. Malý mechanismus odhalil velký lidský sklon proto, že byl navržený dost dobře, aby se ten sklon mohl projevit.</p>
<h2>Hlubší příběh</h2>
<p>Když začne rozhovor působit autoritativně, udělejte si test ELIZY:</p>
<ol>
<li><strong>Pojmenujte funkci.</strong> Systém zrovna zrcadlí, vymýšlí nápady, shrnuje, vyhledává, počítá, nebo doporučuje? Užitečné zrcadlení ještě není prověřená odpověď.</li>
<li><strong>Prověřte tvrzení.</strong> U podstatného výroku se zeptejte na důkazy, datum a míru nejistoty. Otevřete citovaný zdroj a ověřte, že tvrzení opravdu podporuje, a ne že s ním jen sdílí klíčová slova.</li>
<li><strong>Vyzkoušejte hranice.</strong> Změňte jeden předpoklad, požádejte o protipříklad nebo se zeptejte, jaká informace by odpověď obrátila. Soudržné změny jsou užitečné. Nejsou důkazem, ale odhalí křehkou jistotu.</li>
<li><strong>Ověřte vztah.</strong> Zjistěte, jestli se rozhovor ukládá, kontroluje nebo používá k tréninku. Nesvěřujte informace, u kterých nevíte, co se s nimi stane. Důvěrný tón není smlouva o mlčenlivosti.</li>
<li><strong>Vraťte odpovědnost tam, kam patří.</strong> U rozhodnutí o zdraví, právu, penězích, bezpečnosti nebo práci najděte kvalifikovaného člověka nebo postup, který výsledek ověří a ručí za něj.</li>
</ol>
<p>Praktický závěr nezní nevěřit každému přátelskému stroji. Jde o to udržet dvě čtení zároveň. Konverzační, které může být užitečné a lidské. A kontrolní, které se ptá, co se technicky stalo a jaké důkazy si zaslouží, abychom podle nich jednali.</p>
<h2>K zamyšlení</h2>
<p>Která část užitečného rozhovoru s AI pocházela ze systému a která z vašeho výkladu?</p>
<p>Usnadňuje hlas v první osobě odpověď použít — nebo ji naopak ztěžuje zpochybnit?</p>
<p>Kdo by nesl odpovědnost, kdyby přesvědčivá odpověď byla chybná a někdo podle ní jednal?</p>
<p><em>This article was originally published by <a href="https://mypaper.news/cs/ai/eliza-was-a-mirror-before-chatbots-became-assistants/">My Paper</a> and is republished under a <a href="https://creativecommons.org/licenses/by-nd/4.0/">CC BY-ND 4.0</a> licence.</em></p>
<img src="https://mypaper.news/px.gif?a=eliza-was-a-mirror-before-chatbots-became-assistants" alt="" width="1" height="1">

Za každým titulkem je hlubší příběh. Tohle je ten náš.

Co tady vlastně děláme

ELIZA byla zrcadlem dřív, než se z chatbotů stali asistenti

Ve zkratce

Co se stalo

Co podporují důkazy

Jak se příběh vykládá

Souvislosti

Koho se to týká

Hlubší příběh

K zamyšlení

Zdroje

Jaké nejdůležitější poučení si z ELIZY vzít do rozhovoru s moderním systémem umělé inteligence?

Udělej si z toho svoje noviny

Které rubriky mají být první?

A přesněji?

Kolik toho a jak natvrdo?

Kolik toho na tebe má web pustit

ELIZA byla zrcadlem dřív, než se z chatbotů stali asistenti

Ve zkratce

Co se stalo

Co podporují důkazy

Jak se příběh vykládá

Souvislosti

Koho se to týká

Hlubší příběh

K zamyšlení

Zdroje

Jaké nejdůležitější poučení si z ELIZY vzít do rozhovoru s moderním systémem umělé inteligence?

Čtěte dál

My Paper do tvojí schránky