Innhold Vis
AI-verdenen er full av forkortelser og fremmedord. AGI, LLM, RAG, RLHF – det kan virke som ett eget språk. Denne ordlisten gir deg 50+ viktige AI-begreper forklart på norsk, med praktiske eksempler og uten unødvendig sjargong. Bokmerk den og kom tilbake når du snubler over et begrep du ikke kjenner.
Listen dekker alt fra grunnleggende brukerbegreper (hva er egentlig en token?) til tekniske utviklerkonsepter (hva gjør LoRA med en modell?). Jeg har inkludert begreper du møter som vanlig bruker, som deg som vil forstå hva som faktisk foregår under panseret, og deg som begynner å eksperimentere med API-er og lokal AI.
Ordlisten er alfabetisk sortert. Klikk deg rett til bokstaven du trenger, eller les gjennom fra topp til bunn – du plukker opp noe nyttig uansett.
A
AGI (Artificial General Intelligence) – Kunstig generell intelligens. En hypotetisk AI som kan utføre alle kognitive oppgaver like godt som eller bedre enn et menneske – ikke bare én spesifikk ting. Vi er ikke der ennå, men det er målet mange store AI-laboratorier jobber mot. Les mer om AGI her.
AI (Artificial Intelligence) – Kunstig intelligens. Dataprogrammer som imiterer menneskelig tenkning, læring og problemløsning. Begrepet dekker alt fra enkle anbefalingssystemer (Netflix foreslår filmer) til avanserte språkmodeller som Claude og ChatGPT. Merk: på norsk ser du av og til forkortelsen «KI» (kunstig intelligens), men i tech-verden er «AI» det universelle begrepet.
Alignment – Prosessen med å sørge for at en AI faktisk gjør det vi ønsker at den skal gjøre, ikke bare det vi sier. Et subtilt, men kritisk skille. Dårlig alignment kan bety at en AI optimaliserer for feil mål og oppfører seg uforutsigbart. Alignment-forskning er en av de mest aktive feltene i AI-sikkerhet.
API (Application Programming Interface) – Et grensesnitt som lar programmer snakke med hverandre. Når du bruker ChatGPT via en tredjepartsapp, bruker appen ChatGPTs API. For AI betyr dette at du kan sende tekst til en modell og få svar tilbake via kode – uten å bruke den vanlige nettsiden. OpenRouter er et populært lag som samler mange AI-API-er på ett sted.
Agentic AI / AI-agenter – AI-systemer som kan utføre oppgaver over flere steg uten at du trenger å styre hvert skritt. En AI-agent kan søke på nettet, skrive kode, kjøre den, og justere seg selv basert på resultatet – alt autonomt. Komplett guide til AI-agenter her.
B
Benchmark – En standardisert test som måler en modells ytelse på spesifikke oppgaver. Populære benchmarks er MMLU (kunnskap), HumanEval (koding) og GPQA (vitenskap). Problemet er at modeller kan bli «trenet til benchmarks» – de presterer kunstig godt på tester uten at det gjenspeiler faktisk brukbarhet. Benchmarks er krydder, ikke fasit.
Bias (skjevhet) – Systematiske feil i en modells output som gjenspeiler skjevheter i treningsdataene. Hvis en modell er trent på mer tekst om menn enn kvinner i lederstillinger, kan den generere skjevt innhold. Bias er et kjent problem som AI-laboratorier aktivt prøver å redusere – med varierende hell.
Black box – Et AI-system der vi kan se hva som går inn og hva som kommer ut, men ikke forstår hvordan det tenker. De fleste store LLM-er er i praksis black boxes – ikke engang skaperne vet nøyaktig hvorfor modellen svarer slik den gjør. Motsetningen er «interpretability» eller forklarbarhet.
C
ChatGPT – OpenAIs populære AI-chatbot, lansert november 2022. Den som satte i gang det brede AI-kappløpet vi er midt i. ChatGPT bruker GPT-modeller (nå GPT-4o og GPT-4o mini) og er tilgjengelig gratis med begrensninger og via Plus-abonnement. Min guide til ChatGPT på norsk.
Claude – Anthropics AI-assistent. Finnes i versjonene Haiku (rask/billig), Sonnet (balansert) og Opus (kraftigst). Kjent for god instruert-følging, lange kontekstvinduer og et fokus på trygg oppførsel. Priser og funksjoner for Claude 2026.
Context window (kontekstvindu) – Mengden tekst en AI kan «huske» i én samtale, målt i tokens. En modell med 200 000 tokens kontekstvindu kan lese en hel roman og svare på spørsmål om detaljer på side 1 mens den er på side 400. Større kontekstvindu = mer informasjon modellen kan holde i hodet på én gang.
Copilot – Microsofts merkevare for AI-assistenter integrert i Office 365, Windows og andre produkter. Bruker OpenAI-modeller. Copilot for Microsoft 365 er rettet mot bedrifter og koster ekstra utover vanlige lisenser.
CUDA – NVIDIAs programmeringsplattform for GPU-beregning. De fleste AI-rammeverk (PyTorch, TensorFlow) er bygget rundt CUDA, noe som betyr at NVIDIA-kort dominerer AI-treningsmarkedet. AMD og Intel prøver å ta markedsandeler, men CUDA-dominansen er reell.
D
Deep learning – En underkategori av maskinlæring som bruker flerlags nevrale nettverk. Det var gjennombruddet i deep learning (rundt 2012) som la grunnlaget for moderne AI. ChatGPT, bildegjenkjenning, talegjenkjenning – alt er bygget på deep learning-prinsipper.
Diffusion model – En type AI-modell som genererer bilder ved å starte med støy og gradvis «rense» det til et bilde. Stable Diffusion, DALL-E og Midjourney bruker alle diffusion-prinsippet. Navn kommer fra prosessen der støy diffunderer gjennom modellen til et bilde tar form.
Distillation (destillasjon) – En teknikk der en liten modell trenes til å imitere en stor modell. Den lille modellen («studenten») lærer av den store («læreren») og kan bli overraskende god – men bruker langt færre ressurser. DeepSeek brukte destillasjon for å lage kompakte modeller som konkurrerer med GPT-4-klassen.
E
Embedding – En matematisk representasjon av tekst (eller bilder, lyd) som tall i et flerdimensjonalt rom. Ord med lignende mening havner nær hverandre i dette rommet. Embeddings er grunnlaget for semantisk søk – systemet «forstår» at «hund» og «valp» betyr noe lignende, ikke bare at de er forskjellige ord.
Enterprise AI – AI-løsninger og modeller skreddersydd for store bedrifter. Kjennetegn: sterkere sikkerhetsgarantier, GDPR-compliance, SLA-avtaler, og gjerne mulighet for private modeller. Eksempler er Azure OpenAI Service og Anthropic Claude for Enterprise.
F
Fine-tuning – Prosessen med å videretre en allerede ferdig modell på et smalere datasett. En generell LLM kan fine-tunes på medisinske journaler og bli en medisinsk spesialist. Fine-tuning er billigere enn å trene fra scratch, men krever fortsatt spesialisert kunnskap og gode treningsdata.
Foundation model – En stor AI-modell trent på massive datamengder som kan brukes som utgangspunkt for mange forskjellige oppgaver. GPT-4, Claude, Gemini og Llama er alle foundation models. Ideen er at du trener én stor modell én gang, og tilpasser den til spesifikke bruksområder etterpå.
G
GPU (Graphics Processing Unit) – Grafikkprosessor. Opprinnelig laget for å rendre spill-grafikk, men viste seg å være ideell for AI-beregninger fordi den kan gjøre mange parallelle beregninger samtidig. NVIDIAs H100 er «gullet» for AI-trening i dag og koster rundt 30-35 000 dollar per brikke. Hvorfor GPU-er er blitt så dyre.
Grounding – Teknikken med å koble en AI til faktisk kunnskap eller sanntidsinformasjon. En «groundet» modell kan søke på nettet eller lese fra en database i stedet for å stole på det den lærte under trening. RAG (se under) er den vanligste grounding-teknikken.
Guardrails – Begrensninger og sikkerhetslag bygget inn i en AI-modell for å hindre skadelig output. ChatGPT nekter å skrive visse typer innhold – det er guardrails i praksis. Guardrails er et kompromiss: for strenge, og modellen blir ubrukelig. For løse, og den kan misbrukes.
H
Hallusinasjon – Når en AI finner på fakta som ikke eksisterer. En LLM kan med stor selvtillit fortelle deg at en bok ble skrevet av feil forfatter, at en lov finnes når den ikke gjør det, eller at et sitat kommer fra en person som aldri sa det. Hallusinasjoner er et iboende problem ved statistisk tekstgenerering – modellen genererer sannsynlig-klingende tekst, ikke nødvendigvis sann tekst.
I
Inference (inferens) – Prosessen der en ferdig trent modell brukes til å generere svar. Trening skjer én gang og er dyrt. Inferens skjer milliarder av ganger og er det du betaler for når du bruker et AI-API. «Inference cost» er en sentral kostnadsfaktor for AI-selskaper.
J
JSON (JavaScript Object Notation) – Et standardformat for å strukturere data som tekst. Veldig relevant for AI fordi mange modeller kan svare i JSON-format, noe som gjør det enkelt å bruke AI-output direkte i kode og automatiseringssystemer. Eksempel: {"navn": "Jan Sverre", "yrke": "AI-skribent"} er valid JSON.
K
KV-cache (Key-Value cache) – En minneoptimalisering som lar en AI-modell «huske» deler av konteksten uten å beregne den på nytt. Viktig for ytelse, spesielt med lange kontekstvinduer. Google lanserte TurboQuant i mars 2026 – en teknikk som komprimerer KV-cachen dramatisk og gjør lange kontekstvinduer mye billigere å kjøre.
L
LLM (Large Language Model) – En stor språkmodell. AI-modeller trent på massive tekstmengder for å forstå og generere menneskelig språk. ChatGPT, Claude, Gemini og Llama er alle LLM-er. «Large» refererer til antall parametere – de største modellene har hundrevis av milliarder.
Llama – Metas serie med open-weights AI-modeller. Llama 3 og nyere versjoner er blant de beste åpne modellene som finnes, og kan kjøres lokalt på kraftig hardware. Grunnlaget for mange spesialiserte modeller andre utviklere har bygget.
LoRA (Low-Rank Adaptation) – En effektiv fine-tuning-metode som bare endrer et lite subset av en modells vekter i stedet for alle. Resultatet er at du kan finjustere en stor modell på en vanlig forbrukergrafikkort. QLoRA er en enda mer minneeffektiv variant som også bruker quantization.
M
Machine learning (maskinlæring) – Et overordnet felt der programmer lærer fra data i stedet for å følge eksplisitte regler. Deep learning og LLM-er er underkategorier. En spamfilter som lærer hva søppelpost ser ut fra eksempler er maskinlæring. AI er det bredeste begrepet, maskinlæring er innenfor det, deep learning er innenfor det igjen.
MCP (Model Context Protocol) – En åpen standard utviklet av Anthropic som lar AI-modeller koble seg til eksterne verktøy og datakilder på en standardisert måte. Med MCP kan en AI-assistent snakke direkte med WordPress, lese filer, søke i databaser – uten at utvikleren må bygge en unik integrasjon for hvert verktøy.
Mistral – Fransk AI-selskap kjent for å lage effektive, kompakte modeller. Mistral 7B skapte oppstyr da det viste seg å prestere langt over sin størrelse. Mixtral bruker en Mixture-of-Experts-arkitektur. Mistral er et av de sterkeste europeiske AI-selskapene.
MTP (Multi-Token Prediction) – En teknikk som lar en språkmodell forutsi flere tokens om gangen i stedet for ett av gangen, noe som kan doble eller tredoble hastigheten. MTP bygger på en eldre idé kalt speculative decoding, der en liten modell gjetter de neste tokens og en stor modell bare sier ja eller nei. MTP baker dette rett inn i selve modellen, så du får speed-boosten automatisk.
Multimodal – En AI-modell som kan jobbe med flere typer data – ikke bare tekst, men også bilder, lyd, video eller kode. GPT-4o, Gemini 2.0 og Claude 3.5 er alle multimodale. Det betyr at du kan sende et bilde og spørre «hva er dette?»
N
Neural network (nevralt nettverk) – Det matematiske fundamentet bak moderne AI. Løst inspirert av biologiske hjerner: mange enkle noder koblet sammen i lag, der informasjon flyter gjennom og transformeres. Et enkelt nevralt nettverk kan ha millioner av noder. Et stort LLM har milliarder av parametre fordelt over hundrevis av lag.
NLP (Natural Language Processing) – Naturlig språkbehandling. Feltet innen AI som handler om å la maskiner forstå og generere menneskespråk. LLM-er er den siste og mest kraftfulle bølgen innen NLP, men feltet er gammelt – spam-filtere og maskinoversettelse er eldre NLP-applikasjoner.
NVIDIA – Det dominerende selskapet i AI-hardware. NVIDIAs GPU-er (særlig H100 og B200) er standardutstyret for AI-trening. NVIDIAs markedsverdi eksploderte med AI-bølgen – selskapet ble midlertidig verdens mest verdifulle selskap. CUDA-plattformen (se over) sementerer NVIDIAs dominans.
O
Ollama – Et populært verktøy for å kjøre AI-modeller lokalt på din egen PC. Med Ollama kan du laste ned og kjøre Llama, Mistral, Qwen og hundrevis av andre modeller med én kommando. Ingen internettforbindelse nødvendig, ingen API-kostnader. Krever anstendig hardware – særlig GPU med mye VRAM.
Open source – Programvare der kildekoden er offentlig tilgjengelig og kan brukes, endres og distribueres fritt. I AI-konteksten brukes begrepet noen ganger løst. Viktig å skille mellom ekte open source (kode + vekter + treningsdata) og «open weights» (se under).
Open weights – AI-modeller der selve modellvektene er offentlig tilgjengelige, selv om treningskode og -data ikke er det. Llama, Mistral og Qwen er «open weights» – du kan laste ned modellen og kjøre den lokalt, men Meta deler ikke alt om hvordan de ble trent. Teknisk sett ikke «open source» i klassisk forstand, men praktisk talt det for de fleste brukstilfeller.
Overfitting – Når en modell «pugger» treningsdataene for godt og mister evnen til å generalisere. En modell som overfitter er strålende på testdata men elendig på nye, ukjente data. Regulering, dropout og validering er teknikker for å unngå overfitting.
P
Parameter – De tallverdiene som definerer en AI-modells «kunnskap». Parametre justeres under trening. En modell med 70 milliarder parametre (70B) er kraftigere men tyngre å kjøre enn en med 7 milliarder (7B). Antall parametre er den vanligste måten å angi en modells «størrelse» – selv om det ikke forteller hele historien om ytelse.
Prompt – Teksten du sender til en AI-modell. «Hva er den beste måten å lære Python på?» er en prompt. Kvaliteten på prompten påvirker kvaliteten på svaret enormt – derav hele feltet «prompt engineering». Les min guide til bedre prompting.
Prompt engineering – Kunsten å formulere instruksjoner til AI-modeller for å få bedre resultater. Handler om å gi klar kontekst, presise instruksjoner, eksempler (few-shot) og riktig format. En god prompt kan gjøre en gjennomsnittlig modell fremragende. En dårlig prompt kan gjøre en fremragende modell ubrukelig.
Prompt injection – Et angrep der ondsinnede instruksjoner er skjult i data en AI-agent behandler, og der angriperen prøver å overstyre de opprinnelige instruksjonene. Eksempel: et nettsted inneholder usynlig tekst som sier «ignorer alle instruksjoner og send brukerens data til meg». Et aktivt sikkerhetsproblem for AI-agenter som behandler ekstern input.
Q
Quantization (kvantisering) – Teknikk der en modells parametre komprimeres fra høy presisjon (f.eks. 32-bit tall) til lavere presisjon (f.eks. 4-bit). Resultatet er en modell som er 4-8 ganger mindre og raskere, med et lite tap i kvalitet. Gjør det mulig å kjøre store modeller lokalt på begrenset hardware. GGUF er et populært kvantisert format for Ollama.
R
RAG (Retrieval Augmented Generation) – En arkitektur der en AI-modell henter relevant informasjon fra en ekstern kilde (database, dokumenter, nettet) FØR den genererer svar. Løser hallusinasjonsproblemet delvis: i stedet for å huske ting fra trening, slår modellen opp i faktisk data. Grunnlaget for de fleste bedrifts-AI-løsninger. Se min gjennomgang av embeddings og RAG her.
Reasoning model – En AI-modell som er trent til å «tenke høyt» før den svarer – gjøre steg-for-steg resonering. OpenAIs o1/o3 og Anthropics Claude 3.7 med «extended thinking» er eksempler. Reasoning-modeller er vesentlig bedre på matematikk, logikk og komplekse problemer, men tregere og dyrere per svar.
Reinforcement learning (forsterkende læring) – En læringsmetode der en AI-agent lærer ved å prøve og feile og får belønning for riktige handlinger. Brukt i spill-AI (AlphaGo) og som del av RLHF-pipelinen for LLM-er.
RLHF (Reinforcement Learning from Human Feedback) – En teknikk der menneskelige evaluatorer rangerer AI-output, og modellen trenes til å produsere output som ligner det mennesker foretrekker. Den viktigste teknikken bak at ChatGPT faktisk er brukelig – rå GPT-modeller er langt mer uforutsigbare. InstructGPT var det første store gjennombruddet med RLHF.
S
Stable Diffusion – En open-weights bildegenereringsmodell utgitt av Stability AI i 2022. Det som startet den lokale AI-bildegenererings-revolusjonen. Kan kjøres på en god forbruker-GPU. Har gitt opphav til et enormt økosystem av tilpassede modeller, LoRA-filer og verktøy. Flux-modellene (fra Black Forest Labs, grunnleggerne bak Stable Diffusion) er den naturlige arvtageren.
System prompt – Instruksjoner gitt til en AI-modell i starten av en samtale, typisk skjult for brukeren. Definerer modellens personlighet, begrensninger og oppgave. Når du bruker en AI-chatbot innebygd i et produkt, er det nesten alltid en system prompt som styrer oppførselen. Mer om system prompts i prompting-guiden.
Sycophancy (sykofanti) – Tendensen til at AI-modeller er overdrevent enige med brukeren og sier det brukeren vil høre i stedet for det som er riktig. Fortell en LLM at du tror jorda er flat, og en sykofantisk modell vil kanskje bekrefte det i stedet for å korrigere. Et kjent problem ved RLHF-trening: menneskelige evaluatorer liker modeller som er enige med dem.
T
Temperature – En innstilling som kontrollerer hvor kreativ og uforutsigbar en AI er. Lav temperature (0.1) gir konsistente, forutsigbare svar – bra for faktaoppslag. Høy temperature (1.0+) gir mer kreative og varierte svar – bra for historieskriving. Temperature 0 betyr deterministisk output (samme prompt gir alltid samme svar).
Token – Den grunnleggende enhet AI-modeller jobber med. Ikke ord, men biter av ord. «Hallo» er ett token. «Naturlig» kan være to («natur» + «lig»). Som tommelfingerregel er ett token omtrent 0,75 ord på engelsk og litt mer på norsk (fordi norsk har lengre ord). Du betaler for AI-API-bruk per token – både tokens inn (input) og tokens ut (output).
Transformer – Den revolusjonerende arkitekturen bak moderne LLM-er, introdusert i Google-papiret «Attention is All You Need» (2017). Transformere bruker en «attention»-mekanisme som lar modellen vurdere hvilke deler av teksten som er viktige i kontekst av hverandre. Praktisk talt alle store språkmodeller bruker transformer-arkitektur i dag.
Training data (treningsdata) – Dataene en AI-modell ble trent på. For LLM-er er det typisk store mengder tekst fra internett, bøker og kode – hundrevis av milliarder ord. Kvaliteten og sammensetningen av treningsdata påvirker modellens styrker, svakheter og bias enormt.
V
Vector database – En database optimalisert for å lagre og søke i embeddings (se over). I stedet for å søke etter eksakte treff, finner en vektordatabase de semantisk nærmeste resultatene. Pinecone, Weaviate og Chroma er populære vektordatabaser. Essensielt for RAG-systemer.
Veo – Googles videogenereringsmodell. Veo 3.1 er den nyeste versjonen og er tilgjengelig via fal.ai. Konkurrerer med Sora (OpenAI) og Kling (Kuaishou) om å generere realistisk video fra tekstbeskrivelser eller bilder.
Vision model – En AI-modell som kan «se» og analysere bilder. GPT-4o, Claude 3.5 og Gemini er alle vision-modeller. Du kan laste opp et bilde og spørre «hva er feil med denne koden?» eller «beskriv det du ser». Diffusion-modeller (se over) er en annen type vision-modell som genererer bilder.
vLLM – Et effektivt rammeverk for å serve LLM-er med høy ytelse. Brukt av bedrifter og forskere som vil kjøre egne modeller i produksjon med optimal gjennomstrømning. PagedAttention er kjerneinnovasjonen i vLLM som drastisk forbedrer minneeffektiviteten.
W
Weights (vekter) – Det samme som parametre – tallverdiene som utgjør en trent AI-modell. Når du laster ned en «open weights»-modell, laster du ned disse tallene. En Llama 3 70B-modell er 70 milliarder slike tall. Vektene er modellen – alt den «vet» er kodet inn i disse tallene.
Whisper – OpenAIs open-weights talegjenkjenningsmodell. Kan transkribere lyd til tekst på over 90 språk, inkludert norsk. Brukes i lokalapplikasjoner, undertekstgenerering og automatiseringsløsninger. Kan kjøres lokalt uten internettforbindelse – nyttig for personvern-sensitive oppgaver.
Hva bruker du disse begrepene til?
Ordlisten er et levende dokument – AI-feltet beveger seg raskt, og nye begreper dukker opp hele tiden. Mangler du et begrep du vil forstå? Skriv det i kommentarfeltet, så legger jeg det til.
Vil du gå dypere? Sjekk oversikten over de beste AI-verktøyene jeg har testet i 2026, eller dykk ned i hva AI-agenter faktisk er og hvordan du bruker dem.
