What is Generative AI?Generative AI гэж юу вэ?

What is GPT and how does it work?GPT гэж юу вэ, хэрхэн ажилладаг вэ?

GPT stands for Generative Pre-trained Transformer. Break the name apart and you already understand most of what this technology is.GPT гэдэг нь Generative Pre-trained Transformer гэсэн үгний товчлол юм. Нэрийг нь задлаад үзвэл та энэхүү технологийн ихэнх утга учрыг хэдийн ойлгох болно.

Generative — it generates. Text generation, image generation, even video generation. The output is created, not retrieved.Generative — энэ нь үүсгэдэг. Текст үүсгэх, зураг үүсгэх, бүр видео үүсгэх. Гаралт нь хаа нэгтээгээс татаж авсан биш, шинээр бүтээгдсэн байдаг.

Pre-trained — the model was trained ahead of time, on a fixed body of data. Ask one what the latest information it has is, and it'll name a date months in the past. That's the knowledge cutoff. These days models get internet access, so they can pull real-time information — but the knowledge itself, the parameters, the intelligence baked in structurally — that comes from what it was trained on. Fresh search results sit on top of that; they don't change what's underneath.Pre-trained — загварыг тодорхой өгөгдлийн сан дээр өмнө нь сургасан байдаг. Хамгийн сүүлийн үеийн мэдээллийг нь асуухад хэдэн сарын өмнөх огноог хэлэх болно. Энэ бол knowledge cutoff юм. Одоо үед загварууд интернетэд холбогдох боломжтой болсон тул цаг үеийн мэдээллийг авах боломжтой — гэвч мэдлэг өөрөө, параметрүүд болон бүтцэд нь суусан ухаалаг чанар нь сургагдсан өгөгдлөөс нь ирдэг. Шинэ хайлтын үр дүн нь зүгээр л дээр нь нэмэгдэж байгаа мэдээлэл бөгөөд суурь бүтцийг нь өөрчлөхгүй.

Transformer — the main algorithm. And here's the part that demystifies everything:Transformer — үндсэн алгоритм. Бүх зүйлийг ойлгомжтой болгодог хэсэг нь энд байна:

At its core, this is a next-word predicting machine.Мөн чанартаа, энэ бол дараагийн үгийг таамаглагч машин юм.

(Strictly speaking, it predicts the next token — a chunk of a word, roughly three-quarters of a word on average. We'll meet tokens again in the pricing section. "Next-word predictor" is close enough for the mental model.)(Нарийндаа бол дараагийн token-ийг таамагладаг — token гэдэг нь үгийн хэсэг бөгөөд дунджаар үгийн дөрөвний гурав орчимтой тэнцдэг. Бид token-ий тухай үнийн хэсэгт дахин ярина. Mental model-ийн хувьд "дараагийн үгийг таамаглагч" гэж ойлгоход хангалттай.)

That's it. A very sophisticated one, but that's the mechanism. The intelligence you see — the reasoning, the step-by-step thinking (chain of thought) — is built on top of that prediction engine. It's still a large language model: an algorithm predicting the next word, over and over, extremely well.Ингээд л болоо. Маш нарийн төвөгтэй боловч зарчим нь ердөө л энэ. Таны харж буй ухаалаг байдал буюу логик дүгнэлт, алхам алхмаар сэтгэх чадвар (chain of thought) нь уг таамаглах алгоритм дээр суурилсан байдаг. Энэ бол хэлний том загвар (LLM) хэвээрээ: дараагийн үгийг дахин дахин, маш сайн таамагладаг алгоритм юм.

Once you hold that mental model, you stop treating AI as magic and start treating it as a tool with knowable behavior.Энэхүү сэтгэлгээний загварыг ойлгосноор та AI-ийг шидтэй зүйл гэж харахаа больж, тодорхой араншин бүхий хэрэгсэл гэж үзэж эхэлнэ.

What AI can and cannot doAI юу хийж чадах, юу хийж чадахгүй вэ

The next-word-predictor mental model is not trivia — it's the explanation for AI's biggest weakness.Дараагийн үгийг таамаглагч (next-word-predictor) гэх ойлголт нь зүгээр нэг сонирхолтой баримт биш — энэ бол AI-ийн хамгийн том сул талын тайлбар юм.

Why does it hallucinate? Because it's a predictive text algorithm. It isn't checking facts against a database; it's predicting what text should come next. Most of the time that prediction is right. Sometimes it's confidently, fluently wrong — and it will not warn you, because from the algorithm's perspective, nothing went wrong. It predicted plausible text. That's the job.Яагаад hallucinate хийдэг вэ? Учир нь энэ бол текстийг таамагладаг алгоритм юм. Энэ нь датабэйстэй баримтуудыг харьцуулж шалгадаггүй; зүгээр л дараа нь ямар текст орохыг таамагладаг. Ихэнх тохиолдолд тэр таамаглал нь зөв байдаг. Заримдаа маш итгэлтэй, чөлөөтэйгөөр буруу таамагладаг — мөн алгоритмын үүднээс юу ч буруу болоогүй тул танд огт сануулахгүй. Энэ зүгээр л үнэмшилтэй текстийг таамагласан. Түүний хийх ёстой ажил нь л энэ.

So the constraint is built into the mechanism itself. Understand that, and you know exactly when to trust it and when to verify.Иймээс хязгаарлалт нь механизмд нь өөрт нь суурилсан байдаг. Үүнийг ойлгочихвол хэзээ итгэж, хэзээ дахин шалгахаа яг таг мэдэх болно.

And verification usually comes from getting the information from the right source — connecting the AI to sources you trust. We'll get to exactly how in the later modules.Баталгаажуулалт нь ихэвчлэн мэдээллийг зөв эх сурвалжаас авахаас эхэлдэг — өөрөөр хэлбэл AI-ийг өөрийн итгэдэг эх сурвалжуудтай холбох явдал юм. Яг яаж гэдгийг бид дараагийн модулиудад дэлгэрэнгүй үзэх болно.

Worth saying: part of this is getting better. When models work with material you give them, hallucination is now rare — a percent or two. Recall from memory is a different story: on Artificial Analysis's Omniscience benchmark, most frontier models are still wrong more often than right, and smarter doesn't mean less hallucination. The best models simply say "I don't know" more often. So keep the habit of verifying.Нэг зүйлийг хэлэх нь зүйтэй: үүний зарим хэсэг сайжирсаар байна. Таны өгсөн материалтай ажиллах үед hallucination одоо ховор болсон — ердөө нэг-хоёр хувь. Харин санах ойгоос баримт санах нь тэс өөр асуудал: Artificial Analysis-ийн Omniscience benchmark дээр ихэнх шилдэг моделууд зөв хариулснаасаа олон буруу хариулсаар байгаа бөгөөд илүү ухаалаг байх нь бага hallucinate хийнэ гэсэн үг биш. Шилдэг моделууд зүгээр л "мэдэхгүй байна" гэж илүү олон удаа хэлдэг. Тиймээс шалгаж баталгаажуулах зуршлаа хадгалаарай.

The question shapes the answerАсуулт хариултыг хэлбэржүүлдэг

One more thing the mechanism explains. The model isn't answering your question from neutral ground — it's continuing your text. Ask "Why is remote work killing productivity?" and the premise rides along into the window; the most plausible continuation accepts it and argues it. You didn't ask whether the premise is true, so you won't hear about it.Механизм тайлбарладаг бас нэг зүйл бий. Модел таны асуултад төвийг сахисан байр сууринаас хариулдаггүй — таны текстийг л үргэлжлүүлдэг. "Зайнаас ажиллах нь яагаад бүтээмжийг сүйтгэж байна вэ?" гэж асуухад таны таамаглал window дотор хамт орж ирдэг; хамгийн үнэмшилтэй үргэлжлэл нь түүнийг хүлээн зөвшөөрч, улам батлан харуулдаг. Та тэр таамаглал үнэн эсэхийг асуугаагүй тул энэ тухай сонсохгүй.

There's a second layer on top: these models are trained on human feedback, and people rate agreeable answers higher. So beyond mirroring your framing, they lean toward telling you what you want to hear.Үүн дээр бас нэг давхарга нэмэгддэг: эдгээр моделыг хүний үнэлгээ (human feedback) дээр сургадаг бөгөөд хүмүүс өөрсөдтэй нь санал нийлсэн хариултыг илүү өндөр үнэлдэг. Тиймээс таны өнцгийг тусгахаас гадна тэд таны сонсохыг хүссэн зүйлийг хэлэх хандлагатай байдаг.

Phrasing questions well is a skill of its own — we'll build it properly in Module 3.Асуултаа зөв томьёолох нь өөрөө бие даасан ур чадвар — бид үүнийг Module 3 дээр жинхэнэ утгаараа хөгжүүлнэ.

The rule of thumb: human in the loopҮндсэн зарчим: human in the loop

You don't decide once whether to "trust AI" — you decide where you sit in the loop of the work. Reviewing every output? Approving before anything goes out? Only checking the final result? That placement is the real skill, and we'll practice it hands-on in Module 6 with Hermes, where you set exactly how much an agent can do before it needs you (the Trust Ladder).Та "AI-д итгэх үү" гэдгийг ганц удаа шийдэхгүй — ажлын циклийн хаана та байх вэ гэдгээ шийднэ. Гаралт бүрийг хянах уу? Аливаа зүйл гадагшлахаас өмнө зөвшөөрөх үү? Зөвхөн эцсийн үр дүнг шалгах уу? Энэ байршил бол жинхэнэ ур чадвар бөгөөд бид үүнийг Module 6 дээр Hermes-тэй практик дээр дадлагажуулна. Тэнд та agent таны оролцоо шаардагдахаас өмнө яг хэдий хэмжээний зүйл хийж чадахыг (Trust Ladder) тохируулна.

The context window — AI's working memoryContext window — AI-ийн ажлын санах ой

The predictor can only see what fits in its window. When the window fills, it forgets.Таамаглагч систем нь зөвхөн өөрийн window-д багтах зүйлийг л харж чадна. Window дүүрэхэд өмнөхөө мартдаг.

The context window is the AI's working memory — everything it can "see" at once: your conversation, the documents you pasted, its own previous answers. Today's top models hold about a million tokens in that window — roughly 7–8 novels' worth of text.Context window бол AI-ийн ажлын санах ой юм. Энэ нь AI-ийн нэг дор "харж" чадах бүх зүйл: таны харилцан яриа, хуулж тавьсан баримт бичиг, өөрийнх нь өмнөх хариултууд. Өнөөгийн шилдэг загварууд тухайн window-доо ойролцоогоор нэг сая token буюу бараг 7–8 романтай тэнцэхүйц хэмжээний текстийг багтаадаг.

Two things follow from this:Үүнээс хоёр зүйл урган гарч байна:

• Why it forgets. When a conversation outgrows the window, the oldest parts fall out (or get compressed). The AI didn't get dumber — it literally can no longer see what you said an hour ago.Яагаад мартдаг вэ. Харилцан яриа context window-оос хэтрэх үед хамгийн хуучин хэсгүүд нь хасагддаг (эсвэл шахагддаг). AI тэнэг болчихсон юм биш — тэр зүгээр л таны нэг цагийн өмнө хэлснийг харах боломжгүй болсон гэсэн үг.
• Junk in, junk out. What's in the window directly shapes what comes out. Fill it with irrelevant noise and quality drops; fill it with the right context and quality jumps.Муу зүйл оруулбал муу л зүйл гарна. Window дотор юу байгаа нь гаралтад шууд нөлөөлнө. Хамааралгүй шаардлагагүй мэдээллээр дүүргэвэл чанар буурна; зөв context-өөр дүүргэвэл чанар эрс дээшилнэ.

We'll turn this into a practical skill in Module 3 (managing your conversations), and in Module 6 you'll manage it for an autonomous agent — it's Pillar 2 of running one.Бид үүнийг Module 3 дээр практик ур чадвар болгон хөгжүүлж (харилцаагаа удирдах), Module 6 дээр та үүнийг бие даасан agent-д зориулан удирдах болно — энэ нь agent ажиллуулах 2 дахь гол багана юм.

Responsible use of AI in company environmentsКомпанийн орчинд AI-ийг хариуцлагатай ашиглах нь

The first setting to check on any AI platform — ChatGPT, Claude, Gemini, Grok: turn off training on your data.Аливаа AI платформ — ChatGPT, Claude, Gemini, Grok дээр хамгийн эхэнд шалгах тохиргоо: таны дата дээр сургалт хийхийг унтраах.

By default, some platforms may use your conversations to train their models. In a company environment, that's your internal documents, your numbers, your customer information potentially becoming training data. Every major platform has a setting to disable this. Turn it off before you paste anything work-related.Анхны тохиргоогоороо зарим платформ таны харилцан яриаг өөрсдийн моделдоо сургахад ашиглаж болзошгүй. Компанийн орчинд энэ нь таны дотоод баримт бичиг, тоо баримт, харилцагчийн мэдээлэл training data болох эрсдэлтэй гэсэн үг. Томоохон платформ бүрд үүнийг идэвхгүй болгох тохиргоо байдаг. Ажилтай холбоотой юу ч хуулж тавихаасаа өмнө үүнийг унтраагаарай.

The traffic-light habit for everything elseБусад бүх зүйлд гэрлэн дохионы дадал

Plan tier matters here too. Team and Enterprise plans from the major providers contractually exclude your data from training and add admin controls — this is a real reason companies pay, beyond model quality. If your company has one, use the company workspace, not your personal account. And know your company's policy before you start: which tools are approved, and what data classification applies. If no policy exists yet — that's not permission, that's a gap. (For managers: closing that gap is step one of any AI rollout, and it's exactly what we map in Module 4.)Багцын түвшин энд бас чухал. Томоохон үйлчилгээ үзүүлэгчдийн Team болон Enterprise багцууд нь таны мэдээллийг сургалтад ашиглахгүй байхаар гэрээгээр зохицуулж, админ хяналтыг нэмж өгдөг — энэ бол загварын чанараас гадна компаниуд төлбөр төлдөг гол шалтгаан юм. Хэрэв танай компани ийм хувилбартай бол хувийн хаягаа биш, компанийн workspace-ийг ашиглаарай. Мөн ажиллаж эхлэхээсээ өмнө компанийнхаа бодлогыг мэдсэн байх хэрэгтэй: ямар хэрэгслүүд зөвшөөрөгдсөн, ямар мэдээллийн ангилал үйлчлэх вэ. Хэрэв одоогоор бодлого байхгүй бол — энэ нь зөвшөөрөл гэсэн үг биш, харин дутагдалтай тал юм. (Менежерүүдэд: энэ дутагдлыг арилгах нь аливаа AI нэвтрүүлэлтийн эхний алхам бөгөөд үүнийг бид Module 4-т нарийвчлан гаргах болно.)

Treat a chat window like email to an outside vendor. If you wouldn't email it to a supplier, don't paste it into a chatbot.Chat window-ыг гадаад ханган нийлүүлэгч рүү илгээж буй имэйл шиг үз. Хэрэв та ханган нийлүүлэгч рүүгээ имэйлээр явуулахгүй байсан бол chatbot руу бүү буулга.

Free vs paid — why paying mattersҮнэгүй vs төлбөртэй — яагаад төлбөр төлөх нь чухал вэ

Free gets you limited access, not the best experience. On today's platforms, the free tier usually gives you a current model with a tight usage cap — and under load, you're often quietly routed to a smaller model. Paid gets you the most intelligent model, reliably, with real usage. That alone is worth the subscription.Үнэгүй хувилбар нь хязгаарлагдмал хандалт олгодог болохоос шилдэг туршлага өгдөггүй. Өнөөгийн платформууд дээр үнэгүй хувилбар нь ихэвчлэн одоогийн загварыг маш бага ашиглалтын лимиттэйгээр олгодог — ачаалал ихсэх үед таныг жижиг загвар руу чимээгүйхэн шилжүүлдэг. Төлбөртэй хувилбар нь хамгийн ухаалаг загварыг найдвартай, бодит хэрэглээний хамт олгоно. Энэ нь өөрөө сарын хураамжийг бүрэн нөхнө.

But there's a caveat inside the paid tiers too — the real economics are in the usage limits. This ladder is Claude's lineup (Pro / Max 5x / Max 20x); ChatGPT structures it differently ($20 Plus and $200 Pro, no middle tier), but the logic is the same (pricing as of mid-2026; check current plans):Гэхдээ төлбөртэй багцуудад ч бас анхаарах зүйл бий — жинхэнэ эдийн засаг нь usage limits дотор байдаг. Энэ шатлал бол Claude-ийн багцууд (Pro / Max 5x / Max 20x); ChatGPT өөрөөр зохион байгуулдаг ($20 Plus ба $200 Pro, дунд шатлалгүй) ч логик нь адилхан (2026 оны дунд үеийн үнэ; одоогийн төлөвлөгөөг шалгана уу):

Those aren't marketing multipliers — they come from measuring actual token burn against published API rates (SemiAnalysis). The subsidy is real, and it scales with how hard you push: casual users never come close, while people who live in these tools get many multiples of the sticker price.Эдгээр нь маркетингийн тоо биш — бодит token зарцуулалтыг API-ийн зарласан үнэтэй харьцуулж хэмжсэн үр дүн юм (SemiAnalysis). Энэ хөнгөлөлт бодитой бөгөөд таны ашиглалтын эрчээс хамаарна: энгийн хэрэглэгчид энэ түвшинд огт хүрдэггүй бол эдгээр хэрэгслээр өдөр тутмаа ажилладаг хүмүүс төлсөн үнээсээ хэд дахин их үнэ цэн авдаг.

What's an "API price," anyway?"API price" гэж яг юу вэ?

The API is how businesses buy AI raw, without a subscription — and it works like a taxi meter: you pay for every word the AI reads (input) and every word it writes (output), priced per million tokens (a token ≈ three-quarters of a word). No flat fee — the meter just runs.API гэдэг нь бизнесүүд AI-ийг заавал сарын хураамж төлөхгүйгээр, шууд эх хувиар нь худалдан авах хэрэгсэл юм. Энэ нь таксины тоолуур шиг ажилладаг: AI-ийн уншсан үг (input) болон бичсэн үг (output) бүрийн төлөө та төлбөр төлнө. Үнийг сая token тутамд тооцдог (нэг token ≈ үгийн дөрөвний гурав орчим). Тогтмол төлбөр байхгүй, тоолуур шууд гүйнэ.

Here's the raw meter rate for today's top models (per 1 million tokens, as of August 2026):Өнөөгийн шилдэг загваруудын хэрэглээнд суурилсан шууд тарифыг энд харуулав (1 million tokens тутамд, 2026 оны 8-р сарын байдлаар):

Look at that spread: from $50 down to $0.28 per million output tokens — a ~180× range. The market now has a real budget tier (DeepSeek Flash costs less than 1% of the frontier models), and mid-priced flagships like Grok 4.6 undercutting the top labs. The pattern to notice: intelligence at the frontier stays premium, while last year's frontier-level capability gets repriced toward zero.Зөрүүг нь хараарай: 1 million output tokens тутамд $50-аас $0.28 хүртэл буурч байна — даруй ~180× зөрүүтэй. Зах зээлд одоо бодит төсвийн түвшин бий болж (DeepSeek Flash нь frontier загваруудын 1%-иас бага өртөгтэй), Grok 4.6 шиг дунд үнэтэй тэргүүлэх загварууд шилдэг лабораториудын үнийг буулгаж байна. Анхаарах зүй тогтол: хөгжлийн тэргүүн эгнээнд байгаа чадамж (frontier intelligence) өндөр үнэтэй хэвээр байхад өнгөрсөн жилийн frontier түвшний боломжуудын үнэ тэглэгдэх чиглэлд хямдарч байна.

A million tokens sounds like a lot — it's roughly 7–8 novels, the same as a top model's full context window. But an AI agent working on a real task reads and writes constantly: every file it opens, every draft it revises, every step it thinks through runs the meter. One serious afternoon of agentic work can burn through millions of tokens.Нэг сая token их сонсогдож магадгүй — энэ нь ойролцоогоор 7–8 роман буюу шилдэг загварын бүтэн context window-той тэнцэнэ гэсэн үг. Гэвч бодит даалгавар дээр ажиллаж байгаа AI agent тасралтгүй уншиж, бичиж байдаг: нээсэн файл бүр, зассан драфт бүр, тунгаан бодож буй алхам бүр token ашиглаж байдаг. agentic ажлын нэг нухацтай үдээс хойшх хугацаа сая сая token зарцуулж чадна.

Here's why this matters: at those meter rates, the newest, most intelligent models are expensive when bought raw through the API. The $20 subscription barely scratches the surface. At $100 you can do a good amount of work. At $200 you can do a lot of work — including the heavy agentic work this course builds toward, where the AI runs long multi-step tasks on your behalf.Энэ яагаад чухал вэ гэвэл: эдгээр тарифын дагуу хамгийн шинэ, хамгийн ухаалаг загваруудыг API-аар шууд авахад үнэтэй байдаг. $20-ын эрх нь дөнгөж эхлэл төдий зүйл. $100-аар та чамгүй их ажил амжуулж чадна. $200-аар та маш их ажил хийх боломжтой — үүнд энэ хичээлийн зорилго болох AI таны өмнөөс олон үе шаттай даалгавруудыг гүйцэтгэдэг agentic хүнд ажлууд ч багтана.

Subscriptions buy intelligence at a massive discount to API prices — and serious usage is what separates using AI from playing with it.Захиалгын үйлчилгээ нь API үнэтэй харьцуулахад AI-ийг асар их хөнгөлөлттэй авахад тусалдаг — бөгөөд нухацтай ашиглалт нь AI-ийг бодитоор ашиглах, түүгээр зүгээр тоглох хоёрыг заагладаг.