The Periodic Table of Artificial Intelligence Elements
The world of Artificial Intelligence can often feel chaotic, with a constant stream of new terms like RAG, embeddings, and guardrails flying around without a clear structure. To make sense of this complexity, it is helpful to organise these concepts much like chemistry organises the elements into families and periods to predict reactions.
While there is no official “AI periodic table”, this conceptual framework allows us to decode AI architectures and product designs by identifying which elements are used and how they interact.
The AI Periodic Table
The table is organised into five groups (families) across the top and four rows (periods) down the side.
| Group | G1: Reactive | G2: Retrieval | G3: Orchestration | G4: Validation | G5: Models |
|---|---|---|---|---|---|
| Row 1: Primitives | Pr (Prompt) | Em (Embeddings) | — | — | Lg (LLM) |
| Row 2: Compositions | Fc (Function Calling) | Vx (Vector DB) | Rg (RAG) | Gr (Guardrails) | Mm (Multi-modal) |
| Row 3: Deployment | Ag (Agent) | Ft (Fine Tuning) | Fw (Framework) | Rt (Red Teaming) | Sm (Small Models) |
| Row 4: Emerging | Ma (Multi-Agent) | Sy (Synthetic Data) | [Gap] | In (Interpretability) | Th (Thinking Models) |
The Rows: From Atoms to Emerging Tech
- Row 1: Primitives — Atomic elements that cannot be broken down further. All AI systems are built from Prompts (Pr), Embeddings (Em), and Large Language Models (Lg).
- Row 2: Compositions — Formed by combining models with structured outputs and tools. They power most modern AI systems such as Vector Databases and RAG.
- Row 3: Deployment — Focused on production and scaling. Includes Agents and Frameworks that operationalise AI systems.
- Row 4: Emerging — Frontier technologies representing the next generation of AI systems, such as Multi-Agent systems and Thinking Models.
The Families: Groups of Functionality
Group 1: The Reactive Family
- Prompt (Pr) — The most basic control element.
- Function Calling (Fc) — Enables models to call tools and APIs.
- Agent (Ag) — Autonomous systems using Think–Act–Observe loops.
- Multi-Agent (Ma) — Multiple AI agents collaborating or debating.
Group 2: The Retrieval Family
- Embeddings (Em) — Numerical representations of meaning.
- Vector Databases (Vx) — Semantic search systems.
- Fine Tuning (Ft) — Training models on specialised datasets.
- Synthetic Data (Sy) — AI-generated training data.
Group 3: The Orchestration Family
- RAG (Rg) — Retrieval-Augmented Generation.
- Framework (Fw) — Platforms like LangChain that connect all elements.
- Note: No clearly defined emerging orchestration paradigm yet.
Group 4: The Validation Family
- Guardrails (Gr) — Runtime safety filters.
- Red Teaming (Rt) — Adversarial testing.
- Interpretability (In) — Understanding model internals.
Group 5: The Models Family
- LLM (Lg) — Foundational language models.
- Multi-modal (Mm) — Models handling text, audio, and images.
- Small Models (Sm) — Efficient, specialised models.
- Thinking Models (Th) — Advanced reasoning models.
AI “Chemical” Reactions
Just as chemical elements combine to form compounds, AI elements combine to create systems.
- The Production RAG Reaction: Em + Vx + Rg + Pr + Lg + Gr
- The Agentic Loop Reaction: Ag + Fc + Fw
Conclusion
By mapping AI systems onto this periodic table, it becomes easier to understand their structure, identify missing components such as safety mechanisms, and evaluate whether a solution is over-engineered.
This framework provides a clear lens through which to view the apparent chaos of modern artificial intelligence.
Ο Περιοδικός Πίνακας των Στοιχείων της Τεχνητής Νοημοσύνης
Ο κόσμος της Τεχνητής Νοημοσύνης συχνά μοιάζει χαοτικός, με μια συνεχή ροή νέων όρων όπως RAG, embeddings και guardrails να εμφανίζονται χωρίς σαφή δομή. Για να μπορέσουμε να κατανοήσουμε αυτή την πολυπλοκότητα, είναι χρήσιμο να οργανώσουμε αυτές τις έννοιες με τρόπο παρόμοιο με εκείνον της Χημείας, όπου τα στοιχεία ταξινομούνται σε ομάδες και περιόδους ώστε να προβλέπονται οι «αντιδράσεις» τους.
Παρότι δεν υπάρχει ένας «επίσημος» περιοδικός πίνακας της Τεχνητής Νοημοσύνης, αυτό το εννοιολογικό πλαίσιο μας επιτρέπει να αποκωδικοποιούμε αρχιτεκτονικές AI και παρουσιάσεις προϊόντων, εντοπίζοντας ποια στοιχεία χρησιμοποιούνται και πώς συνδέονται μεταξύ τους.
Ο Περιοδικός Πίνακας της Τεχνητής Νοημοσύνης
Ο πίνακας οργανώνεται σε πέντε ομάδες (οικογένειες) οριζόντια και τέσσερις σειρές (περιόδους) κατακόρυφα.
| Ομάδα | G1: Αντιδραστικά | G2: Ανάκτηση | G3: Ενορχήστρωση | G4: Επικύρωση | G5: Μοντέλα |
|---|---|---|---|---|---|
| Σειρά 1: Πρωτογενή | Pr (Prompt) | Em (Embeddings) | — | — | Lg (LLM) |
| Σειρά 2: Συνθέσεις | Fc (Function Calling) | Vx (Vector DB) | Rg (RAG) | Gr (Guardrails) | Mm (Πολυτροπικά) |
| Σειρά 3: Ανάπτυξη | Ag (Agent) | Ft (Fine Tuning) | Fw (Framework) | Rt (Red Teaming) | Sm (Μικρά Μοντέλα) |
| Σειρά 4: Αναδυόμενα | Ma (Multi-Agent) | Sy (Συνθετικά Δεδομένα) | [Κενό] | In (Ερμηνευσιμότητα) | Th (Thinking Models) |
Οι Σειρές: Από τα «Άτομα» στις Αναδυόμενες Τεχνολογίες
- Σειρά 1 – Πρωτογενή στοιχεία: Τα βασικά δομικά στοιχεία που δεν μπορούν να αναλυθούν περαιτέρω. Όλα τα συστήματα AI βασίζονται στα Prompts, τα Embeddings και τα Μεγάλα Γλωσσικά Μοντέλα.
- Σειρά 2 – Συνθέσεις: Στοιχεία που προκύπτουν από συνδυασμούς μοντέλων και εργαλείων, όπως τα Vector Databases και το RAG.
- Σειρά 3 – Ανάπτυξη: Επικεντρώνεται στην παραγωγική χρήση της AI, με στοιχεία όπως Agents και Frameworks.
- Σειρά 4 – Αναδυόμενα: Τεχνολογίες αιχμής που διαμορφώνουν το μέλλον της Τεχνητής Νοημοσύνης.
Συμπέρασμα
Ο «περιοδικός πίνακας» της Τεχνητής Νοημοσύνης αποτελεί ένα ισχυρό εργαλείο κατανόησης. Επιτρέπει την ανάλυση σύνθετων συστημάτων, τον εντοπισμό ελλείψεων – όπως μηχανισμών ασφάλειας – και την αξιολόγηση του κατά πόσο μια λύση είναι υπερβολικά πολύπλοκη.