فرهنگ کامل اصطلاحات هوش مصنوعی؛ از AGI تا تکرار مبهم

همگام با دگرگونی بنیادین جهان توسط هوش مصنوعی، ادبیات و فرهنگ لغات این فناوری نیز با سرعتی سرسام‌آور دگرگون شده و تسلط بر واژگان نوظهور و اصطلاحات هوش مصنوعی به نیازی ضروری برای تمامی فعالان حوزه فناوری بدل شده است. این روزها در هر جلسه بررسی محصول، ارائه ایده استارتاپی یا میزگرد تخصصی که حضور پیدا کنید، می‌شنوید که افراد واژگانی نظیر LLM، RAG، RLHF و از هفته گذشته نیز اصطلاحاتی مانند «تکرار مبهم» (opaque recurrence) را پیاپی به کار می‌برند؛ روش استدلالی نوینی در مدل Astra متعلق به OpenAI که پژوهشگران حوزه ایمنی هوش مصنوعی را نگران و مضطرب کرده است. دایره واژگان این فناوری چنان با سرعت تغییر می‌کند و گسترش می‌یابد که حتی باعث می‌شود افراد بسیار باهوش و کارکشته در دنیای فناوری نیز احساس سردرگمی یا ناآگاهی و عقب‌ماندن کنند.

این فرهنگ اصطلاحات تلاشی از سوی «اتحاد ما» برای حل همین چالش است: تعاریفی روشن و همه‌فهم از اصطلاحات هوش مصنوعی که بیش از همه احتمال دارد با آن‌ها روبه‌رو شوید؛ چه در حال ساخت محصولاتی با این ابزارها باشید، چه روی آن‌ها سرمایه‌گذاری کنید یا صرفا بخواهید با خواندن رسانه‌هایی مانند TechCrunch یا گوش دادن به پادکست‌های مرتبط، همگام با این تحولات پیش بروید. ما این فهرست را همگام با پیشرفت و دگرگونی این حوزه به‌طور مداوم به‌روزرسانی می‌کنیم؛ بنابراین درست مانند سیستم‌های هوش مصنوعی که شرح می‌دهد، این نوشتار را نیز متنی پویا و همواره در حال تکامل در نظر بگیرید.

AGI

هوش مصنوعی جامع (Artificial General Intelligence) یا AGI اصطلاحی گنگ و دست‌نیافتنی است؛ با این حال عموما به هوش مصنوعی‌ای اشاره دارد که در بسیاری از کارها، یا شاید در اغلب آن‌ها، عملکردی فراتر از یک انسان معمولی ارائه می‌دهد. Sam Altman، مدیرعامل OpenAI، زمانی AGI را «معادل انسانی در سطح متوسط تعریف کرد که بتوانید او را به عنوان همکار استخدام کنید». در همین حال، اساسنامه OpenAI واژه AGI را به عنوان «سیستم‌هایی بسیار خودمختار که در بیشتر اموری که ارزش اقتصادی دارند عملکردی بهتر از انسان‌ها به نمایش می‌گذارند» تعریف می‌کند. دیدگاه Google DeepMind با این دو روایت کمی تفاوت دارد؛ این آزمایشگاه AGI را «هوش مصنوعی که حداقل در بیشتر امور شناختی و فکری توانی همپای انسان دارد» می‌داند. سردرگم شدید؟ جای نگرانی نیست؛ صاحب‌نظران و پژوهشگران پیشگام در خط مقدم هوش مصنوعی نیز دچار همین سردرگمی هستند.

عامل هوش مصنوعی (AI agent)

یک AI agent به ابزاری اطلاق می‌شود که با به‌کارگیری فناوری‌های هوش مصنوعی، زنجیره‌ای از وظایف را به نیابت از شما انجام می‌دهد؛ وظایفی که بسیار فراتر از کارایی یک چت‌بات ساده است؛ مانند ثبت و مدیریت اسناد هزینه‌ها، رزرو بلیت سفر یا میزی در یک رستوران، و حتی نگارش و نگهداری کدهای برنامه‌نویسی. با این وجود، متغیرها و بخش‌های نامتعین فراوانی در این حوزه نوظهور در حال جابه‌جایی و تکامل هستند؛ از این رو عبارت «AI agent» ممکن است برای افراد مختلف معانی متفاوتی به همراه داشته باشد. همچنین زیرساخت‌های لازم برای تحقق تمام توانمندی‌های پیش‌بینی‌شده برای این ابزارها همچنان در مرحله توسعه و پیاده‌سازی قرار دارند. اما به زبان ساده، مفهوم بنیادین آن حاکی از سامانه‌ای خودکار و مستقل است که می‌تواند برای انجام کارهای چندمرحله‌ای، همزمان از چندین سیستم مختلف هوش مصنوعی بهره ببرد.

نقاط دسترسی برنامه‌نویسی (API endpoints)

می‌توانید نقاط پایانی API endpoints را به عنوان «دکمه‌هایی» در پشت صحنه یک نرم‌افزار در نظر بگیرید که سایر برنامه‌ها می‌توانند با فشردن آن‌ها، سیستم را وادار به انجام کارهایی مشخص کنند. توسعه‌دهندگان از این رابط‌ها برای ایجاد یکپارچگی میان سیستم‌ها استفاده می‌کنند؛ به عنوان مثال، فراهم کردن امکانی که یک اپلیکیشن داده‌ها را از اپلیکیشنی دیگر فراخوانی کند، یا به یک عامل هوش مصنوعی (AI agent) اجازه دهد بدون نیاز به دخالت دستی انسان در هر رابط کاربری، سرویس‌های شخص ثالث (third-party) را مستقیما کنترل نماید. بیشتر دستگاه‌های خانه هوشمند و پلتفرم‌های متصل، این دکمه‌های مخفی را در دل خود دارند، حتی اگر کاربران عادی هرگز آن‌ها را نبینند یا با آن‌ها تعاملی نداشته باشند. با توانمندتر شدن عامل‌های هوش مصنوعی، آن‌ها روزبه‌روز بیش از پیش قادر خواهند بود این endpointها را خودشان پیدا کرده و به کار گیرند؛ رویکردی که دریچه‌ای قدرتمند — و گاه پیش‌بینی‌نشده — به سوی خودکارسازی باز می‌کند.

زنجیره تفکر (Chain of thought)

مغز انسان در مواجهه با یک پرسش ساده می‌تواند بدون تامل چندانی پاسخ دهد؛ سوالاتی نظیر «کدام حیوان قدبلندتر است، زرافه یا گربه؟» اما در بسیاری از موارد، رسیدن به پاسخ درست نیازمند قلم و کاغذ است، چرا که مسئله مراحلی میانی دارد. برای نمونه، اگر یک کشاورز تعدادی مرغ و گاو داشته باشد که در مجموع ۴۰ سر و ۱۲۰ پا دارند، ممکن است برای رسیدن به جواب (۲۰ مرغ و ۲۰ گاو) به نوشتن یک معادله ساده نیاز داشته باشید.

در دنیای هوش مصنوعی، استدلال زنجیره تفکر (chain-of-thought reasoning) برای مدل‌های زبانی بزرگ (large language models) به معنای خرد کردن یک مسئله به گام‌های کوچک‌تر و میانی با هدف ارتقای کیفیت نتیجه نهایی است. در این حالت معمولا دستیابی به پاسخ زمان بیشتری می‌برد، اما احتمال درستی آن به‌ویژه در حوزه‌های منطقی یا کدنویسی بسیار بیشتر است. مدل‌های استدلالی (Reasoning models) بر پایه مدل‌های زبانی بزرگ سنتی توسعه یافته‌اند و به لطف یادگیری تقویتی (reinforcement learning)، برای تفکر مبتنی بر زنجیره تفکر بهینه‌سازی شده‌اند.

(نگاه کنید به: Large language model)

عامل‌های کدنویسی (Coding agents)

این مفهوم نسبت به یک «عامل هوش مصنوعی» (AI agent) که به معنای برنامه‌ای با قابلیت انجام گام‌به‌گام اقدامات خودکار برای تحقق یک هدف است، تخصصی‌تر به شمار می‌رود. عامل کدنویسی در واقع نسخه‌ای اختصاصی است که در فرآیند توسعه نرم‌افزار به کار گرفته می‌شود. یک عامل کدنویسی به جای اینکه صرفا کدهایی را برای بررسی و الصاق توسط انسان پیشنهاد دهد، می‌تواند به صورت خودکار کد بنویسد، آن را تست کند و خطایابی (debug) انجام دهد؛ یعنی همان کارهای تکرارشونده و مبتنی بر آزمون و خطایی را مدیریت کند که عموما زمان روزانه یک توسعه‌دهنده را می‌بلعد. این عامل‌ها قادرند در تمام بخش‌های یک پایگاه کد (codebase) عمل کنند، باگ‌ها را شناسایی نمایند، تست‌ها را به اجرا درآورند و با کمترین میزان نظارت انسانی، اصلاحات را اعمال و ارسال کنند. آن را مانند استخدام یک کارآموز بسیار سریع تصور کنید که نه به خواب نیاز دارد و نه تمرکزش به هم می‌ریزد — هرچند، درست همانند هر کارآموز دیگری، همچنان یک انسان باید خروجی کار او را بررسی کند.

توان پردازشی (Compute)

اگرچه «توان پردازشی» (Compute) واژه‌ای با معانی و ابعاد گوناگون است، اما در حالت کلی به قدرت محاسباتی حیاتی و بنیادینی اشاره دارد که امکان فعالیت را به مدل‌های هوش مصنوعی می‌دهد. این نوع پردازش در واقع سوخت موتور صنعت هوش مصنوعی به شمار می‌رود و توان آموزش و به‌کارگیری مدل‌های پیشرفته را برای آن فراهم می‌کند. این عبارت غالبا در اشاره به سخت‌افزارهایی به کار می‌رود که چنین قدرت پردازشی را تولید می‌کنند؛ از جمله GPUها، CPUها، TPUها و دیگر زیرساخت‌هایی که ستون فقرات صنعت نوین هوش مصنوعی را تشکیل می‌دهند.

یادگیری عمیق (Deep learning)

یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین با قابلیت خوداصلاحی و بهبود خودکار است که در آن، الگوریتم‌های هوش مصنوعی با ساختاری چندلایه از شبکه‌های عصبی مصنوعی (ANN) طراحی می‌شوند. این معماری به آن‌ها اجازه می‌دهد در مقایسه با سیستم‌های ساده‌تر مبتنی بر یادگیری ماشین—همچون مدل‌های خطی یا درخت‌های تصمیم—همبستگی‌ها و روابط پیچیده‌تری را شناسایی و برقرار کنند. ساختار الگوریتم‌های یادگیری عمیق از شبکه‌ها و مسیرهای به‌هم‌پیوسته نورون‌ها در مغز انسان الهام گرفته است.

مدل‌های هوش مصنوعی مبتنی بر یادگیری عمیق می‌توانند ویژگی‌ها و مشخصه‌های کلیدی داده‌ها را خودشان کشف کنند، بدون آنکه نیازی باشد مهندسان انسانی این ویژگی‌ها را به‌طور دستی تعریف کنند. این ساختار همچنین بستری برای الگوریتم‌هایی فراهم می‌آورد که می‌توانند از خطاهای خود بیاموزند و خروجی‌هایشان را از مسیر آزمون، تکرار و تنظیم مداوم بهبود بخشند. با این وجود، سیستم‌های یادگیری عمیق برای ارائه نتایج قابل‌قبول به حجم عظیمی از داده‌ها (میلیون‌ها نمونه یا بیشتر) احتیاج دارند. فرایند آموزش آن‌ها نیز معمولا در قیاس با الگوریتم‌های ساده‌تر یادگیری ماشین بسیار زمان‌برتر است و در نتیجه هزینه‌های توسعه به‌مراتب بالاتری را به همراه دارد.

(همچنین ببینید: شبکه عصبی)

مدل‌های انتشار (Diffusion)

فناوری انتشار (Diffusion) موتور محرک بسیاری از مدل‌های هوش مصنوعی برای تولید تصویر، موسیقی و متن است. سامانه‌های مبتنی بر انتشار با الهام از پدیده انتشار در فیزیک، ساختار داده‌ها—مانند عکس‌ها، قطعات صوتی و غیره—را از طریق تزریق تدریجی «نویز» آرام‌آرام تخریب می‌کنند تا جایی که چیزی از داده اولیه باقی نماند. در علم فیزیک، پدیده نفوذ یا انتشار فرایندی خودبه‌خودی و بازگشت‌ناپذیر است؛ برای نمونه شکری که در فنجان قهوه حل می‌شود، دیگر به حبه قند اولیه بازنمی‌گردد. اما هدف سیستم‌های انتشار در دنیای هوش مصنوعی، یادگیری نوعی فرایند «انتشار معکوس» است تا داده تخریب‌شده را احیا کنند؛ به این معنا که یاد می‌گیرند چگونه از دل نویز خالص، داده‌های معنادار را بازسازی نمایند.

تقطیر دانش (Distillation)

تقطیر تکنیکی برای استخراج دانش از یک مدل بزرگ هوش مصنوعی بر اساس سازوکار «معلم-شاگرد» (Teacher-Student) است. در این شیوه، توسعه‌دهندگان ورودی‌ها و درخواست‌هایی را به مدل معلم ارسال کرده و خروجی‌های آن را ثبت می‌کنند. این پاسخ‌ها گاهی با یک مجموعه داده مقایسه می‌شوند تا میزان دقت آن‌ها مشخص گردد. در نهایت، همین خروجی‌ها برای آموزش مدل شاگرد به کار می‌روند تا مدل کوچک‌تر رفتاری نزدیک و مشابه با مدل معلم را یاد بگیرد و پیاده‌سازی کند.

از تقطیر دانش (Distillation) می‌توان برای ساخت مدلی کوچک‌تر و کارآمدتر بر پایه یک مدل بزرگ‌تر، با کمترین میزان افت کیفیت یا «اتلاف تقطیر» (Distillation loss) بهره برد. به احتمال زیاد OpenAI نیز نسخه سریع‌تر مدل خود یعنی GPT-4 Turbo را بر اساس همین روش توسعه داده است.

در حالی که تمام شرکت‌های فعال در حوزه هوش مصنوعی از فرایند تقطیر به‌صورت درون‌سازمانی استفاده می‌کنند، برخی از آن‌ها ممکن است از این شیوه برای جبران عقب‌ماندگی و رسیدن به سطح مدل‌های پیشرو (Frontier models) نیز کمک گرفته باشند؛ هرچند تقطیر داده‌ها از مدل‌های یک شرکت رقیب، معمولا نقض شرایط استفاده از خدمات (Terms of service) در بخش API و دستیارهای متنی به شمار می‌رود.

تنظیم دقیق (Fine-tuning)

این اصطلاح به آموزش تکمیلی یک مدل هوش مصنوعی به منظور بهینه‌سازی عملکرد آن برای یک وظیفه یا حوزه تخصصی‌تر نسبت به تمرکز اولیه آموزش آن اشاره دارد؛ فرآیندی که معمولا از طریق تزریق داده‌های جدید و تخصصی (مبتنی بر وظیفه یا Task-oriented) انجام می‌شود.

بسیاری از استارتاپ‌های هوش مصنوعی، مدل‌های زبانی بزرگ را به عنوان نقطه آغاز توسعه محصولات تجاری خود به کار می‌گیرند، اما تلاش می‌کنند تا با تکمیل چرخه‌های آموزشی پیشین از طریق Fine-tuning بر پایه دانش و تخصص حوزه‌ای ویژه خود، کارایی مدل را برای یک بخش یا وظیفه هدف ارتقا دهند.

(همچنین ببینید: مدل زبانی بزرگ [LLM])

شبکه‌های مولد رقابتی (GAN)

یک GAN یا «شبکه مولد رقابتی» (Generative Adversarial Network)، نوعی چارچوب یادگیری ماشین است که زیربنای برخی از مهم‌ترین پیشرفت‌های هوش مصنوعی مولد در زمینه تولید داده‌های واقع‌گرایانه — از جمله (و نه صرفا) ابزارهای جعل عمیق (Deepfake) — را تشکیل می‌دهد. شبکه‌های GAN از یک جفت شبکه عصبی بهره می‌برند؛ یکی از این شبکه‌ها با اتکا به داده‌های آموزشی خود خروجی را تولید می‌کند و آن را در اختیار شبکه دوم قرار می‌دهد تا ارزیابی شود.

این دو مدل در عمل به گونه‌ای برنامه‌ریزی شده‌اند که با یکدیگر رقابت کنند و بر دیگری چیره شوند؛ مدل «مولد» (Generator) می‌کوشد خروجی خود را از سد مدل «تشخیص‌دهنده» (Discriminator) عبور دهد، در حالی که مدل تشخیص‌دهنده به دنبال شناسایی داده‌های ساختگی و مصنوعی است. این رقابت ساختاریافته می‌تواند خروجی‌های هوش مصنوعی را بدون نیاز به مداخله انسانی مضاعف، به سمت واقع‌گرایی بیشتر هدایت و بهینه‌سازی کند؛ با این حال، شبکه‌های GAN برای کاربردهای محدود و مشخص (نظیر تولید تصاویر یا ویدیوهای واقع‌گرایانه) بهترین عملکرد را دارند و چندان مناسب هوش مصنوعی چندمنظوره نیستند.

توهم (Hallucination)

«توهم» اصطلاح برگزیده و رایج در صنعت هوش مصنوعی برای بیان خیال‌پردازی و از خود درآوردن اطلاعات توسط مدل‌هاست؛ یعنی تولید اطلاعاتی که از اساس نادرست هستند. این مسئله بی‌تردید چالشی بزرگ بر سر راه کیفیت هوش مصنوعی محسوب می‌شود.

توهمات موجب تولید خروجی‌هایی در ابزارهای هوش مصنوعی مولد (GenAI) می‌شوند که ممکن است گمراه‌کننده باشند و حتی خطراتی واقعی در دنیای واقعی ایجاد کنند؛ پیامدهایی که می‌توانند به شدت زیان‌بار باشند (برای نمونه، پرسشی درباره مسائل سلامت که پاسخی حاوی توصیه‌های پزشکی آسیب‌رسان دریافت کند).

تصور می‌شود معضل اطلاعات‌سازی و جعل واقعیت توسط هوش مصنوعی، ناشی از شکاف‌ها و خلأهای موجود در داده‌های آموزشی باشد. این توهمات زمینه را برای گرایش به سوی مدل‌های هوش مصنوعی تخصصی‌تر یا عمودی (Vertical AI) ـ یعنی هوش مصنوعی‌های ویژه‌حوزه (Domain-specific) با تخصص محدودتر و متمرکزتر ـ فراهم کرده‌اند تا از این طریق، احتمال بروز شکاف‌های دانشی کاهش یابد و خطرات انتشار اطلاعات نادرست به حداقل برسد.

استنتاج (Inference)

استنتاج، فرایند اجرای یک مدل هوش مصنوعی است؛ یعنی رها کردن مدل در عمل برای انجام پیش‌بینی‌ها یا نتیجه‌گیری بر اساس داده‌هایی که پیشتر دیده است. برای رفع هرگونه ابهام باید گفت که استنتاج بدون آموزش امکان‌پذیر نیست؛ یک مدل ابتدا باید الگوهای موجود در مجموعه‌ای از داده‌ها را بیاموزد تا بتواند به‌طور مؤثر از آن داده‌های آموزشی تعمیم حاصل کند و دست به برونیابی بزند.

انواع متعددی از سخت‌افزارها قادر به اجرای استنتاج هستند؛ از پردازنده‌های گوشی‌های هوشمند گرفته تا پردازنده‌های گرافیکی (GPU) قدرتمند و شتاب‌دهنده‌های هوش مصنوعی با طراحی اختصاصی. با این حال، کارایی همه آن‌ها در اجرای مدل‌ها یکسان نیست. اجرای مدل‌های بسیار بزرگ روی دستگاهی مانند لپ‌تاپ در مقایسه با یک سرور ابری مجهز به تراشه‌های پیشرفته هوش مصنوعی، زمانی بسیار طولانی خواهد برد و بسیار به درازا خواهد انجامید.

[ببینید: آموزش (Training)]

مدل زبانی بزرگ (Large Language Model / LLM)؛ قلب تپنده اصطلاحات هوش مصنوعی

مدل‌های زبانی بزرگ یا LLMها، همان مدل‌های هوش مصنوعی هستند که در دستیاران پرطرفدار هوش مصنوعی نظیر ChatGPT، Claude، مدل Gemini از شرکت Google، مدل Llama از Meta، سیستم Copilot از Microsoft یا پلتفرم Le Chat از Mistral به کار گرفته می‌شوند. وقتی با یک دستیار هوش مصنوعی گفتگو می‌کنید، در واقع با یک مدل زبانی بزرگ تعامل دارید که درخواست شما را مستقیما یا با کمک ابزارهای مختلف در دسترس، مانند مرورگر وب یا مفسرهای کد، پردازش می‌کند.

مدل‌های زبانی بزرگ، شبکه‌های عصبی عمیقی متشکل از میلیاردها پارامتر عددی (یا وزن‌ها، در ادامه شرح داده خواهد شد) هستند که روابط میان کلمات و عبارات را یاد می‌گیرند و نوعی نمایش از زبان پدید می‌آورند؛ چیزی شبیه به یک نقشه چندبعدی از واژگان.

این مدل‌ها از طریق رمزگذاری و کشف الگوهایی ساخته می‌شوند که در میلیاردها جلد کتاب، مقاله و متن پیاده‌شده به چشم می‌خورد. هنگامی که یک پرامپت (دستور متنی) به LLM ارائه می‌دهید، این مدل محتمل‌ترین الگویی را که با آن دستور همخوانی دارد، تولید می‌کند.

(ببینید: شبکه عصبی / Neural network)

حافظه پنهان (Memory cache)

حافظه موقت یا حافظه پنهان (Memory cache) به فرآیندی کلیدی اطلاق می‌شود که سرعت استنتاج (Inference — همان فرآیندی که طی آن هوش مصنوعی برای تولید پاسخ به پرسش کاربر پردازش انجام می‌دهد) را ارتقا می‌بخشد. در اساس، کش کردن (Caching) یک تکنیک بهینه‌سازی است که برای کارآمدتر ساختن مرحله استنتاج طراحی شده است. هوش مصنوعی به‌وضوح با محاسبات ریاضی فوق‌العاده سنگین کار می‌کند و هربار که این محاسبات صورت می‌پذیرند، توان پردازشی بیشتری مصرف می‌شود. فناوری Caching طراحی شده تا با ذخیره‌سازی محاسبات مشخص برای پاسخگویی به پرسش‌ها و پردازش‌های بعدی کاربران، تعداد محاسباتی را که مدل ناچار به انجام مجدد آن‌هاست کاهش دهد. انواع گوناگونی از حافظه پنهان وجود دارد، هرچند یکی از شناخته‌شده‌ترین آن‌ها KV cache (یا کش کلید-مقدار / Key-Value) است. فناوری KV caching در مدل‌های مبتنی بر معماری Transformer کاربرد دارد و با کاهش زمان (و بار پردازشی و الگوریتمی) لازم برای تولید پاسخ به سوالات کاربران، بهره‌وری را افزایش داده و موجب ارائه سریع‌تر نتایج می‌شود.

(نگاه کنید به: استنتاج / Inference)

پروتکل زمینه مدل (Model Context Protocol یا MCP)

پروتکل زمینه مدل یا MCP یک استاندارد باز است که به مدل‌های هوش مصنوعی اجازه می‌دهد به ابزارها و داده‌های بیرونی متصل شوند — از فایل‌ها و پایگاه‌های داده گرفته تا برنامه‌هایی نظیر Slack و Google Drive — بدون آنکه توسعه‌دهنده مجبور باشد برای هر اتصال، یک رابط اختصاصی و سفارشی بسازد. می‌توانید آن را مانند پورت USB-C برای هوش مصنوعی مجسم کنید. شرکت Anthropic پروتکل MCP را در سال ۲۰۲۴ معرفی کرد و بعدها مدیریت آن را به بنیاد Linux Foundation سپرد؛ این پروتکل از آن زمان تاکنون توسط OpenAI، Google و Microsoft به کار گرفته شده و به یکی از استانداردهایی با سریع‌ترین روند فراگیری و پذیرش در تاریخ اخیر هوش مصنوعی تبدیل شده است.

ترکیب متخصصان (Mixture of Experts یا MoE)

معماری «ترکیب متخصصان» (Mixture of Experts) نوعی معماری مدل است که یک شبکه عصبی را به زیرشبکه‌های تخصصی متعددی موسوم به «متخصصان» (Experts) تقسیم می‌کند و برای هر وظیفه مشخص، تنها شمار اندکی از آن‌ها را فعال می‌سازد. به جای عبور دادن تمام درخواست‌ها از سرتاسر شبکه مدل — که مانند احضار کل پرسنل یک اداره برای پاسخ به تک‌تک سوالات است — یک مدل MoE دارای یک «مسیریاب» (Router) داخلی است که دقیقا کارشناسان مناسب همان وظیفه را برمی‌گزیند. این راهکار امکان ساخت مدل‌های عظیمی را فراهم می‌کند که همچنان به نسبت سریع بوده و هزینه اجرای پایینی دارند، زیرا در هر لحظه تنها کسری از کل شبکه مشغول به کار است. مدل Mixtral محصول شرکت Mistral AI نمونه‌ای برجسته از این معماری به شمار می‌رود؛ همچنین باور عمومی گسترده بر این است که مدل‌های جدیدتر سری GPT شرکت OpenAI نیز از نسخه‌ای از همین رویکرد بهره می‌برند، هرچند این شرکت هرگز این موضوع را رسما تأیید نکرده است.

(نگاه کنید به: شبکه عصبی / Neural network، یادگیری عمیق / Deep learning)

شبکه عصبی (Neural network)

یک شبکه عصبی به ساختار الگوریتمی چندلایه‌ای اطلاق می‌شود که پایه و اساس یادگیری عمیق (Deep learning) را تشکیل می‌دهد — و به بیانی فراگیرتر، موتور محرک تمام جهش‌ها و تحولات چشمگیر ابزارهای هوش مصنوعی مولد در پی پیدایش مدل‌های زبانی بزرگ است.

اگرچه ایده الهام‌گرفتن از مسیرهای درهم‌تنیده و متراکم مغز انسان به عنوان ساختار طراحی الگوریتم‌های پردازش داده به دهه ۱۹۴۰ بازمی‌گردد، اما این ظهور بسیار متأخرتر سخت‌افزارهای پردازش گرافیکی (GPU) — از طریق صنعت بازی‌های ویدیویی — بود که پتانسیل واقعی این نظریه را شکوفا کرد. این تراشه‌ها نشان دادند که برای آموزش الگوریتم‌هایی با لایه‌هایی به‌مراتب بیشتر از آنچه در دوره‌های پیشین ممکن بود، کاملا مناسب هستند؛ امری که سیستم‌های هوش مصنوعی مبتنی بر شبکه عصبی را قادر ساخت تا در حوزه‌های متعددی از جمله تشخیص گفتار، ناوبری خودران و کشف دارو به عملکردی به‌مراتب بهتر دست یابند.

(همچنین ببینید: مدل زبانی بزرگ [LLM])

Neuralese

یک سناریوی فرضی و بدترین حالت ممکن که در آن، یک مدل به جای زبان قابل‌فهم برای انسان، کاملا بر اساس بازنمایی‌های عددی داخلی خود استدلال می‌کند و فرایند تفکر خود را به یک جعبه سیاه مطلق بدل می‌سازد. در حال حاضر هیچ مدلی که عرضه شده باشد چنین رفتاری ندارد — OpenAI اعلام کرده است که مدل Astra آن (که در سپتامبر ۲۰۲۶ عرضه شد و به دلیل استفاده زودهنگام از تکنیک استدلال «تکرار مبهم» یا opaque recurrence مورد توجه قرار گرفت) زنجیره تفکر (chain of thought) خود را خوانا نگه می‌دارد و مقایسه‌های صورت‌گرفته با Neuralese را رد کرده است. با این حال، پژوهشگران ایمنی به استفاده Astra از تکرار مبهم — که تعریف آن در ادامه آمده است — به عنوان نخستین گام واقعی در این مسیر اشاره می‌کنند؛ به همین دلیل است که کاربرد این اصطلاح از زمان انتشار گزارش‌های پیرامون عرضه Astra به شدت افزایش یافته است.

Opaque recurrence (تکرار مبهم)

تکرار مبهم زمانی رخ می‌دهد که یک مدل هوش مصنوعی به جای استدلال گام‌به‌گام به زبان ساده و قابل‌فهم، همان پرسش را بارها در لایه‌های داخلی خود به گردش درمی‌آورد. این روش کارآمدتر است — مدل‌های کوچک‌تر می‌توانند با مصرف توان پردازشی کمتر، عملکردی فراتر از حد انتظار نشان دهند — اما در مقایسه با یک زنجیره تفکر عادی (همان توضیحات و استدلال‌های لحظه‌ای که پس از درخواست کمک از یک چت‌بات مشاهده می‌کنید)، ردپای خوانای بسیار کمتری بر جای می‌گذارد. این موضوع باعث نگرانی پژوهشگران حوزه ایمنی شده است؛ چرا که این لاگ‌ها ابزاری کلیدی برای شناسایی رفتارهای نادرست مدل به شمار می‌روند و این تکنیک می‌تواند نظارت مذکور را بسیار دشوارتر کند.

(همچنین ببینید: Chain of thought)

Open source (متن‌باز)

متن‌باز یا Open source به نرم‌افزارها — و امروزه به‌طور فزاینده‌ای به مدل‌های هوش مصنوعی — اشاره دارد که کدهای پایه آن‌ها به‌صورت عمومی در دسترس همگان قرار می‌گیرد تا هر کسی بتواند از آن‌ها استفاده کند، آن‌ها را بررسی نماید یا تغییر دهد و اصلاح کند. در دنیای هوش مصنوعی، خانواده مدل‌های Llama از شرکت Meta نمونه‌ای برجسته از این رویکرد به شمار می‌رود؛ درست مانند لینوکس (Linux) که معادل تاریخی و نام‌آشنای آن در حوزه سیستم‌های عامل است. رویکردهای متن‌باز به پژوهشگران، توسعه‌دهندگان و شرکت‌ها در سراسر جهان این امکان را می‌دهد تا دستاوردهای یکدیگر را مبنای کار خود قرار داده و مسیر توسعه را ادامه دهند؛ امری که سرعت پیشرفت را دوچندان می‌کند و برخلاف سیستم‌های بسته، امکان ارزیابی‌ها و ممیزی‌های امنیتی مستقل را نیز به‌راحتی فراهم می‌آورد. در سوی دیگر، منبع‌بسته یا Closed source به این معناست که کد سیستم به‌صورت خصوصی و محرمانه نگهداری می‌شود؛ یعنی کاربر می‌تواند از محصول نهایی استفاده کند اما قادر به مشاهده سازوکار درونی آن نیست؛ وضعیتی که درباره مدل‌های GPT متعلق به OpenAI صدق می‌کند. این تمایز اکنون به یکی از بحث‌های محوری و بنیادین در صنعت هوش مصنوعی بدل شده است.

Parallelization (موازی‌سازی)

موازی‌سازی یا Parallelization به معنای انجام دادن همزمان چندین کار به‌جای اجرای متوالی و پشت‌سرهم آن‌ها است؛ درست مثل اینکه به‌جای یک کارمند که تمام بخش‌های یک پروژه را به‌صورت انفرادی و مرحله‌به‌مرحله پیش می‌برد، ۱۰ کارمند به‌طور همزمان روی بخش‌های مختلف پروژه کار کنند. در حوزه هوش مصنوعی، موازی‌سازی نقشی حیاتی و اساسی در هر دو مرحله آموزش (Training) و استنتاج (Inference) ایفا می‌کند: پردازنده‌های گرافیکی مدرن (GPU) دقیقا به‌گونه‌ای طراحی شده‌اند که هزاران محاسبه را به‌صورت همزمان انجام دهند و همین ویژگی، دلیل اصلی تبدیل شدن آن‌ها به ستون فقرات سخت‌افزاری این صنعت است. با پیچیده‌تر شدن سیستم‌های هوش مصنوعی و بزرگ‌تر شدن ابعاد مدل‌ها، توانایی تقسیم و اجرای موازی فرآیندها روی تراشه‌ها و سرورهای متعدد، به یکی از مهم‌ترین عوامل در تعیین سرعت و صرفه اقتصادی ساخت و استقرار مدل‌ها تبدیل شده است؛ تا جایی که پژوهش روی راهبردهای کارآمدتر موازی‌سازی، امروزه خود به یک شاخه مطالعاتی مستقل بدل شده است.

RAMageddon (رمگدون)

واژه RAMageddon اصطلاح طنزآمیز و جدیدی است که برای توصیف روندی نه چندان خوشایند در صنعت فناوری به کار می‌رود: کمبود روزافزون تراشه‌های حافظه دسترسی تصادفی یا همان RAM که نیروی محرکه تقریبا تمامی ابزارهای دیجیتال مورد استفاده در زندگی روزمره ما هستند. با جهش شتابان صنعت هوش مصنوعی، بزرگ‌ترین غول‌های فناوری و آزمایشگاه‌های پیشرو — که همگی در رقابتی فشرده برای دستیابی به قدرتمندترین و کارآمدترین سامانه‌ها هستند — چنان حجم عظیمی از RAM را برای تأمین توان مراکز داده خود خریداری می‌کنند که سهم اندکی برای سایر بخش‌ها و کاربران عادی باقی می‌ماند. این گلوگاه در زنجیره تأمین موجب شده است که منابع باقیمانده در بازار نیز روزبه‌روز گران‌تر و دست‌نیافتنی‌تر شوند.

این موضوع صنایعی مانند بازی‌های ویدئویی (که در آن شرکت‌های بزرگ به دلیل دشواری در تأمین تراشه‌های حافظه برای دستگاه‌هایشان مجبور به افزایش قیمت کنسول‌ها شده‌اند)، لوازم الکترونیکی مصرفی (جایی که کمبود حافظه می‌تواند شدیدترین افت عرضه گوشی‌های هوشمند را در بیش از یک دهه اخیر رقم بزند) و محاسبات سازمانی به طور کلی را در بر می‌گیرد (زیرا این شرکت‌ها نمی‌توانند RAM کافی برای مراکز داده خود تهیه کنند). انتظار می‌رود این جهش قیمتی تنها پس از پایان یافتن این کمبود نگران‌کننده متوقف شود؛ اما متأسفانه نشانه‌های چندانی از وقوع قریب‌الوقوع آن به چشم نمی‌خورد.

Recurrent depth (عمق بازگشتی)

این عنوان نامی «فنی‌تر» برای همان روش بنیادینی است که تحت عنوان opaque recurrence (تکرار مبهم) شناخته می‌شود (به گردش درآوردن یک پرسش در لایه‌های مدل برای دفعات متعدد، به جای استدلال متوالی در قالب زبان). رسانه‌ها این دو اصطلاح را تقریبا به جای یکدیگر به کار می‌برند و به همین دلیل آن را در اینجا آورده‌ایم؛ هرچند «Recurrent depth» اصطلاحی مهندسی است و «Opaque recurrence» رویکردی است که بر دغدغه‌های ایمنی تأکید دارد.

(به بخش‌های Opaque recurrence و chain of thought مراجعه کنید.)

Recursive self-improvement (خودبهسازی بازگشتی)

همانند AGI، خودبهسازی بازگشتی نیز آستانه‌ای برای میزان هوشمندی هوش مصنوعی و میزان بی‌نیازی آن از انسان‌ها به شمار می‌رود. در سناریوی RSI، مدل‌های هوش مصنوعی شروع به بهبود خود بدون دخالت انسان می‌کنند که این امر به جهشی شتابان در توانمندی‌ها و خودمختاری آن‌ها منجر می‌شود. در برخی روایت‌ها، این اتفاق برهه‌ای فاجعه‌بار و شبیه به مفهوم Singularity (تکینگی) توصیف می‌شود؛ لحظه‌ای که مدل‌های هوش مصنوعی در برابر مداخله خارجی نفوذناپذیر و مصون می‌شوند. با این حال، RSI یک قابلیت بنیادین را نیز توصیف می‌کند — آیا یک مدل هوش مصنوعی می‌تواند جانشین خود را طراحی کند؟ — پرسشی که تلاش مهندسان را برای ساخت آن بسیار ملموس‌تر و دست‌یافتنی‌تر می‌سازد. شماری از استارتاپ‌های نوظهور ساخت مدل‌هایی با قابلیت خودبهسازی بازگشتی را در دستور کار خود قرار داده‌اند، اما اغلب آن‌ها پیامدهای آخرالزمانی آن را رد کرده و RSI را صرفا مرز بعدی پژوهش و توسعه معرفی می‌کنند.

Reinforcement learning (یادگیری تقویتی)

یادگیری تقویتی (Reinforcement Learning) روشی برای آموزش هوش مصنوعی است که در آن، سامانه با آزمون و خطا و دریافت پاداش به‌ازای پاسخ‌های درست یاد می‌گیرد؛ درست مانند آموزش دادن به حیوان خانگی با تشویقی، با این تفاوت که «حیوان خانگی» در این سناریو یک شبکه عصبی و «تشویقی» یک سیگنال ریاضی حاکی از موفقیت است. برخلاف یادگیری نظارت‌شده (Supervised Learning) که در آن مدل بر اساس یک مجموعه داده ثابت از نمونه‌های برچسب‌دار آموزش می‌بیند، یادگیری تقویتی به مدل اجازه می‌دهد تا محیط خود را کاوش کند، دست به اقدام بزند و به‌طور مداوم رفتارش را بر اساس بازخوردی که دریافت می‌کند، به‌روزرسانی نماید. کارایی فوق‌العاده این رویکرد به‌ویژه در آموزش هوش مصنوعی برای انجام بازی‌ها، کنترل روبات‌ها و اخیرا تقویت قدرت استدلال مدل‌های زبانی بزرگ به اثبات رسیده است. روش‌هایی مانند یادگیری تقویتی از طریق بازخورد انسانی یا RLHF (کوتاه‌شده‌ی Reinforcement Learning from Human Feedback)، اکنون نقشی محوری در نحوه تنظیم دقیق (Fine-tune) مدل‌ها توسط آزمایشگاه‌های پیشرو هوش مصنوعی ایفا می‌کنند تا این سیستم‌ها کاربردی‌تر، دقیق‌تر و ایمن‌تر شوند.

توکن (Token)

وقتی صحبت از ارتباط انسان و ماشین به میان می‌آید، چالش‌های آشکاری وجود دارد؛ انسان‌ها از طریق زبان انسانی با یکدیگر ارتباط برقرار می‌کنند، در حالی که برنامه‌های هوش مصنوعی وظایف خود را از طریق فرآیندهای الگوریتمی پیچیده و بر پایه داده‌ها انجام می‌دهند. توکن‌ها این شکاف را پر می‌کنند: آن‌ها بلوک‌های سازنده اصلی در ارتباط میان انسان و هوش مصنوعی به شمار می‌روند و نمایانگر بخش‌های مجزایی از داده‌ها هستند که توسط یک LLM پردازش یا تولید شده‌اند. این واحدها از طریق فرآیندی موسوم به توکن‌سازی (Tokenization) ایجاد می‌شوند؛ فرآیندی که متن خام را به واحدهایی خرد و قابل‌هضم برای مدل زبانی تجزیه می‌کند، درست شبیه به نحوه ترجمه زبان انسان به کدهای باینری قابل‌فهم برای رایانه توسط یک کامپایلر. در کاربردهای سازمانی و تجاری، توکن‌ها مبنای تعیین هزینه‌ها نیز هستند؛ اغلب شرکت‌های هوش مصنوعی هزینه استفاده از LLM را بر اساس تعداد توکن‌ها محاسبه می‌کنند، به این معنا که هرچه یک کسب‌وکار بیشتر مصرف کند، هزینه بیشتری نیز پرداخت خواهد کرد.

نرخ پردازش توکن (Token Throughput)

یادآوری: توکن‌ها (tokens) همان قطعات کوچک متنی هستند — که اغلب به‌جای کلمات کامل، بخش‌هایی از کلمات را تشکیل می‌دهند — که مدل‌های زبانی هوش مصنوعی پیش از پردازش، متن را به آن‌ها تجزیه می‌کنند؛ این قطعات به منظور درک بار کاری هوش مصنوعی، تقریبا معادل «کلمات» در نظر گرفته می‌شوند. گذردهی یا بازده پردازشی (throughput) به میزان اطلاعات قابل پردازش در یک بازه زمانی معین اشاره دارد؛ از این رو، «گذردهی توکن» (token throughput) اساسا معیاری است برای سنجش اینکه یک سیستم چه حجم از محاسبات هوش مصنوعی را می‌تواند به طور همزمان مدیریت کند. دستیابی به گذردهی بالای توکن، هدفی کلیدی برای تیم‌های زیرساخت هوش مصنوعی محسوب می‌شود، چرا که تعیین می‌کند یک مدل به چه تعداد کاربر می‌تواند همزمان سرویس‌دهی کند و هر یک از آن‌ها با چه سرعتی پاسخ خود را دریافت خواهند کرد. آندری کارپاتی (Andrej Karpathy)، پژوهشگر برجسته هوش مصنوعی، پیشتر به این نکته اشاره کرده بود که وقتی اشتراک‌های هوش مصنوعی‌اش بدون استفاده و غیرفعال می‌مانند دچار اضطراب می‌شود — حسی مشابه دورانی که به عنوان دانشجوی تحصیلات تکمیلی، شاهد بلااستفاده ماندن سخت‌افزارهای گران‌قیمت محاسباتی بود — دیدگاهی که به روشنی بازتاب می‌دهد چرا به حداکثر رساندن گذردهی توکن، به دغدغه‌ای اساسی در میان فعالان این حوزه بدل شده است.

آموزش (Training)

توسعه سیستم‌های هوش مصنوعی مبتنی بر یادگیری ماشین (machine learning) شامل فرآیندی است که تحت عنوان «آموزش» شناخته می‌شود. به بیان ساده، آموزش به تغذیه داده‌ها به مدل اشاره دارد تا بتواند از الگوهای موجود در داده‌ها یاد بگیرد و خروجی‌های کارآمدی تولید کند. این فرآیند اساسا سازوکاری است که در آن، سیستم با پاسخ‌دهی به ویژگی‌های پنهان در داده‌ها، خروجی‌های خود را در جهت رسیدن به یک هدف مشخص تطبیق می‌دهد — چه این هدف شناسایی تصاویر گربه‌ها باشد و چه سرودن فی‌البداهه یک هایکو بر اساس درخواست کاربر.

فرآیند آموزش می‌تواند بسیار پرهزینه باشد؛ زیرا به حجم عظیمی از داده‌های ورودی نیاز دارد و میزان داده‌های مورد نیاز نیز روندی فزاینده را طی می‌کند. به همین دلیل، رویکردهای ترکیبی مانند تنظیم دقیق (fine-tuning) یک سیستم هوش مصنوعی مبتنی بر قوانین با استفاده از داده‌های هدفمند، می‌تواند به مدیریت هزینه‌ها کمک کند تا نیازی به شروع همه‌چیز از نقطه صفر نباشد.

[همچنین ببینید: استنتاج (Inference)]

یادگیری انتقالی (Transfer learning)

تکنیکی است که در آن از یک مدل هوش مصنوعی پیش‌آموزش‌دیده (Pre-trained)، به عنوان نقطه شروعی برای توسعه مدلی جدید برای وظیفه‌ای متفاوت اما معمولا مرتبط استفاده می‌شود — فرآیندی که امکان به‌کارگیری مجدد دانش به‌دست‌آمده در چرخه‌های آموزشی پیشین را فراهم می‌آورد.

یادگیری انتقالی می‌تواند با کوتاه کردن مسیر توسعه مدل، صرفه‌جویی چشمگیری در بهره‌وری و مصرف منابع به همراه داشته باشد. این رویکرد همچنین در شرایطی که داده‌های مربوط به وظیفه هدف تا حدی محدود باشد، بسیار سودمند واقع می‌شود. با این حال، توجه به این نکته حائز اهمیت است که این روش محدودیت‌هایی نیز دارد؛ مدل‌هایی که برای دستیابی به توانمندی‌های تعمیم‌یافته به یادگیری انتقالی متکی هستند، احتمالا برای عملکرد بهینه و دقیق در حوزه تخصصی مدنظر، به آموزش بر روی داده‌های تکمیلی نیز نیاز خواهند داشت.

(همچنین ببینید: تنظیم دقیق (Fine tuning))

خطای اعتبارسنجی (Validation loss)

خطای اعتبارسنجی یا زیان اعتبارسنجی (Validation loss) شاخصی عددی است که نشان می‌دهد یک مدل هوش مصنوعی در طول فرایند آموزش تا چه اندازه خوب یاد می‌گیرد؛ و هرچه این مقدار کمتر باشد، بهتر است. پژوهشگران این شاخص را از نزدیک به‌عنوان نوعی کارنامه لحظه‌ای و بلادرنگ رصد می‌کنند و از آن برای تصمیم‌گیری درباره زمان توقف آموزش، زمان تنظیم ابرپارامترها (Hyperparameters)، یا لزوم بررسی یک مشکل احتمالی بهره می‌برند. یکی از دغدغه‌های کلیدی که این شاخص به شناسایی آن کمک می‌کند، بیش‌برازش (Overfitting) است؛ وضعیتی که در آن مدل به جای یادگیری واقعی الگوهایی که بتواند به موقعیت‌های جدید تعمیم دهد، صرفا داده‌های آموزشی را حفظ می‌کند. این وضعیت را می‌توان به تفاوت میان دانش‌آموزی تشبیه کرد که مطالب درسی را عمیقا فهمیده است با دانش‌آموزی که صرفا سؤالات آزمون سال گذشته را حفظ کرده است؛ خطای اعتبارسنجی کمک می‌کند مشخص شود مدل شما به کدام‌یک تبدیل می‌شود.

وزن‌ها (Weights)

وزن‌ها نقشی محوری در فرایند آموزش هوش مصنوعی ایفا می‌کنند، چرا که تعیین می‌کنند به ویژگی‌ها (یا متغیرهای ورودی) مختلف در داده‌های به‌کاررفته برای آموزش سیستم، چه میزان اهمیت (یا وزن) داده شود؛ و از این طریق، خروجی مدل هوش مصنوعی را شکل می‌دهند.

به بیان دیگر، وزن‌ها پارامترهایی عددی هستند که برجسته‌ترین و مهم‌ترین عوامل موجود در یک مجموعه داده را برای وظیفه آموزشی مورد نظر مشخص می‌کنند. عملکرد آن‌ها از طریق ضرب شدن در مقادیر ورودی حاصل می‌شود. فرایند آموزش مدل معمولا با وزن‌هایی آغاز می‌شود که به‌صورت تصادفی تخصیص یافته‌اند، اما با پیشرفت این فرایند، مدل با هدف رسیدن به خروجی‌ای که تطابق بیشتری با هدف مورد نظر داشته باشد، به تنظیم و تعدیل این وزن‌ها می‌پردازد.

به‌عنوان مثال، یک مدل هوش مصنوعی برای پیش‌بینی قیمت مسکن که بر روی داده‌های تاریخی املاک یک منطقه مشخص آموزش دیده است، می‌تواند شامل وزن‌هایی برای ویژگی‌هایی نظیر تعداد اتاق‌های خواب و حمام‌ها، مستقل یا نیمه‌مستقل بودن ملک، داشتن پارکینگ، گاراژ و مواردی از این دست باشد.

در نهایت، وزن‌هایی که مدل به هر یک از این ورودی‌ها نسبت می‌دهد، بازتاب‌دهنده میزان تأثیرگذاری آن‌ها بر ارزش ملک، بر اساس مجموعه داده ارائه‌شده است.

این مقاله به عنوان راهنمای اصطلاحات هوش مصنوعی به‌طور منظم با اطلاعات جدید به‌روزرسانی می‌شود.