زبان تازه

فناوری هوش مصنوعی در همه جا حضور دارد، از تلفن‌های همراه گرفته تا سیستم‌های سفارش‌دهی در رستوران‌ها. با توجه به اینکه شرکت‌هایی، مانند گوگل، مایکروسافت و اپل هوش مصنوعی را در محصولات خود ادغام می‌کنند، آشنایی با جدیدترین اصطلاحات این حوزه ضروری است.

چت‌بات‌هایی مانند ChatGPT، گوگل جمینای و مایکروسافت کوپایلت در حال گسترش هوش مصنوعی به تمام حوزه‌های فناوری هستند و نحوه تعامل ما با فناوری را متحول کرده‌اند. حالا افراد می‌توانند با ماشین‌ها مکالمه‌ای معنادار داشته باشند، به این معنا که می‌توانید پرسش‎های خود را به زبان طبیعی از یک چت‌بات هوش مصنوعی بپرسید و پاسخی نوآورانه، شبیه پاسخ یک انسان دریافت کنید.

اما این تنها بخشی از دنیای وسیع هوش مصنوعی است. درست است که کمک گرفتن از ChatGPT برای انجام تکالیف یا خلق تصاویر جذاب از ربات‌های مکانیکی در Midjourney بر اساس کشور مبدأ جالب است، اما ظرفیت هوش مصنوعی مولد فراتر از این موارد است و می‌تواند به طور کامل اقتصاد جهانی را دگرگون کند. طبق گزارش مؤسسه جهانی مک‌کنزی، این فناوری می‌تواند سالانه ۴/۴ تریلیون دلار به اقتصاد جهانی اضافه کند، به همین دلیل است که در آینده بیشتر درباره هوش مصنوعی خواهید شنید.

هوش مصنوعی در طیف گسترده‌ای از محصولات ظاهر شده است؛ از جمله گوگل جمینای، مایکروسافت کوپایلت، کلود (Claude) از شرکت Anthropic، موتور جست‌وجوی Perplexity AI و گجت‌هایی از شرکت‌های Humane و Rabbit.
با گسترش روزافزون هوش مصنوعی، اصطلاحات جدیدی نیز در حال شکل‌گیری هستند. بنابراین، چه بخواهید در یک مهمانی اطلاعات خود را به رخ بکشید یا در یک مصاحبه شغلی تأثیرگذار باشید، آشنایی با این اصطلاحات مهم هوش مصنوعی ضروری است. ما در ادامه برخی از این اصطلاحات را جمع‌آوری کرده‌ایم که شاید خواندن آن برا‎ی‎تان جذاب باشد.

هوش عمومی مصنوعی (AGI-Artificial General Intelligence): مفهومی که به نسخه‌ای پیشرفته‌تر از هوش مصنوعی اشاره دارد، به‌طوری که می‌تواند وظایف را بسیار بهتر از انسان انجام دهد و همزمان توانایی‌های خود را بیاموزد و بهبود بخشد.
عامل‌محور (Agentive): سیستم‌ها یا مدل‌هایی که دارای نوعی استقلال (agency) هستند و می‌توانند به‌طور خودکار اقداماتی را برای رسیدن به یک هدف انجام دهند. در زمینه هوش مصنوعی، یک مدل عامل‌محور می‌تواند بدون نظارت مداوم عمل کند، مانند خودرو‌های خودران سطح بالا. برخلاف چارچوب‌های «عامل‌گرایانه» (agentic) که در پس‌زمینه عمل می‌کنند، چارچوب‌های عامل‌محور مستقیماً بر تجربه کاربر تمرکز دارند.

اخلاق هوش مصنوعی (AI Ethics): مجموعه‌ای از اصول که هدف آن جلوگیری از آسیب رساندن هوش مصنوعی به انسان‌هاست، از جمله تعیین نحوه جمع‌آوری داده‌ها به وسیله سیستم‌های هوش مصنوعی و چگونگی برخورد با سوگیری‌ها.
ایمنی هوش مصنوعی (AI Safety): یک حوزه میان‌رشته‌ای که تأثیرات بلندمدت هوش مصنوعی را بررسی می‎کند و چگونگی پیشرفت ناگهانی آن به سطحی از ابرهوش (super intelligence) را که ممکن است برای انسان‌ها تهدیدآمیز باشد، بررسی می‌کند.

الگوریتم (Algorithm): مجموعه‌ای از دستورالعمل‌ها که به یک برنامه رایانه‌ای امکان می‌دهد داده‌ها را به روش خاصی پردازش کند، الگو‌ها را شناسایی کند و از آنها یاد بگیرد تا بتواند به‌صورت خودکار وظایفی را انجام دهد.
انسان‌انگاری (Anthropomorphism): گرایشی که انسان‌ها به نسبت دادن ویژگی‌های انسانی به اشیای غیرانسانی دارند. در حوزه هوش مصنوعی، این شامل این باور می‌شود که یک چت‌بات از آنچه هست، بیشتر شبیه به انسان و آگاه است؛ مثلاً تصور کنیم یک چت‌بات احساس شادی، ناراحتی یا حتی هوشیاری دارد.

هوش مصنوعی (AI-Artificial Intelligence): استفاده از فناوری برای شبیه‌سازی هوش انسانی، چه در برنامه‌های رایانه‌ای و چه در رباتیک. شاخه‌ای از علوم کامپیوتر که هدف آن ساخت سیستم‌هایی است که بتوانند وظایف انسانی را انجام دهند.
عامل‌های خودمختار (Autonomous Agents): مدل‌های هوش مصنوعی که دارای قابلیت‌ها، برنامه‌ریزی و ابزار‌های لازم برای انجام یک وظیفه خاص هستند. برای نمونه، یک خودروی خودران یک عامل خودمختار است، زیرا با استفاده از حسگرها، GPS و الگوریتم‌های رانندگی می‌تواند مسیر خود را به‌طور مستقل طی کند. پژوهشگران دانشگاه استنفورد نشان داده‌اند عامل‌های خودمختار می‌توانند فرهنگ‌ها، سنت‌ها و زبان مشترک مخصوص به خود را توسعه دهند.
سوگیری (Bias): در مدل‌های زبانی بزرگ، به خطا‌هایی گفته می‌شود که ناشی از داده‌های آموزشی هستند. این خطا‌ها ممکن است سبب شوند مدل، ویژگی‌های خاصی را به‌طور نادرست به گروه‌های مختلف نسبت دهد و کلیشه‌های نادرست را تقویت کند.

چت‌بات (Chatbot): برنامه‌ای که از طریق متن با انسان‌ها ارتباط برقرار کرده و زبان انسانی را شبیه‌سازی می‌کند.
رایانش شناختی (Cognitive Computing): اصطلاح دیگری برای اشاره به هوش مصنوعی.

یادگیری عمیق (Deep Learning): روشی در هوش مصنوعی و زیرشاخه‌ای از یادگیری ماشین که با استفاده از پارامتر‌های متعدد، الگو‌های پیچیده را در تصاویر، صدا و متن شناسایی می‌کند. این روش از ساختار مغز انسان الهام گرفته و از شبکه‌های عصبی مصنوعی برای ایجاد الگو‌ها استفاده می‌کند.

رفتار نوظهور (Emergent Behavior): زمانی که یک مدل هوش مصنوعی توانایی‌هایی را از خود نشان می‌دهد که پیشتر برای آن برنامه‌ریزی نشده‌اند.

یادگیری سرتاسری (End-to-End Learning-E۲E): فرآیندی در یادگیری عمیق که طی آن یک مدل از ابتدا تا انتها برای انجام یک وظیفه آموزش داده می‌شود. برخلاف روش‌های متوالی، مدل به‌صورت یکپارچه از ورودی‌ها یاد می‌گیرد و مسئله را به‌طور کامل حل می‌کند.

ملاحظات اخلاقی (Ethical Considerations): آگاهی از پیامد‌های اخلاقی هوش مصنوعی و مسائل مرتبط با حریم خصوصی، استفاده از داده‌ها، عدالت، سوءاستفاده و سایر موضوعات مرتبط با ایمنی.

فوم (Foom): که با نام «شتاب سریع» یا «تیک‌آف سخت» نیز شناخته می‌شود، مفهومی است که بیان می‌کند اگر یک هوش عمومی مصنوعی (AGI) ایجاد شود، ممکن است دیگر برای نجات بشریت خیلی دیر شده باشد.

هوش مصنوعی تولیدی (Generative AI): فناوری‌ای که با استفاده از هوش مصنوعی محتوا‌هایی مانند متن، ویدئو، کد‌های برنامه‌نویسی یا تصاویر تولید می‌کند. این نوع هوش مصنوعی بر روی حجم وسیعی از داده‌های آموزشی تغذیه شده و از طریق شناسایی الگوها، پاسخ‌های جدیدی را تولید می‌کند که گاهی مشابه داده‌های اصلی هستند.

محافظ‌ها (Guardrails): سیاست‌ها و محدودیت‌هایی که بر مدل‌های هوش مصنوعی اعمال می‌شوند تا از مدیریت مسئولانه داده‌ها اطمینان حاصل شود و از تولید محتوای نامناسب یا مضر جلوگیری شود.

توهم (Hallucination): پاسخ‌های نادرست یا گمراه‌کننده‌ای که هوش مصنوعی تولید می‌کند. در این موارد، مدل هوش مصنوعی با اطمینان پاسخ‌هایی نادرست ارائه می‌دهد، در حالی که علت این رفتار کاملاً مشخص نیست. برای نمونه، اگر از یک چت‌بات پرسیده شود: «لئوناردو داوینچی چه سالی مونالیزا را نقاشی کرد؟» ممکن است پاسخ دهد: «لئوناردو داوینچی مونالیزا را در سال ۱۸۱۵ نقاشی کرد»، در حالی که این اطلاعات ۳۰۰ سال اشتباه است.

استنتاج (Inference): فرآیندی که مدل‌های هوش مصنوعی برای تولید متن، تصاویر و سایر محتوا‌ها بر اساس داده‌های جدید انجام می‌دهند، به این صورت که از داده‌های آموزشی قبلی خود نتیجه‌گیری می‌کنند.

مدل زبانی بزرگ (Large Language Model-LLM): یک مدل هوش مصنوعی که بر روی حجم عظیمی از داده‌های متنی آموزش داده شده تا بتواند زبان را درک کند و محتوای جدیدی را با زبانی شبیه به زبان انسانی تولید کند.

یادگیری ماشین (Machine Learning-ML): یکی از اجزای هوش مصنوعی که به کامپیوتر‌ها اجازه می‌دهد بدون برنامه‌نویسی صریح، یاد بگیرند و پیش‌بینی‌های بهتری انجام دهند. این روش می‌تواند همراه با مجموعه‌های آموزشی (Training Sets) برای تولید محتوای جدید به کار رود.

پردازش زبان طبیعی (Natural Language Processing-NLP): شاخه‌ای از هوش مصنوعی که از یادگیری ماشین و یادگیری عمیق برای درک زبان انسانی از طریق کامپیوتر‌ها استفاده می‌کند. این روش شامل الگوریتم‌های یادگیری، مدل‌های آماری و قوانین زبان‌شناسی است.

شبکه عصبی (Neural Network): یک مدل محاسباتی که ساختاری شبیه به مغز انسان دارد و برای تشخیص الگو‌ها در داده‌ها طراحی شده است. این مدل شامل گره‌های متصل (نورون‌ها) است که با گذر زمان الگو‌ها را شناسایی کرده و یاد می‌گیرند.

پارامتر‌ها (Parameters): مقادیر عددی که به مدل‌های زبانی بزرگ (LLMs) ساختار و رفتار مشخصی می‌دهند و به آنها اجازه می‌دهند پیش‌بینی‌های خود را انجام دهند.

پرومپت (Prompt): سؤال یا پیشنهادی که به یک چت‌بات هوش مصنوعی ارائه می‌دهید تا پاسخ دریافت کنید.

زنجیره‌سازی پرومپت (Prompt Chaining): توانایی هوش مصنوعی در استفاده از اطلاعات تعاملات قبلی برای شکل دادن به پاسخ‌های آینده.

طوطی تصادفی (Stochastic Parrot): یک تشبیه برای مدل‌های زبانی بزرگ (LLMs) که نشان می‌دهد این نرم‌افزار‌ها بدون داشتن درک عمیق از معنای زبان یا دنیای اطراف، می‌توانند خروجی‌هایی قانع‌کننده تولید کنند. این اصطلاح به این واقعیت اشاره دارد که یک طوطی می‌تواند کلمات انسان‌ها را تقلید کند، بدون آنکه معنای آنها را درک کند.

داده‌های آموزشی (Training Data): مجموعه داده‌هایی شامل متن، تصویر، کد یا اطلاعات دیگر که برای آموزش مدل‌های هوش مصنوعی استفاده می‌شود.

آزمون تورینگ (Turing Test): آزمایشی که توانایی یک ماشین را در تقلید رفتار انسانی ارزیابی می‌کند. این آزمون را «آلن تورینگ» ریاضی‌دان و دانشمند کامپیوتر معرفی کرد. اگر یک انسان نتواند تشخیص دهد که پاسخ‌های ارائه شده از طریق یک ماشین است یا یک انسان، ماشین آزمون را با موفقیت پشت سر گذاشته است.

هوش مصنوعی ضعیف یا هوش مصنوعی محدود (Weak AI / Narrow AI): نوعی از هوش مصنوعی که برای انجام یک وظیفه خاص طراحی شده و قادر به یادگیری فراتر از مهارت‌های خود نیست. بیشتر سیستم‌های هوش مصنوعی امروزی در این دسته قرار دارند.