هوش مصنوعی دقیقا چیست؟

اگر بخواهم خیلی کوتاه جواب بدهم، هوش مصنوعی به سیستم هایی گفته می شود که می توانند کارهایی را انجام دهند که قبلا برای انجامشان به بخشی از توانایی های ذهنی انسان نیاز داشتیم.

تشخیص چهره، فهمیدن متن، ترجمه، پیشنهاد فیلم، پیدا کردن تقلب بانکی، نوشتن کد، ساختن تصویر، پاسخ دادن به سوال و حتی پیش بینی خرابی یک دستگاه، همه می توانند نمونه هایی از کاربرد هوش مصنوعی باشند.

اما همین تعریف یک مشکل دارد: ممکن است این تصور را ایجاد کند که پشت هر سیستم AI یک «ذهن مصنوعی» نشسته که مثل انسان فکر می کند.

در بیشتر موارد چنین چیزی وجود ندارد.

هوش مصنوعی امروز بیشتر از آنکه شبیه یک مغز مصنوعی باشد، مجموعه ای از مدل های ریاضی و الگوریتم هایی است که از حجم بزرگی از داده الگو یاد می گیرند و بعد بر اساس آن الگوها پیش بینی می کنند.

و همین کلمه «پیش بینی» یکی از مهم ترین کلیدها برای فهمیدن AI است.

یک مثال ساده: تشخیص گربه در تصویر

فرض کنید می خواهیم سیستمی بسازیم که بتواند تشخیص دهد در یک عکس گربه وجود دارد یا نه.

در روش سنتی برنامه نویسی باید خودمان برای کامپیوتر قانون تعریف می کردیم:

• گوش گربه معمولا این شکلی است.
• چشم ها چنین ویژگی هایی دارند.
• فاصله اجزای صورت تقریبا این مقدار است.
• بدن و دم معمولا چنین الگویی دارند.

خیلی زود متوجه می شویم نوشتن تمام این قوانین تقریبا غیرممکن است. یک گربه می تواند سفید یا سیاه باشد، خوابیده باشد، نصف صورتش دیده شود یا حتی پشت یک مبل پنهان شده باشد.

در یادگیری ماشین روش را عوض می کنیم.

به جای اینکه قوانین را به سیستم بدهیم، تعداد زیادی نمونه به آن نشان می دهیم: عکس هایی که گربه دارند و عکس هایی که ندارند.

مدل در جریان آموزش تلاش می کند الگوهایی پیدا کند که این دو گروه را از هم جدا می کنند. بعد وقتی عکس جدیدی می بیند، بر اساس الگوهایی که یاد گرفته احتمال می دهد که تصویر شامل گربه هست یا نه.

به زبان ساده:

در برنامه نویسی سنتی، انسان قانون می نویسد. در بسیاری از سیستم های هوش مصنوعی، انسان داده و هدف را فراهم می کند و مدل بخشی از الگو را خودش از داده یاد می گیرد.

پس هوش مصنوعی با یادگیری ماشین چه فرقی دارد؟

این دو اصطلاح زیاد به جای هم استفاده می شوند، اما دقیقا یک چیز نیستند.

هوش مصنوعی یا AI یک مفهوم بزرگ تر است. هدف آن ساخت سیستم هایی است که بتوانند رفتارهایی شبیه توانایی های هوشمندانه نشان دهند.

یادگیری ماشین یا Machine Learning یکی از روش های ساخت چنین سیستم هایی است. در این روش به جای نوشتن تمام قوانین به صورت دستی، مدل از داده یاد می گیرد.

و داخل یادگیری ماشین، شاخه دیگری به نام یادگیری عمیق یا Deep Learning وجود دارد که از شبکه های عصبی چندلایه استفاده می کند و پایه بسیاری از پیشرفت های بزرگ سال های اخیر است.

اگر بخواهیم خیلی ساده تصویرش کنیم:

هوش مصنوعی AI
└── یادگیری ماشین Machine Learning
    └── یادگیری عمیق Deep Learning

این تقسیم بندی صددرصد کامل نیست، اما برای شروع تصویر ذهنی خوبی می دهد.

ChatGPT کجای این داستان قرار می گیرد؟

ChatGPT و ابزارهای مشابه بر پایه نوعی مدل به نام مدل زبانی بزرگ یا LLM ساخته شده اند.

یک مدل زبانی در ساده ترین توضیح، تلاش می کند با دیدن متن قبلی حدس بزند ادامه مناسب متن چیست.

مثلا اگر بنویسیم:

آسمان در یک روز بدون ابر معمولا ... است.

مدل احتمالا کلمه ای مثل «آبی» را انتخاب می کند.

البته مدل های امروزی این کار را در مقیاسی بسیار بزرگ تر و پیچیده تر انجام می دهند. آنها در زمان آموزش حجم عظیمی از متن را می بینند و روابط میان کلمات، مفاهیم، سبک های نوشتاری، ساختار کد، الگوهای استدلال و بسیاری چیزهای دیگر را یاد می گیرند.

نتیجه این است که می توانند:

• متن بنویسند.
• خلاصه کنند.
• ترجمه کنند.
• کد تولید کنند.
• درباره یک موضوع توضیح بدهند.
• اطلاعات را دسته بندی کنند.
• از روی چند مثال، الگوی جدید بسازند.
• در بعضی مسائل چند مرحله استدلال انجام دهند.

اما نکته مهم اینجاست: مدل زبانی در اصل یک ماشین پیش بینی بسیار پیشرفته است.

اینکه خروجی آن گاهی شبیه صحبت کردن یک انسان متخصص به نظر می رسد، به این معنی نیست که دقیقا مثل انسان فکر می کند.

آیا AI واقعا «می فهمد»؟

این سوال ساده نیست و حتی میان پژوهشگران هم درباره تعریف دقیق «فهمیدن» توافق کامل وجود ندارد.

اما برای استفاده روزمره بهتر است یک اصل عملی را در ذهن داشته باشیم:

رفتار هوشمندانه را با فهم انسانی یکی نگیریم.

یک مدل می تواند درباره سرطان توضیح بسیار خوبی بدهد، بدون اینکه تجربه ای از بیماری، درد یا بدن انسان داشته باشد.

می تواند درباره عشق شعر بنویسد، بدون اینکه عاشق شده باشد.

می تواند درباره خرابی یک سرور پیشنهاد فنی بدهد، بدون اینکه هیچ وقت کنار یک رک واقعی ایستاده باشد.

آنچه دارد، مجموعه عظیمی از الگوها و روابطی است که در زمان آموزش یاد گرفته است.

این تفاوت مهم است، چون کمک می کند خروجی AI را بیش از حد قابل اعتماد تصور نکنیم.

چرا هوش مصنوعی اشتباه می کند؟

یکی از اشتباه های رایج این است که فکر کنیم اگر یک سیستم با اعتماد به نفس جواب می دهد، حتما جوابش را «می داند».

مدل های مولد مثل ChatGPT معمولا در حال ساختن محتمل ترین پاسخ هستند، نه مراجعه به یک کتاب حقیقت مطلق.

گاهی الگوهای موجود در مدل به پاسخ درست منجر می شوند و گاهی نه.

به همین دلیل ممکن است مدل:

• عدد یا تاریخ اشتباه بدهد.
• منبعی را اشتباه نقل کند.
• اسم مقاله یا کتابی را بسازد که وجود ندارد.
• درباره موضوعی که مطمئن نیست، با لحن بسیار مطمئن صحبت کند.

به این رفتار معمولا Hallucination یا توهم مدل گفته می شود.

پس یکی از مهم ترین مهارت های کار با AI این است که بدانیم:

خروجی هوش مصنوعی «پیشنهاد قابل بررسی» است، نه حقیقت تضمین شده.

هوش مصنوعی فقط ChatGPT نیست

در چند سال اخیر، برای خیلی از افراد AI تقریبا مترادف ChatGPT شده است. اما هوش مصنوعی خیلی گسترده تر است.

احتمالا سال ها قبل از ChatGPT هم روزانه با AI سر و کار داشته اید.

برای مثال:

• سیستم پیشنهاد فیلم در Netflix یا YouTube
• فیلتر کردن ایمیل های Spam
• تشخیص چهره در موبایل
• پیشنهاد مسیر در مسیریاب
• تشخیص تراکنش های مشکوک بانکی
• پیشنهاد محصول در فروشگاه های اینترنتی
• تشخیص اشیا در دوربین خودرو
• تبدیل صدا به متن
• ترجمه خودکار

ChatGPT فقط یک شاخه بسیار محبوب از AI را به مردم نشان داد: هوش مصنوعی مولد یا Generative AI.

هوش مصنوعی مولد چیست؟

بسیاری از سیستم های قدیمی AI بیشتر برای تشخیص، دسته بندی یا پیش بینی ساخته می شدند.

مثلا:

• آیا این تراکنش تقلبی است؟
• این تصویر گربه است یا سگ؟
• این مشتری احتمالا خرید می کند یا نه؟

هوش مصنوعی مولد یک قدم دیگر جلو می رود و می تواند محتوای جدید تولید کند:

• متن
• تصویر
• صدا
• ویدئو
• کد
• موسیقی

مدل های زبانی مثل GPT و Claude برای متن و کد، و مدل های تصویرساز برای تولید تصویر، نمونه های معروف این گروه هستند.

آیا AI فقط از اطلاعات اینترنت کپی می کند؟

نه، حداقل نه به آن معنای ساده ای که معمولا تصور می شود.

مدل در زمان آموزش معمولا متن ها را مثل یک موتور جستجو داخل خودش ذخیره نمی کند تا بعد همان پاراگراف را بیرون بکشد. آموزش باعث تغییر میلیاردها پارامتر عددی در مدل می شود تا روابط و الگوهای موجود در داده را یاد بگیرد.

برای همین مدل می تواند جمله ای تولید کند که دقیقا در داده آموزشی وجود نداشته است.

البته این موضوع به این معنی نیست که مدل هرگز بخشی از داده های آموزشی را بازتولید نمی کند یا مسائل کپی رایت وجود ندارند. این حوزه همچنان موضوع مهم پژوهش، سیاست گذاری و دعوای حقوقی است.

اما از نظر فنی، بهتر است مدل زبانی را پایگاه داده ای که جواب را از آن کپی می کند تصور نکنیم.

هوش مصنوعی چه چیزهایی را خوب انجام می دهد؟

AI زمانی بیشترین ارزش را دارد که مسئله شامل الگو، حجم زیاد اطلاعات، تکرار یا تولید اولیه محتوا باشد.

مثلا:

• خلاصه کردن چند صفحه متن
• پیدا کردن الگو در داده ها
• ساخت پیش نویس یک ایمیل یا گزارش
• تبدیل توضیح انسانی به کد اولیه
• دسته بندی هزاران پیام
• استخراج اطلاعات از سندها
• کمک به جستجو و تحقیق
• تولید چند ایده برای شروع
• ساخت نسخه اولیه تصویر یا طراحی

در بسیاری از این کارها AI می تواند سرعت انسان را چند برابر کند.

اما سرعت بیشتر به معنی حذف نیاز به انسان نیست.

چه چیزهایی را نباید به AI بسپاریم؟

هر چه هزینه یک اشتباه بیشتر باشد، نیاز به بررسی انسانی هم بیشتر می شود.

نباید بدون کنترل، تصمیم های مهم پزشکی، مالی، حقوقی، امنیتی یا سازمانی را فقط بر اساس یک پاسخ AI بگیریم.

همچنین نباید اطلاعات حساس و محرمانه را بدون فهمیدن سیاست های سرویس مورد استفاده داخل هر ابزار هوش مصنوعی وارد کنیم.

در کارهای حرفه ای، الگوی بهتر معمولا این است:

انسان مسئله را تعریف می کند
        ↓
AI سرعت و گزینه ایجاد می کند
        ↓
انسان بررسی، تصمیم و مسئولیت را بر عهده می گیرد

آیا هوش مصنوعی جای انسان را می گیرد؟

این سوال از خود AI بزرگ تر است و جواب آن برای همه شغل ها یکسان نیست.

اما چیزی که همین حالا می توان دید این است که AI در بسیاری از کارها بخشی از وظایف را تغییر می دهد، نه اینکه یک شبه کل شغل را حذف کند.

برنامه نویس هنوز لازم است، اما شیوه نوشتن کد تغییر کرده است.

طراح هنوز لازم است، اما تولید ایده و نسخه اولیه سریع تر شده است.

کارشناس IT هنوز لازم است، اما می تواند برای مستندسازی، تحلیل لاگ یا ساخت اسکریپت از AI کمک بگیرد.

مترجم، نویسنده، تحلیلگر، مدرس و بسیاری شغل های دیگر هم با همین تغییر روبرو هستند.

به همین دلیل به جای اینکه فقط بپرسیم «AI شغل من را می گیرد؟» شاید سوال مفیدتر این باشد:

کدام بخش از کار من با AI سریع تر یا بهتر می شود و من باید چه مهارتی را قوی تر کنم؟

سه تصور اشتباه درباره هوش مصنوعی

۱. هوش مصنوعی همه چیز را می داند

نه. مدل می تواند اطلاعات ناقص، قدیمی یا اشتباه داشته باشد و حتی وقتی نمی داند، پاسخ بسازد.

۲. هر خروجی حرفه ای یعنی مدل واقعا موضوع را فهمیده

نه لزوما. کیفیت زبان و کیفیت حقیقت دو چیز متفاوت هستند.

۳. برای استفاده از AI باید متخصص کامپیوتر باشیم

خیر. بیشتر ابزارهای جدید عمدا طوری طراحی شده اند که با زبان طبیعی با آنها کار کنیم. البته هر چه بهتر بفهمیم مدل چه کار می کند و چگونه باید درخواست را ساخت، خروجی بهتری می گیریم.

اگر بخواهیم یک تعریف دقیق تر داشته باشیم

حالا می توانیم تعریف ابتدای مقاله را کمی کامل تر کنیم:

هوش مصنوعی مجموعه ای از روش ها و سیستم های محاسباتی است که برای انجام وظایفی مثل تشخیص الگو، پیش بینی، تصمیم گیری، درک زبان و تولید محتوا طراحی شده اند؛ وظایفی که معمولا آنها را با رفتار هوشمندانه مرتبط می دانیم.

بخش بزرگی از AI مدرن با یادگیری از داده ساخته می شود، نه با نوشتن تک تک قوانین به صورت دستی.

و ابزارهایی مثل ChatGPT نمونه ای از هوش مصنوعی مولد هستند که با استفاده از مدل های زبانی بزرگ می توانند بر اساس الگوهایی که یاد گرفته اند، متن و اطلاعات جدید تولید کنند.

چیزی که واقعا باید از این مقاله به خاطر بسپارید

لازم نیست برای استفاده از AI تمام ریاضیات شبکه عصبی را بدانید.

اما چند نکته را بهتر است همیشه در ذهن داشته باشید:

1. AI جادو نیست؛ یک سیستم محاسباتی بسیار پیشرفته است.
2. بیشتر مدل های مدرن از داده الگو یاد می گیرند.
3. ChatGPT فقط یکی از انواع هوش مصنوعی است.
4. خروجی AI می تواند بسیار خوب و در عین حال اشتباه باشد.
5. توانایی تولید جواب را نباید با فهم و تجربه انسانی یکی دانست.
6. بهترین استفاده از AI معمولا همکاری انسان و ماشین است، نه اعتماد کامل به یکی از آنها.

اگر این شش نکته را بفهمید، برای یاد گرفتن بقیه مفاهیم هوش مصنوعی پایه بسیار خوبی دارید.

در مقاله بعدی می توانیم یک لایه عمیق تر برویم و ببینیم ChatGPT، Claude، Gemini و مدل های مشابه دقیقا چگونه متن تولید می کنند و LLM واقعا چیست.