هوش مصنوعی توضیح داده شد: از الگوها تا عامل‌ها و مدل‌های پیشرو
هوش مصنوعی یک ماشین متفکر واحد نیست، بلکه خانواده‌ای از سامانه‌هاست که برای یافتن الگوها، انجام پیش‌بینی‌ها و تولید خروجی‌ها آموزش دیده‌اند یا برنامه‌ریزی شده‌اند. همین تفاوت، هم پیشرفت‌های چشمگیر و هم محدودیت‌های نابرابر پشت خبرهای امروز درباره هوش مصنوعی را توضیح می‌دهد.
منظور از «هوش مصنوعی» چیست؟
برای هوش مصنوعی یک تعریف واحد که در همه کاربردها صدق کند وجود ندارد. مؤسسه ملی استاندارد و فناوری آمریکا (NIST) یک سامانه هوش مصنوعی را سامانه‌ای توصیف می‌کند که می‌تواند «پیش‌بینی‌ها، توصیه‌ها یا تصمیم‌هایی» انجام دهد که بر محیط‌های واقعی یا مجازی اثر می‌گذارند. فیلترهای هرزنامه، مسیریاب‌ها، دسته‌بندی‌کننده‌های تصویر و چت‌بات‌ها همگی برای وظایف متفاوت از هوش مصنوعی استفاده می‌کنند.
برخی سامانه‌ها از قوانین نوشته‌شده توسط انسان پیروی می‌کنند. در یادگیری ماشین، نرم‌افزار به‌جای پیروی صرف از قوانین، از نمونه‌ها الگو می‌آموزد و پارامترهای داخلی خود را برای انجام یک وظیفه تنظیم می‌کند. این پارامترهای آموخته‌شده که اغلب «وزن‌ها» نامیده می‌شوند، مجموعه‌ای مرتب از واقعیت‌های قابل خواندن برای انسان نیستند.
یک نقشه ساده از گسترش این حوزه چنین است:
- قوانین: انسان‌ها تصمیم‌ها را به‌طور مستقیم مشخص می‌کنند.
- یادگیری ماشین: نرم‌افزار از نمونه‌ها الگو می‌آموزد تا دسته‌بندی یا پیش‌بینی انجام دهد.
- یادگیری عمیق: شبکه‌های عصبی چندلایه در مجموعه‌داده‌های بزرگ، الگوهای پیچیده‌تری را یاد می‌گیرند.
- هوش مصنوعی مولد: مدل‌ها بر اساس الگوهای آموخته‌شده، متن، تصویر، صدا، ویدئو یا کد جدید تولید می‌کنند.
- عامل‌های هوش مصنوعی: یک مدل به ابزارها متصل می‌شود و اجازه می‌یابد برای رسیدن به یک هدف، گاهی با تأیید انسان، اقداماتی انجام دهد.
این دسته‌بندی یک نقشه آموزشی است، نه نردبانی که در آن هر مرحله جای مرحله قبل را بگیرد. نرم‌افزارهای مبتنی بر قانون همچنان کاربرد دارند و محصولات مختلف اغلب چند رویکرد را با هم ترکیب می‌کنند.
چت‌بات چگونه پاسخ تولید می‌کند؟
بسیاری از چت‌بات‌ها از مدل‌های زبانی بزرگ (LLM) استفاده می‌کنند. متن به توکن‌ها تقسیم می‌شود؛ این توکن‌ها می‌توانند واژه‌های کامل، بخش‌هایی از واژه‌ها یا علائم نگارشی باشند. مدل تخمین می‌زند پس از درخواست کاربر کدام توکن باید بیاید و این فرایند را تکرار می‌کند تا یک پاسخ شکل بگیرد.
گزارش فنی GPT-4 از شرکت OpenAI توضیح می‌دهد که این مدل در مرحله پیش‌آموزش برای «پیش‌بینی توکن بعدی» آموزش دیده است. یک دستیار ارائه‌شده به کاربران ممکن است علاوه بر مدل، از دستورهای نرم‌افزاری، جست‌وجو، اجرای کد، پردازش تصویر یا صدا، فیلترهای ایمنی و ابزارهای دیگر نیز استفاده کند.
معماری Transformer که در سال ۲۰۱۷ معرفی شد، با استفاده از «سازوکارهای توجه» امکان پردازش موازی روابط میان بخش‌های یک دنباله را در زمان آموزش فراهم کرد و به پایه مهمی برای بسیاری از مدل‌های زبانی تبدیل شد. پیشرفت این حوزه همچنین به داده‌ها، سخت‌افزار محاسباتی، طراحی مدل، آموزش پس از پیش‌آموزش و آزمون‌ها وابسته است.
پیش‌آموزش، الگوهای گسترده را به مدل می‌آموزد؛ آموزش‌های بعدی می‌توانند توانایی پیروی از دستورها را بهبود دهند. وقتی کاربر یک درخواست ارسال می‌کند، مرحله استنتاج از مدل آموخته‌شده برای تولید خروجی استفاده می‌کند. این فرایند معمولاً باعث یادگیری دائمی از همان گفت‌وگوی واحد نمی‌شود.
منظور واقعی از اینکه «هوش مصنوعی پیشرفت زیادی کرده» چیست؟
رایانه‌ها اکنون می‌توانند طیف گسترده‌تری از وظایف مرتبط با زبان، تصویر، صدا، برنامه‌نویسی، علوم و کار با رایانه را انجام دهند؛ بسیاری از این قابلیت‌ها از طریق برنامه‌های روزمره در دسترس هستند. برخی مدل‌ها چند نوع ورودی را می‌پذیرند و عامل‌ها می‌توانند ابزارها را فراخوانی کنند یا با رابط‌ها کار کنند.
با این حال، توانایی‌ها به‌شدت متفاوت است. گزارش شاخص هوش مصنوعی ۲۰۲۶ مؤسسه Stanford HAI نشان می‌دهد عامل‌های پیشرو در آزمون OSWorld برای وظایف رایانه‌ای امتیاز ۶۶٫۳ درصد کسب کرده‌اند، در حالی که خط مبنای انسانی ۷۲٫۳۵ درصد بوده است؛ یعنی عامل‌ها همچنان در حدود یک‌سوم تلاش‌های ساختاریافته شکست می‌خورند. در ارزیابی ذکرشده، ربات‌ها تنها در ۱۲ درصد از وظایف واقعی خانگی موفق بودند، هرچند در شبیه‌سازی‌ها عملکرد بهتری داشتند.
این اعداد به این معنا نیستند که یک عامل «۶۶ درصد هوشمند» است یا ربات‌ها می‌توانند ۱۲ درصد از همه کارهای خانه را انجام دهند. این معیارها فقط وظایف مشخصی را اندازه‌گیری می‌کنند. یک مدل ممکن است مسائل دشوار ریاضی را حل کند اما همچنان ساعت را اشتباه بخواند یا اطلاعاتی ساختگی ارائه دهد. پژوهشگران Stanford این توانایی نابرابر را «مرز دندانه‌دار» توصیف می‌کنند.
چرا یک پاسخ روان می‌تواند همچنان اشتباه باشد؟
مدل زبانی دنباله‌های محتمل را تولید می‌کند و تضمین نمی‌کند که هر جمله حقیقت دارد. ممکن است با وجود کمبود اطلاعات، پاسخی مطمئن به نظر برسد یا جزئیاتی باورپذیر اما ساختگی ایجاد کند. جست‌وجو می‌تواند شواهد ارائه دهد، اما دستیار همچنان ممکن است آن شواهد را اشتباه تفسیر کند.
آزمون‌های معیار، وظایف مشخصی را بررسی می‌کنند، ممکن است برای مدل‌ها آشنا شوند و گاهی شامل پرسش‌های مشکل‌دار باشند. بررسی سال ۲۰۲۶ Stanford HAI وجود پرسش‌های نامعتبر در چند ارزیابی را مطرح کرده است. امتیاز بالا به‌تنهایی نشانه قابل اعتماد بودن سامانه در میان افراد، زبان‌ها یا تصمیم‌های حساس نیست.
پیش از اعتماد به یک خروجی، باید پرسید:
- چه وظیفه دقیقی آزمایش شده و آیا آزمون مستقل و به‌روز بوده است؟
- آیا ادعاهای مهم را می‌توان با اسناد اصلی یا افراد متخصص بررسی کرد؟
- وقتی سامانه نامطمئن است، با موارد غیرمعمول روبه‌رو می‌شود یا اشتباه می‌کند چه اتفاقی می‌افتد؟
مرحله بعدی چیست و مردم باید به چه چیزهایی توجه کنند؟
رقابت فقط برای ساخت مدل‌های بزرگ‌تر نیست. پژوهشگران همچنین تلاش می‌کنند هزینه‌ها را کاهش دهند، کار با تصویر و صدا را بهبود بخشند، انجام کارهای چندمرحله‌ای را بهتر کنند و اتصال ابزارها را ایمن‌تر سازند. واژه «عامل» یعنی یک سامانه می‌تواند اقدام کند؛ اما به این معنا نیست که باید بدون نظارت رها شود.
کاربران باید بررسی کنند که آیا یک ابزار برای وظیفه موردنظرشان مناسب است، زبان و زمینه محلی را درک می‌کند، از داده‌ها محافظت می‌کند، منابع قابل بررسی ارائه می‌دهد و امکان بازبینی یا بازگرداندن تصمیم‌ها را فراهم می‌کند. خبرنگاران نیز باید میان نمایش‌های آزمایشی و نتایج اندازه‌گیری‌شده، معیارهای آزمایشگاهی و قابلیت اطمینان روزمره، و ویژگی‌های اعلام‌شده و خدمات عرضه‌شده تفاوت بگذارند.
هوش مصنوعی در تشخیص الگو، تولید محتوا و انجام وظایف محدود پیشرفت کرده است. اما هنوز از مرز میان «غیرهوشمند» و «هم‌سطح انسان» عبور نکرده است. پیشرفت واقعی است، اما یکنواخت نیست؛ درک این موضوع بهتر از بزرگ‌نمایی یا رد کامل آن است.
منابع و شواهد
منابع مرتبط با شواهد این مقاله در فهرست اصلی آن ارائه شده‌اند. بررسی منابع اصلی برای ارزیابی ادعاها و زمینه آن‌ها ضروری است. فهرست ارجاعات به‌خودی‌خود نشان‌دهنده تأیید مستقل نیست.
- واژه‌نامه هوش مصنوعی — مؤسسه ملی استاندارد و فناوری آمریکا (NIST)
- واژه‌نامه هوش مصنوعی مولد — NIST
- گزارش فنی GPT-4 — OpenAI
- آموزش مدل‌های زبانی برای پیروی از دستورها با بازخورد انسانی — OpenAI
- Attention Is All You Need — Vaswani و همکاران
- عملکرد فنی — گزارش شاخص هوش مصنوعی ۲۰۲۶ Stanford HAI
- هوش مصنوعی مسئولانه — گزارش شاخص هوش مصنوعی ۲۰۲۶ Stanford HAI