می توان هوش مصنوعی (AI) را توانایی کامپیوترها برای انجام کارهایی مانند هوش انسان مثل یادگیری، تشخیص تصویر و گفت وگو نام برد. این فناوری با تحلیل حجم عظیمی از داده، الگوها را پیدا می کند و بر پایه همان الگوها تصمیم می گیرد یا پیش بینی می کند(درست مثل کودکی که با دیدن نمونه های زیاد، گربه را از سگ تشخیص می دهد).
هوش مصنوعی از خیلی وقت در زندگی ما ادغام شده است ولی شاید متوجه نشده اید. وقتی گوشی تان چهره شما را می شناسد، وقتی نقشه بهترین مسیر را پیشنهاد می دهد، یا وقتی از یک چت بات جواب می گیرید، پای هوش مصنوعی در میان است. در این راهنما بدون فرمول و اصطلاح پیچیده سه چیز را روشن می کنیم: این فناوری دقیقا چیست؟ پشت پرده چطور کار می کند؟ و چرا این روزها این قدر سروصدا به پا کرده است؟
هوش مصنوعی چیست؟ (تعریف ساده)
هوش مصنوعی یک برنامه یا ماشین است که می تواند کارهایی شبیه به کارهای فکری انسان انجام دهد. نکته کلیدی این است همیشه برای هر حالتی به صورت دستی برنامه ریزی نمی شود یعنی داده ها را آنالیز و جمع آوری می کند و خودش تصمیم می گیرد. اما این ایده واقعا جدید نیست و ریشه اش به دهه ها قبل برمی گردد. در سال 1950 آلن تورینگ ریاضی دان پرسید آیا ماشین می تواند فکر کند و آزمونی پیشنهاد داد که امروز به «آزمون تورینگ» معروف است.
هوش مصنوعی به زبان خیلی ساده
فرض کنید می خواهید به یک کودک یاد بدهید گربه را تشخیص دهد. به جای اینکه تمام ویژگی های گربه را برایش توضیح دهید، عکس های زیادی از گربه و حیوانات دیگر نشان می دهید. کودک بعد از دیدن مثال های مختلف، کم کم یاد می گیرد گربه چه شکلی است.
هوش مصنوعی هم تقریبا به همین روش یاد می گیرد. مثلا برای تشخیص ایمیل های تبلیغاتی، تعداد زیادی ایمیل اسپم و معمولی به آن نشان می دهند. هوش مصنوعی با بررسی این ایمیل ها متوجه می شود که وجود بعضی کلمات، لینک های مشکوک یا وعده های غیرواقعی معمولا نشانه اسپم بودن ایمیل است.
تفاوت هوش مصنوعی با نرم افزارهای معمولی همین است. در نرم افزار معمولی، برنامه نویس باید تمام دستورها و شرایط را از قبل مشخص کند، اما هوش مصنوعی با دیدن مثال های زیاد، الگوها و قواعد را خودش پیدا می کند. ایده اصلی ساده است، اما وقتی تعداد مثال ها و اطلاعات بسیار زیاد می شود، کار پیچیده تر خواهد شد.
هوش مصنوعی دقیقاً چه کارهایی انجام می دهد؟
کارهای این فناوری معمولا در چند دسته کلی قرار می گیرند:
– تشخیص و طبقه بندی: شناختن چهره در عکس، جدا کردن ایمیل اسپم، یا تشخیص یک بیماری از روی تصویر پزشکی (که به آن بینایی ماشین می گویند).
– پیش بینی: حدس زدن اینکه فردا چه محصولی می خرید یا قیمت یک سهم به کدام سمت می رود.
– تولید محتوا: ساختن متن، تصویر یا صدای تازه بر اساس درخواست شما؛ همان چیزی که به آن «هوش مصنوعی مولد» می گویند.
– درک زبان: فهمیدن سوال شما و پاسخ دادن به آن (که به آن پردازش زبان طبیعی یا NLP می گویند)، مثل کاری که دستیارهای صوتی انجام می دهند.
هوش مصنوعی چطور کار می کند؟ (4 مرحله ساده)
شاید مهم ترین سوال همین باشد که هوش مصنوعی چطور کار می کند؟ بیایید اول با یک مثال آشنا شروع کنیم: تشبیه آموزش یک کودک برای تشخیص گربه
فرض کنید می خواهید به یک کودک یاد بدهید گربه را بشناسد. ده ها عکس گربه را نشان می دهید و هر بار می گویید «این گربه است». بعد از مدتی، کودک حتی گربه ای را که تا حالا ندیده تشخیص می دهد، چون الگوی کلی گربه بودن را یاد گرفته است یعنی: گوش های نوک تیز، سبیل، شکل صورت. هوش مصنوعی هم دقیقا همین کار را می کند، فقط به جای ده ها عکس گاهی میلیون ها نمونه می بیند و به جای مغز، از محاسبات ریاضی استفاده می کند.
بیشتر بخوانید: بهترین ابزارهای هوش مصنوعی
چهار مرحله: داده ← آموزش ← الگو ← پیش بینی
حالا بیایید ببینیم یک سیستم هوش مصنوعی چگونه یاد می گیرد. این فرایند معمولا در چند مرحله انجام می شود:
1. جمع آوری داده ها
در مرحله اول، اطلاعات زیادی درباره موضوع مورد نظر جمع می شود. این اطلاعات می تواند شامل عکس، متن، صدا یا رفتار کاربران باشد. مثلا برای ساخت هوش مصنوعی تشخیص گربه، هزاران عکس از گربه ها و حیوانات دیگر جمع می شود. روی هر عکس نیز مشخص می کنند که تصویر مربوط به گربه است یا نه. داده ها مانند کتاب آموزشی هوش مصنوعی هستند. هرچه این اطلاعات دقیق تر، کامل تر و متنوع تر باشند، نتیجه نهایی بهتر خواهد بود.
2. آموزش مدل
در مرحله بعد، هوش مصنوعی داده ها را بارها بررسی می کند تا رابطه میان اطلاعات ورودی و پاسخ درست را یاد بگیرد. مثلا یک عکس به سیستم نشان داده می شود و از آن می خواهند تشخیص دهد که آیا گربه در تصویر وجود دارد یا نه. اگر پاسخ اشتباه باشد، سیستم متوجه خطای خود می شود و روش تشخیصش را کمی تغییر می دهد. این اتفاق هزاران یا حتی میلیون ها بار تکرار می شود. هوش مصنوعی با هر اشتباه، کمی بهتر می شود، درست مانند دانش آموزی که با حل تمرین و بررسی پاسخ های اشتباه، موضوع را یاد می گیرد.
3. پیدا کردن الگوها
پس از دیدن مثال های زیاد، هوش مصنوعی کم کم الگوهای مشترک را پیدا می کند. مثلا یاد می گیرد که گوش های نوک تیز، چشم ها، شکل صورت، سبیل و فرم بدن معمولا در تصاویر گربه دیده می شوند. البته سیستم مفهوم گربه را مانند انسان درک نمی کند؛ بلکه ترکیب رنگ ها، خطوط و پیکسل هایی را پیدا می کند که معمولا در عکس گربه وجود دارند. در نتیجه، وقتی عکس جدیدی به آن نشان داده می شود، الگوهای موجود در تصویر را با چیزهایی که قبلا یاد گرفته مقایسه می کند و احتمال می دهد که تصویر مربوط به گربه است یا نه.
4. پیش بینی یا استنتاج (Inference)
حالا وقتی یک ورودی تازه می دهید (عکسی که قبلاً ندیده)، بر اساس همان الگوها جواب می دهد. این همان لحظه ای است که شما به عنوان کاربر با آن روبه رو می شوید.
پژوهشگران یادگیری ماشین می گویند قدرت هوش مصنوعی فقط به فرمول ها و الگوریتم های پیچیده وابسته نیست. حجم، تنوع و کیفیت اطلاعاتی که برای آموزش در اختیار آن قرار می گیرد، نقش بسیار مهم تری دارد. برای مثال، اگر تصاویر آموزشی گربه کم، بی کیفیت یا اشتباه برچسب گذاری شده باشند، هوش مصنوعی نیز گربه ها را به درستی تشخیص نمی دهد. درست مانند دانش آموزی که با کتاب اشتباه درس خوانده باشد.
به همین دلیل، هوش مصنوعی گاهی اشتباه می کند. حتی ممکن است پاسخ نادرستی بدهد، اما آن را با اطمینان کامل بیان کند. در بخش های بعدی، محدودیت ها و دلیل این اشتباه ها را دقیق تر بررسی می کنیم.
انواع هوش مصنوعی از محدود تا ابرهوش
وقتی خبرها از هوش مصنوعی حرف می زنند، همیشه منظورشان یک چیز نیست. متخصص ها معمولا این فناوری را بر اساس میزان توانایی به سه سطح تقسیم می کنند.
|
نوع |
توضیح ساده |
وضعیت امروز |
|
هوش مصنوعی محدود (Narrow AI) |
فقط در یک کار خاص خوب است؛ مثل تشخیص چهره یا پیشنهاد فیلم |
تنها نوعی که امروز واقعاً وجود دارد |
|
هوش مصنوعی عمومی (AGI) |
می تواند مثل انسان هر کار فکری ای را یاد بگیرد |
هنوز ساخته نشده؛ در حد پژوهش |
|
ابرهوش (Super AI) |
ماشینی که از هوش انسان فراتر می رود |
کاملاً فرضی و مربوط به آینده |
پس وقتی با چت جی پی تی یا دستیار گوشی تان کار می کنید، در حال استفاده از هوش مصنوعی محدود هستید. آن ربات های باهوش فیلم های علمی تخیلی که احساس دارند و نقشه می کشند، فعلا فقط در پرده سینما هستند.
تفاوت هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و شبکه عصبی
این چهار اصطلاح معمولا کنار هم دیده می شوند، اما معنی یکسانی ندارند. برای درک ساده تر، می توان آن ها را مانند چند دایره تو در تو تصور کرد.
بزرگ ترین دایره، هوش مصنوعی است. این اصطلاح به هر سیستم یا ماشینی گفته می شود که بتواند کاری شبیه رفتار هوشمند انسان انجام دهد؛ مانند تشخیص تصویر، پاسخ دادن به سوال یا پیشنهاد دادن محصول.
داخل هوش مصنوعی، یادگیری ماشین قرار می گیرد. در یادگیری ماشین، به جای اینکه همه دستورها را از قبل بنویسیم، سیستم با بررسی داده ها و مثال های مختلف، الگوها را یاد می گیرد.
یکی از روش های پیشرفته یادگیری ماشین، یادگیری عمیق است. یادگیری عمیق معمولا از شبکه های عصبی چندلایه استفاده می کند و برای کارهایی مانند تشخیص چهره، ترجمه متن و تولید تصویر کاربرد دارد.
شبکه عصبی مصنوعی نیز مدلی است که تا حدی از نحوه کار مغز انسان الهام گرفته شده است. این شبکه از واحدهای کوچکی به نام نورون مصنوعی تشکیل می شود که در چند لایه به یکدیگر متصل هستند.
در نتیجه، هوش مصنوعی مفهوم کلی تر است، یادگیری ماشین یکی از شاخه های آن است و یادگیری عمیق روشی پیشرفته در یادگیری ماشین است که از شبکه های عصبی چندلایه استفاده می کند.
|
اصطلاح |
به زبان ساده |
یک مثال |
|
هوش مصنوعی (AI) |
هر سیستمی که کار هوشمند انجام دهد |
دستیار صوتی گوشی |
|
یادگیری ماشین (ML) |
یادگیری از داده بدون برنامه ریزی دستی |
فیلتر اسپم ایمیل |
|
یادگیری عمیق (DL) |
یادگیری ماشین با شبکه های چندلایه |
تشخیص گفتار |
|
شبکه عصبی |
ساختار الهام گرفته از مغز با لایه های نورون |
موتور پشت مدل های زبانی |
پس دفعه بعد که این چهار کلمه را کنار هم دیدید، یادتان باشد از بزرگ به کوچک: هوش مصنوعی ← یادگیری ماشین ← یادگیری عمیق ← شبکه عصبی.
هوش مصنوعی مولد و چت جی پی تی چطور کار می کنند؟
تا پیش از فراگیر شدن ابزارهایی مثل چت جی پی تی، بیشتر مردم هوش مصنوعی را با کارهایی مانند تشخیص چهره، شناسایی صدا یا پیشنهاد محصول می شناختند. اما از اواخر سال 2022، نوع دیگری از هوش مصنوعی توجه همه را جلب کرد که می توانست متن، تصویر، صدا و محتوای تازه تولید کند. به این فناوری هوش مصنوعی مولد می گویند و چت جی پی تی یکی از معروف ترین نمونه های آن است. چت جی پی تی در 30 نوامبر 2022 به صورت عمومی عرضه شد.
چت جی پی تی بر پایه مدل های زبانی بزرگ یا LLM کار می کند. این مدل ها با بررسی حجم بسیار زیادی از متن و اطلاعات آموزش می بینند و رابطه میان کلمات و جمله ها را یاد می گیرند. اطلاعات آموزشی آن ها فقط از صفحات اینترنتی نمی آید و می تواند شامل داده های عمومی، اطلاعات دریافت شده از منابع همکار و داده های تولید شده توسط مربیان و پژوهشگران باشد.
پایه کار مدل زبانی را می توان با یک مثال ساده توضیح داد. جمله زیر را در نظر بگیرید: امروز هوا خیلی سرد است، پس بهتر است لباس...
احتمالا شما حدس می زنید کلمه بعدی «گرم» باشد. مدل زبانی نیز کاری شبیه به همین انجام می دهد، با این تفاوت که این کار را با استفاده از الگوهایی انجام می دهد که از میلیاردها جمله یاد گرفته است.
وقتی شما سوال یا دستوری برای چت جی پی تی می نویسید، به آن پرامپت گفته می شود. مدل پس از دریافت پرامپت، بخش بعدی متن را پیش بینی می کند و این کار را بارها ادامه می دهد تا یک پاسخ کامل بسازد. این بخش های کوچک «توکن» نام دارند و ممکن است یک کلمه کامل، بخشی از یک کلمه یا حتی یک علامت باشند.
استقبال از چت جی پی تی بسیار سریع بود. طبق برآورد بانک UBS، این ابزار در ژانویه 2023، یعنی حدود دو ماه پس از عرضه، به نزدیک 100 میلیون کاربر فعال ماهانه رسید. رسیدن به همین تعداد کاربر برای تیک تاک حدود 9 ماه و برای اینستاگرام نزدیک به دو سال و نیم زمان برده بود.
رشد آن در سال های بعد نیز ادامه پیدا کرد. طبق برآورد شرکت Sensor Tower که رویترز در 2 ژوئن 2026 منتشر کرد، اپلیکیشن چت جی پی تی در ماه مه 2026 از مرز یک میلیارد کاربر فعال ماهانه عبور کرد.
البته نباید تصور کنیم مدل زبانی اطلاعات را دقیقا مانند انسان می فهمد. این مدل بیشتر بر اساس الگوهایی که در داده های آموزشی دیده است، پاسخ مناسب را پیش بینی می کند. به همین دلیل ممکن است گاهی پاسخی بسیار روان، منطقی و مطمئن تولید کند که از نظر واقعی نادرست است. به چنین اشتباهی در هوش مصنوعی «توهم» یا Hallucination گفته می شود.
کاربردهای هوش مصنوعی در زندگی روزمره
شاید فکر کنید هوش مصنوعی مختص به شرکت های بزرگ فناوری است، اما احتمالاً همین امروز بارها از آن استفاده کرده اید. چند نمونه آشنا:
– گوشی هوشمند: تشخیص چهره برای باز کردن قفل، دسته بندی خودکار عکس ها و پیشنهاد کلمه بعدی هنگام تایپ.
– شبکه های اجتماعی و فروشگاه ها: پیشنهاد ویدیو، پست یا محصولی که احتمالاً دوستش دارید، بر اساس رفتار قبلی شما.
– مسیریابی: پیدا کردن سریع ترین مسیر و پیش بینی ترافیک در نقشه ها.
– دستیارهای صوتی: فهمیدن دستور صوتی و پاسخ دادن، از پخش آهنگ تا تنظیم آلارم.
– سلامت و بانک: کمک به پزشک ها در خواندن تصاویر پزشکی و شناسایی تراکنش های مشکوک بانکی.
در بیشتر این موارد شما اسمی از هوش مصنوعی نمی بینید، فقط تجربه ای روان تر و شخصی تر دارید. همین بی سروصدا بودن، نشانه بلوغ این فناوری است.
مزایا و محدودیت های هوش مصنوعی (نگاه صادقانه)
هر فناوری قدرتمندی دو رو دارد و هوش مصنوعی هم از این قاعده مستثنی نیست. برای تصمیم آگاهانه، هم به سودها و هم به هشدارها نگاه کنید.
مزایا: انجام کارهای تکراری در چند ثانیه و صرفه جویی در زمان - شخصی سازی تجربه متناسب با هر کاربر - کشف الگوهایی که از چشم انسان پنهان می مانند (مثلاً در داده های پزشکی).
محدودیت ها: مدل های مولد گاهی اطلاعات نادرست را با لحنی قاطع بیان می کنند که به این پدیده «توهم» (Hallucination) می گویند - اگر داده آموزشی سوگیرانه باشد، خروجی هم سوگیرانه می شود - چون کار این سیستم ها به داده وابسته است، نگرانی های حریم خصوصی جدی اند.
جمع بندی
هوش مصنوعی سیستمی است که با بررسی داده ها، الگوها را پیدا می کند و بر اساس آن ها پاسخ می دهد یا تصمیم می گیرد. روند کار آن را می توان در چهار مرحله خلاصه کرد: جمع آوری داده، آموزش مدل، پیدا کردن الگوها و پیش بینی نتیجه.
هوش مصنوعی هایی که امروز استفاده می کنیم، از نوع «هوش مصنوعی محدود» هستند، یعنی هرکدام برای انجام کارهای مشخصی طراحی شده اند. این ابزارها با وجود توانایی زیاد، مانند انسان فکر نمی کنند، معنی اطلاعات را به طور کامل نمی فهمند و ممکن است اشتباه کنند. بنابراین بهتر است هوش مصنوعی را یک دستیار قدرتمند بدانیم، نه جایگزینی برای فکر و قضاوت انسان. پاسخ های آن، به ویژه در موضوعات مهم، باید بررسی شوند.
