اصطلاحات هوش مصنوعی که بهتر است بدانید، قسمت دوم

اگر می‌خواهید در زمینه هوش مصنوعی به‌روز باشید و اصطلاحات آن را بشناسید این مطلب برای شماست. در این مطلب معرفی اطصلاحات هوش مصنوعی را ادامه می‌دهیم و با تعداد دیگری از آنها آشنا می‌شویم.

Hallucination (توهم)

اصطلاح مورد علاقه صنعت هوش مصنوعی برای وقتی که مدل‌ها چیزهایی را از خودشان می‌سازند — یعنی اطلاعات نادرست تولید می‌کنند. بدیهی است که این مشکل بزرگی برای کیفیت هوش مصنوعی است.
توهم‌ها خروجی‌های هوش مصنوعی مولد را گمراه‌کننده می‌کنند و حتی می‌توانند به خطرات واقعی منجر شوند (مثلاً یک پرسش پزشکی که به کاربر توصیه مضر پزشکی می‌کند ).
مشکل ساخت این توهم‌ها توسط هوش مصنوعی، ناشی از شکاف‌ها در داده‌های آموزشی دانسته می‌شود. توهم‌ها به سمت مدل‌های تخصصی‌تر و/یا عمودی (یعنی هوش مصنوعی‌های حوزه‌محور با تخصص محدودتر) سوق داده می‌شوند تا احتمال شکاف دانش کاهش یابد و ریسک اطلاعات نادرست کمتر شود.

Inference (استنتاج)
فرآیند اجرای یک مدل هوش مصنوعی. یعنی رها کردن مدل برای پیش‌بینی یا نتیجه‌گیری از داده‌هایی که قبلاً دیده است. استنتاج بدون آموزش ممکن نیست؛ مدل باید الگوها را در مجموعه‌ای از داده یاد بگیرد تا بتواند به‌طور مؤثر این داده‌های آموزشی را تعمیم دهد.
انواع مختلفی از سخت‌افزار می‌توانند استنتاج انجام دهند — از پردازنده‌های گوشی هوشمند تا GPUهای قدرتمند و شتاب‌دهنده‌های تخصصی هوش مصنوعی. اما همه آن‌ها مدل‌ها را به‌ شکل یکسان اجرا نمی‌کنند. مدل‌های خیلی بزرگ روی لپ‌تاپ زمان زیادی برای پیش‌بینی می‌گیرند، در حالی که روی سرور ابری با تراشه‌های پیشرفته هوش مصنوعی خیلی سریع‌تر هستند.

Large Language Model (LLM) — مدل زبانی بزرگ
مدل‌های هوش مصنوعی مورد استفاده دستیارهای محبوب مثل ChatGPT، Claude، Gemini گوگل، Llama متا، Microsoft Copilot یا Le Chat میسترال. وقتی با یک دستیار هوش مصنوعی چت می‌کنید، با یک مدل زبانی بزرگ تعامل دارید که درخواست شما را مستقیماً با کمک ابزارهای مختلف (مثل مرور وب یا مفسر کد) پردازش می‌کند.
LLMها شبکه‌های عصبی عمیقی هستند که از میلیاردها پارامتر عددی (یا وزن) ساخته شده‌اند و روابط بین کلمات و عبارات را یاد می‌گیرند و نوعی نقشه چندبعدی از زبان ایجاد می‌کنند.
این مدل‌ها از رمزگذاری الگوهایی که در میلیاردها کتاب، مقاله و رونوشت پیدا می‌کنند، ساخته می‌شوند. وقتی به یک LLM پرامپت می‌دهید، مدل محتمل‌ترین الگویی را که با پرامپت جور درمی‌آید تولید می‌کند.

Memory Cache (کش حافظه)
فرآیند مهمی که استنتاج (فرآیند تولید جواب توسط هوش مصنوعی به پرسش کاربر) را تقویت می‌کند. کش کردن اساساً یک تکنیک بهینه‌سازی است که برای کارآمدتر کردن استنتاج طراحی شده. هوش مصنوعی با محاسبات ریاضی سنگین کار می‌کند و هر بار که این محاسبات انجام می‌شود، انرژی بیشتری مصرف می‌کند. کش کردن تعداد محاسباتی را که مدل ممکن است نیاز داشته باشد کاهش می‌دهد و این کار را با ذخیره کردن محاسبات خاص برای پرسش‌ها و عملیات‌های آینده کاربر انجام می‌دهد. انواع مختلفی از کش حافظه وجود دارد، اما یکی از معروف‌ترین‌ها کش KV (کلید-مقدار) است. کش KV در مدل‌های مبتنی بر ترنسفورمر کار می‌کند و با کاهش زمان (و کار الگوریتمی) لازم برای تولید پاسخ، کارایی را افزایش می‌دهد و نتایج سریع‌تری می‌دهد.

Model Context Protocol (MCP) — پروتکل زمینه مدل
یک استاندارد باز که به مدل‌های هوش مصنوعی اجازه می‌دهد به ابزارها و داده‌های خارجی — فایل‌های شما، پایگاه‌های داده، یا اپ‌هایی مثل Slack و Google Drive — متصل شوند بدون اینکه توسعه‌دهنده برای هر جفت یک کانکتور سفارشی بسازد. آن را مثل پورت USB-C برای هوش مصنوعی تصور کنید. Anthropic آن را در سال ۲۰۲۴ معرفی کرد و بعداً به بنیاد لینوکس سپرد. از آن زمان توسط اوپن‌ای‌آی، گوگل و مایکروسافت پذیرفته شده و یکی از سریع‌ترین استانداردهای گسترش‌یافته در تاریخ اخیر هوش مصنوعی است.

Mixture of Experts (MoE) — مخلوط متخصصان
معماری مدلی که شبکه عصبی را به بسیاری از زیرشبکه‌های تخصصی کوچک‌تر یا «متخصصان» تقسیم می‌کند و فقط تعداد انگشت‌شماری از آن‌ها را برای هر وظیفه فعال می‌کند. به‌جای اینکه هر درخواست از کل مدل عبور کند — مثل اینکه کل دفتر را برای هر سؤال فراخوانی کنید — مدل MoE یک «مسیریاب» داخلی دارد که فقط متخصصان مناسب را برای کار انتخاب می‌کند. این امکان ساخت مدل‌های بسیار بزرگ را فراهم می‌کند که نسبتاً سریع و ارزان اجرا شوند، چون فقط کسری از شبکه در هر لحظه کار می‌کند. مدل Mixtral شرکت Mistral AI مثال معروفی است؛ مدل‌های جدیدتر GPT اوپن‌ای‌آی نیز به‌طور گسترده از این رویکرد استفاده می‌کنند، هرچند شرکت هرگز رسماً تأیید نکرده است.

Neural Network (شبکه عصبی)
ساختار الگوریتمی چندلایه‌ای که زیربنای یادگیری عمیق — و به‌طور کلی‌تر کل رونق ابزارهای هوش مصنوعی مولد پس از ظهور مدل‌های زبانی بزرگ — است.
هرچند ایده الهام گرفتن از مسیرهای به‌هم‌پیوسته متراکم مغز انسان به‌عنوان ساختار طراحی برای الگوریتم‌های پردازش داده به دهه ۱۹۴۰ برمی‌گردد، ظهور بسیار جدیدتر سخت‌افزار پردازش گرافیکی (GPU) — از طریق صنعت بازی‌های ویدیویی — بود که واقعاً قدرت این نظریه را آزاد کرد. این تراشه‌ها برای آموزش الگوریتم‌هایی با لایه‌های بسیار بیشتر از دوره‌های قبلی مناسب بودند و سیستم‌های هوش مصنوعی مبتنی بر شبکه عصبی را قادر ساختند عملکرد بسیار بهتری در بسیاری از حوزه‌ها از جمله تشخیص صدا، ناوبری خودران و کشف دارو به دست آورند.

Neuralese (نورالیز)
سناریوی فرضی بدترین حالت که در آن مدل کاملاً در بازنمایی‌های عددی داخلی خود استدلال می‌کند نه زبان قابل‌خواندن توسط انسان، و تفکر آن را به یک جعبه سیاه کامل تبدیل می‌کند. هیچ مدل عرضه‌شده‌ای امروز این کار را نمی‌کند — اوپن‌ای‌آی گفته مدل Astra (منتشرشده در سپتامبر ۲۰۲۶ و قابل‌توجه به‌خاطر استفاده زودهنگام از تکنیک استدلال «opaque recurrence») زنجیره تفکر خود را خوانا نگه می‌دارد و مقایسه‌ها با نورالیز را رد کرده است. اما محققان ایمنی به استفاده Astra از opaque recurrence به‌عنوان گام واقعی اول در این جهت اشاره می‌کنند و به همین دلیل این اصطلاح از زمان گزارش‌های مربوط به راه‌اندازی Astra اوج گرفته است.

Opaque Recurrence (بازگشت مبهم)
وقتی یک مدل هوش مصنوعی به‌جای استدلال گام‌به‌گام به زبان ساده، همان پرسش را به‌طور مکرر از لایه‌های داخلی خود عبور می‌دهد. کارآمدتر است — مدل‌های کوچک‌تر می‌توانند فراتر از وزن خود عمل کنند و در عین حال از قدرت محاسباتی کمتری استفاده کنند — اما ردپای خوانای بسیار کمتری نسبت به زنجیره تفکر عادی (همان توضیح مداوم که بعد از درخواست کمک از چت‌بات می‌بینید) باقی می‌گذارد. این موضوع محققان ایمنی را نگران می‌کند، چون این لاگ‌ها ابزار کلیدی برای تشخیص رفتار نادرست هستند و این تکنیک می‌تواند نظارت را بسیار سخت‌تر کند.

Open Source (متن‌باز)
به نرم‌افزار — یا به‌طور فزاینده مدل‌های هوش مصنوعی — اشاره دارد که کد زیرین آن به‌صورت عمومی در دسترس است تا هر کسی بتواند از آن استفاده کند، بررسی کند یا تغییر دهد. در دنیای هوش مصنوعی، خانواده مدل‌های Llama متا مثال برجسته‌ای است؛ لینوکس موازی تاریخی معروفی در سیستم‌عامل‌ها است. رویکردهای متن‌باز به محققان، توسعه‌دهندگان و شرکت‌ها در سراسر جهان اجازه می‌دهد روی کار یکدیگر بسازند، پیشرفت را تسریع کنند و ممیزی‌های ایمنی مستقلی انجام دهند که سیستم‌های بسته به‌راحتی نمی‌توانند فراهم کنند. متن‌بسته یعنی کد خصوصی است — می‌توانید از محصول استفاده کنید اما نحوه کار آن را نمی‌بینید، مثل مدل‌های GPT اوپن‌ای‌آی — تمایزی که به یکی از بحث‌های تعیین‌کننده صنعت هوش مصنوعی تبدیل شده است.

Parallelization (موازی‌سازی)
انجام بسیاری از کارها همزمان به‌جای یکی پس از دیگری — مثل داشتن ۱۰ کارمند که همزمان روی بخش‌های مختلف یک پروژه کار می‌کنند به‌جای یک کارمند که همه چیز را به‌صورت متوالی انجام دهد. در هوش مصنوعی، موازی‌سازی برای هم آموزش و هم استنتاج اساسی است: GPUهای مدرن به‌طور خاص برای انجام هزاران محاسبه به‌صورت موازی طراحی شده‌اند و این یکی از دلایل اصلی تبدیل شدن آن‌ها به ستون فقرات سخت‌افزاری صنعت است. با پیچیده‌تر شدن سیستم‌های هوش مصنوعی و بزرگ‌تر شدن مدل‌ها، توانایی موازی‌سازی کار در میان بسیاری از تراشه‌ها و ماشین‌ها به یکی از مهم‌ترین عوامل تعیین‌کننده سرعت و مقرون‌به‌صرفه بودن ساخت و استقرار مدل‌ها تبدیل شده است. تحقیق درباره استراتژی‌های بهتر موازی‌سازی اکنون خود یک حوزه مطالعاتی مستقل است.

اگر آشنایی با این اصطلاحات براتون جذاب بود، بهتون این خبر خوش رو میدم که این مطلب باز هم ادامه داره.