واژه‌نامه جامع هوش مصنوعی؛ هرآنچه باید بدانید

جهان فناوری این روزها با سرعتی سرسام‌آور در حال تغییر است و در قلب این تحول، هوش مصنوعی قرار دارد. اما همگام با پیشرفت‌های شگرف، زبان جدیدی نیز متولد شده است؛ زبانی مملو از اصطلاحات و اختصاراتی که حتی متخصصان را نیز گاهی گیج می‌کند. به گزارش تک‌کرانچ، در هر جلسه محصول یا کنفرانس تخصصی، عباراتی مانند LLM، RAG، RLHF و ده‌ها مورد دیگر رد و بدل می‌شود. در این مطلب، بر اساس واژه‌نامه‌ای که تک‌کرانچ منتشر کرده، مهم‌ترین مفاهیم دنیای هوش مصنوعی را به زبانی ساده توضیح می‌دهیم. این راهنما را می‌توانید به عنوان یک مرجع سریع برای همراهی با اخبار و تحولات این حوزه استفاده کنید.

AGI (هوش عمومی مصنوعی)

شاید بلندپروازانه‌ترین مفهوم در هوش مصنوعی، AGI یا هوش عمومی مصنوعی باشد. این اصطلاح به سیستمی اشاره دارد که می‌تواند در اکثر وظایف شناختی، هم‌سطح یا فراتر از انسان عمل کند. سم آلتمن، مدیرعامل OpenAI، آن را «معادل یک همکار انسانی متوسط» توصیف کرده است. با این حال، تعریف دقیق AGI هنوز مورد بحث است و حتی میان غول‌های فناوری مانند OpenAI و DeepMind گوگل نیز اختلاف نظر وجود دارد.

LLM (مدل زبانی بزرگ)

وقتی با چت‌بات‌هایی مانند ChatGPT، جمینای یا Claude صحبت می‌کنید، در واقع با یک مدل زبانی بزرگ (Large Language Model - LLM) تعامل دارید. این مدل‌ها شبکه‌های عصبی عظیمی هستند که با میلیاردها پارامتر، روابط میان کلمات را یاد گرفته‌اند. آن‌ها با تحلیل حجم عظیمی از کتاب‌ها، مقالات و متون، الگوهای زبان را درک می‌کنند و بر اساس درخواست شما، مناسب‌ترین پاسخ را تولید می‌کنند.

توهم (Hallucination)

یکی از چالش‌های بزرگ مدل‌های زبانی، پدیده توهم (Hallucination) است؛ یعنی زمانی که مدل اطلاعات نادرست یا ساختگی را به عنوان واقعیت ارائه می‌کند. این مشکل که معمولاً ناشی از شکاف در داده‌های آموزشی است، می‌تواند پیامدهای خطرناکی داشته باشد، به‌ویژه در حوزه‌های حساس مانند پزشکی. به همین دلیل، تلاش‌ها برای ساخت مدل‌های تخصصی و کاهش این خطاها ادامه دارد.

تنظیم دقیق (Fine-tuning)

برای تطبیق یک مدل عمومی با یک وظیفه خاص، از تکنیک تنظیم دقیق (Fine-tuning) استفاده می‌شود. در این فرآیند، مدل از پیش آموزش‌دیده با داده‌های تخصصی جدید، آموزش بیشتری می‌بیند. بسیاری از استارتاپ‌ها با گرفتن یک LLM پایه و تنظیم دقیق آن روی داده‌های حوزه خود، محصولات تجاری قدرتمندی می‌سازند.

منبع باز در برابر منبع بسته

بحث منبع باز (Open Source) در هوش مصنوعی بسیار داغ است. مدل‌های منبع باز مانند Llama متا، کد و معماری خود را در اختیار عموم قرار می‌دهند تا محققان و توسعه‌دهندگان بتوانند آن‌ها را بررسی و بهبود دهند. در مقابل، مدل‌های منبع بسته مانند GPT-4، جعبه سیاه باقی می‌مانند. شفافیت و امنیت، دو محور اصلی این رقابت هستند.

شبکه عصبی (Neural Network) و یادگیری عمیق (Deep Learning)

قلب تپنده هوش مصنوعی مدرن، شبکه‌های عصبی هستند؛ ساختارهای الگوریتمی چندلایه‌ای که از مغز انسان الهام گرفته‌اند. یادگیری عمیق (Deep Learning) زیرمجموعه‌ای از یادگیری ماشین است که با افزودن لایه‌های بیشتر، امکان کشف الگوهای پیچیده را فراهم می‌کند. پیشرفت در پردازنده‌های گرافیکی (GPU) باعث شد این ایده قدیمی به واقعیت بپیوندد.

توکن (Token) و هزینه‌ها

ارتباط انسان و مدل‌های زبانی از طریق توکن‌ها (Tokens) انجام می‌شود. توکن‌ها قطعات کوچکی از متن هستند که مدل آن‌ها را پردازش می‌کند. در کاربردهای سازمانی، هزینه استفاده از LLMها معمولاً بر اساس تعداد توکن‌های مصرفی محاسبه می‌شود؛ بنابراین، هرچه مکالمه طولانی‌تر باشد، صورتحساب سنگین‌تر خواهد بود.

RAMageddon؛ بحران حافظه

یکی از اصطلاحات جالب و نگران‌کننده این روزها RAMageddon است؛ اشاره‌ای به کمبود شدید تراشه‌های حافظه RAM که صنعت فناوری را تهدید می‌کند. با رشد انفجاری هوش مصنوعی، غول‌های فناوری حجم عظیمی از رم را برای مراکز داده خود خریداری می‌کنند و این موضوع باعث افزایش قیمت و کمبود برای سایر صنایع، از گیمینگ تا گوشی‌های هوشمند، شده است.

جمع‌بندی

این تنها گوشه‌ای از دنیای پرسرعت هوش مصنوعی بود. واژه‌نامه تک‌کرانچ به‌طور مرتب به‌روزرسانی می‌شود، پس اگر می‌خواهید همواره با آخرین تحولات همراه باشید، توصیه می‌کنیم آن را دنبال کنید. آینده از آن کسانی است که زبان آن را می‌فهمند.