
در اولین بخش از رشتهنوشتههای #کاربست، خوب است دربارهی این صحبت کنیم که چرا با وجود پیشرفت چشمگیر هوش مصنوعی، هنوز فهمیدن و بهکارگیری آن برای بسیاری از ما دشوار است.
به نظر میرسد دو مسئلهی مهم در این مسیر وجود دارد: یکی شیوهای که هوش مصنوعی را تعریف میکنیم و دیگری تصویری که از قدرت و تواناییهای آن میسازیم.
ما در احاطهی انبوهی از اصطلاحات فنی هوش مصنوعی قرار گرفتهایم؛ اصطلاحاتی مثل یادگیری عمیق (Deep Learning)، شبکههای کانولوشنی (CNN)، مدلهای زبانی بزرگ (LLM) و دهها مفهوم تخصصی دیگر.
این اصطلاحات هرکدام معنای مشخصی دارند و در جای خودشان ضروریاند؛ اما یک ایراد دارند: لزوماً به ما نمیگویند که با هوش مصنوعی چه کاری میتوانیم انجام دهیم.
فرض کنید کسی از شما بپرسد: «اتومبیل چیست؟»
احتمالاً پاسخ نمیدهید که اتومبیل مجموعهای از بدنه، شاسی، چرخها و اجزای مکانیکی و الکترونیکی است. احتمالاً میگویید: «اتومبیل وسیلهای است که با آن انسانها و کالاها را جابهجا میکنیم.»
در پاسخ دوم، بهجای توضیح ساختار فنی اتومبیل، از کارکرد آن صحبت کردهایم.
به نظر میرسد یکی از موانع جدی در بهکارگیری هوش مصنوعی نیز همین باشد: ما اغلب با عینک فناوری به آن نگاه میکنیم، نه با عینک کاربرد.
البته شناخت سازوکارهای فنی برای متخصصان ضروری است؛ اما اگر هدفمان استفاده از هوش مصنوعی برای حل مسائل واقعی زندگی و کار باشد، باید بتوانیم آن را با زبان دیگری هم توضیح دهیم.
ما به تعریفهایی نیاز داریم که بهجای توصیف اجزای سازندهی هوش مصنوعی، به ما بگویند با آن چه کارهایی میتوانیم انجام دهیم.
مسئلهی دوم، زیادهروی در توصیف تواناییهای هوش مصنوعی است؛ این تصور که هوش مصنوعی تقریباً از پس هر کاری برمیآید، کافی است از آن بخواهیم تا کار را برایمان انجام دهد و دیگر نیازی نیست خودمان چندان درگیر حل مسئله شویم.
این تصویر اغراقآمیز میتواند پیامد مهمی داشته باشد: آدمها هنگام کار با هوش مصنوعی، تواناییهای خودشان را دستکم میگیرند و در مواجهه با پاسخهای نامناسب یا شکستهای پیاپی، سماجت لازم برای حل مسئله را از دست میدهند.
وقتی تصور کنیم با موجودی تقریباً همهتوان طرف هستیم، طبیعی است که با هر بار شکست، بیشتر به تواناییهای خودمان شک کنیم.
اما واقعیت این است که هوش مصنوعی هنوز محدودیتهای جدی دارد. ممکن است پاسخ نادرست بدهد، منظور ما را اشتباه بفهمد یا نتواند مسئلهای را که بهخوبی برایش توضیح دادهایم حل کند.
پس اگر دیدید هوش مصنوعی کارش را درست انجام نمیدهد، لزوماً مشکل از شما نیست. گاهی باید مسئله را جور دیگری صورتبندی کنید، اطلاعات بیشتری بدهید، روش دیگری را امتحان کنید یا حتی از ابزار دیگری کمک بگیرید.
در استفاده از هوش مصنوعی، سماجت برای حل مسئله همچنان یک مهارت مهم انسانی است.
تمرکز من در این رشتهنوشتهها بر مسئلهی اول است. دربارهی مسئلهی دوم، فعلاً حرف زیادی برای گفتن ندارم؛ جز اینکه هوش مصنوعی هنوز با آن تصویر همهتوانی که گاهی از آن ارائه میشود فاصله دارد.
برای استفادهی بهتر از هوش مصنوعی، به نظرم باید زاویهی نگاهمان را تغییر دهیم: بهجای اینکه فقط بپرسیم «هوش مصنوعی چیست؟»، بپرسیم «هوش مصنوعی چه کار میکند؟»
وقتی از این زاویه نگاه کنیم، مفهوم پیچیده و گاهی ترسناک هوش مصنوعی به مجموعهای از قابلیتهای قابلفهم تبدیل میشود؛ قابلیتهایی که میتوانیم آنها را بشناسیم، برایشان مسئله پیدا کنیم و در موقعیتهای واقعی به کار بگیریم.
بر اساس اندک مطالعه و تجربهای که داشتهام، فعلاً به هشت تعریف کاربردی از هوش مصنوعی رسیدهام. در اینجا فقط آنها را معرفی میکنم و در نوشتههای بعدی، تا جایی که بتوانم، به هرکدام جداگانه میپردازم.
هوش مصنوعی میتواند رفتارها و سبکهای انسانی را تقلید کند؛ مثلاً متنی با لحن یک نویسنده بنویسد، نقش یک مشتری را در تمرین فروش بازی کند یا شیوهی پاسخگویی یک کارشناس را بازسازی کند.
هوش مصنوعی میتواند به ما در دیدن و شنیدن کمک کند؛ مثلاً تصاویر را تحلیل کند، اشیای موجود در یک عکس را تشخیص دهد، گفتار را به متن تبدیل کند یا محتوای یک فایل صوتی را بررسی کند.
هوش مصنوعی میتواند الگوهایی را در دادهها پیدا کند که تشخیص آنها برای انسان دشوار یا زمانبر است؛ مثلاً پیامها را دستهبندی کند، گروههای مشابهی از کاربران را شناسایی کند یا در میان انبوهی از اطلاعات، ارتباطات معنادار بیابد.
هوش مصنوعی میتواند بر اساس اطلاعات موجود، دربارهی اطلاعات ناموجود یا وضعیتهای آینده تخمین بزند؛ مثلاً تقاضای آینده را پیشبینی کند، احتمال تأخیر یک سفارش را برآورد کند یا اطلاعات ناقص را تخمین بزند مثل سن یا جنیست کاربر.
هوش مصنوعی میتواند ویژگیهایی را که اندازهگیری مستقیم آنها دشوار است، به شاخصها و مقادیر قابلاستفاده تبدیل کند؛ مثلاً میزان رضایت احتمالی مشتری از یک متن، لحن یک پیام یا کیفیت نسبی پاسخهای پشتیبانی را ارزیابی کند.
البته این اندازهگیریها لزوماً معادل اندازهگیریهای دقیق و عینی نیستند و باید اعتبارشان بررسی شود.
هوش مصنوعی میتواند در پیدا کردن راهحلهای بهتر برای یک مسئله کمک کند؛ مثلاً مسیر مناسبتری برای توزیع سفارشها پیشنهاد دهد، ترکیب منابع را بهینه کند یا با در نظر گرفتن محدودیتها، گزینههای مختلف را مقایسه کند.
هوش مصنوعی میتواند محیطها و موقعیتهایی مجازی برای آزمایش و یادگیری فراهم کند؛ مثلاً رفتار احتمالی مشتریان را شبیهسازی کند، سناریوهای مختلف یک تصمیم را بررسی کند یا امکان تمرین یک گفتوگوی دشوار را پیش از مواجههی واقعی فراهم آورد.
هوش مصنوعی میتواند با توجه به هدفی که برایش تعیین کردهایم، مسئله را بررسی کند، مراحل انجام کار را طراحی کند، ابزارهای لازم را به کار بگیرد و برای رسیدن به نتیجه اقدام کند.
این دسته از قابلیتها را میتوان در سیستمهای عاملمحور هوش مصنوعی (AI Agents) دید؛ سیستمهایی که صرفاً پاسخ نمیدهند، بلکه میتوانند مجموعهای از اقدامات را برای رسیدن به یک هدف دنبال کنند.
یک نکتهی مهم باقی میماند.
به نظرم مفهوم «ماشین حدس و تخمین» میتواند جامعیت زیادی داشته باشد و حتی بتوان بسیاری از قابلیتهای دیگر را به نوعی به آن برگرداند. در واقع، بخش مهمی از کارهایی که هوش مصنوعی انجام میدهد، بر نوعی استنتاج یا پیشبینی مبتنی است.
بااینحال، پس از مشورتهای مختلف با دوست عزیزم Gemini 2.5 Pro و با توجه به تجربهها و ارائههای قبلیام دربارهی این موضوع، به این نتیجه رسیدم که برای کاربردیتر شدن بحث، بهتر است فعلاً این قابلیتها را در دستههای کوچکتر و متمایزتری بررسی کنیم.
هدف این دستهبندی، ارائهی یک طبقهبندی جامع و نهایی از هوش مصنوعی نیست؛ بلکه ساختن چارچوبی ساده و کاربردی برای فهمیدن قابلیتهای آن و پیدا کردن موقعیتهای مناسب استفاده از آن است.
میخواهم در نوشتههای بعدی، هرکدام از این هشت کارکرد را دقیقتر بررسی کنم و نشان بدهم که در عمل چه کمکی به ما میکنند، چه محدودیتهایی دارند و چطور میتوانیم از آنها برای حل مسائل واقعی استفاده کنیم.
این اولین نوشته از رشتهنوشتههای #کاربست بود.
اگر علاقهمندید، در نوشتههای بعدی همراه باشید.