
اگر چند سال پیش به کسی میگفتی «هوش مصنوعی»، احتمالاً یاد رباتی میافتاد که قرار است یک روز دنیا را تصرف کند.
امروز اما همان هوش مصنوعی شده یکی از اعضای خانوادهمان!
صبح از ChatGPT میپرسیم چی بخوریم، ظهر با هوش مصنوعی عکس درست میکنیم، عصر برایمان ایمیل مینویسد و شب هم ازش میپرسیم:
«به نظرت این پیام رو برای فلانی بفرستم یا نه؟»
و بدتر اینکه گاهی جوابش از دوستمان منطقیتر است!
اما واقعاً هوش مصنوعی چیست؟ ماشین لرنینگ یعنی چه؟ Deep Learning کجای داستان قرار دارد؟ و ChatGPT دقیقاً چطور جواب ما را میسازد؟
بیا خیلی ساده و بدون اصطلاحات دانشگاهی بررسی کنیم.
هوش مصنوعی یا Artificial Intelligence (AI) به زبان خیلی ساده یعنی:
کاری کنیم کامپیوتر بتواند کارهایی را انجام دهد که معمولاً برای انجامشان به نوعی «هوش انسانی» نیاز داریم.
مثلاً:
تشخیص چهره
فهمیدن متن
ترجمه زبانها
تشخیص اشیا در عکس
پیشنهاد فیلم و موسیقی
پاسخ دادن به سؤالها
تولید متن و تصویر
رانندگی خودکار
البته یک نکته مهم وجود دارد.
هوش مصنوعی واقعاً مثل انسان «فکر» نمیکند.
حداقل نه به آن شکلی که ما فکر میکنیم.
کامپیوتر احساس نمیکند که امروز حوصله ندارد!
نمیگوید:
«امروز دوشنبهست، بذار فردا جواب کاربر رو بدم.»
بلکه بر اساس دادهها و الگوریتمهایی که دارد، الگوها را پیدا میکند و بر اساس آنها خروجی تولید میکند.
اینجا میرسیم به یکی از معروفترین کلمات دنیای AI:
Machine Learning یا یادگیری ماشین
ماشین لرنینگ یکی از روشهای ساخت سیستمهای هوش مصنوعی است.
در روشهای قدیمی، برنامهنویس مجبور بود برای تقریباً هر شرایطی یک قانون بنویسد.
مثلاً:
اگر ایمیل کلمه «برنده شدی» داشت → احتمالاً اسپم است.
اگر «پول فوری» داشت → احتمالاً اسپم است.
اگر «تبریک! شما برنده شدید!» داشت → صددرصد اسپم است!
اما مشکل اینجاست که اسپمر هم بیکار ننشسته.
میآید و مینویسد:
«تبریککککک 😎 شما برندهاید!»
و سیستم قدیمی میگوید:
«عه! این که دیگه توی قوانین من نیست.»
اینجاست که Machine Learning وارد میشود.
فرض کن میخواهیم کامپیوتر را برای تشخیص گربه آموزش بدهیم.
هزاران عکس به آن نشان میدهیم.
در بعضی عکسها گربه وجود دارد و به سیستم میگوییم:
«این گربه است.»
در بعضی دیگر گربه وجود ندارد و میگوییم:
«این یکی گربه نیست.»
مدل کمکم الگوهایی را از دادهها پیدا میکند.
مثلاً متوجه میشود گربهها معمولاً:
گوش دارند
چشم دارند
شکل خاصی از صورت دارند
بدن و ویژگیهای مشخصی دارند
البته مدل اینها را مثل یک انسان با زبان فارسی یاد نمیگیرد.
بلکه با محاسبات ریاضی و پیدا کردن الگوهای موجود در دادهها کار میکند.
بعد یک عکس جدید به آن میدهیم.
مدل میگوید:
«با توجه به چیزهایی که قبلاً یاد گرفتم، احتمالاً این گربه است.»
و اگر اشتباه کند؟
مدل اصلاح میشود و دوباره تلاش میکند.
این همان ایده اصلی یادگیری ماشین است.
اینجا خیلیها اشتباه میکنند.
AI یک مفهوم بزرگتر است.
Machine Learning یکی از روشهای رسیدن به AI است.
میتوانیم خیلی ساده اینطور تصور کنیم:
هوش مصنوعی (AI)
↳ یادگیری ماشین (Machine Learning)
↳ یادگیری عمیق (Deep Learning)
↳ مدلهای پیچیدهتر و شبکههای عصبی
یعنی وقتی میگوییم «هوش مصنوعی»، داریم درباره یک دنیای بزرگ صحبت میکنیم.
وقتی میگوییم «ماشین لرنینگ»، داریم درباره یکی از روشهای مهم این دنیا صحبت میکنیم.
اگر Machine Learning را یادگیری ماشین در نظر بگیریم، Deep Learning یا یادگیری عمیق را میتوانیم نسخه قدرتمندتر و پیچیدهتر آن بدانیم.
Deep Learning معمولاً از شبکههای عصبی مصنوعی (Neural Networks) استفاده میکند.
شبکه عصبی مصنوعی هم ایدهای الهامگرفته از ساختار مغز انسان است.
البته خیلی سادهشده.
قرار نیست کامپیوتر را باز کنیم و داخلش مغز کوچولو پیدا کنیم!
شبکه عصبی از تعداد زیادی واحد محاسباتی تشکیل شده که با هم کار میکنند.
هرچه داده و قدرت محاسبات بیشتر شود، این شبکهها میتوانند الگوهای بسیار پیچیدهتری را یاد بگیرند.
به همین دلیل Deep Learning در زمینههایی مثل:
تشخیص تصویر
تشخیص صدا
پردازش زبان طبیعی
خودروهای خودران
تولید تصویر
مدلهای زبانی
کاربرد بسیار زیادی دارد.
حالا رسیدیم به چیزی که احتمالاً بیشتر از همه با آن سر و کار داریم.
ChatGPT یک نمونه از سیستمهای هوش مصنوعی مولد (Generative AI) است.
مدلهای زبانی بزرگ یا Large Language Models (LLMs) روی حجم بسیار زیادی از دادههای متنی آموزش میبینند.
آنها الگوهای موجود در زبان را یاد میگیرند.
وقتی شما مینویسید:
«امروز هوا خیلی...»
مدل باید حدس بزند چه کلمه یا عبارتی میتواند بعد از آن بیاید.
مثلاً:
«خوبه.»
یا:
«گرمه.»
یا حتی:
«عجیبه.»
مدل در واقع با استفاده از محاسبات پیچیده، احتمال ادامههای مختلف را بررسی میکند.
پس ChatGPT به شکل جادویی داخل ذهنش یک کتابخانه ندارد که برود جواب شما را از قفسه شماره ۴ بردارد!
بلکه بر اساس چیزی که از دادهها و الگوهای زبان یاد گرفته، پاسخ تولید میکند.
اینجا باید کمی مراقب باشیم.
نه!
هوش مصنوعی میتواند خیلی باهوش به نظر برسد، اما این به معنی بیخطا بودن آن نیست.
گاهی ممکن است پاسخی بدهد که:
خیلی حرفهای، خیلی مطمئن و کاملاً اشتباه باشد!
این موضوع در دنیای AI به یکی از چالشهای مهم معروف به Hallucination یا خطای تولید اطلاعات نادرست مربوط میشود.
بنابراین یک قانون طلایی داشته باشیم:
هرچقدر جواب هوش مصنوعی با اعتمادبهنفس بیشتری داده شد، دلیل نمیشود حتماً درست باشد!
اگر گفت:
«این اطلاعات کاملاً قطعی است.»
شما هم بگویید:
«باشه داداش، من یه بار دیگه چک میکنم.»
چون هوش مصنوعی دیگر فقط یک موضوع تحقیقاتی در آزمایشگاه نیست.
تقریباً وارد همهجا شده.
از پزشکی و آموزش گرفته تا برنامهنویسی، تولید محتوا، طراحی، بازاریابی، امنیت، فروش و حتی سرگرمی.
امروز یک نفر میتواند با کمک AI:
یک مقاله اولیه بنویسد
کد تولید کند
تصویر بسازد
ویدیو تولید کند
صدا تولید کند
دادهها را تحلیل کند
زبان جدید یاد بگیرد
ایدههای کسبوکار پیدا کند
اما نکته مهم این است:
AI قرار نیست الزاماً جای همه انسانها را بگیرد؛ بیشتر از هر چیز، نحوه کار کردن انسانها را تغییر میدهد.
احتمالاً در آینده رقابت فقط بین «انسان و هوش مصنوعی» نیست.
بلکه بین:
انسانی که بلد است از AI استفاده کند
و
انسانی که بلد نیست از AI استفاده کند
خواهد بود.
اگر تازه وارد دنیای AI شدهای، لازم نیست از فردا بروی سراغ معادلات عجیب و غریب و با ماتریسها کشتی بگیری!
اول مفاهیم پایه را یاد بگیر.
مسیر منطقی میتواند چیزی شبیه این باشد:
هوش مصنوعی → Machine Learning → Python → داده و الگوریتمها → Deep Learning → مدلهای زبانی → Generative AI
البته قرار نیست همه اینها را یکشبه یاد بگیری.
هوش مصنوعی یک دنیای بزرگ است و بهتر است قدمبهقدم واردش شوی.
اگر بخواهیم کل مقاله را با یک مثال قهوهخانهای توضیح بدهیم:
AI میگوید:
«میخواهیم کامپیوتر کارهای هوشمندانه انجام دهد.»
Machine Learning میگوید:
«بذار بهجای اینکه برای هر چیزی قانون بنویسیم، از دادهها یاد بگیره.»
Deep Learning میگوید:
«خب حالا شبکههای عصبی پیچیدهتر بسازیم تا الگوهای سختتر رو هم یاد بگیریم.»
LLM میگوید:
«حالا بیا روی زبان و متن تمرکز کنیم.»
و ChatGPT میآید وسط و میگوید:
«خب رفقا، امروز چه کمکی از دستم برمیاد؟»
و شما هم بعد از سه ساعت استفاده میفهمید قرار بوده فقط یک سؤال ساده بپرسید!
هوش مصنوعی یک تکنولوژی عجیب و غریب از فیلمهای علمیتخیلی نیست.
پشت بخش زیادی از چیزهایی که امروز به اسم AI میبینیم، مفاهیمی مثل Machine Learning، Deep Learning، شبکههای عصبی، داده و الگوریتمهای یادگیری ماشین قرار دارند.
لازم نیست برای شروع متخصص ریاضی یا نابغه برنامهنویسی باشید.
کافی است مفاهیم را درست، ساده و مرحلهبهمرحله یاد بگیرید.
چون در نهایت، قرار نیست هوش مصنوعی را فقط بشناسیم؛
قرار است یاد بگیریم چطور از آن استفاده کنیم.