به نقل از تک‌کرانچ، رشد سریع هوش مصنوعی فقط مدل‌ها و ابزارهای تازه‌ای به وجود نیاورده، بلکه مجموعه بزرگی از اصطلاحات تخصصی را نیز وارد زندگی روزمره کرده است. واژه‌هایی مانند مدل زبانی بزرگ، عامل هوش مصنوعی، توهم، یادگیری تقویتی و پروتکل زمینه مدل حالا در اخبار فناوری زیاد شنیده می‌شوند، اما معنای بسیاری از آنها برای کاربران عادی روشن نیست. در ادامه مهم‌ترین اصطلاحات این حوزه را توضیح خواهیم داد.

مدل زبانی بزرگ؛ موتور پشت چت‌بات‌ها

مدل زبانی بزرگ (Large Language Model یا LLM) همان فناوری اصلی پشت بسیاری از دستیارهای هوش مصنوعی است. این مدل‌ها با استفاده از شبکه‌های عصبی عمیق و حجم عظیمی از داده‌های متنی آموزش می‌بینند و روابط میان کلمات و عبارت‌ها را یاد می‌گیرند. هنگام دریافت یک درخواست، مدل بر اساس الگوهایی که آموخته، محتمل‌ترین پاسخ را تولید می‌کند.

توکن (Token) نیز یکی از واژه‌هایی است که در استفاده از این مدل‌ها زیاد به گوش می‌رسد. متن برای پردازش به واحدهای کوچک‌تری تقسیم می‌شود که ممکن است یک کلمه کامل یا بخشی از یک کلمه باشند. تعداد توکن‌ها همچنین در بسیاری از سرویس‌های هوش مصنوعی مبنای محاسبه هزینه استفاده قرار می‌گیرد.

وقتی هوش مصنوعی جواب نادرست می‌دهد

یکی از شناخته‌شده‌ترین مشکلات مدل‌های هوش مصنوعی، توهم هوش مصنوعی (AI Hallucination) است. این اصطلاح زمانی استفاده می‌شود که مدل اطلاعات نادرست یا ساختگی تولید می‌کند و آن را مانند یک پاسخ واقعی ارائه می‌دهد. این مسئله می‌تواند در کاربردهای حساس، از جمله دریافت اطلاعات پزشکی، پیامدهای جدی داشته باشد.

در مقابل،  زنجیره‌ تفکر (Chain of Thought) به فرایندی اشاره دارد که مدل برای حل مسائل پیچیده، آنها را به مراحل کوچک‌تر تقسیم می‌کند. این روش به‌خصوص در مسائل منطقی و برنامه‌نویسی می‌تواند به بهبود نتیجه کمک کند.

عامل‌های هوش مصنوعی چه تفاوتی با چت‌بات دارند؟

عامل هوش مصنوعی (AI Agent) تنها برای پاسخ دادن به کاربر طراحی نشده است؛ بلکه می‌تواند مجموعه‌ای از اقدامات را برای رسیدن به یک هدف انجام دهد. برای نمونه، یک عامل می‌تواند اطلاعات موردنیاز را پیدا کند، با ابزارهای مختلف کار کند و چند مرحله از یک فرایند را به شکل خودکار انجام دهد.

نوع تخصصی‌تر آن، عامل کدنویسی (Coding Agent) است که برای توسعه نرم‌افزار طراحی شده و می‌تواند کد بنویسد، آن را آزمایش کند، خطاها را پیدا کند و اصلاحات لازم را انجام دهد.

آموزش، اجرا و تخصصی‌سازی مدل‌ها

آموزش مدل (Training) مرحله‌ای است که هوش مصنوعی با دریافت داده‌ها، الگوهای موجود در آنها را یاد می‌گیرد. پس از آن، استنتاج (Inference) زمانی اتفاق می‌افتد که مدل آموزش‌دیده برای پاسخ دادن به یک درخواست یا پیش‌بینی نتیجه به کار گرفته می‌شود.

تنظیم دقیق (Fine-tuning) نیز به معنای آموزش دوباره یک مدل موجود با داده‌های تخصصی‌تر برای یک کاربرد مشخص است. در مقابل، یادگیری انتقالی (Transfer Learning) امکان می‌دهد دانشی که یک مدل در جریان آموزش قبلی به دست آورده، برای توسعه مدل یا کاربرد دیگری مورد استفاده قرار گیرد.

اصطلاحات فنی که پشت صحنه قرار دارند

شبکه عصبی (Neural Network) ساختار محاسباتی چندلایه‌ای است که پایه بسیاری از سامانه‌های هوش مصنوعی مدرن محسوب می‌شود.

یادگیری عمیق (Deep Learning) نیز نوعی یادگیری ماشین است که از شبکه‌های عصبی چندلایه استفاده می‌کند.

در معماری ترکیب متخصصان (Mixture of Experts یا MoE)، همه بخش‌های مدل برای هر درخواست فعال نمی‌شوند؛ بلکه یک بخش انتخاب‌کننده، تعدادی از زیرشبکه‌های تخصصی را برای انجام کار فعال می‌کند. این روش می‌تواند اجرای مدل‌های بسیار بزرگ را کارآمدتر کند.

پروتکل زمینه مدل (Model Context Protocol یا MCP) نیز استانداردی برای اتصال مدل‌های هوش مصنوعی به ابزارها و داده‌های بیرونی مانند فایل‌ها، پایگاه‌های داده و برنامه‌هاست. به زبان ساده، MCP راهی استاندارد برای ارتباط مدل با دنیای بیرون فراهم می‌کند.

در کنار این اصطلاحات، واژه‌های تازه‌ای مانند بازگشت مبهم (Opaque Recurrence) و خودبهبوددهی بازگشتی (Recursive Self-Improvement) نیز بیشتر مطرح شده‌اند. بازگشت مبهم به روشی اشاره دارد که مدل یک درخواست را چندین بار از لایه‌های داخلی خود عبور می‌دهد، بدون آنکه فرایند آن مانند استدلال مرحله‌به‌مرحله برای انسان قابل مشاهده باشد.

با گسترش سریع این فناوری، واژه‌نامه هوش مصنوعی نیز دائماً در حال تغییر است؛ به همین دلیل، آشنایی با این اصطلاحات به کاربران کمک می‌کند اخبار مربوط به مدل‌ها و محصولات جدید را دقیق‌تر دنبال کنند.