هوش مصنوعی دارد زبان خودش را می‌سازد

به گزارش خبرگزاری آنا، به نقل از «TechCrunch»؛ هوش مصنوعی در حال بازنویسی جهان است و هم‌زمان، زبان جدیدی برای توضیح اینکه چگونه این کار را انجام می‌دهد، به وجود آورده است. این روزها کافی است در یک جلسه معرفی محصول، ارائه سرمایه‌گذاری یا نشست تخصصی شرکت کنید تا اصطلاحاتی مانند LLM، RAG و RLHF را بشنوید. از هفته‌های گذشته نیز واژه‌هایی مانند «بازگشت مبهم» (Opaque recurrence) به این فهرست اضافه شده‌‌اند که برای استدلال در مدل جدید Astra از OpenAI که نگرانی پژوهشگران ایمنی هوش مصنوعی را برانگیخته است. سرعت تغییر این واژگان آنقدر زیاد است که حتی متخصصان دنیای فناوری را نیز کمی سردرگم می‌کند.

در این واژه‌نامه، هوش مصنوعی عمومی یا AGI به سامانه‌ای اشاره دارد که در بسیاری از وظایف، توانایی‌هایی هم‌سطح یا فراتر از انسان داشته باشد. با وجود استفاده گسترده از این اصطلاح، هنوز تعریف واحدی از AGI میان شرکت‌ها و پژوهشگران وجود ندارد.

عامل هوش مصنوعی یا AI Agent نیز به سامانه‌ای گفته می‌شود که می‌تواند مجموعه‌ای از وظایف، از رزرو بلیت و مدیریت هزینه‌ها گرفته تا نوشتن و نگهداری کد، را به نمایندگی از کاربر و با دخالت محدود او انجام دهد. عامل‌های کدنویسی (Coding Agents) نسخه تخصصی همین فناوری برای توسعه نرم‌افزار هستند و کد می‌نویسند، آن را آزمایش می‌کنند، خطاها را پیدا می‌کنند و اصلاحات لازم را انجام می‌دهند.

در بخش ارتباط میان نرم‌افزارها، نقاط پایانی API مانند رابط‌هایی عمل می‌کنند که برنامه‌های دیگر از طریق آنها می‌توانند یک نرم‌افزار یا سرویس را کنترل کنند. افزایش توانایی عامل‌های هوش مصنوعی برای شناسایی و استفاده از این رابط‌ها، زمینه را برای خودکارسازی گسترده‌تر وظایف فراهم کرده است.

توان محاسباتی (Compute) نیز به قدرت پردازشی موردنیاز برای آموزش و اجرای مدل‌های هوش مصنوعی گفته می‌شود؛ قدرتی که سخت‌افزارهایی مانند GPU، CPU و TPU آن را تأمین می‌کنند. در کنار آن، موازی‌سازی (Parallelization) به تقسیم محاسبات میان چند پردازنده یا ماشین برای انجام هم‌زمان وظایف اشاره دارد.

از سوی دیگر، توان عملیاتی توکن (Token Throughput) نیز میزان توکن‌هایی را که یک سیستم می‌تواند در مدت مشخص پردازش کند، اندازه می‌گیرد و یکی از معیارهای مهم عملکرد زیرساخت‌های هوش مصنوعی محسوب می‌شود.

توکن (Token) واحدهای کوچک‌تری هستند که مدل‌های زبانی برای پردازش متن از آن استفاده می‌کند. متن، پیش از پردازش به این واحدها تقسیم می‌شود و تعداد توکن‌ها در تعیین هزینه استفاده از برخی سرویس‌های هوش مصنوعی نقش دارد.

در سطح مدل، مدل زبانی بزرگ (LLM) همان فناوری زیربنایی بسیاری از دستیارهای هوش مصنوعی امروزی است. این مدل‌ها با میلیاردها پارامتر آموزش داده می‌شوند تا روابط میان کلمات و الگوهای زبانی را یاد بگیرند. این مدل‌ها در فرایند استنتاج (Inference) از الگوهای آموخته‌شده برای تولید پاسخ یا پیش‌بینی استفاده می‌کنند.

شبکه عصبی (Neural Network) ساختار چندلایه‌ای است که پایه بسیاری از مدل‌های یادگیری عمیق را تشکیل می‌دهد. یادگیری عمیق (Deep Learning) نیز با استفاده از این شبکه‌های چندلایه به مدل اجازه می‌دهد ویژگی‌های مهم داده‌ها را بدون تعریف دستی آنها توسط انسان شناسایی کند.

برای انتقال دانش میان مدل‌ها نیز از تقطیر (Distillation) استفاده می‌شود که در آن یک مدل بزرگ‌تر نقش «معلم» را ایفا می‌کند و خروجی‌های آن برای آموزش یک مدل کوچک‌تر یا «دانش‌آموز» به کار می‌رود. تنظیم دقیق (Fine-tuning) نیز با آموزش دوباره مدل بر اساس داده‌های تخصصی، آن را برای یک وظیفه یا حوزه مشخص بهینه می‌کند.

یادگیری انتقالی (Transfer Learning) روشی متفاوت اما مرتبط است که در آن یک مدل از پیش‌آموزش‌دیده، نقطه شروع ساخت مدلی برای یک وظیفه جدید قرار می‌گیرد. این کار می‌تواند زمان و هزینه توسعه مدل را کاهش دهد، به‌ویژه زمانی که داده کافی برای آموزش یک مدل از صفر وجود ندارد.

شبکه مولد تخاصمی یا GAN نیز معماری‌ای متشکل از دو شبکه عصبی است که یکی محتوا تولید می‌کند و دیگری تلاش می‌کند محتوای مصنوعی را تشخیص دهد. رقابت میان این دو شبکه به تولید خروجی‌های واقع‌گرایانه‌تر، به‌ویژه در تصاویر و ویدئوها، کمک می‌کند.

یکی از شناخته‌شده‌ترین این اصطلاحات هذیان‌گویی (Hallucination) است که به تولید اطلاعات نادرست یا ساختگی توسط مدل هوش مصنوعی با لحنی مطمئن اشاره دارد. این مشکل در حوزه‌هایی مانند سلامت می‌تواند پیامدهای جدی داشته باشد. در مقابل، اصطلاح زبان نورونی (Neuralese) نیز به یک سناریوی فرضی اشاره دارد که در آن مدل هوش مصنوعی به جای زبان قابل‌فهم برای انسان، از نمایش‌های عددی داخلی خود برای استدلال استفاده کند که می‌تواند فرایند تصمیم‌گیری مدل را به یک «جعبه سیاه» تبدیل کند. در کنار آن، عمق بازگشتی (Recurrent Depth) نام فنی‌تری برای همان روش زیربنایی بازگشت مبهم است.

بازگشت مبهم (Opaque recurrence) نیز به فرایندی اشاره دارد که در آن مدل یک پرسش یا مسئله را به‌ صورت تکرارشونده در لایه‌های داخلی خود پردازش می‌کند، بدون آنکه تمام مراحل این پردازش به شکل زبانی برای کاربر قابل مشاهده باشد.

یکی از بامزه‌ترین اصطلاح این فهرست RAMageddon است؛ ترکیبی طنزآمیز از کلمه رم و عبارت آخرالزمان. در بخش زیرساخت، «آخرالزمان رم» یک اصطلاح غیررسمی برای بحران ناشی از افزایش شدید تقاضا برای حافظه رم در مراکز داده هوش مصنوعی است. در سوی دیگر، خودبهبودی تکرارشونده (Recursive self-improvement) به ایده‌ای اشاره دارد که در آن یک سیستم هوش مصنوعی بتواند در ساخت یا بهبود نسخه‌های بعدی خود نقش داشته باشد. این مفهوم گاهی با سناریوهای بسیار دور از ذهن درباره آینده AI و «تکینگی» پیوند داده می‌شود، اما در معنای فنی‌تر فقط به توانایی یک مدل برای طراحی یا بهبود جانشین خود اشاره می‌کند.

یکی دیگر از این اصطلاحات، ترکیب متخصصان (Mixture of Experts) است. یک معماری‌ که در آن یک مدل از بخش‌های تخصصی مختلف تشکیل می‌شود و بسته به نوع ورودی، برخی از این بخش‌ها برای انجام یک وظیفه فعال می‌شوند. این روش می‌تواند به استفاده کارآمدتر از توان محاسباتی کمک کند.

زنجیره استدلال (Chain of Thought) نیز به مجموعه مراحلی گفته می‌شود که یک مدل برای رسیدن به پاسخ یک مسئله طی می‌کند. پروتکل زمینه مدل (Model Context Protocol یا MCP) در سوی دیگر، استانداردی برای متصل کردن مدل‌های هوش مصنوعی به ابزارها، داده‌ها و منابع خارجی است تا مدل بتواند خارج از اطلاعات داخلی خود نیز با محیط ارتباط برقرار کند.

در آموزش مدل‌ها، یادگیری تقویتی (Reinforcement Learning) به سیستم اجازه می‌دهد با آزمون‌وخطا و دریافت بازخورد یا پاداش، عملکرد خود را بهبود دهد. یکی از روش‌های شناخته‌شده در این حوزه یادگیری تقویتی از بازخورد انسانی (RLHF) است که برای بهبود کیفیت، دقت و ایمنی پاسخ‌های مدل‌های زبانی به کار می‌رود.

البته باید گفت عملکرد یک مدل فقط به اندازه آن وابسته نیست و سرعت پردازش نیز اهمیت دارد. در کنار این موارد، حافظه نهان/پنهان (Memory Cache) به فضایی برای نگهداری موقت اطلاعات مورد استفاده سیستم اشاره دارد تا دسترسی به داده‌های موردنیاز سریع‌تر انجام شود. 

آموزش (Training) فرایندی است که طی آن مدل با دریافت حجم زیادی از داده، الگوهای موردنیاز برای انجام وظایف خود را یاد می‌گیرد. عملکرد مدل در این فرایند با معیارهایی مانند خطای اعتبارسنجی (Validation Loss) سنجیده می‌شود که هرچه پایین‌تر باشد، نشان‌دهنده عملکرد بهتر مدل است.

وزن‌ها (Weights) نیز پارامترهای عددی هستند که میزان اهمیت ویژگی‌های مختلف داده را برای مدل تعیین می‌کنند. مدل در طول آموزش این وزن‌ها را تغییر می‌دهد تا خروجی‌های خود را به نتیجه مطلوب نزدیک‌تر کند.

از مفاهیم پایه‌ای مانند آموزش و شبکه عصبی گرفته تا اصطلاحات جدیدی مانند «بازگشت مبهم» و «آخرالزمان رم» که برای توصیف چالش‌ها و تحولات تازه این صنعت به کار می‌روند؛ این مجموعه اصطلاحات نشان می‌دهد که همزمان با گسترش هوش مصنوعی، زبان توصیف این فناوری نیز با سرعت زیادی در حال تغییر است.