هوش مصنوعی زبان تازهای میآفریند و در همان حال مجموعهای از اصطلاحات فنی شکل گرفته که برای مدیر محصول، سرمایهگذار یا خواننده عادی میتواند گیجکننده باشد. در ادامه یک واژهنامه کاربردی و بهروز از مهمترین اصطلاحات دنیای هوش مصنوعی را میخوانید؛ توضیحات بهزبان ساده، همراه با مثالهای عملی که برای بخش اخبار بینا ویرا (binavira.ir) و مخاطبان حرفهای و علاقهمند به فناوری مفید است.
مقدمه کوتاه
این فهرست بهطور منظم بهروزرسانی میشود تا تحولات سریع حوزه هوش مصنوعی را منعکس کند. هدف، ارائه تعاریف کوتاه، دقیق و قابلفهم است تا خواننده بدون پیشزمینه عمیق فنی بتواند درباره محصولات، مقالات و بحثهای مرتبط تصمیم بهتری بگیرد.
اصطلاحات کلیدی
AGI (هوش مصنوعی عمومی): به سیستمهایی اطلاق میشود که در گسترهای از وظایف شناختی، قابلیت رقابت یا برتری نسبت به انسان متوسط را داشته باشند. تعاریف بین سازمانها متفاوت است، اما در عمل AGI به توانایی تعمیم و حل مسائل در حوزههای متنوع اشاره دارد.
RAG (Retrieval‑Augmented Generation): روشی که مدلهای زبانی را با جستجوی پایگاههای داده یا مستندات تقویت میکند. بهجای تکیه صرف بر دانش ذخیرهشده در وزنهای مدل، RAG اطلاعات خارجی را واکشی میکند تا پاسخ دقیقتر و بهروزتری تولید شود.
عامل هوش مصنوعی (AI agent): سیستمی خودکار که میتواند مجموعهای از وظایف چندمرحلهای را بهصورت مستقل انجام دهد؛ مثلاً مدیریت هزینهها، رزرو بلیت یا نوشتن و نگهداری کد. بسته به طراحی، یک عامل میتواند از چند مدل و رابطکاربری (API) بهره ببرد.
نقاط انتهایی API (API endpoints): درهای پنهانی نرمافزار که برنامهها میتوانند با فشار دادن آنها عمل خاصی را درخواست کنند. توسعهدهندگان از این مسیرها برای یکپارچهسازی سرویسها استفاده میکنند؛ وقتی عاملهای هوش مصنوعی توانایی فراخوانی این نقاط را پیدا میکنند، خودکارسازی قدرتمندی ممکن میشود.
رشتهفکری گامبهگام (Chain‑of‑Thought): تکنیکی که در آن یک مسئله پیچیده به مراحل میانی شکسته میشود تا نتیجه دقیقتری بهدست آید. مثال ساده: در مسأله سرشماری سر و پاهای حیوانات، نوشتن معادلات میانی کمک میکند جواب درست استخراج شود. این روش در مسائل منطقی و برنامهنویسی مفید است.
عامل کدنویس (Coding agent): نوعی عامل هوش مصنوعی تخصصی برای توسعه نرمافزار که میتواند کد بنویسد، تست کند و اشکالزدایی نماید. این عاملها میتوانند در سطح یک کدبیس کامل عمل کنند، اما همچنان نیاز به بازبینی انسانی دارند.
محاسبات (Compute): اشاره به توان پردازشی لازم برای آموزش و اجرای مدلهای هوش مصنوعی دارد؛ شامل سختافزارهایی مانند GPU، TPU و CPU. «محاسبات» یکی از عوامل اصلی هزینه و مقیاسپذیری در پروژههای هوش مصنوعی است.
یادگیری عمیق (Deep Learning): شاخهای از یادگیری ماشین که از شبکههای عصبی چندلایه برای استخراج ویژگیها و روابط پیچیده از دادهها استفاده میکند. نیاز به داده و محاسبات زیاد دارد و در کاربردهایی مانند تشخیص تصویر، زبان و تولید محتوا موثر است.
پخشیابی (Diffusion): تکنیکی که در تولید تصویر، صدا و متن استفاده میشود؛ مدلها داده را با افزودن نویز «تخریب» میکنند و سپس فرآیند معکوس را میآموزند تا از نویز، نمونههای واقعینما تولید کنند. پایه بسیاری از مدلهای تولید هنر و موسیقی است.
تقطیر مدل (Distillation): فرایندی که در آن دانش یک مدل بزرگ (معلم) برای آموزش یک مدل کوچکتر (دانشآموز) استخراج میشود تا عملکرد نزدیک به مدل بزرگ با هزینه پردازشی کمتر حاصل شود. این روش در ساخت نسخههای سریعتر یا سبکتر مدلها کاربرد دارد.
پالایش (Fine‑tuning): ادامه آموزش یک مدل از پیش آموزشدیده با دادههای خاص حوزه یا وظیفهای معین تا عملکرد آن برای کاربردهای ویژه بهبود یابد. بسیاری از محصولات تجاری با این شیوه مدلهای عمومی را به مدلهای تخصصی تبدیل میکنند.
شبکههای مولد خصمانه (GAN): چارچوبی متشکل از دو شبکه عصبی (تولیدکننده و تمییزدهنده) که در تقابل با هم آموزش میبینند تا خروجیهای واقعنما تولید کنند؛ کاربرد در تولید تصاویر واقعی، ویدئو و گاهی تولید محتوای جعلی (deepfake).
هالوسینیشن (Hallucination): زمانی که مدل اطلاعات نادرست یا ساختهشده تولید میکند. مشکل حیاتی در کاربردهای حساس مانند پزشکی و حقوق که نیاز به مدلهای تخصصی و روشهای کنترل کیفیت دارد.
استنتاج (Inference): اجرای مدل برای تولید پاسخ یا پیشبینی بر مبنای دانشی که از قبل آموخته است. سختافزارهای متفاوت تواناییهای متفاوتی در استنتاج دارند؛ مدلهای بزرگ معمولاً به سرورهای ابری و شتابدهندههای خاص نیاز دارند.
LLM (Large Language Model ـ مدل زبان بزرگ): مدلهای زبانی با میلیاردها پارامتر که الگوهای زبانی را از متنهای گسترده یاد میگیرند (مثلاً ChatGPT، Gemini، Llama). وقتی با آنها گفتگو میکنید، مدل بیشترین توالی محتمل را برای پاسخ تولید میکند.
حافظه کش (Memory cache / KV cache): روش بهینهسازی برای تسریع استنتاج که محاسبات تکراری را ذخیره میکند تا پاسخها سریعتر تولید شوند؛ مخصوصاً در مدلهای مبتنی بر ترنسفورمر کاربردی است.
MCP (Model Context Protocol): استاندارد باز برای اتصال مدلها به ابزارها و دادههای خارجی بدون نیاز به کانکتورهای اختصاصی؛ امکان دسترسی امن مدلها به فایلها، پایگاه دادهها و اپلیکیشنها را ساده میکند.
Mixture of Experts (MoE): معماریی که شبکه را به چند زیرشبکه تخصصی تقسیم میکند و تنها گروه محدودی از آنها برای هر درخواست فعال میشوند. این روش امکان ساخت مدلهای بسیار بزرگ با هزینه و زمان استنتاج کمتر را فراهم میکند.
شبکه عصبی (Neural Network): ساختار چندلایهای مستلهم از مغز که در قلب یادگیری عمیق قرار دارد. پیشرفتهای سختافزاری (مثل GPU) باعث شد امکان آموزش شبکههای بزرگ و عمیق فراهم شود.
متنباز vs بسته (Open source vs Closed source): نرمافزاری که کد آن عمومی و قابل بازبینی است (متنباز) در مقابل نرمافزاری که کدش اختصاصی و غیرقابلمشاهده است (بسته). در حوزه مدلهای هوش مصنوعی بحث بر سر مزایا و معایب هر رویکرد ادامه دارد.
همزمانسازی (Parallelization): اجرای همزمان محاسبات روی چند پردازنده یا چند ماشین برای سرعتبخشی به آموزش و استنتاج؛ عامل کلیدی در مقیاسپذیری مدلها.
کمبود RAM یا «RAMageddon»: کمبود جهانی حافظه دسترسی تصادفی (RAM) که با افزایش تقاضای مراکز داده AI تشدید شده و میتواند روی قیمتها و زنجیره تأمین سختافزار تأثیر بگذارد.
خودبهبودی بازگشتی (Recursive Self‑Improvement — RSI): سناریویی که در آن مدلها قادر میشوند خود را بهبود دهند و نسلهای جدیدتری از خود طراحی کنند. این ایده هم جنبههای پژوهشی دارد و هم بحثهای اخلاقی و ایمنی؛ پیادهسازی عملی و پیامدهای آن هنوز موضوع بحث است.
یادگیری تقویتی (Reinforcement Learning) و RLHF: روش یادگیری مبتنی بر پاداش که در آن عامل با آزمایش و خطا رفتار خود را بهینه میکند. RLHF (Reinforcement Learning from Human Feedback) ترکیبی از یادگیری تقویتی و بازخورد انسانی است که برای بهبود رفتار و ایمنی مدلهای زبانی بهکار میرود.
توکنها (Tokens): واحدهای پایهای پردازش متن در مدلهای زبانی؛ اغلب بخشهایی از کلمات که مدل روی آنها محاسبات انجام میدهد. تعداد توکنها معیار هزینه و محاسبه در بسیاری از سرویسهای ابری است.
توان عملیاتی (Throughput): معیاری از مقدار کاری که یک سیستم در بازه زمانی مشخص میتواند پردازش کند؛ در متنهای زبانی به «توکنبرثانیه» یا تعداد درخواستهای همزمانی که مدل میتواند پشتیبانی کند اشاره دارد.
آموزش (Training): فرایند تغذیه داده به مدل برای یادگیری الگوها. هزینه و میزان داده موردنیاز بالاست و ترکیب روشهایی مثل انتقال یادگیری و پالایش میتواند هزینهها را کاهش دهد.
انتقال یادگیری (Transfer Learning): استفاده از یک مدل پیش آموزشدیده بهعنوان پایه برای آموزش روی یک وظیفه مرتبط جدید؛ روشی مؤثر برای صرفهجویی در زمان و داده.
خطای اعتبارسنجی (Validation Loss): عددی که نشان میدهد مدل در دادههای اعتبارسنجی چقدر خوب عمل میکند؛ کاهش آن نشاندهنده یادگیری بهتر و افزایش آن میتواند به خاطر بیشبرازش (overfitting) باشد.
اوِز (Weights): پارامترهای عددی در شبکه عصبی که اهمیت ویژگیهای ورودی را تعیین میکنند. آموزش مدل عملاً فرآیند تنظیم این وزنها برای کمینهسازی خطا است.
نکته پایانی
این واژهنامه برای خوانندگان حرفهای و عمومی تهیه شده و بهطور دورهای با ورود فناوریها و مفاهیم جدید بهروزرسانی میشود. اگر میخواهید یک اصطلاح خاص را عمیقتر بررسی کنیم یا مثالهای فنی بیشتری نیاز دارید، میتوانید در بخش دیدگاهها یا تماس با تیم بینا ویرا پیشنهاد دهید.