واژه‌نامه هوش مصنوعی

توضیح ساده واژه‌های هوش مصنوعی که در خبرها می‌بینید.

آموزش مدل: فرایندی که در آن مدل الگوها را از حجم زیادی داده یاد می‌گیرد. آموزش یک مدل پیشرفته ممکن است ماه‌ها و هزاران تراشه لازم داشته باشد.
استنتاج (اینفرنس): اجرای یک مدل آموزش‌دیده برای گرفتن پاسخ. هر پیام گفتگو یک استنتاج است و خدمات هوش مصنوعی هزینه‌اش را با تراشه و برق می‌پردازند.
بنچمارک (آزمون معیار): آزمونی استاندارد برای مقایسه مدل‌های هوش مصنوعی. نتایج مفیدند، اما امتیاز بالا تضمین نمی‌کند مدل برای کار شما بهترین باشد.
پارامترها: عددهای درون مدل که در آموزش تنظیم می‌شوند. پارامترهای بیشتر معمولاً یعنی توانایی بیشتر، اما حافظه و هزینه بیشتر هم.
پرامپت (دستور): دستور یا پرسشی که به مدل هوش مصنوعی می‌دهید. پرامپت‌های روشن با زمینه و مثال معمولاً پاسخ بهتری می‌گیرند.
پنجره زمینه: مقدار متنی که مدل می‌تواند هم‌زمان در نظر بگیرد، بر حسب توکن. پنجره بزرگ‌تر یعنی می‌تواند اسناد طولانی‌تر را یک‌جا بخواند.
ترکیب متخصصان (MoE): طراحی‌ای که شبکه را به «متخصصان» زیادی تقسیم می‌کند و برای هر واژه فقط چند تا را به کار می‌گیرد؛ این کار اجرای مدل‌های بزرگ را ارزان‌تر می‌کند.
تنظیم دقیق (فاین‌تیونینگ): آموزش تکمیلی یک مدل موجود با مجموعه داده‌ای کوچک‌تر و تخصصی تا در کاری یا سبکی خاص بهتر شود.
توکن: تکه کوچکی از متن که مدل زبانی می‌خواند و می‌نویسد و اغلب بخشی از یک واژه است. قیمت‌ها و محدودیت‌ها معمولاً بر حسب توکن حساب می‌شوند.
توهم (هالوسینیشن): وقتی مدل هوش مصنوعی با اطمینان چیزی نادرست می‌گوید، مثل یک واقعیت یا منبع ساختگی. همیشه اطلاعات مهم را بررسی کنید.
چت‌بات: برنامه‌ای که با زبان روزمره با آن گفتگو می‌کنید. چت‌بات‌های امروزی پاسخ‌هایشان را با یک مدل زبانی بزرگ می‌نویسند.
چندوجهی: توانا در کار با چند نوع ورودی یا خروجی، مثل متن، تصویر، صدا و ویدئو، در یک مدل.
دیپ‌فیک: ویدئو، تصویر یا صدای جعلیِ واقع‌نما که با هوش مصنوعی ساخته شده و اغلب از یک فرد واقعی است. در کلاهبرداری و اطلاعات نادرست به کار می‌رود.
عامل هوش مصنوعی: سامانه‌ای از هوش مصنوعی که خودش به سمت یک هدف کار می‌کند: گام‌ها را برنامه‌ریزی می‌کند، از ابزارهایی مثل مرورگر یا کد استفاده می‌کند و نتیجه را می‌سنجد.
کوانتیزه‌سازی: ذخیره عددهای مدل با بیت‌های کمتر تا حافظه کمتری بخواهد و سریع‌تر اجرا شود، به بهای کمی افت کیفیت. برای اجرای محلی هوش مصنوعی رایج است.
مدل استدلالی: مدلی که پیش از پاسخ، مسئله را گام‌به‌گام حل می‌کند. اغلب در ریاضی، منطق و کد بهتر است، اما کندتر و گران‌تر.
مدل انتشار (دیفیوژن): نوعی مدل که با شروع از نویز و بهبود گام‌به‌گام، تصویر، ویدئو یا متن می‌سازد.
مدل باز (وزن‌های باز): مدلی که پارامترهای آموزش‌دیده‌اش منتشر شده تا هر کسی بتواند آن را دانلود و مثلاً روی رایانه خودش اجرا کند. مجوزها متفاوت‌اند.
مدل زبانی بزرگ (LLM): مدلی از هوش مصنوعی که با حجم عظیمی از متن آموزش دیده تا واژه بعدی را پیش‌بینی کند. ChatGPT، Claude و Gemini بر پایه مدل‌های زبانی بزرگ ساخته شده‌اند.
مرکز داده: ساختمانی پر از سرور و تراشه. مراکز داده هوش مصنوعی به برق و خنک‌سازی بسیار زیادی نیاز دارند.
هم‌راستاسازی (Alignment): تلاش برای اینکه سامانه‌های هوش مصنوعی همان کاری را بکنند که انسان‌ها می‌خواهند و از رفتار زیان‌بار دوری کنند، حتی وقتی تواناتر می‌شوند.
هوش مصنوعی: سامانه‌های رایانه‌ای که کارهایی را انجام می‌دهند که معمولاً به تفکر انسان نسبت می‌دهیم، مثل فهم زبان، تشخیص تصویر یا تصمیم‌گیری.
هوش مصنوعی مولد: هوش مصنوعی‌ای که محتوای تازه – متن، تصویر، صدا، ویدئو یا کد – می‌سازد، نه اینکه فقط داده‌های موجود را مرتب یا تحلیل کند.
AGI (هوش مصنوعی عمومی): هوش مصنوعی فرضی‌ای که بتواند بیشتر کارهای فکری را به خوبیِ یک انسان یاد بگیرد و انجام دهد. تعریف یا آزمون مورد توافقی برایش وجود ندارد.
API (رابط برنامه‌نویسی): راهی برای گفتگوی برنامه‌ها با یکدیگر. توسعه‌دهندگان با API یک شرکت، مدل‌های آن را در اپ‌های خود به کار می‌برند و معمولاً بر اساس توکن پول می‌دهند.
GPU (پردازنده گرافیکی): تراشه‌ای گرافیکی که می‌تواند محاسبات زیادی را هم‌زمان انجام دهد. GPUها، از جمله محصولات Nvidia، سخت‌افزار اصلی آموزش و اجرای هوش مصنوعی‌اند.
RAG (تولید تقویت‌شده با بازیابی): روشی که در آن هوش مصنوعی ابتدا اسناد مرتبط را پیدا می‌کند و سپس پاسخش را بر پایه آن‌ها می‌نویسد؛ این کار ساختن واقعیت‌های جعلی را کم می‌کند.