هر روز با واژه‌هایی مانند هوش مصنوعی (AI)، یادگیری ماشین (Machine Learning)، یادگیری عمیق (Deep Learning) و هوش مصنوعی مولد (Generative AI) روبه‌رو می‌شویم. بسیاری از افراد این اصطلاحات را به جای یکدیگر به کار می‌برند، در حالی که هر یک نشان‌دهنده یک لایه تخصصی‌تر از فناوری است. در این راهنما، بدون ورود به فرمول‌های پیچیده ریاضی، نقشه کامل این مفاهیم را ترسیم می‌کنیم.

هوش مصنوعی دقیقاً چیست؟

هوش مصنوعی (Artificial Intelligence یا AI) اصطلاحی چتری و فراگیر برای هر سامانه‌ای است که می‌تواند وظایفی را انجام دهد که پیش از این نیازمند هوش انسانی بودند؛ مانند تصمیم‌گیری، ترجمه زبان، درک گفتار یا تشخیص الگوها در تصاویر.

سیستم‌های اولیه هوش مصنوعی اغلب مبتنی بر «قوانین دست‌نویس» (Rule-based) بودند؛ یعنی مهندسان با کدهای شرطی مثل if/else تمام حالت‌ها را از قبل تعریف می‌کردند (مانند یک بازی شطرنج ساده کامپیوتری).

تفاوت هوش مصنوعی با یادگیری ماشین (Machine Learning)

یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی است. تفاوت بنیادی آن این است که به جای نوشتن دستی هزاران قانون، کامپیوتر را با حجم بالایی از «داده‌ها» تغذیه می‌کنیم تا سیستم خودش الگوها را بیاموزد.

به عنوان مثال، برای تشخیص ایمیل‌های اسپم، به جای نوشتن کلمات مشکوک، میلیون‌ها ایمیل اسپم و سالم به مدل داده می‌شود تا وزن‌ها و الگوهای تکرارشونده را استخراج کند.

یادگیری عمیق (Deep Learning) چه تفاوتی دارد؟

یادگیری عمیق شاخه‌ای پیشرفته از یادگیری ماشین است که از ساختار مغز انسان (شبکه‌های عصبی مصنوعی چندلایه) الهام می‌گیرد. واژه «عمیق» به تعداد زیاد لایه‌های محاسباتی اشاره دارد.

یادگیری عمیق زمانی درخشش پیدا کرد که داده‌های حجیم (Big Data) و پردازنده‌های گرافیکی قدرتمند (GPU) در دسترس قرار گرفتند. این فناوری عامل اصلی تحول در درک تصویر، صدای زنده، رانندگی خودران و پردازش زبان طبیعی است.

هوش مصنوعی مولد (Generative AI) چیست؟

بیشتر سیستم‌های هوش مصنوعی تا چند سال پیش تحلیلی یا تشخیصی بودند؛ یعنی تصویری را دریافت کرده و برچسب می‌زدند. اما هوش مصنوعی مولد داده‌های جدید خلق می‌کند: یک متن تحلیلی، یک تصویر باکیفیت، قطعه موسیقی یا کدهای نرم‌افزاری.

مدل زبانی بزرگ یا LLM چیست؟

مدل زبانی بزرگ (Large Language Model) نوعی از هوش مصنوعی مولد است که بر پایه معماری ترنسفورمر (Transformer) روی حجم عظیمی از متون آموزش دیده است. مدل‌های مدرن نظیر محصولات OpenAI، خانواده Claude از Anthropic و مدل‌های Gemini از گوگل، کلمات و توکن‌ها را بر اساس درک بافت عمیق و احتمالات آماری سازماندهی می‌کنند و استدلال‌های ساختاریافته ارائه می‌دهند.

چند مثال واقعی از کاربردهای روزمره

  • موتورهای پیشنهاددهنده یوتیوب و اسپاتیفای: یادگیری ماشین بر اساس الگوی رفتاری کاربر.
  • سیستم تشخیص چهره در گوشی هوشمند: یادگیری عمیق بر روی داده‌های بصری.
  • نگارش استراتژی بازاریابی در ChatGPT: هوش مصنوعی مولد مبتنی بر LLM.
  • خلق تصاویر تجاری در Midjourney: هوش مصنوعی مولد مبتنی بر مدل‌های انتشار (Diffusion).

از کجا یادگیری را شروع کنیم؟

برای شروع نیازی به ورود مستقیم به مباحث پیچیده ریاضی ندارید. موثرترین نقطه شروع، یادگیری نحوه ارتباط درست با ابزارها از طریق مهندسی پرامپت است. می‌توانید مقاله آموزش مهندسی پرامپت را مطالعه کنید یا الگوهای آماده را در کتابخانه پرامپت شاهین AI بررسی نمایید.

جمع‌بندی و نقشه راه

  1. AI: کل چتر شبیه‌سازی هوش در سیستم‌های رایانه‌ای.
  2. Machine Learning: یادگیری الگوها از داده‌ها بدون برنامه‌نویسی جزء‌به‌جزء.
  3. Deep Learning: یادگیری مبتنی بر شبکه‌های عصبی عمیق برای درک تصویر، صوت و متن.
  4. Generative AI: تولید و خلق خروجی‌های جدید (متن، عکس، ویدیو، کد) به جای تحلیل صرف.