هوش مصنوعی چگونه کار می‌کند؟

9 دقیقه مطالعه

هوش مصنوعی (AI) فناوری‌ای است که هوش انسانی را در انجام وظایف شبیه‌سازی می‌کند و می‌تواند به‌طور مکرر بر اساس اطلاعاتی که جمع‌آوری می‌کند، خود را بهبود ببخشد [1]. به زبان ساده، ما ماشین‌ها را قادر می‌سازیم تا به روشی شبیه به هوش انسانی، فکر کنند، یاد بگیرند و مسائل را حل کنند.

اصول اساسی عملکرد هوش مصنوعی

هوش مصنوعی با استفاده از داده‌ها، الگوریتم‌ها و مدل‌های ریاضی برای کشف الگوها و تولید پیش‌بینی‌ها، دسته‌بندی‌ها، تصمیمات یا محتوای جدید عمل می‌کند [2]. به‌جای برنامه‌ریزی دستی برای هر موقعیت احتمالی، سیستم‌های مدرن هوش مصنوعی می‌توانند الگوها را از روی نمونه‌ها یاد بگیرند [2].

ایده اصلی در «آموزش» هوش مصنوعی با دادن مقادیر عظیمی از اطلاعات یا «داده‌ها» است؛ به‌طوری که این سیستم داده‌های حجیم را برای یافتن الگوها و روابط پنهان در آن‌ها تحلیل می‌کند. بر اساس این الگوها، یک «مدل» داخلی مخصوص به خود می‌سازد و سپس از این مدل برای انجام پیش‌بینی‌ها یا اتخاذ تصمیمات هنگام ارائه اطلاعات جدیدی که قبلاً ندیده است، استفاده می‌کند [3].

هوش مصنوعی مدل‌های پایه بزرگی را روی مقادیر عظیمی از داده‌های خام و دسته‌بندی‌نشده (متون، تصاویر، ویدئوها) آموزش می‌دهد تا یک شبکه عصبی شامل میلیاردها پارامتر ایجاد کند که نماینده الگوها و روابط در داده‌ها هستند [4]. مدل پایه می‌تواند در کاربردهای متعدد با ارائه پاسخ صحیح و مناسب، از طریق تنظیم قالب مورد نیاز برای خروجی‌ها بر اساس دستورالعمل‌ها (Prompts) استفاده شود [4].

تفاوت بین یادگیری ماشین و یادگیری عمیق

یادگیری ماشین و یادگیری عمیق دو حوزه بسیار مرتبط هستند و می‌توان گفت که یادگیری عمیق بخشی پیشرفته‌تر از یادگیری ماشین است.

یادگیری ماشین (Machine Learning)

مجموعه گسترده‌تری از تکنیک‌ها است که به سیستم‌ها اجازه می‌دهد از داده‌ها یاد بگیرند و بدون اینکه برای هر وظیفه به‌طور صریح برنامه‌ریزی شده باشند، تصمیم بگیرند. داده‌های زیادی به مدل داده می‌شود و مهندس انسانی اغلب باید در فرآیندی به نام «مهندسی ویژگی‌ها»، به مدل «بگوید» که ویژگی‌های مهم در این داده‌ها کدامند. مدل از الگوریتم‌های آماری برای یافتن الگوها و روابط استفاده می‌کند.

یادگیری ماشین می‌تواند با مجموعه‌داده‌های کوچک‌تر به‌خوبی عمل کند و در کاربردهایی مانند سیستم‌های توصیه‌گر، شناسایی هرزنامه (Spam) و پیش‌بینی قیمت خانه‌ها استفاده می‌شود.

یادگیری عمیق (Deep Learning)

نوع خاصی از یادگیری ماشین است که از «شبکه‌های عصبی عمیق» استفاده می‌کند؛ ساختارهایی که از نحوه عملکرد مغز انسان الهام گرفته شده‌اند. داده‌های خام مستقیماً و بدون تعیین ویژگی‌ها به مدل داده می‌شود و شبکه عصبی عمیق با لایه‌های متعدد، به‌طور خودکار ویژگی‌های مختلف و پیچیده را از داده‌ها می‌آموزد.

یادگیری عمیق معمولاً به مقادیر عظیمی از داده‌ها و قدرت پردازشی بالایی نیاز دارد و در وظایف پیچیده‌ای مانند شناسایی تصاویر و صداها، پردازش زبان طبیعی و خودروهای خودران برتری دارد.

شبکه‌های عصبی چگونه از داده‌ها یاد می‌گیرند؟

شبکه‌های عصبی به روشی شبیه به یادگیری انسان از طریق تجربه و خطا یاد می‌گیرند، اما در مقیاسی وسیع‌تر و با سرعتی بسیار زیاد.

مراحل یادگیری

۱. شروع تصادفی: در ابتدای آموزش، «وزن‌ها» و «بایاس‌های» شبکه کاملاً تصادفی هستند، به این معنی که در ابتدا هیچ‌چیز نمی‌دانند و پیش‌بینی‌های اشتباهی ارائه می‌دهند.

۲. تغذیه پیشرو (پیش‌بینی): داده‌ها از لایه‌های شبکه عصبی عبور می‌کنند. هر «نورون» ورودی‌ها را پردازش کرده، آن‌ها را در وزن‌های خود ضرب می‌کند، مقدار بایاس (Bias) را می‌افزاید و سپس نتیجه را به نورون‌های بعدی منتقل می‌کند. در نهایت، شبکه یک «پیش‌بینی» ارائه می‌دهد.

۳. محاسبه خطا: پیش‌بینی شبکه را با پاسخ صحیح مقایسه کرده و مقدار «زیان» (Loss) را محاسبه می‌کنیم. هرچه پیش‌بینی از حقیقت دورتر باشد، خطا بیشتر می‌شود.

۴. پس‌انتشار (Backpropagation): سیگنال خطا را از لایه نهایی به سمت لایه‌های قبلی در شبکه می‌فرستیم تا مشخص شود هر وزن چقدر در ایجاد این خطا نقش داشته است.

۵. تعدیل وزن‌ها: بر اساس پس‌انتشار، شبکه وزن‌ها و بایاس‌های خود را با استفاده از الگوریتم‌های بهینه‌سازی مانند «گرادیان کاهشی» (Gradient Descent) تعدیل می‌کند تا خطا در دفعات بعدی کاهش یابد.

۶. تکرار: این فرآیند هزاران یا میلیون‌ها بار با داده‌های مختلف تکرار می‌شود تا زمانی که وزن‌ها دقیق‌تر شوند و خطاهای شبکه به تدریج کاهش یابد.

مدل‌های زبانی بزرگ و نحوه تولید متن

مدل‌های زبانی بزرگ (LLMs) نوعی پیشرفته از مدل‌های یادگیری عمیق هستند که به‌طور خاص برای درک و تولید زبان انسانی طراحی شده‌اند. ویژگی این مدل‌ها «بزرگ» بودن آن‌ها از نظر حجم داده‌های آموزشی (که ممکن است به تریلیون‌ها کلمه برسد) و تعداد پارامترهای (Parameters) آن‌ها (میلیاردها یا تریلیون‌ها) است.

مکانیسم تولید متن

روش اصلی تولید متن، پیش‌بینی کلمه بعدی (یا «توکن» - token) به‌صورت مکرر است:

۱. ورودی: با دادن یک «درخواست» (Prompt) یا «زمینه» (Context) به مدل شروع می‌شود.

۲. توکن‌بندی: مدل کلمات را به «توکن‌هایی» تبدیل می‌کند که با آن‌ها مانند اعداد برخورد می‌کند.

۳. پیش‌بینی توکن بعدی: مدل این توکن‌ها را از طریق شبکه عصبی خود پردازش کرده و احتمال هر توکن ممکن را محاسبه می‌کند تا منطقی‌ترین گزینه بعدی را بیابد.

۴. انتخاب: مدل همیشه کلمه‌ای با بیشترین احتمال را انتخاب نمی‌کند. تکنیک‌های مختلفی وجود دارد:

• انتخاب حریصانه (Greedy Search): همیشه توکنی با بالاترین احتمال را انتخاب می‌کند.
• نمونه‌برداری (Sampling): بر اساس احتمالات، به‌صورت تصادفی انتخاب می‌کند.
• دما (Temperature): میزان تصادفی بودن را کنترل می‌کند؛ دمای پایین مدل را محتاط‌تر و دمای بالا آن را خلاق‌تر می‌کند.

۵. تکرار: به محض انتخاب توکن بعدی، آن را به رشته متن اضافه کرده و فرآیند را برای پیش‌بینی توکن بعدی تکرار می‌کند.

۶. توقف: این فرآیند تا رسیدن به یک علامت نگارشی که نشان‌دهنده پایان باشد یا یک توکن خاص برای توقف، ادامه می‌یابد.

مدل ارزیابی‌هایی را از سوی انسان‌ها درباره دقت یا مناسب بودن خروجی‌ها دریافت می‌کند که به بهبود عملکرد مدل و هدایت آن به سمت خروجی‌های بهتر از طریق آنچه «یادگیری تقویت‌شده از بازخورد انسانی» (RLHF) نامیده می‌شود، کمک می‌کند [4].

محدودیت‌ها و مخاطرات هوش مصنوعی

محدودیت‌های اساسی

• عدم داشتن آگاهی یا درک واقعی: جهان را به روش انسان‌ها درک نمی‌کند و دارای احساسات یا خودآگاهی نیست.
• وابستگی کامل به داده‌ها: کیفیت آن بازتاب‌دهنده کیفیت و مقدار داده‌های آموزشی است.
• فقدان عقل سلیم (Common Sense): ممکن است در استنتاج چیزهایی که برای انسان بدیهی است، دچار مشکل شود.
• دشواری در برخورد با موقعیت‌های جدید: در کارهایی که مشابه داده‌های آموزشی هستند، برتری دارد.
• مشکل «جعبه سیاه»: دشواری در درک اینکه چرا مدل تصمیم خاصی را گرفته است.

مخاطرات توهم (Hallucination)

توهم زمانی رخ می‌دهد که هوش مصنوعی اطلاعاتی تولید کند که منطقی به نظر می‌رسند اما کاملاً غلط هستند یا توسط حقایق پشتیبانی نمی‌شوند. این اتفاق به دلایل زیر رخ می‌دهد:

• آموزش احتمالی: مدل کلمه بعدی را بر اساس آمار پیش‌بینی می‌کند و ممکن است کلمه‌ای که از نظر زبانی محتمل‌تر است، از نظر واقعیت نادرست باشد.
• فشار برای تولید پاسخ: مدل برای تولید متن طراحی شده است، بنابراین ممکن است «ساختن» یک پاسخ را به اعتراف به ندانستن ترجیح دهد.
• داده‌های ناسازگار: یادگیری تناقضات از داده‌های آموزشی.

مخاطرات سوگیری (Bias)

سوگیری زمانی ظاهر می‌شود که مدل‌ها پیش‌فرض‌های ناعادلانه‌ای نسبت به گروه‌های خاص نشان دهند و این امر عمدتاً از موارد زیر نشأت می‌گیرد:

• سوگیری در داده‌های آموزشی: اگر داده‌ها بازتاب‌دهنده سوگیری‌های جامعه باشند یا به اندازه کافی نماینده نباشند.
• سوگیری در طراحی الگوریتم: از نحوه تعیین معیارها.
• سوگیری در تعاملات انسانی: یادگیری سوگیری‌ها از تعاملات کاربران.

تأثیر آینده بر مشاغل و آموزش

مشاغل

• اتوماسیون وظایف روتین: سیستم‌های هوش مصنوعی جایگزین انسان‌ها در وظایف تکراری و مبتنی بر قوانین خواهند شد.
• خلق مشاغل جدید: ظهور مشاغلی مانند مهندسان هوش مصنوعی، متخصصان اخلاق و مهندسان پرامپت (Prompt Engineers).
• تحول و تقویت مشاغل: هوش مصنوعی به ابزاری کمکی برای افزایش بهره‌وری تبدیل خواهد شد، به گونه‌ای که انسان‌ها "در کنار" هوش مصنوعی فعالیت می‌کنند.
• تقاضا برای مهارت‌های جدید: تفکر انتقادی، خلاقیت، هوش عاطفی و همکاری.

آموزش

• تغییر برنامه‌های درسی: ادغام علوم داده، یادگیری ماشین و اخلاق در هوش مصنوعی.
• یادگیری شخصی‌سازی شده: تحلیل عملکرد دانش‌آموزان و ارائه مطالب متناسب با نیازهای فردی آن‌ها.
• تمرکز بر مهارت‌های منحصر به فرد انسانی: خلاقیت، تفکر انتقادی و همکاری.
• یادگیری مادام‌العمر: ضرورت یادگیری مستمر و بازآموزی مهارت‌ها.
• افزایش دسترسی: ابزارهای ترجمه، تبدیل متن به گفتار و تطبیق مطالب.

جمع‌بندی

هوش مصنوعی نرم‌افزارهایی هستند که از داده‌ها یاد می‌گیرند تا وظایفی را انجام دهند که معمولاً به هوش انسانی نیاز دارند، مانند درک گفتار، تشخیص تصاویر، ترجمه و پیش‌بینی [3]. این سیستم با سه گام اساسی عمل می‌کند: جمع‌آوری نمونه‌های زیاد، سپس آموزش یک مدل ریاضی که میلیون‌ها عدد داخلی خود را برای کاهش خطا تنظیم می‌کند و در نهایت استفاده از آن روی داده‌های جدیدی که قبلاً ندیده است [3].

با وجود توانایی‌های عظیم، هوش مصنوعی ابزاری قدرتمند اما غیرکامل باقی می‌ماند. درک محدودیت‌های آن، به‌ویژه مخاطرات توهم (Hallucination) و سوگیری، برای استفاده مسئولانه از آن حیاتی است. پژوهشگران به‌طور مستمر در حال تلاش برای رفع این مشکلات و بهبود شفافیت، عدالت و قابلیت اطمینان سیستم‌های هوش مصنوعی هستند.

آینده متعلق به هوش مصنوعی به عنوان جایگزینی برای انسان نخواهد بود، بلکه متعلق به کسانی است که با آن همکاری می‌کنند؛ کسانی که مهارت‌های منحصر به فرد انسانی مانند خلاقیت، تفکر انتقادی و هوش عاطفی را دارا هستند و توانایی یادگیری مستمر و سازگاری با تغییرات سریع را دارند.