هوش مصنوعی تنها دنیایمان را بازنویسی نمیکند؛ یک واژگان کاملاً جدید برای توصیف این دگرگونی آفریده است. در هر جلسه محصول، آرایه سرمایهگذاری یا پانل تخصصی امروز، اصطلاحاتی چون LLM، RAG، RLHF و تازهترین مفهوم، «بازگویی مبهم» (Opaque Recurrence) — تکنیک استدلال مدل آسترای OpenAI که محققان امنیت را به نگرانی واداشته — پرتاب میشوند. سرعت گسترش این واژگان آنقدر بالاست که حتی پیشروان تکنولوژی را در درک دقیق مفاهیم دچار چالش میکند.
چرا باید این اصطلاحات را بدانید؟
چه توسعهدهنده باشید، سرمایهگذار یا تنها مخاطب اخبار تکنولوژی، درک دقیق این مفاهیم مرز بین «دنبال کردن ترند» و «درک واقعیت فنی» است. این واژهنامه، تعاریف ساده، کاربردی و بهروزترین مفاهیم را گردآوری کرده — یک سند زنده که wraz با پیشرفت حوزه تکامل مییابد.
AGI: افق دور، تعریفهای متفاوت
هوش عمومی مصنوعی (AGI) همچنان یک مفهوم مایع است. به طور کلی به سیستمی اشاره دارد که در طیف وسیعی از وظایف شناختی، از انسان متوسط برتری دارد. اما جزئیات، عمق اختلاف نظر بزرگان را آشکار میکند:
- سام التمن (OpenAI): «معادل یک انسان میانه که به عنوان همکار استخدام میشود.»
- منشور OpenAI: «سیستمهای بسیار خودمختار که در اکثر کارهای با ارزش اقتصادی، از بشر پیشی میگیرند.»
- گوگل دیپمایند: «هوش مصنوعی که در اکثر وظایف شناختی، حداقل در سطح انسانی عمل میکند.»
متخصصان پیشرو هم اجماع ندارند — و این طبیعی است. AGI بیشتر یک هدف استراتژیک تا یک معیار فنی دقیق و پذیرفتهشده است.
عامل هوش مصنوعی (AI Agent): فراتر از چتبات
عامل هوش مصنوعی ابزاری است که با تکیه بر چند مدل و ابزار، وظایف چندمرحلهای را به طور خودکار اجرا میکند: ثبت هزینه، رزرو بلیت، نگهداری کدها. برخلاف چتباتهای ساده که فقط پاسخ متنی میدهند، عاملها «عمل» میکنند. البته این حوزه همچنان نوظهور است؛ تعریفها متغیرند و زیرساختها (مانند پروتکلهای احراز هویت برای عاملها) در حال تکمیلاند. هسته مفهوم: سیستمی خودمختار که چندین زیرسیستم را هماهنگ میکند.
نقطههای پایانی API (API Endpoints): دکمههای پنهان اتوماسیون
API Endpointها را به عنوان دکمههای کنترل در پشت صحنه نرمافزار تصور کنید. توسعهدهندگان از آنها برای اتصال اپلیکیشنها استفاده میکنند؛ مثلاً یک عامل هوش مصنوعی میتواند بدون دخالت مستقیم انسان، از طریق این نقاط پایانی، تقویم شما را مدیریت کند یا سفارش غذا بدهد. اکثر پلتفرمهای خانه هوشمند و SaaS این دکمهها را دارند، هرچند کاربران عادی آنها را نمیبینند. با قدرتمندتر شدن عاملها، کشف و استفاده خودکار از این endpoints، فصل نوینی از اتوماسیون را باز میکند — با ریسکهای امنیتی خاص خود.
سلسله تفکر (Chain of Thought): استدلال گامبهگام
مغز انسان برای سوالات ساده (مثل «زرافه بلندتر است یا گربه؟») بلافاصله پاسخ میدهد. اما برای مسائل پیچیده — مثلاً حل معادله مرغ و گاو با ۴۰ سر و ۱۲۰ پا — نیاز به مراحل واسطه دارد. در مدلهای زبانی بزرگ، Chain of Thought دقیقاً همین کار را انجام میدهد: مسئله را به زیرمسائل کوچکتر تجزیه میکند تا احتمال صحت پاسخ نهایی بالا رود. هزینه: زمان پاسخدهی بیشتر. سود: دقت بالا در منطق، ریاضی و کدنویسی. مدلهای استدلال (Reasoning Models) از روی LLMهای سنتی ساخته شده و با یادگیری تقویتی برای این سبک تفکر بهینه شدهاند.
عاملهای کدنویسی (Coding Agents): شاگرد بیخواب توسعهدهنده
عامل کدنویسی زیرمجموعه تخصصی عاملهای عمومی است. اینها فقط قطعهکد پیشنهاد نمیدهند؛ آنها مینویسند، تست میکنند، دیباگ میکنند و اصلاحات را در سراسر کدبیس (codebase) با نظارت حداقل Push میکنند. تصور کنید یک کارآموز فوقالعاده سریع، بیخواب و متمرکز دارید که کارهای تکراری و تستمحور را بر عهده میگیرد — اما مثل هر کارآموزی، نظر نهایی و بازبینی کد همچنان به عهده انسان است. ابزارهایی مثل GitHub Copilot Workspace یا Cursor در حال تبدیل این دیدگاه به واقعیت روزمره توسعهدهندگانی هستند.
قدرت محاسبه (Compute): سوختن جنگلهای سنگین
Compute در بافت هوش مصنوعی، به قدرت پردازشی خام اشاره دارد که برای آموزش و استنتاج (Inference) مدلها لازم است. واحد اندازهگیری رایج: پتافلاپس (PFLOPs) یا ساعتهای GPU. دسترسی به Compute امروز بزرگترین گلوگاه استراتژیک شرکتهای AI است؛ انویدیا (NVIDIA) با تراشههای H100 و B200، درِ این منبع نادر را در دست دارد. کلاسترهای آموزشی که دهها هزار GPU را به هم متصل میکنند، هزینههای میلیاردی و مصرف انرژی کلان را به همراه دارند — و به همین دلیل، بهینهسازی مدلها برای کار با Compute کمتر، یک حوزه تحقیق داغ است.
بازگویی مبهم (Opaque Recurrence): لبه تیز جدید استدلال
این اصطلاح، تازهترین افزوده به واژگان حوزه است و مستقیماً به مدل آسترای OpenAI مربوط میشود. در معماریهای بازگویی سنتی، فرآیند استدلال مدل قابل مشاهده و تجزیهوتحلیل است. اما در «بازگویی مبهم»، مسیر استدلال در لایههای عمیق شبکه پنهان میشود و شناختن «چرا مدل به این نتیجه رسیده» دشوار یا غیرممکن میگردد. محققان امنیت (AI Safety) نگراناند: اگر نتوانیم روند تصمیمگیری را بازبینی کنیم، اطمینان از عدم سوگیری، توهم یا رفتار مخرب غیرممکن میشود. این بحث، تقابل کلاسیک عملکرد (Performance) در برابر شفافیت (Interpretability) را به اوج جدیدی رسانده است.
سه ستون اصلی: LLM، RAG و RLHF
- LLM (Large Language Model): مدلهای زبانی بزرگ مانند GPT-4o، Claude 3.5 Sonnet یا Llama 3.1 که پایه اکثر کاربردهای فعلی هستند.
- RAG (Retrieval-Augmented Generation): ترکیبی از جستجوی اطلاعات در پایگاه دانش خارجی و تولید متن، برای کاهش هلوسینیشن (Hallucination) و بهروز نگه داشتن پاسخها.
- RLHF (Reinforcement Learning from Human Feedback): روش تنظیم مدلها با بازخورد انسانی تا رفتار آنها با ارزشها و امنیت همسو شود.
این واژهنامه به صورت مداوم بهروزرسانی میشود. اگر терمینی (Term) گم شده یا تعریفی نیاز به دقت بیشتر دارد، در نظرات بنویسید تا در ویرایشهای آینده گنجانده شود.
