هوش مصنوعی مولد چیست و چگونه کار می‌کند؟ راهنمای جامع برای مبتدیان

بسیاری از افراد تصور می‌کنند که ابزارهای هوش مصنوعی مانند «چت‌جی‌پی‌تی» (ChatGPT) که در نوامبر ۲۰۲۲ به جهان معرفی شدند، صرفاً موتورهای جستجوی پیشرفته‌ای هستند که پاسخ‌های از پیش نوشته شده را از یک پایگاه داده عظیم استخراج می‌کنند. اما این یک سوءتفاهم بنیادین است.

هوش مصنوعی مولد (Generative AI) هیچ چیزی را «جستجو» نمی‌کند؛ بلکه محتوای کاملاً جدیدی را از پایه و کلمه به کلمه خلق می‌کند. به گفته شرکت «آی‌بی‌ام» (IBM)، این فناوری با درک درخواست‌های زبان طبیعی کاربران، محتوای جدید و مرتبطی را تولید می‌کند که پیش از آن وجود نداشته است.[1]

هوش مصنوعی مولد زیرمجموعه‌ای از هوش مصنوعی است که از تکنیک‌های یادگیری عمیق (Deep Learning) برای تولید متن، تصویر، ویدیو، کد نرم‌افزاری و حتی ساختارهای مولکولی استفاده می‌کند. در حالی که هوش مصنوعی در دهه‌های گذشته بیشتر بر روی دسته‌بندی و پیش‌بینی تمرکز داشت، مدل‌های مولد بر روی «خلق کردن» متمرکز هستند.

شرکت «رد هت» (Red Hat) در مستندات خود توضیح می‌دهد که این مدل‌ها به جای پیروی از قوانین از پیش تعیین شده، ساختار پایه داده‌های آموزشی را مطالعه کرده و از طریق شبکه‌های عصبی عمیق، محتوای جدیدی تولید می‌کنند.[3]

تفاوت این فناوری با هوش مصنوعی سنتی بسیار کلیدی است. «فیلیپ ایزولا» (Phillip Isola)، دانشیار مهندسی برق و علوم کامپیوتر در دانشگاه «ام‌آی‌تی» (MIT)، می‌گوید: «هوش مصنوعی مولد را می‌توان به عنوان یک مدل یادگیری ماشین در نظر گرفت که به جای پیش‌بینی درباره یک مجموعه داده خاص، برای ایجاد داده‌های جدید آموزش دیده است».

به عنوان مثال، اگر به یک هوش مصنوعی سنتی میلیون‌ها عکس اشعه ایکس نشان دهید، یاد می‌گیرد که وجود تومور را پیش‌بینی کند. اما اگر همان داده‌ها را به یک هوش مصنوعی مولد بدهید، یاد می‌گیرد که یک عکس اشعه ایکس کاملاً جدید و واقع‌گرایانه از یک بیمار فرضی تولید کند.

مکانیسم زیربنایی این سیستم‌ها بر پایه شبکه‌های عصبی استوار است. برای پردازش متن، معماری «ترانسفورمر» (Transformer) که در سال ۲۰۱۷ معرفی شد، نقشی حیاتی ایفا می‌کند. این معماری به مدل‌ها اجازه می‌دهد تا زمینه و ارتباط بین کلمات را در جملات طولانی درک کنند. در زمینه تولید تصویر، شبکه‌های متخاصم مولد (GANs) که در سال ۲۰۱۴ معرفی شدند و مدل‌های انتشار (Diffusion Models) کاربرد دارند. این سیستم‌ها با استفاده از رویکردهای یادگیری نظارت‌نشده و نیمه‌نظارت‌شده، الگوهای پنهان در داده‌های بدون برچسب را کشف می‌کنند.[3]

فرآیند آموزش این مدل‌ها نیازمند حجم عظیمی از داده‌ها است. مدل‌های زبانی بزرگ با پردازش میلیاردها کلمه از اینترنت، الگوهای آماری زبان انسان را یاد می‌گیرند. بر اساس گزارش موسسه «مکینزی» (McKinsey)، مدل‌های اولیه مانند GPT-3 بر روی ۴۵ ترابایت داده متنی شامل بیش از ۱۷۵ میلیارد پارامتر آموزش دیدند.

در این فرآیند، مدل یاد می‌گیرد که با توجه به کلمات قبلی، محتمل‌ترین کلمه بعدی چیست. این سیستم‌ها زبان انسان را به بردارهای ریاضی تبدیل می‌کنند و با محاسبه احتمالات، جملاتی را می‌سازند که از نظر گرامری و معنایی برای انسان منطقی به نظر می‌رسند.[1][2]

امروزه کاربردهای هوش مصنوعی مولد در صنایع مختلف در حال گسترش است. مدل‌های متنی مانند محصولات خانواده GPT از شرکت «اوپن‌ای‌آی» (OpenAI)، مدل‌های تصویری و ابزارهای برنامه‌نویسی نمونه‌های بارز این فناوری هستند. در حوزه بهداشت و درمان، شرکت‌ها از این ابزارها برای طراحی توالی‌های ژنی مصنوعی و کشف داروهای جدید استفاده می‌کنند که می‌تواند روند توسعه ترکیبات دارویی جدید را به شدت تسریع کند. همچنین، ابزارهایی وجود دارند که با دریافت یک دستور متنی، کدهای کامپیوتری تولید می‌کنند و به توسعه‌دهندگان نرم‌افزار یاری می‌رسانند.[1][3]

با وجود توانمندی‌های شگفت‌انگیز، این فناوری محدودیت‌های جدی دارد. از آنجا که هوش مصنوعی مولد صرفاً کلمه بعدی را بر اساس احتمالات آماری پیش‌بینی می‌کند و درک واقعی از «حقیقت» ندارد، گاهی اوقات اطلاعات کاملاً غلط اما با ظاهری بسیار متقاعدکننده تولید می‌کند. این پدیده که به آن «توهم» (Hallucination) گفته می‌شود، یکی از بزرگترین چالش‌های فعلی است. علاوه بر این، مدل‌های مولد اغلب دارای عناصر تصادفی هستند، به این معنی که می‌توانند در پاسخ به یک درخواست ثابت، خروجی‌های متفاوتی تولید کنند که ارزیابی دقت آن‌ها را دشوار می‌سازد.[2]

چالش‌های اخلاقی و قانونی نیز بخش مهمی از بحث‌های پیرامون هوش مصنوعی مولد را تشکیل می‌دهند. از آنجا که این مدل‌ها بر روی داده‌های جمع‌آوری شده از اینترنت آموزش می‌بینند، خطراتی مانند نقض حریم خصوصی و استفاده از داده‌های دارای حق نشر مطرح است. شرکت «رد هت» هشدار می‌دهد که استفاده از این فناوری می‌تواند خطرات جدیدی را به همراه داشته باشد که کاربران باید آن‌ها را درک کرده و برای کاهش آن‌ها تلاش کنند. همچنین، این سیستم‌ها می‌توانند سوگیری‌های موجود در داده‌های آموزشی را بازتولید کنند.[2][3]

با وجود این چالش‌ها، روند پذیرش هوش مصنوعی مولد توقف‌ناپذیر به نظر می‌رسد. موسسه «مکینزی» گزارش می‌دهد که یک سوم سازمان‌ها در حال حاضر به طور منظم از هوش مصنوعی مولد در حداقل یکی از عملکردهای تجاری خود استفاده می‌کنند.

موسسه تحقیقاتی «گارتنر» (Gartner) نیز پیش‌بینی کرده است که تا سال ۲۰۲۶، بیش از ۸۰ درصد سازمان‌ها از برنامه‌های کاربردی هوش مصنوعی مولد استفاده خواهند کرد. در نهایت، درک این نکته ضروری است که هوش مصنوعی مولد جایگزین تفکر انسانی نیست، بلکه ابزاری قدرتمند برای تقویت خلاقیت و تسریع فرآیندهای کاری است.[1][2][4]