هوش مصنوعی‌ای که قبلاً استفاده می‌کردید چیزها را دسته‌بندی می‌کرد. هوش مصنوعی مولد چیز می‌سازد
برای بیست سال، هوش مصنوعی در زندگی روزمره نامرئی بود و کارش طبقه‌بندی بود. فیلتر اسپم تصمیم می‌گرفت اسپم است یا نه. اپلیکیشن عکس تصمیم می‌گرفت کدام چهره مال کیست. بانک تصمیم می‌گرفت تقلب است یا نه. موتور پیشنهاد تصمیم می‌گرفت بعدی چه چیزی نشان داده شود. هر کدام از این‌ها چیزی موجود را می‌گیرد و روی آن یک برچسب یا امتیاز می‌گذارد. هوش مصنوعی چیست این خانوادهٔ گسترده‌تر را پوشش می‌دهد.
هوش مصنوعی مولد این مسیر را برعکس می‌کند. به‌جای گرفتن یک تصویر و خروجی دادن "گربه"، عبارت "گربه‌ای روی طاقچه در غروب" را می‌گیرد و یک تصویر خروجی می‌دهد. به‌جای امتیازدهی به یک ایمیل، آن را می‌نویسد. مدل الگوهای میلیون‌ها نمونه را آنقدر خوب یاد گرفته که بتواند نمونهٔ تازه‌ای بسازد که با آن‌ها جور دربیاید.
همین برعکس شدن مسیر، تمام دلیلی است که این فناوری به دست عموم رسید. طبقه‌بندی یک قابلیت درون محصول کس دیگری است. تولید، خودش یک محصول مستقل است: درخواستی تایپ کن، چیزی دریافت کن. ChatGPT در 30 نوامبر 2022 عرضه شد و طبق تحلیل UBS که رویترز در 1 فوریهٔ 2023 گزارش کرد، تا ژانویهٔ 2023، یعنی دو ماه پس از عرضه، به حدود 100 میلیون کاربر فعال ماهانه رسید؛ در آن زمان سریع‌ترین اپلیکیشن مصرفی‌ای که به این رقم رسید، چون برای اولین بار خروجی مدل خودِ هدف بود.
آنچه پس از آن آمد یک روند تدریجی نبود. جدول زمانی عرضهٔ مدل‌ها 41 عرضهٔ بزرگ را از آن روز به بعد ثبت می‌کند که 31 مورد از آن‌ها در سال‌های 2025 و 2026 اتفاق افتاده‌اند. رنگ نارنجی نشان‌دهندهٔ یک مدل استدلالی یا خانواده‌ای است که با حالت تفکر عرضه می‌شود؛ بازهٔ سایه‌دار از o1-preview آغاز می‌شود.
هر مدل مولد یاد می‌گیرد یک نمونهٔ محتمل چه شکلی است، سپس یکی می‌سازد
در بنیاد کار، هر مدل مولد به یک شکل آموزش می‌بیند: تعداد بسیار زیادی نمونه به آن نشان می‌دهند و یاد می‌گیرد یک نمونهٔ محتمل چه شکلی است. سپس، هنگام استفاده، از آن خواسته می‌شود نمونه‌ای تازه بسازد که با الگو و درخواست جور دربیاید.
برای متن، مدل یاد می‌گیرد توکن بعدی را پیش‌بینی کند و پاسخ را یک توکن در هر لحظه تولید می‌کند. ال‌ال‌ام چیست شرح کامل آن است. برای تصویر و ویدیو، رویکرد غالب انتشار (diffusion) است: مدل یاد می‌گیرد نویز را در گام‌های کوچک از یک تصویر حذف کند و هنگام تولید، از نویز خالص شروع می‌کند و آن را گام‌به‌گام حذف می‌کند درحالی‌که یک توصیف متنی جهت شکل‌گیری خروجی را هدایت می‌کند. دستورالعملی که بیشتر مدل‌های تصویر از آن استفاده می‌کنند مقالهٔ سال 2020 با عنوان Denoising Diffusion Probabilistic Models نوشتهٔ Ho، Jain و Abbeel است؛ رویکردی که این جایگزین کرد، شبکه‌های مولد تخاصمی (GAN)، به سال 2014 و کار Goodfellow و همکارانش برمی‌گردد. مولدهای موسیقی عمدتاً یکی از این دو را وام می‌گیرند.
نتیجه‌ای که باید در ذهن نگه داشت این است که همهٔ آن‌ها چیزی را می‌سازند که جور درمی‌آید، نه چیزی که درست باشد. یک مدل متنی ارجاعی می‌سازد که شکل یک ارجاع را دارد. یک مدل تصویری دستی می‌سازد که با الگوی دست‌ها جور دربیاید، گاهی با شش انگشت. روانی و خطا هر دو از یک جا می‌آیند و توهم هوش مصنوعی چیست نسخهٔ متنی آن را با جزئیات پوشش می‌دهد.
چهار رسانه، چهار نوع مدل، یک پنجره
در سال 2022 هوش مصنوعی مولد یعنی متن و، به‌طور جداگانه، تصویر بود. تا سال 2026 یک محصول گفتگوی واحد به چهار نوع مولد هدایت می‌کند و مدل پشت هر کدام متفاوت است.
| رسانه | چه چیزی تایپ می‌کنید | چه چیزی برمی‌گردد | نوع مدل | نمونه‌ها در انتخابگر Whizi |
|---|---|---|---|---|
| متن و کد | یک سؤال یا دستور | نثر، یک جدول، یک برنامه | مدل زبانی | GPT، Claude، Gemini، DeepSeek و بیش از 280 مدل دیگر |
| تصویر | یک توصیف، یا یک تصویر به‌همراه ویرایش | یک تصویر تازه یا ویرایش‌شده | مدل انتشار (diffusion) | Whizi Image، Nano Banana، Flux، Stable Diffusion |
| ویدیو | یک توصیف یا تصویر آغازین | یک کلیپ کوتاه | مدل انتشار ویدیو | Whizi Video AI |
| موسیقی | یک سبک، یک حال‌وهوا، گاهی متن ترانه | یک قطعهٔ صوتی | مدل تولید صدا | Whizi Music AI |
تصمیم محصولی که پشت این ماجراست این است که این‌ها به‌طور متفاوت اندازه‌گیری می‌شوند چون هزینهٔ اجرای متفاوتی دارند. یک پاسخ متنی کسری از یک سنت است. تصویر یک شمارندهٔ جداگانه است. ویدیو و موسیقی ردیف‌های گران هستند و در بالاترین پلن جای می‌گیرند.
طبق نحوهٔ کارکرد اعتبارهای Whizi، تولید تصویر در پلن Starter موجود نیست، در پلن Pro ماهانه 100 و در Powerhouse ماهانه 500 است، و تولید ویدیو و موسیقی از ویژگی‌های پلن Powerhouse هستند. فاصلهٔ میان یک پاسخ متنی و یک کلیپ ویدیویی همان فاصلهٔ میان تولید 500 توکن و تولید چند ثانیه فریم است، و قیمت‌گذاری از میزان محاسبات پیروی می‌کند.
هوش مصنوعی مولد برای چه چیزی خوب است و مرز صادقانهٔ آن کجاست
این فناوری در تهیهٔ پیش‌نویس اولیهٔ هر چیزی که شکل مشخصی دارد خوب عمل می‌کند: یک ایمیل، یک خلاصه، یک تابع، یک عکس محصول، یک تِرَک پس‌زمینه. در تبدیل هم خوب است، یعنی گرفتن چیزی موجود و تولید همان چیز در قالبی دیگر: ترجمه‌شده، کوتاه‌شده، بازنویسی‌شده برای مخاطبی دیگر، با سبکی تازه. و در حجم هم خوب است، یعنی تولید بیست نسخهٔ متفاوت جایی که یک انسان دو نسخه تولید می‌کرد.
این فناوری، به خودی خود، در سه چیز ضعیف است. حقایقی که به آن داده نشده، چون آنچه جور درمی‌آید تولید می‌کند نه آنچه واقعیت دارد. دقت در موارد نادر: انگشت ششم، کدی که کامپایل می‌شود اما کار اشتباه انجام می‌دهد. و قضاوت دربارهٔ خوب بودن خروجی، که همچنان بر عهدهٔ کسی است که درخواست داده. راهنمای نحوهٔ استفاده از هوش مصنوعی نسخهٔ عملی کار کردن درون این محدودیت‌هاست.
قاعدهٔ تصمیم‌گیری این است: هوش مصنوعی مولد وقتی ابزار درستی است که بتوانید یک نتیجهٔ خوب را سریع‌تر از تولید آن تشخیص دهید. اگر نتوانید خروجی خوب را از بد تشخیص دهید، هنوز ابزار مناسب برای آن کار نیست.
هوش مصنوعی مولد شاخه‌ای از یادگیری ماشین است که خود شاخه‌ای از هوش مصنوعی است
هوش مصنوعی چتر بزرگ‌تر است: هر نرم‌افزاری که کاری انجام می‌دهد که اگر یک انسان انجام می‌داد آن را هوشمند می‌نامیدیم. یادگیری ماشین روشی است که بیشتر هوش مصنوعی مدرن از آن استفاده می‌کند، یعنی یادگیری قواعد از داده به‌جای برنامه‌ریزی مستقیم با آن‌ها. هوش مصنوعی مولد شاخه‌ای از یادگیری ماشین است که خروجی‌اش محتوای تازه است. مدل زبانی بزرگ مدل مولد برای متن است. چت‌بات اپلیکیشنی است که دور یکی از این مدل‌ها ساخته شده. هر کدام زیرمجموعهٔ قبلی است و واژه‌نامهٔ هوش مصنوعی مجموعهٔ کامل این اصطلاحات را در یک‌جا دارد.
خوانش عملی این است: وقتی محصولی می‌گوید "از هوش مصنوعی استفاده می‌کند"، بپرسید کدام نوع. اگر دسته‌بندی، رتبه‌بندی یا پیش‌بینی می‌کند، از نوع قدیمی است و احتمالاً خوب کار می‌کند. اگر تولید می‌کند، از نوع جدید است و به فردی نیاز دارد که خروجی را بررسی کند.
- بپرسید محصول دسته‌بندی می‌کند یا تولید می‌کند؛ فقط نوع دوم به بررسی خروجی نیاز دارد
- از هوش مصنوعی مولد برای پیش‌نویس‌های اولیه و تبدیل چیزهایی با شکل مشخص استفاده کنید
- هر واقعیت، عدد یا ارجاعی در متن تولیدشده را با منبعی که می‌توانید باز کنید بررسی کنید
- انتظار خطاهای دقتی در جزئیات را داشته باشید: دست‌ها و موارد حاشیه‌ای در کد
- رسانه را با پلن هماهنگ کنید: متن همه‌جا ارزان است، تصویر و ویدیو جداگانه اندازه‌گیری می‌شوند
پرسش‌های متداول
تفاوت هوش مصنوعی و هوش مصنوعی مولد چیست؟
هوش مصنوعی اصطلاح چتری برای نرم‌افزاری است که کارهایی انجام می‌دهد که با هوشمندی مرتبط می‌دانیم. بیشتر هوش مصنوعی پیش از 2022 دسته‌بندی، رتبه‌بندی یا پیش‌بینی می‌کرد: فیلترهای اسپم، تشخیص چهره، موتورهای پیشنهاد. هوش مصنوعی مولد شاخه‌ای است که با یادگیری الگوهای نمونه‌ها، محتوای تازه‌ای مانند متن، تصویر، ویدیو و موسیقی می‌سازد که با آن الگوها جور دربیاید.
نمونه‌های هوش مصنوعی مولد چیست؟
ChatGPT، Claude و Gemini برای متن و کد؛ مولدهای تصویری مانند Flux، Stable Diffusion و Nano Banana؛ مولدهای ویدیو که توصیف یا تصویر ثابتی را به کلیپ تبدیل می‌کنند؛ و مولدهای موسیقی که از یک سبک و حال‌وهوا یک تِرَک می‌سازند. یک فضای کاری چندمدلی مانند Whizi هر چهار مورد را پشت یک پنجرهٔ گفتگو قرار می‌دهد.
هوش مصنوعی مولد چگونه کار می‌کند؟
یک مدل روی تعداد بسیار زیادی نمونه آموزش می‌بیند تا یاد بگیرد یک نمونهٔ محتمل چه شکلی است، سپس از آن خواسته می‌شود نمونهٔ تازه‌ای بسازد که با یک درخواست جور دربیاید. مدل‌های متنی یک توکن در هر لحظه با پیش‌بینی توکن بعدی تولید می‌کنند. مدل‌های تصویر و ویدیو عمدتاً از انتشار (diffusion) استفاده می‌کنند و نویز تصادفی را گام‌به‌گام به یک تصویر تبدیل می‌کنند درحالی‌که یک توصیف متنی نتیجه را هدایت می‌کند.
آیا ChatGPT هوش مصنوعی مولد است؟
بله. ChatGPT یک اپلیکیشن گفتگوست که روی یک مدل زبانی بزرگ ساخته شده، که مدل مولد برای متن است. این محصول در 30 نوامبر 2022 عرضه شد و طبق تحلیل UBS که رویترز گزارش کرد، تا ژانویهٔ 2023 به حدود 100 میلیون کاربر فعال ماهانه رسید؛ همان لحظه‌ای که هوش مصنوعی مولد از یک حوزهٔ پژوهشی به یک دستهٔ مصرفی تبدیل شد.
چرا هوش مصنوعی مولد اشتباه می‌کند؟
چون چیزی را تولید می‌کند که با الگوی داده‌های آموزشی‌اش جور درمی‌آید، نه چیزی که درست باشد. یک مدل متنی ارجاعی می‌سازد که شکل یک ارجاع را دارد، چه منبع وجود داشته باشد چه نه؛ یک مدل تصویری دستی می‌سازد که شکل یک دست را دارد، گاهی با شش انگشت. مبتنی کردن مدل بر یک منبع و بررسی خروجی راه‌حل هستند و بر عهدهٔ کسی است که از آن استفاده می‌کند.
