واژه‌نامه هوش مصنوعی
معنی ساده و دقیق اصطلاحات هوش مصنوعی به فارسی: LLM، توکن، پنجره زمینه، RAG، فاین‌تیونینگ، توهم، عامل هوشمند، MCP و ده‌ها واژه دیگر.
استنتاج Inference
مرحله استفاده از مدل آموزش‌دیده برای تولید پاسخ. هر بار که از ChatGPT سؤال می‌پرسید، یک عملیات استنتاج انجام می‌شود.
بردار معنایی Embedding
نمایش عددی (برداری از اعداد) یک متن یا تصویر که معنای آن را نشان می‌دهد. متن‌های هم‌معنا بردارهای نزدیک به هم دارند؛ همین ویژگی پایه جستجوی معنایی و RAG است.
بنچمارک Benchmark
آزمون استانداردی برای سنجش و مقایسه توانایی مدل‌ها در کارهایی مثل ریاضی، برنامه‌نویسی یا درک مطلب. نتایج بنچمارک مفیدند اما همیشه نشان‌دهنده عملکرد در کار واقعی شما نیستند.
ترنسفورمر Transformer
معماری شبکه عصبی که گوگل در سال ۲۰۱۷ معرفی کرد و پایه تقریباً همه مدل‌های زبانی امروز است. نوآوری اصلی‌اش سازوکار «توجه» است که به مدل اجازه می‌دهد ارتباط هر کلمه با بقیه کلمات متن را بسنجد.
ترکیب متخصصان Mixture of Experts (MoE)
معماری‌ای که مدل را به چند «متخصص» تقسیم می‌کند و برای هر ورودی فقط چند متخصص مرتبط فعال می‌شوند. نتیجه، مدلی بزرگ اما سریع‌تر و ارزان‌تر در اجراست.
تزریق پرامپت Prompt Injection
حمله‌ای که در آن دستورهای مخرب داخل متن، صفحه وب یا سندی پنهان می‌شود تا مدلی که آن را می‌خواند، کاری خلاف خواست کاربر انجام دهد. از مهم‌ترین چالش‌های امنیتی عامل‌های هوشمند است.
تقطیر دانش Knowledge Distillation
آموزش یک مدل کوچک (دانش‌آموز) با استفاده از خروجی‌های یک مدل بزرگ (معلم)، تا مدل کوچک بخش زیادی از توانایی مدل بزرگ را با هزینه کمتر به دست آورد.
تنظیم دقیق Fine-tuning
آموزش دوباره یک مدل ازپیش‌آموزش‌دیده روی داده‌های تخصصی شما تا در یک کار خاص یا با سبک خاصی بهتر عمل کند؛ مثلاً پاسخ‌گویی با لحن برند شما.
تولید افزوده با بازیابی Retrieval-Augmented Generation (RAG)
روشی که پیش از پاسخ دادن، اطلاعات مرتبط از یک منبع (اسناد شرکت، وب یا پایگاه داده) جستجو و به مدل داده می‌شود. این کار پاسخ‌ها را دقیق‌تر، به‌روزتر و مستندتر می‌کند.
توهم Hallucination
وقتی مدل اطلاعات نادرست یا ساختگی را با اطمینان کامل بیان می‌کند؛ مثلاً منبعی که وجود ندارد یا عددی که درست نیست. به همین دلیل باید ادعاهای مهم را همیشه بررسی کرد.
توکن Token
واحد پایه‌ای متن برای مدل زبانی؛ می‌تواند یک کلمه، بخشی از کلمه یا یک علامت باشد. هزینه استفاده از API و سقف طول ورودی بر اساس تعداد توکن حساب می‌شود. متن فارسی معمولاً توکن بیشتری از معادل انگلیسی‌اش مصرف می‌کند.
داده مصنوعی Synthetic Data
داده‌ای که به‌جای جمع‌آوری از دنیای واقعی، با کمک خود مدل‌های هوش مصنوعی تولید می‌شود و برای آموزش یا آزمایش مدل‌های دیگر به کار می‌رود.
دما Temperature
تنظیمی که میزان تصادفی بودن پاسخ را کنترل می‌کند. دمای پایین پاسخ‌های قابل پیش‌بینی‌تر و دمای بالا پاسخ‌های خلاقانه‌تر و متنوع‌تر می‌دهد.
رابط برنامه‌نویسی API
راهی برای این‌که برنامه‌ها مستقیماً با یک سرویس (مثلاً مدل هوش مصنوعی) ارتباط بگیرند. توسعه‌دهندگان از طریق API مدل‌ها را در محصولات خودشان به کار می‌برند.
زنجیره تفکر Chain of Thought (CoT)
روشی که مدل پیش از پاسخ نهایی، مسئله را مرحله‌به‌مرحله حل می‌کند. این کار دقت را در مسائل ریاضی و منطقی بالا می‌برد و پایه مدل‌های استدلالی است.
سازوکار توجه Attention Mechanism
بخشی از ترنسفورمر که تعیین می‌کند هنگام پردازش هر کلمه، مدل به کدام کلمات دیگر بیشتر «توجه» کند؛ مثلاً در جمله «علی کتاب را به مریم داد چون او خواسته بود»، تشخیص این‌که «او» به چه کسی برمی‌گردد.
شبکه عصبی Neural Network
مدلی ریاضی که با الهام از مغز، از تعداد زیادی «نورون» مصنوعی متصل به هم ساخته شده است. هر اتصال وزنی دارد که در فرایند آموزش تنظیم می‌شود.
عامل هوشمند AI Agent
سیستمی مبتنی بر مدل زبانی که برای رسیدن به یک هدف، خودش برنامه‌ریزی می‌کند، از ابزارها (جستجو، اجرای کد، ارسال ایمیل و…) استفاده می‌کند و چند مرحله را پشت سر هم انجام می‌دهد.
فراخوانی ابزار Tool Use / Function Calling
قابلیتی که به مدل اجازه می‌دهد به‌جای پاسخ متنی، درخواست اجرای یک تابع یا ابزار (مثلاً گرفتن قیمت ارز یا جستجو در پایگاه داده) را بدهد و از نتیجه آن در پاسخ استفاده کند.
مدل استدلالی Reasoning Model
مدلی که پیش از پاسخ دادن زمان صرف «فکر کردن» می‌کند و مسئله را در چند مرحله بررسی می‌کند. برای ریاضی، برنامه‌نویسی و تحلیل‌های پیچیده دقیق‌تر است اما کندتر و گران‌تر.
مدل انتشاری Diffusion Model
نوعی مدل تولید تصویر که یاد می‌گیرد از یک تصویر پر از نویز، قدم‌به‌قدم نویز را حذف کند تا تصویر مطلوب ساخته شود. Stable Diffusion و بسیاری از تصویرسازهای امروزی بر این پایه‌اند.
مدل زبانی بزرگ Large Language Model (LLM)
مدلی که با حجم عظیمی از متن آموزش دیده تا کلمه (دقیق‌تر: توکن) بعدی را پیش‌بینی کند. همین توانایی ساده در مقیاس بزرگ، امکان گفت‌وگو، نوشتن، ترجمه و برنامه‌نویسی را فراهم می‌کند. GPT، Claude و Gemini نمونه‌های LLM هستند.
مهندسی پرامپت Prompt Engineering
مهارت نوشتن دستورهای روشن و ساختارمند برای گرفتن بهترین نتیجه از مدل؛ شامل تعیین نقش، زمینه، قالب خروجی و ارائه مثال.
هم‌راستاسازی AI Alignment
حوزه‌ای که تلاش می‌کند رفتار سیستم‌های هوش مصنوعی با اهداف و ارزش‌های انسانی هم‌راستا باشد؛ یعنی مدل مفید، صادق و بی‌خطر باشد.
هوش مصنوعی Artificial Intelligence (AI)
شاخه‌ای از علوم کامپیوتر که هدفش ساختن سیستم‌هایی است که کارهای نیازمند هوش انسانی را انجام دهند؛ مثل درک زبان، تشخیص تصویر، تصمیم‌گیری و حل مسئله.
هوش مصنوعی عمومی Artificial General Intelligence (AGI)
هوش مصنوعی فرضی که بتواند تقریباً هر کار فکری را در سطح انسان یا بهتر انجام دهد. تعریف دقیق و زمان رسیدن به آن محل بحث جدی میان متخصصان است.
وزن‌های باز Open Weights
مدلی که فایل پارامترهایش منتشر شده و می‌توان آن را دانلود و روی سخت‌افزار شخصی اجرا کرد؛ مثل Llama، Qwen و DeepSeek. با «متن‌باز» کامل فرق دارد، چون داده‌ها و کد آموزش معمولاً منتشر نمی‌شوند.
پارامتر Parameters
اعدادی (وزن‌ها) که مدل در طول آموزش یاد می‌گیرد. اندازه مدل را معمولاً با تعداد پارامترها می‌سنجند (مثلاً ۷ میلیارد یا ۷۰ میلیارد). پارامتر بیشتر لزوماً به معنای مدل بهتر نیست.
پایگاه داده برداری Vector Database
پایگاه داده‌ای که برای ذخیره و جستجوی سریع Embeddingها طراحی شده و متن‌های «هم‌معنا» را پیدا می‌کند، نه فقط متن‌هایی که کلمات یکسان دارند.
پرامپت Prompt
دستور یا متنی که به مدل هوش مصنوعی می‌دهید تا پاسخ تولید کند. کیفیت پرامپت تأثیر مستقیم بر کیفیت خروجی دارد.
پرامپت سیستمی System Prompt
دستورالعمل کلی که پیش از گفت‌وگو به مدل داده می‌شود و رفتار، لحن و محدودیت‌های آن را در کل گفت‌وگو تعیین می‌کند؛ معمولاً توسط سازنده اپلیکیشن نوشته می‌شود.
پردازنده گرافیکی GPU
پردازنده‌ای که برای انجام هم‌زمان تعداد زیادی محاسبه ساده طراحی شده و به همین دلیل برای آموزش و اجرای مدل‌های هوش مصنوعی ایده‌آل است. انویدیا بزرگ‌ترین سازنده آن در این حوزه است.
پروتکل زمینه مدل Model Context Protocol (MCP)
استانداردی باز که Anthropic معرفی کرد و حالا بسیاری از شرکت‌ها از آن پشتیبانی می‌کنند. به دستیارهای هوش مصنوعی اجازه می‌دهد به روشی یکسان به ابزارها و منابع داده (مثل گوگل‌درایو، گیت‌هاب یا پایگاه داده) وصل شوند.
پنجره زمینه Context Window
حداکثر مقدار متنی (بر حسب توکن) که مدل در یک لحظه می‌تواند در نظر بگیرد؛ شامل پیام‌های شما، پاسخ‌های قبلی و فایل‌های پیوست. هرچه بزرگ‌تر باشد، مدل اسناد طولانی‌تری را یک‌جا می‌خواند.
پیش‌آموزش Pre-training
مرحله اول و پرهزینه ساخت مدل زبانی که در آن مدل با حجم عظیمی از متن اینترنت و کتاب‌ها آموزش می‌بیند تا زبان و دانش عمومی را یاد بگیرد.
چندوجهی Multimodal
مدلی که علاوه بر متن، انواع دیگر داده مثل تصویر، صدا و ویدیو را هم می‌فهمد یا تولید می‌کند.
کوانتیزه‌سازی Quantization
کاهش دقت عددی پارامترهای مدل (مثلاً از ۱۶ بیت به ۴ بیت) تا مدل حافظه کمتری بگیرد و روی سخت‌افزار ضعیف‌تر اجرا شود؛ با کمی افت کیفیت.
یادگیری با چند نمونه Few-shot Prompting
روشی که در آن چند مثال از ورودی و خروجی مطلوب را داخل پرامپت می‌گذارید تا مدل الگو را بفهمد. اگر هیچ مثالی ندهید به آن Zero-shot می‌گویند.
یادگیری تقویتی از بازخورد انسانی RLHF
روشی که در آن انسان‌ها پاسخ‌های مدل را مقایسه و رتبه‌بندی می‌کنند و مدل یاد می‌گیرد پاسخ‌هایی بدهد که مفیدتر، دقیق‌تر و ایمن‌تر باشند.
یادگیری عمیق Deep Learning
زیرشاخه‌ای از یادگیری ماشین که از شبکه‌های عصبی با لایه‌های بسیار زیاد استفاده می‌کند. تقریباً همه پیشرفت‌های اخیر هوش مصنوعی، از ChatGPT تا تشخیص چهره، بر پایه یادگیری عمیق‌اند.
یادگیری ماشین Machine Learning
روشی در هوش مصنوعی که به‌جای نوشتن دستی قواعد، سیستم الگوها را از روی داده‌ها یاد می‌گیرد. مثلاً با دیدن هزاران ایمیل، یاد می‌گیرد هرزنامه را تشخیص دهد.