هوش مصنوعی مولد چیست؟ از متن تا تصویر و ویدئو

هوش مصنوعی مولد (Generative AI)، بدون تردید، یکی از انقلابی‌ترین فناوری‌های عصر حاضر است. این شاخه‌ی پیشرفته از هوش مصنوعی، مرزهای میان خلاقیت انسانی و قابلیت‌های ماشینی را درهم شکسته و به ماشین‌ها این توانایی را داده است که محتوایی کاملاً جدید، اصیل و منحصربه‌فرد—از متن و کد گرفته تا تصویر، صدا و ویدئو—تولید کنند. دیگر وظیفه‌ی هوش مصنوعی تنها تحلیل داده‌ها نیست، بلکه خلق داده‌ها بر اساس الگوهایی است که از میلیون‌ها نمونه آموخته است.

هوش مصنوعی مولد (Generative AI) چیست؟

هوش مصنوعی مولد، مجموعه‌ای از مدل‌های یادگیری عمیق است که می‌تواند بر اساس داده‌های آموزشی موجود، خروجی‌هایی را خلق کند که مشابه داده‌های واقعی و طبیعی به نظر می‌رسند، اما تکرار مستقیم آن‌ها نیستند. در حالی که هوش مصنوعی “تمییزدهنده” (Discriminative AI) الگوها را می‌شناسد (مثلاً تشخیص می‌دهد که یک عکس، گربه است)، هوش مصنوعی مولد الگوها را می‌آموزد و سپس از این درک عمیق برای تولید محتوای جدید استفاده می‌کند (مثلاً یک عکس جدید از گربه‌ای که قبلاً وجود نداشته، می‌سازد).

ساختار اصلی کارکرد هوش مصنوعی مولد

مدل‌های هوش مصنوعی مولد با استفاده از حجم عظیمی از داده‌ها (متن، تصاویر، فیلم، موسیقی و…) آموزش می‌بینند. هسته اصلی کارکرد آن‌ها، درک توزیع احتمالی این داده‌هاست. به زبان ساده، مدل یاد می‌گیرد که “اگر A و B را ببیند، احتمالاً C باید در کنار آن‌ها قرار بگیرد.”

1. ورودی (Prompt): همه چیز با یک فرمان یا اعلان (Prompt) شروع می‌شود. این فرمان می‌تواند یک جمله‌ی متنی، یک تصویر، یک قطعه موسیقی یا ترکیبی از همه آن‌ها باشد.
2. یادگیری الگو: مدل هوش مصنوعی مولد، بر اساس این فرمان، در پایگاه داده‌های آموزشی خود به دنبال الگوهای مرتبط می‌گردد.
3. تولید محتوا: با استفاده از این الگوها، مدل شروع به تولید پیکسل به پیکسل، کلمه به کلمه یا فریم به فریم محتوای جدید و اصیل می‌کند.

تکامل مدل‌های مولد: از چت‌بات‌های اولیه تا LLMها

تاریخچه‌ی هوش مصنوعی مولد به دهه ۱۹۶۰ میلادی و چت‌بات‌های اولیه باز می‌گردد، اما جهش بزرگ در دهه‌های اخیر رخ داده است:

• شبکه‌های متخاصم مولد (GANs): در سال ۲۰۱۴ معرفی شدند. GAN از دو شبکه‌ی عصبی (مولد و تمییزدهنده) تشکیل شده که در برابر هم آموزش می‌بینند. مولد، محتوا (مثلاً تصویر) تولید می‌کند و تمییزدهنده سعی می‌کند تشخیص دهد کدام واقعی و کدام جعلی است. این رقابت کیفیت خروجی را به سطح خیره‌کننده‌ای افزایش داد.
• ترانسفورمرها (Transformers): معرفی مدل ترانسفورمر در سال ۲۰۱۷ (توسط گوگل) و مفهوم “توجه” (Attention)، نقطه عطفی بود. ترانسفورمرها قادر به پردازش و درک روابط بین کلمات یا عناصر داده در یک دنباله بسیار طولانی هستند (نه فقط جملات مجاور).
• مدل‌های زبان بزرگ (LLMs): بر اساس ساختار ترانسفورمرها شکل گرفتند. این مدل‌ها (مانند GPT-4 یا Gemini) با میلیاردها پارامتر، بر روی حجم عظیمی از متن آموزش دیده‌اند و می‌توانند متن‌های پیچیده، منسجم و بسیار انسانی تولید کنند و زمینه‌ساز اصلی انقلاب کنونی هوش مصنوعی مولد هستند.