این ویدیو درباره چیست؟
وقتی یک سؤال از ChatGPT یا سایر مدل‌های هوش مصنوعی می‌پرسیم، پشت صحنه چه اتفاقی می‌افتد؟ چگونه یک مدل زبانی می‌تواند متن ما را پردازش کند، ارتباط بین کلمات را تشخیص دهد و در چند ثانیه پاسخی منظم و مرتبط تولید کند؟
در این آموزش، نحوه کار هوش مصنوعی مولد (Generative AI) و مدل‌های زبانی بزرگ (LLM) را از لحظه ارسال پیام تا تولید پاسخ بررسی می‌کنیم.
هدف این است که بدون نیاز به دانش برنامه‌نویسی یا ریاضیات پیشرفته، با مفاهیم اساسی مانند توکن‌سازی، بردارهای عددی، شبکه‌های عصبی، معماری ترنسفورمر و پیش‌بینی توکن بعدی آشنا شویم.
همچنین یاد می‌گیریم چرا هوش مصنوعی گاهی اشتباه می‌کند و چگونه می‌توان با نوشتن پرامپت‌های بهتر، پاسخ‌های مفیدتری دریافت کرد.
چه چیزهایی یاد می‌گیریم؟
- نحوه پردازش پیام: وقتی متنی برای ChatGPT ارسال می‌کنیم، چه مراحلی طی می‌شود؟
- توکن‌سازی (Tokenization): چرا متن به بخش‌های کوچک‌تر و شناسه‌های عددی تبدیل می‌شود؟
- امبدینگ (Embedding): مدل چگونه از توکن‌ها نمایش‌های عددی قابل پردازش می‌سازد؟
- پنجره زمینه (Context Window): هوش مصنوعی چگونه از پیام‌های قبلی گفتگو استفاده می‌کند؟
- مکانیزم توجه (Attention): مدل چگونه ارتباط بخش‌های مختلف متن را محاسبه می‌کند؟
- معماری ترنسفورمر (Transformer): شبکه‌های عصبی چگونه اطلاعات ورودی را پردازش می‌کنند؟
- پیش‌بینی توکن بعدی: ChatGPT چگونه پاسخ را مرحله‌به‌مرحله تولید می‌کند؟
- تفاوت آموزش و اجرا: تفاوت Training و Inference چیست؟
- خطاهای هوش مصنوعی: چرا مدل‌ها گاهی اطلاعات نادرست تولید می‌کنند؟
- پرامپت‌نویسی بهتر: چگونه درخواست‌های دقیق‌تری بنویسیم؟
مراحل یا نکات اصلی
بخش اول: وقتی پیامی برای هوش مصنوعی ارسال می‌کنیم چه اتفاقی می‌افتد؟
فرض کنید سؤال زیر را برای ChatGPT ارسال می‌کنیم:
«چرا آسمان آبی است؟»
وقتی دکمه ارسال را می‌زنیم، پیام ما وارد سیستم پردازش مدل می‌شود.
در یک مدل زبانی مبتنی بر ترنسفورمر، مسیر کلی تولید پاسخ به این صورت است:
پیام ورودی ← توکن‌سازی ← تبدیل به نمایش عددی ← پردازش در شبکه عصبی ← پیش‌بینی توکن بعدی ← تولید پاسخ
نکته مهم این است که مدل معمولاً پاسخ را از یک فهرست آماده انتخاب نمی‌کند؛ بلکه بر اساس الگوهایی که در زمان آموزش یاد گرفته و متنی که در اختیار دارد، خروجی جدید تولید می‌کند.
البته در برخی محصولات، ابزارهایی مثل جست‌وجوی اینترنتی یا دسترسی به فایل‌ها نیز ممکن است به این فرایند اضافه شوند.
بخش دوم: توکن (Token) چیست؟
مدل‌های زبانی متن را مستقیماً مانند انسان پردازش نمی‌کنند.
در اولین مراحل، متن ورودی توسط سیستمی به نام Tokenizer به واحدهای کوچک‌تری به نام توکن تقسیم می‌شود.
یک توکن می‌تواند شامل موارد زیر باشد:
- یک کلمه کامل
- بخشی از یک کلمه
- یک علامت نگارشی
- یک فاصله یا ترکیبی از کاراکترها
برای مثال، عبارت «هوش مصنوعی چیست؟» ممکن است بر اساس توکن‌ساز مدل به چند بخش مختلف تقسیم شود.
هر توکن یک شناسه عددی دارد که مدل از آن برای مراحل بعدی استفاده می‌کند.
بخش سوم: امبدینگ (Embedding) و تبدیل متن به اعداد
بعد از توکن‌سازی، شناسه‌های عددی توکن‌ها به بردارهای عددی تبدیل می‌شوند.
به این نمایش عددی Embedding گفته می‌شود.
یک بردار می‌تواند صدها یا هزاران مقدار عددی داشته باشد. این نمایش‌ها به شبکه عصبی امکان می‌دهند الگوها و ارتباطات موجود در متن را پردازش کند.
به‌عنوان مثال، مدل ممکن است در طول آموزش الگوهایی یاد گرفته باشد که باعث می‌شوند نمایش واژه‌های مرتبط، مانند «پزشک» و «بیمار»، از بعضی جنبه‌ها به یکدیگر ارتباط داشته باشند.
البته این ارتباط‌ها پیچیده‌تر از یک نقشه ساده دوبعدی هستند.
نکته مهم دیگر این است که مدل باید اطلاعات مربوط به جایگاه توکن‌ها در متن را نیز در نظر بگیرد؛ زیرا ترتیب کلمات می‌تواند معنی جمله را تغییر دهد.
بخش چهارم: پنجره زمینه (Context Window) چیست؟
پنجره زمینه به مقدار اطلاعاتی گفته می‌شود که مدل می‌تواند در یک نوبت پردازش در اختیار داشته باشد.
این اطلاعات ممکن است شامل موارد زیر باشند:
- سؤال فعلی کاربر
- پیام‌های قبلی گفتگو
- دستورالعمل‌های مربوط به نحوه پاسخ
- متن فایل‌ها یا اطلاعاتی که به مدل ارائه شده‌اند
برای مثال، اگر ابتدا بنویسیم:
«من یک فروشگاه اینترنتی لوازم دیجیتال دارم.»
و بعد سؤال کنیم:
«برای فروشگاهم یک شعار تبلیغاتی بنویس.»
مدل با استفاده از زمینه گفتگو متوجه می‌شود که منظور ما فروشگاه لوازم دیجیتال است.
بااین‌حال، پنجره زمینه محدود است و همه گفتگوهای قبلی لزوماً همیشه در دسترس مدل قرار ندارند.
بخش پنجم: مکانیزم توجه (Attention) چگونه کار می‌کند؟
یکی از مهم‌ترین اجزای معماری ترنسفورمر، مکانیزم توجه است.
این مکانیزم به مدل امکان می‌دهد هنگام پردازش هر بخش از متن، اطلاعات مرتبط از بخش‌های دیگر را نیز در نظر بگیرد.
برای مثال، جمله زیر را بررسی کنید:
«علی کتاب را برداشت و آن را روی میز گذاشت.»
برای تفسیر عبارت «آن را»، ارتباط آن با «کتاب» اهمیت دارد.
مکانیزم توجه با استفاده از محاسبات ریاضی به مدل کمک می‌کند چنین ارتباطاتی را در نمایش‌های عددی متن لحاظ کند.
در ترنسفورمرها، این کار معمولاً با ساختارهایی مانند Self-Attention و Multi-Head Attention انجام می‌شود.
البته توجه به این معنا نیست که مدل دقیقاً مانند انسان به کلمات نگاه می‌کند؛ بلکه با وزن‌ها و ماتریس‌های عددی سروکار داریم.
بخش ششم: ترنسفورمر (Transformer) چیست؟
ترنسفورمر نوعی معماری شبکه عصبی است که نقش مهمی در توسعه مدل‌های زبانی مدرن داشته است.
این معماری از مجموعه‌ای از لایه‌های پردازشی تشکیل می‌شود.
در هر لایه، نمایش عددی ورودی با استفاده از عملیات ریاضی پردازش شده و به نمایش جدیدی تبدیل می‌شود.
به زبان ساده:
- اطلاعات عددی وارد لایه می‌شوند.
- مکانیزم توجه ارتباطات میان توکن‌ها را محاسبه می‌کند.
- بخش‌های دیگر شبکه، اطلاعات را تبدیل و پردازش می‌کنند.
- خروجی به لایه‌های بعدی منتقل می‌شود.
- در پایان، مدل اطلاعات لازم برای پیش‌بینی ادامه متن را تولید می‌کند.
تعداد لایه‌ها، اندازه بردارها و سایر ویژگی‌های معماری در مدل‌های مختلف متفاوت است.
بخش هفتم: ChatGPT چگونه پاسخ تولید می‌کند؟
یکی از اصول اصلی بسیاری از مدل‌های زبانی مولد، پیش‌بینی توکن بعدی (Next Token Prediction) است.
فرض کنید مدل با این عبارت روبه‌رو شود:
«پایتخت ایران شهر ...»
مدل بر اساس متن موجود، به توکن‌های مختلف برای ادامه عبارت امتیاز می‌دهد.
احتمالاً توکنی مرتبط با «تهران» امتیاز بالایی دریافت می‌کند.
پس از انتخاب توکن، آن توکن به متن اضافه می‌شود و مدل دوباره توکن بعدی را پیش‌بینی می‌کند.
این چرخه بارها تکرار می‌شود تا پاسخ کامل شود.
بنابراین پاسخ مدل معمولاً به‌صورت تدریجی تولید می‌شود، نه اینکه تمام متن از ابتدا به شکل یک پاسخ آماده ذخیره شده باشد.
نحوه انتخاب توکن بعدی نیز می‌تواند به تنظیمات تولید، مانند Temperature، بستگی داشته باشد.
بخش هشتم: تفاوت Training و Inference چیست؟
دو مرحله مهم در عملکرد مدل‌های زبانی، آموزش و اجرا هستند.
| ویژگی | آموزش (Training) | اجرا (Inference) |
|---|---|---|
| هدف | یادگیری الگوها از داده‌ها | تولید پاسخ برای ورودی جدید |
| زمان انجام | هنگام ساخت و بهبود مدل | هنگام استفاده کاربر |
| تغییر وزن‌های شبکه | معمولاً بله | معمولاً خیر |
| منابع محاسباتی | اغلب بسیار زیاد | وابسته به اندازه مدل و درخواست |
| مثال | آموزش مدل با داده‌های متنی | پاسخ به سؤال کاربر |
وقتی از ChatGPT استفاده می‌کنیم، معمولاً در مرحله Inference هستیم.
یعنی مدل با استفاده از وزن‌هایی که قبلاً آموخته، پیام ما را پردازش و پاسخ تولید می‌کند.
این موضوع با حافظه گفتگو تفاوت دارد. یک سرویس ممکن است اطلاعاتی از گفتگو را جداگانه ذخیره کند، بدون اینکه وزن‌های اصلی مدل در همان لحظه تغییر کنند.
بخش نهم: چرا هوش مصنوعی گاهی اشتباه می‌کند؟
یکی از مهم‌ترین محدودیت‌های مدل‌های زبانی، تولید اطلاعات نادرست یا ساختگی است.
به این پدیده Hallucination یا هذیان‌گویی هوش مصنوعی گفته می‌شود.
برای مثال، ممکن است یک مدل:
- نام یک کتاب یا مقاله غیرواقعی را معرفی کند.
- آمار و اعداد اشتباه ارائه دهد.
- درباره اتفاقات جدید اطلاعات قدیمی داشته باشد.
- پاسخ نادرستی تولید کند که از نظر نگارشی کاملاً قانع‌کننده به نظر برسد.
دلیل مهم این اتفاق آن است که تولید متن روان و محتمل، به‌تنهایی تضمین‌کننده صحت اطلاعات نیست.
بخش دهم: چگونه پرامپت بهتری بنویسیم؟
حالا که می‌دانیم مدل از متن ورودی و زمینه گفتگو برای تولید پاسخ استفاده می‌کند، می‌توانیم درخواست‌های دقیق‌تری بنویسیم.
نمونه پرامپت ضعیف:
«درباره هوش مصنوعی توضیح بده.»
این درخواست مشخص نمی‌کند مخاطب کیست، توضیح چقدر باید طولانی باشد یا چه موضوعاتی اهمیت بیشتری دارند.
نمونه پرامپت بهتر:
«فرض کن یک معلم فناوری هستی. مفهوم هوش مصنوعی مولد را برای یک دانش‌آموز ۱۵ ساله توضیح بده. پاسخ را در ۳ بخش بنویس، از مثال‌های روزمره استفاده کن و اصطلاحات تخصصی را به زبان ساده توضیح بده.»
برای نوشتن پرامپت بهتر، این چهار مورد را مشخص کنید:
- هدف: دقیقاً چه چیزی می‌خواهید؟
- زمینه: چه اطلاعاتی باید در اختیار مدل قرار بگیرد؟
- مخاطب: پاسخ برای چه کسی نوشته می‌شود؟
- قالب خروجی: پاسخ باید به شکل متن، جدول، فهرست یا ساختار دیگری باشد؟
شفاف‌تر نوشتن درخواست معمولاً به دریافت پاسخ مرتبط‌تر کمک می‌کند، اما صحت اطلاعات را تضمین نمی‌کند.
مقایسه هوش مصنوعی با موتور جست‌وجو
یکی از سؤال‌های رایج این است که تفاوت ChatGPT و موتورهای جست‌وجو چیست؟
| ویژگی | مدل زبانی | موتور جست‌وجو |
|---|---|---|
| عملکرد اصلی | تولید و پردازش محتوا | یافتن و رتبه‌بندی منابع |
| نوع خروجی | پاسخ تولیدشده | لینک‌ها، منابع و پاسخ‌های استخراج‌شده |
| دسترسی به اطلاعات روز | وابسته به اتصال به ابزارهای بیرونی | معمولاً با جست‌وجوی وب |
| تولید محتوای جدید | قابلیت اصلی | بسته به امکانات سرویس |
| احتمال ارائه اطلاعات اشتباه | وجود دارد | وجود دارد |
البته امروزه مرز این دو فناوری کاملاً جدا نیست. بعضی موتورهای جست‌وجو از مدل‌های زبانی برای تولید پاسخ استفاده می‌کنند و برخی دستیارهای هوش مصنوعی نیز قابلیت جست‌وجوی اینترنتی دارند.
سؤالات متداول (FAQ)
آیا ChatGPT واقعاً مانند انسان فکر می‌کند؟
مدل‌های زبانی با پردازش نمایش‌های عددی و استفاده از الگوهای آموخته‌شده پاسخ تولید می‌کنند. این سازوکار با تفکر و تجربه ذهنی انسان یکسان نیست، هرچند مدل‌ها می‌توانند در برخی وظایف توانایی‌های پیچیده‌ای در حل مسئله نشان دهند.
آیا هوش مصنوعی تمام جواب‌ها را از قبل حفظ کرده است؟
خیر. مدل‌های زبانی معمولاً پاسخ‌های خود را هنگام دریافت درخواست تولید می‌کنند. البته ممکن است بعضی اطلاعات موجود در داده‌های آموزشی را نیز حفظ کرده باشند.
آیا ChatGPT به اینترنت متصل است؟
این موضوع به محصول، تنظیمات و ابزارهای فعال بستگی دارد. خود مدل زبانی برای تولید پاسخ لزوماً به اینترنت نیاز ندارد، اما بعضی نسخه‌ها امکان جست‌وجوی وب دارند.
توکن با کلمه چه تفاوتی دارد؟
کلمه یک واحد زبانی است، اما توکن یک واحد پردازشی است که توسط توکن‌ساز تعیین می‌شود. یک کلمه می‌تواند از چند توکن تشکیل شده باشد.
آیا ChatGPT با هر پیامی که می‌فرستیم آموزش می‌بیند؟
ارسال پیام معمولاً باعث تغییر فوری وزن‌های اصلی مدل نمی‌شود. استفاده احتمالی از گفتگوها برای بهبود مدل، موضوع جداگانه‌ای است که به سیاست‌ها و تنظیمات سرویس بستگی دارد.
آیا می‌توان همیشه به پاسخ هوش مصنوعی اعتماد کرد؟
خیر. هوش مصنوعی ابزار قدرتمندی برای یادگیری، تحلیل و تولید محتواست، اما امکان خطا دارد. اطلاعات مهم باید بررسی و اعتبارسنجی شوند.
آیا مدل‌های هوش مصنوعی فقط توکن بعدی را پیش‌بینی می‌کنند؟
پیش‌بینی توکن بعدی یکی از اصول اصلی مدل‌های زبانی مولد است، اما عملکرد نهایی دستیارهای هوشمند می‌تواند شامل آموزش‌های تکمیلی، پردازش‌های اضافی، استفاده از ابزارها و روش‌های مختلف تولید پاسخ نیز باشد.
جمع‌بندی
مدل‌های زبانی بزرگ با استفاده از شبکه‌های عصبی و محاسبات ریاضی، ورودی‌های متنی را پردازش و پاسخ‌های جدید تولید می‌کنند.
مسیر اصلی این فرایند از توکن‌سازی و تبدیل متن به نمایش عددی آغاز می‌شود، از لایه‌های ترنسفورمر و مکانیزم توجه عبور می‌کند و در نهایت به پیش‌بینی و تولید تدریجی توکن‌های خروجی می‌رسد.
درک این فرایند کمک می‌کند توانایی‌ها و محدودیت‌های هوش مصنوعی را بهتر بشناسیم، پاسخ‌های آن را آگاهانه‌تر ارزیابی کنیم و درخواست‌های مؤثرتری بنویسیم.
هدف فقط استفاده از هوش مصنوعی نیست؛ بلکه درک سازوکار آن و استفاده مسئولانه‌تر از این فناوری است.
دیدگاه‌ها درباره این آموزش (۰)