تصور کنید هر بار با ChatGPT صحبت می‌کنید، در واقع با یک ماشین پیش‌بینی احتمالات عظیم طرف هستید، نه یک موجود متفکر. اگر هنوز فکر می‌کنید این ابزار مانند گوگل است، باید بدانید تفاوت بنیادین در نحوه تولید پاسخ نهفته است.
طبق گزارش IdeaWeaver AI در ۹ جولای ۲۰۲۶، مکانیزم‌های داخلی این ابزار را می‌توان به چهار ستون اصلی تقسیم کرد تا تفاوت هوش مصنوعی محاوره‌ای با موتورهای جست‌وجوی سنتی روشن شود.
درک این اجزا حیاتی است چون استانداردهای فعلی توسعه AI را تعریف می‌کنند. همان‌طور که در تحلیل‌های قبلی ما درباره مدل‌های بنیادی اشاره کردیم، تفاوت اینجاست که موتورهای جست‌وجو داده‌های موجود را بازیابی می‌کنند، اما هوش مصنوعی زاینده (Generative AI) — شبیه هنرمندی که به‌جای کپی کردن از تابلوهای دیگر، بر اساس آموخته‌هایش اثر جدیدی خلق می‌کند — محتوا را از صفر می‌سازد. در این راستا، نحوه تعامل این مدل‌ها با داده‌های زنده وب نیز حائز اهمیت است؛ چنان‌که در بررسی ترافیک شبکه ChatGPT مشاهده شد، این ابزار برای پاسخ‌های دقیق‌تر، منابع وب را با یکدیگر مقایسه می‌کند.
بر اساس مستندات IdeaWeaver AI، این معماری شامل چهار عنصر کلیدی است:
- چت (Chat): رابطی که تعاملات چندمرحله‌ای و محاوره‌ای را ممکن می‌کند.
- زاینده (Generative): توانایی تولید متن بدیع به‌جای صرفاً بازیابی اطلاعات ایندکس‌شده.
- پیش‌آموزش‌دیده (Pre-trained): مرحله‌ای که مدل پیش از پاسخ به هر سوال، الگوهای زبانی را از مجموعه‌داده‌های عظیم می‌آموزد.
- ترنسفورمر (Transformer): یک شبکه عصبی (Neural Network) — شبیه نقشهٔ مترو که سیگنال‌ها را از ورودی به جواب می‌رساند — که اجازه می‌دهد مدل اهمیت کلمات مختلف در یک جمله را بسنجد.
این کالبدشکافی نشان می‌دهد که «ترنسفورمر» اثرگذارترین بخش این پشته است. مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — با استفاده از این معماری می‌توانند وابستگی‌های دوربرد در متن را مدیریت کنند و به‌همین دلیل، انسجام بیشتری نسبت به مدل‌های قدیمی دارند.
برای یک کاربر معمولی، این یعنی AI در حال «فکر کردن» به معنای انسانی نیست؛ بلکه بر اساس پیش‌آموزش خود، محتمل‌ترین توکن (Token) — تکه‌های کوچکی از متن، شبیه برش‌های یک کیک طولانی — را محاسبه می‌کند. درک این موضوع مانع از این اشتباه رایج می‌شود که با یک LLM به‌عنوان پایگاه‌داده‌ای واقع‌گرایانه برخورد کنیم، در حالی که این ابزار در واقع یک تطبیق‌دهندهٔ پیشرفتهٔ الگوهاست.
گام بعدی شما
- برای تبدیل شدن از کاربر به سازنده، ابزار DevOps Open Agent را در گیت‌هاب بررسی کنید.
- سعی کنید با تغییرات کوچک در پرامپت، نحوه پیش‌بینی توکن‌های مدل را به چالش بکشید.
- مستندات معماری Transformer را برای درک عمیق‌تر «مکانیسم توجه» مطالعه کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای شناخت زیرساختی که این مدل‌ها را می‌چرخاند، به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو