هوش مصنوعی · مقاله
شبکههای عصبی و یادگیری عمیق چگونه سیستم‌های هوش مصنوعی را قادر به یادگیری و تصمیم‌گیری می‌کنند
انتشار:
به‌طور خلاصه
شبکههای عصبی با تنظیم مکرر مقادیر عددی درونی به نام وزن‌ها یاد می‌گیرند، با استفاده از روش آموزشی به نام انتشار برگشتی که خطاهای یافت‌شده هنگام مقایسه پیش‌بینی‌ها با پاسخ‌های شناخته‌شده را تصحیح میکند. یادگیری عمیق چندین لایه از این شبکه‌ها را روی هم می‌چیند، و این دلیل است که سیستم‌های هوش مصنوعی امروزی می‌توانند الگوها را تشخیص دهند و نتایج را بدون دریافت قوانین صریح نوشته‌شده به دست برای هر موقعیت تولید کنند.
این نسخه ترجمهٔ ماشینی متن اصلی (English) است. خواندن متن اصلی
شبکه عصبی واقعاً چیست
طبق IBM، شبکه عصبی یک مدل یادگیری ماشینی است که از واحدهای پردازش ساده به نام نورون‌ها، مرتب‌شده در لایهها، ساخته شده است که وزن‌ها و بایاس‌های شناخت الگو را از داده‌ها یاد می‌گیرند تا ورودی‌ها را به خروجی‌ها نگاشت کنند. هر شبکه دارای یک لایه ورودی است که داده‌های خام را دریافت میکند، یک یا چند لایه پنهان که آن داده‌ها را تبدیل میکند، و یک لایه خروجی که نتیجه نهایی را تولید میکند، مثل برچسب یا پیشبینی.
هر نورون مقادیر ورودی‌اش را در اعدادی به نام وزن‌ها ضرب میکند، یک مصطلح بایاس اضافه میکند، و نتیجه را از طریق یک تابع فعال‌سازی غیرخطی عبور میدهد. IBM وزن‌ها را با دکمه‌هایی مقایسه میکند که تعیین می‌کنند هر ورودی چقدر بر نتیجه تأثیر می‌گذارد، در حالی که بایاس‌ها نقطه‌ای را تنظیم می‌کنند که در آن نورون فعال می‌شود.
آموزش چگونه کار میکند: عبور‌های رو به جلو و عقب
MIT News این ایده را به سال 1944 برمی‌گرداند، زمانی که وارن مک‌کالک و والتر پیتس، که بعداً به MIT رفتند، برای اولین بار مفهوم گره‌های پردازش متقابل را پیشنهاد کردند. در طراحی اصلی، هر گره مقادیر وزندار ورودی‌اش را جمع میکند و اگر مجموع از یک آستانه عبور کند 'شلیک' میکند، سیگنالی به لایه بعدی ارسال میکند که MIT آن را معماری بازخوری رو به جلو می‌نامد.
آموزش با وزن‌های تصادفی شروع می‌شود. IBM توضیح میدهد که شبکه ابتدا یک مرحله 'انتشار رو به جلو' را اجرا میکند، داده‌های ورودی را از طریق لایهها عبور میدهد تا یک پیشبینی تولید کند. یک تابع زیان سپس فاصله بین آن پیشبینی و پاسخ صحیح را اندازهگیری میکند، با استفاده از فرمول‌هایی مانند میانگین خطای مربع برای پیش‌بینی‌های عددی یا آنتروپی متقاطع برای وظایف طبقه‌بندی، طبق IBM.
شبکه سپس 'انتشار برگشتی' را اجرا میکند، محاسبه میکند، لایه به لایه، چقدار هر وزن فردی به خطا کمک کرده است، با استفاده از یک قانون حساب که قانون زنجیره نام دارد. یک مرحله بهینه‌سازی به نام فرود گرادیان سپس از آن محاسبات استفاده میکند تا هر وزن را کمی در جهتی حرکت دهد که خطا را کاهش میدهد. تکرار این چرخه هزاران یا میلیون بار در نمونه‌های آموزشی آنچیزی است که IBM و MIT هر دو آن را چگونگی 'یادگیری' شبکه توصیف می‌کنند.
چرا یادگیری عمیق رو به جلو رفت
'یادگیری عمیق' به شبکه‌هایی با چندین لایه پنهان شده بر روی هم می‌پردازد نه تنها یک لایه. MIT News توجه میدهد که شبکههای تکلایه از دهه 1960 جای خود را به شبکههای مدرن با 10 تا 50 لایه یا بیشتر داده‌اند. تکانه تحقیق پس از انتشار کتابی توسط مروین مینسکی و سیمور پاپرت در MIT در سال 1969 که حدود شبکههای تکلایه را نشان می‌داد، فروپاشید، طبق MIT News، و فقط تا حدی در دهه 1980 بازیافت شد قبل از سقوط دوم در اوائل دهه 2000.
نهضت مدرن زمینه، که MIT آن را حدود سال 2010 تاریخ‌گذاری میکند، توسط واحدهای پردازش گرافیک (GPUها) که در اصل برای بازیهای ویدیویی ساخته شدهاند، هدایت شد که باعث شد اجرای تعداد عظیمی محاسبات که شبکههای عمیق نیاز دارند عملی شود. IBM افزود که این قدرت محاسباتی، در ترکیب با مجموعهدادههای بسیار بزرگتر، پارامترها را در مدل‌های امروزی بزرگ به میلیاردها امکان داد.
| معماری | استفاده نموذجی | منبع |
|---|---|---|
| شبکه عصبی کانولوشنی (CNN) | تشخیص تصویر، با استفاده از فیلترهایی که الگوهای محلی را اسکن می‌کنند | IBM |
| شبکه عصبی بازگشتی (RNN) | داده‌های متوالی مثل متن یا سری زمانی، از طریق یک حالت پنهان مانند حافظه | IBM |
| مبدل (Transformer) | خود توجه در تمام توالی‌ها؛ مدل‌های زبانی بزرگ مدرن را قدرت میدهد | IBM |
| مدل انتشار | تصاویر را با معکوس کردن یک فرآیند افزودن نویز مرحله به مرحله تولید میکند | IBM |
| کدگذار خودکار (Autoencoder) | داده‌ها را به نمایشی کوچک‌تر فشرده میکند برای وظایف کاهش یا تولید | IBM |
مشکله 'جعبه سیاه': چرا تصمیمات توضیح دادن سخت است
حتی یک شبکه به‌طور کامل آموزش‌دیده می‌تواند تفسیر کردن آن دشوار باشد. MIT News بیان میکند که پس از آموزش، غالباً واضح نیست که تنظیمات وزن نهایی واقعاً نشان دهنده چه هستند، یا چه ویژگیهای تصویری یک سیستم آموزش‌دیده بر آن متکی است و چگونه آنها را ترکیب میکند. این کدورت، که گاهی به آن مشکله 'جعبه سیاه' گفته می‌شود، متفاوت از نحوه ساخت شبکه است — این به درک این مربوط است که چرا یک شبکه آموزش‌دیده‌ی خاص یک تصمیم خاص را تولید میکند.
چرا این توضیح درست الآن اهمیت دارد
مکانیزم‌های بالا پشت گسترش سریع استفاده از هوش مصنوعی در زندگی روزمره قرار دارند. گزارش شاخص هوش مصنوعی Stanford HAI 2026 دریافت کرد که پذیرش سازمانی هوش مصنوعی تولیدی به 88٪ در 2025 رسید، و اینکه هوش مصنوعی تولیدی به 53٪ پذیرش سطح جمعیت در غضون سه سال از معرفی آن به بازار جمعی رسید — که گزارش می‌گوید سریع‌تر از رایانه شخصی یا اینترنت به همان سطح رسید. همان گزارش سرمایه‌گذاری خصوصی هوش مصنوعی ایالات متحده را در 2025 در 285.9 میلیارد دلار قرار میدهد، بیش از 23 برابر 12.4 میلیارد دلاری که در آن سال در چین سرمایه‌گذاری شد.
گزارش Stanford همچنین دریافت که عملکرد مدل هوش مصنوعی در معیارهای کدنویسی مثل SWE-bench Verified از تقریباً 60٪ به نزدیک 100٪ در غضون یک سال بالا رفت، و اینکه چندین مدل اکنون خطوط پایه انسانی را در سؤالات علم سطح دکتری و ریاضیات رقابتی برآورده یا فراتر می‌روند. هیچ یک از این دستاوردهای توانایی، مکانیزم پایهای را که بالا شرح داده شد تغییر نمی‌دهد — اتصالات وزندار تنظیم شده از طریق انتشار برگشتی و فرود گرادیان — فقط مقیاسی که آن بر آن اعمال می‌شود.
پرسش‌ها
- تفاوت بین شبکه عصبی و یادگیری عمیق چیست؟
- شبکه عصبی مدل پایهای از واحدهای پردازش وزندار در لایهها است؛ یادگیری عمیق بهویژه به شبکههای عصبی با بسیاری از لایههای پنهان اشاره میکند (IBM شبکههای مدرن 10 تا 50 لایه یا بیشتر را ذکر میکند، در مقابل شبکههای تکلایه از دهه 1960، طبق MIT News).
- انتشار برگشتی واقعاً چگونه کار میکند؟
- پس از اینکه شبکه یک پیشبینی انجام میدهد (انتشار رو به جلو)، یک تابع زیان خطا را در برابر پاسخ صحیح اندازهگیری میکند، و انتشار برگشتی قانون زنجیره را استفاده میکند تا محاسبه کند هر وزن چقدر به آن خطا کمک کرده است؛ فرود گرادیان سپس هر وزن را تنظیم میکند تا آن را کاهش دهد، طبق IBM.
- چرا شبکههای عصبی گاهی 'جعبه سیاه' نام داده میشوند؟
- MIT News توضیح میدهد که حتی پس از موفقیت آموزش، اغلب مشخص نیست که شبکه به چه ویژگیهای ورودی متکی است یا مقادیر وزن یادگرفته شده واقعاً نشان دهنده چه هستند، و این تصمیمات خاص آن را علیرغم خروجیهای درست، تفسیر کردن دشوار میکند.
- چرا یادگیری عمیق فقط در سالهای اخیر عملی شده است؟
- MIT News نهضت پس از 2010 را به واحدهای پردازش گرافیک (GPUها)، که در اصل برای بازیهای ویدیویی ساخته شدهاند، نسبت میدهد، که قدرت محاسباتی مورد نیاز برای آموزش شبکههای با بسیاری از لایهها بر روی مجموعهدادههای بزرگ را فراهم کردند.
- امروزه هوش مصنوعی واقعاً تا چه حد استفاده می‌شود؟
- گزارش شاخص هوش مصنوعی Stanford 2026 دریافت کرد که پذیرش سازمانی هوش مصنوعی تولیدی به 88٪ در 2025 رسید، و اینکه هوش مصنوعی تولیدی به 53٪ جمعیت در غضون سه سال از معرفی آن رسید، سریع‌تر از رایانه شخصی یا اینترنت در همان مرحله.
منابع
این مطلب با هوش مصنوعی آماده شده و پیش از انتشار از بررسی خودکار منابع گذشته است. اگر خطایی دیدید، درخواست اصلاح کنید. درخواست اصلاح یا حق پاسخ · چگونه کار می‌کنیم
مطالب مرتبط
هوش مصنوعیمقاله
چگونه شبکههای عصبی یاد می‌گیرند: ریاضیات پشت ChatGPT و Gemini
شبکههای عصبی با ایجاد یک پیشبینی، اندازهگیری میزان خطا آن با تابع زیان، و سپس تعدیل مقادیر داخلی به نام وزن‌ها از طریق شبکه به صورت معکوس یاد می‌گیرند — فرآیندی که انتشار معکوس نام‌گذاری می‌شود و با روشی بهینه‌سازی به نام فرود گرادیانی جفت می‌شود. همین مکانیزم، در مقیاس میلیاردها پارامتر، زیربنای نحوه آموزش اولیه سیستم‌هایی مانند ChatGPT و Gemini است و سپس سازگاری آنها با کارهای خاص از طریق تنظیم دقیق.
هوش مصنوعیمقاله
چگونه هوش مصنوعی هنر و موسیقی تولید می کند و چرا "خلاقیت واقعی" همچنان مورد اختلاف است
ابزارهای تصویری هوش مصنوعی مانند Midjourney و Stable Diffusion تصاویر را با یادگیری معکوس کردن فرآیند نویز می سازند، در حالی که ابزارهای موسیقی مانند Suno و Udio صوت را به نمادها فشرده کرده و آنها را مرحله به مرحله پیش بینی می کنند، هدایت شده توسط یک رمز متنی. اینکه آیا هر یک از این فرآیندها به عنوان خلاقیت واقعی شمار می رود، هنوز حل نشده است: محققان میان نام گذاری آن به عنوان "تجدید ترکیب" مبتنی بر الگو و اعتراف به آن با عملکرد خلاق قابل اندازه گیری تقسیم شده اند.
هوش مصنوعیمقاله
چرا Moonshot عمداً توانایی‌های هکری مدل Kimi AI جدید خود را ضعیف کرد
شرکت هوش مصنوعی چینی Moonshot می‌گوید که داده‌های آموزشی مربوط به حوزه سایبر را از مدل جدید Kimi K3.1 Pro حذف کرده است تا سیستم با وزن‌های باز نتواند "مرز" قابلیت‌های حملات هکری تهاجمی را افزایش دهد. این اطلاعیه که در شنبه 24 اکتبر 2026 منتشر شد، در زمانی می‌آید که دولت‌ها و محققان امنیتی هشدار می‌دهند که هوش مصنوعی‌های فزاینده‌ی توانایی می‌توانند حملات سایبری پیشرفته را ارزان‌تر و آسان‌تر کنند.
هوش مصنوعیمقاله
نحوه کار کردن آشکارسازهای متن هوش مصنوعی، توضیح داده شده از طریق یک نزاع بر سر رمان برنده جایزه
آشکارسازهای متن هوش مصنوعی ثابت نمی‌کنند که چه کسی چیزی را نوشته است؛ آنها احتمالی را با اندازهگیری الگوهای آماری مانند قابل‌پیش‌بینی بودن کلمات و تغییر طول جملات تخمین می‌زنند. آشکارسازی به نام Pangram 4.1 اخیراً 99% از یک رمان برنده جایزه اسپانیایی با ارزش 20,000 یورو را به هوش مصنوعی نسبت داد، که ناشر آن را وادار کرد تا رویدادهای تبلیغاتی را تعلیق کند و در حالی که تحقیق میکند.