برای درک ساده و مهندسی، ارتباط این مفاهیم را می‌توان به صورت مجموعه‌های متداخل (Nested Sets) در نظر گرفت:

AI ⊃ ML ⊃ Deep Learning ⊃ Generative AI

• هوش مصنوعی (AI): چتر حمایتی کل موضوع و مفهوم ساخت سیستم‌های هوشمند.
• یادگیری ماشین (ML): زیرمجموعه‌ای از AI که بر یادگیری الگو از داده‌ها تمرکز دارد.
• یادگیری عمیق (Deep Learning): زیرمجموعه‌ای از ML که از شبکه‌های عصبی عمیق بهره می‌برد.
• هوش مصنوعی مولد (GenAI): زیرمجموعه‌ای از یادگیری عمیق که هدف آن خلق و تولید محتوای جدید است.

هوش مصنوعی (Artificial Intelligence): چتر بزرگ مفهوم‌سازی

هوش مصنوعی بالاترین سطح مفهومی در این حوزه است. به هر سیستمی که بتواند رفتاری هوشمندانه شبیه به انسان نشان دهد، الگوی فکری انسان را شبیه‌سازی کند، یا مسئله‌ای را حل کند که نیازمند درک، استدلال و تصمیم‌گیری است، AI گفته می‌شود.

ویژگی‌ها و مشخصات فنی AI:

• دامنه شمول: شامل الگوریتم‌های سنتی مبتنی بر قانون (Rule-based Systems)، سیستم‌های خبره (Expert Systems)، منطق فازی (Fuzzy Logic)، جستجوهای گراف (مانند الگوریتم *A)، الگوریتم‌های ژنتیک و همچنین یادگیری ماشین می‌شود.
• نحوه کارکرد سنتی: در الگوریتم‌های اولیه AI، مهندس برنامه‌نویس تمام قوانین و منطق‌ها را به صورت دستی کدنویسی می‌کرد (IF-THENهای پیچیده).
• هدف اصلی: خودکارسازی فرایندهایی که پیش از این نیازمند هوش انسانی بودند (مانند بازی شطرنج، برنامه‌ریزی مسیر، منطق سیستم‌های اتوماسیون).

مثال مهندسی:

سیستم خبره‌ای که برای تشخیص بیماری بر اساس مجموعه قواعد ثابت پزشکی توسط برنامه‌نویسان پیاده‌سازی شده، یک سیستم AI است اما الزماً از یادگیری ماشین استفاده نمی‌کند.

یادگیری ماشین (Machine Learning): تحول از برنامه‌نویسی دستی به یادگیری الگویی

یادگیری ماشین پارادایم برنامه‌نویسی را کاملاً تغییر داد. در برنامه‌نویسی سنتی، ورودی ما داده و قوانین (کد) بود و خروجی پاسخ بود. اما در یادگیری ماشین:

\text{داده} + \text{پاسخ‌ها (برچسب‌ها)} \longrightarrow \text{الگوریتم یادگیری} \longrightarrow \text{مدل (قوانین)}

در یادگیری ماشین، سیستم به جای پیروی از منطق‌های سخت‌کدشده (Hard-coded)، با پردازش داده‌های آموزشی الگوها و قوانین ریاضی را خودش کشف می‌کند.

انواع روش‌های اصلی در ML:

1. یادگیری نظارت‌شده (Supervised Learning): مدل با داده‌های برچسب‌دار آموزش می‌بیند (مانند تشخیص اسپم در ایمیل).

2. یادگیری نظارت‌نشده (Unsupervised Learning): مدل الگوهای پنهان در داده‌های بدون برچسب را کشف می‌کند (مانند خوشه‌بندی مشتریان).

3. یادگیری تقویتی (Reinforcement Learning): عامل (Agent) بر اساس پاداش و جریمه در محیط سعی در بهینه‌سازی تصمیمات خود دارد.

چالش اصلی در ML کلاسیک (Feature Engineering):

بزرگ‌ترین محدودیت یادگیری ماشین کلاسیک این است که به مهندسی ویژگی دستی (Manual Feature Engineering) وابسته است. متخصص حوزه باید مشخصات مهم داده را استخراج کرده و به الگوریتم تحویل دهد (مانند رگرسیون، درخت تصمیم یا Random Forest).

یادگیری عمیق (Deep Learning): انقلاب شبکه‌های عصبی عمیق

یادگیری عمیق تکامل‌یافته‌ترین بخش یادگیری ماشین است که از ساختار مغز انسان (شبکه‌های عصبی زیستی) الهام گرفته است. در DL، ما با شبکه‌های عصبی مصنوعی عمیق (Deep Neural Networks) سر و کار داریم؛ شبکه‌هایی که شامل ده‌ها یا صدها لایه پنهان (Hidden Layers) هستند.

تغییر بزرگ: استخراج خودکار ویژگی‌ها (Automated Feature Extraction)

برخلاف ML کلاسیک، یادگیری عمیق نیازی به مهندسی ویژگی دستی ندارد. لایه‌های ابتدایی شبکه عصبی ویژگی‌های سطح پایین (مانند لبه‌ها در تصویر) را شناسایی می‌کنند و لایه‌های عمقی‌تر ویژگی‌های پیچیده‌تر (مانند فرم صورت) را به صورت خودکار می‌سازند.

ویژگی‌های کلیدی Deep Learning:

• تمرکز بر تحلیل و طبقه‌بندی: بیشتر مدل‌های سنتی DL برای تشخیص، پیش‌بینی یا طبقه‌بندی (Discriminative Models) طراحی شده‌اند (مثلاً: آیا این تصویر گربه است یا سگ؟).
• نیاز شدید به داده و سخت‌افزار: نیاز به داده‌های عظیم و GPU/TPU برای محاسبات سنگین ضرب ماتریسی.
• معماری‌های متداول: CNN (برای تصویر)، RNN و LSTM (برای داده‌های متوالی).

هوش مصنوعی مولد (Generative AI): جهش از «تحلیل» به «خلق»

در حالی که مدل‌های عمیق سنتی بیشتر بر طبقه‌بندی و پیش‌بینی داده‌های موجود تمرکز داشتند (Discriminative AI)، Generative AI گام را فراتر گذاشته و هدفش تولید داده و محتوای جدید (متن، کد، تصویر، صوت، ویدیو و ساختار دارویی) است که قبلاً وجود نداشته اما شبیه به داده‌های آموزشی است.

تغییر پارادایم: Discriminative vs Generative

• مدل تمایزدهنده (Discriminative): احتمال P(Y \vert{} X) را محاسبه می‌کند؛ یعنی با دریافت ورودی X، برچسب Y را حدس می‌زند (مثلاً دریافت تصویر و تشخیص سرطانی بودن آن).
• مدل مولد (Generative): توزیع احتمال شرطی P(X \vert{} Y) یا توزیع مشترک P(X, Y) را یاد می‌گیرد تا داده جدید X تولید کند (مثلاً تولید یک تصویر پزشکی جدید بر اساس توزیع داده‌های قبلی).

معماری‌ها و تکنولوژی‌های کلیدی GenAI:

1. معماری ترنسفورمر (Transformers): پایه و اساس مدل‌های بزرگ زبانی (LLMs). با استفاده از مکانیزم Self-Attention، ارتباط بین توکن‌ها را در متن‌های طولانی درک می‌کنند.
2. مدل‌های انتشار (Diffusion Models): پایه ابزارهای تولید تصویر و ویدیو (مانند Stable Diffusion و Midjourney) که با حذف نویز از داده‌های تصادفی، تصویر جدید می‌سازند.
3. شبکه‌های مولد رقابتی (GANs): تقابل دو شبکه (ژنراتور و دیسکریمناتور) برای تولید داده‌های فوق‌العاده واقعی.

مقایسه جامع و جدول کاربردی