پرش به محتوای اصلی

جست‌وجو در مدل‌ها، ابزارها، سرویس‌ها، شرکت‌ها، ارائه‌دهندگان، APIها، پلن‌ها، مقالات و اخبار.

واژه‌نامه هوش مصنوعی

از توکن و پنجره‌ی زمینه تا MCP و مدل استدلالی — ترم‌های کلیدی دنیای هوش مصنوعی، به زبان ساده.

۳۳ واژه

مفاهیم پایه

Artificial Intelligence (AI)هوش مصنوعی
شاخه‌ای از علوم کامپیوتر که به ماشین‌ها توانایی انجام کارهای نیازمند هوش انسانی — مانند فهم زبان، تشخیص تصویر و تصمیم‌گیری — را می‌دهد.
توضیح کامل
Machine Learning (ML)یادگیری ماشین
روشی از هوش مصنوعی که در آن به‌جای برنامه‌نویسی صریح، مدل از روی داده‌ها الگو یاد می‌گیرد و عملکردش با دیدن نمونه‌های بیشتر بهتر می‌شود.
توضیح کامل
Deep Learningیادگیری عمیق
زیرمجموعه‌ی یادگیری ماشین با شبکه‌های عصبی چندلایه که توانست جهش بزرگ کیفیت تشخیص تصویر، گفتار و زبان را ایجاد کند؛ زیربنای همه مدل‌های زبانی امروزی است.
توضیح کامل
Large Language Model (LLM)مدل زبانی بزرگ
مدل عصبی عظیم که روی حجم عظیمی از متن آموزش دیده و می‌تواند زبان را بفهمد و تولید کند؛ ChatGPT و Claude و Gemini نمونه‌های آن‌اند.
توضیح کامل
Tokenتوکن
واحد کوچک متن که مدل آن را می‌خواند و تولید می‌کند — تقریباً ¾ یک کلمه انگلیسی یا ۱ تا ۲ کلمه فارسی. طول زمینه و قیمت API هر دو بر حسب توکن حساب می‌شوند.
توضیح کامل
Context Windowپنجره‌ی زمینه
بیشترین حجم متن (به توکن) که مدل در یک گفت‌وگو می‌تواند هم‌زمان «ببیند» — شامل پرامپت شما، فایل‌ها و کل تاریخ گفت‌وگو. هرچه بزرگ‌تر، مدل حافظه‌ی بیشتری در یک جلسه دارد.
توضیح کامل
Parameterپارامتر
وزن‌های آموختنی داخل مدل که دانش و توانایی آن در آن‌ها ذخیره شده؛ عدد آن‌ها (مثلاً ۷۰۰ میلیارد) مقیاس مدل را نشان می‌دهد.
توضیح کامل

معماری و مدل‌ها

Transformerترنسفورمر
معماری شبکه عصبی که با مکانیزم «توجه» (Attention) کل متن را هم‌زمان پردازش می‌کند و زیربنای تمام مدل‌های زبانی بزرگ از ۲۰۱۷ تاکنون است.
توضیح کامل
Mixture of Experts (MoE)ترکیب متخصص‌ها (MoE)
معماری‌ای که مدل را به چند «متخصص» تقسیم می‌کند و برای هر ورودی فقط چند متخصص مرتبط فعال می‌شوند؛ نتیجه: مدل خیلی بزرگ‌تر با هزینه استنتاج کمتر.
توضیح کامل
Multimodalچندوجهی
مدلی که علاوه بر متن، تصویر و صدا و ویدیو را هم می‌فهمد یا تولید می‌کند — مثل Gemini که می‌تواند یک نمودار را ببیند و درباره‌اش توضیح دهد.
توضیح کامل
Embeddingامبدینگ (جاسازی برداری)
نمای عددی (برداری) از متن یا تصویر که معنا را در فضا نگه می‌دارد؛ مفاهیم نزدیک، بردار نزدیک دارند و همین پایه‌ی جستجوی معنایی و RAG است.
توضیح کامل
Vector Databaseپایگاه داده‌ی برداری
پایگاه داده‌ای که برای جستجوی سریع امبدینگ‌ها ساخته شده و پیدا کردن «مشابه‌ترین» محتوا را ممکن می‌کند؛ حافظه‌ی بیرونی RAG معمولاً همین است.
توضیح کامل
Small Language Model (SLM)مدل زبانی کوچک
مدل زبانی سبک (چند میلیارد پارامتر) که روی لپ‌تاپ و گوشی اجرا می‌شود؛ برای کارهای محدود ارزان‌تر و سریع‌تر از LLM است.
توضیح کامل
Diffusion Modelمدل انتشار
معماری تولید تصویر که از نویز شروع می‌کند و گام‌به‌گام آن را به تصویر نهایی تبدیل می‌کند؛ زیربنای ابزارهایی مثل Midjourney و تصویرسازهای مدرن است.
توضیح کامل

آموزش و تنظیم

Pre-trainingپیش‌آموزش
مرحله‌ی پرهزینه اولیه که مدل روی حجم عظیمی از متن عمومی آموزش می‌بیند و «زبان و دانش عمومی» را یاد می‌گیرد؛ بعد از آن مدل هنوز متخصص هیچ کاری نیست.
توضیح کامل
Fine-tuningتنظیم دقیق
آموزش تکمیلی مدلِ از پیش آموخته روی داده‌ی تخصصی تا در یک حوزه یا سبک خاص بهتر عمل کند — مثلاً پشتیبانی مشتری یک برند خاص.
توضیح کامل
RLHFیادگیری تقویتی با بازخورد انسانی
روشی که در آن پاسخ‌های مدل توسط انسان‌ها رتبه‌بندی می‌شود و مدل یاد می‌گیرد پاسخ‌های مفیدتر، دقیق‌تر و ایمن‌تر بدهد؛ مکمل فنی «شخصیت» ChatGPT و Claude است.
توضیح کامل
LoRAلورا (تنظیم دقیق کم‌رده)
روش تنظیم دقیق ارزان: به‌جای آموزش همه پارامترها، فقط چند ماتریس کوچک اضافه می‌شود؛ نتیجه، سفارشی‌سازی مدل با کسری از هزینه.
توضیح کامل
Distillationتقطیر
انتقال دانش از یک مدل بزرگ به یک مدل کوچک: کوچک از خروجی‌های بزرگ یاد می‌گیرد تا با هزینه‌ی کمتر رفتار مشابهی داشته باشد.
توضیح کامل
Quantizationکوانتیزاسیون
کم‌دقت‌کردن اعداد داخلی مدل (مثلاً از ۱۶ بیت به ۴ بیت) تا حجم و حافظه‌ی لازم چند برابر کم شود و روی سخت‌افزار معمولی اجرا شود — با افت کیفیت جزئی.
توضیح کامل

عامل‌ها و کاربرد

AI Agentعامل هوش مصنوعی
سیستمی که یک هدف می‌گیرد و خودش قدم‌ها را برنامه‌ریزی و اجرا می‌کند — ابزار صدا می‌زند، کد می‌نویسد، نتیجه را می‌خواند و مسیرش را اصلاح می‌کند.
توضیح کامل
Agentic AIهوش مصنوعی عاملی
روند ۲۰۲۵-۲۰۲۶: مدل‌ها به‌جای فقط پاسخ دادن، «کار انجام می‌دهند» — چندین ابزار و گام را در طول دقیقه‌ها یا ساعت‌ها زنجیر می‌کنند؛ Devin و Claude Code نمونه‌هایش هستند.
توضیح کامل
MCP (Model Context Protocol)قرارداد زمینه مدل (MCP)
استاندارد باز برای اتصال عامل‌ها به ابزارها و داده‌ها — «USB-C دنیای AI». سرور MCP را یک بار بنویسید؛ هر عامل سازگار می‌تواند از آن استفاده کند.
توضیح کامل
RAGتولید با بازیابی (RAG)
الگویی که قبل از پاسخ، اسناد مرتبط را از یک منبع دانش بازیابی می‌کند و به مدل می‌دهد؛ نتیجه: پاسخ مبتنی بر داده واقعی و به‌روز به‌جای حافظه‌ی ایستا مدل.
توضیح کامل
Prompt Engineeringمهندسی پرامپت
هنر و مهارت نوشتن دستورِ مؤثر برای مدل: دادن زمینه، مثال و قالب خروجی درست تا نتیجه دقیق‌تر و قابل‌اتکاتر شود.
توضیح کامل
Inferenceاستنتاج
اجرای مدلِ آموزش‌دیده — یعنی لحظه‌ای که پرامپت می‌دهی و توکن‌ها تولید می‌شوند؛ هزینه‌ی هر پیام ChatGPT همان هزینه‌ی inference است.
توضیح کامل
Vibe Codingکدنویسی حسی (وایب کدینگ)
سبک جدید برنامه‌نویسی با زبان طبیعی: به‌جای نوشتن کد، به عامل می‌گویی «چه چیزی» می‌خواهی و آن را می‌سازد، تست می‌کند و اصلاح می‌کند؛ برآیند موج عامل‌های کدنویسی ۲۰۲۵-۲۰۲۶.
توضیح کامل

استدلال، ایمنی و کیفیت

Reasoning Modelمدل استدلالی
مدلی که قبل از پاسخ، «فکر می‌کند» — زنجیره‌ای از استدلال داخلی تولید می‌کند و در مسائل سختِ ریاضی، کدنویسی و منطق دقت به‌مراتب بالاتری دارد؛ در عوض کندتر و گران‌تر است.
توضیح کامل
Test-time Computeمحاسبات زمان استنتاج
دادن محاسبه‌ی بیشتر به مدل هنگام پاسخ‌دادن (فکرکردن طولانی‌تر) برای نتیجه‌ی بهتر — پدیده‌ای که مرز کیفیت مدل‌های استدلالی ۲۰۲۶ را جابه‌جا کرد.
توضیح کامل
Hallucinationتوهم
وقتی مدل با اطمینان کامل، اطلاعات غلط تولید می‌کند — منبع غلط، ارجاع ناموجود یا عدد ساختگی. راه‌های کاهش: RAG، مدل استدلالی و ارائه‌ی منابع قابل‌بررسی.
توضیح کامل
Guardrailsمحافظ‌ها (گاردریل)
لایه‌های کنترلی دور مدل که خروجی‌های مضر، نامناسب یا خارج از سیاست را مسدود می‌کنند — جدا از خود مدل و معمولاً به‌شکل فیلتر ورودی/خروجی.
توضیح کامل
Alignmentهم‌راستایی
تمرین مدل‌ها برای هم‌گامی با ارزش‌ها و مقاصد انسانی — کمک‌گر و صادق باشد، نه فریبکار یا مضر؛ یکی از دغدغه‌های اصلی آزمایشگاه‌های مرزی.
توضیح کامل
AGIهوش مصنوعی عمومی (AGI)
هوش مصنوعی فرضی که در «همه‌ی» کارهای شناختی انسان هم‌سطح یا بهتر عمل کند — نه فقط در حوزه‌های مشخص. هنوز محقق نشده و تعریف دقیقش بین آزمایشگاه‌ها محل اختلاف است.
توضیح کامل