یک توضیح
شماره‌گذاریِ «AI 1.0 تا 4.0» تقسیم‌بندی خودم است برای فهمیدن، نه یک استاندارد رسمی. هرجا مرز نسل‌ها محو شد، همان‌جا هم محو است.
چرا نسل‌ها مهم‌اند؟
فهمیدن مسیر تکامل هوش مصنوعی فقط کار متخصص‌های علوم کامپیوتر نیست. مدیر، طراح محصول، مشاور تحول دیجیتال و حتی کاربر حرفه‌ای هم برای تصمیم بهتر لازم دارند بدانند هوش مصنوعی از کجا آمده، به کجا رسیده و به کجا می‌رود.
شاید یک سیستم AI امروزی در ظاهر شبیه چیزی باشد که بیست سال پیش هم در نرم‌افزارهای پزشکی و صنعتی بود. ولی به نظرم نکته همین است: حتی اگر ورودی و خروجی شبیه باشد، آنچه در دل سیستم می‌گذرد کاملاً فرق دارد.
مثل داستان دستشویی در افغانستان و ایران که رضا امیرخانی در جانستان-کابلستان نقل می‌کند: در افغانستان اول سیفون را می‌کشند و بعد کار را انجام می‌دهند؛ در ایران اول کار و بعد سیفون. اجزا یکی است، ولی چون ترتیب فرق دارد، نتیجه (بوی بد یا تمیزی) فرق می‌کند. در AI هم همین‌طور است: وجود الگوریتم و اتوماسیون حل مسئله را تضمین نمی‌کند، ترتیب کار، مدل داده و معماری زیرساخت است که تعیین‌کننده است.
نسل‌های مختلف AI، به زبان ساده
| نسل | اسم رایج | ویژگی اصلی | مثال |
|---|---|---|---|
| AI 1.0 | مبتنی بر قاعده (Rule-based) | قانون دست‌نویس، IF/THEN، بدون یادگیری | سیستم‌های خبره (Expert Systems) در دهه‌ی ۸۰ |
| AI 2.0 | یادگیری ماشین (Machine Learning) | یادگیری از داده‌ی عددی، نیاز به ساخت ویژگی (feature engineering)؛ الگوریتم‌هایی مثل SVM و Random Forest | Isolation Forest، PCA، Autoencoder ساده |
| AI 3.0 | یادگیری عمیق End-to-End | یادگیری مستقیم از داده‌ی خام (صدا، تصویر، متن) بدون طراحی دستی ویژگی | CNN برای تصویر، RNN و Transformer برای متن، AlphaGo |
| AI 4.0 (در حال شکل‌گیری) | مدل‌های بنیادین (Foundation Models) | ترکیب متن، صدا، تصویر و کد با توان استدلال و عاملیت (Agent) | مدل‌های زبانیِ بزرگ و چندرسانه‌ای امروز، و سیستم‌های عاملِ ساخته‌شده روی آن‌ها |
آماده‌سازی داده در هر نسل
نسل دوم (ML کلاسیک): مدل نمی‌فهمد داده چیست. مدل‌هایی مثل SVM یا Random Forest داده‌ی کاملاً آماده می‌خواهند. مفهوم «خطر» یا «رفتار غیرعادی» را خودشان نمی‌شناسند؛ تو باید این معنا را به شکل عددی دربیاوری و به آن‌ها بدهی. آماده‌سازی داده یعنی:
- تمیزکاری (Cleaning): حذف داده‌ی ناقص و پر کردن مقدار گم‌شده
- نرمال‌سازی (Scaling): هم‌مقیاس کردن ویژگی‌ها تا سوگیری پیش نیاید
- استخراج ویژگی (Feature Engineering): ساختن ویژگی‌های نماینده از داده‌ی خام؛ مثلاً از GPS، میانگین سرعت یا توقف ناگهانی را دربیاوری
یعنی در نسل دوم نمی‌شود داده‌ی خام داد؛ باید تبدیلش کرد به جدولی از ویژگی‌های عددی.
نسل سوم و چهارم (End-to-End). مدل‌های عمیق و مدل‌های بنیادین می‌توانند داده‌ی خام را مستقیم بگیرند و خودشان «ویژگی» بسازند. تو فقط نمونه‌ها را برچسب می‌زنی (این رفتار مشکوک است، این عادی) و مدل از کل داده یاد می‌گیرد، بی‌آنکه ویژگی خاصی را دستی طراحی کنی. دیگر لازم نیست تو «خطر» را به مدل بفهمانی؛ مدل از هزاران نمونه خودش الگوی خطر را درمی‌آورد. (البته این را نباید با «فهمیدن» به معنای انسانی اشتباه گرفت.)
مقایسه‌ی نهایی
| نسل | ویژگی کلیدی | مهندسی ویژگی | داده‌ی خام | چندحالته (multimodal) | هزینه‌ی پردازش |
|---|---|---|---|---|---|
| AI 1.0 | قانون‌محور، بدون یادگیری | ندارد | ندارد | ندارد | کم |
| AI 2.0 | یادگیری عددی با ویژگی دست‌ساز | دارد | ندارد | ندارد | متوسط |
| AI 3.0 | یادگیری عمیق از داده‌ی خام | ندارد | دارد | محدود | بالا |
| AI 4.0 | مدل بنیادین، استدلال، چندرسانه‌ای | ندارد | دارد | دارد | بسیار بالا |
آینده: AI 5.0؟
این بخش فقط حدس و پیشنهاد خودم برای نگاه به جلوست، نه چیزی که الان وجود دارد. اگر بخواهیم به نسل بعدی فکر کنیم، شاید این چهار مفهوم مهم شوند: همکاریِ مشترک انسان و ماشین (Human–AI Co-Creation)، عامل‌هایی که هدفشان پویاست و در حین کار تغییر می‌کند (Goal-conditioned Agents)، مدل‌هایی که خودشان را بازبینی می‌کنند و اخلاقاً پایش می‌شوند (Self-Auditing Models)، و درک زمینه‌ی اجتماعی و فرهنگی.
هوش_مصنوعییادگیری_ماشینیادگیری_عمیقمدل_های_بنیادینفرایند_مهم_تر_از_اجزاست