تفاوت Generative AI با هوش مصنوعی سنتی در چیست؟

اولین باری که در یک پروژه واقعی با هوش مصنوعی مولد (Generative AI) کار کردم، انتظار داشتم رفتاری شبیه همان مدل‌های کلاسیک پیش‌بینی که سال‌ها با آن‌ها کار کرده بودم ببینم. اما همان روز فهمیدم با نوع متفاوتی از سیستم طرف هستم. مدل کلاسیک، از من می‌پرسید چه چیزی را باید پیش‌بینی کند؛ مدل مولد از من می‌خواست بگویم چه چیزی می‌خواهم بسازم. همین تفاوت لحن، اصل ماجرا را آشکار کرد. در این مقاله، همان تفاوت‌های بنیادین را از دید معماری، یادگیری، خروجی و کاربرد بررسی می‌کنم.

یک نگاه به نقشه کلی این دو نسل

هوش مصنوعی در دهه‌های گذشته دو مرحله متمایز را طی کرده است. مرحله اول، از دهه ۱۹۵۰ تا حدود سال ۲۰۱۵، دوره‌ای بود که سیستم‌ها بر اساس قواعد صریح یا مدل‌های پیش‌بینی ساخته می‌شدند. مرحله دوم، از حدود سال ۲۰۱۵ به بعد، با ظهور مدل‌های مولد آغاز شد که توانایی ساخت محتوای جدید را داشتند. این دو مرحله، نه به‌معنای جایگزینی، بلکه به‌معنای گسترش قابلیت‌هاست.

برای فهم بهتر این تفکیک، ابتدا باید بدانیم هوش مصنوعی مولد در چه چارچوبی قرار می‌گیرد. در مقاله هوش مصنوعی مولد چیست و چگونه کار می‌کند این موضوع را از پایه باز کرده‌ام. همچنین نگاه به تفاوت یادگیری ماشین و هوش مصنوعی به‌طور کلی در تفاوت یادگیری ماشین و هوش مصنوعی آمده است.

نکته مهمی که در بحث‌های عمومی کمتر دیده می‌شود این است: هوش مصنوعی سنتی نمرده است. امروز در سیستم‌های بانکی، تشخیص کلاهبرداری، رتبه‌بندی موتور جستجو و حتی در پیشنهاد محصولات فروشگاه‌ها، مدل‌های کلاسیک همچنان بار اصلی را حمل می‌کنند. آنچه تغییر کرده، اضافه‌شدن یک لایه مولد روی این زیرساخت قدیمی است.

هوش مصنوعی سنتی می‌گوید چه چیزی درست است؛ هوش مصنوعی مولد می‌گوید چه چیزی ممکن است.

هوش مصنوعی سنتی دقیقاً چه بود؟

هوش مصنوعی سنتی (Traditional AI) یا همان هوش مصنوعی تفکیکی (Discriminative AI) در ادبیات فنی، سیستم‌هایی هستند که روی داده‌های آموزشی، یک تابع تصمیم‌گیری یاد می‌گیرند. کار این تابع، جدا کردن یا برچسب زدن است. برای مثال، در تشخیص ایمیل اسپم، مدل یاد می‌گیرد که یک ایمیل را در کدام دسته از دو دسته (اسپم یا غیراسپم) قرار دهد. در تشخیص چهره، مدل یاد می‌گیرد کدام تصویر متعلق به کدام فرد است.

در پشت صحنه، این سیستم‌ها معمولاً از الگوریتم‌های کلاسیک یادگیری ماشین استفاده می‌کنند: درخت تصمیم، ماشین بردار پشتیبان (SVM - Support Vector Machine)، جنگل تصادفی (Random Forest) و شبکه‌های عصبی کم‌عمق. اگر با این الگوریتم‌ها آشنا نیستید، یادگیری ماشین چیست و چگونه کار می‌کند نقطه شروع مناسبی است.

سه ویژگی مهم این نسل را می‌توان چنین خلاصه کرد. اول، هدف‌محور بودن: مدل همیشه برای یک کار مشخص طراحی می‌شود. دوم، حساسیت به داده برچسب‌دار: برای آموزش این مدل‌ها به داده‌های برچسب‌خورده توسط انسان نیاز است. سوم، پیش‌بینی‌محور بودن: خروجی این مدل‌ها معمولاً یک عدد، یک کلاس یا یک احتمال است، نه محتوای جدید.

مثال‌های عملی که در پروژه‌های واقعی دیده‌ام: تشخیص تراکنش‌های مشکوک در سیستم پرداخت، دسته‌بندی خودکار تیکت‌های پشتیبانی، پیش‌بینی ریزش مشتری، و رتبه‌بندی نتایج جستجو. در همه این کاربردها، مدل کاری جز پیش‌بینی برچسب یا مقدار نمی‌کند.

هوش مصنوعی مولد چیست؟

هوش مصنوعی مولد، خانواده‌ای از مدل‌هاست که هدفشان ساخت محتوای جدید بر اساس الگوهای یادگرفته‌شده است. این محتوا می‌تواند متن، تصویر، صدا، ویدئو یا حتی کد باشد. مدل‌های زبانی بزرگ (LLM - Large Language Model)، مدل‌های انتشار (Diffusion Models) و شبکه‌های مولد تخاصمی (GAN - Generative Adversarial Network) که توضیح کامل‌ترش در ویکی‌پدیا درباره GAN آمده، نمونه‌هایی از این خانواده هستند.

سه ویژگی این نسل را می‌توان چنین خلاصه کرد. اول، عمومی‌بودن: یک مدل مولد می‌تواند در کارهای متنوعی استفاده شود، بدون نیاز به آموزش مجدد. دوم، یادگیری خودنظارتی: برای آموزش این مدل‌ها نیازی به برچسب انسانی نیست؛ خود داده ساختار آموزشی را فراهم می‌کند. سوم، تولید-محور بودن: خروجی این مدل‌ها خودش محصول نهایی است، نه یک عدد یا برچسب.

در پروژه‌های واقعی، از این مدل‌ها در تولید پیش‌نویس محتوا، ساخت تصویر تبلیغاتی، خلاصه‌سازی اسناد طولانی، ترجمه و بازنویسی استفاده کرده‌ام. اما هرکدام از این کاربردها محدودیت‌های خودشان را دارند؛ مثلاً در تولید تصویر، مسئله نبود کنترل دقیق روی جزئیات در محدودیت‌های ابزارهای هوش مصنوعی تولید تصویر به تفصیل بررسی شده است.

تفاوت در معماری و مدل‌های بنیادین

تفاوت بنیادین این دو نسل، در معماری سیستم است. مدل‌های سنتی معمولاً از شبکه‌های عصبی کم‌عمق یا الگوریتم‌های آماری تشکیل شده‌اند که برای یک کار مشخص آموزش دیده‌اند. مدل‌های مولد، بر پایه معماری Transformer ساخته می‌شوند که ده‌ها لایه دارد و روی میلیاردها پارامتر آموزش می‌بیند. عمق یادگیری در مدل‌های مولد، تفاوت عمیقی با مدل‌های سنتی دارد که مقایسه‌اش را در تفاوت یادگیری عمیق و یادگیری ماشین باز کرده‌ام.

سه تفاوت معماری که در پروژه‌های واقعی بیشترین اثر را دارند:

• نوع داده آموزشی: مدل سنتی به داده برچسب‌خورده نیاز دارد، مدل مولد از داده خام استفاده می‌کند.
• معماری درونی: مدل سنتی معمولاً چند لایه است، مدل مولد ممکن است صدها لایه داشته باشد.
• پارامتر: مدل سنتی معمولاً هزاران تا میلیون‌ها پارامتر دارد، مدل مولد میلیاردها پارامتر.

از دید هزینه، این تفاوت معماری مستقیماً به هزینه تبدیل می‌شود. آموزش یک مدل مولد ممکن است میلیون‌ها دلار هزینه داشته باشد، در حالی که آموزش یک مدل سنتی ممکن است در چند ساعت روی یک ماشین معمولی انجام شود. اما بعد از آموزش، مدل مولد می‌تواند در ده‌ها کار مختلف استفاده شود، در حالی که مدل سنتی فقط در یک کار مشخص.

تفاوت در روش یادگیری

تفاوت در روش یادگیری، شاید بنیادی‌ترین تفاوت این دو نسل باشد. مدل‌های سنتی از سه نوع یادگیری اصلی استفاده می‌کنند: یادگیری نظارت‌شده، یادگیری بدون نظارت و یادگیری تقویتی. در همه این روش‌ها، مدل از داده برای یافتن الگوهای آماری استفاده می‌کند و در نهایت یک تابع تصمیم‌گیری می‌سازد.

مدل‌های مولد، روش یادگیری متفاوتی دارند. یادگیری خودنظارتی (Self-Supervised Learning) یکی از پایه‌های اصلی این نسل است. در این روش، مدل روی متن‌های بزرگ آموزش می‌بیند و در هر گام، بخشی از متن را پیش‌بینی می‌کند. برای مثال، مدل زبانی یاد می‌گیرد که با دیدن «آسمان امروز صاف و »، کلمه بعدی را احتمالاً «آفتابی» تشخیص دهد. با تکرار این تمرین روی میلیاردها متن، مدل به یک درک عمیق از زبان و ساختار آن می‌رسد.

روش دیگری که در مدل‌های مولد رایج است، یادگیری تخاصمی است که در آن، دو شبکه با هم رقابت می‌کنند. یک شبکه، تصویر تولید می‌کند و شبکه دیگر، تصویر را ارزیابی می‌کند که واقعی است یا تولیدی. این رقابت، به‌تدریج هر دو شبکه را بهتر می‌کند.

مدل سنتی، از داده یاد می‌گیرد چه چیزی درست است؛ مدل مولد، از داده یاد می‌گیرد چه چیزی شبیه به واقعیت است.

تفاوت در ماهیت خروجی

مهم‌ترین تفاوت از دید کاربر نهایی، در ماهیت خروجی است. مدل سنتی یک نتیجه قطعی می‌دهد: «این ایمیل اسپم است»، «این تراکنش مشکوک است»، «این مشتری احتمالاً ریزش می‌کند». خروجی این مدل‌ها معمولاً در سه شکل ظاهر می‌شود: کلاس، برچسب یا احتمال.

مدل مولد یک محتوای جدید تولید می‌کند. این محتوا ممکن است یک متن باشد، یک تصویر، یک قطعه کد یا یک صدای انسانی. خروجی این مدل‌ها، خودش محصول نهایی است و می‌تواند مستقیماً استفاده شود. مثلاً در تولید تصویر، فرآیند ساخت تصویر واقع‌گرایانه توسط این مدل‌ها در هوش مصنوعی مولد چگونه تصاویر واقع‌گرایانه می‌سازد توضیح داده شده است.

این تفاوت، پیامدهای مهمی دارد. اول، ارزیابی مدل سنتی ساده است چون خروجی قابل مقایسه با برچسب واقعی است. اما ارزیابی مدل مولد پیچیده است چون «درستی» یک متن یا تصویر تولیدشده تابعی از چند معیار است. دوم، خطا در مدل سنتی معمولاً خطای طبقه‌بندی است، در حالی که خطا در مدل مولد می‌تواند به شکل محتوای غیرواقعی یا نامناسب ظاهر شود.

تفاوت در کاربردهای واقعی

در پروژه‌های واقعی، این دو نسل در کاربردهای متفاوتی استفاده می‌شوند. مدل‌های سنتی در تصمیم‌های ساختاریافته و تکرارشونده بهتر عمل می‌کنند، در حالی که مدل‌های مولد در کارهای خلاقانه و بدون ساختار برتری دارند.

کاربردهای هوش مصنوعی سنتی

در تجربه من، مدل‌های سنتی در این حوزه‌ها بهترین عملکرد را دارند:

• تشخیص تراکنش‌های مشکوک بانکی
• دسته‌بندی و اولویت‌بندی تیکت‌های پشتیبانی
• پیش‌بینی ریزش مشتری در سیستم‌های اشتراکی
• فیلتر اسپم و محتوای نامناسب
• رتبه‌بندی نتایج جستجو و پیشنهاد محصول

کاربردهای هوش مصنوعی مولد

در نقطه مقابل، مدل‌های مولد در این حوزه‌ها بهترین هستند:

• تولید پیش‌نویس محتوا و بازنویسی
• ساخت تصویر و طراحی سریع
• خلاصه‌سازی اسناد طولانی
• ترجمه و بازنویسی چندزبانه
• کمک به کدنویسی و توضیح کد
• تولید ویدئو و صدا

در پروژه‌های واقعی، ترکیب این دو نسل بهترین نتیجه را می‌دهد. مثلاً در یک سیستم پشتیبانی، مدل سنتی تیکت‌ها را دسته‌بندی می‌کند و مدل مولد پیش‌نویس پاسخ اولیه را می‌سازد. این ترکیب در طراحی سیستم‌های امروزی بسیار رایج است. نمونه‌ای از کاربردهای واقعی در کاربردهای هوش مصنوعی مولد در تولید محتوا آمده است.

محدودیت‌های اختصاصی هرکدام

هیچ‌کدام از این دو نسل، محدودیت‌های خودشان را دارند و شناخت این محدودیت‌ها برای انتخاب درست ضروری است.

محدودیت‌های مدل‌های سنتی

• وابستگی به داده برچسب‌دار: تهیه این داده‌ها پرهزینه و زمان‌بر است.
• عدم انعطاف: مدل را نمی‌توان به کارهای دیگر منتقل کرد.
• شکنندگی در برابر تغییر توزیع داده: اگر داده ورودی تغییر کند، عملکرد مدل افت می‌کند.
• ناتوانی در تولید محتوا: این مدل‌ها محتوا نمی‌سازند، فقط تصمیم می‌گیرند.

محدودیت‌های مدل‌های مولد

• توهم (Hallucination): مدل ممکن است با اطمینان کامل، اطلاعات نادرست تولید کند.
• هزینه بالا: اجرای مدل مولد معمولاً گران‌تر است.
• تأخیر: زمان پاسخ معمولاً بیشتر از مدل‌های سنتی است.
• نبود تفسیرپذیری: سخت است بفهمیم مدل چرا یک خروجی مشخص تولید کرده.
• مسائل حقوقی و اخلاقی: موضوع کپی‌رایت و استفاده تجاری همچنان باز است.

محدودیت‌های مدل‌های مولد را در محدودیت‌های هوش مصنوعی مولد به‌طور جداگانه و مفصل بررسی کرده‌ام. مسئله اخلاقی این مدل‌ها هم در اخلاقیات استفاده از هوش مصنوعی مولد آمده است.

همزیستی این دو نسل در سیستم‌های امروز

یک برداشت غلط رایج این است که مدل‌های مولد جایگزین مدل‌های سنتی می‌شوند. در تجربه من، این اتفاق نمی‌افتد. آنچه رخ می‌دهد، همزیستی و ترکیب این دو نسل است.

معماری‌هایی که امروز در سیستم‌های پیشرفته دیده می‌شوند، معمولاً سه لایه دارند. لایه اول، مدل‌های سنتی که وظایف تصمیم‌گیری و فیلتر را انجام می‌دهند. لایه دوم، مدل‌های مولد که محتوا را تولید می‌کنند. لایه سوم، منطق کسب‌وکار که تصمیم می‌گیرد کدام خروجی به کاربر نمایش داده شود.

مثال عینی: در یک فروشگاه اینترنتی، مدل سنتی تصمیم می‌گیرد کدام محصولات به کاربر پیشنهاد شود، مدل مولد توضیحات محصول را تولید می‌کند، و منطق کسب‌وکار تصمیم می‌گیرد کدام محصول در کدام نقطه از صفحه نمایش داده شود. اگر می‌خواهید ببینید این معماری‌ها چگونه در عمل کار می‌کنند، بهترین ابزارهای هوش مصنوعی مولد مرور خوبی است. برای دیدن نمونه‌های عملی در طراحی، چگونه از هوش مصنوعی مولد برای طراحی استفاده کنیم را پیشنهاد می‌کنم.

کدام را برای پروژه‌مان انتخاب کنیم؟

انتخاب بین این دو نسل، به سه سؤال بستگی دارد. اولین سؤال این است که آیا هدف شما پیش‌بینی یک برچسب یا ساخت محتواست؟ اگر هدف پیش‌بینی است، مدل سنتی معمولاً ارزان‌تر و دقیق‌تر است. اگر هدف تولید محتواست، مدل مولد تنها گزینه است.

سؤال دوم این است که چقدر داده برچسب‌دار در اختیار دارید؟ اگر داده برچسب‌دار دارید، مدل سنتی مسیر مستقیم‌تری است. اگر داده خام دارید، مدل مولد می‌تواند از آن استفاده کند.

سؤال سوم این است که چقدر تحمل خطا دارید؟ مدل سنتی خطای مشخصی می‌دهد که می‌شود اندازه‌گیری کرد. مدل مولد خطایی می‌دهد که ممکن است غیرقابل پیش‌بینی باشد. در سناریوهای حساس مثل پزشکی و مالی، این تفاوت اهمیت جدی دارد.

آینده این مرزبندی

به‌نظر من، در پنج سال آینده این مرزبندی به‌تدریج محو می‌شود. سه دلیل برای این باور دارم. اول، مدل‌های مولد در حال یادگیری قابلیت‌های تصمیم‌گیری هستند. دوم، مدل‌های سنتی در حال اضافه‌کردن لایه‌های عمیق‌تر هستند که مرزشان با مدل‌های مولد باریک‌تر می‌شود. سوم، معماری‌های ترکیبی که هم تصمیم می‌گیرند و هم تولید می‌کنند در حال رشد هستند.

مسئله دیگری که در آینده نزدیک اهمیت پیدا می‌کند، مسئله خلاقیت واقعی در مدل‌های مولد است. سؤالی که در آیا هوش مصنوعی مولد می‌تواند خلاق باشد؟ باز کرده‌ام، در سال‌های آینده به یک مسئله مهندسی جدی تبدیل خواهد شد. اگر مدل‌های مولد به خلاقیت واقعی برسند، خط تفکیک بین این دو نسل کاملاً جابجا می‌شود. چشم‌انداز کلی این مسیر را هم در آینده هوش مصنوعی مولد ترسیم کرده‌ام.

آینده نه در انتخاب یکی از این دو نسل است، بلکه در فهم دقیق جای هرکدام در معماری سیستم.

پرسش‌های پرتکرار درباره این تفاوت‌ها

آیا هوش مصنوعی مولد جایگزین هوش مصنوعی سنتی می‌شود؟ در تجربه من، نه. مدل‌های سنتی در تصمیم‌گیری ساختاریافته همچنان برتری دارند و مدل‌های مولد در تولید محتوا. آینده، همزیستی این دوست، نه جایگزینی.

کدام نوع هوش مصنوعی برای پروژه‌های کوچک مناسب‌تر است؟ بستگی به هدف دارد. برای تصمیم‌گیری ساده، مدل سنتی ارزان‌تر و سریع‌تر است. برای تولید محتوا، مدل مولد انتخاب طبیعی است.

آیا مدل‌های مولد دقت کمتری از مدل‌های سنتی دارند؟ در کارهای پیش‌بینی، معمولاً بله. اما در کارهای تولید محتوا، مقایسه مستقیم معنایی ندارد چون خروجی این دو نوع متفاوت است.

آیا ترکیب این دو نوع امکان‌پذیر است؟ بله، در واقع این ترکیب امروز در سیستم‌های پیشرفته رایج است. معماری‌های ترکیبی بهترین بازده را می‌دهند.

هزینه اجرای مدل مولد چقدر بیشتر است؟ در تجربه من، مدل مولد معمولاً چندین برابر مدل سنتی هزینه اجرا دارد؛ به‌دلیل حجم پارامترها و زمان پردازش.

آیا مدل‌های سنتی در حال منسوخ شدن هستند؟ خیر. مدل‌های سنتی در حال تکامل و ادغام با معماری‌های جدید هستند، نه منسوخ شدن.

برای کاربردهای خلاقانه، فقط مدل مولد کافی است؟ در تجربه من، نه همیشه. برای خلاقیت در سطح بالا، ترکیب مدل مولد با منطق کسب‌وکار و نظارت انسانی بهترین نتیجه را می‌دهد.

آیا مدل‌های مولد برای تصمیم‌های حساس مناسب هستند؟ به‌طور کلی نه. در سناریوهای پزشکی و مالی، این مدل‌ها به‌دلیل ریسک توهم و نبود تفسیرپذیری، هنوز جای اعتماد کامل ندارند.

یادگیری ماشین کلاسیک و یادگیری عمیق چه نسبتی با این دو نسل دارند؟ یادگیری عمیق زیربنای هر دو نسل است، اما معماری‌های مولد از شبکه‌های عمیق‌تر و پارامترهای بیشتر استفاده می‌کنند.

آیا مدل‌های مولد در آینده به دقت مدل‌های سنتی می‌رسند؟ در بعضی کاربردها بله، اما در کارهای تصمیم‌گیری ساختاریافته، مدل‌های سنتی همیشه یک پله جلوتر خواهند بود.

برای پروژه‌های چندزبانه، کدام نسل بهتر است؟ مدل‌های مولد در این حوزه واضحاً برتری دارند، چون می‌توانند بین زبان‌ها ترجمه و بازنویسی کنند.

آیا مدل مولد می‌تواند جایگزین مهندس داده شود؟ خیر. حتی مدل‌های مولد به تیم داده نیاز دارند که کیفیت داده‌های آموزشی و جریان داده در تولید را مدیریت کند.

حرف آخر از نگاه تجربه

در سال‌هایی که با هر دو نسل کار کرده‌ام، به یک نتیجه ساده رسیده‌ام: تفاوت اصلی این دو، در هدفشان است، نه در قدرتی که دارند. مدل سنتی می‌خواهد تصمیمی بگیرد و مدل مولد می‌خواهد چیزی بسازد. وقتی این تفاوت را درست بفهمیم، انتخاب بین این دو دیگر یک انتخاب تکنولوژیک نیست؛ یک تصمیم بر اساس مسئله کسب‌وکار است.

توصیه عملی من این است: قبل از انتخاب، سه سؤال را با خودتان مرور کنید. اول، آیا هدف من پیش‌بینی است یا تولید؟ دوم، چه نوع داده‌ای در اختیار دارم؟ سوم، چقدر تحمل خطا و هزینه دارم؟ پاسخ این سه سؤال، معمولاً انتخاب را روشن می‌کند.

و یک نکته که در پروژه‌های واقعی زیاد دیده‌ام: بهترین معماری‌ها معمولاً ترکیبی از هر دو نسل هستند. اگر فقط روی یکی از این دو نسل شرط ببندید، دیر یا زود به مرز محدودیت‌هایش می‌رسید. اما اگر هر دو را در جای درستشان به کار بگیرید، نتیجه چند برابر می‌شود. اگر تجربه‌ای از انتخاب بین این دو نسل در پروژه‌ای داشته‌اید - چه موفق چه ناکام - در دیدگاه‌ها بنویسید. همان تجربه‌های میدانی، تصویر دقیق‌تری از این حوزه می‌سازد. 🧠