انواع هوش مصنوعی چیست؟ از Narrow AI تا AGI و Superintelligence

وقتی درباره هوش مصنوعی صحبت می کنیم، معمولا همه سیستم های AI را در یک گروه قرار می دهیم؛ در حالی که یک سیستم تشخیص چهره، ChatGPT، یک خودرو خودران و مفهوم فرضی Superintelligence از نظر سطح توانایی و نوع عملکرد یکسان نیستند.

برای همین متخصصان هوش مصنوعی معمولا AI را با روش های مختلف دسته بندی می کنند.

یکی از شناخته شده ترین دسته بندی ها براساس میزان گستردگی توانایی است:

Artificial Narrow Intelligence یا ANI

Artificial General Intelligence یا AGI

Artificial Superintelligence یا ASI

اما این تنها روش دسته بندی هوش مصنوعی نیست. AI را می توان براساس نحوه عملکرد، میزان حافظه، استقلال و حتی نوع تعامل با محیط نیز بررسی کرد.

در این راهنمای گیتالوژی از پایه بررسی می کنیم انواع هوش مصنوعی چیست، Narrow AI چه تفاوتی با AGI دارد، آیا امروز به هوش مصنوعی عمومی رسیده ایم و Superintelligence دقیقا به چه معناست.

انواع هوش مصنوعی چگونه دسته بندی می شوند؟

هیچ سیستم جهانی واحدی وجود ندارد که تمام انواع هوش مصنوعی را فقط به یک روش دسته بندی کند.

در منابع آموزشی و پژوهشی معمولا چند روش مختلف دیده می شود.

یکی از رایج ترین روش ها دسته بندی براساس دامنه توانایی یا Generality است:

Narrow AI

↓

AGI

↓

ASI

روش دیگر براساس نوع عملکرد یا میزان حافظه سیستم است:

Reactive Machines

↓

Limited Memory

↓

Theory of Mind

↓

Self-Aware AI

باید توجه داشت که این دو دسته بندی یک چیز نیستند.

دسته بندی اول درباره گستردگی توانایی های یک سیستم صحبت می کند، در حالی که دسته بندی دوم بیشتر یک چارچوب مفهومی برای بررسی نحوه رفتار و سطح شناخت سیستم است.

در این مقاله هر دو را بررسی می کنیم، اما دسته بندی Narrow AI، AGI و ASI برای فهم آینده هوش مصنوعی اهمیت بیشتری دارد.

Narrow AI چیست؟

Artificial Narrow Intelligence که به اختصار ANI نامیده می شود به سیستم هایی گفته می شود که برای انجام یک وظیفه مشخص یا مجموعه محدودی از وظایف طراحی شده اند.

نام دیگر آن:

Weak AI

است.

البته عبارت Weak AI به معنی ضعیف بودن سیستم نیست.

یک Narrow AI می تواند در یک حوزه مشخص عملکردی بسیار بهتر از انسان داشته باشد، اما توانایی آن به همان حوزه یا مجموعه وظایف محدود می شود.

برای مثال سیستمی که در شطرنج از بهترین بازیکنان جهان بهتر عمل می کند لزوما نمی تواند رانندگی کند، مقاله بنویسد یا یک مسئله پزشکی را تحلیل کند.

Stanford HAI نیز Narrow AI را به سیستم های هوشمندی اشاره می دهد که برای وظایف مشخصی مانند تشخیص گفتار یا چهره طراحی شده اند.

مثال های Narrow AI

بخش عمده سیستم های هوش مصنوعی که امروز استفاده می کنیم در این دسته کلی قرار می گیرند.

برای مثال:

• سیستم تشخیص چهره
• فیلتر Spam
• الگوریتم پیشنهاد فیلم
• موتور Recommendation فروشگاه اینترنتی
• سیستم تشخیص تقلب بانکی
• تشخیص گفتار
• ترجمه ماشینی
• سیستم تشخیص اشیا در تصویر
• سیستم پیش بینی تقاضا
• بسیاری از سیستم های تبلیغات آنلاین

تمام این سیستم ها می توانند در وظیفه خود بسیار پیشرفته باشند، اما از هوش عمومی مشابه انسان برخوردار نیستند.

آیا ChatGPT یک Narrow AI است؟

این سوال کمی پیچیده تر شده است.

مدل های زبانی مدرن برخلاف بسیاری از AIهای قدیمی فقط یک وظیفه انجام نمی دهند.

یک مدل پیشرفته ممکن است بتواند:

• متن بنویسد
• برنامه نویسی کند
• تصویر تحلیل کند
• ترجمه انجام دهد
• مسئله ریاضی حل کند
• سند بررسی کند
• اطلاعات را خلاصه کند
• برنامه طراحی کند
• از ابزارها استفاده کند

بنابراین استفاده از عبارت Narrow AI برای مدل های General Purpose جدید گاهی بیش از حد ساده کننده است.

با این حال این سیستم ها نیز لزوما به معنی تحقق AGI نیستند.

در واقع یکی از چالش های مهم AI مدرن همین است:

مرز میان «یک Narrow AI بسیار گسترده» و «یک General Intelligence واقعی» دقیقا کجاست؟

Google DeepMind به همین دلیل پیشنهاد کرده AGI را نه صرفا به شکل یک مرز صفر و یک، بلکه براساس سطح عملکرد و میزان Generality ارزیابی کنیم.

AGI چیست؟

AGI مخفف:

Artificial General Intelligence

و به فارسی به معنی:

هوش مصنوعی عمومی

است.

به صورت کلی AGI به سیستمی اشاره دارد که بتواند در طیف گسترده ای از وظایف شناختی عملکرد منعطف و عمومی داشته باشد، نه اینکه فقط برای یک وظیفه مشخص طراحی شده باشد.

اما مشکل از همین جا شروع می شود:

یک تعریف جهانی و مورد توافق برای AGI وجود ندارد.

Stanford HAI نیز AGI را به سیستم هایی مرتبط می داند که دارای هوش گسترده و قابلیت انطباق در Contextهای مختلف هستند.

در مقابل، سازمان ها و آزمایشگاه های مختلف ممکن است معیارهای متفاوتی برای آن داشته باشند.

Google DeepMind برای حل این مشکل چارچوبی با عنوان Levels of AGI پیشنهاد کرده که دو عامل را در نظر می گیرد:

Performance

سیستم چقدر خوب عمل می کند؟

و

Generality

در چند حوزه مختلف می تواند توانایی خود را حفظ کند؟

این دیدگاه نشان می دهد شاید AGI یک نقطه جادویی نباشد که ناگهان از آن عبور کنیم، بلکه بتوان آن را به صورت یک طیف از قابلیت ها اندازه گیری کرد.

تفاوت Narrow AI و AGI چیست؟

تفاوت اصلی در Generality یا گستردگی توانایی است.

فرض کنید یک سیستم AI می تواند بهترین پزشک جهان در تشخیص یک بیماری خاص باشد.

اما اگر از آن بخواهید:

یک شرکت اداره کند،

یک زبان جدید یاد بگیرد،

برای سفر برنامه ریزی کند،

مسئله جدیدی را بدون آموزش قبلی حل کند،

یا خودش را با یک محیط ناشناخته سازگار کند،

ممکن است عملکرد مناسبی نداشته باشد.

این سیستم بسیار قدرتمند است، اما General Intelligence ندارد.

در مقابل یک AGI فرضی باید بتواند دانش و مهارت خود را بین حوزه های مختلف منتقل کند.

به زبان ساده:

Narrow AI

متخصص یک یا چند کار است.

AGI

باید بتواند طیف گسترده ای از مسائل را بفهمد، یاد بگیرد و حل کند.

آیا AGI ساخته شده است؟

تا سال ۲۰۲۶ پاسخ به این سوال همچنان به تعریف AGI بستگی دارد.

هیچ معیار جهانی و رسمی وجود ندارد که براساس آن بتوان به سادگی اعلام کرد:

«از امروز AGI ساخته شده است.»

حتی پژوهشگران نیز همچنان در حال توسعه روش هایی برای اندازه گیری پیشرفت به سمت AGI هستند. Google DeepMind در مارس ۲۰۲۶ یک چارچوب جدید مبتنی بر توانایی های شناختی برای اندازه گیری پیشرفت به سمت AGI معرفی کرد.

Stanford HAI نیز در تحلیل های خود تاکید کرده که استانداردسازی تعریف مفاهیمی مانند AGI همچنان یک مسئله مهم در صنعت و پژوهش AI است.

بنابراین تیترهایی مانند:

«AGI رسما ساخته شد»

را باید با احتیاط زیادی بررسی کرد.

ممکن است یک مدل در تعداد زیادی Benchmark عملکرد فوق العاده داشته باشد اما این به تنهایی اثبات کننده رسیدن به هوش عمومی انسانی نیست.

چرا تشخیص AGI دشوار است؟

چون خود «هوش عمومی» نیز مفهوم بسیار پیچیده ای است.

برای مثال آیا یک AGI باید بتواند:

• استدلال کند؟
• برنامه ریزی کند؟
• محیط جدید را یاد بگیرد؟
• دانش را بین حوزه ها منتقل کند؟
• از اشتباهات خود یاد بگیرد؟
• با انسان تعامل اجتماعی داشته باشد؟
• اهداف بلندمدت را دنبال کند؟
• به صورت مستقل عمل کند؟
• خلاقیت داشته باشد؟
• جهان فیزیکی را درک کند؟

پاسخ پژوهشگران به این سوال ها یکسان نیست.

حتی ممکن است یک سیستم در برخی از این توانایی ها از انسان بهتر باشد و در برخی دیگر بسیار ضعیف تر عمل کند.

به همین دلیل Benchmark واحدی که بتواند AGI را به طور قطعی اثبات کند وجود ندارد.

آیا مدل های فعلی به AGI نزدیک شده اند؟

توانایی مدل های AI طی سال های اخیر به شکل قابل توجهی افزایش یافته است.

گزارش AI Index 2026 دانشگاه Stanford نشان می دهد عملکرد سیستم های AI روی مجموعه ای از Benchmarkهای استدلال، برنامه ریزی و توانایی های پیچیده همچنان در حال پیشرفت است، اما همزمان فاصله میان عملکرد در Benchmarkهای خاص و هوش عمومی واقعی همچنان موضوع مهم تحقیق است.

همچنین سیستم های جدید نسبت به نسل های قبلی:

• multimodalتر شده اند
• بهتر از ابزارها استفاده می کنند
• قابلیت استدلال بیشتری دارند
• در برنامه نویسی قوی تر شده اند
• می توانند وظایف طولانی تری انجام دهند
• در محیط های Agentic عملکرد بهتری دارند

اما مجموع این پیشرفت ها هنوز به معنی توافق علمی درباره رسیدن به AGI نیست.

AGI چه تفاوتی با LLM دارد؟

LLM یا Large Language Model یک معماری یا خانواده ای از مدل ها برای پردازش و تولید زبان و دیگر انواع داده است.

AGI در مقابل یک سطح یا مفهوم از توانایی عمومی هوش مصنوعی است.

بنابراین:

LLM = نوعی مدل

AGI = سطحی فرضی یا تعریف شده از General Intelligence

یک LLM ممکن است بخشی از یک سیستم AGI آینده باشد، اما این دو مفهوم مترادف نیستند.

ممکن است یک سیستم آینده از ترکیب چند بخش ساخته شود:

LLM

Memory

Planning

Tools

Vision

Robotics

Long-Term Learning

Agents

و این سیستم به سطح بالاتری از General Intelligence برسد.

Strong AI چیست؟

عبارت Strong AI معمولا در مقابل Weak AI استفاده می شود.

Weak AI معمولا به سیستم های محدود و وظیفه محور اشاره دارد.

Strong AI بیشتر به سیستم هایی اشاره می کند که دارای هوش عمومی واقعی یا توانایی های شناختی گسترده هستند.

در بسیاری از متن ها Strong AI تقریبا هم معنی AGI استفاده می شود، اما این اصطلاحات همیشه تعریف کاملا یکسانی ندارند.

بنابراین در متون تخصصی بهتر است تعریف نویسنده از اصطلاح Strong AI بررسی شود.

ASI چیست؟

ASI مخفف:

Artificial Superintelligence

است.

به فارسی می توان آن را:

فراهوش مصنوعی

یا

ابرهوش مصنوعی

ترجمه کرد.

ASI به یک سیستم فرضی اشاره دارد که توانایی شناختی آن در طیف گسترده ای از حوزه ها به طور قابل توجهی از انسان فراتر رفته باشد.

اگر AGI را تقریبا هم سطح یا قابل مقایسه با توانایی عمومی انسان تصور کنیم، ASI یک مرحله فراتر است.

به صورت مفهومی:

Narrow AI

↓

AGI

↓

ASI

Google DeepMind در سال ۲۰۲۶ گزارشی پژوهشی درباره مسیرهای احتمالی حرکت از AGI به ASI منتشر کرده و چهار مسیر احتمالی از جمله Scaling، تغییر Paradigm، Recursive Improvement و سیستم های Multi-Agent را بررسی کرده است. خود این پژوهش نیز ASI را به عنوان موضوعی آینده نگرانه و دارای سوالات باز مطرح می کند، نه فناوری تثبیت شده امروز.

یک Superintelligence چه توانایی هایی می تواند داشته باشد؟

اگر چنین سیستمی در آینده ساخته شود، از نظر نظری ممکن است در حوزه هایی مانند:

• پژوهش علمی
• ریاضیات
• مهندسی
• برنامه نویسی
• استراتژی
• طراحی دارو
• مدیریت سیستم های پیچیده
• حل مسئله
• طراحی فناوری
• تحلیل اقتصادی

از بهترین متخصصان انسانی نیز عملکرد بالاتری داشته باشد.

البته این سناریو هنوز نظری است.

ASI یک محصول موجود و قابل استفاده عمومی در سال ۲۰۲۶ نیست. پژوهش درباره آن بیشتر روی امکان پذیری، مسیرهای توسعه، Governance و Safety متمرکز است.

Recursive Self-Improvement چیست؟

یکی از مفاهیمی که در بحث Superintelligence مطرح می شود:

Recursive Self-Improvement

است.

سناریوی نظری این است:

یک AI پیشرفته بتواند سیستم خودش را بهتر کند.

نسخه بهتر شده دوباره خودش را بهبود دهد.

نسخه جدید باز هم توانایی بیشتری برای بهبود خود داشته باشد.

و این چرخه ادامه پیدا کند.

AI

↓

Improves AI

↓

Better AI

↓

Improves AI Faster

↓

More Capable AI

این ایده یکی از مسیرهای فرضی برای رشد سریع توانایی AI است، اما مشخص نیست چنین چرخه ای در عمل تا چه اندازه ممکن، سریع یا بدون محدودیت خواهد بود. گزارش ۲۰۲۶ Google DeepMind نیز Recursive Improvement را فقط یکی از چند مسیر احتمالی به سمت ASI بررسی می کند.

آیا ASI خطرناک است؟

پاسخ قطعی به این سوال ممکن نیست، زیرا ASI هنوز وجود خارجی اثبات شده ای ندارد.

اما اگر یک سیستم بسیار قدرتمندتر از انسان ایجاد شود، موضوعاتی مانند:

• کنترل
• Alignment
• امنیت
• سوء استفاده
• تمرکز قدرت
• تصمیم گیری خودمختار
• Cybersecurity
• تاثیر اقتصادی
• تاثیر نظامی

اهمیت بسیار زیادی خواهند داشت.

به همین دلیل AI Safety فقط درباره جلوگیری از پاسخ نامناسب Chatbotها نیست.

بخشی از این حوزه درباره مدیریت ریسک سیستم های بسیار پیشرفته آینده است.

OpenAI نیز در اسناد رسمی خود توسعه AGI را موضوعی همراه با عدم قطعیت می داند و تاکید می کند که توسعه آن باید همراه با ملاحظات ایمنی انجام شود.

دسته بندی AI براساس عملکرد

تا اینجا AI را براساس Generality بررسی کردیم.

اما یک دسته بندی آموزشی مشهور دیگر نیز وجود دارد.

در این تقسیم بندی چهار نوع مطرح می شوند:

• Reactive Machines
• Limited Memory
• Theory of Mind
• Self-Aware AI

این دسته بندی بیشتر برای توضیح سطح عملکرد و پیچیدگی سیستم ها استفاده می شود.

Reactive Machines چیست؟

Reactive Machine ساده ترین نوع در این دسته بندی است.

این سیستم براساس ورودی فعلی واکنش نشان می دهد و لزوما حافظه ای از تجربه های گذشته ندارد.

یکی از مثال های کلاسیک آن IBM Deep Blue است که در سال ۱۹۹۷ گری کاسپاروف، قهرمان شطرنج جهان را شکست داد.

سیستم وضعیت فعلی صفحه شطرنج را تحلیل می کرد و حرکت مناسب را انتخاب می کرد.

اما به معنای انسانی از تجربه گذشته خاطره نداشت.

Limited Memory AI چیست؟

Limited Memory AI می تواند از اطلاعات گذشته یا Context برای تصمیم گیری استفاده کند.

بخش بزرگی از سیستم های مدرن را می توان در چنین چارچوبی توضیح داد.

برای مثال یک سیستم رانندگی خودکار باید اطلاعات اخیر محیط را پردازش کند:

• موقعیت خودروهای دیگر
• سرعت آنها
• مسیر جاده
• علائم
• عابر پیاده
• وضعیت حرکت

این اطلاعات به تصمیم گیری کمک می کنند.

مدل های زبانی نیز می توانند Context موجود در پنجره مکالمه را برای تولید پاسخ بعدی در نظر بگیرند.

Theory of Mind AI چیست؟

Theory of Mind در روانشناسی به توانایی درک حالات ذهنی دیگران مربوط می شود.

برای مثال انسان می تواند تا حدی درک کند که شخص دیگری:

چه می داند،

چه احساسی دارد،

چه باوری دارد،

یا چه هدفی دنبال می کند.

در AI، Theory of Mind به سیستم هایی اشاره دارد که بتوانند حالات ذهنی انسان یا Agentهای دیگر را به شکل عمیق تر مدل کنند.

سیستم های امروزی می توانند رفتارهایی شبیه درک احساس یا نیت تولید کنند، اما این موضوع با داشتن Theory of Mind واقعی و مشابه انسان یکسان نیست.

Self-Aware AI چیست؟

Self-Aware AI مفهومی کاملا نظری تر است.

منظور سیستمی است که نوعی آگاهی نسبت به خود داشته باشد.

یعنی فقط اطلاعات را پردازش نکند، بلکه از وجود و حالات داخلی خود آگاهی داشته باشد.

هیچ شواهد علمی مورد توافقی وجود ندارد که مدل های AI امروزی دارای Self-Awareness مشابه انسان باشند.

اگر یک Chatbot بنویسد:

«من ناراحت هستم»

این جمله به تنهایی اثبات نمی کند که سیستم واقعا تجربه ذهنی ناراحتی دارد.

مدل می تواند زبان مرتبط با احساسات را تولید کند بدون اینکه لزوما آن احساس را تجربه کند.

تفاوت Intelligence و Consciousness چیست؟

یکی از اشتباهات رایج در بحث AI این است که هوش و آگاهی را یک چیز بدانیم.

Intelligence می تواند شامل توانایی هایی مانند:

• حل مسئله
• برنامه ریزی
• یادگیری
• استدلال
• پیش بینی

باشد.

اما Consciousness یا آگاهی درباره تجربه ذهنی و احساس خود بودن است.

یک سیستم می تواند در یک مسئله بسیار هوشمند عمل کند بدون اینکه شواهدی از Consciousness داشته باشد.

بنابراین حتی اگر روزی AGI ایجاد شود، این سوال جداگانه باقی می ماند:

آیا AGI لزوما آگاه خواهد بود؟

پاسخ هنوز مشخص نیست.

AI Agent در این دسته بندی کجا قرار می گیرد؟

AI Agent نیز یک دسته جدا مانند AGI نیست.

Agent به سیستمی گفته می شود که می تواند:

محیط را دریافت کند،

هدف داشته باشد،

تصمیم بگیرد،

از ابزار استفاده کند،

اقدام انجام دهد،

و نتیجه اقدام را بررسی کند.

برای مثال:

Goal

↓

Plan

↓

Use Tools

↓

Take Action

↓

Observe Result

↓

Continue

یک AI Agent می تواند Narrow باشد.

بنابراین:

Agentic AI ≠ AGI

یک Agent ممکن است فقط برای مدیریت ایمیل طراحی شده باشد و هیچ General Intelligence گسترده ای نداشته باشد.

Multimodal AI چیست؟

Multimodal AI نیز نوع دیگری از دسته بندی براساس توانایی ورودی و خروجی است.

مدل Multimodal می تواند چند نوع داده را پردازش کند.

برای مثال:

متن

تصویر

صدا

ویدئو

یک مدل ممکن است تصویر دریافت کند و درباره آن توضیح دهد یا ترکیبی از متن و تصویر را تحلیل کند.

Multimodal بودن نیز به معنی AGI نیست.

این فقط نشان می دهد مدل می تواند چند Modality مختلف را پردازش کند.

Generative AI کجای این تقسیم بندی قرار می گیرد؟

Generative AI یا هوش مصنوعی مولد به سیستم هایی اشاره دارد که می توانند محتوای جدید تولید کنند.

برای مثال:

• متن
• تصویر
• ویدئو
• موسیقی
• صدا
• کد

Generative AI یک دسته بندی براساس نوع عملکرد است.

بنابراین یک سیستم می تواند همزمان:

Generative AI

Multimodal AI

Narrow AI

و

Agentic System

باشد.

این اصطلاحات لزوما رقیب یکدیگر نیستند؛ بلکه از زاویه های مختلف یک سیستم را توصیف می کنند.

چرا شناخت انواع AI مهم است؟

چون بدون این تفکیک، گفتگو درباره هوش مصنوعی به سرعت گیج کننده می شود.

برای مثال وقتی کسی می گوید:

«AI از انسان باهوش تر شده»

باید بپرسیم:

در چه کاری؟

یک AI ممکن است در شطرنج، Go یا برخی Benchmarkهای ریاضی بهتر از بیشتر انسان ها باشد.

اما آیا می تواند:

زندگی مستقل داشته باشد؟

هدف بلندمدت تعریف کند؟

دانش خود را در تمام شرایط جدید منتقل کند؟

روابط اجتماعی پیچیده را بفهمد؟

محیط کاملا جدید را بدون آموزش مدیریت کند؟

این سوال ها تفاوت میان Capability در یک Task و General Intelligence را نشان می دهند.

مسیر تکامل AI را چگونه تصور کنیم؟

یک مدل آموزشی ساده می تواند این باشد:

Task-specific AI

برای یک کار مشخص

↓

General-purpose AI

برای طیف گسترده ای از وظایف

↓

Increasingly Agentic AI

توانایی برنامه ریزی و اقدام

↓

AGI

هوش عمومی در طیف گسترده ای از حوزه ها

↓

ASI

هوشی بسیار فراتر از انسان

اما این مسیر قطعی نیست.

ممکن است فناوری AI دقیقا از چنین مراحل خطی عبور نکند.

حتی ممکن است AGI در آینده تعریف متفاوتی پیدا کند.

وضعیت انواع هوش مصنوعی در سال ۲۰۲۶

اگر بخواهیم شرایط فعلی را خلاصه کنیم:

Narrow AI

کاملا واقعی و گسترده است.

General Purpose AI

به سرعت در حال پیشرفت است.

AI Agents

در حال توسعه سریع هستند.

Multimodal AI

هم اکنون در محصولات مختلف استفاده می شود.

AGI

تعریف و معیار رسیدن به آن همچنان محل بحث و تحقیق است.

ASI

مفهومی نظری و آینده نگرانه است و پژوهش ها بیشتر سناریوها و ریسک های احتمالی آن را بررسی می کنند.

این تفکیک مهم است، چون پیشرفت سریع مدل های AI نباید باعث شود هر سیستم قدرتمندی را AGI بنامیم.

آیا باید از AGI ترسید؟

ترس شاید بهترین چارچوب برای مواجهه با موضوع نباشد.

دیدگاه حرفه ای تر این است که AGI را به عنوان یک موضوع جدی فناوری، اقتصاد، Governance و Safety بررسی کنیم.

اگر سیستم هایی با توانایی بسیار عمومی ایجاد شوند، می توانند فرصت های بزرگی ایجاد کنند:

• کشف علمی
• پزشکی
• آموزش
• مهندسی
• افزایش بهره وری
• حل مسائل پیچیده

اما در مقابل ممکن است ریسک هایی نیز ایجاد کنند:

• سوء استفاده
• تغییر بازار کار
• تمرکز قدرت
• Cybersecurity
• Disinformation
• خطاهای سیستم های خودمختار
• مسائل Alignment

بنابراین بحث AGI فقط بحث فناوری نیست.

اقتصاد، سیاست گذاری، اخلاق، امنیت و آینده بازار کار نیز در آن نقش دارند.

برای دنبال کردن آینده AI باید چه مفاهیمی را یاد بگیریم؟

اگر می خواهید فقط مصرف کننده اخبار AI نباشید و واقعا اتفاقات این حوزه را بفهمید، این مسیر منطقی است:

Artificial Intelligence

↓

Machine Learning

↓

Deep Learning

↓

Generative AI

↓

LLM

↓

Multimodal AI

↓

AI Agents

↓

AGI

↓

ASI

با فهم این مفاهیم، بسیاری از خبرهای AI نیز قابل تحلیل تر می شوند.

چک لیست مفاهیم اصلی

• Narrow AI برای یک وظیفه یا مجموعه محدودی از وظایف طراحی می شود.
• بیشتر AIهای مورد استفاده امروز را نمی توان AGI مورد توافق عمومی دانست.
• General Purpose AI لزوما AGI نیست.
• AGI به هوش عمومی و قابل تطبیق در حوزه های مختلف اشاره دارد.
• تعریف جهانی و قطعی برای AGI وجود ندارد.
• پژوهشگران در حال توسعه معیارهای اندازه گیری پیشرفت به سمت AGI هستند.
• ASI به هوشی فرضی فراتر از توانایی های انسان اشاره دارد.
• Generative AI یک دسته براساس نوع عملکرد است.
• Multimodal AI درباره پردازش چند نوع داده است.
• AI Agent درباره توانایی برنامه ریزی و اقدام است.
• Intelligence و Consciousness یک مفهوم نیستند.
• Self-Aware AI در حال حاضر مفهومی نظری است.

متداول ترین سوالات

انواع اصلی هوش مصنوعی چیست؟

یکی از رایج ترین دسته بندی ها AI را براساس دامنه توانایی به Narrow AI، Artificial General Intelligence یا AGI و Artificial Superintelligence یا ASI تقسیم می کند.

Narrow AI چیست؟

Narrow AI سیستمی است که برای انجام یک وظیفه یا مجموعه مشخصی از وظایف طراحی شده است. بیشتر سیستم های AI مورد استفاده امروز را می توان در این گروه یا در طیفی از سیستم های General Purpose اما هنوز غیر AGI در نظر گرفت.

AGI چیست؟

Artificial General Intelligence به سیستم هوش مصنوعی با توانایی عمومی و قابل تطبیق در حوزه های مختلف اشاره دارد. تعریف دقیق و معیار رسیدن به AGI هنوز بین پژوهشگران مورد توافق کامل نیست.

آیا ChatGPT یک AGI است؟

مدل های زبانی مدرن می توانند طیف وسیعی از وظایف را انجام دهند، اما توانایی گسترده آنها به تنهایی اثبات نمی کند که AGI مورد توافق علمی ایجاد شده است. هنوز معیار واحدی برای تشخیص AGI وجود ندارد.

ASI چیست؟

Artificial Superintelligence به یک سیستم فرضی اشاره دارد که در طیف گسترده ای از توانایی های شناختی از انسان بسیار فراتر باشد. ASI در سال ۲۰۲۶ هنوز یک مفهوم پژوهشی و آینده نگرانه است.

آیا AGI در سال ۲۰۲۶ ساخته شده است؟

هیچ اجماع علمی و تعریف واحدی وجود ندارد که براساس آن بتوان به صورت قطعی اعلام کرد AGI ساخته شده است. پژوهشگران همچنان در حال طراحی چارچوب هایی برای اندازه گیری پیشرفت به سمت هوش عمومی هستند.

تفاوت AGI و AI Agent چیست؟

AGI درباره سطح عمومی توانایی هوش مصنوعی است، در حالی که AI Agent سیستمی است که می تواند برای رسیدن به هدف برنامه ریزی و اقدام کند. یک Agent می تواند کاملا Narrow باشد.