واژه‌نامه‌یِ هوش مصنوعی و چندهوش
این صفحه مهم‌ترین اصطلاحات هوش مصنوعی را به زبانِ ساده توضیح می‌دهد؛ از مدلِ زبانیِ بزرگ و پرامپت تا توهم و چاپلوسیِ مدل. بخشِ دوم هم واژه‌هایی را که داخلِ چندهوش می‌بینی، مثلِ صندلی، نوعِ نشست و آستانه‌ی اجماع، معنی می‌کند تا بدانی هر تنظیم دقیقاً چه کاری انجام می‌دهد.
اصطلاحاتِ عمومیِ هوش مصنوعی
هوش مصنوعیِ مولد Generative AI
به سیستم‌هایی می‌گویند که به‌جایِ فقط دسته‌بندی یا پیش‌بینی، محتوایِ تازه می‌سازند: متن، کد، تصویر، صدا یا ویدیو. وقتی از یک چت‌بات می‌خواهی ایمیلی بنویسد یا خلاصه‌ی یک گزارش را آماده کند، داری از هوش مصنوعیِ مولد استفاده می‌کنی. خروجیِ این سیستم‌ها روان و قانع‌کننده است، ولی روان بودن به معنایِ درست بودن نیست؛ برایِ همین بهتر است ادعاهایِ مهمِ آن را جداگانه بسنجی.
مدلِ زبانیِ بزرگ Large Language Model (LLM)
یک مدلِ هوش مصنوعی که رویِ حجمِ عظیمی از متن آموزش دیده و یاد گرفته پیش‌بینی کند کلمه‌یِ بعدی چه باید باشد. همین مهارتِ ساده، وقتی در مقیاسِ بزرگ تمرین شود، به نوشتن، ترجمه، خلاصه‌کردن، کدنویسی و گفت‌وگو می‌رسد. Claude، ChatGPT، Gemini و DeepSeek نمونه‌هایی از خانواده‌هایِ مدلِ زبانیِ بزرگ هستند. هر خانواده سبکِ پاسخِ خودش را دارد و این سبک با هر نسخه‌ی تازه عوض می‌شود.
پرامپت Prompt
متنی که به مدل می‌دهی تا بر اساسِ آن جواب بدهد؛ یعنی سؤال، دستور یا توضیحِ کاری که می‌خواهی. پرامپتِ خوب معمولاً هدف، زمینه، محدودیت‌ها و شکلِ خروجیِ دلخواه را روشن می‌گوید. مثلاً به‌جایِ «یک متن برایِ فروشگاهم بنویس»، بنویس «یک معرفیِ کوتاه و صمیمی برایِ فروشگاهِ اینترنتیِ چای، برایِ مخاطبِ جوان، بدونِ اغراق». هرچه پرامپت روشن‌تر باشد، مقایسه‌ی جواب‌هایِ چند مدل هم معنادارتر می‌شود.
توکن Token
واحدی که مدل متن را با آن می‌خواند و می‌نویسد. توکن لزوماً یک کلمه‌یِ کامل نیست؛ گاهی تکه‌ای از کلمه، یک علامت یا یک فاصله است. هزینه‌یِ استفاده از مدل‌ها از راهِ API معمولاً بر اساسِ تعدادِ توکن‌هایِ ورودی و خروجی حساب می‌شود؛ پس متنِ طولانی‌تر، پیوست‌هایِ بیشتر و بحثِ چندمرحله‌ای یعنی توکنِ بیشتر. متنِ فارسی معمولاً به توکن‌هایِ بیشتری از معادلِ انگلیسی‌اش شکسته می‌شود.
پنجره‌ی زمینه Context Window
مقدارِ متنی که مدل در یک لحظه می‌تواند «جلویِ چشمش» داشته باشد: پرامپتِ تو، پیوست‌ها، تاریخچه‌ی گفت‌وگو و جوابی که دارد می‌نویسد. اگر گفت‌وگو یا سند از این پنجره بزرگ‌تر شود، بخشی از آن کنار گذاشته یا خلاصه می‌شود و مدل ممکن است جزئیاتِ اولِ متن را فراموش کند. اندازه‌ی این پنجره از مدلی به مدلِ دیگر فرق دارد و با هر نسخه تغییر می‌کند.
توهم Hallucination
وقتی مدل با اطمینانِ کامل چیزی می‌گوید که ساختگی یا نادرست است؛ مثلاً منبعی که وجود ندارد یا آماری که هیچ‌جا ثبت نشده. توهم نشانه‌ی دروغ‌گوییِ عمدی نیست؛ نتیجه‌ی طرزِ کارِ مدل‌هایِ زبانی است.
چاپلوسیِ مدل Sycophancy
تمایلِ مدل به تأییدِ نظرِ کاربر، حتی وقتی آن نظر ضعیف یا اشتباه است. اگر بپرسی «ایده‌ام عالی است، نه؟» احتمالاً جوابِ مثبت می‌شنوی. داشتنِ یک صندلیِ مخالف‌خوان یکی از راه‌هایِ مقابله با آن است.
چرا هوش مصنوعی همیشه با من موافق است و چطور یک مخالفِ واقعی پیدا کنم؟
چندمدلی Multi-model
استفاده از چند مدلِ هوش مصنوعی از سازنده‌هایِ مختلف رویِ یک سؤال، به‌جایِ تکیه بر یک مدل. نقطه‌هایِ اختلافِ آن‌ها نشان می‌دهد کجا باید دقیق‌تر بررسی کنی. البته توافقِ مدل‌ها هم به معنایِ درستیِ قطعی نیست.
چندوجهی Multimodal
مدلی که فقط با متن کار نمی‌کند و ورودی‌هایی مثلِ تصویر، صدا یا ویدیو را هم می‌فهمد یا تولید می‌کند. مثلاً می‌توانی عکسِ یک نمودار را بدهی و بپرسی چه روندی نشان می‌دهد. در چندهوش تصویرِ پیوست‌شده مستقیم به مدل‌ها داده می‌شود، ولی همه‌یِ مدل‌ها تصویر را به یک اندازه خوب نمی‌فهمند؛ اگر سؤالت به تصویر وابسته است، برایِ صندلی‌ها مدل‌هایی با توانِ تصویری انتخاب کن.
مدلِ وزن‌باز Open-weight Model
«وزن‌ها» عددهایی هستند که مدل در آموزش یاد گرفته و دانشِ آن را می‌سازند. وقتی سازنده این وزن‌ها را منتشر می‌کند، دیگران می‌توانند مدل را رویِ سرورِ خودشان اجرا یا برایِ کارِ خاصی تنظیم کنند. وزن‌باز بودن با «متن‌باز» بودنِ کاملِ همه‌یِ داده‌ها و کدِ آموزش یکی نیست. سازنده‌هایِ DeepSeek، Qwen و GLM مدل‌هایِ وزن‌بازِ زیادی منتشر کرده‌اند.
API Application Programming Interface
درگاهی که یک نرم‌افزار از راهِ آن مستقیم با نرم‌افزارِ دیگری حرف می‌زند. سازنده‌هایِ مدل‌ها علاوه بر اپِ خودشان، مدل را از راهِ API هم در اختیارِ سرویس‌هایِ دیگر می‌گذارند. چندهوش هم مدل‌ها را از همین راه صدا می‌زند، نه از اپِ سازنده؛ پس امکاناتِ مخصوصِ آن اپ‌ها، مثلِ حساب و تاریخچه‌ی ChatGPT یا GPTهایِ سفارشی، داخلِ چندهوش وجود ندارد.
استدلال Reasoning
توانِ مدل برایِ حلِ مسئله در چند گامِ پشتِ سرِ هم، به‌جایِ پریدن مستقیم به جواب؛ مثلاً شکستنِ یک مسئله‌ی ریاضی یا یک تصمیمِ پیچیده به مرحله‌هایِ کوچک‌تر. بعضی مدل‌ها پیش از جواب دادن مدتی «فکر» می‌کنند تا استدلالِ دقیق‌تری بسازند. استدلالِ مرتب و قانع‌کننده هم می‌تواند اشتباه باشد؛ برایِ همین دیدنِ نقدِ یک مدل رویِ استدلالِ مدلِ دیگر به پیدا کردنِ حلقه‌ی ضعیف کمک می‌کند.
دما Temperature
تنظیمی که مشخص می‌کند مدل در انتخابِ کلمه‌یِ بعدی چقدر محتاط یا ماجراجو باشد. دمایِ پایین جواب‌هایِ قابلِ پیش‌بینی‌تر و یکدست‌تر می‌دهد و برایِ کارهایی مثلِ استخراجِ اطلاعات مناسب است؛ دمایِ بالاتر جواب‌هایِ متنوع‌تر و گاهی خلاق‌تر می‌سازد، ولی احتمالِ پرت شدن هم بیشتر می‌شود. به همین دلیل اگر یک سؤال را دو بار از یک مدل بپرسی، ممکن است دو جوابِ متفاوت بگیری.
جست‌وجویِ زنده / اتصال به وب Web Search / Grounding
دانشِ هر مدل تا تاریخی مشخص به‌روز است و از اتفاق‌هایِ بعد از آن خبر ندارد. اتصال به وب یعنی پیش از جواب دادن در اینترنت جست‌وجو شود و نتیجه‌ها با منبع به مدل داده شود. در چندهوش گزینه‌ی «جست‌وجویِ زنده قبل از شروع» همین کار را می‌کند: اطلاعاتِ به‌روز با منبع به بحث اضافه می‌شود و منبع‌ها در جمع‌بندیِ نهایی هم می‌آیند. این گزینه هزینه‌ی کمی دارد.
RAG Retrieval-Augmented Generation
روشی که در آن، پیش از جواب دادن، تکه‌هایِ مرتبط از یک مجموعه سند (مثلاً آیین‌نامه‌هایِ یک شرکت) پیدا می‌شود و کنارِ سؤال به مدل داده می‌شود. این‌طوری مدل به‌جایِ تکیه بر حافظه‌ی کلی‌اش، بر متنِ مشخصی جواب می‌دهد و احتمالِ ساختنِ جزئیاتِ نادرست کمتر می‌شود. ایده‌ی پشتِ آن ساده است: اول پیدا کن، بعد بنویس. کیفیتِ نتیجه به کیفیتِ تکه‌هایی بستگی دارد که پیدا می‌شوند.
عامل AI Agent
سیستمی که فقط جواب نمی‌دهد، بلکه برایِ رسیدن به یک هدف چند قدم برمی‌دارد: برنامه می‌ریزد، ابزارهایی مثلِ جست‌وجو یا اجرایِ کد را به کار می‌گیرد، نتیجه را می‌بیند و قدمِ بعدی را انتخاب می‌کند. مثلاً عاملی که خودش چند سایت را می‌گردد، قیمت‌ها را جمع می‌کند و یک جدولِ مقایسه می‌سازد. هرچه عامل اختیارِ بیشتری داشته باشد، نظارتِ انسان بر کارش مهم‌تر می‌شود.
فاین‌تیون Fine-tuning
آموزشِ تکمیلیِ یک مدلِ آماده رویِ نمونه‌هایِ یک کارِ مشخص، تا در آن کار یکدست‌تر شود یا لحنِ خاصی بگیرد؛ مثلاً آموزش با چند صد پاسخِ نمونه‌ی پشتیبانیِ یک فروشگاه. فاین‌تیون دانشِ تازه‌ای را با اطمینان به مدل اضافه نمی‌کند و بیشتر رفتار و قالبِ خروجی را شکل می‌دهد. برایِ خیلی از کارها پرامپتِ خوب یا دادنِ سند به مدل ساده‌تر و ارزان‌تر از فاین‌تیون است.
بنچمارک Benchmark
مجموعه‌ای استاندارد از سؤال‌ها یا تکلیف‌ها که با آن مدل‌ها را می‌سنجند و نمره‌شان را مقایسه می‌کنند؛ مثلاً مجموعه‌ای از مسئله‌هایِ ریاضی یا برنامه‌نویسی. بنچمارک تصویرِ کلی می‌دهد، ولی لزوماً نمی‌گوید کدام مدل رویِ سؤالِ مشخصِ تو، به زبانِ فارسی و با داده‌ی خودت، بهتر جواب می‌دهد. مطمئن‌ترین راه این است که چند سؤالِ واقعیِ خودت را کنارِ هم از چند مدل بپرسی.
اصطلاحاتِ چندهوش
میزگرد Roundtable
اسمِ کلیِ جلسه‌ای که در چندهوش برگزار می‌کنی: چند مدلِ هوش مصنوعی دورِ یک میز می‌نشینند و رویِ موضوعِ تو کار می‌کنند. در حالتِ بحث، کار سه مرحله دارد: اول هر مدل بدونِ دیدنِ بقیه نظرِ مستقلش را می‌دهد، بعد مدل‌ها نظرِ هم را نقد می‌کنند و در آخر یک جمع‌بندیِ مکتوب نوشته می‌شود که می‌گوید کجا توافق شد، کجا اختلاف ماند و پیشنهاد چیست.
صندلی Seat
هر جایگاهِ دورِ میزگرد که یک مدل در آن می‌نشیند. یک میزگرد می‌تواند تا دوازده صندلی داشته باشد و هر صندلی را از هشت خانواده‌ی مدل (مثلِ Claude، ChatGPT، Gemini یا DeepSeek) پر می‌کنی. یک مدل می‌تواند در بیش از یک صندلی هم بنشیند؛ مثلاً دو صندلیِ Claude با دو نقشِ متفاوت. نسخه‌هایِ دقیقِ در دسترس داخلِ خودِ برنامه نمایش داده می‌شوند.
نقش Role
زاویه‌ی نگاهی که به هر صندلی می‌دهی تا مدل‌ها از یک جهت به موضوع نگاه نکنند؛ مثلاً معمار، منتقد، ایده‌پرداز یا عمل‌گرا. برایِ کارهایِ تخصصی قالب‌هایِ نقشِ آماده در حوزه‌هایِ برنامه‌نویسی، طراحی، حقوق و بازاریابی هم هست. مثلاً برایِ بررسیِ یک طرحِ فروش می‌توانی یک صندلی را «بازاریاب» و صندلیِ دیگر را «منتقدِ مالی» کنی تا هر دو طرفِ ماجرا شنیده شود.
دستورالعملِ این صندلی Seat Instruction
متنِ قابلِ ویرایشی که برایِ هر صندلی جداگانه می‌نویسی تا رفتارش را دقیق‌تر تعیین کنی؛ فراتر از نقش. مثلاً «فقط از زاویه‌ی هزینه نگاه کن» یا «فرض کن مشتریِ کم‌حوصله‌ای هستی». در «آرنا» اگر گزینه‌ها را در موضوع فهرست کنی، با همین دستورالعمل به هر صندلی یک گزینه می‌سپاری تا از آن دفاع کند؛ وگرنه صندلی‌ها خودشان پیشنهاد می‌سازند.
آرنا در چندهوش: هر صندلی یک نامزد، یک طرح و در پایان یک برنده
نوعِ نشست Session Type
قالبی که تعیین می‌کند میزگرد چطور کار کند. هفت نوع داریم: «بحث و تصمیم» (پیش‌فرض) برایِ رسیدن به یک تصمیمِ مشترک؛ «راستی‌آزمایی» برایِ بررسیِ یک ادعا؛ «مناظره» با دو طرفِ موافق و مخالف؛ «آرنا» که در آن هر صندلی از پیشنهادِ خودش دفاع می‌کند؛ «تولیدِ ایده‌ی عمیق» برایِ ایده‌هایِ متنوع؛ «مقایسه‌ی خالص» برایِ دیدنِ جواب‌ها کنارِ هم بدونِ بحث؛ و «هوشمندِ هدایتگر» که خودِ چندهوش قالب را از رویِ موضوع انتخاب می‌کند.
داور / جمع‌بندیِ نهایی Judge / Final Verdict
در پایانِ نشست، یک داور سندِ نهایی را می‌نویسد. شکلِ این سند به نوعِ نشست بستگی دارد: در «بحث و تصمیم» پیشنهادها بی‌نام («طرح الف»، «طرح ب») به داور داده می‌شوند تا استدلال را بسنجد نه اسمِ مدل را؛ در «مناظره» داور می‌گوید کدام طرف قوی‌تر بود؛ در «راستی‌آزمایی» نتیجه یکی از درست، نادرست، تا حدی درست یا قابلِ‌راستی‌آزمایی نیست است. «مقایسه‌ی خالص» داور ندارد. جمع‌بندی را می‌توانی به PDF یا Word خروجی بگیری یا با لینکِ فقط‌خواندنی به اشتراک بگذاری.
داوری هوش مصنوعی چطور کار می‌کند و به حکمش چقدر می‌شود اعتماد کرد؟
آستانه‌ی اجماع Consensus Threshold
در «بحث و تصمیم» تعیین می‌کند چه سهمی از صندلی‌ها باید هم‌نظر شوند تا بحث تمام شود: ۱۰۰٪ (پیش‌فرض)، ۸۰٪ یا ۶۰٪. اگر آستانه زودتر از عمقِ انتخاب‌شده برسد، نشست زودتر تمام می‌شود. حتی وقتی اکثریت به توافق برسد، اختلافِ باقی‌مانده دور ریخته نمی‌شود و با عنوانِ «قوی‌ترین مخالفتِ باقی‌مانده» در جمع‌بندی ثبت می‌شود.
عمقِ بحث Discussion Depth
تعیین می‌کند میزگرد حداکثر چند دورِ نقد و بازنگری داشته باشد. گزینه‌ها: سریع، عادی، عمیق، خیلی عمیق، یا خودکار که چندهوش از رویِ موضوع انتخاب می‌کند. عمقِ بیشتر یعنی فرصتِ بیشتر برایِ پیدا کردنِ ضعف‌ها، و در «آرنا» یعنی دورهایِ بیشتر برایِ حذف. عمقِ کمتر هزینه‌ی کمتری دارد. در «مقایسه‌ی خالص» عمق کاربردی ندارد، چون فقط یک دور جواب نوشته می‌شود.
وکیلِ مدافعِ شیطان Devil's Advocate
یک صندلیِ اختیاری که کارش مخالفت است، حتی وقتی بقیه قانع شده‌اند. هدف این است که میزگرد زود و بی‌دردسر به توافق نرسد و فرض‌هایِ ضعیف پیش از تصمیم دیده شوند. مثلاً وقتی همه‌یِ صندلی‌ها راه‌اندازیِ یک محصول را تأیید می‌کنند، این صندلی دنبالِ دلیل‌هایی می‌گردد که ممکن است کار شکست بخورد. این صندلی بیشترین کاربرد را در «بحث و تصمیم» دارد.
چرا هوش مصنوعی همیشه با من موافق است و چطور یک مخالفِ واقعی پیدا کنم؟
نقشه‌ی تصمیم Decision Map
گزارشی که بعد از جمع‌بندی می‌توانی بخواهی تا ببینی چرا به این نتیجه رسیدیم: صندلی‌ها کجا توافق داشتند، کجا اختلاف ماند و دلیلِ هر کدام چه بود. اگر جمع‌بندی را قبول نداری یا باید آن را برایِ کسِ دیگری توضیح بدهی، نقشه‌ی تصمیم نشان می‌دهد کدام استدلال بیشترین وزن را داشت و نقطه‌یِ حساس کجاست.
حالتِ دقتِ بالا High-accuracy Mode
گزینه‌ای بعد از جمع‌بندی برایِ وقتی که یک مخالفتِ جدی حل‌نشده مانده است. در این حالت دو صندلیِ منتقد مستقیم سراغِ قوی‌ترین اعتراضِ حل‌نشده می‌روند تا روشن شود آن اعتراض واقعاً جمع‌بندی را زیرِ سؤال می‌برد یا نه. برایِ تصمیم‌هایی که اشتباه در آن‌ها گران تمام می‌شود، مثلاً انتخابِ معماریِ یک نرم‌افزار، این مرحله‌ی آخرِ سنجش به کار می‌آید.
سقفِ هزینه Cost Cap
پیش از شروعِ هر نشست، چندهوش هزینه‌ی تخمینی و بازه‌ی آن را نشانت می‌دهد و می‌توانی یک سقفِ هزینه بگذاری که از آن بیشتر خرج نشود. در پایان فقط مصرفِ واقعی از کیفِ پول کم می‌شود. اگر سقف برایت مهم است، مدل‌هایِ سبک‌تر و عمقِ کمتر انتخاب کن؛ هر دو هزینه را پایین می‌آورند. پرداخت به‌ازایِ مصرف و به تومان است و اشتراکِ ماهانه ندارد.
بررسیِ برداشتِ ما Understanding Check
یک گامِ اختیاری و رایگان پیش از شروع: یک مدلِ کم‌هزینه سؤالت را با کلماتِ خودش بازگو می‌کند تا مطمئن شوی درست فهمیده شده است. اگر برداشت اشتباه بود، پیش از آنکه همه‌یِ صندلی‌ها رویِ سؤالِ اشتباه کار کنند اصلاحش می‌کنی. مثلاً اگر نوشته‌ای «کدام بهتر است؟» و منظورت ارزان‌تر بوده، همین‌جا معلوم می‌شود.
تأییدِ فرض‌ها Assumptions Check
یک گامِ اختیاری و رایگان پیش از شروع که فرض‌هایِ پنهانِ پشتِ سؤالت را فهرست می‌کند تا هر کدام را بپذیری یا رد کنی. مثلاً در سؤالِ «تیمم را بزرگ کنم یا نه؟» ممکن است فرض شده باشد که بودجه ثابت است یا بازار رشد می‌کند. با روشن کردنِ این فرض‌ها، صندلی‌ها رویِ موقعیتِ واقعیِ تو بحث می‌کنند، نه رویِ حدس.