AI component چیست

توجه: این سند ترجمه خودکار نسخه اصلی انگلیسی است.

AI component چیست

AI component بخش مشخصی از پروژه است که کار واقعی AI در آن رخ می‌دهد — تحلیل، تولید، پیش‌بینی، رتبه‌بندی یا تصمیم‌گیری. این یک برچسب بازاریابی یا اشارهٔ برندی نیست. در کارت‌های پروژهٔ DecAIHub، فیلد AI component به یک پرسش پاسخ می‌دهد: AI اینجا دقیقاً چه می‌کند؟

به‌طور خلاصه: AI component همان سازوکار مشخصی است که داده به آن وارد می‌شود و نتیجه‌ای AI-محور از آن بیرون می‌آید — نه لوگو، نه شعار و نه وعدهٔ نقشهٔ راه.

قیاسی برای تازه‌واردها

پروژه را مانند یک رستوران تصور کنید. Use case همان منوست — آنچه مشتری می‌بیند و سفارش می‌دهد. AI component آشپزخانه است — تجهیزات و تکنیک واقعی‌ای که مواد خام را به غذا تبدیل می‌کند. رستوران می‌تواند منوی زیبایی داشته باشد (use case) اما آشپزخانهٔ کارآمدی نداشته باشد (AI component). وقتی DecAIHub پروژه‌ای را بررسی می‌کند، وارد آشپزخانه می‌شود تا ببیند اجاق واقعی است، کسی آشپزی می‌کند و دستور پخت واقعی وجود دارد — نه فقط عکس غذاهای چاپ‌شده روی تابلوی بیرون.

چیست

AI component یک ماژول یا زیرسیستم کارکردی است که کاری را انجام می‌دهد که معمولاً با هوش مصنوعی یا یادگیری ماشین مرتبط است. این شامل موارد زیر است:

• موتورهای استنتاج — اجرای مدل آموزش‌دیده برای تولید خروجی (پیش‌بینی‌ها، طبقه‌بندی‌ها، متن یا تصویر تولیدشده)
• خطوط لولهٔ آموزش — به‌روزرسانی وزن‌های مدل روی دادهٔ جدید
• مدل‌های تحلیلی — استخراج الگوها، امتیازها یا سیگنال‌ها از داده (تحلیل بازار، امتیازدهی ریسک، تحلیل احساسات)
• چارچوب‌های ایجنت — هماهنگ‌سازی تصمیم‌گیری خودمختار، استفاده از ابزار و استدلال چندمرحله‌ای
• سیستم‌های برچسب‌گذاری داده — مدیریت حاشیه‌نویسی انسانی یا خودکار برای ساخت مجموعه‌داده‌ها
• هماهنگ‌سازی رایانش — توزیع بارهای کاری AI میان گره‌ها یا GPUها

تمایز کلیدی: پروژه وقتی AI component دارد که زیرسیستمی داشته باشد که داده را با مدل‌ها، الگوریتم‌ها یا بازنمایی‌های یادگرفته پردازش می‌کند. پروژه وقتی AI component ندارد که «AI» فقط در نام، متن بازاریابی یا برنامه‌های آینده‌اش ظاهر شود، بدون هیچ پیاده‌سازی فنی قابل تأیید.

AI component لازم نیست از صفر و سفارشی ساخته شده باشد. پروژه‌ای که یک مدل متن‌باز را fine-tune می‌کند، یک API استنتاج را با پیش‌پردازش و پس‌پردازش معنادار می‌پیچد، یا طبقه‌بند خودش را روی دادهٔ اختصاصی آموزش می‌دهد، همچنان AI component دارد — تا وقتی لایهٔ AI کارکردی قابل تأیید فراتر از عبور سادهٔ داده بیفزاید.

طیف: از غایب تا کاملاً قابل تأیید

همهٔ AI componentها برابر نیستند. آن‌ها روی طیفی از بلوغ و قابلیت تأیید قرار دارند:

سطح	توضیح	چه انتظاری داشته باشید
غایب	هیچ AI‌ای در پروژه یافت نشد	فیلد ai_component مقدار none یا unknown دارد
Positioning only	AI در بازاریابی ادعا شده اما شواهد فنی نیست	فیلد positioning only است؛ ai_score صفر است
اعلام‌شده	AI در اسناد رسمی یا نقشهٔ راه ذکر شده اما artifact کارآمدی نیست	AI_0 = 1، بقیهٔ پرچم‌های AI صفرند
نمایش‌داده‌شده	دموی کارآمد، نمونهٔ اولیه یا خط لولهٔ مستندشده وجود دارد	AI_1 و AI_2 برابر ۱؛ شواهد جزئی
تأییدشده	بنچمارک‌ها، مستندات فنی، نسخه‌های مدل و نتایج بازتولیدپذیر در دسترس‌اند	AI_3 و AI_4 برابر ۱؛ شواهد Tier-1 قوی

این طیف از آن‌رو مهم است که «داشتن AI» در عمل دودویی نیست. پروژه ممکن است مدل آموزش‌دیده داشته باشد اما بنچمارک نداشته باشد، یا دموی کارآمد داشته باشد اما معماری منتشرشده نداشته باشد. فیلد AI component آنچه را وجود دارد ثبت می‌کند، نه آنچه در آینده می‌تواند وجود داشته باشد.

مقادیر رایج AI component در DecAIHub

این‌ها مقادیر واقعی از کارت‌های پروژهٔ رجیستری‌اند:

• AI agent platform (workflows/tools/KB) — زیرساخت ایجنت با ابزارها و پایگاه دانش
• AI data labeling + model evaluation (human experts) — برچسب‌گذاری با خط لولهٔ انسان-در-حلقه
• AI/ML crypto market analytics (app) — مدل‌های یادگیری ماشین به‌کاررفته روی داده‌های بازار
• compute orchestration — مسیریابی و زمان‌بندی وظایف رایانشی AI
• AI trading signals — مدل‌هایی که از داده سیگنال‌های مرتبط با معامله تولید می‌کنند
• agentic framework (memory/actions/plugins) — محیط اجرای ایجنت با حافظه و یکپارچه‌سازی ابزار
• AI summaries + crypto intelligence terminal — خلاصه‌سازی مبتنی بر NLP و تحلیل داده
• inference engine — سیستمی که به اجرای استنتاج مدل اختصاص دارد

هر مقدار توصیف می‌کند AI واقعاً چه می‌کند — نه اینکه پروژه وعده می‌دهد چه شود. این مقادیر از رجیستری نرمال‌شدهٔ فیلدهای تکرارشونده برداشته می‌شوند تا سازگاری میان کارت‌های پروژه تضمین شود. وقتی بازبین فیلد AI component را پر می‌کند، از میان مقادیر مشاهده‌شده انتخاب می‌کند یا مقدار جدیدی می‌افزاید که سازوکار فنی را دقیق ثبت کند.

این فیلد کجای کارت‌های پروژهٔ DecAIHub دیده می‌شود

فیلد AI component (ai_component) بخشی از جدول پاسپورت پروژه است. کنار فیلد Use case می‌نشیند. این دو با هم سازوکار فنی را از توصیف محصول جدا می‌کنند.

اگر فیلد positioning only، none یا unknown باشد، یعنی تا تاریخ راستی‌آزمایی، شواهدی از یک AI component کارآمد تأیید نشده است. این‌ها فناوری نیستند — حالت‌های خواندن شواهد هستند.

فیلد AI component از اولین چیزهایی است که خوانندهٔ باتجربه بررسی می‌کند. سیگنالی فوری می‌دهد: آیا این پروژه با AI کاری می‌کند، یا فقط می‌گوید که می‌کند؟ در ترکیب با جدول Evidence و تاریخ راستی‌آزمایی، تصویری سریع از محتوای فنی پروژه ترسیم می‌کند.

اجزای AI چگونه راستی‌آزمایی می‌شوند

راستی‌آزمایی از سلسله‌مراتب شواهد Tier-1/2/3 پیروی می‌کند. برای اینکه AI component از positioning only فراتر برود، بازبین‌ها دنبال این‌ها می‌گردند:

• artifactهای Tier-1 — کد منبع در مخازن عمومی، وزن‌های مدل یا توصیف‌های معماری، گزارش‌های بنچمارک با روش‌شناسی، مستندات API که نقاط اتصال استنتاج را نشان می‌دهند، مقالات فنی منتشرشده توسط تیم.
• زمینهٔ Tier-2 — بازبینی‌های شخص ثالث که خط لولهٔ AI را ذکر می‌کنند، یکپارچه‌سازی‌های اکوسیستم که به خروجی AI وابسته‌اند، توصیف‌های aggregatorها که به کارکرد مشخص AI ارجاع می‌دهند.
• سیگنال‌های Tier-3 — ادعاهای بازاریابی، اشاره‌های اینفلوئنسرها، بیانیه‌های مطبوعاتی بدون جزئیات فنی. این‌ها یادداشت می‌شوند اما به‌تنهایی امتیاز AI را بالا نمی‌برند.

بررسی همچنین الگوهای ضد رایج را می‌سنجد: مخزن GitHub خالی که به‌عنوان «کد AI» فهرست شده، بنچمارک‌های کپی‌شده از پروژهٔ دیگر، یا API wrapper که مدل اختصاصی جا زده شده است. این پرچم‌های قرمز، ai_score را تا پیدایش شواهد قابل تأیید روی صفر نگه می‌دارند.

AI component برای DecAI Fit چه معنایی دارد

AI component مستقیماً محور AI reality امتیاز DecAI Fit را تغذیه می‌کند. بدون شواهد Tier-1 از یک AI component کارآمد، ai_score پروژه صفر است — و DecAI Fit کلی آن نمی‌تواند از صفر بالاتر برود.

این سخت‌گیرانه‌ترین قاعدهٔ سیستم امتیازدهی است: بدون AI reality، بدون DecAI Fit بالاتر از صفر. حتی اگر پروژه زیرساخت on-chain قوی و توکنی خوش‌طراحی داشته باشد، بدون یک AI component قابل تأیید نمی‌تواند بالاتر از صفر امتیاز بگیرد. این تز محوری DecAIHub را بازتاب می‌دهد — رجیستری هم‌راستایی با تز «Decentralized AI» را ارزیابی می‌کند و AI نقطهٔ شروع غیرقابل مذاکره است.

این به معنای بد یا بی‌ارزش بودن پروژه نیست. یعنی شواهد در زمان بررسی در دسترس نبوده است. وقتی artifactهای قابل تأیید (کد، بنچمارک، دمو، مستندات فنی) پیدا شوند، کارت به‌روزرسانی می‌شود.

این اصطلاح به‌تنهایی چه چیزی را ثابت نمی‌کند

• داشتن AI component ثابت نمی‌کند که محصول کارآمد است، توکن ضروری است یا یکپارچه‌سازی on-chain معنادار است.
• فیلد AI component فقط سازوکار را توصیف می‌کند. کیفیت، بلوغ و مقیاس جداگانه از راه جدول Evidence و پرچم‌های AI reality ارزیابی می‌شوند.
• پروژه می‌تواند AI component واقعی اما پیش‌پاافتاده‌ای داشته باشد — مثلاً یک طبقه‌بند سادهٔ احساسات که API بیرونی را فرا می‌خواند. واقعی به معنای چشمگیر نیست.
• برعکس، پروژه‌ای با AI component پیچیده ممکن است همچنان DecAI Fit پایینی بگیرد، اگر یکپارچه‌سازی on-chain آن سطحی باشد یا توکنش کارکردی نداشته باشد.

اشتباه نگیرید با

• Use case توصیف می‌کند کاربر از محصول چه می‌گیرد. AI component توصیف می‌کند AI در درون چه می‌کند. ببینید: AI component در برابر use case.
• Category (مثلاً AI/Agents) پروژه را در سطح بالاتری طبقه‌بندی می‌کند. AI component مشخص‌تر است: فناوری واقعی.
• اتوماسیون همیشه AI نیست. اسکریپت‌های سادهٔ قاعده‌محور یا جریان‌های کاری if/then جزء AI نیستند. ببینید: اتوماسیون در برابر جزء AI واقعی.
• مدل AI به artifact آموزش‌دیده (وزن‌ها، معماری) اشاره دارد. AI component گسترده‌تر است: مدل به‌علاوهٔ خط لولهٔ پیرامون آن (دریافت داده، پیش‌پردازش، سروکردن استنتاج، پس‌پردازش).
• API wrapper — پروژه‌ای که فقط درخواست‌ها را بدون پردازش معنادار به یک API هوش مصنوعی شخص ثالث (مانند یک LLM میزبانی‌شده) هدایت می‌کند. بسته به سطح یکپارچه‌سازی و ارزش افزوده، ممکن است AI component به شمار بیاید یا نیاید.

پرسش‌های متداول

تفاوت AI component و use case چیست؟

AI component سازوکار فنی است — کاری که AI می‌کند (مثلاً اجرای استنتاج، آموزش مدل‌ها، امتیازدهی داده). Use case خروجی محصولی است — چیزی که کاربر می‌گیرد (مثلاً کوپایلوت DeFi، رهگیر پرتفوی، هشدارهای ریسک). پروژه می‌تواند یک AI component واحد اما کاربری‌های متفاوت داشته باشد، یا یک کاربری واحد که با اجزای AI کاملاً متفاوتی کار می‌کند. در کارت‌های پروژهٔ DecAIHub این‌ها عمداً فیلدهای جداگانه‌اند تا خوانندگان بتوانند فناوری و محصول را مستقل ارزیابی کنند. برای مقایسهٔ مفصل AI component در برابر use case را ببینید.

آیا پروژه می‌تواند AI داشته باشد بدون AI component؟

نه — در واژگان DecAIHub، اگر پروژه AI دارد، AI component دارد. پرسش این است که آیا آن جزء قابل تأیید است. پروژه ممکن است واقعاً درون خود از AI استفاده کند اما هیچ شاهد عمومی‌ای ندهد: نه کد، نه مستندات، نه بنچمارک، نه دمو. در آن صورت فیلد AI component مقدار unknown خواهد داشت و ai_score صفر می‌ماند. این به معنای غیبت AI نیست — به معنای غیبت شواهد است. با پیدایش شواهد، کارت به‌روزرسانی می‌شود.

«positioning only» یعنی چه؟

یعنی پروژه در بازاریابی، برندسازی یا جایگاه‌یابی خود از زبان AI استفاده می‌کند — اما هیچ شاهد Tier-1 یا Tier-2 از یک AI component کارآمد یافت نشده است. واژهٔ «AI» ممکن است در نام پروژه، شعار وب‌سایت یا پیچ‌دک باشد، اما نه مخزن کدی هست، نه مستندات مدلی، نه دمویی و نه توصیفی فنی از اینکه AI واقعاً چه می‌کند. «positioning only» یک مشاهدهٔ واقعیت‌محور است، نه قضاوت. برخی پروژه‌های در این وضعیت شاید پیش از عرضه باشند و AI componentشان در حال توسعه باشد؛ برخی دیگر شاید هرگز آن را نسازند.

آیا ai_score بالاتر یعنی پروژهٔ بهتر؟

نه. ai_score قابلیت تأیید AI component را اندازه می‌گیرد، نه کیفیت محصول یا سودمندی فناوری را. پروژه‌ای با ai_score = 3 شواهد قوی‌ای دارد که AI آن واقعی و مستند است. پروژه‌ای با ai_score = 1 شواهد محدودی دارد. هیچ‌کدام از این امتیازها چیزی نمی‌گویند دربارهٔ اینکه محصول مسئله‌ای واقعی را حل می‌کند، کاربران به آن نیاز دارند یا مدل توکن منطقی است. DecAI Fit چهار بُعد — AI reality، Onchain necessity، Token necessity و Evidence — را ترکیب می‌کند تا تصویری کامل‌تر بدهد.

منابع خارجی

• Machine Learning Glossary — Google Developers — تعاریف مرجع اصطلاحات ML و AI پرکاربرد در صنعت.
• The promises and challenges of crypto + AI applications — Vitalik Buterin — چارچوبی برای اندیشیدن به اینکه AI و بلاکچین واقعاً کجا مکمل یکدیگرند.
• Stanford HAI — AI Index Report — داده‌های سالانه دربارهٔ وضعیت هوش مصنوعی، شامل پذیرش، پژوهش و پیشرفت فنی.

همچنین ببینید

• AI component در برابر use case
• ایجنت AI چیست
• چگونه بفهمیم پروژه واقعاً AI دارد
• چه چیزی شاهد AI به شمار می‌آید
• DecAI Fit چیست
• اتوماسیون در برابر جزء AI واقعی
• API wrapper چیست