مدل AI چیست

توجه: این سند ترجمه خودکار نسخه اصلی انگلیسی است.

مدل AI چیست

مدل AI یک ساختار ریاضی است که روی داده آموزش دیده تا خروجی‌های مفید تولید کند: پیش‌بینی، طبقه‌بندی، متن تولیدشده، تصویر، امتیاز یا تصمیم. آن را مانند یک «دستور پخت» بسیار پیچیده تصور کنید که کامپیوتر از میلیون‌ها نمونه یاد گرفته است. همان‌طور که یک سرآشپز پیش از خلق دستورهای خودش هزاران غذا را مطالعه می‌کند، مدل AI هم در جریان آموزش الگوها را از داده جذب می‌کند و سپس در جریان استنتاج آن الگوها را روی ورودی‌های تازه و دیده‌نشده اعمال می‌کند.

خود مدل به معنای سنتی، نرم‌افزار نیست. یک فایل (یا مجموعه‌ای از فایل‌ها) است که مقادیر عددی‌ای به نام وزن‌ها را در بر دارد؛ وزن‌ها الگوهایی را که مدل یاد گرفته رمزگذاری می‌کنند. بدون وزن‌هایش، مدل فقط یک معماری خالی و بدون دانش است. با آن‌ها، به artifact محوری‌ای تبدیل می‌شود که ورودی خام را به نتیجه‌ای مبتنی بر AI بدل می‌کند.

به‌طور خلاصه: مدل AI یک «دستور پخت» یادگرفته‌شده از داده است. ورودی می‌گیرد، الگوهایی را که در جریان آموزش جذب کرده اعمال می‌کند و خروجی تولید می‌کند. وقتی یک پروژهٔ کریپتو AI ادعا می‌کند «AI دارد»، نخستین پرسش این است: کدام مدل؟

مدل چگونه ساخته می‌شود

ساخت مدل AI از خط لوله‌ای پیروی می‌کند که با یک ساختار خالی آغاز می‌شود و به یک artifact قابل استقرار می‌رسد. درک این خط لوله کمک می‌کند ارزیابی کنیم AI یک پروژه واقعاً چقدر عمیق و واقعی است.

معماری

هر مدل به‌صورت یک معماری آغاز می‌شود — نقشه‌ای که تعیین می‌کند داده چگونه در سیستم جریان می‌یابد. معماری‌های رایج شامل شبکه‌های عصبی پیش‌خور، شبکه‌های عصبی کانولوشنی (CNN)، ترنسفورمرها، درخت‌های تصمیم و مدل‌های دیفیوژن هستند. معماری تعیین می‌کند مدل چه نوع الگوهایی را می‌تواند یاد بگیرد و با چه کارایی‌ای آن‌ها را یاد می‌گیرد. انتخاب معماری مناسب برای وظیفه، یکی از مهم‌ترین تصمیم‌های یک تیم AI است.

پارامترها و وزن‌ها

یک معماری پارامترها دارد — مقادیر عددی قابل تنظیمی که مدل در جریان آموزش تنظیم می‌کند. یک مدل کوچک ممکن است چند میلیون پارامتر داشته باشد؛ یک مدل زبانی بزرگ می‌تواند صدها میلیارد پارامتر داشته باشد. پیش از آموزش، همهٔ پارامترها با مقادیر تصادفی یا نیمه‌تصادفی مقداردهی می‌شوند و هیچ دانش مفیدی ندارند.

پس از آموزش، این پارامترها به وزن‌ها تبدیل می‌شوند — مقادیر مشخصی که الگوهای آماری استخراج‌شدهٔ مدل از داده‌های آموزشی‌اش را رمزگذاری می‌کنند. وزن‌ها همان چیزی هستند که یک مدل آموزش‌دیده را از یک معماری خالی متمایز می‌کنند. وقتی مردم از «اندازهٔ مدل» حرف می‌زنند، معمولاً منظورشان تعداد پارامترهاست.

آموزش

در جریان آموزش، مدل در معرض یک مجموعه‌داده قرار می‌گیرد و یک الگوریتم بهینه‌سازی (مانند گرادیان کاهشی با پس‌انتشار) وزن‌ها را برای کمینه‌کردن خطاها تنظیم می‌کند. فرایند آموزش بسته به اندازهٔ مجموعه‌داده، اندازهٔ مدل و توان محاسباتی در دسترس می‌تواند ساعت‌ها، روزها یا هفته‌ها طول بکشد. نتیجه یک مدل آموزش‌دیده است: مجموعه‌ای از فایل‌های وزن که می‌توان بارگذاری و استفاده کرد.

ارزیابی

پیش از استقرار، یک تیم مسئولیت‌پذیر مدل را در برابر بنچمارک‌ها ارزیابی می‌کند — آزمون‌های استانداردی که عملکرد را در وظایف مشخص می‌سنجند. ارزیابی به این پرسش پاسخ می‌دهد: آیا این مدل واقعاً آن‌قدر خوب کار می‌کند که مفید باشد؟

استقرار

گام پایانی، بارگذاری مدل آموزش‌دیده در یک سیستم استنتاج است که درخواست‌های واقعی را پاسخ می‌دهد. استقرار شامل تصمیم‌هایی دربارهٔ سخت‌افزار، الزامات تأخیر، مقیاس‌پذیری و پایش است. مدلی که فقط به‌صورت نمونهٔ پژوهشی وجود دارد، هنوز محصول نیست.

جریان سرتاسری ساده‌شده:

انتخاب معماری — ترنسفورمر، CNN، درخت تصمیم، مدل دیفیوژن و غیره.
آماده‌سازی داده — گردآوری، پاک‌سازی و برچسب‌گذاری یک مجموعه‌داده.
آموزش — اجرای الگوریتم بهینه‌سازی که پارامترهای مدل را بر اساس داده تنظیم می‌کند.
ارزیابی — سنجش عملکرد در برابر بنچمارک‌ها.
استقرار — بارگذاری مدل آموزش‌دیده در یک سیستم استنتاج که درخواست‌های واقعی را پاسخ می‌دهد.

مدل در برابر الگوریتم

این دو اصطلاح اغلب با هم اشتباه گرفته می‌شوند، اما تمایزشان مهم است:

الگوریتم — روش یا رویهٔ آموزش (مثلاً گرادیان کاهشی، پس‌انتشار، یادگیری تقویتی). توصیف می‌کند مدل چگونه یاد می‌گیرد.
مدل — نتیجهٔ اعمال الگوریتم روی داده. توصیف می‌کند چه چیزی یاد گرفته شده است.

الگوریتم در بسیاری از مجموعه‌داده‌ها و وظایف قابل بازاستفاده است. مدل، مختص داده و وظیفه‌ای است که روی آن آموزش دیده. یک الگوریتم آموزشی واحد بسته به معماری، داده و هایپرپارامترهای استفاده‌شده می‌تواند مدل‌هایی بسیار متفاوت تولید کند.

انواع مدل‌های AI

هیچ روش واحدی برای طبقه‌بندی مدل‌ها وجود ندارد، اما چند خانوادهٔ اصلی هم در AI جریان اصلی و هم در پروژه‌های کریپتو AI به‌طور منظم دیده می‌شوند.

نوع	چگونه کار می‌کند	وظایف معمول	نمونهٔ کریپتو AI
ترنسفورمر	دنباله‌ها را با self-attention پردازش می‌کند تا روابط دوربرد را ثبت کند	تولید متن، ترجمه، تولید کد، استدلال	چت‌بات‌های مبتنی بر LLM، ایجنت‌های AI، ممیزی کد
CNN (شبکهٔ عصبی کانولوشنی)	فیلترهایی برای تشخیص الگوهای فضایی (لبه‌ها، بافت‌ها، شکل‌ها) اعمال می‌کند	طبقه‌بندی تصویر، تشخیص اشیا، تحلیل ویدئو	تحلیل NFT، تشخیص الگوهای بصری on-chain
مدل دیفیوژن	تولید داده را از راه معکوس‌کردن گام‌به‌گام فرایند افزودن نویز یاد می‌گیرد	تولید تصویر، سنتز ویدئو، ساخت صدا	هنر NFT مولد، دادهٔ مصنوعی برای آموزش
درخت تصمیم / درخت تقویت‌شده با گرادیان	داده را در ساختاری درختی بر اساس آستانه‌های ویژگی‌ها تقسیم می‌کند	طبقه‌بندی، رگرسیون، داده‌های جدولی	تشخیص کلاه‌برداری، امتیازدهی ریسک، تشخیص ناهنجاری on-chain
مدل یادگیری تقویتی	کنش‌های بهینه را از راه آزمون، پاداش و جریمه یاد می‌گیرد	بهینه‌سازی راهبرد، تصمیم‌گیری خودگردان	بازارسازهای خودکار، ایجنت‌های راهبرد معاملاتی
موتور توصیه‌گر	آیتم‌ها را بر اساس ارتباط پیش‌بینی‌شده با کاربر یا زمینه رتبه‌بندی می‌کند	گزینش محتوا، شخصی‌سازی	کشف توکن، توصیهٔ پروتکل
شبکهٔ مولد تخاصمی (GAN)	دو شبکه رقابت می‌کنند: یکی تولید می‌کند، دیگری تمیز می‌دهد	سنتز تصویر واقع‌گرایانه، افزون‌سازی داده	دادهٔ آموزشی مصنوعی، تشخیص دیپ‌فیک

بیشتر پروژه‌های کریپتو AI از یکی از این انواع مدل یا ترکیبی از آن‌ها استفاده می‌کنند. دانستن اینکه پروژه از چه نوعی استفاده می‌کند کمک می‌کند ارزیابی کنیم توانایی ادعاشدهٔ AI برای مورد استفادهٔ اعلام‌شده واقع‌بینانه است یا نه.

مدل pre-trained در برابر fine-tuned

دو اصطلاحی که مکرراً در مستندات پروژه‌ها دیده می‌شوند:

مدل pre-trained — مدلی که روی یک مجموعه‌دادهٔ بزرگ و عمومی (مانند متن اینترنت یا میلیون‌ها تصویر) آموزش دیده است. پیش‌آموزش پرهزینه و زمان‌بر است. سازمان‌هایی که آن را انجام می‌دهند (مانند سازندگان GPT، DeepSeek یا Stable Diffusion) منابع محاسباتی قابل توجهی سرمایه‌گذاری می‌کنند و معمولاً مدل حاصل را برای ساخت‌وساز دیگران منتشر می‌کنند.
مدل fine-tuned — مدلی pre-trained که به‌طور اضافی روی یک مجموعه‌دادهٔ کوچک‌تر و مختص وظیفه آموزش دیده است. fine-tuning از آموزش از صفر ارزان‌تر و سریع‌تر است، اما همچنان به تخصص دامنه، دادهٔ باکیفیت و توان محاسباتی مناسب نیاز دارد.

پروژه‌ای که یک مدل متن‌باز را روی داده‌های اختصاصی on-chain خود fine-tune می‌کند، عمق AI بیشتری دارد تا پروژه‌ای که صرفاً یک API شخص ثالث را فراخوانی می‌کند. با این حال، fine-tuning به‌تنهایی کیفیت بالا را تضمین نمی‌کند — داده، روش‌شناسی و ارزیابی همگی مهم‌اند.

مدل‌های متن‌باز در برابر اختصاصی

مدل‌های متن‌باز (که گاه «مدل‌های open-weight» نامیده می‌شوند) معماری، وزن‌ها و اغلب جزئیات آموزش خود را منتشر می‌کنند تا هر کسی بتواند بازرسی کند، بازتولید کند و روی آن‌ها بسازد. نمونه‌ها شامل DeepSeek، Qwen، Mistral و Stable Diffusion هستند. متن‌باز بودن به معنای رایگان بودن استفادهٔ تجاری از مدل نیست — لایسنس‌ها متفاوت‌اند.

مدل‌های اختصاصی وزن‌ها، جزئیات معماری و داده‌های آموزشی خود را خصوصی نگه می‌دارند. کاربران فقط از طریق API به آن‌ها دسترسی دارند. نمونه‌ها شامل GPT و Claude هستند.

از منظر راستی‌آزمایی، مدل‌های متن‌باز مزیتی روشن دارند: هر کسی می‌تواند کد و وزن‌ها را بازرسی کند، مدل را مستقلاً اجرا کند و ادعاها را راستی‌آزمایی کند. پروژهٔ کریپتو AI‌ای که از مدل‌های متن‌باز استفاده می‌کند یا روی آن‌ها می‌سازد، شواهد قابل راستی‌آزمایی بیشتری ارائه می‌دهد تا پروژه‌ای که به یک مدل اختصاصی پشت یک API بسته ارجاع می‌دهد.

مدل خودی در برابر API به مدل شخص دیگر

این تمایز برای ارزیابی عمق AI حیاتی است:

مدل خودی — پروژه یک مدل را آموزش داده یا fine-tune کرده و وزن‌ها، خط لولهٔ داده و استقرارش را کنترل می‌کند. این نشان‌دهندهٔ عمق AI بیشتر است و می‌توان آن را با کد، کارت‌های مدل و بنچمارک‌ها راستی‌آزمایی کرد.
فراخوانی API — پروژه درخواست‌ها را به یک مدل شخص ثالث (OpenAI، Anthropic، Google) می‌فرستد و پاسخ را برمی‌گرداند. AI متعلق به تأمین‌کننده است. ببینید API wrapper چیست.

پروژه‌ای که GPT را از طریق API فراخوانی می‌کند و پروژه‌ای که ترنسفورمر خودش را روی داده‌های اختصاصی on-chain آموزش داده، هر دو «از AI استفاده می‌کنند» — اما عمق AI، مالکیت و راستی‌آزمایی‌پذیری از بنیاد متفاوت‌اند. DecAIHub این تفاوت را در فیلد AI component و امتیاز AI reality بازتاب می‌دهد.

کجا در کارت‌های پروژهٔ DecAIHub دیده می‌شود

مفهوم مدل AI به چند بخش از کارت پروژهٔ DecAIHub مربوط می‌شود:

AI component اغلب به نوع مدل یا معماری ارجاع می‌دهد («LLM fine-tune‌شده»، «طبقه‌بند اختصاصی»، «مدل امتیازدهی ML»).
AI use case توصیف می‌کند مدل برای کاربر نهایی چه می‌کند.
جدول Evidence نشان می‌دهد آیا artifactهای مدل (کد، وزن‌ها، بنچمارک‌ها، مستندات) یافت شده‌اند یا نه.
ai_score بازتاب می‌دهد وجود و کیفیت مدل تا چه حد با شواهد Tier-1 پشتیبانی می‌شود.
DecAI Fit امتیاز ai_score را در ارزیابی گسترده‌تری از میزان انطباق پروژه با تز Decentralized AI لحاظ می‌کند. پروژه‌ای با ai_score = 0 صرف‌نظر از سایر امتیازها DecAI Fit = 0 می‌گیرد.

وجود و نوع مدلی که پروژه استفاده می‌کند، یکی از بنیادی‌ترین نشانه‌ها در تعیین AI reality است. پروژه‌ای که معماری مدلش را مستند می‌کند، وزن‌ها یا بنچمارک‌ها را منتشر می‌کند و خط لولهٔ استنتاج کارایی نشان می‌دهد، شواهد Tier-1 قوی‌تری ارائه می‌دهد تا پروژه‌ای که صرفاً می‌گوید «ما از AI استفاده می‌کنیم».

مدل به‌تنهایی چه چیزی را اثبات نمی‌کند

کیفیت — مدل می‌تواند وجود داشته باشد و همچنان عملکرد ضعیفی داشته باشد. بدون بنچمارک‌ها راهی برای قضاوت دربارهٔ عملکرد نیست.
ارزش اختصاصی — مدل می‌تواند کپی کمی‌تغییریافته از یک checkpoint متن‌باز باشد. مالکیت و تمایز به شواهد نیاز دارند.
اثر دنیای واقعی — مدل می‌تواند در آزمایشگاه خروجی درست تولید کند و در محیط تولید شکست بخورد. شواهد استقرار مهم‌اند.
ضرورت — داشتن مدل توضیح نمی‌دهد چرا پروژه به بلاکچین یا توکن نیاز دارد. این‌ها محورهای جداگانه‌ای در DecAI Fit هستند.
نگهداری مستمر — مدلی که یک بار آموزش دیده، با تغییر توزیع داده‌ها می‌تواند کهنه شود. بدون بازآموزی یا پایش، کیفیت به مرور زمان افت می‌کند.

اشتباه نگیرید با

الگوریتم — رویهٔ آموزش است، نه نتیجهٔ آموزش‌دیده. الگوریتم مدل را تولید می‌کند.
استنتاج — فرایند اجرای یک مدل آموزش‌دیده برای تولید خروجی. مدل همان artifact است؛ استنتاج استفاده از آن است.
AI component — اصطلاحی گسترده‌تر که ممکن است مدل به‌علاوهٔ خط لولهٔ پیرامونی (داده، پیش‌پردازش، استقرار) را شامل شود. مدل یک بخش از این جزء است.
LLM — نوع مشخصی از مدل (مدل زبانی بزرگ)، نه مترادفی برای «مدل AI» به‌طور کلی.
مجموعه‌داده — داده‌ای که برای آموزش مدل استفاده می‌شود. مجموعه‌داده ورودی فرایند آموزش است؛ مدل خروجی آن است.

پرسش‌های متداول

تفاوت مدل و الگوریتم چیست؟

الگوریتم یک رویه است — مجموعه‌ای از قواعد که به کامپیوتر می‌گوید چگونه از داده یاد بگیرد (مثلاً گرادیان کاهشی). مدل نتیجهٔ اجرای آن الگوریتم روی یک مجموعه‌دادهٔ مشخص است. الگوریتم قابل بازاستفاده است؛ مدل مختص داده و وظیفه‌ای است که روی آن آموزش دیده است.

مدل AI به چند پارامتر نیاز دارد؟

پاسخ جهان‌شمولی وجود ندارد. یک طبقه‌بند ساده برای داده‌های جدولی ممکن است با هزاران پارامتر خوب کار کند. یک مدل زبانی بزرگ ممکن است به میلیاردها نیاز داشته باشد. پارامتر بیشتر به‌طور خودکار به معنای مدل بهتر نیست — طراحی معماری، کیفیت داده و روش‌شناسی آموزش از اندازهٔ خام مهم‌ترند. یک مدل کوچکِ خوب‌آموزش‌دیده می‌تواند در وظایف مشخص از یک مدل بزرگِ بدآموزش‌دیده بهتر عمل کند.

«مدل متن‌باز» یعنی چه؟

مدل متن‌باز (یا open-weight) مدلی است که معماری و وزن‌های آموزش‌دیده‌اش برای بازرسی، بازتولید و تغییر به‌صورت عمومی در دسترس‌اند. این لزوماً به معنای رایگان بودن استفادهٔ تجاری از مدل نیست — هر انتشار لایسنس خودش را دارد. از منظر راستی‌آزمایی، ممیزی مدل‌های متن‌باز آسان‌تر است، چون هر کسی می‌تواند آن‌ها را مستقلاً اجرا کند.

آیا پروژهٔ کریپتو می‌تواند بدون انتشار مدل ادعای داشتن آن را کند؟

بله، و بسیاری چنین می‌کنند. اما بدون کد، وزن‌ها، کارت‌های مدل یا نتایج بنچمارک منتشرشده، راهی برای راستی‌آزمایی مستقل وجود ندارد که مدل وجود دارد، طبق ادعا کار می‌کند یا توسط خود پروژه ساخته شده است. در DecAIHub چنین ادعاهایی از طریق پرچم‌های شواهد AI بازتاب می‌یابند — اگر هیچ artifact سطح Tier-1 ادعا را پشتیبانی نکند، ai_score پایین می‌ماند.

تفاوت مدل pre-trained و fine-tuned چیست؟

مدل pre-trained روی یک مجموعه‌دادهٔ بزرگ و عمومی آموزش دیده تا الگوهای گسترده (ساختار زبان، ویژگی‌های بصری و غیره) را یاد بگیرد. مدل fine-tuned از یک checkpoint از پیش آموزش‌دیده آغاز می‌شود و روی یک مجموعه‌دادهٔ کوچک‌تر و دامنه‌محور آموزش بیشتری می‌بیند تا برای وظیفهٔ مشخصی تخصصی شود. fine-tuning از آموزش از صفر سریع‌تر و ارزان‌تر است، اما همچنان به دادهٔ باکیفیت و ارزیابی دقیق نیاز دارد.

همچنین ببینید

منابع خارجی

Hugging Face — Models — مخزن باز هزاران مدل pre-trained و fine-tuned در وظایف و معماری‌های گوناگون.
Papers With Code — Methods — کاتالوگ معماری‌های مدل و روش‌های آموزش با مقالات و کد پیوندشده.
Stanford HAI — AI Index Report — گزارش سالانه‌ای که وضعیت مدل‌های AI، بنچمارک‌ها و روندهای صنعت را دنبال می‌کند.
Google Research Blog — Machine Learning — نوشته‌های فنی دربارهٔ معماری‌های مدل، تکنیک‌های آموزش و پیشرفت‌های پژوهشی.
Wikipedia — Artificial neural network — مقالهٔ مروری دربارهٔ معماری‌های شبکه‌های عصبی و تاریخچهٔ آن‌ها.