چه چیزی شاهد AI محسوب نمی‌شود
توجه: این سند ترجمه خودکار نسخه اصلی انگلیسی است.
چه چیزی شاهد AI محسوب نمی‌شود
یک پروژه ممکن است artifactهای فراوانی ارائه دهد که شبیه اثبات AI component کارکردی به نظر می‌رسند — اما با بررسی دقیق‌تر، در واقع آن را نشان نمی‌دهند. این صفحه رایج‌ترین ضدالگوها را فهرست می‌کند: سیگنال‌هایی که ادعای توان AI دارند بدون ارائهٔ شواهد قابل تأیید. این صفحه مکمل چه چیزی شاهد AI component محسوب می‌شود است.
خلاصه: متن بازاریابی، مخازن خالی، متریک‌های بدون روش‌شناسی، API wrapperهای بدون منطق اختصاصی و «AI» در نام توکن، شاهد AI component کارکردی نیستند.
چرا شناخت سیگنال‌های کاذب مهم است
مرز میان «شاهد» و «غیرشاهد» بنیاد رویکرد DecAIHub به AI-washing است. شناخت الگوهای زیر اتهامی علیه پروژه نیست — یعنی آن artifact مشخص، واقعیت قابل تأیید AI را جابه‌جا نمی‌کند و نباید با شواهد Tier-1 اشتباه گرفته شود.
ضدالگوهای رایج
«ما از AI استفاده می‌کنیم» در متن بازاریابی
گفتن «AI-powered»، «ساخته‌شده با یادگیری ماشین» یا «مبتنی بر شبکهٔ عصبی» در لندینگ یا pitch deck یک بیانیهٔ جایگاه‌یابی است، نه شاهد. بدون artifactهای Tier-1 (کد، مستندات، دموها)، این کلمات هیچ وزن قابل تأییدی ندارند.
DecAIHub پروژه‌ها را برای استفاده از این واژه جریمه نمی‌کند — اما آن را شاهد هم نمی‌داند. حضور «AI» در بازاریابی سطح انتظار را بالا می‌برد: اگر پروژه‌ای AI را پررنگ ادعا کند، نبود artifactهای پشتیبان چشمگیرتر می‌شود.
مخزن خالی یا بی‌ربط
مخزن GitHub که وجود دارد اما کد AI/ML ندارد — یا فقط README، boilerplate یا اسکریپت‌های بی‌ربط دارد — یک نشانهٔ هشدار است. مخزن معنادار کامیت‌ها، انتشارها، تست‌ها و کدی دارد که با ادعاهای وایت‌پیپر یا مستندات هم‌راستاست.
الگوهای رایج: مخزنی که به‌تازگی با یک کامیت اولیهٔ منفرد ساخته شده؛ فورک یک فریم‌ورک محبوب بدون هیچ تغییری؛ مجموعه‌ای از فایل‌های پیکربندی بدون کد مدل؛ مخزنی بدون کامیت طی بیش از یک سال در حالی که پروژه همچنان ادعای توسعهٔ فعال AI دارد.
متریک بدون روش‌شناسی
ادعای «دقت ۹۵٪» یا «عملکرد state-of-the-art» بدون زمینه هیچ معنایی ندارد: چه چیزی اندازه‌گیری شد، روی چه داده‌ای، کی و با چه نسخه‌ای از مدل. متریک‌های بدون روش‌شناسی شواهد Tier-1 نیستند.
«مدل ما به 0.92 F1 روی بنچمارک XYZ می‌رسد، ارزیابی‌شده روی نسخهٔ 2.1 در ژانویهٔ ۲۰۲۶» یک متریک است. «ما به دقت ۹۲٪ می‌رسیم» یک ادعاست. DecAIHub ادعاها را به‌عنوان اظهارات ثبت‌شده درج می‌کند اما پرچم AI_3 را بر پایهٔ آن‌ها تنظیم نمی‌کند.
API wrapper بدون منطق اختصاصی
فراخوانی API متعلق به OpenAI، Anthropic یا شخص ثالثی دیگر و برگرداندن نتیجه، شاهد AI خودِ پروژه نیست. یک API wrapper ممکن است محصولی معتبر باشد، اما پروژه را به معنایی که DecAIHub ارزیابی می‌کند، پروژهٔ AI نمی‌کند. AI به ارائه‌دهنده تعلق دارد، نه به پروژه.
اگر پروژه fine-tuning خودش را اعمال کند، خروجی شخص ثالث را با مدل‌های اختصاصی ترکیب کند یا پس‌پردازش قابل اندازه‌گیری بیفزاید، تصویر تغییر می‌کند. پرسش کلیدی این است که آیا پروژه ارزش قابل تأیید در سطح AI فراتر از آنچه API خام ارائه می‌دهد می‌افزاید. اگر کل «AI component» یک فراخوانی API منفرد با یک system prompt باشد، واقعیت AI به ارائه‌دهنده تعلق دارد.
«AI» فقط در نام توکن یا برندسازی
اگر تنها پیوند پروژه با AI واژهٔ «AI» در تیکر توکن، نام دامنه یا برندسازی‌اش باشد — بدون پیاده‌سازی فنی پشت آن — این جایگاه‌یابی است، نه شاهد.
تیکر توکن یک برچسب است، نه یک قابلیت. DecAIHub نام‌گذاری را سیگنالی خنثی می‌داند — نه به ارزیابی شواهد می‌افزاید و نه از آن می‌کاهد. آنچه مهم است این است که آیا پشت نام artifactهایی وجود دارد.
همکاری با یک شرکت AI
اعلامیهٔ همکاری (مثلاً «همکاری با NVIDIA» یا «یکپارچه‌شده با OpenAI») در بهترین حالت Tier-2 است. این ارتباط را نشان می‌دهد، نه AI component کارکردی درون پروژه را. همکاری‌ها جای کد، مستندات یا دموها را نمی‌گیرند.
همکاری‌ها از همکاری‌های فنی عمیق (پژوهش مشترک، مدل‌های هم‌توسعه) تا وابستگی‌های سست (عضویت در شتاب‌دهنده، حضور در فهرست شرکا) متغیرند. بیشتر همکاری‌های اعلام‌شده در فضای کریپتو-AI به سمت سست‌تر متمایل‌اند. فقط همکاری‌هایی با خروجی فنی قابل تأیید به تصویر شواهد کمک می‌کنند، و حتی در آن صورت به‌عنوان زمینهٔ Tier-2، نه اثبات Tier-1.
«نقشهٔ راه AI» یا نیت AI بدون پیاده‌سازی
بند نقشهٔ راه که می‌گوید «قابلیت‌های AI در سه‌ماههٔ سوم می‌آیند» نیت را نشان می‌دهد (AI_0)، نه AI component کارکردی را. نیت به‌صورت یک پرچم منفرد ثبت می‌شود اما به‌تنهایی نشانهٔ AI component کارکردی نیست. فرمول ai_score سقف ۳ دارد، بنابراین AI_0 به‌تنهایی سهم حداقلی دارد.
برنامه‌ها تغییر می‌کنند، به تعویق می‌افتند یا لغو می‌شوند. DecAIHub نیت رسمی AI را از طریق پرچم AI_0 ثبت می‌کند تا پروژه‌هایی را که جاه‌طلبی AI اعلام کرده‌اند از آن‌هایی که نکرده‌اند جدا کند. اما این پرچم کف است، نه سقف — حداکثر ai_score = 1 می‌دهد، و فقط وقتی نیت از یک منبع Tier-1 بیاید.
دموهایی بدون بک‌اند AI قابل تأیید
یک فرانت‌اند صیقل‌خورده که ادعای نمایش نتایج AI دارد اما هیچ راهی برای تأیید اجرای مدل AI پشت آن فراهم نمی‌کند — نه مستندات API، نه نسخهٔ مدل، نه خروجی‌های بازتولیدپذیر — شاهد کافی نیست.
دموی قابل تأیید ورودی‌های مختلف را می‌پذیرد و خروجی‌های متنوع متناسب با زمینه تولید می‌کند. ممکن است endpoint API را در معرض بگذارد، اطلاعات نسخهٔ مدل را نمایش دهد یا حالت سندباکس ارائه کند. در مقابل، یک نمایش (showcase) مسیری از پیش نوشته را دنبال می‌کند یا فارغ از ورودی، خروجی یکسانی تولید می‌کند. DecAIHub دنبال اولی می‌گردد؛ دومی ثبت می‌شود اما فراتر از AI_0 به پرچم‌های شواهد کمکی نمی‌کند.
«مدل fine-tuned» بدون جزئیات
ادعای داشتن مدل fine-tuned شاهد نیست مگر پروژه این‌ها را مشخص کند: مدل پایه، مجموعه‌دادهٔ استفاده‌شده برای fine-tuning، میزان بهبود نسبت به مدل پایه، و متریک‌های کیفیت با روش‌شناسی.
ادعای fine-tuning باورپذیر مدل پایه را نام می‌برد، دادهٔ آموزش را توصیف می‌کند و بهبود قابل اندازه‌گیری روی وظیفه‌ای تعریف‌شده را نشان می‌دهد. بدون این جزئیات، «ما مدلی را fine-tune کردیم» از «ما از مدلی استفاده کردیم» قابل تشخیص نیست.
جدول مرجع ضدالگوها
| ضدالگو | چه ادعایی دارد | واقعاً چه چیزی را اثبات می‌کند |
|---|---|---|
| «AI-powered» در وب‌سایت | پروژه AI دارد | بدون artifactهای Tier-1 هیچ‌چیز |
| مخزن GitHub خالی | کد AI متن‌باز | مخزن وجود دارد؛ کد AI نه |
| «دقت ۹۵٪» بدون زمینه | AI باکیفیت | عددی بیان شده؛ اعتبار نامشخص است |
| Wrapper برای API متعلق به OpenAI | پروژه «از AI استفاده می‌کند» | پروژه AI کس دیگری را فراخوانی می‌کند |
| «AI» در نام توکن | پروژهٔ مرتبط با AI | یک انتخاب نام‌گذاری انجام شده |
| همکاری با آزمایشگاه AI | توان AI | یک ارتباط وجود دارد |
| «AI در نقشهٔ راه سه‌ماههٔ سوم» | AI component آینده | فقط نیت (AI_0) |
| دموی صیقل‌خورده بدون شواهد بک‌اند | AI کارکردی | یک فرانت‌اند ساخته شده |
| «LLM fine-tuned» بدون جزئیات | مدل اختصاصی | یک ادعا مطرح شده |
چگونه سیگنال‌های کاذب را از شواهد ضعیف‌اما‌واقعی جدا کنیم
هر artifactی که استاندارد Tier-1 را رد می‌کند بی‌ارزش نیست. برخی artifactها به‌راستی شواهد ضعیف‌اند — به‌تنهایی ناکافی اما در ترکیب معنادار. جدول زیر مرز را روشن می‌کند:
| Artifact | سیگنال کاذب (بدون ارزش شواهدی) | شواهد ضعیف اما واقعی |
|---|---|---|
| مخزن | خالی یا فقط boilerplate | حاوی مقداری کد AI اما بدون تست یا انتشار |
| متریک | عدد بدون روش‌شناسی | عدد با روش‌شناسی جزئی (یکی از چهار پرسش زمینه غایب) |
| دمو | نمایش از پیش نوشته با خروجی‌های ثابت | دموی تعاملی بدون مستندات API یا نسخهٔ مدل |
| همکاری | لوگو در صفحهٔ شرکا | خروجی فنی مشترک (مقالهٔ هم‌تألیف، مخزن مشترک) |
| مستندات | وایت‌پیپر بازاریابی بدون عمق فنی | وایت‌پیپر فنی که معماری را توصیف می‌کند اما جزئیات نسخه ندارد |
شواهد ضعیف وقتی با artifactهای دیگر تأیید شوند می‌توانند در تنظیم پرچم‌های منفرد نقش داشته باشند. سیگنال‌های کاذب فارغ از کمیت کمکی نمی‌کنند — ده مخزن خالی از یکی قوی‌تر نیست.
DecAIHub این موارد را چگونه ثبت می‌کند
وقتی هیچ شاهد Tier-1 برای AI component کارکردی یافت نشود، ai_score پروژه در ۰ یا ۱ می‌ماند. اگر AI فعالانه در بازاریابی تبلیغ شود در حالی که شواهد غایب است، ممکن است پرچم AI-washing روی کارت تنظیم شود.
این اتهام نیست — ثبت شکاف میان ادعاها و artifactها تا تاریخ تأیید است. وقتی شواهد جدید پیدا شوند، کارت به‌روزرسانی می‌شود.
ai_score مجموع پرچم‌های دودویی AI_0 تا AI_4 است (با سقف ۳). پروژه‌ای که فقط ضدالگوهای این صفحه را نشان می‌دهد معمولاً ai_score = 0 یا ai_score = 1 دارد (اگر AI_0 از راه نقشهٔ راه رسمی تنظیم شده باشد)، که مستقیماً حداکثر DecAI Fit آن را محدود می‌کند.
این فهرست به‌تنهایی چه چیزی را اثبات نمی‌کند
- نمایش یک یا چند ضدالگو اتهامی علیه پروژه نیست. بسیاری از پروژه‌های نوپا صرفاً به این دلیل artifact ندارند که فناوری هنوز عمومی نشده است.
- نبود ضدالگوها اثبات نمی‌کند که AI واقعی است. پروژه می‌تواند از همهٔ نشانه‌های هشدار این فهرست پرهیز کند و همچنان AI component کارکردی نداشته باشد.
- این فهرست یک عکس لحظه‌ای است — با بلوغ پروژه‌ها و انتشار artifactهای جدید، ضدالگوها ممکن است برطرف شوند.
پرسش‌های متداول
چرا داشتن «AI» در نام توکن شاهد محسوب نمی‌شود؟
نام توکن یک تصمیم برندسازی است، نه یک artifact فنی. هر پروژه‌ای می‌تواند تیکری شامل «AI» انتخاب کند بدون ساختن هیچ فناوری‌ای. DecAIHub شواهد را بر پایهٔ artifactهای قابل بازرسی و تأیید می‌سنجد — کد، مستندات، دموها، متریک‌ها با روش‌شناسی. یک نام هیچ‌کدام از این معیارها را برآورده نمی‌کند. نام توکن به‌عنوان متادیتا در کارت پروژه ثبت می‌شود اما بر هیچ‌یک از پنج پرچم AI reality (AI_0 تا AI_4) اثر نمی‌گذارد.
آیا همکاری با NVIDIA (یا شرکت AI دیگری) شاهد AI است؟
خیر. اعلامیهٔ همکاری در بهترین حالت Tier-2 طبقه‌بندی می‌شود — زمینه می‌دهد اما اثبات نمی‌کند که AI component کارکردی درون پروژه وجود دارد. عمق همکاری‌ها بسیار متفاوت است: از هم‌مهندسی عمیق تا لیستینگ‌های سادهٔ «عضو اکوسیستم». مگر اینکه همکاری خروجی فنی قابل تأییدی تولید کرده باشد (کدبیس مشترک، پژوهش هم‌انتشار، استقرار با نگه‌داری مشترک)، یک ارتباط باقی می‌ماند نه شاهد. اگر یافتهٔ Tier-1 وجود داشته باشد می‌تواند آن را پشتیبانی کند، اما نمی‌تواند جایش را بگیرد.
پروژه‌هایی که در نقشهٔ راهشان قابلیت‌های AI را وعده می‌دهند چطور؟
بند نقشهٔ راه از یک منبع رسمی Tier-1 (وبلاگ خود پروژه، مستندات یا پیشنهاد حاکمیتی) از طریق پرچم AI_0 ثبت می‌شود که «نیت اعلام‌شدهٔ AI» را ثبت می‌کند. این ai_score را دست‌کم به ۱ می‌رساند و پروژه را از آن‌هایی که اصلاً AI را ذکر نکرده‌اند جدا می‌کند. اما نقشهٔ راه برنامه است، نه پیاده‌سازی. پرچم AI_0 پایین‌ترین سیگنال مثبت ممکن است و به‌تنهایی به‌دلیل قواعد سقف ai_score، DecAI Fit را به حداکثر ۳ از ۶ محدود می‌کند. وقتی نقاط عطف نقشهٔ راه تحویل شوند و artifactهای قابل تأیید ظاهر شوند، کارت به‌روزرسانی می‌شود و ممکن است پرچم‌های بالاتری تنظیم شوند.
آیا پروژه می‌تواند چند ضدالگو نشان دهد و همچنان AI component واقعی داشته باشد؟
بله. ضدالگوها نشان می‌دهند artifactهای مشخصی شاهد محسوب نمی‌شوند — نبودِ فناوری را اثبات نمی‌کنند. پروژه‌ای ممکن است شیوه‌های بازاریابی ضعیف و ادعاهای متریک مبهم داشته باشد و هم‌زمان سیستم AI معتبری را اداره کند که به‌خوبی به‌طور عمومی مستند نشده است. DecAIHub آنچه را در زمان بازبینی قابل تأیید است می‌سنجد. اگر فناوری زیرین وجود دارد اما از بیرون قابل بازرسی نیست، نمی‌توان به آن امتیاز داد — و پروژه تشویق می‌شود artifactهای لازم برای به‌روزرسانی کارتش را منتشر کند.
منابع خارجی
- OECD AI Policy Observatory — AI classification framework — منبعی بین‌المللی برای فهم اینکه سیستم‌های AI در حوزه‌های قضایی مختلف چگونه تعریف، طبقه‌بندی و اداره می‌شوند.
- Papers With Code — state-of-the-art benchmarks — منبعی اجتماع‌محور که نتایج بنچمارک AI را با کد و روش‌شناسی پیوندشده پیگیری می‌کند؛ برای فهم اینکه «متریک با روش‌شناسی» در عمل چه شکلی است مفید است.
- Stanford HAI — AI Index Report — گزارشی سالانه که روندهای پژوهش، توسعه و استقرار AI را پیگیری می‌کند؛ برای ارزیابی ادعاهای AI در برابر چشم‌انداز گسترده‌تر زمینه فراهم می‌کند.
No comments to display
No comments to display