چگونه بفهمیم پروژه واقعاً AI دارد
توجه: این سند ترجمه خودکار نسخه اصلی انگلیسی است.
چگونه بفهمیم پروژه واقعاً AI دارد
با پروژهٔ کریپتویی روبه‌رو هستید که ادعا می‌کند از AI استفاده می‌کند. وب‌سایت می‌گوید «AI-powered». پیچ‌دک از شبکه‌های عصبی می‌گوید. در نام توکن «AI» هست. اما از کجا بدانید پشت این ادعاها یک جزء AI واقعی و کارآمد وجود دارد، یا «AI» فقط یک برچسب بازاریابی است؟
این همان پرسش محوری‌ای است که DecAIHub برای پاسخ به آن ساخته شده است. تفاوت میان AI اصیل و AI-washing از سطح ظاهری دیده نمی‌شود. تیم‌های بازاریابی می‌دانند «AI» یکی از قدرتمندترین کلیدواژه‌های کریپتو است و بسیاری از پروژه‌ها فارغ از اینکه فناوری واقعاً چه می‌کند از آن استفاده می‌کنند. نوآوری واقعی کنار ادعاهای توخالی نشسته است و بدون روشی ساخت‌یافته، تفکیک آن‌ها برای هر پروژه ساعت‌ها پژوهش مستقل می‌طلبد. این راهنما جعبه‌ابزاری عملی به شما می‌دهد که هم برای تازه‌واردی که می‌خواهد از هیاهو دور بماند کار می‌کند و هم برای مشارکت‌کنندهٔ باتجربه‌ای که به چارچوب غربالگری سریع نیاز دارد.
به‌طور خلاصه: فیلد AI component را از نظر مشخص‌بودن بررسی کنید، برای حکم کمی‌شده به ai_score نگاه کنید، سطح (tier) شواهد را مرور کنید، ادعاها را با artifactهای قابل تأیید مقایسه کنید، آزمون پنج‌پرسشی را اجرا کنید و مراقب پرچم‌های قرمزی باشید که به AI-washing اشاره دارند.
آزمون پنج‌پرسشی
پیش از فرورفتن در مرور کامل کارت، یک تشخیص سریع اجرا کنید. هر پرسش لایهٔ مشخصی از راستی‌آزمایی AI را هدف می‌گیرد.
| # | پرسش | پاسخ قوی | پاسخ ضعیف |
|---|---|---|---|
| ۱ | AI دقیقاً چه می‌کند؟ | نوع مدل، وظیفه و سازوکار را نام می‌برد | «از AI برای بهینه‌سازی همه‌چیز استفاده می‌کنیم» |
| ۲ | کجا می‌توانم آن را در حال کار ببینم؟ | دموی زنده، API عمومی، خروجی‌های ضبط‌شده | «به‌زودی» یا بتای خصوصی بدون هیچ artifact |
| ۳ | کد یا مدل کجاست؟ | مخزن عمومی با کد آموزش/استنتاج، model card | مخزن خالی، فورک یک آموزش، هیچ‌چیز عمومی |
| ۴ | کیفیت را چگونه اندازه می‌گیرید؟ | بنچمارک، مجموعه‌داده، نسخه و تاریخ مشخص | «بهترین دقت در صنعت» یا بدون متریک |
| ۵ | اگر AI را بردارید چه می‌شود؟ | «محصول بدون آن نمی‌تواند کار کند» | «باز هم کار می‌کند، فقط کمی کم‌هوش‌تر» |
پرسش‌های ۱ و ۲ مشخص‌بودن و وجود را می‌سنجند: آیا پروژه می‌تواند AI خود را توصیف و نمایش دهد؟ پرسش‌های ۳ و ۴ قابلیت تأیید و دقت را می‌سنجند: آیا یک ناظر بیرونی می‌تواند شواهد را وارسی کند؟ پرسش ۵ محوریت را می‌سنجد: آیا AI از نظر معماری ضروری است یا تزئینی؟
پروژه‌ای با پاسخ‌های قوی به هر پنج پرسش احتمالاً ai_score بالایی دارد. سه پاسخ ضعیف یا بیشتر، بررسی موشکافانه می‌طلبد.
راهنمای گام‌به‌گام راستی‌آزمایی
گام ۱: فیلد AI component را بررسی کنید
فیلد AI component در پاسپورت پروژه، فناوری AI مشخص درون پروژه را توصیف می‌کند. این سریع‌ترین نشانگر منفرد برای سنجش محتواست.
مقادیر مشخصی مانند inference engine for LLM routing یا AI agent platform (workflows/tools/KB) می‌گویند AI واقعاً چه می‌کند. مقادیر ویژه نشانهٔ شکاف‌اند: positioning only یعنی AI در بازاریابی حضور دارد اما هیچ جزء کارآمدی تأیید نشده؛ none یا unknown یعنی از منابع موجود هیچ AI شناسایی نشده است. این‌ها حکم دائمی نیستند؛ شواهد موجود در زمان بررسی را بازتاب می‌دهند. ببینید: چرا غیبت شواهد به معنای غیبت فناوری نیست.
گام ۲: ai_score را بررسی کنید
ai_score (۰ تا ۳) کمّی می‌کند که چه مقدار شواهد قابل تأیید برای ادعاهای AI پروژه وجود دارد. این امتیاز بخشی از متریک DecAI Fit است و به‌صورت min(3, AI_0 + AI_1 + AI_2 + AI_3 + AI_4) محاسبه می‌شود — پنج پرچم دودویی با سقف ۳.
| ai_score | معنا |
|---|---|
| ۰ | هیچ حضور AI تأییدشده‌ای نیست. DecAI Fit اجباراً صفر می‌شود. |
| ۱ | اعلان قصد Tier-1 وجود دارد، اما هیچ AI کارآمدی تأیید نشده است. |
| ۲ | شواهد جزئی: AI توصیف شده و برخی artifactها یا دموها وجود دارند. |
| ۳ | شواهد قوی: کد عمومی، بنچمارک‌ها، مستندات معماری، دموهای کارآمد. |
اگر ai_score = 0، ادعای AI در حال حاضر مستند نشده است. این اتهامی علیه پروژه نیست، اما هیچ منبع Tier-1 ادعا را تأیید نمی‌کند.
گام ۳: دنبال شواهد Tier-1 بگردید
شواهد Tier-1 از artifactهایی تشکیل می‌شوند که به واقعیت عملی پروژه نزدیک‌ترند:
- مخازن کد عمومی با کد مرتبط با AI: تعاریف مدل، اسکریپت‌های آموزش، خطوط لولهٔ استنتاج — نه فقط یک README.
- مستندات فنی که معماری مدل، خط لولهٔ داده یا طراحی سیستم را با نسخه و تاریخ توصیف می‌کنند.
- artifactهای مدل مانند وزن‌های منتشرشده، model cardها یا صفحه‌هایی روی Hugging Face.
- بنچمارک‌ها با روش‌شناسی، خطوط پایهٔ مقایسه، مشخصات مجموعه‌داده و اطلاعات نسخه.
- دموهای کارآمد که در آن‌ها جزء AI خروجی‌های قابل مشاهده و قابل آزمایش تولید می‌کند.
Tier-2 (توصیف‌های aggregatorها، مصاحبه‌ها) زمینهٔ مفیدی فراهم می‌کند اما نباید تنها مبنای تأیید AI باشد. Tier-3 (پست‌های اینفلوئنسرها، مقالات PR، شایعات) وزن ناچیزی دارد.
گام ۴: ادعاها را با artifactها تطبیق دهید
آنچه را پروژه می‌گوید با آنچه به‌طور مستقل قابل تأیید است مقایسه کنید. پروژه‌ای که ادعای «شبکهٔ عصبی اختصاصی برای پیش‌بینی بلادرنگ» دارد باید کد، مستندات یا دست‌کم دمویی داشته باشد که این قابلیت را نشان دهد. وقتی زبان بازاریابی بلندپروازانه است اما artifactهای قابل تأیید نحیف‌اند، خودِ این شکاف یک سیگنال است.
پرچم‌های قرمز رایج
الگوهای مشخصی نشان می‌دهند که ادعاهای AI شاید واقعی نباشند. هیچ‌کدام از این‌ها به‌تنهایی اتهامی علیه پروژه نیست، اما هر کدام بررسی عمیق‌تر می‌طلبد.
- AI فقط در بازاریابی. «AI» در نام و پیچ‌دک هست، اما هیچ‌جا معماری، نام مدل یا خط لولهٔ داده توصیف نشده است. این رایج‌ترین شکل AI-washing است.
- مخزن خالی یا نامرتبط. لینک GitHub وجود دارد اما هیچ کد مرتبط با AI، هیچ انتشاری یا کدی مرتبط با جزء ادعاشده در آن نیست.
- متریک بدون روش‌شناسی. ادعاهایی مانند «دقت ۹۹٪» بدون مشخص‌کردن بنچمارک، مجموعه‌داده، روش ارزیابی یا نسخه.
- API wrapper خالص. کل «AI» فراخوانی یک API شخص ثالث است، بدون منطق اختصاصی، fine-tuning یا پردازش دامنه‌محور روی آن.
- برندسازی AI پس از عرضه. «AI» بعد از عرضهٔ توکن به نام پروژه اضافه شده، بدون هیچ تغییر فنی متناظر.
- بدون نسخه‌بندی یا خط زمانی. ادعاهای مرتبط با AI فاقد تاریخ، شمارهٔ نسخه یا تاریخچهٔ توسعهٔ قابل ردیابی‌اند.
- شواهد دوری. پروژه مواد بازاریابی خودش را به‌عنوان اثبات نقل می‌کند، یا به مقالاتی ارجاع می‌دهد که فقط بیانیهٔ مطبوعاتی خود پروژه را تکرار می‌کنند.
- نقشهٔ راه ابدی. قابلیت‌های AI همیشه «به‌زودی» هستند و با وجود ماه‌ها فعالیت، هیچ مایلستون تحویل‌شده یا artifact عمومی وجود ندارد.
- پیچیدگی ناهمخوان. پروژه ادعای قابلیت‌های پیشرفته (استنتاج قابل تأیید، federated learning) دارد اما تیم و کدبیس با آن پیچیدگی همخوان نیستند.
پرچم‌های سبز رایج
پروژه‌های AI اصیل ویژگی‌های قابل تشخیصی مشترک دارند. هر چه پروژه تعداد بیشتری از این‌ها را نشان دهد، احتمال بامحتوابودن ادعاهای AI آن بیشتر است.
- ادعاهای مشخص و قابل آزمایش. پروژه معماری مدل، رویکرد آموزش و منابع داده را با جزئیاتی کافی برای ارزیابی یک بازبین فنی نام می‌برد.
- کد فعال و مرتبط. مخزن عمومی با کد آموزش یا استنتاج مدل، تاریخچهٔ کامیت معنادار، تست‌ها و فعالیت اخیر.
- متریک‌های بازتولیدپذیر. نتایج کارایی شامل نام بنچمارک، مجموعه‌داده، روش‌شناسی، نسخه و تاریخ‌اند.
- مستندات معماری. اسناد فنی شامل طراحی سیستم، جریان داده و نویسندگیِ نسخه‌دار است که در طول زمان تکامل می‌یابد.
- دموهای کارآمد و قابل آزمایش. برنامهٔ زنده یا API عمومی‌ای که خروجی‌های AI تولید می‌کند و هر کسی می‌تواند مستقلاً آن را بیازماید.
- تیم با پیشینهٔ قابل تأیید در AI/ML. مقالات منتشرشده، مشارکت‌های متن‌باز یا سابقهٔ حرفه‌ای قابل تأیید.
- model card یا data sheet. پروژه رویه‌های جاافتاده برای مستندسازی مدل‌ها را دنبال می‌کند: کاربرد موردنظر، محدودیت‌ها، دادهٔ آموزش، نتایج ارزیابی.
الگوهای دنیای واقعی
برای ساختن شهود، این کهن‌الگوهای متضاد را در نظر بگیرید. نام هیچ پروژهٔ مشخصی برده نمی‌شود؛ هدف، تشخیص تفاوت‌های ساختاری است.
الگوی A: AI اصیل با شواهد قوی. مخزن فعال با کد آموزش مدل، اسکریپت‌های ارزیابی و خط لولهٔ استنتاج مستندشده. بنچمارک‌ها همراه روش‌شناسی منتشر شده‌اند. دموی زنده خروجی‌های قابل مشاهدهٔ AI تولید می‌کند. ai_score برابر ۳ است.
الگوی B: AI مرحلهٔ اولیه با شواهد جزئی. اسناد رسمی توضیح می‌دهند AI چه خواهد کرد و نقشهٔ راه شامل مایلستون‌های AI است. نمونهٔ اولیه وجود دارد اما در دسترس عموم نیست. هنوز بنچمارکی نیست. ai_score برابر ۱ تا ۲ است. این AI-washing نیست؛ پروژه‌ای در مرحلهٔ اولیه است که شواهدش هنوز عینیت نیافته‌اند.
الگوی C: AI-washing بدون محتوا. «AI» در برندسازی پررنگ است. پیچ‌دک از «شبکه‌های عصبی اختصاصی» می‌گوید. فراتر از بازاریابی هیچ مستند فنی‌ای نیست. نه مخزنی، نه دمویی، نه بنچمارکی، نه artifact مدلی. ai_score برابر ۰ است.
الگوی D: API wrapper در جایگاه AI اختصاصی. جزء AI تماماً از فراخوانی‌های یک ارائه‌دهندهٔ شخص ثالث تشکیل شده است. نه fine-tuning، نه خط لولهٔ سفارشی، نه پردازش دامنه‌محور. این اتهامی علیه پروژه نیست، اما نامیدن آن به‌عنوان «AI اختصاصی» واقعیت فنی را نادرست بازنمایی می‌کند. ببینید: اتوماسیون در برابر جزء AI واقعی.
DecAIHub چگونه این مسئله را حل می‌کند
DecAIHub از آن‌رو وجود دارد که پاسخ به «آیا این AI واقعی است؟» نباید برای هر پروژه ساعت‌ها پژوهش مستقل بطلبد. پلتفرم از چارچوبی ساخت‌یافته برای جداکردن AI واقعی از AI-washing استفاده می‌کند.
DecAI Fit
DecAI Fit یک شاخص ترکیبی (۰ تا ۶) است که می‌سنجد پروژه چقدر با اصول Decentralized AI هم‌راستاست. چهار بُعد را ترکیب می‌کند: AI reality، Onchain necessity، Token necessity و Evidence.
قاعدهٔ حیاتی: اگر ai_score = 0، آنگاه DecAI Fit = 0 فارغ از بُعدهای دیگر. بدون AI تأییدشده، پروژه به آستانهٔ طبقه‌بندی Decentralized AI نمی‌رسد. همین یک قاعده، رایج‌ترین شکل AI-washing را از سیستم امتیازدهی حذف می‌کند.
پرچم‌های AI reality (از AI_0 تا AI_4)
AI reality از پنج پرچم دودویی ساخته می‌شود که هر کدام لایه‌ای به‌تدریج عمیق‌تر از راستی‌آزمایی را ثبت می‌کند:
| پرچم | چه چیزی را بررسی می‌کند | نمونهٔ شواهد |
|---|---|---|
| AI_0 | اعلان قصد AI در Tier-1 | نقشهٔ راه یا اسناد رسمی که برنامه‌های AI را ذکر می‌کنند |
| AI_1 | توصیف اینکه AI چه می‌کند | اسناد فنی که کارکرد مدل را توضیح می‌دهند |
| AI_2 | دموها یا نمونه‌های کارآمد | دموی عمومی، API زنده، خروجی‌های ضبط‌شده |
| AI_3 | متریک‌ها و بنچمارک‌ها | امتیاز F1 منتشرشده روی مجموعه‌داده‌ای مشخص با نسخه |
| AI_4 | معماری و نسخه‌های مدل | نمودارهای معماری، model cardها، تاریخچهٔ نسخه‌ها |
هر پنج پرچم برابر ۱ یعنی شواهد قوی و چندلایه از AI واقعی. فقط AI_0 = 1 یعنی قصد اعلام‌شده بدون هیچ‌چیز قابل تأیید تاکنون.
سیستم شواهد Tier-1، Tier-2، Tier-3
هر ادعا در کارت پروژه بر منابع طبقه‌بندی‌شده استوار است:
- Tier-1 (شواهد): کد، قراردادها، مستندات رسمی، ممیزی‌ها، واقعیت‌های on-chain. بیشترین وزن.
- Tier-2 (زمینه): توصیف‌های aggregatorها، کاتالوگ‌های اکوسیستم، داشبوردهای تحلیلی، مصاحبه‌ها. برای تطبیق مفید است، به‌عنوان تنها اثبات کافی نیست.
- Tier-3 (نویز): پست‌های اینفلوئنسرها، مقالات PR، شایعات، ادعاهای بدون منبع. اگر فقط منابع Tier-3 وجود داشته باشند، DecAI Fit به سقف ۲ محدود می‌شود.
این سلسله‌مراتب تضمین می‌کند که مواد بازاریابی به‌تنهایی نمی‌توانند ارزیابی پروژه را بالا ببرند.
شناسایی AI-washing
DecAIHub برچسب اتهامی یا تبرئه‌کننده به پروژه‌ها نمی‌زند. در عوض، شکاف میان ادعاها و شواهد را اندازه می‌گیرد. وقتی ادعاهای بازاریابی به‌طور چشمگیر از artifactهای قابل تأیید فراتر می‌روند، این شکاف در کارت دیده می‌شود: یک کاربری جسورانهٔ AI در کنار positioning only یا ai_score = 0 سیگنالی قابل اندازه‌گیری و عینی است. خواننده خودش نتیجه‌گیری می‌کند.
چک‌لیست راستی‌آزمایی سریع
| بررسی | کجا نگاه کنید | چه انتظاری داشته باشید |
|---|---|---|
| مشخص‌بودن AI component | فیلد AI component | سازوکار مشخص، نه واژه‌های مد روز |
| امتیاز AI | ai_score در DecAI Fit | بالاتر از ۰ برای هر AI تأییدشده |
| سطح شواهد | جدول Evidence | artifactهای Tier-1 برای ادعاهای قوی |
| وجود کد | مخازن لینک‌شده | کد مرتبط با AI با تاریخچهٔ کامیت |
| کیفیت متریک‌ها | مستندات، بنچمارک‌ها | روش‌شناسی، مجموعه‌داده، نسخه، تاریخ |
| در دسترس بودن دمو | لینک‌های محصول، APIهای عمومی | خروجی‌های قابل مشاهدهٔ AI |
| تخصص AI تیم | بخش تیم، مقالات منتشرشده | پیشینهٔ قابل تأیید ML/AI |
| نسخه‌بندی | مستندات، changelog | تاریخ‌ها، شماره‌های نسخه، تاریخچه |
راستی‌آزمایی به‌تنهایی چه چیزی را ثابت نمی‌کند
حتی راستی‌آزمایی دقیق هم حد و مرز دارد:
- ai_score بالا به معنای خوب‌بودن AI نیست. یعنی artifactهای قابل تأیید وجود دارند. کیفیت پرسش جداگانه‌ای است.
- ai_score بالا به معنای موفقیت پروژه نیست. شایستگی فناورانه و دوام‌پذیری ابعاد متفاوتی‌اند.
- ai_score پایین اتهامی علیه پروژه نیست. برخی پروژه‌ها فناوری واقعی اما مستندسازی ضعیف یا مدل توسعهٔ بسته دارند.
- راستی‌آزمایی یک نقطه از زمان را بازتاب می‌دهد. ارزیابی‌ها تاریخ‌دارند (
Last verified) و با پیدایش شواهد جدید به‌روزرسانی می‌شوند. - راستی‌آزمایی AI مدل کسب‌وکار، کیفیت تیم یا تناسب با بازار را نمی‌سنجد. این‌ها مهم‌اند اما بیرون از دامنهٔ ارزیابی AI reality قرار دارند.
پرسش‌های متداول
با چه سرعتی می‌توانم بررسی کنم که یک پروژهٔ کریپتو AI واقعی دارد؟
بررسی پایه با کارت پروژه در DecAIHub کمتر از پنج دقیقه طول می‌کشد. به فیلد AI component، ai_score و سطح شواهد نگاه کنید. اگر AI component بگوید positioning only و ai_score = 0، همین حالا سیگنال قوی دارید. بررسی عمیق‌تر با آزمون پنج‌پرسشی و مرور مخزن ۱۵ تا ۳۰ دقیقه می‌گیرد.
اگر پروژه کد AI روی GitHub داشته باشد اما محصول کارآمدی نداشته باشد چه؟
کد سیگنال مثبتی است، اما به زمینه نیاز دارد. آیا فعالانه نگهداری می‌شود؟ آیا به محصول ادعاشده مربوط است؟ مخزنی با اسکریپت‌های آموزش که دو سال به‌روزرسانی نشده، یا با کارکرد اعلام‌شدهٔ پروژه بی‌ربط به نظر می‌رسد، شاهد ضعیف‌تری است تا کدبیسی فعال و خوش‌مستند با CI/CD و کامیت‌های اخیر.
آیا داشتن دمو ثابت می‌کند AI واقعی است؟
دمو شاهد قوی‌ای است (پرچم AI_2 را فعال می‌کند)، اما قطعی نیست. ممکن است پشت صحنه از API شخص ثالث استفاده کند یا نمونهٔ اولیهٔ محدودی را به نمایش بگذارد. قوی‌ترین راستی‌آزمایی دمو را با کد، مستندات و متریک‌ها ترکیب می‌کند: چند لایهٔ مستقل که روایتی سازگار می‌گویند.
آیا پروژه می‌تواند بدون کد متن‌باز در DecAI Fit امتیاز خوبی بگیرد؟
بله. کد متن‌باز قوی‌ترین شاهد Tier-1 است، اما تنها نوع آن نیست. پروژه می‌تواند از راه مستندات فنی مفصل، بنچمارک‌های منتشرشده، دموهای کارآمد و artifactهای مدل به ai_score معناداری برسد. با این حال، بدون هیچ شاهد Tier-1، سقف‌های حاکمیتی حداکثر امتیاز را محدود می‌کنند.
رایج‌ترین شکل AI-washing در کریپتو چیست؟
رایج‌ترین الگو AI فقط در بازاریابی است: «AI» در نام و مواد تبلیغاتی، اما بدون توصیف فنی، کد، دمو یا متریک. دومین الگوی رایج API wrapper است: فراخوانی یک ارائه‌دهندهٔ AI شخص ثالث و عرضهٔ آن به‌عنوان فناوری اختصاصی، بدون fine-tuning یا منطق دامنه‌محور.
آیا ممکن است پروژه‌ای AI واقعی داشته باشد اما DecAI Fit پایینی بگیرد؟
بله. DecAI Fit شواهد قابل تأیید را اندازه می‌گیرد، نه وضعیت واقعی فناوری پشت درهای بسته را. پروژه‌ای با AI پیشرفته که هیچ‌چیز منتشر نمی‌کند امتیاز پایینی می‌گیرد، چون چیزی برای تأیید وجود ندارد. DecAI Fit به‌طور طراحی‌شده به شفافیت پاداش می‌دهد. وقتی چنین پروژه‌ای بعداً artifact منتشر کند، امتیاز به‌روزرسانی می‌شود.
همچنین ببینید
- AI component چیست
- AI component در برابر use case
- چه چیزی شاهد AI به شمار می‌آید
- چه چیزی شاهد AI به شمار نمی‌آید
- API wrapper چیست
- اتوماسیون در برابر جزء AI واقعی
- AI-washing، onchain-washing و token-washing
- چرا غیبت شواهد به معنای غیبت فناوری نیست
- DecAI Fit چیست
- چگونه یک کارت پروژه را بخوانیم
- شواهد Tier-1، Tier-2 و Tier-3
- AI reality، Onchain necessity و Token necessity
منابع خارجی
- Stanford HAI — Artificial Intelligence Index Report — داده‌های سالانه دربارهٔ وضعیت پژوهش AI و پذیرش صنعتی.
- OECD AI Policy Observatory — چارچوب‌ها و تعاریف بین‌المللی حاکمیت AI.
- MIT Technology Review — AI topic — گزارش‌های خوش‌خوان دربارهٔ پیشرفت‌ها و روندهای AI.
- Hugging Face — Model Cards — استاندارد مستندسازی برای انتشار اطلاعات مدل و نتایج ارزیابی.
- Papers With Code — بنچمارک‌ها، مجموعه‌داده‌ها و نتایج پیشرو در وظایف گوناگون AI.
No comments to display
No comments to display