انواع هوش مصنوعی چیست؟ دسته‌بندی واقعی AI با مثال‌های ساده

وقتی از «انواع هوش مصنوعی» صحبت می‌کنیم، ممکن است سه موضوع متفاوت را منظور داشته باشیم: سطح توانایی سیستم، روش فنی ساخت آن یا نوع کاری که انجام می‌دهد. بسیاری از مقاله‌ها این سه محور را در یک فهرست مخلوط می‌کنند و نتیجه گیج‌کننده می‌شود.

خلاصه پاسخ این است: بیشتر AIهایی که امروز استفاده می‌کنیم هوش مصنوعی محدود یا تخصصی هستند. از نظر کاربرد نیز می‌توان آن‌ها را در گروه‌هایی مانند هوش مصنوعی پیش‌بینی‌گر، مولد، بینایی ماشین، پردازش زبان، گفتار، سیستم پیشنهاددهنده و رباتیک قرار داد. هوش مصنوعی عمومی یا AGI هنوز یک هدف پژوهشی و تعریف محل اختلاف است، نه محصولی که بتوان با اطمینان گفت به‌طور کامل محقق شده است.

دسته‌بندی اول: انواع AI بر اساس سطح توانایی

۱. هوش مصنوعی محدود یا تخصصی (Narrow AI)

هوش مصنوعی محدود برای یک حوزه یا مجموعه‌ای مشخص از وظایف طراحی یا آموزش داده می‌شود. «محدود» به معنی ضعیف نیست؛ یک سیستم ممکن است در وظیفه تخصصی خود از بیشتر انسان‌ها سریع‌تر یا دقیق‌تر باشد، اما خارج از آن حوزه انعطاف انسانی را ندارد.

نمونه‌ها:

• تشخیص هرزنامه ایمیل
• پیشنهاد فیلم و موسیقی
• تشخیص شیء در تصویر
• ترجمه ماشینی
• مدل زبانی برای نوشتن و خلاصه‌سازی
• تشخیص تقلب بانکی
• سیستم مسیریابی

حتی یک چت‌بات بسیار توانمند نیز می‌تواند در این طبقه قرار بگیرد؛ چون روان‌بودن مکالمه به‌تنهایی نشان نمی‌دهد سیستم همه توانایی‌های شناختی انسان را دارد.

۲. هوش مصنوعی عمومی (AGI)

AGI مخفف Artificial General Intelligence است. تعریف واحدی که همه پژوهشگران روی آن توافق داشته باشند وجود ندارد، اما معمولاً منظور سیستمی است که بتواند در طیف گسترده‌ای از وظایف شناختی، دانش را منتقل کند، مسئله تازه را بفهمد و با انعطاف نزدیک به انسان عمل کند.

مشکل این تعریف آن است که «هوش عمومی» را چگونه اندازه بگیریم؟ نمره خوب در آزمون، تولید کد یا مکالمه طبیعی کافی نیست. یک سیستم ممکن است در چند معیار عالی و در استدلال ساده دنیای واقعی ضعیف باشد. به همین دلیل بهتر است درباره AGI به جای شعار، معیار دقیق هر ادعا را بخواهیم.

۳. ابرهوش مصنوعی (ASI)

ASI یا Artificial Superintelligence مفهومی فرضی برای سیستمی است که در تقریباً همه حوزه‌های شناختی از بهترین انسان‌ها فراتر برود. این طبقه بیشتر در بحث‌های آینده‌پژوهی، فلسفه و ایمنی AI مطرح است. ASI را نباید به‌عنوان یک ابزار موجود و قابل خرید معرفی کرد.

دسته‌بندی دوم: انواع AI بر اساس شیوه عملکرد مفهومی

در بسیاری از منابع چهار گروه زیر دیده می‌شود:

1. ماشین‌های واکنشی
2. سیستم‌های دارای حافظه محدود
3. نظریه ذهن
4. خودآگاه

این تقسیم‌بندی برای توضیح سطح پیچیدگی مفید است، اما باید با احتیاط استفاده شود.

ماشین واکنشی

سیستم واکنشی بر اساس وضعیت فعلی خروجی می‌دهد و الزاماً حافظه‌ای از گذشته ندارد. یک برنامه بازی کلاسیک ممکن است وضعیت صفحه را تحلیل کند و حرکت مناسب را برگزیند، بدون اینکه تجربه شخصی یا مدل ذهنی از حریف داشته باشد.

حافظه محدود

بخش بزرگی از سامانه‌های عملی از داده گذشته، زمینه کوتاه‌مدت یا تاریخچه محدود استفاده می‌کنند. برای مثال، یک سیستم رانندگی از چند فریم اخیر، موقعیت خودروها و نقشه برای تصمیم فعلی استفاده می‌کند. «حافظه محدود» به معنی حافظه انسانی نیست؛ ساختار و مدت نگهداری داده به طراحی سیستم بستگی دارد.

نظریه ذهن

در روان‌شناسی، Theory of Mind به توانایی نسبت‌دادن باور، قصد و حالت ذهنی به دیگران اشاره دارد. پژوهش‌هایی برای سنجش رفتار مدل‌ها در چنین آزمون‌هایی وجود دارد، اما موفقیت در یک آزمون متنی اثبات نمی‌کند مدل واقعاً ذهن دیگران را مانند انسان می‌فهمد. این طبقه هنوز باید پژوهشی تلقی شود.

خودآگاهی

هوش مصنوعی خودآگاه مفهومی نظری است. هیچ دلیل عملی کافی وجود ندارد که ابزارهای عمومی امروز را خودآگاه بدانیم. تولید جمله «من احساس می‌کنم» می‌تواند نتیجه الگوی زبانی باشد، نه تجربه درونی.

دسته‌بندی سوم: انواع هوش مصنوعی بر اساس خروجی

این دسته‌بندی برای انتخاب ابزار بسیار کاربردی‌تر است.

هوش مصنوعی پیش‌بینی‌گر

از داده گذشته برای تخمین یک مقدار یا احتمال استفاده می‌کند:

• احتمال ریزش مشتری
• پیش‌بینی تقاضا
• امتیاز ریسک
• زمان احتمالی خرابی دستگاه

مزیت اصلی آن تصمیم‌گیری داده‌محور است. ضعف پنهانش این است که اگر شرایط آینده با داده گذشته فرق کند، مدل ممکن است افت کند؛ پدیده‌ای که به آن Data Drift یا تغییر توزیع داده می‌گویند.

هوش مصنوعی دسته‌بندی‌کننده

ورودی را به یک یا چند کلاس نسبت می‌دهد:

• پیام سالم یا هرزنامه
• تصویر گربه یا سگ
• تیکت فروش، فنی یا مالی
• محتوای مجاز یا نیازمند بررسی

خروجی معمولاً یک برچسب همراه با احتمال است. تعیین آستانه تصمیم اهمیت دارد؛ آستانه سخت‌گیرانه می‌تواند موارد سالم را هم اشتباه مسدود کند.

هوش مصنوعی مولد

محتوای تازه می‌سازد:

• متن و خلاصه
• تصویر و ویدیو
• صدا و موسیقی
• کد
• داده مصنوعی

قدرت آن انعطاف و سرعت تولید است. هزینه پنهان آن نیاز به کنترل کیفیت، بررسی حقوق استفاده از داده و خروجی، و احتمال اطلاعات ساختگی است.

سیستم‌های توصیه‌گر

برای هر کاربر محتوا یا محصول مناسب را مرتب می‌کنند. این سیستم‌ها می‌توانند تجربه را شخصی کنند، اما ممکن است کاربر را در حلقه‌ای از محتوای مشابه نگه دارند. معیار فقط «کلیک بیشتر» نباید باشد؛ رضایت بلندمدت و تنوع هم مهم است.

سیستم‌های تصمیم‌یار و تصمیم‌گیر

برخی AIها فقط پیشنهاد می‌دهند و تصمیم نهایی با انسان است؛ برخی در چارچوب محدود خودکار عمل می‌کنند. هرچه اثر تصمیم بر سلامت، پول، حقوق یا امنیت بیشتر باشد، نیاز به نظارت، ثبت دلیل و مسیر اعتراض جدی‌تر است.

دسته‌بندی چهارم: انواع AI بر اساس نوع داده

پردازش زبان طبیعی (NLP)

برای درک، جست‌وجو، دسته‌بندی یا تولید زبان استفاده می‌شود. چت‌بات‌ها، ترجمه، تحلیل احساس و خلاصه‌سازی از این حوزه‌اند.

بینایی رایانه‌ای (Computer Vision)

تصویر و ویدیو را تحلیل می‌کند: تشخیص شیء، خواندن متن تصویر، کنترل کیفیت خط تولید یا کمک به بررسی تصویر پزشکی.

هوش گفتاری و صوتی

شامل تشخیص گفتار، تبدیل متن به صدا، جداسازی گوینده، حذف نویز و تحلیل صوت است. تولید صدای شبیه فرد واقعی بدون رضایت می‌تواند خطر جعل هویت داشته باشد.

سیستم‌های چندوجهی (Multimodal)

چند نوع داده را با هم پردازش می‌کنند؛ مثلاً تصویر و سؤال متنی را می‌گیرند و پاسخ می‌دهند، یا فایل، صدا و متن را در یک جریان کاری ترکیب می‌کنند. چندوجهی‌بودن به‌خودی‌خود تضمین دقت نیست، اما نوع مسئله‌هایی را که سیستم می‌تواند ببیند گسترده‌تر می‌کند.

رباتیک و هوش تجسم‌یافته

در اینجا AI با حسگر و عملگر در محیط فیزیکی کار می‌کند. خطای مدل دیگر فقط یک متن اشتباه نیست و می‌تواند اثر فیزیکی داشته باشد؛ بنابراین شبیه‌سازی، محدودیت ایمنی و حالت توقف ضروری‌تر است.

دسته‌بندی پنجم: انواع مدل بر اساس روش یادگیری

یادگیری نظارت‌شده

داده ورودی همراه پاسخ درست دارد. مدل رابطه میان آن‌ها را یاد می‌گیرد. مثال: تصاویر برچسب‌خورده برای تشخیص نوع کالا.

یادگیری بدون نظارت

داده برچسب مشخص ندارد و سیستم ساختار یا خوشه پیدا می‌کند. مثال: گروه‌بندی مشتریان بر اساس رفتار.

یادگیری خودنظارتی

سیستم از خود داده برای ساخت سیگنال آموزشی استفاده می‌کند؛ مثلاً بخشی از متن را پنهان می‌کند و آن را پیش‌بینی می‌کند. این روش در آموزش مدل‌های بزرگ نقش مهمی دارد.

یادگیری تقویتی

عامل با انجام عمل و دریافت پاداش یا جریمه، سیاست رفتاری یاد می‌گیرد. بازی، کنترل و برخی مراحل تنظیم مدل‌های زبانی از کاربردهای آن است. طراحی پاداش اشتباه می‌تواند رفتار ناخواسته ایجاد کند.

هوش مصنوعی قاعده‌محور کجای این نقشه است؟

همه AIها الزاماً مدل یادگیری ماشین نیستند. Expert System یا سیستم خبره می‌تواند مجموعه‌ای از قواعد «اگر... آنگاه...» داشته باشد. مزیت آن توضیح‌پذیری بیشتر و رفتار قابل پیش‌بینی در دامنه محدود است. ضعف آن هزینه نگهداری قواعد و ناتوانی در پوشش همه حالت‌هاست.

در محصول واقعی، ترکیب قواعد و مدل اغلب بهتر از تکیه کامل بر یکی از آن‌هاست. مثلاً مدل یک تراکنش مشکوک را امتیازدهی می‌کند و قواعد سخت، سقف مبلغ یا کشور پرریسک را کنترل می‌کنند.

کدام نوع هوش مصنوعی برای کار من مناسب است؟

اشتباه رایج: انتخاب مدل قبل از تعریف مسئله

تیم‌ها گاهی می‌گویند «می‌خواهیم AI اضافه کنیم» و بعد دنبال کاربرد می‌گردند. این ترتیب غلط است. ابتدا مشخص کنید:

• کاربر چه مشکلی دارد؟
• خروجی خوب را چگونه اندازه می‌گیریم؟
• هزینه اشتباه چیست؟
• چه داده‌ای داریم؟
• آیا راه‌حل ساده‌تر با جست‌وجو، قاعده یا فرم بهتر نیست؟

اگر پاسخ روشن نباشد، افزودن مدل بزرگ فقط هزینه و پیچیدگی ایجاد می‌کند.

نقش مدل‌های چندگانه

مدل‌های مختلف در سرعت، هزینه، استدلال، زبان، کدنویسی و ورودی‌های چندوجهی یکسان نیستند. یک پلتفرم چندمدلی می‌تواند کار ساده را به مدل سریع‌تر و کار پیچیده را به مدل دقیق‌تر بسپارد. اما انتخاب خودکار نیز باید قابل توضیح و قابل تغییر باشد؛ کاربر حرفه‌ای باید بداند چه مدلی برای چه دلیل انتخاب شده است.

مدل‌های فعال جی‌تی‌پی را ببینید

جمع‌بندی

برای فهم انواع هوش مصنوعی سه محور را جدا نگه دارید:

• توانایی: محدود، عمومی و ابرهوش؛ دو مورد آخر هنوز محل بحث یا نظری‌اند.
• روش: قاعده‌محور، یادگیری نظارت‌شده، بدون نظارت، خودنظارتی و تقویتی.
• کاربرد: پیش‌بینی، دسته‌بندی، تولید محتوا، زبان، تصویر، صوت، توصیه‌گر و رباتیک.

در عمل، سؤال درست این نیست که «قوی‌ترین نوع AI چیست؟»؛ سؤال درست این است که «برای مسئله، داده، ریسک و بودجه من کدام ترکیب مناسب‌تر است؟»

سؤال‌های متداول

چند نوع هوش مصنوعی داریم؟

عدد واحدی وجود ندارد، چون دسته‌بندی به معیار بستگی دارد. بر اساس سطح توانایی معمولاً سه گروه محدود، عمومی و ابرهوش مطرح می‌شود؛ بر اساس کاربرد، گروه‌های بسیار بیشتری مانند مولد، پیش‌بینی‌گر، بینایی ماشین و پردازش زبان داریم.

آیا ChatGPT هوش مصنوعی عمومی است؟

ChatGPT در کارهای زیادی توانمند است، اما برچسب AGI به تعریف و معیار دقیق نیاز دارد. صرف مکالمه طبیعی یا موفقیت در چند آزمون برای اثبات هوش عمومی کافی نیست.

هوش مصنوعی مولد با یادگیری ماشین چه فرقی دارد؟

هوش مصنوعی مولد نوعی کاربرد و خروجی است که محتوای جدید می‌سازد. یادگیری ماشین یک خانواده روش برای یادگیری از داده است. یک مدل مولد معمولاً با روش‌های یادگیری ماشین و یادگیری عمیق ساخته می‌شود.

آیا هوش مصنوعی خودآگاه وجود دارد؟

شواهد قابل اتکایی برای خودآگاه‌بودن ابزارهای عمومی امروز وجود ندارد. جمله‌های احساسی مدل را نباید نشانه تجربه درونی دانست.

بهترین نوع AI برای کسب‌وکار چیست؟

نوعی که مسئله مشخص را با هزینه، دقت و ریسک قابل قبول حل کند. برای بسیاری از فرایندها، مدل کوچک یا حتی سیستم قاعده‌محور از مدل بزرگ ارزان‌تر و قابل‌کنترل‌تر است.

مطالب مرتبط

• هوش مصنوعی چیست؟ تعریف ساده و دقیق
• تاریخچه AI از تورینگ تا مدل‌های چندوجهی
• آموزش صفر تا صد هوش مصنوعی
• تحقیق ساختاریافته درباره هوش مصنوعی

منابع و تاریخ بازبینی

• OECD definition of an AI system: https://oecd.ai/en/wonk/definition
• OECD AI Principles: https://oecd.ai/en/ai-principles
• NIST AI Risk Management Framework: https://www.nist.gov/itl/ai-risk-management-framework
• Stanford AI Index 2026: https://hai.stanford.edu/ai-index/2026-ai-index-report

آخرین بازبینی: ۱ اوت ۲۰۲۶.