تاریخچه هوش مصنوعی؛ از زمستان تا رنسانس و درس‌هایش برای پژوهشگران

تاریخچه هوش مصنوعی داستانی پر از رؤیا، شکست، بازگشت و جهش است. وقتی امروز دانشجویی در چند ثانیه از ChatGPT می‌خواهد چکیدهٔ مقاله‌اش را ویرایش کند، شاید تصور کند این فناوری یک‌شبه ظهور کرده است. اما واقعیت این است که پشت این لحظه، نزدیک به هفتاد سال تلاش، وعده‌های بزرگ، ناامیدی‌های تلخ و دوره‌هایی وجود دارد که به آن‌ها «زمستان هوش مصنوعی» می‌گویند.

این مقاله بر پایهٔ ایده‌های فصل ۲ کتاب Using AI in Academic Writing and Research (Springer, 2025) نوشته شده است؛ فصلی که با عنوان «تکامل هوش مصنوعی: از زمستان تا رنسانس» مسیر این فناوری را از آغاز نمادین آن تا عصر مدل‌های مولد دنبال می‌کند. ما فصل را ترجمه نمی‌کنیم، بلکه روایت آن را به زبان خودمان بازگو می‌کنیم و نشان می‌دهیم چرا دانستن این تاریخ برای هر پژوهشگر و دانشجوی ایرانی اهمیت عملی دارد.

چرا یک پژوهشگر باید تاریخ بداند؟ چون تاریخ هوش مصنوعی پر از چرخه‌های هیجان و ناامیدی است. هر بار که فناوری تازه‌ای ظهور کرده، گروهی آن را راه‌حل همهٔ مسائل دانسته‌اند و گروهی دیگر آن را بی‌ارزش شمرده‌اند. هر دو گروه معمولاً اشتباه کرده‌اند. کسی که این چرخه‌ها را بشناسد، در برابر تبلیغات اغراق‌آمیز امروز هم هوشیارتر است؛ نه ابزارها را کورکورانه می‌پذیرد و نه بی‌دلیل رد می‌کند.

نویسندگان کتاب در این فصل سه پرسش را دنبال می‌کنند: چه چیزی باعث شکست وعده‌های اولیه شد؟ چه عواملی امکان رنسانس امروز را فراهم کرد؟ و چه چالش‌هایی ممکن است این رنسانس را هم با مشکل روبه‌رو کند؟ ما هم همین مسیر را در سه بخش اصلی دنبال می‌کنیم و در پایان، درس‌های عملی آن را برای کار پژوهشی جمع‌بندی می‌کنیم.

تاریخچه هوش مصنوعی از رؤیای نخستین تا زمستان

داستان هوش مصنوعی با یک ایدهٔ جسورانه آغاز شد: اینکه بتوان هر جنبه‌ای از یادگیری یا هوش را چنان دقیق توصیف کرد که ماشین بتواند آن را شبیه‌سازی کند. این ایده در دهه‌های ۱۹۵۰ و ۱۹۶۰ دانشمندان بسیاری را به هیجان آورد و منابع مالی قابل‌توجهی را جذب کرد. اما فاصلهٔ میان رؤیا و واقعیت، بسیار بیشتر از آن بود که تصور می‌شد.

تولد یک رؤیا: کنفرانس دارتموث و هوش مصنوعی نمادین

بیشتر روایت‌ها، سال ۱۹۵۶ را نقطهٔ تولد رسمی هوش مصنوعی می‌دانند. در آن تابستان، گروهی از پژوهشگران، از جمله جان مک‌کارتی و ماروین مینسکی، در کالج دارتموث آمریکا گرد هم آمدند تا دربارهٔ ساختن «ماشین‌های اندیشنده» گفت‌وگو کنند. اصطلاح «هوش مصنوعی» هم در همین فضا رواج یافت.

رویکرد غالب آن دوره را «هوش مصنوعی نمادین» یا «هوش مصنوعی مبتنی بر قاعده» می‌نامند. فرض اصلی این بود که هوش را می‌توان با دستکاری نمادها بر اساس قواعد منطقی بازسازی کرد. اگر بتوانیم دانش انسان را به صورت مجموعه‌ای از قواعد «اگر… آنگاه…» بنویسیم، ماشین می‌تواند با به‌کارگیری این قواعد، استدلال کند.

نمونهٔ مشهور این رویکرد، برنامهٔ «نظریه‌پرداز منطقی» (Logic Theorist) بود که آلن نیوول و هربرت سایمون طراحی کردند. این برنامه توانست تعدادی از قضایای کتاب مشهور «اصول ریاضیات» راسل و وایتهد را اثبات کند؛ دستاوردی که در آن زمان شگفت‌انگیز به نظر می‌رسید. موفقیت‌هایی از این دست باعث شد پیش‌بینی‌های بسیار خوش‌بینانه‌ای مطرح شود؛ از جمله اینکه ظرف یکی دو دهه، ماشین‌ها هر کاری را که انسان انجام می‌دهد، انجام خواهند داد.

در همان سال‌ها، مسیر دیگری هم آغاز شد که بعدها اهمیت فوق‌العاده‌ای پیدا کرد: «پرسپترون» فرانک روزنبلات، که تلاشی برای ساختن ماشینی بود که مانند نورون‌های مغز از نمونه‌ها یاد بگیرد. این ایده، نیای دور شبکه‌های عصبی امروزی است. اما در آن دوره، محدودیت‌های فنی و نقدهای نظری باعث شد این مسیر برای مدتی طولانی به حاشیه رانده شود.

برای پژوهشگر امروز، درس مهم این دوره این است که موفقیت در مسائل ساده و محدود، تضمینی برای موفقیت در دنیای واقعی نیست. اثبات قضایای منطقی در یک محیط بسته، با فهم زبان طبیعی یا تصمیم‌گیری در شرایط مبهم، تفاوت بنیادین دارد. همین خطا را امروز هم می‌بینیم: ابزاری که در یک نمایش تبلیغاتی عالی کار می‌کند، ممکن است در موضوع تخصصی پایان‌نامهٔ شما نتایج ضعیفی بدهد.

جالب است بدانیم که بسیاری از پرسش‌های فلسفی امروز هم در همین دوره مطرح شد. آیا ماشینی که قواعد را دنبال می‌کند، واقعاً «می‌فهمد»؟ آیا تقلید رفتار هوشمند با خود هوش یکی است؟ این پرسش‌ها هنوز پاسخ قطعی ندارند و در بحث‌های امروز دربارهٔ اینکه آیا مدل‌های زبانی «فکر می‌کنند»، دوباره زنده شده‌اند.

ELIZA، SHRDLU و خوش‌بینی زودهنگام

دههٔ ۱۹۶۰ و اوایل ۱۹۷۰ شاهد برنامه‌هایی بود که توانایی‌های زبانی محدودی را به نمایش می‌گذاشتند و تصور عمومی را به شدت تحت تأثیر قرار دادند.

ELIZA که جوزف وایزنبام در MIT ساخت، یکی از نخستین چت‌بات‌های تاریخ بود. این برنامه با استفاده از الگوهای ساده، نقش یک روان‌درمانگر را بازی می‌کرد و جمله‌های کاربر را به شکل پرسش به او برمی‌گرداند. ELIZA هیچ فهمی از گفت‌وگو نداشت، اما بسیاری از کاربران احساس می‌کردند با موجودی همدل صحبت می‌کنند. خود وایزنبام از این واکنش‌ها نگران شد و بعدها به یکی از منتقدان جدی اتکای بی‌حساب به رایانه‌ها تبدیل شد.

SHRDLU که تری وینوگراد طراحی کرد، می‌توانست در یک «دنیای بلوک‌ها» (محیطی شبیه‌سازی‌شده از مکعب‌ها و هرم‌ها) دستورهای زبانی را بفهمد و اجرا کند؛ مثلاً «هرم قرمز را روی مکعب آبی بگذار». این برنامه در دنیای کوچک خود بسیار هوشمند به نظر می‌رسید، اما به محض خروج از آن دنیای محدود، کارایی‌اش از بین می‌رفت.

این دو نمونه درسی دارند که امروز بیش از همیشه کاربرد دارد:

• اثر الیزا: انسان‌ها تمایل دارند به ماشینی که روان صحبت می‌کند، فهم و نیت نسبت دهند. امروز هم وقتی چت‌باتی با لحن مطمئن پاسخ می‌دهد، ناخودآگاه به آن اعتماد می‌کنیم.
• مسئلهٔ دنیای کوچک: موفقیت در محیط کنترل‌شده، به معنای موفقیت در محیط واقعی و پیچیده نیست.
• فاصلهٔ نمایش و کاربرد: نمایش‌های چشمگیر، معمولاً بهترین حالت ممکن را نشان می‌دهند، نه عملکرد معمول را.

در همین دوره، پیش‌بینی‌های بسیار جسورانه‌ای هم منتشر شد. برخی پیشگامان ادعا کردند که ترجمهٔ ماشینی کامل، فهم زبان طبیعی و حتی هوش عمومی در چند سال آینده محقق خواهد شد. این وعده‌ها انتظارات دولت‌ها و نهادهای تأمین مالی را بالا برد؛ و همین انتظارات بالا، زمینهٔ ناامیدی بعدی را فراهم کرد.

برای ما که امروز در دانشگاه کار می‌کنیم، شباهت این وضعیت با زمان حال قابل‌توجه است. امروز هم شنیدن جمله‌هایی مانند «به‌زودی هوش مصنوعی پایان‌نامه‌ها را می‌نویسد» یا «دیگر نیازی به یادگیری روش تحقیق نیست» رایج است. تاریخ به ما می‌گوید که با چنین ادعاهایی با احتیاط برخورد کنیم.

زمستان‌های هوش مصنوعی: چرا وعده‌ها شکست خوردند؟

«زمستان هوش مصنوعی» به دوره‌هایی گفته می‌شود که در آن، پس از ناکامی در تحقق وعده‌ها، بودجه‌ها قطع شد، علاقهٔ عمومی کاهش یافت و بسیاری از پژوهشگران به حوزه‌های دیگر رفتند. کتاب این دوره‌ها را به‌عنوان هشداری تاریخی بررسی می‌کند.

زمستان نخست (حدود میانهٔ دههٔ ۱۹۷۰): گزارش‌های انتقادی، از جمله گزارش مشهور جیمز لایت‌هیل در بریتانیا در سال ۱۹۷۳، نتیجه گرفتند که پژوهش‌های هوش مصنوعی به وعده‌های خود عمل نکرده‌اند. در آمریکا هم نهادهایی مانند DARPA حمایت مالی خود را از پروژه‌های بنیادی کاهش دادند. پیش از آن، نقد کتاب «پرسپترون‌ها» از مینسکی و پیپرت دربارهٔ محدودیت شبکه‌های عصبی ساده، به حاشیه رفتن این مسیر را تشدید کرده بود.

دورهٔ سیستم‌های خبره (دههٔ ۱۹۸۰): در دههٔ ۱۹۸۰، «سیستم‌های خبره» رونق گرفتند؛ برنامه‌هایی که دانش متخصصان یک حوزه (مثلاً پزشکی یا پیکربندی رایانه) را به شکل قواعد ذخیره می‌کردند. برخی از آن‌ها در صنعت موفق بودند و سرمایه‌گذاری دوباره افزایش یافت.

زمستان دوم (اواخر دههٔ ۱۹۸۰ و اوایل ۱۹۹۰): سیستم‌های خبره نگهداری دشواری داشتند، با موقعیت‌های پیش‌بینی‌نشده کنار نمی‌آمدند و به‌روزرسانی قواعدشان پرهزینه بود. بازار سخت‌افزارهای تخصصی آن‌ها فروریخت و دور دیگری از ناامیدی آغاز شد.

چرا این شکست‌ها رخ داد؟ کتاب و منابع تاریخی چند علت اصلی را برجسته می‌کنند:

1. کمبود قدرت محاسباتی: رایانه‌های آن زمان برای مدل‌های پیچیده بسیار کند و کم‌حافظه بودند.
2. کمبود داده: داده‌های دیجیتال گسترده‌ای که امروز در اختیار داریم، وجود نداشت.
3. محدودیت رویکرد قاعده‌محور: دانش انسانی، به‌ویژه دانش ضمنی و عرفی، به‌سادگی به قواعد صریح تبدیل نمی‌شود.
4. وعده‌های اغراق‌آمیز: فاصلهٔ میان ادعاها و دستاوردها، اعتماد سرمایه‌گذاران و سیاست‌گذاران را از بین برد.

نکتهٔ آموزنده این است که زمستان‌ها لزوماً به دلیل بی‌ارزش بودن ایده‌ها نبودند. بسیاری از ایده‌هایی که در آن دوره‌ها کنار گذاشته شدند، مانند شبکه‌های عصبی، بعدها پایهٔ انقلاب امروز شدند. مشکل اصلی، عدم تناسب وعده‌ها با ابزارها و منابع موجود بود.

رنسانس هوش مصنوعی: سه نیرویی که این فناوری را دوباره زنده کردند

اگر زمستان‌ها نتیجهٔ کمبود محاسبه، داده و الگوریتم مناسب بودند، رنسانس امروز دقیقاً از رفع همین سه کمبود آغاز شد. کتاب این سه عامل را ستون‌های بازگشت هوش مصنوعی می‌داند و نشان می‌دهد که هیچ‌کدام به‌تنهایی کافی نبودند؛ ترکیب آن‌ها بود که جهش را ممکن کرد.

انقلاب محاسباتی: پردازنده‌های گرافیکی و فراتر

پردازنده‌های گرافیکی (GPU) در اصل برای بازی‌های رایانه‌ای و گرافیک سه‌بعدی ساخته شده بودند. اما معلوم شد که معماری آن‌ها، یعنی انجام هم‌زمان هزاران محاسبهٔ ساده، دقیقاً همان چیزی است که آموزش شبکه‌های عصبی به آن نیاز دارد. وقتی ابزارهای برنامه‌نویسی مانند CUDA در اواخر دههٔ ۲۰۰۰ امکان استفادهٔ عمومی از GPU را فراهم کردند، سرعت آموزش مدل‌ها چندین برابر شد.

سال ۲۰۱۲ را معمولاً نقطهٔ عطف می‌دانند: شبکه‌ای به نام AlexNet با استفاده از GPU، در مسابقهٔ تشخیص تصویر ImageNet با فاصلهٔ چشمگیری از رقبا برنده شد. این پیروزی نشان داد که شبکه‌های عصبی عمیق، اگر قدرت محاسباتی کافی داشته باشند، می‌توانند از روش‌های سنتی بهتر عمل کنند.

پس از آن، سخت‌افزارهای تخصصی‌تری مانند TPU و تراشه‌های ویژهٔ هوش مصنوعی ساخته شدند و رایانش ابری امکان دسترسی به این قدرت را برای پژوهشگران بیشتری فراهم کرد. امروز یک دانشجو می‌تواند با سرویس‌هایی مانند Google Colab، مدلی را آموزش دهد که ده سال پیش به یک ابرکامپیوتر نیاز داشت.

اما این انقلاب یک روی دیگر هم دارد که کتاب به آن توجه می‌کند: تمرکز قدرت محاسباتی در دست تعداد اندکی از شرکت‌ها و کشورها. آموزش مدل‌های بزرگ امروزی به هزاران GPU و صدها میلیون دلار سرمایه نیاز دارد. این یعنی دانشگاه‌ها، به‌ویژه در کشورهای در حال توسعه، بیشتر «مصرف‌کنندهٔ» مدل‌ها هستند تا «سازندهٔ» آن‌ها.

برای پژوهشگر ایرانی، این موضوع ابعاد ملموسی دارد. تحریم‌ها، محدودیت دسترسی به سرویس‌های ابری و هزینهٔ ارزی، کار با ابزارهای پیشرفته را دشوارتر کرده است. یکی از راهکارها استفاده از مدل‌های باز (Open-weight) است که می‌توان آن‌ها را روی سخت‌افزار محلی اجرا کرد؛ هرچند این کار به دانش فنی بیشتری نیاز دارد. راهکار دیگر، همکاری با گروه‌های پژوهشی دارای زیرساخت مشترک در دانشگاه است.

انقلاب داده: از کمبود به وفور

عامل دوم، انفجار داده‌های دیجیتال بود. گسترش اینترنت، شبکه‌های اجتماعی، دیجیتالی شدن کتاب‌ها و مقالات، و حسگرهای همه‌جا حاضر، حجم عظیمی از متن، تصویر و صدا تولید کرد. یادگیری ماشین، برخلاف رویکرد قاعده‌محور، به جای قواعد نوشته‌شده به دست انسان، از نمونه‌ها یاد می‌گیرد؛ و هرچه نمونه بیشتر باشد، یادگیری بهتر است.

پروژهٔ ImageNet نمونه‌ای روشن از این تحول است: پایگاهی شامل میلیون‌ها تصویر برچسب‌گذاری‌شده که امکان آموزش و مقایسهٔ مدل‌های بینایی ماشین را فراهم کرد. در حوزهٔ زبان هم مجموعه‌های متنی عظیمی از وب، کتاب‌ها و دانشنامه‌ها، مادهٔ خام آموزش مدل‌های زبانی بزرگ شدند.

این وفور داده اما پرسش‌هایی جدی هم پیش کشیده است که برای پژوهش دانشگاهی مهم‌اند:

• کیفیت داده: بخش بزرگی از داده‌های وب، نادرست، تکراری یا سوگیرانه است و مدل‌ها این مشکلات را بازتولید می‌کنند.
• نمایندگی زبانی و فرهنگی: سهم زبان‌هایی مانند فارسی در داده‌های آموزشی بسیار کمتر از انگلیسی است؛ به همین دلیل کیفیت پاسخ‌ها به فارسی پایین‌تر است.
• حق مالکیت: استفاده از آثار دارای حق نشر برای آموزش مدل‌ها، موضوع دعاوی حقوقی متعددی شده است.
• کمبود دادهٔ باکیفیت در آینده: برخی پژوهشگران هشدار می‌دهند که دادهٔ متنی باکیفیت انسانی ممکن است رو به اتمام باشد.

این نکته برای مرور ادبیات اهمیت ویژه‌ای دارد. اگر فقط به خلاصه‌های یک مدل زبانی تکیه کنید، ممکن است تصویری کج‌وکوله از ادبیات حوزهٔ خود به دست آورید که پژوهش‌های غیرانگلیسی یا جدید را نادیده می‌گیرد.

جهش‌های الگوریتمی: از پس‌انتشار تا ترنسفورمر

عامل سوم، پیشرفت در الگوریتم‌ها بود. جالب است که بسیاری از این ایده‌ها سال‌ها پیش مطرح شده بودند، اما تنها وقتی محاسبه و داده کافی فراهم شد، به نتیجه رسیدند.

مهم‌ترین گام‌ها را می‌توان این‌گونه خلاصه کرد:

1. الگوریتم پس‌انتشار خطا (دههٔ ۱۹۸۰): روشی برای آموزش شبکه‌های عصبی چندلایه که با کار روملهارت، هینتون و ویلیامز در سال ۱۹۸۶ رواج یافت.
2. یادگیری عمیق (دههٔ ۲۰۰۰ و ۲۰۱۰): شبکه‌هایی با لایه‌های بسیار زیاد که با تکنیک‌هایی مانند Dropout (برای جلوگیری از بیش‌برازش) پایدارتر شدند.
3. شبکه‌های مولد تخاصمی (۲۰۱۴): ایده‌ای از ایان گودفلو و همکاران که در آن دو شبکه با هم رقابت می‌کنند تا تصاویر واقع‌نما تولید شود.
4. ترنسفورمر (۲۰۱۷): معماری معرفی‌شده در مقالهٔ Attention Is All You Need که با سازوکار «توجه»، پردازش موازی متن‌های طولانی را ممکن کرد.
5. مدل‌های پیش‌آموزش‌دیده (۲۰۱۸ به بعد): مدل‌هایی مانند BERT و خانوادهٔ GPT که ابتدا روی حجم عظیمی از متن آموزش می‌بینند و سپس برای کارهای مختلف تنظیم می‌شوند.
6. قوانین مقیاس: پژوهش‌هایی نشان دادند که با افزایش هم‌زمان اندازهٔ مدل، داده و محاسبه، عملکرد به شکل قابل‌پیش‌بینی بهتر می‌شود.

ترنسفورمر را می‌توان قلب رنسانس فعلی دانست. پیش از آن، مدل‌های زبانی متن را کلمه‌به‌کلمه و به ترتیب پردازش می‌کردند و در فهم رابطهٔ واژه‌های دور از هم مشکل داشتند. سازوکار توجه به مدل اجازه می‌دهد برای فهم هر واژه، به همهٔ واژه‌های دیگر متن «نگاه کند» و اهمیت هرکدام را بسنجد.

دوره	رویکرد غالب	نقطهٔ قوت	محدودیت اصلی
۱۹۵۰ تا ۱۹۷۰	نمادین و قاعده‌محور	استدلال منطقی شفاف	ناتوانی در برابر ابهام دنیای واقعی
دههٔ ۱۹۸۰	سیستم‌های خبره	کاربرد صنعتی در حوزه‌های محدود	نگهداری پرهزینه و شکنندگی
۱۹۹۰ تا ۲۰۱۰	یادگیری ماشین آماری	یادگیری از داده	نیاز به مهندسی دستی ویژگی‌ها
۲۰۱۲ تا ۲۰۱۷	یادگیری عمیق	جهش در تصویر و گفتار	نیاز به دادهٔ برچسب‌دار فراوان
۲۰۱۷ تا امروز	ترنسفورمر و مدل‌های مولد	تولید زبان و تصویر در سطح بالا	توهم، هزینه و مسائل اخلاقی

یک نکتهٔ تاریخی دیگر هم ارزش یادآوری دارد: بسیاری از پژوهشگرانی که در دوران زمستان به کار روی شبکه‌های عصبی ادامه دادند، سال‌ها با بی‌توجهی و کمبود بودجه روبه‌رو بودند. پافشاری آن‌ها بر ایده‌ای که در آن زمان «از مد افتاده» تلقی می‌شد، بعدها پایهٔ انقلاب امروز شد. این تجربه به دانشجویان دکتری یادآوری می‌کند که ارزش یک مسیر پژوهشی را نمی‌توان فقط با میزان محبوبیت لحظه‌ای آن سنجید. گاهی پرسش‌هایی که امروز کم‌طرفدارند، فردا به مرکز توجه تبدیل می‌شوند؛ به شرط آنکه با روش دقیق و شواهد محکم دنبال شوند.

برای پژوهشگر غیرفنی، لازم نیست جزئیات ریاضی این الگوریتم‌ها را بداند. اما فهم این نکته ضروری است که مدل‌های امروزی، با وجود همهٔ توانایی‌هایشان، همچنان ماشین‌های یادگیری الگو از داده هستند. آن‌ها از داده‌هایی یاد گرفته‌اند که انسان‌ها تولید کرده‌اند؛ با همهٔ دانش، خطا و سوگیری موجود در آن.

عصر هوش مصنوعی مولد و درس‌های تاریخ برای دانشگاه

با انتشار عمومی ChatGPT در نوامبر ۲۰۲۲، هوش مصنوعی مولد از آزمایشگاه‌ها به زندگی روزمرهٔ میلیون‌ها نفر وارد شد. کتاب این لحظه را یک «تغییر پارادایم» می‌داند؛ نه صرفاً یک پیشرفت فنی دیگر. در این بخش، هم این تغییر را بررسی می‌کنیم و هم چالش‌هایی را که ممکن است آیندهٔ آن را تهدید کند.

ظهور هوش مصنوعی مولد: یک تغییر پارادایم

چه چیزی هوش مصنوعی مولد را از نسل‌های پیشین متمایز می‌کند؟ پاسخ در یک کلمه است: «تولید». سیستم‌های قبلی بیشتر «تشخیص» می‌دادند یا «طبقه‌بندی» می‌کردند: این تصویر گربه است یا سگ؟ این ایمیل هرزنامه است یا نه؟ اما مدل‌های مولد محتوای تازه می‌سازند: متن، تصویر، کد، موسیقی و حتی ویدئو.

این تحول برای دانشگاه پیامدهای عمیقی دارد، زیرا محصول اصلی دانشگاه همان چیزی است که این مدل‌ها تولید می‌کنند: متن. مقاله، پایان‌نامه، طرح درس، گزارش، نقد و داوری، همگی شکل‌هایی از تولید متن هستند. وقتی ماشینی می‌تواند متنی تولید کند که از نظر ظاهری شبیه کار یک پژوهشگر است، پرسش‌های تازه‌ای دربارهٔ اصالت، ارزیابی و یادگیری مطرح می‌شود.

سه ویژگی این پارادایم تازه را می‌توان برشمرد:

• عمومی بودن: یک مدل واحد می‌تواند کارهای بسیار متنوعی انجام دهد؛ از ترجمه تا برنامه‌نویسی.
• رابط زبان طبیعی: کاربر برای کار با ابزار نیازی به برنامه‌نویسی ندارد؛ کافی است به زبان عادی بنویسد.
• سرعت گسترش: هیچ فناوری دیگری با این سرعت به میلیون‌ها کاربر نرسیده است.

همین ویژگی‌ها باعث شده دانشگاه‌ها در سراسر دنیا، از جمله در ایران، در وضعیت «واکنش» قرار گیرند: آیین‌نامه‌ها هنوز در حال نوشته شدن هستند، استادان دیدگاه‌های متفاوتی دارند و دانشجویان اغلب بدون راهنمایی روشن از ابزارها استفاده می‌کنند. برای اینکه بدانید این ابزارها امروز دقیقاً چه کاری در پژوهش انجام می‌دهند، مقالهٔ طراحی پژوهش با هوش مصنوعی و راهنمای بهترین هوش مصنوعی برای پژوهش را ببینید.

یکی از نمونه‌های جالب این تغییر، ابزارهایی هستند که بر پایهٔ اسناد خود کاربر کار می‌کنند. به جای اینکه مدل از حافظهٔ عمومی‌اش پاسخ دهد، روی مقاله‌ها و یادداشت‌هایی که شما بارگذاری کرده‌اید تمرکز می‌کند. راهنمای ما دربارهٔ NotebookLM برای پژوهش نمونه‌ای از این رویکرد را معرفی می‌کند که احتمال ساختن اطلاعات را کاهش می‌دهد.

چالش‌های امروز: هزینهٔ زیست‌محیطی، زیرساخت، داده و عدالت

کتاب در کنار تحسین دستاوردها، نگاهی انتقادی هم به چالش‌های رنسانس فعلی دارد. این چالش‌ها اگر جدی گرفته نشوند، ممکن است به نوع تازه‌ای از «زمستان» یا دست‌کم به نابرابری گسترده منجر شوند.

۱. هزینهٔ زیست‌محیطی: آموزش و اجرای مدل‌های بزرگ انرژی زیادی مصرف می‌کند. پژوهش مشهور استروبل و همکاران (۲۰۱۹) نخستین بار توجه گسترده‌ای را به ردپای کربنی آموزش مدل‌های زبانی جلب کرد. از آن زمان، با بزرگ‌تر شدن مدل‌ها و افزایش کاربران، مصرف انرژی و آب مراکز داده به یکی از بحث‌های جدی تبدیل شده است.

۲. محدودیت‌های زیرساختی: همان‌طور که گفتیم، قدرت محاسباتی در دست تعداد اندکی از بازیگران متمرکز است. این وضعیت، استقلال پژوهشی دانشگاه‌ها را محدود می‌کند و آن‌ها را به سیاست‌های قیمت‌گذاری و دسترسی شرکت‌های بزرگ وابسته می‌سازد.

۳. کمبود داده: با مصرف بخش بزرگی از متن‌های باکیفیت موجود در وب، تأمین دادهٔ تازه برای آموزش مدل‌های بعدی دشوار می‌شود. استفاده از متن‌های تولیدشده توسط خود مدل‌ها برای آموزش هم ممکن است کیفیت را به تدریج کاهش دهد.

۴. عدالت و دسترسی: پژوهشگرانی که به ابزارهای پولی، اینترنت پرسرعت یا زبان انگلیسی دسترسی کمتری دارند، از این موج عقب می‌مانند. این شکاف دیجیتال می‌تواند نابرابری‌های علمی میان کشورها و دانشگاه‌ها را عمیق‌تر کند.

برای پژوهشگر ایرانی، چالش چهارم ملموس‌تر از بقیه است. اما نکتهٔ امیدوارکننده این است که بسیاری از کاربردهای ارزشمند، مانند ویرایش زبانی، طوفان فکری یا توضیح مفاهیم، با نسخه‌های رایگان یا ارزان ابزارها هم ممکن است. مهارت استفادهٔ درست، اغلب از دسترسی به گران‌ترین ابزار مهم‌تر است.

درس‌هایی برای پژوهشگر ایرانی: پرهیز از اغراق و تکیه بر شواهد

نتیجه‌گیری کتاب از این سیر تاریخی روشن است: برای اینکه رنسانس امروز به زمستان دیگری ختم نشود، باید میان نوآوری و مسئولیت توازن برقرار کرد. این توازن را می‌توان به چند درس عملی برای کار روزانهٔ پژوهشی تبدیل کرد:

1. ادعاها را بسنجید: وقتی می‌شنوید ابزاری «همه‌چیز را حل می‌کند»، آن را در یک مسئلهٔ واقعی از حوزهٔ خودتان آزمایش کنید.
2. فاصلهٔ نمایش و واقعیت را بشناسید: عملکرد ابزار در نمونه‌های تبلیغاتی، معمولاً بهترین حالت آن است.
3. از اثر الیزا آگاه باشید: روانی و اطمینان لحن، جای شواهد را نمی‌گیرد.
4. به محدودیت‌های داده توجه کنید: دربارهٔ منابع فارسی، موضوعات بومی و پژوهش‌های جدید، احتمال خطا بیشتر است.
5. هزینه‌ها را در نظر بگیرید: از استفادهٔ بی‌هدف و تکراری بپرهیزید؛ هم برای صرفه‌جویی در وقت و هزینه، هم برای محیط زیست.
6. مسئولیت را حفظ کنید: ابزار هر قدر پیشرفته باشد، مسئولیت علمی و اخلاقی با انسان است.

یک تمرین مفید برای دانشجویان این است که یک «پیش‌بینی» را از دهه‌های گذشته پیدا کنند و آن را با واقعیت مقایسه کنند. مثلاً می‌توانید از یک چت‌بات بخواهید چند پیش‌بینی مشهور دربارهٔ هوش مصنوعی را فهرست کند، سپس هرکدام را در منابع تاریخی معتبر بررسی کنید. این تمرین هم مهارت راستی‌آزمایی را تقویت می‌کند و هم دید انتقادی شما را نسبت به ادعاهای امروز تیزتر می‌کند.

پرامپت نمونه برای تحلیل انتقادی یک ادعا:

«این ادعا را دربارهٔ ابزارهای هوش مصنوعی در نظر بگیر: “[ادعا]”. از دیدگاه یک مورخ علم که با چرخه‌های هیجان و زمستان‌های هوش مصنوعی آشناست، سه دلیل برای تردید و سه دلیل برای پذیرش آن بیاور. برای هر دلیل بگو چه نوع شاهدی لازم است تا آن را تأیید یا رد کنیم. منبع نساز.»

اگر می‌خواهید بدانید این تاریخ در آینده به کدام سمت می‌رود، مقالهٔ آینده هوش مصنوعی در پژوهش روندهای نوظهور را بررسی می‌کند. و برای فهم چارچوب‌های اخلاقی که باید این آینده را هدایت کنند، اخلاق هوش مصنوعی در پژوهش را بخوانید.

سؤالات متداول

زمستان هوش مصنوعی دقیقاً چیست؟

به دوره‌هایی گفته می‌شود که پس از ناکامی در تحقق وعده‌های بزرگ، حمایت مالی و علاقهٔ عمومی به هوش مصنوعی به شدت کاهش یافت. معمولاً از دو زمستان اصلی یاد می‌شود: یکی در میانهٔ دههٔ ۱۹۷۰ و دیگری در اواخر دههٔ ۱۹۸۰ و اوایل ۱۹۹۰.

چرا هوش مصنوعی پس از دهه‌ها ناگهان پیشرفت کرد؟

پیشرفت ناگهانی نبود؛ ترکیب سه عامل آن را ممکن کرد: قدرت محاسباتی بسیار بیشتر (به‌ویژه GPU)، وفور داده‌های دیجیتال و الگوریتم‌های بهتر مانند یادگیری عمیق و ترنسفورمر. بسیاری از ایده‌ها قدیمی بودند، اما تا پیش از فراهم شدن این شرایط قابل‌اجرا نبودند.

آیا ممکن است زمستان دیگری در راه باشد؟

پیش‌بینی قطعی ممکن نیست. کتاب هشدار می‌دهد که اغراق‌گویی، هزینه‌های زیست‌محیطی، تمرکز زیرساخت و کمبود دادهٔ باکیفیت می‌توانند رشد را کند کنند. اما برخلاف گذشته، امروز کاربردهای واقعی و گسترده‌ای وجود دارد که احتمال یک فروپاشی کامل را کمتر می‌کند.

دانستن تاریخ هوش مصنوعی چه فایده‌ای برای پایان‌نامهٔ من دارد؟

اگر پژوهش شما به هوش مصنوعی مربوط است، این تاریخ بخشی از پیشینه و چارچوب مفهومی شماست. حتی اگر نیست، شناخت چرخه‌های هیجان و ناامیدی کمک می‌کند ابزارها را واقع‌بینانه ارزیابی کنید و از اتکای بی‌جا به آن‌ها بپرهیزید.

ترنسفورمر چه تفاوتی با مدل‌های قبلی دارد؟

ترنسفورمر با سازوکار «توجه» می‌تواند رابطهٔ همهٔ بخش‌های یک متن را هم‌زمان در نظر بگیرد و پردازش را به صورت موازی انجام دهد. همین ویژگی آموزش مدل‌های بسیار بزرگ روی داده‌های عظیم را ممکن کرد و پایهٔ مدل‌هایی مانند GPT، Claude و Gemini شد.

جمع‌بندی

تاریخچه هوش مصنوعی نشان می‌دهد که این فناوری بارها تا اوج هیجان بالا رفته و سپس به دلیل وعده‌های تحقق‌نیافته سقوط کرده است. رنسانس امروز حاصل ترکیب قدرت محاسباتی، داده و الگوریتم‌های بهتر است و هوش مصنوعی مولد، به‌ویژه برای دانشگاه، تغییری بنیادین به همراه آورده است. اما همان‌طور که فصل دوم کتاب Using AI in Academic Writing and Research تأکید می‌کند، تکرار اغراق‌گویی گذشته و نادیده گرفتن چالش‌های امروز، می‌تواند این رنسانس را هم به خطر بیندازد.

درس اصلی برای ما روشن است: با ابزارها واقع‌بینانه، انتقادی و مسئولانه کار کنیم. نه آن‌ها را معجزه بدانیم و نه تهدیدی که باید از آن فرار کرد. اگر می‌خواهید این نگاه متوازن را در عمل به کار بگیرید، مقالهٔ آموزش هوش مصنوعی برای دانشجویان مهارت‌های پایه را آموزش می‌دهد و در قسمت پایانی مجموعه، دربارهٔ همکاری انسان و هوش مصنوعی سخن خواهیم گفت. برای راهنمایی تخصصی در پژوهش‌های مرتبط با هوش مصنوعی، صفحه‌های هوش مصنوعی در پژوهش و مشاوره پژوهشی ریسرچ اینتل در دسترس شما هستند. پرامپت‌های آماده برای تحلیل انتقادی را هم در بانک پرامپت‌های پژوهشی بیابید و برای مرور اصول اخلاقی، صفحهٔ صداقت علمی را ببینید. اگر هم قصد دارید دربارهٔ این تاریخ مقاله بنویسید، راهنمای مقاله‌نویسی علمی با هوش مصنوعی نقطهٔ شروع خوبی است.

برای آموزش‌ها و مشاوره‌های بیشتر پژوهشی به هوش پژوهشی سر بزنید.

منابع

• Haber, E., Jemielniak, D., Kurasiński, A., & Przegalińska, A. (2025). *Using AI in Academic Writing and Research: A Complete Guide to Effective and Ethical Academic AI*. Springer Nature. فصل ۲: The Evolution of Artificial Intelligence: From Winter to Renaissance. https://doi.org/10.1007/978-3-031-91705-9
• Vaswani, A., et al. (2017). Attention Is All You Need. arXiv.
• Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. arXiv.
• Stanford HAI. AI Index Report.
• ImageNet.