دیکشنری کامل هوش مصنوعی فارسی (فرهنگ لغت اصطلاحات AI) – رسا نشر

در عصر حاضر، هوش مصنوعی (Artificial Intelligence) به یکی از مهم‌ترین و تأثیرگذارترین فناوری‌های قرن بیست و یکم تبدیل شده است. از دستیارهای صوتی گرفته تا خودروهای خودران، از تشخیص بیماری‌ها تا تولید محتوای خلاقانه، AI در همه جنبه‌های زندگی ما نفوذ کرده است. اما برای درک عمیق این فناوری و بهره‌برداری از آن، نیازمند آشنایی با اصطلاحات تخصصی این حوزه هستیم.

پایگاه خبری رسا نشر – این مقاله به عنوان یک دیکشنری جامع و کاربردی، بیش از ۲۰۰ اصطلاح کلیدی هوش مصنوعی را به زبان ساده و روان توضیح می‌دهد. هدف ما این است که چه مبتدی باشید و چه متخصص، بتوانید با اعتماد بیشتری وارد دنیای شگفت‌انگیز AI شوید.

چرا یادگیری اصطلاحات هوش مصنوعی مهم است؟

ارتباط مؤثرتر: درک صحیح اصطلاحات به شما کمک می‌کند با متخصصان این حوزه بهتر ارتباط برقرار کنید
تصمیم‌گیری آگاهانه: هنگام انتخاب ابزارها یا راهکارهای AI، دانش کافی دارید
آینده‌نگری: بسیاری از مشاغل آینده به دانش AI وابسته خواهند بود
جلوگیری از سردرگمی: بازار پر از تبلیغات اغراق‌آمیز است؛ دانش واقعی شما را از فریب نجات می‌دهد

الفبای هوش مصنوعی: اصطلاحات پایه

۱. هوش مصنوعی (Artificial Intelligence – AI)

شاخه‌ای از علوم کامپیوتر که به ساخت سیستم‌هایی می‌پردازد که قادر به انجام وظایفی هستند که معمولاً به هوش انسانی نیاز دارند. این وظایف شامل یادگیری، استدلال، ادراک و تصمیم‌گیری است.

۲. یادگیری ماشین (Machine Learning – ML)

زیرمجموعه‌ای از AI که به سیستم‌ها امکان می‌دهد بدون برنامه‌نویسی صریح، از داده‌ها یاد بگیرند و بهبود یابند. الگوریتم‌های ML الگوها را در داده‌ها شناسایی کرده و پیش‌بینی‌ها یا تصمیم‌گیری‌ها را انجام می‌دهند.

۳. یادگیری عمیق (Deep Learning – DL)

نوعی پیشرفته از یادگیری ماشین که از شبکه‌های عصبی مصنوعی با لایه‌های متعدد استفاده می‌کند. Deep Learning در پردازش تصاویر، صدا و متن بسیار موفق بوده است.

۴. شبکه عصبی (Neural Network)

مدلی محاسباتی الهام‌گرفته از ساختار مغز انسان که از نورون‌های مصنوعی متصل به هم تشکیل شده است. این شبکه‌ها قادر به یادگیری الگوهای پیچیده از داده‌ها هستند.

۵. داده آموزشی (Training Data)

مجموعه‌ای از داده‌هایی که برای آموزش مدل‌های یادگیری ماشین استفاده می‌شود. کیفیت و کمیت داده‌های آموزشی مستقیماً بر عملکرد مدل تأثیر می‌گذارد.

۶. بیش‌برازش (Overfitting)

وقتی یک مدل ML بیش از حد به داده‌های آموزشی وابسته شود و نتواند به خوبی روی داده‌های جدید عمل کند. مانند دانشجویی که فقط سوالات نمونه را حفظ کرده اما مفهوم را نفهمیده است.

۷. کم‌برازش (Underfitting)

وضعیتی که مدل به اندازه کافی از داده‌ها یاد نگرفته و نه روی داده‌های آموزشی و نه روی داده‌های جدید عملکرد خوبی دارد.

۸. ویژگی (Feature)

متغیر یا خاصیتی از داده که برای آموزش مدل استفاده می‌شود. مثلاً در تشخیص ایمیل اسپم، ویژگی‌ها می‌توانند شامل کلمات کلیدی، فرستنده و زمان ارسال باشند.

۹. برچسب (Label)

پاسخ یا خروجی مورد انتظار برای هر نمونه داده در یادگیری نظارت‌شده. مثلاً در تشخیص تصویر گربه، برچسب “گربه” یا “نه گربه” است.

۱۰. الگوریتم (Algorithm)

مجموعه‌ای از دستورالعمل‌های ریاضی و منطقی که مدل برای یادگیری و پیش‌بینی از آن‌ها استفاده می‌کند.

انواع یادگیری ماشین

نوع یادگیری	توضیح	مثال کاربردی
یادگیری نظارت‌شده (Supervised Learning)	مدل با داده‌های برچسب‌دار آموزش می‌بیند	تشخیص اسپم، پیش‌بینی قیمت خانه
یادگیری بدون نظارت (Unsupervised Learning)	مدل الگوها را در داده‌های بدون برچسب کشف می‌کند	دسته‌بندی مشتریان، تشخیص ناهنجاری
یادگیری تقویتی (Reinforcement Learning)	عامل از طریق پاداش و تنبیه یاد می‌گیرد	بازی‌های کامپیوتری، رباتیک
یادگیری نیمه‌نظارتی (Semi-supervised Learning)	ترکیبی از داده‌های برچسب‌دار و بدون برچسب	تشخیص بیماری با داده‌های محدود
یادگیری انتقالی (Transfer Learning)	استفاده از دانش مدل آموزش‌دیده برای وظیفه جدید	تنظیم مدل تشخیص تصویر برای کاربرد خاص

اصطلاحات مرتبط با مدل‌های زبانی بزرگ (LLMs)

۱۱. مدل زبانی بزرگ (Large Language Model – LLM)

مدل‌های AI که روی حجم عظیمی از متون آموزش دیده‌اند و قادر به تولید، درک و ترجمه متن هستند. مثال: GPT، BERT، Qwen.

۱۲. توکن (Token)

واحد کوچک‌تری از متن که مدل‌های زبانی پردازش می‌کنند. یک توکن می‌تواند یک کلمه، بخشی از کلمه یا حتی یک کاراکتر باشد. به طور متوسط هر ۴ کاراکتر انگلیسی معادل یک توکن است.

۱۳. پنجره زمینه (Context Window)

حداکثر تعداد توکن‌هایی که مدل می‌تواند در یک بار پردازش کند. پنجره زمینه بزرگ‌تر به مدل اجازه می‌دهد متن‌های طولانی‌تری را درک کند.

۱۴. دمای مدل (Temperature)

پارامتری که میزان تصادفی بودن خروجی مدل را کنترل می‌کند. دمای پایین‌تر خروجی‌های قابل پیش‌بینی‌تر و دمای بالاتر خروجی‌های خلاقانه‌تر تولید می‌کند.

۱۵. مهندسی پرامپت (Prompt Engineering)

هنر و علم طراحی ورودی‌های بهینه برای دریافت بهترین پاسخ از مدل‌های زبانی. شامل تکنیک‌هایی مانند Few-shot Learning و Chain-of-Thought است.

۱۶. توهم (Hallucination)

وقتی مدل اطلاعات نادرست یا ساختگی تولید می‌کند که واقعیت ندارد. این یکی از چالش‌های اصلی LLMهاست.

۱۷. RAG (Retrieval-Augmented Generation)

تکنیکی که مدل را با دسترسی به منابع خارجی ترکیب می‌کند تا پاسخ‌های دقیق‌تر و به‌روزتری ارائه دهد.

۱۸. Fine-tuning (تنظیم دقیق)

فرآیند آموزش مجدد یک مدل از پیش آموزش‌دیده روی داده‌های خاص برای بهبود عملکرد در وظیفه‌ای مشخص.

۱۹. Zero-shot Learning

قابلیت مدل برای انجام وظیفه‌ای بدون دیدن مثال قبلی، فقط با توضیح دستورالعمل.

۲۰. Few-shot Learning

ارائه چند مثال به مدل قبل از درخواست اصلی برای بهبود کیفیت پاسخ.

پردازش زبان طبیعی (NLP)

۲۱. پردازش زبان طبیعی (Natural Language Processing – NLP)

شاخه‌ای از AI که به تعامل بین کامپیوترها و زبان انسانی می‌پردازد. شامل درک، تفسیر و تولید زبان انسان است.

۲۲. تحلیل احساسات (Sentiment Analysis)

تشخیص احساسات مثبت، منفی یا خنثی در متن. کاربرد در بررسی نظرات مشتریان و رسانه‌های اجتماعی.

۲۳. نام‌گذاری موجودیت‌ها (Named Entity Recognition – NER)

شناسایی و دسته‌بندی عناصر خاص در متن مانند نام افراد، سازمان‌ها، مکان‌ها و تاریخ‌ها.

۲۴. خلاصه‌سازی متن (Text Summarization)

ایجاد نسخه کوتاه‌شده‌ای از متن طولانی با حفظ نکات کلیدی. دو نوع استخراجی و انتزاعی دارد.

۲۵. ترجمه ماشینی (Machine Translation)

ترجمه خودکار متن از یک زبان به زبان دیگر با استفاده از الگوریتم‌های AI.

۲۶. پاسخ به سوال (Question Answering)

سیستم‌هایی که قادر به درک سوال و ارائه پاسخ دقیق از منبع داده‌ای هستند.

۲۷. تولید متن (Text Generation)

ایجاد متن جدید و منسجم توسط مدل‌های زبانی. کاربرد در نوشتن مقالات، داستان‌ها و کد.

۲۸. تجزیه دستوری (Parsing)

تحلیل ساختار گرامری جملات برای درک روابط بین کلمات.

۲۹. لِماتیزاسیون (Lemmatization)

کاهش کلمات به شکل پایه یا ریشه آن‌ها. مثلاً “running” به “run”.

۳۰. توکن‌سازی (Tokenization)

فرآیند شکستن متن به واحدهای کوچک‌تر (توکن‌ها) برای پردازش.

بینایی کامپیوتری (Computer Vision)

۳۱. بینایی کامپیوتری (Computer Vision)

شاخه‌ای از AI که به کامپیوترها امکان می‌دهد تصاویر و ویدیوها را درک و تفسیر کنند.

۳۲. تشخیص شیء (Object Detection)

شناسایی و مکان‌یابی اشیاء در تصاویر. مثلاً تشخیص خودرو، عابر پیاده و علائم راهنمایی.

۳۳. بخش‌بندی تصویر (Image Segmentation)

تقسیم تصویر به مناطق معنادار برای تحلیل دقیق‌تر. دو نوع Semantic و Instance دارد.

۳۴. تشخیص چهره (Face Recognition)

شناسایی هویت افراد از طریق ویژگی‌های صورت.

۳۵. OCR (Optical Character Recognition)

تبدیل متن در تصاویر به متن قابل ویرایش و جستجو.

۳۶. تولید تصویر (Image Generation)

ایجاد تصاویر جدید از متن یا سایر ورودی‌ها با استفاده از مدل‌هایی مانند DALL-E، Midjourney و Stable Diffusion.

۳۷. افزایش داده (Data Augmentation)

ایجاد نسخه‌های تغییر یافته از تصاویر آموزشی (چرخش، برش، تغییر رنگ) برای بهبود عملکرد مدل.

۳۸. شبکه عصبی کانولوشنی (CNN – Convolutional Neural Network)

نوعی شبکه عصبی تخصصی برای پردازش تصاویر که از فیلترهای کانولوشنی استفاده می‌کند.

۳۹. تشخیص حرکت (Motion Detection)

شناسایی تغییرات و حرکات در ویدیوها.

۴۰. واقعیت افزوده (Augmented Reality – AR)

ترکیب عناصر دیجیتال با دنیای واقعی از طریق دوربین و پردازش تصویر.

اخلاق و ایمنی در هوش مصنوعی

۴۱. سوگیری الگوریتمی (Algorithmic Bias)

وقتی مدل‌های AI به دلیل داده‌های آموزشی نادرست یا ناقص، تصمیمات ناعادلانه یا تبعیض‌آمیز می‌گیرند.

۴۲. شفافیت (Transparency)

قابلیت درک نحوه تصمیم‌گیری مدل‌های AI. مدل‌های Black Box کمتر شفاف هستند.

۴۳. قابلیت توضیح‌پذیری (Explainability)

توانایی مدل در ارائه دلایل قابل فهم برای تصمیمات خود.

۴۴. حریم خصوصی (Privacy)

محافظت از داده‌های شخصی کاربران در سیستم‌های AI.

۴۵. امنیت AI (AI Security)

محافظت از مدل‌ها در برابر حملاتی مانند Adversarial Attacks که سعی در فریب مدل دارند.

۴۶. مسئولیت‌پذیری (Accountability)

تعیین اینکه چه کسی مسئول تصمیمات اشتباه یا آسیب‌زاى سیستم‌های AI است.

۴۷. عدالت (Fairness)

اطمینان از اینکه سیستم‌های AI با همه کاربران به صورت عادلانه رفتار می‌کنند.

۴۸. ردپای کربن AI (AI Carbon Footprint)

میزان انرژی مصرفی و انتشار گازهای گلخانه‌ای توسط مدل‌های AI بزرگ.

۴۹. Deepfake

تصاویر یا ویدیوهای ساختگی با کیفیت بالا که با استفاده از AI ایجاد شده‌اند و می‌توانند برای اهداف مخرب استفاده شوند.

۵۰. قوانین GDPR و AI

مقررات حفاظت از داده‌ها که بر توسعه و استفاده از AI تأثیر می‌گذارند.

اصطلاحات فنی پیشرفته

اصطلاح	مخفف	توضیح
GPU	Graphics Processing Unit	پردازنده گرافیکی که برای آموزش مدل‌های Deep Learning ضروری است
TPU	Tensor Processing Unit	سخت‌افزار تخصصی گوگل برای محاسبات تنسوری
API	Application Programming Interface	رابطی که اجازه می‌دهد برنامه‌ها با مدل‌های AI ارتباط برقرار کنند
SDK	Software Development Kit	مجموعه ابزارها برای توسعه برنامه‌های AI
MLOps	Machine Learning Operations	روش‌ها و ابزارهایی برای استقرار و مدیریت مدل‌های ML در محیط تولید
DevOps	Development + Operations	فرهنگ و مجموعه‌ای از روش‌ها برای بهبود همکاری بین تیم‌های توسعه و عملیات
CI/CD	Continuous Integration/Continuous Deployment	فرآیند اتوماتیک تست و استقرار کد
Docker	–	پلتفرمی برای کانتینرسازی برنامه‌ها که استقرار مدل‌های AI را آسان می‌کند
Kubernetes	K8s	سیستم مدیریت کانتینرها برای مقیاس‌پذیری برنامه‌ها
Cloud Computing	–	ارائه خدمات محاسباتی از طریق اینترنت که دسترسی به منابع AI را آسان می‌کند

مدل‌ها و معماری‌های معروف

۵۱. Transformer

معماری انقلابی در NLP که از مکانیزم Attention استفاده می‌کند. پایه اکثر مدل‌های زبانی مدرن است.

۵۲. Attention Mechanism

روشی که به مدل اجازه می‌دهد روی بخش‌های خاصی از ورودی تمرکز کند. مانند خواندن هوشمند که روی کلمات کلیدی تمرکز می‌کند.

۵۳. GPT (Generative Pre-trained Transformer)

سری مدل‌های زبانی شرکت OpenAI که قادر به تولید متن طبیعی هستند.

۵۴. BERT (Bidirectional Encoder Representations from Transformers)

مدل گوگل که متن را از دو جهت می‌خواند و برای درک زمینه عالی است.

۵۵. Qwen

مدل زبانی بزرگ توسعه‌یافته توسط Alibaba Cloud که از چندین زبان از جمله فارسی پشتیبانی می‌کند.

۵۶. Llama

مدل زبانی متن‌باز متا (Facebook) که جامعه توسعه‌دهندگان را متحول کرد.

۵۷. Stable Diffusion

مدل متن‌باز تولید تصویر که انقلابی در هنر دیجیتال ایجاد کرد.

۵۸. DALL-E

مدل تولید تصویر OpenAI که از متن توصیفی تصویر ایجاد می‌کند.

۵۹. Midjourney

سرویس تولید تصویر مبتنی بر Discord که کیفیت هنری بالایی دارد.

۶۰. Whisper

مدل تشخیص گفتار OpenAI که دقت بالایی در تبدیل صدا به متن دارد.

کاربردهای صنعتی هوش مصنوعی

۶۱. Chatbot

برنامه‌ای که با کاربران از طریق متن یا صدا گفتگو می‌کند. از پشتیبانی مشتری تا دستیار شخصی.

۶۲. سیستم توصیه‌گر (Recommendation System)

الگوریتم‌هایی که محصولات، فیلم‌ها یا محتوا را بر اساس علایق کاربر پیشنهاد می‌دهند. مثل نتفلیکس و آمازون.

۶۳. خودروی خودران (Autonomous Vehicle)

خودروهایی که با استفاده از سنسورها و AI می‌توانند بدون راننده حرکت کنند.

۶۴. تشخیص تقلب (Fraud Detection)

استفاده از AI برای شناسایی تراکنش‌های مشکوک در بانک‌ها و کارت‌های اعتباری.

۶۵. پزشکی هوشمند (AI in Healthcare)

تشخیص بیماری‌ها از تصاویر پزشکی، کشف داروهای جدید و شخصی‌سازی درمان.

۶۶. کشاورزی هوشمند (Smart Agriculture)

استفاده از AI برای بهینه‌سازی آبیاری، تشخیص بیماری گیاهان و پیش‌بینی محصول.

۶۷. تجارت الکترونیک (E-commerce AI)

بهینه‌سازی قیمت‌گذاری، مدیریت موجودی و تجربه خرید شخصی‌سازی‌شده.

۶۸. بازاریابی هوشمند (Marketing AI)

تحلیل رفتار مشتریان، بهینه‌سازی کمپین‌ها و تولید محتوای شخصی‌سازی‌شده.

۶۹. منابع انسانی (HR AI)

غربالگری رزومه‌ها، پیش‌بینی ترک خدمت و بهبود فرآیند استخدام.

۷۰. آموزش هوشمند (EdTech AI)

سیستم‌های یادگیری تطبیقی، تصحیح خودکار و مسیرهای آموزشی شخصی‌سازی‌شده.

ابزارها و فریم‌ورک‌های محبوب

ابزار/فریم‌ورک	توسعه‌دهنده	کاربرد اصلی
TensorFlow	گوگل	ساخت و آموزش مدل‌های Deep Learning
PyTorch	متا (Facebook)	تحقیقات و توسعه مدل‌های انعطاف‌پذیر
Keras	François Chollet	API سطح بالا برای TensorFlow
Scikit-learn	جامعه اپن‌سورس	الگوریتم‌های کلاسیک ML
Hugging Face	Hugging Face Inc.	کتابخانه مدل‌های آماده NLP
LangChain	Harrison Chase	ساخت برنامه‌های کاربردی با LLMها
OpenAI API	OpenAI	دسترسی به مدل‌های GPT و DALL-E
Stable Diffusion WebUI	AUTOMATIC1111	رابط کاربری برای Stable Diffusion
Weights & Biases	W&B	ردیابی آزمایش‌ها و مدل‌ها
MLflow	Databricks	مدیریت چرخه عمر مدل‌های ML

مفاهیم آماری و ریاضی در AI

۷۱. گرادیان نزولی (Gradient Descent)

الگوریتم بهینه‌سازی که پارامترهای مدل را برای کاهش خطا تنظیم می‌کند. مانند پیدا کردن پایین‌ترین نقطه در یک دره.

۷۲. نرخ یادگیری (Learning Rate)

پارامتری که تعیین می‌کند مدل در هر مرحله چقدر تغییر کند. نرخ خیلی بالا باعث ناپایداری و نرخ خیلی پایین باعث کندی یادگیری می‌شود.

۷۳. تابع هزینه (Loss Function)

تابعی که میزان خطای مدل را اندازه‌گیری می‌کند. هدف آموزش کاهش این مقدار است.

۷۴. دقت (Accuracy)

درصد پیش‌بینی‌های صحیح مدل. معیار ساده اما همیشه مناسب نیست.

۷۵. Precision (دقت مثبت)

نسبت موارد مثبت واقعی به کل مواردی که مدل به عنوان مثبت پیش‌بینی کرده است.

۷۶. Recall (بازیابی)

نسبت موارد مثبت واقعی که مدل توانسته شناسایی کند به کل موارد مثبت واقعی.

۷۷. F1 Score

میانگین هماهنگ Precision و Recall. معیار متعادلی برای ارزیابی مدل.

۷۸. ماتریس درهم‌ریختگی (Confusion Matrix)

جدولی که عملکرد مدل را در طبقه‌بندی نشان می‌دهد و شامل True Positive، False Positive، True Negative و False Negative است.

۷۹. ROC Curve

نموداری که Trade-off بین True Positive Rate و False Positive Rate را نشان می‌دهد.

۸۰. AUC (Area Under Curve)

مساحت زیر منحنی ROC. هرچه نزدیک‌تر به ۱ باشد، مدل بهتر است.

اصطلاحات مرتبط با داده

۸۱. Big Data (کلان‌داده)

حجم عظیمی از داده‌ها که با روش‌های سنتی قابل پردازش نیستند و نیاز به ابزارهای تخصصی دارند.

۸۲. Data Cleaning (پاکسازی داده)

فرآیند شناسایی و اصلاح یا حذف داده‌های نادرست، ناقص یا نامرتبط.

۸۳. Data Labeling (برچسب‌گذاری داده)

فرآیند اختصاص برچسب‌های صحیح به داده‌ها برای آموزش مدل‌های نظارت‌شده.

۸۴. Feature Engineering (مهندسی ویژگی)

فرآیند ایجاد ویژگی‌های جدید از داده‌های خام برای بهبود عملکرد مدل.

۸۵. Data Pipeline (خط لوله داده)

جریان خودکار جمع‌آوری، پردازش و ذخیره‌سازی داده‌ها.

۸۶. Data Lake (دریاچه داده)

مخزن مرکزی برای ذخیره‌سازی داده‌های ساختاریافته و غیرساختاریافته در مقیاس بزرگ.

۸۷. Data Warehouse (انبار داده)

سیستمی برای ذخیره‌سازی داده‌های ساختاریافته جهت تحلیل و گزارش‌گیری.

۸۸. ETL (Extract, Transform, Load)

فرآیند استخراج داده از منابع مختلف، تبدیل آن به فرمت مناسب و بارگذاری در مقصد.

۸۹. Synthetic Data (داده مصنوعی)

داده‌های تولیدشده توسط الگوریتم‌ها که شبیه داده‌های واقعی هستند اما حاوی اطلاعات حساس نیستند.

۹۰. Data Governance (حاکمیت داده)

چارچوبی برای مدیریت کیفیت، امنیت و دسترسی به داده‌ها در سازمان.

هوش مصنوعی مولد (Generative AI)

۹۱. هوش مصنوعی مولد (Generative AI)

نوعی از AI که قادر به تولید محتوای جدید مانند متن، تصویر، صدا و کد است.

۹۲. GAN (Generative Adversarial Network)

شبکه‌ای متشکل از دو مدل (تولیدکننده و تمیزدهنده) که با رقابت با هم یاد می‌گیرند.

۹۳. VAE (Variational Autoencoder)

مدلی برای یادگیری توزیع داده‌ها و تولید نمونه‌های جدید.

۹۴. Diffusion Model

مدلی که با افزودن نویز به داده‌ها و سپس حذف تدریجی آن، تصاویر جدید تولید می‌کند.

۹۵. Text-to-Image

تبدیل توصیف متنی به تصویر با کیفیت بالا.

۹۶. Text-to-Video

تولید ویدیو از متن توصیفی. فناوری در حال توسعه.

۹۷. Text-to-Speech (TTS)

تبدیل متن به صدای طبیعی انسان.

۹۸. Speech-to-Text (STT)

تبدیل گفتار به متن نوشته‌شده.

۹۹. Code Generation

تولید کد برنامه‌نویسی از توضیحات متنی. ابزارهایی مانند GitHub Copilot.

۱۰۰. Music Generation

تولید موسیقی و ملودی‌های جدید توسط AI.

رباتیک و AI فیزیکی

۱۰۱. رباتیک هوشمند (Intelligent Robotics)

ترکیب AI با رباتیک برای ایجاد ربات‌هایی که می‌توانند تصمیم بگیرند و یاد بگیرند.

۱۰۲. SLAM (Simultaneous Localization and Mapping)

تکنیکی که به ربات اجازه می‌دهد همزمان موقعیت خود را تعیین و نقشه محیط را بسازد.

۱۰۳. Path Planning (برنامه‌ریزی مسیر)

یافتن بهترین مسیر برای حرکت ربات از نقطه A به B با اجتناب از موانع.

۱۰۴. Manipulation (دستکاری)

توانایی ربات در گرفتن، جابجایی و کار با اشیاء.

۱۰۵. Human-Robot Interaction (HRI)

مطالعه و بهبود تعامل بین انسان‌ها و ربات‌ها.

۱۰۶. Swarm Robotics (رباتیک دسته‌ای)

هماهنگی گروهی از ربات‌های ساده برای انجام وظایف پیچیده.

۱۰۷. Exoskeleton (اسکلت بیرونی)

دستگاه‌های پوشیدنی که با کمک AI حرکت انسان را تقویت می‌کنند.

۱۰۸. Drone Autonomy (خودمختاری پهپاد)

توانایی پهپادها در پرواز و انجام مأموریت بدون کنترل مستقیم انسان.

۱۰۹. Industrial Automation (اتوماسیون صنعتی)

استفاده از ربات‌ها و AI برای خودکارسازی خطوط تولید.

۱۱۰. Cobots (Collaborative Robots)

ربات‌هایی که برای کار ایمن در کنار انسان‌ها طراحی شده‌اند.

اصطلاحات مرتبط با ابر و زیرساخت

اصطلاح	توضیح
AWS SageMaker	سرویس Amazon برای ساخت، آموزش و استقرار مدل‌های ML
Google Cloud AI	مجموعه ابزارهای AI گوگل شامل AutoML و Vertex AI
Azure Machine Learning	پلتفرم مایکروسافت برای توسعه و مدیریت مدل‌های AI
Edge Computing	پردازش داده‌ها در نزدیکی منبع تولید به جای ارسال به ابر
Serverless	مدلی که در آن زیرساخت سرور توسط ارائه‌دهنده مدیریت می‌شود
Microservices	معماری نرم‌افزاری که برنامه را به سرویس‌های کوچک مستقل تقسیم می‌کند
Load Balancing	توزیع ترافیک بین چندین سرور برای بهبود عملکرد
Auto-scaling	تنظیم خودکار منابع بر اساس تقاضا
Latency	تأخیر بین درخواست و پاسخ. در AI Real-time حیاتی است
Throughput	تعداد درخواست‌هایی که سیستم در واحد زمان پردازش می‌کند

آینده هوش مصنوعی

۱۱۱. AGI (Artificial General Intelligence)

هوش مصنوعی عمومی که قادر به انجام هر وظیفه شناختی انسانی است. هنوز محقق نشده است.

۱۱۲. ASI (Artificial Superintelligence)

هوش مصنوعی فرابشری که از هوش انسان در تمام زمینه‌ها پیشی می‌گیرد. موضوع بحث‌های فلسفی.

۱۱۳. Singularity (تکینگی)

نقطه‌ای فرضی در آینده که رشد AI غیرقابل کنترل و غیرقابل برگشت می‌شود.

۱۱۴. Quantum AI (هوش مصنوعی کوانتومی)

ترکیب AI با رایانش کوانتومی برای حل مسائل پیچیده‌تر.

۱۱۵. Neuromorphic Computing (رایانش نورومورفیک)

سخت‌افزاری که از ساختار مغز انسان الهام گرفته است.

۱۱۶. Brain-Computer Interface (BCI)

رابط مستقیم بین مغز و کامپیوتر. شرکت‌هایی مانند Neuralink روی آن کار می‌کنند.

۱۱۷. AI Ethics Board (هیئت اخلاق AI)

گروهی از متخصصان که مسائل اخلاقی توسعه AI را بررسی می‌کنند.

۱۱۸. Responsible AI (AI مسئولانه)

رویکردی که اطمینان حاصل می‌کند AI به صورت اخلاقی، شفاف و عادلانه توسعه یابد.

۱۱۹. AI for Good (AI برای خوب)

استفاده از هوش مصنوعی برای حل چالش‌های جهانی مانند تغییرات اقلیمی و فقر.

۱۲۰. Human-in-the-Loop (HITL)

رویکردی که در آن انسان در فرآیند تصمیم‌گیری AI مشارکت دارد.

اصطلاحات فارسی معادل

برای راحتی بیشتر، جدول زیر برخی اصطلاحات انگلیسی و معادل‌های فارسی رایج آن‌ها را نشان می‌دهد:

انگلیسی	فارسی رایج	توضیح مختصر
Artificial Intelligence	هوش مصنوعی	شبیه‌سازی هوش انسانی
Machine Learning	یادگیری ماشین	یادگیری از داده‌ها
Deep Learning	یادگیری عمیق	شبکه‌های عصبی چندلایه
Neural Network	شبکه عصبی	مدل الهام‌گرفته از مغز
Natural Language Processing	پردازش زبان طبیعی	درک زبان انسان
Computer Vision	بینایی کامپیوتری	درک تصاویر
Algorithm	الگوریتم	مجموعه دستورالعمل‌ها
Dataset	مجموعه داده	داده‌های آموزشی
Model	مدل	سیستم آموزش‌دیده
Training	آموزش	فرآیند یادگیری مدل
Prediction	پیش‌بینی	خروجی مدل
Accuracy	دقت	درصد صحت پیش‌بینی‌ها
Bias	سوگیری	خطای سیستماتیک
Overfitting	بیش‌برازش	وابستگی زیاد به داده آموزشی
Underfitting	کم‌برازش	یادگیری ناکافی

نکات طلایی برای شروع یادگیری AI

✅ از مفاهیم پایه شروع کنید: قبل از شیرجه در Deep Learning، اصول ML را بفهمید

✅ داده‌ها پادشاه هستند: بدون داده باکیفیت، بهترین الگوریتم‌ها هم شکست می‌خورند

✅ تمرین عملی داشته باشید: پروژه‌های کوچک بسازید و تجربه کسب کنید

✅ جامعه را دنبال کنید: در فروم‌ها، گروه‌ها و کنفرانس‌های AI مشارکت کنید

✅ اخلاق را فراموش نکنید: همیشه پیامدهای اجتماعی AI را در نظر بگیرید

✅ به‌روز بمانید: این حوزه سریع تغییر می‌کند؛ منابع معتبر را دنبال کنید

✅ زبان انگلیسی را تقویت کنید: بیشتر منابع دست‌اول به انگلیسی هستند

✅ از ابزارهای آماده استفاده کنید: نیازی نیست چرخ را دوباره اختراع کنید

منابع پیشنهادی برای یادگیری بیشتر

دوره‌های آنلاین:

Coursera: Machine Learning by Andrew Ng
edX: Harvard’s CS50’s Introduction to AI
Fast.ai: Practical Deep Learning for Coders
Udacity: AI Nanodegree

کتاب‌ها:

“Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow” – Aurélien Géron
“Deep Learning” – Ian Goodfellow, Yoshua Bengio, Aaron Courville
“Artificial Intelligence: A Modern Approach” – Stuart Russell, Peter Norvig

وب‌سایت‌ها و بلاگ‌ها:

Towards Data Science (Medium)
Distill.pub (مقالات تعاملی)
Arxiv.org (مقالات پژوهشی)
Hugging Face Blog

جامعه فارسی:

گروه‌های تلگرامی و لینکدین AI ایران
رویدادهای meetup تهران و شهرهای بزرگ
وب‌سایت‌های آموزشی فارسی مانند مکتب‌خونه و فرادرس

جمع‌بندی

هوش مصنوعی دیگر یک فناوری آینده‌نگر نیست؛ بلکه واقعیتی است که همین حالا زندگی ما را شکل می‌دهد. از دستیارهای صوتی گوشی‌تان تا الگوریتم‌های پیشنهاد فیلم نتفلیکس، AI در همه جا حضور دارد.

این دیکشنری تنها نقطه شروع است. دنیای AI وسیع، پیچیده و هیجان‌انگیز است. مهم‌ترین قدم، شروع کردن است. نترسید، سؤال بپرسید، آزمایش کنید و یاد بگیرید.

یادتان باشد: هوش مصنوعی قرار نیست جایگزین انسان شود، بلکه ابزاری است برای تقویت توانایی‌های انسانی. کسانی که امروز AI را یاد می‌گیرند، رهبران فردا خواهند بود.

سؤالات متداول (FAQ)

۱. آیا برای یادگیری AI باید ریاضی قوی داشته باشم؟ ریاضیات کمک‌کننده است اما الزامی نیست. بسیاری از ابزارهای مدرن پیچیدگی‌های ریاضی را پنهان می‌کنند. با مفاهیم پایه شروع کنید و به تدریج عمیق‌تر شوید.

۲. بهترین زبان برنامه‌نویسی برای AI چیست؟ Python محبوب‌ترین زبان است به دلیل کتابخانه‌های غنی مانند TensorFlow و PyTorch. اما R، Julia و حتی JavaScript نیز استفاده می‌شوند.

۳. چقدر زمان لازم است تا در AI متخصص شوم؟ بستگی به پیش‌زمینه و زمان اختصاصی شما دارد. معمولاً ۶ ماه تا ۲ سال برای رسیدن به سطح حرفه‌ای نیاز است.

۴. آیا AI مشاغل را از بین می‌برد؟ برخی مشاغل تغییر می‌کنند یا حذف می‌شوند، اما مشاغل جدیدی نیز ایجاد می‌شوند. کلید موفقیت، یادگیری مداوم و تطبیق‌پذیری است.

۵. چگونه می‌توانم اولین پروژه AI خود را شروع کنم؟ با یک مسئله ساده شروع کنید. مثلاً پیش‌بینی قیمت خانه با داده‌های آماده از Kaggle. از tutori