نحوه کار شبکه های عصبی: فناوری پشت ChatGPT و هوش مصنوعی مدرن

شبکه های عصبی جدید نیستند — محققان آنها را از اواسط قرن بیستم مورد مطالعه قرار داده اند — اما اکنون پشت اکثر محصولات هوش مصنوعی مصرف کننده مورد استفاده روزانه قرار دارند. OpenAI در رویداد DevDay خود در 29 سپتامبر 2026 اعلام کرد که ChatGPT به 1.2 میلیارد کاربر هفتگی رسیده است، طبق وبلاگ زنده رویداد توسط Engadget. این مقیاس پذیری اعتماد یک سوال فنی اساسی را به بالای نتایج جستجو فشار داده است: شبکه عصبی واقعاً چگونه کار می کند؟

واحد ساختمانی اساسی: نورون ها، وزن ها و لایه ها

طبق IBM، شبکه عصبی یک مدل یادگیری ماشین است که از واحدهای ساده ای به نام نورون ها ساخته شده است، به صورت لایه بندی شده، که وزن ها و تورفتگی های قابل تنظیم را از داده ها یاد می گیرند تا ورودی ها را به خروجی ها نقشه برداری کنند. هر شبکه دارای لایه ورودی است که داده های خام را نگه می دارد، یک یا چند لایه پنهان که آن را تبدیل می کند، و لایه خروجی که نتیجه نهایی را تولید می کند، IBM توضیح می دهد.

هر اتصال بین نورون ها دارای وزنی است — عددی که، طبق IBM، مانند یک صفحه شیار عمل می کند که کنترل می کند یک ویژگی ورودی داده شده چقدر قوی بر تصمیم شبکه تاثیر می گذارد. یک مقدار جداگانه به نام تورفتگی به هر نورون اضافه می شود تا بتواند حتی زمانی که ورودی های آن ضعیف هستند فعال شود، آستانه تصمیم را جابجا می کند. دوره Machine Learning Crash Course از Google یک جزء سوم ضروری اضافه می کند: توابع فعال سازی، مراحل ریاضی غیرخطی که پس از جمع شدن ورودی های وزن داده شده اعمال می شوند، که به شبکه اجازه می دهد الگوهایی را تشخیص دهد که یک فرمول خط مستقیم ساده نمی تواند آن را درک کند.

انتشار به جلو: شبکه چگونه یک پاسخ تولید می کند

هنگامی که شبکه عصبی داده های جدید داده می شود، آن داده ها از طریق شبکه در یک جهت حرکت می کنند، از لایه ورودی تا لایه خروجی، در آنچه هم IBM و هم دوره Google آن را انتشار به جلو (یا عبور به جلو) می نامند. در هر نورون، مقادیر دریافتی در وزن های خود ضرب می شوند، با تورفتگی جمع می شوند، و قبل از انتقال به لایه بعدی از طریق تابع فعال سازی منتقل می شوند. IBM توجه می دهد که لایه های اولیه در شبکه تمایل دارند اهمیت سیگنال های فردی را پردازش کنند، در حالی که لایه های بعدی آن اطلاعات را در الگوهای سطح بالاتری جمع می کنند که زمینه وسیع تری را درک می کند.

انتشار به عقب: شبکه از اشتباهات خود چگونه یاد می گیرد

یک شبکه عصبی تازه ساخته شده با وزن های اساساً تصادفی شروع می شود و پیش بینی های ضعیفی تولید می کند. آموزش فرآیند اصلاح آن است. IBM انتشار به عقب را به عنوان الگوریتمی توصیف می کند که خطای پیش بینی شبکه را به عقب از طریق لایه ها منتشر می کند، با استفاده از قانون زنجیر حساب برای محاسبه میزان کمکی هر وزن و تورفتگی به خطای کلی. دوره Google به طور مشابه انتشار به عقب را به عنوان الگوریتم آموزش اصلی شناسایی می کند، که هدف آن را تنظیم وزن ها برای کاهش یا به حداقل رساندن از دست دادن پیش بینی شبکه توصیف می کند.

پس از آنکه مساهمت هر وزن در خطا مشخص شود، روشی برای بهینه سازی به نام gradient descent هر وزن را به جزئی در جهتی که خطا را کاهش می دهد فشار می دهد. این چرخه تمریرة به جلو و سپس تصحیح به عقب در میان مقادیر بزرگی از داده های آموزش تکرار می شود — اغلب میلیون ها یا میلیارد ها نمونه — تا زمانی که پیش بینی های شبکه برای استفاده عملی قابل اعتماد شود.

طراحی های شبکه مختلف برای انواع داده های مختلف

هر شبکه عصبی به همان روش ساخته نمی شود. IBM سه خانواده وسیع مورد استفاده امروز را شناسایی می کند: شبکه های عصبی کانولوشنی (CNNs)، طراحی شده برای داده های شبکه مانند تصاویر و به شدت در تشخیص بصری استفاده می شود؛ شبکه های عصبی عود کننده (RNNs)، که شامل حلقه های بازخورد مناسب برای داده های متوالی یا سری های زمانی است؛ و Transformers، معماری پشت اکثر مدل های زبان بزرگ امروزی، که به جای ترتیب دقیق به مرحله به مرحله بر مکانیسم توجه متکی هستند.

چگونه این به سیستم هایی مثل ChatGPT مقیاس می رود

مدل های زبان بزرگ مثل خانواده GPT همین مکانیسم های اساسی را اعمال می کنند — نورون های وزن دار، لایه ها، انتشار به جلو، انتشار به عقب — در مقیاس بسیار بزرگ تر، با استفاده از معماری Transformer. مقاله تحقیقی خود OpenAI در سال 2020 در مورد GPT-3، منتشر شده در arXiv، بیان می کند که مدل دقیقاً 175 میلیارد پارامتر دارد، و آن را "10 برابر بیش تر از هر مدل زبان غیر پراکنده قبلی" توصیف می کند. پارامترها اصطلاح عام برای مجموعه کامل وزن ها و تورفتگی های شبکه است؛ پارامترهای بیشتر عموماً به یک مدل اجازه می دهد الگوهای پیچیده تر در زبان را درک کند، اگرچه OpenAI اعداد پارامتر معادل برای مدل های جدیدتر خود منتشر نکرده است.

در یک Transformer، مکانیسمی به نام self-attention به مدل اجازه می دهد وزن بگذارد که هر کلمه دیگر در یک قطعه برای کلمه ای که اکنون در حال پردازش است چقدر مرتبط است، به جای خواندن سختگیرانه از چپ به راست. این طراحی، برای اولین بار در تحقیقات Transformer معرفی شده و اکنون استاندارد در سراسر مدل های زبان اصلی، این است که به سیستم هایی مثل ChatGPT اجازه می دهد زمینه را در یک محادثه طولانی دنبال کنند.

چرا این اهمیت دارد اکنون

ریاضیات اساسی نورون ها، وزن ها، و انتشار به عقب برای دهه ها وجود داشته است، اما ترکیب مجموعه داده های بزرگ تر، قدرت محاسباتی بیشتر، و معماری Transformer این است که شبکه های عصبی را از یک ابزار تحقیقاتی تخصصی به موتوری تبدیل کرد پشت محصولات مصرف کننده ای که توسط بیش از یک میلیارد نفر در هفته استفاده می شود، طبق اعداد خود OpenAI در سپتامبر 2026 که توسط Engadget گزارش شده است. درک چرخه تمریرة به جلو و تصحیح اساسی توضیح داده شده توسط IBM و Google نیازی به ریاضیات پیشرفته ندارد، اما این توضیح می دهد که چرا این سیستم ها نیاز به مقادیر عظیمی از داده های آموزش و قدرت محاسباتی دارند، و چرا خروجی های آنها پیش بینی های آماری هستند نه حقایق تضمین شده.