کتاب کوچک مبانی هوش مصنوعی مولد؛ راهنمای ریاضیاتی برای توسعه‌دهندگان

اگر تا به حال تلاش کرده‌اید از ورودی‌های کتابخانه‌های سنگین یادگیری ماشین فراتر بروید و بفهمید در لایه‌های زیرین مدل‌های مولد چه می‌گذرد، احتمالاً با فرمول‌های پیچیده و گسسته مواجه شده‌اید. کتاب جدیدی با عنوان «The Little Book of Generative AI Foundations: An Intuitive Mathematical Primer» تلاش می‌کند این خلأ را پر کند و یک مسیر ارتباطی منسجم بین مدل‌های مختلف هوش مصنوعی مولد برقرار سازد.

از PCA تا دیفیوژن؛ نقشه راه ریاضیاتی

این کتاب به جای بررسی تمام جزئیات پیاده‌سازی یا فهرست کردن معماری‌های مختلف، روی اشتقاق‌های ریاضی و منطق حاکم بر مدل‌ها تمرکز دارد. این کتاب مسیر فکری روشنی را از مدل‌های کلاسیک تا مدرن طی می‌کند و مفاهیم زیر را به هم پیوند می‌دهد:

• مدل‌های کلاسیک مانند PCA و Probabilistic PCA
• مدل‌های خودرمزگذار واریational یا همان VAEها
• مدل‌های انتشار (Diffusion Models) و جریان‌های نرمال‌سازی (Normalizing Flows)
• فاکتوریزاسیون‌های خودرگرسیون (Autoregressive Factorisations)
• شبکه‌های مولد مخاصم یا GANها و نسخه‌های پیشرفته‌تر آن یعنی Wasserstein GANs
• مدل‌های مبتنی بر انرژی (Energy-Based Models)

چرا این کتاب برای مهندسان اهمیت دارد؟

امروزه بسیاری از توسعه‌دهندگان از ابزارها و APIهای آماده برای تولید متن، تصویر یا صوت استفاده می‌کنند. با این حال، درک ساختار ریاضی این مدل‌ها برای رفع باگ‌های پیچیده، بهینه‌سازی عملکرد، و نوآوری در معماری‌های جدید حیاتی است. این کتاب بدون حذف مفاهیم ریاضی، تلاش کرده است تا درک شهودی عمیقی از نحوه ارتباط این خانواده‌های مختلف مدل با یکدیگر ارائه دهد.

در بحث‌های پیرامون این مطلب در Hacker News، کاربران به منابع مکمل دیگری نیز اشاره کردند. از جمله کتاب معروف François Fleuret با نام «The Little Book of Deep Learning» که پیش‌تر مورد توجه جامعه مهندسی قرار گرفته بود. همچنین برخی کاربران به دنبال منابعی اختصاصی برای مطالعه معماری Attention بودند که نشان‌دهنده نیاز عمیق جامعه مهندسی به منابع پایه‌ای و متمرکز است.

اگر از دیدن فرمول‌های پیچیده بدون شهود مهندسی خسته شده‌اید و می‌خواهید بنیاد ریاضی مدل‌های مولد را به شکل یکپارچه بفهمید، این کتاب می‌تواند نقطه شروع بسیار خوبی باشد.