[{"data":1,"prerenderedAt":221},["ShallowReactive",2],{"lesson:t1-s02-how-it-learns":3,"course:hamhoosh":56},{"meta":4,"prev":11,"next":14,"sections":18},{"free_preview":5,"order":6,"slug":7,"source":8,"term":9,"title_fa":10},true,2,"t1-s02-how-it-learns","book",1,"فصل ۰۲ — چطور یاد گرفت",{"free_preview":5,"order":9,"slug":12,"source":8,"term":9,"title_fa":13},"t1-s01-first-conversation","فصل ۰۱ — با چه چیزی حرف می‌زنی؟ اولین گفت‌وگو",{"free_preview":5,"order":15,"slug":16,"source":8,"term":9,"title_fa":17},3,"t1-s03-tokens","فصل ۰۳ — توکن: واحدِ کارِ مدل",[19,23,26,31,34,37,40,43,46,49,53],{"kind":20,"heading":21,"html":22},"normal","در این فصل چه یاد می‌گیری","\u003Ch2 id=\"در-این-فصل-چه-یاد-می‌گیری\">در این فصل چه یاد می‌گیری\u003Ca class=\"head-anchor\" href=\"#%D8%AF%D8%B1-%D8%A7%DB%8C%D9%86-%D9%81%D8%B5%D9%84-%DA%86%D9%87-%DB%8C%D8%A7%D8%AF-%D9%85%DB%8C%E2%80%8C%DA%AF%DB%8C%D8%B1%DB%8C\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>در فصلِ قبل دیدی مدل جوابش را می‌سازد، نه اینکه از جایی پیدا کند. سؤالِ طبیعیِ بعدی این است: پس این توانایی را از کجا آورد؟ در این فصل می‌فهمی مدل چطور «یاد گرفت» — روی چه چیزی آموزش دید، چرا آنچه در آن مانده «الگو»ست نه «حافظه»، و چرا از یک نقطهٔ زمانی به بعد دیگر خبر ندارد. این‌ها ساده‌اند ولی همه‌چیزِ بعدی را روشن می‌کنند: می‌فهمی مدل کِی قابلِ‌اعتماد است و کِی نه.\u003C\u002Fp>\n\u003Cp>\u003Cpicture>\u003Csource type=\"image\u002Fwebp\" srcset=\"\u002F_img\u002F01-image-training-loom.8ab23c8b95.160.webp 160w, \u002F_img\u002F01-image-training-loom.8ab23c8b95.320.webp 320w, \u002F_img\u002F01-image-training-loom.8ab23c8b95.480.webp 480w, \u002F_img\u002F01-image-training-loom.8ab23c8b95.640.webp 640w, \u002F_img\u002F01-image-training-loom.8ab23c8b95.768.webp 768w, \u002F_img\u002F01-image-training-loom.8ab23c8b95.960.webp 960w, \u002F_img\u002F01-image-training-loom.8ab23c8b95.1280.webp 1280w\" sizes=\"(max-width: 900px) 100vw, 800px\">\u003Cimg src=\"\u002F_img\u002F01-image-training-loom.8ab23c8b95.1280.jpg\" srcset=\"\u002F_img\u002F01-image-training-loom.8ab23c8b95.160.jpg 160w, \u002F_img\u002F01-image-training-loom.8ab23c8b95.320.jpg 320w, \u002F_img\u002F01-image-training-loom.8ab23c8b95.480.jpg 480w, \u002F_img\u002F01-image-training-loom.8ab23c8b95.640.jpg 640w, \u002F_img\u002F01-image-training-loom.8ab23c8b95.768.jpg 768w, \u002F_img\u002F01-image-training-loom.8ab23c8b95.960.jpg 960w, \u002F_img\u002F01-image-training-loom.8ab23c8b95.1280.jpg 1280w\" sizes=\"(max-width: 900px) 100vw, 800px\" alt=\"متنِ عظیمی که به یک دستگاه ریخته می‌شود و به‌جای انبارِ کتاب، یک الگوی بافته‌شده بیرون می‌دهد\" width=\"1376\" height=\"768\" loading=\"lazy\" decoding=\"async\">\u003C\u002Fpicture>\u003C\u002Fp>\n\u003Cp>آخر این فصل می‌توانی:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>به زبانِ ساده بگویی \u003Ccode>training\u003C\u002Fcode> یعنی چه\u003C\u002Fli>\n\u003Cli>توضیح بدهی چرا «الگو» با «حافظه» فرق دارد\u003C\u002Fli>\n\u003Cli>بگویی چرا کیفیت و پوششِ داده‌ها سرنوشتِ جوابِ مدل را تعیین می‌کند\u003C\u002Fli>\n\u003Cli>\u003Ccode>knowledge cutoff\u003C\u002Fcode> را در عمل نشان بدهی و خطای ناشی از آن را بگیری\u003C\u002Fli>\n\u003C\u002Ful>\n",{"kind":20,"heading":24,"html":25},"قبل از شروع","\u003Ch2 id=\"قبل-از-شروع\">قبل از شروع\u003Ca class=\"head-anchor\" href=\"#%D9%82%D8%A8%D9%84-%D8%A7%D8%B2-%D8%B4%D8%B1%D9%88%D8%B9\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>از فصل ۱:\u003C\u002Fstrong> «مدل» یک ماشینِ پیش‌بینیِ متن است و جوابش را \u003Cstrong>تولید\u003C\u002Fstrong> می‌کند نه جست‌وجو.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>از فصل ۱:\u003C\u002Fstrong> \u003Ccode>prompt\u003C\u002Fcode> چیزی است که تو می‌فرستی و \u003Ccode>response\u003C\u002Fcode> چیزی که مدل پس می‌دهد.\u003C\u002Fp>\n\u003Cp>لوازم مثلِ فصلِ قبل: یک مرورگر و یک دستیارِ هوش مصنوعی.\u003C\u002Fp>\n",{"kind":27,"heading":28,"html":29,"embed":30},"lab","","و پرامپت‌های این فصل را همان‌جا امتحان کن","\u002Flab\u002Fembed\u002Fhamhoosh\u002Fterm-1-what-is-ai\u002Fsession-02-how-it-learns",{"kind":20,"heading":32,"html":33},"۱. مدل چطور «یاد گرفت»؟","\u003Ch2 id=\"۱-مدل-چطور-یاد-گرفت\">۱. مدل چطور «یاد گرفت»؟\u003Ca class=\"head-anchor\" href=\"#%DB%B1-%D9%85%D8%AF%D9%84-%DA%86%D8%B7%D9%88%D8%B1-%DB%8C%D8%A7%D8%AF-%DA%AF%D8%B1%D9%81%D8%AA\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>یک آدم را تصور کن که از بچگی تا حالا حجمِ باورنکردنی‌ای متن خوانده: کتاب، مقاله، صفحهٔ وب، گفت‌وگو. آن‌قدر که کم‌کم «حس» کرده کلمه‌ها چطور کنارِ هم می‌نشینند — که بعد از «آسمانِ» معمولاً «آبی» می‌آید، که یک نامه چطور شروع می‌شود، که جوابِ یک سؤالِ ریاضی چه شکلی دارد. مدل هم دقیقاً همین کار را کرده، فقط در مقیاسی که هیچ انسانی در عمرش به آن نمی‌رسد.\u003C\u002Fp>\n\u003Cp>به این مرحله \u003Ccode>training\u003C\u002Fcode> می‌گویند: مدل حجمِ عظیمی از متن را می‌بیند و بارها و بارها تمرین می‌کند که «کلمهٔ بعدی» را حدس بزند. هر بار که اشتباه حدس می‌زند، کمی خودش را تنظیم می‌کند تا دفعهٔ بعد بهتر شود. بعد از میلیاردها بار تکرار، در حدس‌زدنِ کلمهٔ بعدی خیلی خوب می‌شود — و همان توانایی است که وقتی تو \u003Ccode>prompt\u003C\u002Fcode> می‌فرستی، تبدیل به یک \u003Ccode>response\u003C\u002Fcode>ِ روان می‌شود.\u003C\u002Fp>\n\u003Cp>پس آن روانی و اطمینانی که در فصلِ ۱ دیدی، از یک ذهن نمی‌آید؛ از تمرینِ بی‌شمار روی متن می‌آید.\u003C\u002Fp>\n",{"kind":20,"heading":35,"html":36},"۲. الگو، نه حافظه","\u003Ch2 id=\"۲-الگو-نه-حافظه\">۲. الگو، نه حافظه\u003Ca class=\"head-anchor\" href=\"#%DB%B2-%D8%A7%D9%84%DA%AF%D9%88-%D9%86%D9%87-%D8%AD%D8%A7%D9%81%D8%B8%D9%87\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>اینجا مهم‌ترین سوءتفاهم را برطرف می‌کنیم. مدل آن همه متن را \u003Cstrong>حفظ نکرده\u003C\u002Fstrong> و مثلِ یک کتابخانه در کشوهایش نگه نداشته. چیزی که از \u003Ccode>training\u003C\u002Fcode> در مدل می‌ماند «الگو»ست: رابطه‌ها، ریتم‌ها، و اینکه چه چیزی معمولاً کنارِ چه چیزی می‌آید. متنِ اصلی رفته؛ فقط الگوهایش مانده.\u003C\u002Fp>\n\u003Cp>برای همین است که مدل معمولاً نمی‌تواند یک جمله را \u003Cstrong>کلمه‌به‌کلمهٔ دقیق\u003C\u002Fstrong> از حفظ بگوید — بازسازی‌اش می‌کند، و در بازسازی گاهی می‌لغزد. امتحان کن. از مدل بخواه یک جملهٔ مشهور را عیناً نقل کند:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>جملهٔ آغازینِ داستان «شازده کوچولو» را دقیقاً و کلمه‌به‌کلمه بنویس.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>ممکن است جمله‌ای بدهد که \u003Cem>نزدیک\u003C\u002Fem> است ولی دقیقاً همان نباشد — چون از روی الگو بازسازی می‌کند، نه از روی یک نسخهٔ ذخیره‌شده.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>✅ \u003Cstrong>وارسی:\u003C\u002Fstrong> این یک ادعای واقعی است، پس \u003Cstrong>وارسی کن، خط به خط\u003C\u002Fstrong>. جملهٔ مدل را با نسخهٔ چاپیِ کتاب مقابله کن. اگر یک کلمه هم فرق داشت، همان‌جا دیده‌ای که مدل «حافظه» نیست، «الگو»ست. \u003Cstrong>مدل مطمئن است؛ دلیل نمی‌شود درست باشد.\u003C\u002Fstrong>\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>این نکته کلِ فصلِ ۱ را کامل می‌کند: چون مدل به‌جای انبارِ متن یک مشت الگو دارد، جواب را می‌\u003Cstrong>سازد\u003C\u002Fstrong> — و همان ساختن است که هم خلاقیت می‌آورد هم خطا.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>قبل از ادامه، جواب بده:\u003C\u002Fstrong> اگر مدل متن‌ها را حفظ نکرده و فقط الگو دارد، چطور می‌تواند یک ضرب‌المثلِ خیلی معروف را کلمه‌به‌کلمه درست بگوید، ولی یک جملهٔ کم‌یاب را غلط؟ جواب: هر چه یک متن در \u003Ccode>training\u003C\u002Fcode> پرتکرارتر بوده، الگویش قوی‌تر است و بازسازی‌اش تقریباً بی‌خطا؛ متنِ کم‌یاب الگوی ضعیفی دارد و همان‌جاست که مدل جای خالی را با حدس پُر می‌کند.\u003C\u002Fp>\n",{"kind":20,"heading":38,"html":39},"۳. چرا داده‌ها تعیین‌کننده‌اند","\u003Ch2 id=\"۳-چرا-داده‌ها-تعیین‌کننده‌اند\">۳. چرا داده‌ها تعیین‌کننده‌اند\u003Ca class=\"head-anchor\" href=\"#%DB%B3-%DA%86%D8%B1%D8%A7-%D8%AF%D8%A7%D8%AF%D9%87%E2%80%8C%D9%87%D8%A7-%D8%AA%D8%B9%DB%8C%DB%8C%D9%86%E2%80%8C%DA%A9%D9%86%D9%86%D8%AF%D9%87%E2%80%8C%D8%A7%D9%86%D8%AF\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>اگر آنچه مدل بلد است از متنی می‌آید که دیده، پس یک نتیجهٔ ساده و مهم دارد: \u003Cstrong>مدل فقط به‌اندازهٔ داده‌هایش خوب است.\u003C\u002Fstrong> موضوعی که در دادهٔ آموزشی زیاد و باکیفیت بوده، مدل خوب از پسش برمی‌آید. موضوعی که کم بوده یا داده‌اش پر از اشتباه بوده، مدل هم همان‌جا ضعیف و لغزنده است.\u003C\u002Fp>\n\u003Cp>یک مثالِ مستقیم که خودت هر روز با آن روبه‌رویی: بیشترِ متنِ باکیفیتِ اینترنت انگلیسی است، نه فارسی. برای همین بسیاری از مدل‌ها در انگلیسی روان‌تر و دقیق‌ترند تا در فارسی. این عیبِ زبانِ فارسی نیست؛ نتیجهٔ آن است که چه چیزی و چقدر در \u003Ccode>training\u003C\u002Fcode> بوده. (این شکاف را در ترمِ ۴ کامل باز می‌کنیم؛ فعلاً فقط بدان علتش داده است.)\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>💡 \u003Cstrong>نکته:\u003C\u002Fstrong> وقتی جوابِ فارسیِ مدل ضعیف بود، لزوماً «مدل خراب است» نیست. گاهی همان سؤال به انگلیسی جوابِ بهتری می‌گیرد، دقیقاً چون داده‌اش بیشتر بوده. این یک ترفندِ عملی است که بعداً رویش کار می‌کنیم.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n",{"kind":20,"heading":41,"html":42},"۴. knowledge cutoff: از یک جایی به بعد خبر ندارد","\u003Ch2 id=\"۴-knowledge-cutoff-از-یک-جایی-به-بعد-خبر-ندارد\">۴. \u003Ccode>knowledge cutoff\u003C\u002Fcode>: از یک جایی به بعد خبر ندارد\u003Ca class=\"head-anchor\" href=\"#%DB%B4-knowledge-cutoff-%D8%A7%D8%B2-%DB%8C%DA%A9-%D8%AC%D8%A7%DB%8C%DB%8C-%D8%A8%D9%87-%D8%A8%D8%B9%D8%AF-%D8%AE%D8%A8%D8%B1-%D9%86%D8%AF%D8%A7%D8%B1%D8%AF\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>\u003Ccode>training\u003C\u002Fcode> یک بارِ بزرگ است که در گذشته اتفاق افتاده و تا یک نقطهٔ زمانیِ مشخص ادامه داشته. به آن نقطه \u003Ccode>knowledge cutoff\u003C\u002Fcode> می‌گویند. هر چیزی که \u003Cstrong>بعد\u003C\u002Fstrong> از آن رخ داده، مدل اصلاً در \u003Ccode>training\u003C\u002Fcode> ندیده — پس نمی‌تواند واقعاً بداند.\u003C\u002Fp>\n\u003Cp>مشکل اینجاست: مدل به‌جای اینکه صادقانه بگوید «نمی‌دانم»، گاهی همان کارِ فصلِ ۱ را می‌کند و یک جوابِ باورپذیر \u003Cstrong>می‌سازد\u003C\u002Fstrong>. از مدل دربارهٔ یک خبرِ خیلی تازه بپرس:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>مهم‌ترین خبرِ این هفته در دنیا چه بود؟\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>ببین مدل چه داد. گاهی صادق است و می‌گوید به اخبارِ لحظه‌ای دسترسی ندارد. ولی گاهی، با همان اطمینانِ کامل، یک «خبر» می‌سازد — چیزی شبیهِ این:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>این هفته نشستِ سالانهٔ سرانِ اقتصادی در ژنو برگزار شد و توافقی تازه دربارهٔ\nقیمتِ انرژی امضا شد که بازارها به آن واکنشِ مثبت نشان دادند.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>این خبر ممکن است اصلاً اتفاق نیفتاده باشد. مدل خبر را نمی‌داند، ولی چون بلد است متنِ خبرْمانند بسازد، یک خبرِ محتمل سرِ هم می‌کند. (خروجیِ تو ممکن است فرق کند؛ مدل هر بار جوابِ تازه می‌سازد.)\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>✅ \u003Cstrong>وارسی:\u003C\u002Fstrong> این «خبر» را با سه قانونِ ثابتِ دوره بسنج: \u003Cstrong>«اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمی‌شود درست باشد».\u003C\u002Fstrong> مدل چطور می‌تواند خبرِ این هفته را بداند وقتی \u003Ccode>training\u003C\u002Fcode>اش برای گذشته است؟ هر ادعای خبری را با یک منبعِ خبریِ واقعی و امروزی مقابله کن. اگر جای دیگری نبود، ساختگی بوده.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n",{"kind":20,"heading":44,"html":45},"۵. حالا فرقش را با چشمِ خودت ببین","\u003Ch2 id=\"۵-حالا-فرقش-را-با-چشمِ-خودت-ببین\">۵. حالا فرقش را با چشمِ خودت ببین\u003Ca class=\"head-anchor\" href=\"#%DB%B5-%D8%AD%D8%A7%D9%84%D8%A7-%D9%81%D8%B1%D9%82%D8%B4-%D8%B1%D8%A7-%D8%A8%D8%A7-%DA%86%D8%B4%D9%85%D9%90-%D8%AE%D9%88%D8%AF%D8%AA-%D8%A8%D8%A8%DB%8C%D9%86\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>یک بار یک چیزِ قدیمی و پایدار بپرس، یک بار یک چیزِ کاملاً تازه:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>آب در سطحِ دریا در چند درجه می‌جوشد؟\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>این را با اطمینان و درست جواب می‌دهد، چون موضوعی است که در \u003Ccode>training\u003C\u002Fcode> بارها و باکیفیت آمده. حالا همان را با یک سؤالِ خیلی تازه (یک رویدادِ همین چند روز) مقایسه کن. تفاوت را می‌بینی: مدل روی دانشِ \u003Cstrong>پایدار و پرتکرار\u003C\u002Fstrong> محکم است، و روی \u003Cstrong>تازه یا کم‌یاب\u003C\u002Fstrong> لغزنده. این یک نقشهٔ ذهنیِ طلایی است: قبل از باورِ هر جواب، از خودت بپرس این موضوع کدام دسته است.\u003C\u002Fp>\n",{"kind":20,"heading":47,"html":48},"واژه‌های تازهٔ این فصل","\u003Ch2 id=\"واژه‌های-تازهٔ-این-فصل\">واژه‌های تازهٔ این فصل\u003Ca class=\"head-anchor\" href=\"#%D9%88%D8%A7%DA%98%D9%87%E2%80%8C%D9%87%D8%A7%DB%8C-%D8%AA%D8%A7%D8%B2%D9%87%D9%94-%D8%A7%DB%8C%D9%86-%D9%81%D8%B5%D9%84\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cdiv class=\"table-wrap\">\u003Ctable>\u003Cthead>\n\u003Ctr>\n\u003Cth>کلمه\u003C\u002Fth>\n\u003Cth>تلفظ به حروف فارسی\u003C\u002Fth>\n\u003Cth>یعنی چه\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>training\u003C\u002Ftd>\n\u003Ctd>تِرِینینگ\u003C\u002Ftd>\n\u003Ctd>مرحله‌ای که مدل روی حجمِ عظیمی از متن تمرین می‌کند تا کلمهٔ بعدی را حدس بزند\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>knowledge cutoff\u003C\u002Ftd>\n\u003Ctd>نالِج کاتاف\u003C\u002Ftd>\n\u003Ctd>تاریخی که آموزشِ مدل تا آن‌جا جمع شده؛ بعدِ آن را ندیده است\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>",{"kind":50,"heading":51,"html":52},"checkpoint","تمرین‌ها","\u003Ch2 id=\"تمرین‌ها\">تمرین‌ها\u003Ca class=\"head-anchor\" href=\"#%D8%AA%D9%85%D8%B1%DB%8C%D9%86%E2%80%8C%D9%87%D8%A7\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>قبل از تمرین، بدون نگاه به بالا جواب بده: چرا می‌گوییم مدل «الگو» دارد نه «حافظه»، و \u003Ccode>knowledge cutoff\u003C\u002Fcode> یعنی چه؟\u003C\u002Fp>\n\u003Cp>\u003Cstrong>تمرین اجباری:\u003C\u002Fstrong> یک موضوع را انتخاب کن که خودت خوب می‌شناسی و کمی تخصصی است (یک ورزش، یک بازی، محلهٔ خودت). چند سؤالِ ریز از مدل بپرس و جواب‌ها را با دانستهٔ خودت مقابله کن. یک جمله بنویس: کجا داده‌اش خوب بوده و کجا لنگ زده؟\u003C\u002Fp>\n\u003Cp>\u003Cstrong>تمرین ستاره‌دار ⭐:\u003C\u002Fstrong> یک سؤال را یک بار به فارسی و یک بار به انگلیسی بپرس (اگر انگلیسی بلد نیستی، از مدل بخواه سؤالت را ترجمه کند). دو جواب را کنارِ هم بگذار. کدام کامل‌تر بود؟ حالا حدس بزن این تفاوت به کدام حرفِ این فصل برمی‌گردد.\u003C\u002Fp>\n",{"kind":20,"heading":54,"html":55},"در فصل بعد","\u003Ch2 id=\"در-فصل-بعد\">در فصل بعد\u003Ca class=\"head-anchor\" href=\"#%D8%AF%D8%B1-%D9%81%D8%B5%D9%84-%D8%A8%D8%B9%D8%AF\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>فهمیدی مدل روی متن آموزش می‌بیند و کلمهٔ بعدی را حدس می‌زند. ولی «کلمه» برای مدل دقیقاً چیست؟ جالب است بدانی مدل متن را نه به کلمه، که به تکه‌های ریزتری به اسمِ \u003Ccode>token\u003C\u002Fcode> می‌شکند — و همین است که توضیح می‌دهد چرا فارسی برایش سنگین‌تر است و چرا وسطِ گفت‌وگوی طولانی حواسش پرت می‌شود. فصلِ بعد سراغِ واحدِ واقعیِ کارِ مدل می‌رویم.\u003C\u002Fp>\n",{"course":57,"entitled":65,"lessons":66,"payments_enabled":65,"terms":220,"live":5},{"active_window":58,"effective_price_toman":59,"free":5,"lesson_count":60,"price_toman":61,"slug":62,"summary_fa":63,"title_fa":64},null,0,51,2500000,"hamhoosh","از «هوش مصنوعی واقعاً چیست» تا ساختن ابزار واقعی با آن — بدون دیوار ریاضی و بدون پیش‌نیاز برنامه‌نویسی. هوش مصنوعی همکارِ هوشمندی است که وارسی‌اش می‌کنی، نه اوراکلی که چشم‌بسته باور کنی.","هم‌هوش — خودآموز هوش مصنوعی",false,[67,68,69,70,74,78,82,86,90,93,96,99,102,105,108,111,114,118,121,124,127,130,133,136,139,142,145,148,151,154,157,160,163,166,169,172,175,178,181,184,187,190,193,196,199,202,205,208,211,214,217],{"free_preview":5,"order":9,"slug":12,"source":8,"term":9,"title_fa":13},{"free_preview":5,"order":6,"slug":7,"source":8,"term":9,"title_fa":10},{"free_preview":5,"order":15,"slug":16,"source":8,"term":9,"title_fa":17},{"free_preview":5,"order":71,"slug":72,"source":8,"term":9,"title_fa":73},4,"t1-s04-hallucination","فصل ۰۴ — چرا مطمئن ولی غلط: توهم",{"free_preview":5,"order":75,"slug":76,"source":8,"term":9,"title_fa":77},5,"t1-s05-limits","فصل ۰۵ — مرزها: چه نمی‌داند و چه نباید ازش خواست",{"free_preview":5,"order":79,"slug":80,"source":8,"term":9,"title_fa":81},6,"t1-s06-types","فصل ۰۶ — گونه‌های هوش مصنوعی",{"free_preview":5,"order":83,"slug":84,"source":8,"term":9,"title_fa":85},7,"t1-s07-responsible-start","فصل ۰۷ — از همین حالا مسئولانه",{"free_preview":5,"order":87,"slug":88,"source":8,"term":9,"title_fa":89},8,"t1-s08-interrogate-project","فصل ۰۸ — پروژه: یک مدل را بازجویی کن",{"free_preview":5,"order":9,"slug":91,"source":8,"term":6,"title_fa":92},"t2-s01-intent","فصل ۰۱ — نیت، نه جادو",{"free_preview":5,"order":6,"slug":94,"source":8,"term":6,"title_fa":95},"t2-s02-context","فصل ۰۲ — زمینه‌دادن",{"free_preview":5,"order":15,"slug":97,"source":8,"term":6,"title_fa":98},"t2-s03-iterate","فصل ۰۳ — حلقهٔ تکرار",{"free_preview":5,"order":71,"slug":100,"source":8,"term":6,"title_fa":101},"t2-s04-verify","فصل ۰۴ — وارسی: مهم‌ترین مهارت",{"free_preview":5,"order":75,"slug":103,"source":8,"term":6,"title_fa":104},"t2-s05-system","فصل ۰۵ — لحنِ ثابت و دستورِ سیستمی",{"free_preview":5,"order":79,"slug":106,"source":8,"term":6,"title_fa":107},"t2-s06-tune","فصل ۰۶ — کنترلِ خلاقیت، دقت و عمق",{"free_preview":5,"order":83,"slug":109,"source":8,"term":6,"title_fa":110},"t2-s07-structured","فصل ۰۷ — پرامپتِ ساختارمند و قابلِ‌استفادهٔ مجدد",{"free_preview":5,"order":87,"slug":112,"source":8,"term":6,"title_fa":113},"t2-s08-antipatterns","فصل ۰۸ — دام‌ها و افسانه‌ها",{"free_preview":5,"order":115,"slug":116,"source":8,"term":6,"title_fa":117},9,"t2-s09-assistant-project","فصل ۰۹ — پروژه: یک دستیارِ شخصی بساز",{"free_preview":5,"order":9,"slug":119,"source":8,"term":15,"title_fa":120},"t3-s01-images","فصل ۰۱ — ساختِ تصویر با هوش مصنوعی",{"free_preview":65,"order":6,"slug":122,"source":8,"term":15,"title_fa":123},"t3-s02-image-understanding","فصل ۰۲ — فهمِ تصویر",{"free_preview":65,"order":15,"slug":125,"source":8,"term":15,"title_fa":126},"t3-s03-audio-video","فصل ۰۳ — صدا و ویدیو",{"free_preview":65,"order":71,"slug":128,"source":8,"term":15,"title_fa":129},"t3-s04-research","فصل ۰۴ — پژوهش با هوش مصنوعی",{"free_preview":65,"order":75,"slug":131,"source":8,"term":15,"title_fa":132},"t3-s05-writing","فصل ۰۵ — نوشتن و بازنویسی",{"free_preview":65,"order":79,"slug":134,"source":8,"term":15,"title_fa":135},"t3-s06-study","فصل ۰۶ — یادگیری و درس‌خواندن",{"free_preview":65,"order":83,"slug":137,"source":8,"term":15,"title_fa":138},"t3-s07-work","فصل ۰۷ — کارِ حرفه‌ای",{"free_preview":65,"order":87,"slug":140,"source":8,"term":15,"title_fa":141},"t3-s08-coding-help","فصل ۰۸ — کمکِ کدنویسی (بی‌آنکه برنامه‌نویس باشی)",{"free_preview":65,"order":115,"slug":143,"source":8,"term":15,"title_fa":144},"t3-s09-workflow-project","فصل ۰۹ — پروژه: یک جریانِ کاریِ واقعی",{"free_preview":5,"order":9,"slug":146,"source":8,"term":71,"title_fa":147},"t4-s01-training-deep","فصل ۰۱ — آموزش، عمیق‌تر (بدون ریاضی)",{"free_preview":65,"order":6,"slug":149,"source":8,"term":71,"title_fa":150},"t4-s02-embeddings","فصل ۰۲ — از توکن تا معنا: embedding",{"free_preview":65,"order":15,"slug":152,"source":8,"term":71,"title_fa":153},"t4-s03-context-memory","فصل ۰۳ — حافظه و پنجرهٔ زمینه",{"free_preview":65,"order":71,"slug":155,"source":8,"term":71,"title_fa":156},"t4-s04-rag","فصل ۰۴ — RAG: دادنِ دانشِ تازه به مدل",{"free_preview":65,"order":75,"slug":158,"source":8,"term":71,"title_fa":159},"t4-s05-agents","فصل ۰۵ — عامل‌ها و ابزارها",{"free_preview":65,"order":79,"slug":161,"source":8,"term":71,"title_fa":162},"t4-s06-local-vs-cloud","فصل ۰۶ — مدلِ محلی در برابر ابری",{"free_preview":65,"order":83,"slug":164,"source":8,"term":71,"title_fa":165},"t4-s07-persian-gap","فصل ۰۷ — شکافِ فارسی-انگلیسی",{"free_preview":65,"order":87,"slug":167,"source":8,"term":71,"title_fa":168},"t4-s08-mental-model-project","فصل ۰۸ — پروژه: نقشهٔ ذهنیِ یک پاسخ",{"free_preview":5,"order":9,"slug":170,"source":8,"term":75,"title_fa":171},"t5-s01-api-idea","فصل ۰۱ — API چیست: حرف‌زدنِ برنامه با مدل",{"free_preview":65,"order":6,"slug":173,"source":8,"term":75,"title_fa":174},"t5-s02-first-call","فصل ۰۲ — اولین فراخوانی",{"free_preview":65,"order":15,"slug":176,"source":8,"term":75,"title_fa":177},"t5-s03-from-js","فصل ۰۳ — از JavaScript صدا بزن",{"free_preview":65,"order":71,"slug":179,"source":8,"term":75,"title_fa":180},"t5-s04-system-in-code","فصل ۰۴ — نقش و پارامتر در کد",{"free_preview":65,"order":75,"slug":182,"source":8,"term":75,"title_fa":183},"t5-s05-structured-output","فصل ۰۵ — خروجیِ ساختارمند",{"free_preview":65,"order":79,"slug":185,"source":8,"term":75,"title_fa":186},"t5-s06-build-app","فصل ۰۶ — یک وب‌اپِ کوچکِ هوش‌مصنوعی‌دار",{"free_preview":65,"order":83,"slug":188,"source":8,"term":75,"title_fa":189},"t5-s07-cost-limits","فصل ۰۷ — هزینه، سهمیه و مرزها",{"free_preview":65,"order":87,"slug":191,"source":8,"term":75,"title_fa":192},"t5-s08-ship-project","فصل ۰۸ — پروژه: ابزارِ هوش‌مصنوعیِ خودت را منتشر کن",{"free_preview":5,"order":9,"slug":194,"source":8,"term":79,"title_fa":195},"t6-s01-deepfakes","فصل ۰۱ — دیپ‌فیک و رسانهٔ جعلی",{"free_preview":65,"order":6,"slug":197,"source":8,"term":79,"title_fa":198},"t6-s02-misinformation","فصل ۰۲ — دفاع در برابر بدْاطلاعات",{"free_preview":65,"order":15,"slug":200,"source":8,"term":79,"title_fa":201},"t6-s03-detection-myth","فصل ۰۳ — افسانهٔ «تشخیصِ هوش مصنوعی»",{"free_preview":65,"order":71,"slug":203,"source":8,"term":79,"title_fa":204},"t6-s04-bias","فصل ۰۴ — سوگیری و انصاف",{"free_preview":65,"order":75,"slug":206,"source":8,"term":79,"title_fa":207},"t6-s05-privacy-data","فصل ۰۵ — حریم خصوصی و دادهٔ تو",{"free_preview":65,"order":79,"slug":209,"source":8,"term":79,"title_fa":210},"t6-s06-ownership","فصل ۰۶ — مالکیت و کپی‌رایتِ خروجی",{"free_preview":65,"order":83,"slug":212,"source":8,"term":79,"title_fa":213},"t6-s07-work-future","فصل ۰۷ — کار، مهارت و مرزهای سالم",{"free_preview":65,"order":87,"slug":215,"source":8,"term":79,"title_fa":216},"t6-s08-safety-ethics","فصل ۰۸ — ایمنی و اخلاق، بدونِ موعظه",{"free_preview":65,"order":115,"slug":218,"source":8,"term":79,"title_fa":219},"t6-s09-capstone","فصل ۰۹ — پروژهٔ نهایی: چیزی مسئولانه بساز و منتشر کن",[],1784990543449]