[{"data":1,"prerenderedAt":218},["ShallowReactive",2],{"lesson:t1-s05-limits":3,"course:hamhoosh":54},{"meta":4,"prev":11,"next":15,"sections":19},{"free_preview":5,"order":6,"slug":7,"source":8,"term":9,"title_fa":10},true,5,"t1-s05-limits","book",1,"فصل ۰۵ — مرزها: چه نمی‌داند و چه نباید ازش خواست",{"free_preview":5,"order":12,"slug":13,"source":8,"term":9,"title_fa":14},4,"t1-s04-hallucination","فصل ۰۴ — چرا مطمئن ولی غلط: توهم",{"free_preview":5,"order":16,"slug":17,"source":8,"term":9,"title_fa":18},6,"t1-s06-types","فصل ۰۶ — گونه‌های هوش مصنوعی",[20,24,27,32,35,38,41,44,47,51],{"kind":21,"heading":22,"html":23},"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>مدل قوی است، ولی مرز دارد. بعضی چیزها را \u003Cstrong>نمی‌داند\u003C\u002Fstrong> — چون بعد از آموزشش رخ داده‌اند یا همین‌الان دارند اتفاق می‌افتند. بعضی کارها را هم \u003Cstrong>خوب انجام نمی‌دهد\u003C\u002Fstrong>، مثلِ حسابِ دقیق. و یک مرزِ سوم هم هست که به خودِ تو مربوط است: چیزهایی که \u003Cstrong>نباید\u003C\u002Fstrong> به مدل بدهی. آخر این فصل می‌دانی کجا به جوابِ مدل تکیه نکنی و چرا — و همان عادتِ وارسیِ فصلِ قبل، اینجا ابزارِ اصلی‌ات می‌شود.\u003C\u002Fp>\n\u003Cp>\u003Cpicture>\u003Csource type=\"image\u002Fwebp\" srcset=\"\u002F_img\u002F01-image-limits.c3d9dd86fc.160.webp 160w, \u002F_img\u002F01-image-limits.c3d9dd86fc.320.webp 320w, \u002F_img\u002F01-image-limits.c3d9dd86fc.480.webp 480w, \u002F_img\u002F01-image-limits.c3d9dd86fc.640.webp 640w, \u002F_img\u002F01-image-limits.c3d9dd86fc.768.webp 768w, \u002F_img\u002F01-image-limits.c3d9dd86fc.960.webp 960w, \u002F_img\u002F01-image-limits.c3d9dd86fc.1280.webp 1280w\" sizes=\"(max-width: 900px) 100vw, 800px\">\u003Cimg src=\"\u002F_img\u002F01-image-limits.c3d9dd86fc.1280.jpg\" srcset=\"\u002F_img\u002F01-image-limits.c3d9dd86fc.160.jpg 160w, \u002F_img\u002F01-image-limits.c3d9dd86fc.320.jpg 320w, \u002F_img\u002F01-image-limits.c3d9dd86fc.480.jpg 480w, \u002F_img\u002F01-image-limits.c3d9dd86fc.640.jpg 640w, \u002F_img\u002F01-image-limits.c3d9dd86fc.768.jpg 768w, \u002F_img\u002F01-image-limits.c3d9dd86fc.960.jpg 960w, \u002F_img\u002F01-image-limits.c3d9dd86fc.1280.jpg 1280w\" sizes=\"(max-width: 900px) 100vw, 800px\" alt=\"نمای یک محفظهٔ شیشه‌ایِ سرپوشیده با قفسه‌های کتابِ منظم درونش، و بیرونِ سرپوش نمادهای دنیای زنده مثل خورشید و ابر و یک جرقه که به دیوارهٔ شیشه می‌رسند و جلوتر نمی‌روند\" width=\"1376\" height=\"768\" loading=\"lazy\" decoding=\"async\">\u003C\u002Fpicture>\u003C\u002Fp>\n\u003Cp>آخر این فصل می‌توانی:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>توضیح بدهی \u003Ccode>knowledge cutoff\u003C\u002Fcode> در عمل یعنی چه و چرا مدل از رویدادهای تازه بی‌خبر است\u003C\u002Fli>\n\u003Cli>بگویی چرا مدل از «همین‌الان» — تاریخِ امروز، قیمتِ لحظه‌ای، خبرِ تازه — خبر ندارد\u003C\u002Fli>\n\u003Cli>ضعفِ مدل در حساب و منطقِ دقیق را با یک مثال نشان بدهی و وارسی‌اش کنی\u003C\u002Fli>\n\u003Cli>تصمیم بگیری چه اطلاعاتی را هرگز نباید به مدل بدهی\u003C\u002Fli>\n\u003C\u002Ful>\n",{"kind":21,"heading":25,"html":26},"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\u003Cul>\n\u003Cli>\u003Cstrong>از فصل ۲:\u003C\u002Fstrong> \u003Ccode>knowledge cutoff\u003C\u002Fcode> — مدل تا یک نقطهٔ زمانیِ مشخص آموزش دیده و بعدش را ندیده.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>از فصل ۴:\u003C\u002Fstrong> وقتی مدل چیزی را نمی‌داند ساکت نمی‌ماند؛ ممکن است با اطمینان توهم بزند.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>مثل همیشه فقط یک مرورگر و دستیارِ هوش مصنوعی‌ات (با کلیدِ رایگانِ خودت) لازم داری.\u003C\u002Fp>\n",{"kind":28,"heading":29,"html":30,"embed":31},"lab","","— سه سؤال از مدل می‌پرسی که هر کدام یکی از مرزهایش را لو می‌دهد، و هر جواب را وارسی می‌کنی","\u002Flab\u002Fembed\u002Fhamhoosh\u002Fterm-1-what-is-ai\u002Fsession-05-limits",{"kind":21,"heading":33,"html":34},"۱. دیوارِ زمان: knowledge cutoff در عمل","\u003Ch2 id=\"۱-دیوارِ-زمان-knowledge-cutoff-در-عمل\">۱. دیوارِ زمان: knowledge cutoff در عمل\u003Ca class=\"head-anchor\" href=\"#%DB%B1-%D8%AF%DB%8C%D9%88%D8%A7%D8%B1%D9%90-%D8%B2%D9%85%D8%A7%D9%86-knowledge-cutoff-%D8%AF%D8%B1-%D8%B9%D9%85%D9%84\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>مدل روی متنی آموزش دیده که تا یک تاریخِ مشخص جمع شده بود؛ به آن نقطه می‌گویند \u003Ccode>knowledge cutoff\u003C\u002Fcode>. هر اتفاقی که \u003Cstrong>بعد\u003C\u002Fstrong> از آن افتاده باشد، برای مدل انگار اصلاً رخ نداده. از یک رویدادِ خیلی تازه بپرس:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>مهم‌ترین اتفاقِ هفتهٔ گذشته در دنیای فناوری چه بود؟ خلاصه‌اش کن.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>گاهی مدل صادقانه می‌گوید که تا زمانِ آموزشش خبر دارد و از هفتهٔ گذشته بی‌اطلاع است — که پاسخِ درستی است. ولی گاهی، به‌جای این، یک «خبرِ تازه» با اطمینان می‌سازد:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>هفتهٔ گذشته یک شرکتِ بزرگِ فناوری از نسلِ جدیدِ عینکِ واقعیتِ افزوده‌اش رونمایی کرد\nکه با فرمانِ صوتی کار می‌کند و بازخوردها بسیار مثبت بود.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>این می‌تواند کاملاً ساختگی باشد — مدل راهی به خبرهای هفتهٔ گذشته ندارد. این همان توهمِ فصل ۴ است، این‌بار روی زمان.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>✅ \u003Cstrong>وارسی:\u003C\u002Fstrong> برای هر «خبرِ تازه»، به یک منبعِ خبریِ معتبر با تاریخ برو و ببین واقعاً رخ داده. اگر مدل ادعا کرد چیزی «هفتهٔ گذشته» شده، اول از خودش بپرس اصلاً می‌تواند بداند یا نه.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n",{"kind":21,"heading":36,"html":37},"۲. بی‌خبر از لحظهٔ حال","\u003Ch2 id=\"۲-بی‌خبر-از-لحظهٔ-حال\">۲. بی‌خبر از لحظهٔ حال\u003Ca class=\"head-anchor\" href=\"#%DB%B2-%D8%A8%DB%8C%E2%80%8C%D8%AE%D8%A8%D8%B1-%D8%A7%D8%B2-%D9%84%D8%AD%D8%B8%D9%87%D9%94-%D8%AD%D8%A7%D9%84\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>فراتر از \u003Ccode>knowledge cutoff\u003C\u002Fcode>، مدل به‌خودیِ‌خود هیچ اتصالی به «همین‌الان» ندارد: نه ساعت، نه تاریخِ امروز، نه هوای بیرون، نه قیمتِ لحظه‌ای، نه اینکه یک آدمِ مشخص هنوز زنده است یا نه. این‌ها را نمی‌داند چون در متنِ ثابتِ آموزشش نبوده‌اند. بپرس:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>تو: الان هوای تهران چطور است و امروز چندشنبه است؟\nمدل: امروز سه‌شنبه است و هوای تهران آفتابیِ مطبوع است.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>جوابی محکم و روشن — و کاملاً بی‌پایه، چون مدل نه به تقویم وصل است نه به هواشناسی. فقط یک جوابِ \u003Cem>محتمل\u003C\u002Fem> ساخت.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>✅ \u003Cstrong>وارسی:\u003C\u002Fstrong> تاریخ و ساعت را از تقویم و ساعتِ دستگاهت بگیر، نه از مدل؛ و برای هوا به یک سرویسِ هواشناسی نگاه کن. مدل به هیچ‌کدام از این‌ها وصل نیست، پس هر جوابِ «همین‌الانی» که بدهد تا با یک منبعِ زنده تأیید نشود بی‌اعتبار است.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cblockquote>\n\u003Cp>💡 \u003Cstrong>نکته:\u003C\u002Fstrong> بعضی دستیارها می‌توانند در لحظه در وب جست‌وجو کنند و آن‌وقت جوابِ به‌روز می‌دهند. ولی این یک تواناییِ \u003Cstrong>اضافه\u003C\u002Fstrong> است، نه حافظهٔ خودِ مدل — و باز هم منبعش را وارسی کن.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>\u003Cstrong>قبل از ادامه، جواب بده:\u003C\u002Fstrong> اگر از مدل بپرسی «قیمتِ لحظه‌ایِ فلان‌چیز چقدر است؟» و یک عددِ محکم بدهد، چرا نباید همان‌جا باورش کنی؟\u003C\u002Fp>\n",{"kind":21,"heading":39,"html":40},"۳. حساب و منطقِ دقیق: نقطهٔ ضعف","\u003Ch2 id=\"۳-حساب-و-منطقِ-دقیق-نقطهٔ-ضعف\">۳. حساب و منطقِ دقیق: نقطهٔ ضعف\u003Ca class=\"head-anchor\" href=\"#%DB%B3-%D8%AD%D8%B3%D8%A7%D8%A8-%D9%88-%D9%85%D9%86%D8%B7%D9%82%D9%90-%D8%AF%D9%82%DB%8C%D9%82-%D9%86%D9%82%D8%B7%D9%87%D9%94-%D8%B6%D8%B9%D9%81\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>مدل متن را با پیش‌بینیِ محتمل‌ترین ادامه می‌سازد؛ ولی حسابِ دقیق «پیش‌بینیِ محتمل‌ترین چیز» نیست، یک محاسبهٔ قطعی است. برای همین مدل در حسابِ دقیق — ضربِ عددهای بزرگ و شمارشِ دقیق — می‌لغزد، و باز هم با اطمینان. (مدل‌های تازه‌تر در منطقِ چندمرحله‌ای خیلی بهتر شده‌اند؛ ولی همین حسابِ دقیق هنوز نقطهٔ ضعفِ همیشگی‌شان است.) امتحان کن:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>حاصلِ ۳۱۲۵ × ۴۸۷ چند است؟ فقط عدد را بگو.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>آن «فقط عدد را بگو» عمدی است و نصفِ درسِ همین بخش در آن است. اگر جا بدهی مدل ضرب را ستون‌به‌ستون روی کاغذ بنویسد، اغلب درست درمی‌آید — چون دارد \u003Cstrong>قدم‌های یک روش\u003C\u002Fstrong> را بازسازی می‌کند و هر قدمش کوچک است. وقتی فقط عدد می‌خواهی، آن کاغذ را ازش می‌گیری و مجبورش می‌کنی یک عددِ هفت‌رقمی را یک‌جا حدس بزند. یک جوابِ نمونه که ممکن است بگیری:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>۱۵۲۲۸۷۵\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cblockquote>\n\u003Cp>✅ \u003Cstrong>وارسی:\u003C\u002Fstrong> این 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> همین ضرب را با یک ماشین‌حساب بزن. جوابِ درست ۱۵۲۱۸۷۵ است — یعنی مدل هزار تا اضافه گذاشت، ولی جوابش هم‌قدرِ جوابِ درست محکم به‌نظر می‌رسید. برای هر حسابِ دقیق از ماشین‌حساب یا یک ابزارِ حساب استفاده کن، نه از حافظهٔ مدل.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>خودِ عددِ غلط را حفظ نکن؛ بارِ بعد عددِ غلطِ دیگری می‌دهد. \u003Cstrong>همین\u003C\u002Fstrong> مهم‌ترین نشانه است: سه بار پشتِ‌سرِ‌هم بپرس. یک ماشین‌حساب هر سه بار دقیقاً یک عدد می‌دهد؛ مدل معمولاً سه عددِ نزدیک ولی متفاوت. این یعنی مدل \u003Cstrong>حساب نمی‌کند\u003C\u002Fstrong>، حدس می‌زند که جواب چه شکلی باید باشد.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>و اگر مدلِ تو درست جواب داد چه؟\u003C\u002Fstrong> ممکن است، مخصوصاً روی دستیارهای کندتر و گران‌ترِ امروز که پیش از جواب بیشتر فکر می‌کنند، یا وقتی خودشان پشتِ پرده سراغِ یک ماشین‌حسابِ واقعی می‌روند. این خبرِ خوبی است، ولی «مدل حساب بلد شد» نیست — یعنی این یکی ضرب برایش آسان بوده یا کمکِ بیرونی داشته. عددها را بزرگ‌تر کن و دوباره امتحان کن: \u003Ccode>حاصلِ ۲۳۴۷ × ۸۹۶۱ چند است؟ فقط عدد را بگو.\u003C\u002Fcode> (جوابِ درست: ۲۱۰۳۱۴۶۷). قاعده عوض نمی‌شود: حسابِ دقیق کارِ ماشین‌حساب است، نه کارِ یک ماشینِ پیش‌بینیِ متن.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>قبل از ادامه، جواب بده:\u003C\u002Fstrong> چرا مدلی که مقاله‌ای روان می‌نویسد ممکن است یک ضربِ ساده را غلط بدهد؟\u003C\u002Fp>\n",{"kind":21,"heading":42,"html":43},"۴. رازِ شخصی نده","\u003Ch2 id=\"۴-رازِ-شخصی-نده\">۴. رازِ شخصی نده\u003Ca class=\"head-anchor\" href=\"#%DB%B4-%D8%B1%D8%A7%D8%B2%D9%90-%D8%B4%D8%AE%D8%B5%DB%8C-%D9%86%D8%AF%D9%87\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>آخرین مرز به خودِ تو برمی‌گردد. هر چیزی که در ردهٔ رایگان به مدل می‌دهی ممکن است ذخیره شود و برای بهترکردنِ مدل به‌کار برود. پس چند چیز را \u003Cstrong>هرگز\u003C\u002Fstrong> تایپ نکن: رمزِ عبور، شمارهٔ کارت و کدِ ملی، اطلاعاتِ پزشکیِ خصوصی، و رازِ آدم‌های دیگر که پیشِ تو امانت است.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>⚠️ \u003Cstrong>مواظب باش:\u003C\u002Fstrong> ردهٔ رایگان معمولاً استفادهٔ تجاری را منع می‌کند و ممکن است پرامپت و پاسخ را برای آموزش نگه دارد. قاعدهٔ ساده: اگر ناراحت می‌شدی آن متن روی یک بیلبورد برود، به مدل نده. کلید هم مالِ خودت است؛ داده‌ات هم.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n",{"kind":21,"heading":45,"html":46},"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>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":48,"heading":49,"html":50},"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: دو سؤال نام ببر که مدل \u003Cem>نمی‌تواند\u003C\u002Fem> درست جوابشان را بدهد، و بگو چرا.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>تمرین اجباری:\u003C\u002Fstrong> یک سؤالِ «همین‌الانی» (تاریخِ امروز، هوا، یا یک خبرِ تازه) و یک ضربِ عددهای بزرگ از مدل بپرس. هر دو جواب را با یک منبعِ بیرونی (تقویم\u002Fخبر و ماشین‌حساب) وارسی کن و بنویس کدام درست بود و کدام نه.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>تمرین ستاره‌دار ⭐:\u003C\u002Fstrong> با پرسیدنِ رویدادهایی از گذشته به‌سمتِ امروز، حدس بزن \u003Ccode>knowledge cutoff\u003C\u002Fcode>ِ مدلِ خودت کجاست: از چه تاریخی به بعد دیگر جوابِ مطمئن و درست نمی‌دهد؟\u003C\u002Fp>\n",{"kind":21,"heading":52,"html":53},"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>تا اینجا با یک نوع مدل کار کردی: مدلی که متن می‌سازد. ولی «هوش مصنوعی» یک خانوادهٔ بزرگ است — بعضی مدل‌ها تشخیص می‌دهند و بعضی تولید، بعضی با تصویر کار می‌کنند و بعضی با صدا. فصل بعد این گونه‌ها را از هم جدا می‌کنیم و یک افسانهٔ بزرگ را کنار می‌گذاریم: اینکه مدل‌های امروز یک «مغزِ همه‌کاره» یا موجودی آگاه‌اند.\u003C\u002Fp>\n",{"course":55,"entitled":63,"lessons":64,"payments_enabled":63,"terms":217,"live":5},{"active_window":56,"effective_price_toman":57,"free":5,"lesson_count":58,"price_toman":59,"slug":60,"summary_fa":61,"title_fa":62},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,[65,68,72,76,77,78,79,83,87,90,93,96,99,102,105,108,111,115,118,121,124,127,130,133,136,139,142,145,148,151,154,157,160,163,166,169,172,175,178,181,184,187,190,193,196,199,202,205,208,211,214],{"free_preview":5,"order":9,"slug":66,"source":8,"term":9,"title_fa":67},"t1-s01-first-conversation","فصل ۰۱ — با چه چیزی حرف می‌زنی؟ اولین گفت‌وگو",{"free_preview":5,"order":69,"slug":70,"source":8,"term":9,"title_fa":71},2,"t1-s02-how-it-learns","فصل ۰۲ — چطور یاد گرفت",{"free_preview":5,"order":73,"slug":74,"source":8,"term":9,"title_fa":75},3,"t1-s03-tokens","فصل ۰۳ — توکن: واحدِ کارِ مدل",{"free_preview":5,"order":12,"slug":13,"source":8,"term":9,"title_fa":14},{"free_preview":5,"order":6,"slug":7,"source":8,"term":9,"title_fa":10},{"free_preview":5,"order":16,"slug":17,"source":8,"term":9,"title_fa":18},{"free_preview":5,"order":80,"slug":81,"source":8,"term":9,"title_fa":82},7,"t1-s07-responsible-start","فصل ۰۷ — از همین حالا مسئولانه",{"free_preview":5,"order":84,"slug":85,"source":8,"term":9,"title_fa":86},8,"t1-s08-interrogate-project","فصل ۰۸ — پروژه: یک مدل را بازجویی کن",{"free_preview":5,"order":9,"slug":88,"source":8,"term":69,"title_fa":89},"t2-s01-intent","فصل ۰۱ — نیت، نه جادو",{"free_preview":5,"order":69,"slug":91,"source":8,"term":69,"title_fa":92},"t2-s02-context","فصل ۰۲ — زمینه‌دادن",{"free_preview":5,"order":73,"slug":94,"source":8,"term":69,"title_fa":95},"t2-s03-iterate","فصل ۰۳ — حلقهٔ تکرار",{"free_preview":5,"order":12,"slug":97,"source":8,"term":69,"title_fa":98},"t2-s04-verify","فصل ۰۴ — وارسی: مهم‌ترین مهارت",{"free_preview":5,"order":6,"slug":100,"source":8,"term":69,"title_fa":101},"t2-s05-system","فصل ۰۵ — لحنِ ثابت و دستورِ سیستمی",{"free_preview":5,"order":16,"slug":103,"source":8,"term":69,"title_fa":104},"t2-s06-tune","فصل ۰۶ — کنترلِ خلاقیت، دقت و عمق",{"free_preview":5,"order":80,"slug":106,"source":8,"term":69,"title_fa":107},"t2-s07-structured","فصل ۰۷ — پرامپتِ ساختارمند و قابلِ‌استفادهٔ مجدد",{"free_preview":5,"order":84,"slug":109,"source":8,"term":69,"title_fa":110},"t2-s08-antipatterns","فصل ۰۸ — دام‌ها و افسانه‌ها",{"free_preview":5,"order":112,"slug":113,"source":8,"term":69,"title_fa":114},9,"t2-s09-assistant-project","فصل ۰۹ — پروژه: یک دستیارِ شخصی بساز",{"free_preview":5,"order":9,"slug":116,"source":8,"term":73,"title_fa":117},"t3-s01-images","فصل ۰۱ — ساختِ تصویر با هوش مصنوعی",{"free_preview":63,"order":69,"slug":119,"source":8,"term":73,"title_fa":120},"t3-s02-image-understanding","فصل ۰۲ — فهمِ تصویر",{"free_preview":63,"order":73,"slug":122,"source":8,"term":73,"title_fa":123},"t3-s03-audio-video","فصل ۰۳ — صدا و ویدیو",{"free_preview":63,"order":12,"slug":125,"source":8,"term":73,"title_fa":126},"t3-s04-research","فصل ۰۴ — پژوهش با هوش مصنوعی",{"free_preview":63,"order":6,"slug":128,"source":8,"term":73,"title_fa":129},"t3-s05-writing","فصل ۰۵ — نوشتن و بازنویسی",{"free_preview":63,"order":16,"slug":131,"source":8,"term":73,"title_fa":132},"t3-s06-study","فصل ۰۶ — یادگیری و درس‌خواندن",{"free_preview":63,"order":80,"slug":134,"source":8,"term":73,"title_fa":135},"t3-s07-work","فصل ۰۷ — کارِ حرفه‌ای",{"free_preview":63,"order":84,"slug":137,"source":8,"term":73,"title_fa":138},"t3-s08-coding-help","فصل ۰۸ — کمکِ کدنویسی (بی‌آنکه برنامه‌نویس باشی)",{"free_preview":63,"order":112,"slug":140,"source":8,"term":73,"title_fa":141},"t3-s09-workflow-project","فصل ۰۹ — پروژه: یک جریانِ کاریِ واقعی",{"free_preview":5,"order":9,"slug":143,"source":8,"term":12,"title_fa":144},"t4-s01-training-deep","فصل ۰۱ — آموزش، عمیق‌تر (بدون ریاضی)",{"free_preview":63,"order":69,"slug":146,"source":8,"term":12,"title_fa":147},"t4-s02-embeddings","فصل ۰۲ — از توکن تا معنا: embedding",{"free_preview":63,"order":73,"slug":149,"source":8,"term":12,"title_fa":150},"t4-s03-context-memory","فصل ۰۳ — حافظه و پنجرهٔ زمینه",{"free_preview":63,"order":12,"slug":152,"source":8,"term":12,"title_fa":153},"t4-s04-rag","فصل ۰۴ — RAG: دادنِ دانشِ تازه به مدل",{"free_preview":63,"order":6,"slug":155,"source":8,"term":12,"title_fa":156},"t4-s05-agents","فصل ۰۵ — عامل‌ها و ابزارها",{"free_preview":63,"order":16,"slug":158,"source":8,"term":12,"title_fa":159},"t4-s06-local-vs-cloud","فصل ۰۶ — مدلِ محلی در برابر ابری",{"free_preview":63,"order":80,"slug":161,"source":8,"term":12,"title_fa":162},"t4-s07-persian-gap","فصل ۰۷ — شکافِ فارسی-انگلیسی",{"free_preview":63,"order":84,"slug":164,"source":8,"term":12,"title_fa":165},"t4-s08-mental-model-project","فصل ۰۸ — پروژه: نقشهٔ ذهنیِ یک پاسخ",{"free_preview":5,"order":9,"slug":167,"source":8,"term":6,"title_fa":168},"t5-s01-api-idea","فصل ۰۱ — API چیست: حرف‌زدنِ برنامه با مدل",{"free_preview":63,"order":69,"slug":170,"source":8,"term":6,"title_fa":171},"t5-s02-first-call","فصل ۰۲ — اولین فراخوانی",{"free_preview":63,"order":73,"slug":173,"source":8,"term":6,"title_fa":174},"t5-s03-from-js","فصل ۰۳ — از JavaScript صدا بزن",{"free_preview":63,"order":12,"slug":176,"source":8,"term":6,"title_fa":177},"t5-s04-system-in-code","فصل ۰۴ — نقش و پارامتر در کد",{"free_preview":63,"order":6,"slug":179,"source":8,"term":6,"title_fa":180},"t5-s05-structured-output","فصل ۰۵ — خروجیِ ساختارمند",{"free_preview":63,"order":16,"slug":182,"source":8,"term":6,"title_fa":183},"t5-s06-build-app","فصل ۰۶ — یک وب‌اپِ کوچکِ هوش‌مصنوعی‌دار",{"free_preview":63,"order":80,"slug":185,"source":8,"term":6,"title_fa":186},"t5-s07-cost-limits","فصل ۰۷ — هزینه، سهمیه و مرزها",{"free_preview":63,"order":84,"slug":188,"source":8,"term":6,"title_fa":189},"t5-s08-ship-project","فصل ۰۸ — پروژه: ابزارِ هوش‌مصنوعیِ خودت را منتشر کن",{"free_preview":5,"order":9,"slug":191,"source":8,"term":16,"title_fa":192},"t6-s01-deepfakes","فصل ۰۱ — دیپ‌فیک و رسانهٔ جعلی",{"free_preview":63,"order":69,"slug":194,"source":8,"term":16,"title_fa":195},"t6-s02-misinformation","فصل ۰۲ — دفاع در برابر بدْاطلاعات",{"free_preview":63,"order":73,"slug":197,"source":8,"term":16,"title_fa":198},"t6-s03-detection-myth","فصل ۰۳ — افسانهٔ «تشخیصِ هوش مصنوعی»",{"free_preview":63,"order":12,"slug":200,"source":8,"term":16,"title_fa":201},"t6-s04-bias","فصل ۰۴ — سوگیری و انصاف",{"free_preview":63,"order":6,"slug":203,"source":8,"term":16,"title_fa":204},"t6-s05-privacy-data","فصل ۰۵ — حریم خصوصی و دادهٔ تو",{"free_preview":63,"order":16,"slug":206,"source":8,"term":16,"title_fa":207},"t6-s06-ownership","فصل ۰۶ — مالکیت و کپی‌رایتِ خروجی",{"free_preview":63,"order":80,"slug":209,"source":8,"term":16,"title_fa":210},"t6-s07-work-future","فصل ۰۷ — کار، مهارت و مرزهای سالم",{"free_preview":63,"order":84,"slug":212,"source":8,"term":16,"title_fa":213},"t6-s08-safety-ethics","فصل ۰۸ — ایمنی و اخلاق، بدونِ موعظه",{"free_preview":63,"order":112,"slug":215,"source":8,"term":16,"title_fa":216},"t6-s09-capstone","فصل ۰۹ — پروژهٔ نهایی: چیزی مسئولانه بساز و منتشر کن",[],1784990543450]