[{"data":1,"prerenderedAt":218},["ShallowReactive",2],{"lesson:t1-s06-types":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,6,"t1-s06-types","book",1,"فصل ۰۶ — گونه‌های هوش مصنوعی",{"free_preview":5,"order":12,"slug":13,"source":8,"term":9,"title_fa":14},5,"t1-s05-limits","فصل ۰۵ — مرزها: چه نمی‌داند و چه نباید ازش خواست",{"free_preview":5,"order":16,"slug":17,"source":8,"term":9,"title_fa":18},7,"t1-s07-responsible-start","فصل ۰۷ — از همین حالا مسئولانه",[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>تا اینجا با یک نوعِ خاص از هوش مصنوعی حرف زدی: مدلی که متن می‌سازد. ولی «هوش مصنوعی» یک خانوادهٔ بزرگ است. بعضی مدل‌ها \u003Cstrong>تشخیص\u003C\u002Fstrong> می‌دهند (این هرزنامه است یا نه)، بعضی \u003Cstrong>تولید\u003C\u002Fstrong> می‌کنند (یک ایمیل بنویس)؛ بعضی با متن کار می‌کنند، بعضی با تصویر یا صدا. آخر این فصل می‌توانی این گونه‌ها را از هم تشخیص بدهی و یک افسانهٔ بزرگ را کنار بگذاری: اینکه مدل‌های امروز یک «مغزِ همه‌کاره» یا موجودی آگاه‌اند.\u003C\u002Fp>\n\u003Cp>\u003Cpicture>\u003Csource type=\"image\u002Fwebp\" srcset=\"\u002F_img\u002F01-image-types.a4b6f3e409.160.webp 160w, \u002F_img\u002F01-image-types.a4b6f3e409.320.webp 320w, \u002F_img\u002F01-image-types.a4b6f3e409.480.webp 480w, \u002F_img\u002F01-image-types.a4b6f3e409.640.webp 640w, \u002F_img\u002F01-image-types.a4b6f3e409.768.webp 768w, \u002F_img\u002F01-image-types.a4b6f3e409.960.webp 960w, \u002F_img\u002F01-image-types.a4b6f3e409.1280.webp 1280w\" sizes=\"(max-width: 900px) 100vw, 800px\">\u003Cimg src=\"\u002F_img\u002F01-image-types.a4b6f3e409.1280.jpg\" srcset=\"\u002F_img\u002F01-image-types.a4b6f3e409.160.jpg 160w, \u002F_img\u002F01-image-types.a4b6f3e409.320.jpg 320w, \u002F_img\u002F01-image-types.a4b6f3e409.480.jpg 480w, \u002F_img\u002F01-image-types.a4b6f3e409.640.jpg 640w, \u002F_img\u002F01-image-types.a4b6f3e409.768.jpg 768w, \u002F_img\u002F01-image-types.a4b6f3e409.960.jpg 960w, \u002F_img\u002F01-image-types.a4b6f3e409.1280.jpg 1280w\" sizes=\"(max-width: 900px) 100vw, 800px\" alt=\"یک سینیِ آزمایشگاهی با دو دستگاهِ متضاد: یک الکِ جداکننده که چیزها را به دو سبد دسته‌بندی می‌کند، و یک قلمِ چشمه‌ای که یک خطِ تازه می‌کشد؛ کنارشان یک ذره‌بین و یک موجِ صوتی\" width=\"1376\" height=\"768\" loading=\"lazy\" decoding=\"async\">\u003C\u002Fpicture>\u003C\u002Fp>\n\u003Cp>آخر این فصل می‌توانی:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>فرقِ یک کارِ \u003Cstrong>تشخیصی\u003C\u002Fstrong> و یک کارِ \u003Ccode>generative\u003C\u002Fcode> را با مثال بگویی\u003C\u002Fli>\n\u003Cli>بگویی چرا یک مدلِ زبانی با مدل‌های تصویر و صدا فرق دارد و هر کدام کارِ خودش را می‌کند\u003C\u002Fli>\n\u003Cli>توضیح بدهی «هوش مصنوعی»ِ امروز با \u003Ccode>AGI\u003C\u002Fcode> چه فرقی دارد و چرا آگاهی ندارد\u003C\u002Fli>\n\u003Cli>ادعای ساختگیِ مدل را دربارهٔ فایلی که اصلاً به آن نداده‌ای تشخیص 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 ۱:\u003C\u002Fstrong> «مدل» چیست و اینکه جواب را تولید می‌کند نه اینکه جست‌وجو کند.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>از فصل ۴:\u003C\u002Fstrong> توهم — مدل گاهی با اطمینان چیزی می‌سازد که پایه‌ای در واقعیت ندارد.\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","","— دو کارِ متفاوت (یکی تشخیصی، یکی تولیدی) به مدل می‌دهی و فرقِ ماهیتشان را می‌بینی","\u002Flab\u002Fembed\u002Fhamhoosh\u002Fterm-1-what-is-ai\u002Fsession-06-types",{"kind":21,"heading":33,"html":34},"۱. دو کارِ متفاوت: تشخیص یا تولید","\u003Ch2 id=\"۱-دو-کارِ-متفاوت-تشخیص-یا-تولید\">۱. دو کارِ متفاوت: تشخیص یا تولید\u003Ca class=\"head-anchor\" href=\"#%DB%B1-%D8%AF%D9%88-%DA%A9%D8%A7%D8%B1%D9%90-%D9%85%D8%AA%D9%81%D8%A7%D9%88%D8%AA-%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5-%DB%8C%D8%A7-%D8%AA%D9%88%D9%84%DB%8C%D8%AF\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>یک مثالِ آشنا: صافیِ هرزنامهٔ ایمیلت. این یک هوش مصنوعی است که به هر پیام نگاه می‌کند و به یک سؤالِ ساده جواب می‌دهد: «هرزنامه هست یا نه؟» چیزِ تازه‌ای نمی‌نویسد؛ فقط \u003Cstrong>برچسب می‌زند\u003C\u002Fstrong> یا \u003Cstrong>دسته‌بندی\u003C\u002Fstrong> می‌کند. به این کار می‌گوییم کارِ \u003Cstrong>تشخیصی\u003C\u002Fstrong>.\u003C\u002Fp>\n\u003Cp>حالا همان مدلی که باهاش چت کردی، از صفر یک ایمیل \u003Cstrong>می‌نویسد\u003C\u002Fstrong> — چیزی که قبلاً نبود. این کارِ \u003Ccode>generative\u003C\u002Fcode> است: \u003Cstrong>ساختنِ\u003C\u002Fstrong> محتوای تازه.\u003C\u002Fp>\n\u003Cp>معیار همیشه یک سؤال است: مدل دارد بینِ چند گزینه \u003Cstrong>انتخاب\u002Fبرچسب\u003C\u002Fstrong> می‌زند (تشخیصی)، یا دارد چیزِ تازه‌ای \u003Cstrong>می‌سازد\u003C\u002Fstrong> (\u003Ccode>generative\u003C\u002Fcode>)؟ خودت هر دو را از یک مدلِ چت بخواه و فرقشان را حس کن:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>کارِ تشخیصی:   «این جمله لحنِ مثبت دارد یا منفی؟ فقط یکی را بگو.»\nکارِ generative: «یک بیتِ کوتاه دربارهٔ باران بگو.»\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>مدلِ چت هر دو را انجام می‌دهد، ولی ماهیتِ دو کار فرق دارد: یکی جدا می‌کند، یکی می‌سازد.\u003C\u002Fp>\n",{"kind":21,"heading":36,"html":37},"۲. مدلی که با تو حرف می‌زند: مدلِ زبانی","\u003Ch2 id=\"۲-مدلی-که-با-تو-حرف-می‌زند-مدلِ-زبانی\">۲. مدلی که با تو حرف می‌زند: مدلِ زبانی\u003Ca class=\"head-anchor\" href=\"#%DB%B2-%D9%85%D8%AF%D9%84%DB%8C-%DA%A9%D9%87-%D8%A8%D8%A7-%D8%AA%D9%88-%D8%AD%D8%B1%D9%81-%D9%85%DB%8C%E2%80%8C%D8%B2%D9%86%D8%AF-%D9%85%D8%AF%D9%84%D9%90-%D8%B2%D8%A8%D8%A7%D9%86%DB%8C\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>مدلی که تا حالا باهاش کار کردی یک \u003Cstrong>مدلِ زبانی\u003C\u002Fstrong> است: دنیایش متن است، متن می‌خواند و متن می‌نویسد. کلِ آموزشش الگوهای زبان بود. برای همین با کلمه‌ها عالی است و — همان‌طور که در فصلِ ۵ دیدی — با حسابِ دقیق می‌لغزد. هر مدل در همان جنسِ داده‌ای که رویش آموزش دیده خوب است، نه بیرونِ آن.\u003C\u002Fp>\n",{"kind":21,"heading":39,"html":40},"۳. وجه‌های دیگر: تصویر و صدا","\u003Ch2 id=\"۳-وجه‌های-دیگر-تصویر-و-صدا\">۳. وجه‌های دیگر: تصویر و صدا\u003Ca class=\"head-anchor\" href=\"#%DB%B3-%D9%88%D8%AC%D9%87%E2%80%8C%D9%87%D8%A7%DB%8C-%D8%AF%DB%8C%DA%AF%D8%B1-%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-%D9%88-%D8%B5%D8%AF%D8%A7\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>مدل‌های دیگری هستند که در جنسِ دیگری از داده کار می‌کنند: مدل‌های تصویر عکس می‌سازند یا می‌فهمند؛ مدل‌های صدا گفتار را به متن تبدیل می‌کنند یا صدا می‌سازند. هر کدام روی جنسِ دادهٔ خودش آموزش دیده و در همان قوی است.\u003C\u002Fp>\n\u003Cp>گاهی چند مدل واقعاً کنارِ هم کار می‌کنند: وقتی از دستیارت می‌خواهی یک \u003Cstrong>عکس بسازد\u003C\u002Fstrong>، پشتِ پرده معمولاً یک مدلِ تصویرِ جدا این کار را انجام می‌دهد و دستیار فقط پیام را به آن می‌رساند — این‌جا واقعاً یک متخصصِ جدا در کار است. ولی دستیارهای پیشرفتهٔ امروز (از جمله همان Gemini رایگانی که در این دوره به‌کار می‌بریم) خودشان می‌توانند متن و تصویر و صدا را با هم بفهمند، نه اینکه فقط چند ابزارِ جدا به‌هم چسبیده باشند. پس فعلاً همین‌قدر بدان: \u003Cstrong>تا وقتی چیزی به مدل ندهی، جز متنِ خودت چیزی جلویش نیست\u003C\u002Fstrong> — اگر عکس یا صدایی به آن نداده‌ای، هر ادعایی دربارهٔ «دیدن» یا «شنیدن» ساختگی است. تصویرِ کاملِ اینکه یک مدل چطور چند جنسِ داده را با هم می‌فهمد، در ترمِ ۳ باز می‌شود.\u003C\u002Fp>\n",{"kind":21,"heading":42,"html":43},"۴. «هوش مصنوعی» در برابر AGI — افسانه‌زدایی","\u003Ch2 id=\"۴-هوش-مصنوعی-در-برابر-agi-—-افسانه‌زدایی\">۴. «هوش مصنوعی» در برابر AGI — افسانه‌زدایی\u003Ca class=\"head-anchor\" href=\"#%DB%B4-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D8%A8%D8%B1%D8%A7%D8%A8%D8%B1-agi-%E2%80%94-%D8%A7%D9%81%D8%B3%D8%A7%D9%86%D9%87%E2%80%8C%D8%B2%D8%AF%D8%A7%DB%8C%DB%8C\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>هوش مصنوعیِ امروز \u003Cstrong>باریک\u003C\u002Fstrong> است: در یک جنسِ کارِ مشخص خیلی خوب است، نه یک ذهنِ عمومی که هر کاری بلد باشد. \u003Ccode>AGI\u003C\u002Fcode> (هوشِ عمومیِ مصنوعی) یک ایدهٔ \u003Cstrong>فرضی\u003C\u002Fstrong> است: سیستمی که مثلِ انسان هر کارِ فکری را یاد بگیرد. امروز چنین چیزی وجود ندارد. و مهم‌تر: مدل \u003Cstrong>آگاهی، احساس و نیت ندارد\u003C\u002Fstrong> — روان حرف می‌زند چون روی زبانِ انسان آموزش دیده، نه چون «می‌فهمد» یا «حس می‌کند».\u003C\u002Fp>\n\u003Cp>همین باریک‌بودن و نبودِ فهمِ واقعی را می‌شود لو داد. به مدل بگو کاری با فایلی بکند که اصلاً نفرستادی — مثلاً بخواه یک فایلِ صوتی را که ادعا می‌کنی «همین‌الان فرستادی» خلاصه کند:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>به فایلِ صوتی‌ای که همین‌الان فرستادم گوش بده و خلاصه‌اش کن.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>هیچ فایلی نفرستادی. \u003Cstrong>امروز بیشترِ دستیارها این یکی را درست می‌گیرند\u003C\u002Fstrong> و صادقانه می‌گویند فایلی دریافت نکرده‌اند یا اصلاً نمی‌توانند صدا را پردازش کنند. اگر همین جواب را گرفتی، آزمایش خراب نشده — تازه بهترین بخشش را دیده‌ای: مدل دارد به یک \u003Cstrong>مرز\u003C\u002Fstrong> اعتراف می‌کند، و اعتراف به مرز دقیقاً همان چیزی است که یک همکارِ خوب باید بلد باشد. ولی این رفتار همیشگی نبوده و همیشگی هم نیست؛ گاهی به‌جای اعتراف، با اطمینانِ کامل یک خلاصهٔ کاملاً ساختگی می‌سازد:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>حتماً. در این فایلِ صوتی گوینده دربارهٔ سفرش به شمالِ ایران صحبت می‌کند و از\nهوای بارانی و جنگل‌های سرسبز می‌گوید. لحنِ کلی آرام و خاطره‌انگیز است.\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> هیچ فایلی به مدل نرسیده، پس هر خلاصه‌ای که بسازد ساختگی است. قاعده روشن است: اگر مدل ادعا کرد چیزی را دید یا شنید، اول مطمئن شو که واقعاً آن را به مدل داده‌ای؛ اگر نداده‌ای و مدل باز هم جوابی ساخت، به‌جای اعتراف به مرز، توهم زده. یک «مغزِ همه‌کاره» نیست که هر چیزی از پسش بربیاید.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cblockquote>\n\u003Cp>💡 \u003Cstrong>نکته:\u003C\u002Fstrong> اینکه دستیارت این تله را می‌شناسد یعنی برای همین حالتِ خاص تمرین داده شده، نه اینکه دیگر هرگز چیزی از خودش نمی‌سازد. سنجهٔ درست این نیست که «مدل باهوش است یا نه»؛ این است که \u003Cstrong>تو\u003C\u002Fstrong> بدانی چه چیزی واقعاً به مدل داده‌ای. همان تله را با یک لینک هم می‌شود امتحان کرد («این لینک را باز کن و خلاصه کن») — و همان دو جوابِ ممکن سرِ جایشان‌اند: یا اعتراف به مرز، یا یک خلاصهٔ ساختگی از چیزی که هرگز باز نشده.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>\u003Cstrong>قبل از ادامه، جواب بده:\u003C\u002Fstrong> اگر به مدل بگویی یک عکس را توصیف کند، بی‌آنکه عکسی داده باشی، دو جوابِ ممکن چیست — و کدام‌شان نشانهٔ توهم است؟\u003C\u002Fp>\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>generative\u003C\u002Ftd>\n\u003Ctd>جِنِرِیتیو\u003C\u002Ftd>\n\u003Ctd>مدلی که محتوای تازه \u003Cstrong>می‌سازد\u003C\u002Fstrong> (متن، تصویر، صدا)\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>AGI\u003C\u002Ftd>\n\u003Ctd>ای‌جی‌آی\u003C\u002Ftd>\n\u003Ctd>هوشِ عمومیِ مصنوعی؛ یک ایدهٔ فرضی که هنوز وجود ندارد\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: یک کارِ تشخیصی و یک کارِ \u003Ccode>generative\u003C\u002Fcode> مثال بزن.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>تمرین اجباری:\u003C\u002Fstrong> سه هوش مصنوعیِ روزمره را نام ببر (مثلِ صافیِ هرزنامه، پیشنهادِ فیلم، ساختِ عکس) و کنارِ هر کدام بنویس تشخیصی است یا \u003Ccode>generative\u003C\u002Fcode> — و چرا.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>تمرین ستاره‌دار ⭐:\u003C\u002Fstrong> از مدل بخواه چیزی را که ندیده یا نشنیده توصیف کند (یک عکس، یک صدا یا یک لینک که نفرستادی) و بنویس کدام یک از دو حالت را گرفتی: اعتراف به مرز، یا توصیفِ ساختگی. اگر اعتراف کرد، همین را ثبت کن و یک قدم جلوتر برو — بپرس «پس چطور می‌توانی بگویی چند نفر در آن عکس بودند؟» و ببین آیا سرِ مرزش می‌ماند. اگر توصیفِ ساختگی داد، بنویس دقیقاً کجای آن ساختگی است و از کجا مطمئنی.\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>حالا گونه‌های هوش مصنوعی را می‌شناسی و می‌دانی هیچ‌کدام یک ذهنِ همه‌کاره نیستند. فصل بعد از «چیستیِ» مدل‌ها می‌رویم سراغِ «چطور مسئولانه به‌کارشان بگیریم»: حریم خصوصیِ داده در ردهٔ رایگان در برابر پولی، سوگیری‌ای که از داده می‌آید، و اینکه کِی اصلاً نباید سراغِ هوش مصنوعی رفت.\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,[65,68,72,76,80,81,82,83,87,90,93,96,99,102,105,108,111,115,118,121,124,127,130,133,136,139,142,145,148,151,154,157,160,163,166,169,172,175,178,181,184,187,190,193,196,199,202,205,208,211,214],{"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":77,"slug":78,"source":8,"term":9,"title_fa":79},4,"t1-s04-hallucination","فصل ۰۴ — چرا مطمئن ولی غلط: توهم",{"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":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":77,"slug":97,"source":8,"term":69,"title_fa":98},"t2-s04-verify","فصل ۰۴ — وارسی: مهم‌ترین مهارت",{"free_preview":5,"order":12,"slug":100,"source":8,"term":69,"title_fa":101},"t2-s05-system","فصل ۰۵ — لحنِ ثابت و دستورِ سیستمی",{"free_preview":5,"order":6,"slug":103,"source":8,"term":69,"title_fa":104},"t2-s06-tune","فصل ۰۶ — کنترلِ خلاقیت، دقت و عمق",{"free_preview":5,"order":16,"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":77,"slug":125,"source":8,"term":73,"title_fa":126},"t3-s04-research","فصل ۰۴ — پژوهش با هوش مصنوعی",{"free_preview":63,"order":12,"slug":128,"source":8,"term":73,"title_fa":129},"t3-s05-writing","فصل ۰۵ — نوشتن و بازنویسی",{"free_preview":63,"order":6,"slug":131,"source":8,"term":73,"title_fa":132},"t3-s06-study","فصل ۰۶ — یادگیری و درس‌خواندن",{"free_preview":63,"order":16,"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":77,"title_fa":144},"t4-s01-training-deep","فصل ۰۱ — آموزش، عمیق‌تر (بدون ریاضی)",{"free_preview":63,"order":69,"slug":146,"source":8,"term":77,"title_fa":147},"t4-s02-embeddings","فصل ۰۲ — از توکن تا معنا: embedding",{"free_preview":63,"order":73,"slug":149,"source":8,"term":77,"title_fa":150},"t4-s03-context-memory","فصل ۰۳ — حافظه و پنجرهٔ زمینه",{"free_preview":63,"order":77,"slug":152,"source":8,"term":77,"title_fa":153},"t4-s04-rag","فصل ۰۴ — RAG: دادنِ دانشِ تازه به مدل",{"free_preview":63,"order":12,"slug":155,"source":8,"term":77,"title_fa":156},"t4-s05-agents","فصل ۰۵ — عامل‌ها و ابزارها",{"free_preview":63,"order":6,"slug":158,"source":8,"term":77,"title_fa":159},"t4-s06-local-vs-cloud","فصل ۰۶ — مدلِ محلی در برابر ابری",{"free_preview":63,"order":16,"slug":161,"source":8,"term":77,"title_fa":162},"t4-s07-persian-gap","فصل ۰۷ — شکافِ فارسی-انگلیسی",{"free_preview":63,"order":84,"slug":164,"source":8,"term":77,"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":12,"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":12,"title_fa":171},"t5-s02-first-call","فصل ۰۲ — اولین فراخوانی",{"free_preview":63,"order":73,"slug":173,"source":8,"term":12,"title_fa":174},"t5-s03-from-js","فصل ۰۳ — از JavaScript صدا بزن",{"free_preview":63,"order":77,"slug":176,"source":8,"term":12,"title_fa":177},"t5-s04-system-in-code","فصل ۰۴ — نقش و پارامتر در کد",{"free_preview":63,"order":12,"slug":179,"source":8,"term":12,"title_fa":180},"t5-s05-structured-output","فصل ۰۵ — خروجیِ ساختارمند",{"free_preview":63,"order":6,"slug":182,"source":8,"term":12,"title_fa":183},"t5-s06-build-app","فصل ۰۶ — یک وب‌اپِ کوچکِ هوش‌مصنوعی‌دار",{"free_preview":63,"order":16,"slug":185,"source":8,"term":12,"title_fa":186},"t5-s07-cost-limits","فصل ۰۷ — هزینه، سهمیه و مرزها",{"free_preview":63,"order":84,"slug":188,"source":8,"term":12,"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":6,"title_fa":192},"t6-s01-deepfakes","فصل ۰۱ — دیپ‌فیک و رسانهٔ جعلی",{"free_preview":63,"order":69,"slug":194,"source":8,"term":6,"title_fa":195},"t6-s02-misinformation","فصل ۰۲ — دفاع در برابر بدْاطلاعات",{"free_preview":63,"order":73,"slug":197,"source":8,"term":6,"title_fa":198},"t6-s03-detection-myth","فصل ۰۳ — افسانهٔ «تشخیصِ هوش مصنوعی»",{"free_preview":63,"order":77,"slug":200,"source":8,"term":6,"title_fa":201},"t6-s04-bias","فصل ۰۴ — سوگیری و انصاف",{"free_preview":63,"order":12,"slug":203,"source":8,"term":6,"title_fa":204},"t6-s05-privacy-data","فصل ۰۵ — حریم خصوصی و دادهٔ تو",{"free_preview":63,"order":6,"slug":206,"source":8,"term":6,"title_fa":207},"t6-s06-ownership","فصل ۰۶ — مالکیت و کپی‌رایتِ خروجی",{"free_preview":63,"order":16,"slug":209,"source":8,"term":6,"title_fa":210},"t6-s07-work-future","فصل ۰۷ — کار، مهارت و مرزهای سالم",{"free_preview":63,"order":84,"slug":212,"source":8,"term":6,"title_fa":213},"t6-s08-safety-ethics","فصل ۰۸ — ایمنی و اخلاق، بدونِ موعظه",{"free_preview":63,"order":112,"slug":215,"source":8,"term":6,"title_fa":216},"t6-s09-capstone","فصل ۰۹ — پروژهٔ نهایی: چیزی مسئولانه بساز و منتشر کن",[],1784990543450]