[{"data":1,"prerenderedAt":218},["ShallowReactive",2],{"lesson:t6-s01-deepfakes":3,"course:hamhoosh":56},{"meta":4,"prev":11,"next":17,"sections":21},{"free_preview":5,"order":6,"slug":7,"source":8,"term":9,"title_fa":10},true,1,"t6-s01-deepfakes","book",6,"فصل ۰۱ — دیپ‌فیک و رسانهٔ جعلی",{"free_preview":12,"order":13,"slug":14,"source":8,"term":15,"title_fa":16},false,8,"t5-s08-ship-project",5,"فصل ۰۸ — پروژه: ابزارِ هوش‌مصنوعیِ خودت را منتشر کن",{"free_preview":12,"order":18,"slug":19,"source":8,"term":9,"title_fa":20},2,"t6-s02-misinformation","فصل ۰۲ — دفاع در برابر بدْاطلاعات",[22,26,29,34,37,40,43,46,49,53],{"kind":23,"heading":24,"html":25},"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>سال‌ها یک عکس تقریباً یک مدرک بود. اگر عکسی از یک اتفاق داشتی، آن اتفاق افتاده بود. حالا این فرض دیگر امن نیست: یک مدلِ هوش مصنوعی می‌تواند در چند ثانیه تصویری واقع‌نما از رویدادی بسازد که هرگز رخ نداده، یا صدایی از زبانِ کسی که آن حرف‌ها را هرگز نزده. این فصل نه برای ترساندنِ توست و نه برای اینکه به همه‌چیز بدبین شوی؛ برای این است که یک مهارتِ آرام یاد بگیری. می‌فهمی \u003Ccode>deepfake\u003C\u002Fcode> چیست، چند نشانه‌ای که هنوز خیلی از جعل‌ها را لو می‌دهند کدام‌اند، چرا «دیدن یعنی باور» دیگر یک قانونِ مطمئن نیست، و مهم‌تر از همه: وقتی نشانه‌ها تمام شدند، چه عادتی از تو محافظت می‌کند.\u003C\u002Fp>\n\u003Cp>\u003Cpicture>\u003Csource type=\"image\u002Fwebp\" srcset=\"\u002F_img\u002F01-image-deepfake-signs.d5089a3c22.160.webp 160w, \u002F_img\u002F01-image-deepfake-signs.d5089a3c22.320.webp 320w, \u002F_img\u002F01-image-deepfake-signs.d5089a3c22.480.webp 480w, \u002F_img\u002F01-image-deepfake-signs.d5089a3c22.640.webp 640w, \u002F_img\u002F01-image-deepfake-signs.d5089a3c22.768.webp 768w, \u002F_img\u002F01-image-deepfake-signs.d5089a3c22.960.webp 960w, \u002F_img\u002F01-image-deepfake-signs.d5089a3c22.1280.webp 1280w\" sizes=\"(max-width: 900px) 100vw, 800px\">\u003Cimg src=\"\u002F_img\u002F01-image-deepfake-signs.d5089a3c22.1280.jpg\" srcset=\"\u002F_img\u002F01-image-deepfake-signs.d5089a3c22.160.jpg 160w, \u002F_img\u002F01-image-deepfake-signs.d5089a3c22.320.jpg 320w, \u002F_img\u002F01-image-deepfake-signs.d5089a3c22.480.jpg 480w, \u002F_img\u002F01-image-deepfake-signs.d5089a3c22.640.jpg 640w, \u002F_img\u002F01-image-deepfake-signs.d5089a3c22.768.jpg 768w, \u002F_img\u002F01-image-deepfake-signs.d5089a3c22.960.jpg 960w, \u002F_img\u002F01-image-deepfake-signs.d5089a3c22.1280.jpg 1280w\" sizes=\"(max-width: 900px) 100vw, 800px\" alt=\"یک عکسِ پرتره روی یک پایه که زیرِ ذره‌بین بررسی می‌شود؛ ذره‌بین روی دستِ سوژه یک انگشتِ اضافه را نشان می‌دهد، دو گوش دو گوشوارهٔ متفاوت دارند، و کاغذدیواریِ پشتِ سر در یک گوشه به پیچ‌وتابِ بی‌معنا آب می‌رود\" width=\"1376\" height=\"768\" loading=\"lazy\" decoding=\"async\">\u003C\u002Fpicture>\u003C\u002Fp>\n\u003Cp>آخر این فصل می‌توانی:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>بگویی \u003Ccode>deepfake\u003C\u002Fcode> چیست و چرا با یک عکسِ دستکاری‌شدهٔ قدیمی فرق دارد\u003C\u002Fli>\n\u003Cli>چند نشانهٔ رایج را در یک تصویر، صدا یا ویدیوی جعلی پیدا کنی\u003C\u002Fli>\n\u003Cli>توضیح بدهی چرا «دیدن یعنی باور» دیگر یک فرضِ مطمئن نیست\u003C\u002Fli>\n\u003Cli>به‌جای تکیه بر نشانه‌ها، منشأ و زمینهٔ یک رسانه را وارسی کنی\u003C\u002Fli>\n\u003C\u002Ful>\n",{"kind":23,"heading":27,"html":28},"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 ۶ ترم ۱:\u003C\u002Fstrong> مدل‌های \u003Ccode>generative\u003C\u002Fcode> محتوا را \u003Cstrong>تولید\u003C\u002Fstrong> می‌کنند، از جایی کپی نمی‌کنند — پس می‌توانند چیزی بسازند که اصلاً وجود نداشته.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>از فصل ۳ ترم ۳:\u003C\u002Fstrong> ساختِ صدای جعلیِ یک آدمِ واقعی شدنی است؛ آنجا فقط مرزش را گذاشتیم، اینجا تشخیص و دفاع را کامل می‌کنیم.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>از فصل ۴ ترم ۱:\u003C\u002Fstrong> مدل با اعتمادبه‌نفسِ کامل هم می‌تواند غلط بگوید — این را در بخشِ آخر همین فصل به کار می‌گیریم.\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":30,"heading":31,"html":32,"embed":33},"lab","","— چند تصویر و صدای نمونه آماده است. روی هرکدام نشانه‌های جعل را می‌گردی، بعد یاد می‌گیری همان چیزی را که با نشانه نمی‌شود ثابت کرد، چطور از راهِ منشأ وارسی کنی","\u002Flab\u002Fembed\u002Fhamhoosh\u002Fterm-6-citizen\u002Fsession-01-deepfakes",{"kind":23,"heading":35,"html":36},"۱. یک عکس دیگر خودش مدرک نیست","\u003Ch2 id=\"۱-یک-عکس-دیگر-خودش-مدرک-نیست\">۱. یک عکس دیگر خودش مدرک نیست\u003Ca class=\"head-anchor\" href=\"#%DB%B1-%DB%8C%DA%A9-%D8%B9%DA%A9%D8%B3-%D8%AF%DB%8C%DA%AF%D8%B1-%D8%AE%D9%88%D8%AF%D8%B4-%D9%85%D8%AF%D8%B1%DA%A9-%D9%86%DB%8C%D8%B3%D8%AA\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>دستکاریِ عکس تازه نیست؛ از قدیم بوده. ولی قدیم یک ترمز داشت: جعلِ باورپذیر \u003Cstrong>وقت، مهارت و ابزار\u003C\u002Fstrong> می‌خواست. کسی که می‌خواست یک عکسِ قانع‌کننده بسازد باید ساعت‌ها کار می‌کرد و کارِ حرفه‌ای بلد بود. همین سختی، تعدادِ جعل‌ها را کم نگه می‌داشت.\u003C\u002Fp>\n\u003Cp>آن ترمز حالا برداشته شده. یک مدلِ تصویرِ \u003Ccode>generative\u003C\u002Fcode> می‌تواند در چند ثانیه، رایگان، و بدونِ هیچ مهارتِ خاصی، یک عکسِ واقع‌نما از چیزی بسازد که هرگز اتفاق نیفتاده. به رسانهٔ ساختگیِ واقع‌نمایی که هوش مصنوعی ساخته یا دستکاری کرده تا واقعی به‌نظر برسد می‌گویند \u003Ccode>deepfake\u003C\u002Fcode> (در فارسی «دیپ‌فیک» می‌نویسند). می‌تواند تصویر باشد، صدا باشد، یا ویدیو.\u003C\u002Fp>\n\u003Cp>نکتهٔ مهم این است که چه چیزی عوض شده. این نیست که «حالا جعل وجود دارد» — جعل همیشه بود. این است که جعل \u003Cstrong>ارزان، سریع و خوب\u003C\u002Fstrong> شده. وقتی ساختنِ یک تصویرِ باورپذیرِ دروغ به‌اندازهٔ نوشتنِ یک جمله آسان باشد، دیگر نمی‌توانی فرض کنی هر عکسی که می‌بینی از یک لحظهٔ واقعی آمده. «دیدن یعنی باور» یک قاعدهٔ خوب برای دنیایی بود که در آن جعل گران بود؛ آن دنیا عوض شده.\u003C\u002Fp>\n",{"kind":23,"heading":38,"html":39},"۲. نشانه‌هایی که هنوز لو می‌دهند","\u003Ch2 id=\"۲-نشانه‌هایی-که-هنوز-لو-می‌دهند\">۲. نشانه‌هایی که هنوز لو می‌دهند\u003Ca class=\"head-anchor\" href=\"#%DB%B2-%D9%86%D8%B4%D8%A7%D9%86%D9%87%E2%80%8C%D9%87%D8%A7%DB%8C%DB%8C-%DA%A9%D9%87-%D9%87%D9%86%D9%88%D8%B2-%D9%84%D9%88-%D9%85%DB%8C%E2%80%8C%D8%AF%D9%87%D9%86%D8%AF\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>خبرِ خوب این است که خیلی از جعل‌ها هنوز نشانه دارند، اگر بدانی کجا را نگاه کنی. بیا یک پرترهٔ جعلی را با هم وارسی کنیم — همان‌طور که در آزمایشگاه می‌کنی.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>در تصویر\u003C\u002Fstrong>، سراغِ جاهایی برو که ساختنشان برای مدل سخت است:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>دست‌ها و انگشت‌ها:\u003C\u002Fstrong> تعدادِ انگشت‌ها را بشمار. انگشتِ اضافه، انگشتِ کج، یا دستی که غیرطبیعی خم شده رایج‌ترین لغزش است.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>جزئیاتِ قرینه:\u003C\u002Fstrong> دو گوشواره که با هم فرق دارند، دو سمتِ یک عینک که هم‌تراز نیستند، دکمه‌هایی که وسطِ لباس گم می‌شوند.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>متنِ داخلِ تصویر:\u003C\u002Fstrong> تابلو، کتاب یا نوشتهٔ پس‌زمینه معمولاً به حروفِ بی‌معنا آب می‌رود. مدلِ تصویر متن را «نقاشی» می‌کند، نمی‌نویسد.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>نور و سایه:\u003C\u002Fstrong> سایه‌ای که جهتش با بقیهٔ عکس نمی‌خواند، یا انعکاسی در آینه\u002Fچشم که با صحنه جور نیست.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>پوستِ زیادی صاف\u003C\u002Fstrong> و بافتی که مثلِ موم بی‌عیب است.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>در ویدیو\u003C\u002Fstrong>، پلک‌زدنِ غیرطبیعی، هماهنگ‌نبودنِ لب با صدا، و لرزشِ ریزِ لبه‌های صورت را نگاه کن. \u003Cstrong>در صدا\u003C\u002Fstrong>، نبودِ نفس‌کشیدن، ریتمِ یک‌نواخت، و پس‌زمینهٔ زیادی تمیز نشانه‌اند.\u003C\u002Fp>\n\u003Cp>این یک دموِ واقعی بود: چهار پنج جای مشخص که یک جعل را لو می‌دهند. ولی یک صداقتِ مهم را همین‌جا بگویم.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>⚠️ \u003Cstrong>مواظب باش:\u003C\u002Fstrong> این نشانه‌ها سریع در حالِ ناپدیدشدن‌اند. هر نسلِ تازهٔ مدل‌ها بعضی از این لغزش‌ها را رفع می‌کند — دست‌ها هر ماه بهتر می‌شوند. پس این فهرست یک \u003Cstrong>صافیِ اول\u003C\u002Fstrong> است، نه یک مدرکِ قطعی. نبودِ نشانه ثابت نمی‌کند چیزی واقعی است؛ فقط یعنی این جعلِ خاص خوب ساخته شده.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n",{"kind":23,"heading":41,"html":42},"۳. چه چیزی می‌ماند: منشأ به‌جای نشانه","\u003Ch2 id=\"۳-چه-چیزی-می‌ماند-منشأ-به‌جای-نشانه\">۳. چه چیزی می‌ماند: منشأ به‌جای نشانه\u003Ca class=\"head-anchor\" href=\"#%DB%B3-%DA%86%D9%87-%DA%86%DB%8C%D8%B2%DB%8C-%D9%85%DB%8C%E2%80%8C%D9%85%D8%A7%D9%86%D8%AF-%D9%85%D9%86%D8%B4%D8%A3-%D8%A8%D9%87%E2%80%8C%D8%AC%D8%A7%DB%8C-%D9%86%D8%B4%D8%A7%D9%86%D9%87\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>اگر نشانه‌ها دارند محو می‌شوند، پس چه چیزی می‌ماند؟ همان نخی که از ترم ۲ با خودت آورده‌ای: \u003Cstrong>وارسیِ منبع\u003C\u002Fstrong>. به‌جای اینکه فقط به پیکسل‌ها خیره شوی، یک قدم عقب بایست و بپرس این رسانه \u003Cstrong>از کجا آمده\u003C\u002Fstrong>. این سؤال‌ها با بهترشدنِ مدل‌ها کهنه نمی‌شوند:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>اولین‌بار کجا و توسطِ چه کسی منتشر شد؟\u003C\u002Fli>\n\u003Cli>آیا یک منبعِ معتبرِ \u003Cstrong>مستقل\u003C\u002Fstrong> هم همین را دارد، یا فقط در یک جا هست؟\u003C\u002Fli>\n\u003Cli>آیا با بقیهٔ چیزهایی که می‌دانی جور است، یا زیادی «درست سرِ بزنگاه» و بابِ میل است؟\u003C\u002Fli>\n\u003Cli>آیا کسی سود می‌برد از اینکه تو این را باور کنی؟\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>یک ابزارِ ساده هم هست که اسمِ خاصی لازم ندارد: \u003Cstrong>جست‌وجوی معکوسِ تصویر\u003C\u002Fstrong>. عکس را در یک موتورِ جست‌وجو می‌گذاری تا ببینی قبلاً کجا آمده؛ گاهی معلوم می‌شود همان عکس مالِ سال‌ها پیش و جای دیگری است، فقط با یک زیرنویسِ تازهٔ دروغ.\u003C\u002Fp>\n\u003Cp>فرقِ این روش با نشانه‌شماری این است که یک \u003Cstrong>فرآیند\u003C\u002Fstrong> است، نه یک ترفند. ترفند با نسلِ بعدیِ مدل می‌میرد؛ عادتِ «قبل از باور، منشأ را پیدا کن» می‌ماند.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>قبل از ادامه، جواب بده:\u003C\u002Fstrong> اگر یک تصویر هیچ‌کدام از نشانه‌های بخشِ ۲ را نداشت، یعنی حتماً واقعی است؟ — نه. یعنی این جعل خوب ساخته شده؛ حالا باید سراغِ منشأ بروی.\u003C\u002Fp>\n",{"kind":23,"heading":44,"html":45},"۴. حتی از خودِ مدل نپرس «واقعی است؟»","\u003Ch2 id=\"۴-حتی-از-خودِ-مدل-نپرس-واقعی-است\">۴. حتی از خودِ مدل نپرس «واقعی است؟»\u003Ca class=\"head-anchor\" href=\"#%DB%B4-%D8%AD%D8%AA%DB%8C-%D8%A7%D8%B2-%D8%AE%D9%88%D8%AF%D9%90-%D9%85%D8%AF%D9%84-%D9%86%D9%BE%D8%B1%D8%B3-%D9%88%D8%A7%D9%82%D8%B9%DB%8C-%D8%A7%D8%B3%D8%AA\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>شاید فکر کنی راهِ ساده این است: عکس را به دستیارِ هوش مصنوعی بده و بپرس واقعی است یا نه. بیا همین را امتحان کنیم و ببینیم چه می‌شود. یک عکسِ کاملاً واقعی را (مثلاً عکسی که خودت گرفته‌ای) آپلود کن و بپرس:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>این عکس را نگاه کن. به‌نظرت یک عکسِ واقعی است یا با هوش مصنوعی ساخته شده؟\nاز کجا مطمئنی؟\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>یک پاسخِ واقع‌نما این است (خروجیِ تو ممکن است فرق کند، چون مدل قطعی نیست):\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>این تصویر به احتمالِ زیاد با هوش مصنوعی ساخته شده. بافتِ بیش‌ازحد یکنواختِ پوست و\nنورپردازیِ کامل نشان می‌دهد که یک تصویرِ تولیدشده است، نه یک عکسِ دوربینِ واقعی.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>دقت کن چه شد: عکس واقعی بود، تو خودت گرفته بودی‌اش، ولی مدل با همان لحنِ مطمئن گفت جعلی است و حتی یک «دلیل» هم سرِ هم کرد. این دقیقاً همان توهمِ فصل ۴ ترم ۱ است — یک پاسخِ مطمئن ولی غلط. مدل واقعاً نمی‌داند این عکس واقعی است یا نه؛ فقط یک حدسِ خوش‌بیان می‌زند. پس آشکارسازِ جعل را نمی‌شود به خودِ مدل سپرد.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>✅ \u003Cstrong>وارسی:\u003C\u002Fstrong> هیچ‌وقت قضاوتِ «واقعی یا جعلی» را کامل به یک ابزار — چه خودِ مدل، چه یک آشکارسازِ جداگانه — نسپار. خروجی‌اش را به‌عنوان یک \u003Cstrong>نظر\u003C\u002Fstrong> بگیر، نه یک حکم، و خودت منشأ و زمینه را وارسی کن. سه قانونِ ثابتِ این دوره اینجا هم دقیقاً کار می‌کنند: \u003Cstrong>«اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمی‌شود درست باشد».\u003C\u002Fstrong>\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>اینکه چرا ابزارهای «تشخیصِ هوش مصنوعی» این‌قدر غیرقابلِ‌اعتمادند و چه خطری دارند، موضوعِ کاملِ فصل ۳ همین ترم است.\u003C\u002Fp>\n",{"kind":23,"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>deepfake\u003C\u002Ftd>\n\u003Ctd>دیپ‌فیک\u003C\u002Ftd>\n\u003Ctd>رسانهٔ ساختگیِ واقع‌نما (تصویر، صدا یا ویدیو) که هوش مصنوعی ساخته یا دستکاری کرده تا واقعی به‌نظر برسد\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>\u003Cstrong>تمرین اجباری:\u003C\u002Fstrong> یک تصویر که در شبکه‌های اجتماعی دیده‌ای و کمی مشکوک است بردار. اول نشانه‌های بخشِ ۲ را روی آن بگرد (دست‌ها، جزئیاتِ قرینه، متنِ پس‌زمینه، سایه‌ها) و هرچه دیدی بنویس. بعد یک قدم عقب برو و منشأ را وارسی کن: اولین‌بار کجا منتشر شد و آیا منبعِ معتبرِ مستقلی همان را دارد؟ در چند جمله بنویس در آخر به چه نتیجه‌ای رسیدی و کدام روش — نشانه یا منشأ — بیشتر کمکت کرد.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>تمرین ستاره‌دار ⭐:\u003C\u002Fstrong> یک عکس که \u003Cstrong>می‌دانی\u003C\u002Fstrong> واقعی است (مثلاً یکی از عکس‌های خودت) به دستیارِ هوش مصنوعی بده و بپرس واقعی است یا ساختگی. جوابش را ثبت کن. آیا با اطمینان جوابِ غلط داد؟ اگر داد، در یک جمله بنویس چرا نباید تشخیصِ جعل را به خودِ مدل سپرد.\u003C\u002Fp>\n",{"kind":23,"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>اینجا با \u003Cstrong>یک\u003C\u002Fstrong> جعل روبه‌رو شدیم. ولی مشکلِ بزرگ‌تر مقیاس است: هوش مصنوعی به یک نفر اجازه می‌دهد نه یک، که \u003Cstrong>صدها\u003C\u002Fstrong> محتوای جعلی را با هم بسازد و پخش کند. فصلِ بعد می‌رویم سراغِ همین — بدْاطلاعات در مقیاسِ انبوه، فرقِ \u003Ccode>misinformation\u003C\u002Fcode> و \u003Ccode>disinformation\u003C\u002Fcode>، و مهم‌ترین دفاع: دنبال‌کردنِ یک ادعا تا خودِ منبعش.\u003C\u002Fp>\n",{"course":57,"entitled":12,"lessons":65,"payments_enabled":12,"terms":217,"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",[66,69,72,76,80,83,86,90,93,96,99,102,105,108,111,114,117,121,124,127,130,133,136,139,142,145,148,151,154,157,160,163,166,169,172,175,178,181,184,187,190,193,194,195,196,199,202,205,208,211,214],{"free_preview":5,"order":6,"slug":67,"source":8,"term":6,"title_fa":68},"t1-s01-first-conversation","فصل ۰۱ — با چه چیزی حرف می‌زنی؟ اولین گفت‌وگو",{"free_preview":5,"order":18,"slug":70,"source":8,"term":6,"title_fa":71},"t1-s02-how-it-learns","فصل ۰۲ — چطور یاد گرفت",{"free_preview":5,"order":73,"slug":74,"source":8,"term":6,"title_fa":75},3,"t1-s03-tokens","فصل ۰۳ — توکن: واحدِ کارِ مدل",{"free_preview":5,"order":77,"slug":78,"source":8,"term":6,"title_fa":79},4,"t1-s04-hallucination","فصل ۰۴ — چرا مطمئن ولی غلط: توهم",{"free_preview":5,"order":15,"slug":81,"source":8,"term":6,"title_fa":82},"t1-s05-limits","فصل ۰۵ — مرزها: چه نمی‌داند و چه نباید ازش خواست",{"free_preview":5,"order":9,"slug":84,"source":8,"term":6,"title_fa":85},"t1-s06-types","فصل ۰۶ — گونه‌های هوش مصنوعی",{"free_preview":5,"order":87,"slug":88,"source":8,"term":6,"title_fa":89},7,"t1-s07-responsible-start","فصل ۰۷ — از همین حالا مسئولانه",{"free_preview":5,"order":13,"slug":91,"source":8,"term":6,"title_fa":92},"t1-s08-interrogate-project","فصل ۰۸ — پروژه: یک مدل را بازجویی کن",{"free_preview":5,"order":6,"slug":94,"source":8,"term":18,"title_fa":95},"t2-s01-intent","فصل ۰۱ — نیت، نه جادو",{"free_preview":5,"order":18,"slug":97,"source":8,"term":18,"title_fa":98},"t2-s02-context","فصل ۰۲ — زمینه‌دادن",{"free_preview":5,"order":73,"slug":100,"source":8,"term":18,"title_fa":101},"t2-s03-iterate","فصل ۰۳ — حلقهٔ تکرار",{"free_preview":5,"order":77,"slug":103,"source":8,"term":18,"title_fa":104},"t2-s04-verify","فصل ۰۴ — وارسی: مهم‌ترین مهارت",{"free_preview":5,"order":15,"slug":106,"source":8,"term":18,"title_fa":107},"t2-s05-system","فصل ۰۵ — لحنِ ثابت و دستورِ سیستمی",{"free_preview":5,"order":9,"slug":109,"source":8,"term":18,"title_fa":110},"t2-s06-tune","فصل ۰۶ — کنترلِ خلاقیت، دقت و عمق",{"free_preview":5,"order":87,"slug":112,"source":8,"term":18,"title_fa":113},"t2-s07-structured","فصل ۰۷ — پرامپتِ ساختارمند و قابلِ‌استفادهٔ مجدد",{"free_preview":5,"order":13,"slug":115,"source":8,"term":18,"title_fa":116},"t2-s08-antipatterns","فصل ۰۸ — دام‌ها و افسانه‌ها",{"free_preview":5,"order":118,"slug":119,"source":8,"term":18,"title_fa":120},9,"t2-s09-assistant-project","فصل ۰۹ — پروژه: یک دستیارِ شخصی بساز",{"free_preview":5,"order":6,"slug":122,"source":8,"term":73,"title_fa":123},"t3-s01-images","فصل ۰۱ — ساختِ تصویر با هوش مصنوعی",{"free_preview":12,"order":18,"slug":125,"source":8,"term":73,"title_fa":126},"t3-s02-image-understanding","فصل ۰۲ — فهمِ تصویر",{"free_preview":12,"order":73,"slug":128,"source":8,"term":73,"title_fa":129},"t3-s03-audio-video","فصل ۰۳ — صدا و ویدیو",{"free_preview":12,"order":77,"slug":131,"source":8,"term":73,"title_fa":132},"t3-s04-research","فصل ۰۴ — پژوهش با هوش مصنوعی",{"free_preview":12,"order":15,"slug":134,"source":8,"term":73,"title_fa":135},"t3-s05-writing","فصل ۰۵ — نوشتن و بازنویسی",{"free_preview":12,"order":9,"slug":137,"source":8,"term":73,"title_fa":138},"t3-s06-study","فصل ۰۶ — یادگیری و درس‌خواندن",{"free_preview":12,"order":87,"slug":140,"source":8,"term":73,"title_fa":141},"t3-s07-work","فصل ۰۷ — کارِ حرفه‌ای",{"free_preview":12,"order":13,"slug":143,"source":8,"term":73,"title_fa":144},"t3-s08-coding-help","فصل ۰۸ — کمکِ کدنویسی (بی‌آنکه برنامه‌نویس باشی)",{"free_preview":12,"order":118,"slug":146,"source":8,"term":73,"title_fa":147},"t3-s09-workflow-project","فصل ۰۹ — پروژه: یک جریانِ کاریِ واقعی",{"free_preview":5,"order":6,"slug":149,"source":8,"term":77,"title_fa":150},"t4-s01-training-deep","فصل ۰۱ — آموزش، عمیق‌تر (بدون ریاضی)",{"free_preview":12,"order":18,"slug":152,"source":8,"term":77,"title_fa":153},"t4-s02-embeddings","فصل ۰۲ — از توکن تا معنا: embedding",{"free_preview":12,"order":73,"slug":155,"source":8,"term":77,"title_fa":156},"t4-s03-context-memory","فصل ۰۳ — حافظه و پنجرهٔ زمینه",{"free_preview":12,"order":77,"slug":158,"source":8,"term":77,"title_fa":159},"t4-s04-rag","فصل ۰۴ — RAG: دادنِ دانشِ تازه به مدل",{"free_preview":12,"order":15,"slug":161,"source":8,"term":77,"title_fa":162},"t4-s05-agents","فصل ۰۵ — عامل‌ها و ابزارها",{"free_preview":12,"order":9,"slug":164,"source":8,"term":77,"title_fa":165},"t4-s06-local-vs-cloud","فصل ۰۶ — مدلِ محلی در برابر ابری",{"free_preview":12,"order":87,"slug":167,"source":8,"term":77,"title_fa":168},"t4-s07-persian-gap","فصل ۰۷ — شکافِ فارسی-انگلیسی",{"free_preview":12,"order":13,"slug":170,"source":8,"term":77,"title_fa":171},"t4-s08-mental-model-project","فصل ۰۸ — پروژه: نقشهٔ ذهنیِ یک پاسخ",{"free_preview":5,"order":6,"slug":173,"source":8,"term":15,"title_fa":174},"t5-s01-api-idea","فصل ۰۱ — API چیست: حرف‌زدنِ برنامه با مدل",{"free_preview":12,"order":18,"slug":176,"source":8,"term":15,"title_fa":177},"t5-s02-first-call","فصل ۰۲ — اولین فراخوانی",{"free_preview":12,"order":73,"slug":179,"source":8,"term":15,"title_fa":180},"t5-s03-from-js","فصل ۰۳ — از JavaScript صدا بزن",{"free_preview":12,"order":77,"slug":182,"source":8,"term":15,"title_fa":183},"t5-s04-system-in-code","فصل ۰۴ — نقش و پارامتر در کد",{"free_preview":12,"order":15,"slug":185,"source":8,"term":15,"title_fa":186},"t5-s05-structured-output","فصل ۰۵ — خروجیِ ساختارمند",{"free_preview":12,"order":9,"slug":188,"source":8,"term":15,"title_fa":189},"t5-s06-build-app","فصل ۰۶ — یک وب‌اپِ کوچکِ هوش‌مصنوعی‌دار",{"free_preview":12,"order":87,"slug":191,"source":8,"term":15,"title_fa":192},"t5-s07-cost-limits","فصل ۰۷ — هزینه، سهمیه و مرزها",{"free_preview":12,"order":13,"slug":14,"source":8,"term":15,"title_fa":16},{"free_preview":5,"order":6,"slug":7,"source":8,"term":9,"title_fa":10},{"free_preview":12,"order":18,"slug":19,"source":8,"term":9,"title_fa":20},{"free_preview":12,"order":73,"slug":197,"source":8,"term":9,"title_fa":198},"t6-s03-detection-myth","فصل ۰۳ — افسانهٔ «تشخیصِ هوش مصنوعی»",{"free_preview":12,"order":77,"slug":200,"source":8,"term":9,"title_fa":201},"t6-s04-bias","فصل ۰۴ — سوگیری و انصاف",{"free_preview":12,"order":15,"slug":203,"source":8,"term":9,"title_fa":204},"t6-s05-privacy-data","فصل ۰۵ — حریم خصوصی و دادهٔ تو",{"free_preview":12,"order":9,"slug":206,"source":8,"term":9,"title_fa":207},"t6-s06-ownership","فصل ۰۶ — مالکیت و کپی‌رایتِ خروجی",{"free_preview":12,"order":87,"slug":209,"source":8,"term":9,"title_fa":210},"t6-s07-work-future","فصل ۰۷ — کار، مهارت و مرزهای سالم",{"free_preview":12,"order":13,"slug":212,"source":8,"term":9,"title_fa":213},"t6-s08-safety-ethics","فصل ۰۸ — ایمنی و اخلاق، بدونِ موعظه",{"free_preview":12,"order":118,"slug":215,"source":8,"term":9,"title_fa":216},"t6-s09-capstone","فصل ۰۹ — پروژهٔ نهایی: چیزی مسئولانه بساز و منتشر کن",[],1784990546662]