Module: ماژول ۰۱ — مبانی هوش مصنوعی: کالبدشکافی جعبه سیاه هوش مصنوعی

Part 1: Video Scenario & Screen Actions

  1. [Camera on Host] Hook and intro: Greet the audience warmly, contrast the media hype around AI with what actually happens under the hood, and tease what they will learn (the AI hierarchy, Transformers, why Persian tokens cost more, hallucinations, and reasoning models).
  2. [Show Slide 1] Display the title slide: “کالبدشکافی جعبه سیاه هوش مصنوعی — درک مکانیک، منطق و معماری سیستم‌های هوشمند برای استفاده حرفه‌ای”.
  3. [Show Slide 2] Display “هوش مصنوعی جادو نیست”: Highlight the term “موتور ریاضیاتی احتمالی (Probabilistic Math Engine)” and explain why we must drop the human-like view of AI.
  4. [Show Slide 3] Display “نقشه‌برداری از قلمرو هوش مصنوعی”: Highlight the concentric layers one by one from bottom/outer to top/inner—AI (Deep Blue), ML (Netflix recommendations), DL (Tesla Autopilot), and GenAI/LLMs.
  5. [Show Slide 4] Display “تغییر پارادایم برنامه‌نویسی”: Compare Traditional Rule-Based programming (if-then-else + input data -> output) with Machine Learning (input data + expected answers -> internal algorithm/rules).
  6. [Show Slide 5] Display “انقلاب ترانسفورمر (۲۰۱۷)”: Contrast old sequential RNN reading with Transformer parallel processing and the Self-Attention mechanism using the “بانک در کنار رودخانه قرار دارد” example.
  7. [Show Slide 6] Display “توکن‌ها: الفبای پنهان ماشین”: Explain how text is broken into numerical tokens and highlight the golden ratio in English (1 token ≈ 4 characters or 0.75 words; 100 tokens ≈ 75 words).
  8. [Show Slide 7] Display “جریمه زبان‌های غیرانگلیسی”: Compare “AI is transforming the landscape.” with “هوش مصنوعی در حال تغییر چشم‌انداز است.” and highlight the 3x token penalty for Persian users.
  9. [Screen Record] Live Demo 1 (Token Test from README): Open OpenAI Tokenizer, paste the English sentence and then the Persian translation, and zoom in on the colorful token breakdown and exact token counts.
  10. [Show Slide 8] Display “پنجره زمینه (Context Window)”: Explain short-term memory, the Sliding Window rule where early messages are forgotten, and modern capacities (Claude 3.5 Sonnet at 200k tokens vs. Gemini 1.5 Pro at 2M tokens).
  11. [Show Slide 9] Display “کالبدشکافی توهم (Hallucination)”: Explain why LLMs predict the most probable next word rather than knowing facts, highlighting the fictional “دکتر فرشید زمان‌سنج” example.
  12. [Screen Record] Live Demo 2 (Hallucination Trap from README): Open ChatGPT or Claude, prompt it for a 3-paragraph biography of the fictional 19th-century Iranian watchmaker “دکتر فرشید زمان‌سنج” who invented the spring astrolabe, and show the confidently fabricated response.
  13. [Show Slide 10] Display “داشبورد کنترل تنظیمات هایپرپارامتر”: Highlight Temperature (0.0 deterministic for coding/math, 0.7–1.0 natural for chat/writing, 1.5+ chaotic/creative), Top-P (90%), Max Output Tokens (from README), and the golden rule to adjust only Temperature OR Top-P, never both at once.
  14. [Show Slide 11] Display “اکوسیستم غول‌های هوش مصنوعی (۲۰۲۴-۲۰۲۵)”: Walk through the comparison table of OpenAI (GPT-4o/o1), Anthropic (Claude 3.5 Sonnet & Artifacts), Google (Gemini 1.5 Pro 2M context), DeepSeek (V3/R1), and Meta (Llama 3.1 open-source via LM Studio).
  15. [Show Slide 12] Display “کالبدشکافی دسترسی رایگان در برابر پولی”: Compare the Free tier (smaller models like GPT-4o mini and Haiku, strict message caps, peak-hour slowdowns) against the $20/month Paid tier (flagship reasoning models, 8x higher limits, Python data analysis, image generation, and Custom GPTs/Projects).
  16. [Show Slide 13] Display “تله‌های شناختی در رانندگی با هوش مصنوعی”: Highlight the 4 beginner mistakes—1. Google Search mindset (use Perplexity/Copilot instead), 2. Context Window overflow (open a fresh chat per topic), 3. Implicit bias & safety alignment, 4. Blind trust in generated code.
  17. [Show Slide 14] Display “تست استدلال: چرا مدل‌های استاندارد شکست می‌خورند؟”: Show the Die Hard 3 water jug riddle (5L and 3L jugs to get 4L) with the physical weight twist (“اگر داخل ظرف ۵ لیتری بیشتر از ۳ لیتر آب باشد نمی‌توانم آن را بلند کنم”).
  18. [Screen Record] Live Demo 3 (Logic Test from README): Paste the modified 5L/3L jug prompt into a standard LLM tab to show how it regurgitates the classic movie solution without respecting the new weight limit.
  19. [Show Slide 15] Display “عصر استدلال: فراتر از پیش‌بینی کلمات”: Show how reasoning models (OpenAI o1/o3 and DeepSeek R1) run a hidden Chain-of-Thought to verify constraints before answering, and wrap up the slide deck’s final synthesis.
  20. [Camera on Host] Outro and call to action: Recap the core lessons, invite viewers to run the 3 hands-on exercises and share their results in the comments, remind them to like and subscribe, and tease Module 02 (Prompt Engineering).

Part 2: Teleprompter Transcript (Persian)

[Action 1] سلام رفقا! خیلی خوش اومدین به ماژول اول کارگاه جامع هوش مصنوعی! راستش رو بخواین، این روزا هر جا می‌شینیم صحبت از هوش مصنوعیه؛ از تاکسی اینترنتی بگیر تا مهمونی‌های فامیلی! ولی امروز قرار نیست شعارهای تبلیغاتی بشنویم. می‌خوایم کاپوت این ماشین عجیب‌وغریب رو بزنیم بالا و خیلی راحت و خودمانی ببینیم توی موتور مدل‌هایی مثل چت‌جی‌پی‌تی، کلود، جمنای و دیپ‌سیک دقیقاً چه خبره، چرا فارسی تایپ کردن توشون گرون‌تر درمی‌آد و چطوری می‌تونیم کاری کنیم که به جای توهم زدن، واقعاً برامون کار کنن. بزن بریم!

[Action 2] همون‌طور که روی اسلاید اول می‌بینین، عنوان این بخش «کالبدشکافی جعبه سیاه هوش مصنوعی»ئه. چه یه نفر باشین که می‌خواد کارهای روزمره‌اش رو سریع‌تر انجام بده و چه برنامه‌نویسی که می‌خواد با API محصول بسازه، وقتی مکانیک و منطق زیرِ کاپوت این سیستم‌ها رو بشناسین، دیگه اسیر کلمات پرزرق‌وبرق نمی‌شین و دقیقاً می‌دونین از هر مدل چه انتظاری باید داشت.

[Action 3] بیاین توی اسلاید دوم اولین و مهم‌ترین قانون رو با هم مرور کنیم: هوش مصنوعی جادو نیست! ما با یه «انسان داخل کامپیوتر» طرف نیستیم که احساس، آگاهی یا حافظه بشری داشته باشه. در واقع ما داریم با یک موتور ریاضیاتی احتمالی (Probabilistic Math Engine) کار می‌کنیم که فقط و فقط یک کار رو به بهترین شکل انجام می‌ده: الگوهای آماری رو تحلیل می‌کنه و حدس می‌زنه کلمه منطقی بعدی چی باید باشه. به محض اینکه این نگاه شبه‌انسانی رو بذارین کنار، نصف راه استادی توی هوش مصنوعی رو رفتین!

[Action 4] حالا بریم سراغ اسلاید سوم و یه سوءتفاهم بزرگ رو حل کنیم. توی رسانه‌ها به همه‌چیز می‌گن AI، ولی این قلمرو مثل عروسک‌های تودرتوی ماتروشکاست. دایره اول و بزرگ‌تر، خودِ هوش مصنوعی (AI)ئه؛ یعنی هر سیستمی که رفتار هوشمندانه نشون بده، مثل کامپیوتر شطرنج‌باز Deep Blue توی سال ۱۹۹۷ یا الگوریتم مسیریابی گوگل‌مپ. یه لایه میایم داخل‌تر، می‌رسیم به یادگیری ماشین (ML) که از روی داده‌های ساختاریافته مثل اکسل و دیتابیس الگو یاد می‌گیره؛ مثل سیستم پیشنهاد فیلم نتفلیکس یا فیلتر اسپم ایمیل. لایه سوم یادگیری عمیق (DL)ئه که با شبکه‌های عصبی چندلایه (الهام‌گرفته از مغز انسان) و قدرت کارت‌های گرافیک (GPU)، داده‌های خام و بدون ساختار مثل عکس و صدا رو پردازش می‌کنه؛ مثل اتوپایلوت تسلا یا تشخیص صدای سیری. و در نهایت توی قلب این دایره‌ها، هوش مصنوعی مولد (GenAI) و نگین تاجش یعنی مدل‌های زبانی بزرگ (LLMs) قرار دارن که به جای تحلیل صرف، محتوای کاملاً جدید—از متن و کد تا عکس و آهنگ—تولید می‌کنن!

[Action 5] توی اسلاید چهارم، تفاوت بنیادی برنامه‌نویسی سنتی و یادگیری ماشین رو می‌بینین. توی برنامه‌نویسی سنتی یا Rule-based، این انسان بود که باید می‌نشست هزار تا قانون if-then-else می‌نوشت، داده‌ها رو هم بهش می‌داد تا ماشین خروجی بده. اما توی یادگیری ماشین، بازی برعکس شد! مهندس‌ها یه حجم عظیم از «داده‌ها» به همراه «پاسخ‌های درست» رو می‌دن به ماشین، و این خودِ ماشینه که الگوهای پنهان رو کشف می‌کنه و قوانین داخلی خودش رو می‌سازه.

[Action 6] اما چی شد که یهو مدل‌های زبانی این‌قدر باهوش شدن؟ اسلاید پنجم جواب رو بهمون می‌ده: انقلاب ترانسفورمر در سال ۲۰۱۷! قبل از ۲۰۱۷، مدل‌های قدیمی‌تر (RNNها) متن رو کلمه‌به‌کلمه و به ترتیب می‌خوندن؛ یعنی تا می‌رسیدن به تهِ یه جمله طولانی، اولِ جمله یادشون می‌رفت! دقیقاً مثل حال‌وگذشته ما وقتی سر کلاس دانشگاه استاد یک ساعت روضه می‌خوند. اما سال ۲۰۱۷ محققای گوگل مقاله معروف Attention Is All You Need رو منتشر کردن و معماری ترانسفورمر رو ساختن. ترانسفورمر به لطف مکانیسم خودتوجهی (Self-Attention)، کل کلمات جمله رو همزمان و موازی می‌بینه و وزن ریاضی ارتباط هر کلمه با کلمات دیگه رو حساب می‌کنه. مثلاً توی جمله «بانک در کنار رودخانه قرار دارد» (که توی انگلیسی کلمه Bank هم یعنی بانکِ پول و هم ساحل رودخونه)، مکانیسم توجه به خاطر ارتباط ریاضی قوی بین «بانک» و «رودخانه»، در لحظه می‌فهمه منظور ساحل رودخونه‌ست، نه شعبه بانک!

[Action 7] حالا بیاین توی اسلاید ششم الفبای پنهان ماشین رو بشناسیم: توکن‌ها (Tokens)! هوش مصنوعی حروف و کلمات رو مثل ما نمی‌فهمه؛ متن شما رو تیکه‌تیکه می‌کنه و تبدیل می‌کنه به عدد. یک توکن می‌تونه یه حرف، یه بخش از کلمه یا یه کلمه کامل باشه. توی زبان انگلیسی یه نسبت طلایی داریم: هر ۱ توکن تقریباً معادل ۴ کاراکتر یا سه چهارمِ کلمه‌ست؛ یعنی ۱۰۰ توکن می‌شه حدود ۷۵ کلمه انگلیسی.

[Action 8] ولی اسلاید هفتم جاییه که داستان برای ما فارسی‌زبان‌ها یه کم تلخ می‌شه: جریمه زبان‌های غیرانگلیسی! چون داده‌های آموزشی اولیه این مدل‌ها انگلیسی بوده، حروف و کلمات فارسی توی لایه‌های زیرین ماشین خیلی خردتر رمزگذاری (Encode) می‌شن. نتیجه‌اش چیه؟ یه جمله کوتاه فارسی ممکنه تا ۳ برابر بیشتر از ترجمه انگلیسی‌اش توکن مصرف کنه! این یعنی ما کاربرای ایرانی هم توی چت‌های رایگان زودتر به سقف محدودیت پیام می‌رسیم، و هم توی استفاده از API پول بیشتری از جیبمون می‌ره.

[Action 9] بیاین همین الان تمرین اول فایل راهنما رو زنده روی صفحه ببینیم! من وارد سایت OpenAI Tokenizer می‌شم و اول این جمله انگلیسی رو تایپ می‌کنم: "Artificial intelligence is transforming the technological landscape." ببینین چند تا توکن شد؟ فقط ۸ تا توکن! حالا دقیقاً ترجمه فارسیش رو وارد می‌کنم: "هوش مصنوعی در حال تغییر چشم‌انداز فناوری است." یا خدا! نگاه کنین چطور کلمات فارسی تیکه‌پاره و رنگارنگ شدن و تعداد توکن‌ها چند برابر پرید بالا! حالا قشنگ معلوم شد چرا سقف پیام‌هامون این‌قدر زود پر می‌شه.

[Action 10] برگردیم به اسلاید هشتم و مفهوم پنجره زمینه (Context Window). پنجره زمینه در واقع حافظه کوتاه‌مدت هوش مصنوعی توی یک چت مشخصه. طبق قانون پنجره لغزان (Sliding Window)، اگه حافظه مدلی ۸ هزار توکن باشه و مکالمه شما از این حد رد بشه، مدل خیلی بی‌سروصدا شروع می‌کنه به فراموش کردن پیام‌های اولِ چت! البته مدل‌های مدرن واقعاً غول شدن: مثلاً Claude 3.5 Sonnet پنجره ۲۰۰ هزار توکنی داره (معادل یه کتاب ۵۰۰ صفحه‌ای) و Gemini 1.5 Pro گوگل تا ۲ میلیون توکن جا داره؛ یعنی می‌تونین کل یک کتاب قطور یا ویدیوی یک‌ساعته رو یه‌جا بهش بدین!

[Action 11] توی اسلاید نهم می‌رسیم به پدیده معروف توهم (Hallucination). چرا هوش مصنوعی گاهی با اعتمادبه‌نفس کامل اطلاعات غلط می‌ده؟ چون همون‌طور که گفتیم، این مدل‌ها دیتابیس حقایق نیستن؛ فقط محتمل‌ترین کلمه بعدی رو پیش‌بینی می‌کنن! هوش مصنوعی دروغ نمی‌گه، بلکه وقتی درباره موضوعی اطلاعات نداره، یه الگوی آماری قانع‌کننده می‌بافه تا شما رو راضی کنه.

[Action 12] بیاین این تله توهم رو هم زنده روی صفحه تست کنیم! من توی چت‌جی‌پی‌تی می‌نویسم: «یک بیوگرافی ۳ پاراگرافی دقیق درباره ساعت‌ساز معروف ایرانی در قرن نوزدهم، دکتر فرشید زمان‌سنج، که اسطرلاب فنری را اختراع کرد، بنویس.» ببینین با چه آب‌وتابی داره داستان زندگیش، سال تولدش و میراث علمیش رو می‌نویسه! فقط یه نکته کوچولو هست: ما اصلاً در تاریخ بشریت آدمی به اسم دکتر فرشید زمان‌سنج نداریم! پس یادتون باشه، هیچ‌وقت برای حقایق تاریخی یا علمی خاص به مدل‌های آفلاین بدون سرچ وب اعتماد نکنین.

[Action 13] اسلاید دهم ما رو می‌بره به اتاق فرمان حرفه‌ای‌ها: داشبورد کنترل هایپرپارامترها (وقتی توی Playground یا API کار می‌کنین). مهم‌ترین پیچ تنظیم، دما (Temperature)ئه که بین 0.0 تا 2.0 تغییر می‌کنه. اگه دما رو بذارین روی 0.0، مدل کاملاً قطعی و منطقی می‌شه؛ همیشه محتمل‌ترین کلمه رو انتخاب می‌کنه و خوراکِ کدنویسی، ریاضی و استخراج دیتاست. بازه 0.7 تا 1.0 حالت استاندارد و طبیعی برای چت و مقاله‌نویسیه. ولی اگه ببرینش روی 1.5 به بالا، مدل می‌زنه به جاده خاکی و حسابی خلاق، آشفته و گاهی هذیونی می‌شه! پارامتر بعدی Top-Pئه (مثلاً روی ۹۰ درصد) که گزینه‌های کاملاً پرت رو حذف می‌کنه، و توی فایل راهنما هم به Max Output Tokens اشاره کردیم که جلوی پرحرفی مدل و سوختن اضافه توکن‌ها رو می‌گیره. فقط استراتژی طلایی رو یادتون نره: همیشه یا Temperature رو تغییر بدین یا Top-P رو، هیچ‌وقت هر دو رو با هم دستکاری نکنین!

[Action 14] حالا توی اسلاید یازدهم، یه نگاه از بالا به اکوسیستم غول‌های هوش مصنوعی بندازیم:
۱. شرکت OpenAI با مدل‌های GPT-4o و سری استدلالی o1 و o3 که استاندارد صنعته و حالت صوتی پیشرفته‌اش بی‌نظیره.
۲. شرکت Anthropic با مدل Claude 3.5 Sonnet که محبوب دل برنامه‌نویس‌هاست، لحن نوشتاریش فوق‌العاده انسانیه و قابلیت Artifacts اجازه می‌ده کدها و صفحات وب رو همون لحظه کنار چت اجرا کنین.
۳. شرکت گوگل با Gemini 1.5 Pro که با پنجره زمینه ۲ میلیونی و اتصال به جیمیل و گوگل‌داکس بی‌رقیبه.
۴. پدیده چینی بازار یعنی DeepSeek با مدل‌های V3 و R1 که توی ریاضی و کدنویسی شاخ‌به‌شاخ GPT-4o می‌ره، استفاده وبش رایگانه و APIش هم به شکل خنده‌داری ارزونه!
۵. و خانواده متن‌باز (Open Source) مثل Llama 3.1 متا، Mistral و Qwen که می‌تونین با برنامه‌هایی مثل LM Studio یا Ollama دانلودشون کنین و صددرصد رایگان، بدون اینترنت و بدون فیلترشکن روی سیستم شخصی خودتون اجرا کنین!

[Action 15] سوال بعدی که خیلی پیش می‌آد توی اسلاید دوازدهمه: نسخه رایگان در برابر نسخه پولی ۲۰ دلاری! توی نسخه رایگان شما معمولاً به مدل‌های کوچیک‌تر مثل GPT-4o mini یا Haiku وصل هستین، محدودیت شدید تعداد پیام دارین و توی ساعات شلوغی هم سرعت پایین می‌آد یا قطع می‌شه. اما نسخه پولی ۲۰ دلاری دستتون رو توی مدل‌های پرچمدار و استدلالی باز می‌ذاره، سقف پیامتون تا ۸ برابر بیشتره و ابزارهای اجرای پایتون، تحلیل فایل و ساخت بات‌های شخصی (GPTs / Projects) رو بهتون می‌ده.

[Action 16] قبل از اینکه بریم سراغ معمای پایانی، توی اسلاید سیزدهم ۴ تا تله شناختی رایج رو می‌بینیم که باید ازشون دوری کنین:
اول، ذهنیت جستجوی گوگل: از یه LLM آفلاین نپرسین «بهترین رستوران ایتالیایی نزدیک من کجاست»؛ برای اطلاعات زنده برین سراغ Perplexity یا Copilot.
دوم، سرریز شدن پنجره زمینه: توی یه چت سه‌ماهه پنجاه تا کار مختلف از مدل نخواین؛ برای هر موضوع مستقل یه چت تمیز و جدید باز کنین.
سوم، سوگیری و هم‌راستایی (Alignment): مدل‌ها توسط شرکت‌هاشون فیلتر شدن؛ اگه جایی محدودیت‌هاشون دست‌وپاتون رو بست، سراغ مدل‌های متن‌باز برین.
و چهارم، اعتماد کورکورانه به کدها: هیچ‌وقت کد تولیدشده رو بدون چک کردن مستندات مستقیم نبرین روی سرور عملیاتی، چون ممکنه کتابخونه‌ای رو ایمپورت کرده باشه که اصلاً وجود نداره!

[Action 17] حالا نوبت اسلاید چهاردهم و یه آزمایش خیلی جذابه: چرا مدل‌های استاندارد توی تست استدلال شکست می‌خورن؟ معمای معروف ظرف ۵ لیتری و ۳ لیتری آب توی فیلم جان سخت ۳ رو یادتونه که می‌خواستیم به ۴ لیتر برسیم؟ حالا ما یه محدودیت فیزیکی جدید بهش اضافه می‌کنیم: «اگر داخل ظرف ۵ لیتری بیشتر از ۳ لیتر آب باشد، برای من خیلی سنگین می‌شود و اصلاً نمی‌توانم آن را بلند کنم!»

[Action 18] ببینین وقتی این معما رو توی یه مدل استاندارد کپی می‌کنیم چی می‌شه! مدل اصلاً به قانون جدید وزن توجه نمی‌کنه و همون راه‌حل کلاسیک فیلم جان سخت رو طوطی‌وار تکرار می‌کنه و می‌گه «ظرف ۵ لیتری رو پر کن و خالی کن توی ۳ لیتری»—در حالی که طبق شرط ما، وقتی ۵ لیتر آب توشه اصلاً نمی‌تونیم از زمین بلندش کنیم! چرا؟ چون مدل استاندارد شبیه‌ساز فیزیک نیست؛ فقط داره کلمات پرتکرار اون معمای معروف توی اینترنت رو بازتولید می‌کنه.

[Action 19] و اینجاست که می‌رسیم به اسلاید پانزدهم و عصر استدلال (Reasoning Era)! نسل جدید مدل‌ها مثل OpenAI o1/o3 و DeepSeek R1 برای حل این مشکل، قبل از اینکه کلمه‌ای تایپ کنن، یه زنجیره تفکر پنهان (Chain of Thought) رو اجرا می‌کنن، محدودیت‌های مسئله رو می‌سنجن، اشتباهاتشون رو اصلاح می‌کنن و بعد جواب منطقی نهایی رو می‌دن. پس جمع‌بندی نهایی ما اینه: هوش مصنوعی یه دایره‌المعارف جادویی نیست؛ یه موتور استدلال و احتمالاته که اگه قلق‌هاش رو بلد باشین، بهترین کمک‌خلبان فکری شما می‌شه.

[Action 20] دمتون گرم که تا پایان ماژول اول همراه من بودین! حتماً اون سه تا تمرین عملی—تست توکن فارسی، دکتر فرشید زمان‌سنج و معمای ظرف آب سنگین—رو خودتون تست کنین و نتیجه‌اش رو توی کامنت‌ها برام بنویسین. لایک و سابسکرایب یادتون نره، و بپرین ماژول دوم که می‌خوایم یاد بگیریم چطوری با مهندسی پرامپت، فرمون این موتور قدرتمند رو بگیریم دستمون. تا ویدیوی بعدی، فعلاً!

پیمایش به بالا