ماژول ۰۱: مبانی هوش مصنوعی — یک بررسی عمیق (Deep Dive)

← نقشه راه | 🏠 خانه | بعدی →

🎞️ اسلایدها و ویدیوی آموزشی

📄 اسلایدها: کالبدشکافی جعبه سیاه هوش مصنوعی

📥 دانلود / مشاهده اسلایدها PDF

🎬 ویدیو

🌟 مرور کلی

به ماژول اول کارگاه جامع هوش مصنوعی خوش آمدید! در این جلسه کاملاً گسترده، قصد داریم تمام ابهامات و کلمات پرزرق‌وبرق دنیای هوش مصنوعی را کنار بزنیم و دقیقاً بررسی کنیم که این سیستم‌ها از نظر مکانیکی، منطقی و کاربردی چگونه کار می‌کنند.

چه یک فرد غیرفنی باشید که به دنبال استفاده از هوش مصنوعی در کارهای روزمره است، چه برنامه‌نویسی که می‌خواهد روی APIهای هوش مصنوعی محصول بسازد، درک معماری پایه و محدودیت‌های مدل‌های زبانی بزرگ (LLMs) کاملاً ضروری است.

در پایان این ماژول (که شامل حدود ۱ تا ۲ ساعت محتوای آموزشی و تمرینات عملی است)، شما درک متوسط تا پیشرفته‌ای از مکانیک هوش مصنوعی، پارامترهای تنظیم و چشم‌انداز فعلی شرکت‌های ارائه‌دهنده این تکنولوژی خواهید داشت.

📚 ۱. سلسله مراتب اصلی: AI در برابر ML در برابر DL در برابر GenAI

اصطلاح “AI” در رسانه‌ها به شدت و برای همه چیز استفاده می‌شود. برای استفاده مؤثر از هوش مصنوعی، باید بدانید که ابزارهای مدرن در کجای چشم‌انداز علوم کامپیوتر قرار می‌گیرند.

نمونه‌ای از آموزش شبکه عصبی برای تشخیص تصویر

نمونه‌ای از شبکه عصبی عمیق (زیرمجموعه‌ای از یادگیری عمیق در سلسله‌مراتب بالا)؛ Mikael Häggström، CC0.

۱.۱. هوش مصنوعی (Artificial Intelligence – AI)

گسترده‌ترین دایره مفهومی است. AI به هر ماشین یا سیستمی اشاره دارد که قادر به بروز عملکردهای شناختی شبیه انسان (یادگیری، حل مسئله، برنامه‌ریزی) باشد.

  • مثال‌ها: کامپیوتر شطرنج‌باز DeepBlue (سال ۱۹۹۷)، کاراکترهای کامپیوتری (NPC) در بازی‌های ویدیویی، الگوریتم‌های پایه مسیریابی در گوگل مپ.
  • نکته کلیدی: بخش عمده‌ای از “هوش مصنوعی سنتی” مبتنی بر قانون (Rule-based) بود. انسان‌ها منطق پیچیده if-then-else را می‌نوشتند و ماشین به سرعت آن را اجرا می‌کرد.

۱.۲. یادگیری ماشین (Machine Learning – ML)

یک تغییر پارادایم عظیم در هوش مصنوعی. در این روش، به جای برنامه‌نویسی صریح قوانین، مهندسان یک “الگوریتم یادگیری” و حجم عظیمی از داده‌ها را به ماشین می‌دهند. ماشین الگوها را شناسایی کرده و “قوانین” داخلی خود را می‌سازد.

  • مثال‌ها: موتور پیشنهاددهنده فیلم نتفلیکس، سیستم‌های تشخیص تقلب در کارت‌های اعتباری، فیلترهای سنتی اسپم در ایمیل.
  • نکته کلیدی: ML در پیش‌بینی و دسته‌بندی بسیار مؤثر است، اما معمولاً به داده‌های ساختاریافته (مثل فایل‌های اکسل و دیتابیس) نیاز دارد.

۱.۳. یادگیری عمیق (Deep Learning – DL)

یک زیرمجموعه تخصصی از ML که از “شبکه‌های عصبی مصنوعی” (Artificial Neural Networks) با لایه‌های متعدد (به همین دلیل به آن “عمیق” می‌گویند) استفاده می‌کند. این الگوریتم‌ها از ساختار بیولوژیکی مغز انسان الهام گرفته شده‌اند.

نمونه‌ای ساده از مدل شبکه عصبی برای تشخیص تصویر

نمونه‌ای از مدل شبکه عصبی؛ Mikael Häggström، CC0.

  • مثال‌ها: سیستم بینایی ماشین در اتوپایلوت تسلا، تشخیص صدا در سیری (Siri)، ترجمه همزمان گفتار.
  • نکته کلیدی: یادگیری عمیق در پردازش داده‌های بدون ساختار (تصاویر، صدا، متن خام) عالی عمل می‌کند و به قدرت محاسباتی عظیمی (پردازنده‌های گرافیکی یا GPU) نیاز دارد.
نمودار برازش خطی برای نمایش رگرسیون

نمونه‌ای از برازش خطی؛ Petergans، مالکیت عمومی.

۱.۴. هوش مصنوعی مولد (Generative AI – GenAI)

یک شاخه فرعی از یادگیری عمیق که تمرکز آن بر تولید محتوای جدید است، نه صرفاً تحلیل یا دسته‌بندی محتوای موجود.

  • مثال‌ها: تولید یک عکس (Midjourney)، ساخت یک آهنگ (Suno)، یا نوشتن یک مقاله جدید (ChatGPT).

۱.۵. مدل‌های زبانی بزرگ (Large Language Models – LLMs)

نگین تاج GenAI در حال حاضر. LLMها شبکه‌های یادگیری عمیقی هستند که روی حجم حیرت‌انگیزی از متن (تقریباً کل اینترنت عمومی) آموزش دیده‌اند. آن‌ها “بزرگ” هستند چون شامل میلیاردها (یا تریلیون‌ها) پارامتر می‌باشند، و “مدل زبانی” هستند چون وظیفه اصلی آن‌ها پیش‌بینی کلمه منطقی بعدی در یک دنباله متنی است.

⚙️ ۲. زیر کاپوت: مدل‌های LLM دقیقاً چگونه کار می‌کنند

اگر می‌خواهید در پرامپت‌نویسی و استفاده از AI استاد شوید، باید رفتار با هوش مصنوعی به عنوان یک “انسان” را کنار بگذارید و آن را به عنوان یک “موتور ریاضیاتی احتمالی” (Probabilistic Math Engine) ببینید.

۲.۱. معماری ترانسفورمر (Transformer)

قبل از سال ۲۰۱۷، هوش مصنوعی متن را با استفاده از شبکه‌های عصبی بازگشتی (RNN) پردازش می‌کرد. RNNها متن را به صورت متوالی (کلمه ۱، بعد کلمه ۲، بعد کلمه ۳) می‌خواندند. این کار بسیار کند بود و باعث می‌شد هوش مصنوعی تا وقتی به انتهای یک جمله طولانی می‌رسد، ابتدای آن را “فراموش” کند.

در سال ۲۰۱۷، محققان گوگل مقاله تاریخی “Attention Is All You Need” را منتشر کردند و معماری ترانسفورمر را معرفی نمودند.

  • مکانیسم توجه (Self-Attention Mechanism): ترانسفورمر به جای خواندن کلمه به کلمه، تمام کلمات یک جمله را به طور همزمان بررسی می‌کند. این مدل روابط ریاضیاتی (وزن‌های توجه) بین هر کلمه با کلمات دیگر را محاسبه می‌کند. مثلاً در جمله “بانک در کنار رودخانه قرار دارد”، مکانیسم توجه به دلیل ارتباط ریاضی قوی با کلمه “رودخانه”، می‌فهمد که منظور از “بانک” ساحل یا زمین است، نه موسسه مالی. (البته در انگلیسی کلمه Bank این ایهام را دارد).
  • چرا این مهم است؟ این پردازش موازی اجازه می‌دهد تا مدل‌ها روی مجموعه داده‌های عظیم با استفاده از GPU آموزش ببینند، که منجر به انفجار توانمندی‌هایی شد که امروز می‌بینیم.

۲.۲. توکن‌ها و توکنیزاسیون (Tokenization)

هوش مصنوعی حروف یا کلمات را نمی‌فهمد؛ بلکه اعداد را می‌فهمد. توکنیزاسیون فرآیند شکستن متن شما به قطعات عددی است.

نمونه‌ای از شکستن یک تابع پایتون به توکن‌ها

نمونهٔ توکنیزه‌شدن یک تابع پایتون؛ Lulu of the Lotus-Eaters، مالکیت عمومی.

  • توکن چیست؟ یک توکن می‌تواند یک حرف منفرد، یک هجا (بخش)، یا یک کلمه کامل باشد.
  • نسبت طلایی (در انگلیسی): ۱ توکن تقریباً معادل ۴ کاراکتر یا ۰.۷۵ کلمه انگلیسی است. (مثلاً ۱۰۰ توکن ≈ ۷۵ کلمه).
  • جریمه زبان‌های غیرانگلیسی: زبان‌هایی مانند فارسی، عربی یا ژاپنی اغلب به توکن‌های بسیار بیشتری در هر کلمه شکسته می‌شوند، زیرا داده‌های آموزشی اولیه مدل، انگلیسی بوده است. یک جمله کوتاه فارسی ممکن است ۳ برابر بیشتر از ترجمه انگلیسی‌اش توکن مصرف کند.
  • چرا این مهم است؟ هزینه‌های API بر اساس هر ۱۰۰۰ یا ۱ میلیون توکن محاسبه می‌شود. علاوه بر این، مدل‌ها محدودیت توکن دارند و در زبان فارسی سریع‌تر به این سقف می‌رسید.

۲.۳. پنجره زمینه (Context Window)

پنجره زمینه، حد حافظه کوتاه‌مدت هوش مصنوعی برای یک مکالمه خاص است.

  • اگر یک مدل دارای پنجره زمینه ۸,۰۰۰ توکنی باشد، فقط می‌تواند حدود ۶,۰۰۰ کلمه از مکالمه فعلی را “به خاطر بسپارد”.
  • وقتی مکالمه از ۸,۰۰۰ توکن فراتر می‌رود، هوش مصنوعی شروع به “فراموش کردن” پیام‌های اولیه چت می‌کند (قانون پنجره لغزان یا Sliding Window).
  • ظرفیت‌های مدرن: Claude 3.5 Sonnet پنجره ۲۰۰,۰۰۰ توکنی دارد (حدود ۵۰۰ صفحه یک کتاب). مدل Gemini 1.5 Pro گوگل دارای پنجره زمینه ۲,۰۰۰,۰۰۰ توکنی است.
مسیر ورودی و خروجی در معماری GPT؛ تصویر ظرفیت پنجره زمینه را نشان نمی‌دهد

نمای ورودی و خروجی در معماری GPT؛ ظرفیت پنجرهٔ زمینه در خود تصویر نمایش داده نشده است. Wikimedia Commons، CC0.

۲.۴. توهم (Hallucination)

از آنجا که LLMها فقط محتمل‌ترین کلمه بعدی را پیش‌بینی می‌کنند، در واقع حقایق را “نمی‌دانند”. اگر درباره بیوگرافی شخصیتی که وجود خارجی ندارد از آن‌ها بپرسید، ممکن است یک داستان زندگی بسیار قانع‌کننده و واقع‌گرایانه اختراع کنند. به این حالت توهم می‌گویند. هوش مصنوعی دروغ نمی‌گوید؛ فقط در حال تکمیل یک الگوی آماری است.

🎛️ ۳. تسلط بر هایپرپارامترها (Hyperparameters)

اگر از هوش مصنوعی از طریق API یا محیط‌های پیشرفته (Playground) استفاده کنید، تنظیماتی مانند Temperature و Top-P را خواهید دید.

تابع جرم احتمال گسسته با چند مقدار ممکن و احتمال متناظر

نمونه‌ای از توزیع احتمال گسسته؛ دما و Top-P نیز بر انتخاب از میان احتمال‌ها اثر می‌گذارند. Oleg Alexandrov و B. Jankuloski، CC0.

دما یا Temperature (بازه: ۰.۰ تا ۲.۰)

میزان تصادفی بودن یا خلاقیت خروجی را کنترل می‌کند.

  • دمای ۰.۰: قطعی (Deterministic). مدل تقریباً همیشه کلمه‌ای که بالاترین احتمال را دارد انتخاب می‌کند. بهترین حالت برای کدنویسی، ریاضی، استخراج حقایق و فرمت‌بندی داده‌ها.
  • دمای ۰.۷ تا ۱.۰: پیش‌فرض استاندارد. مناسب برای چت‌های گفتگومحور و نوشتن ایمیل و مقالات.
  • دمای ۱.۵ به بالا: بسیار تصادفی. مدل کلمات با احتمال پایین‌تر را انتخاب می‌کند که منجر به خروجی‌های بسیار خلاقانه، آشفته و گاهی بی‌معنی می‌شود. مناسب برای ایده‌پردازی نام‌های خاص یا شعر خوانی عجیب.

پارامتر Top-P (بازه: ۰.۰ تا ۱.۰)

روش دیگری برای کنترل تصادفی بودن. Top-P برابر ۰.۹ به این معنی است که مدل فقط کلماتی را در نظر می‌گیرد که مجموع احتمال آن‌ها ۹۰ درصد برتر باشد. این کار گزینه‌های کاملاً نامربوط را حذف می‌کند.

  • بهترین روش: فقط Temperature یا Top-P را تغییر دهید، به ندرت هر دو را همزمان تغییر می‌دهند.

حداکثر توکن‌های خروجی (Max Output Tokens)

طول پاسخ هوش مصنوعی را محدود می‌کند. این گزینه زمانی مفید است که فقط یک پاسخ کوتاه می‌خواهید و نمی‌خواهید هوش مصنوعی یک مقاله طولانی و غیرضروری تولید کند (که هزینه توکن شما را بالا می‌برد).

🏛️ ۴. مقایسه جامع غول‌های هوش مصنوعی (چشم‌انداز ۲۰۲۴-۲۰۲۵)

اکوسیستم فعلی تحت سلطه چند شرکت بزرگ است. در اینجا یک بررسی جامع آورده شده است.

🟢 ۱. شرکت OpenAI (استاندارد صنعت)

  • مدل‌های پرچمدار: GPT-4o (Omni)، GPT-4.5، و مدل‌های استدلالی o1/o3.
  • پنجره زمینه: معمولاً ۱۲۸k توکن.
  • نقاط قوت: بهترین اکوسیستم کلی، حالت صوتی باورنکردنی (Advanced Voice)، بالاترین میزان پذیرش کاربران، منطق بسیار قوی. مدل‌های سری ‘o’ قبل از صحبت کردن “فکر” می‌کنند و مسائل به شدت پیچیده ریاضی و کدنویسی را حل می‌کنند.
  • قیمت: نسخه رایگان دارد (با محدودیت پیام). اشتراک Plus ماهانه ۲۰ دلار.

🟣 ۲. شرکت Anthropic (محبوب توسعه‌دهندگان)

  • مدل‌های پرچمدار: Claude 3.5 Sonnet (سرعت/کدنویسی)، Claude 3 Opus (استدلال سنگین)، Claude 3.5 Haiku (سریع/ارزان).
  • پنجره زمینه: ۲۰۰k توکن.
  • نقاط قوت: کلود به دلیل سبک نوشتن طبیعی و انسانی (کمتر ماشینی و شرکتی نسبت به ChatGPT) در جهان ستایش می‌شود. مدل Sonnet 3.5 در حال حاضر بهترین مدل جهان برای برنامه‌نویسی و توسعه وب است. رابط کاربری “Artifacts” آن به شما اجازه می‌دهد کدها و وب‌سایت‌ها را مستقیماً داخل محیط چت مشاهده و اجرا کنید.
  • قیمت: نسخه رایگان (با محدودیت شدید پیام). نسخه Pro ماهانه ۲۰ دلار.

🔵 ۳. گوگل (غول اکوسیستم)

  • مدل‌های پرچمدار: Gemini 1.5 Pro و Gemini 1.5 Flash.
  • پنجره زمینه: تا ۲,۰۰۰,۰۰۰ توکن.
  • نقاط قوت: پنجره زمینه بی‌رقیب. می‌توانید کتاب‌های PDF هزار صفحه‌ای یا ویدیوهای ۱ ساعته را مستقیماً وارد پرامپت کنید. یکپارچگی عمیق با Google Docs، Gmail و Drive.
  • قیمت: نسخه رایگان (بسیار سخاوتمندانه). نسخه پیشرفته با Google One AI ماهانه ۲۰ دلار.

🟡 ۴. دیپ‌سیک (DeepSeek – برهم‌زننده بازار با هزینه کم)

  • مدل‌های پرچمدار: DeepSeek V3 و DeepSeek R1.
  • پنجره زمینه: ۱۲۸k توکن.
  • نقاط قوت: مدل R1 یک مدل استدلالی (شبیه o1 اوپن‌ای‌آی) است اما متن‌باز (Open-weights) و به شدت ارزان. در برنامه‌نویسی و ریاضیات با GPT-4o رقابت می‌کند یا آن را شکست می‌دهد، اما با کسر کوچکی از هزینه در API. در بین استارتاپ‌ها به شدت محبوب است.
  • قیمت: استفاده تحت وب کاملاً رایگان. هزینه API به شدت ارزان (سنت به ازای هر میلیون توکن).

🟠 ۵. متا / اکوسیستم متن‌باز (Open Source)

  • مدل‌های پرچمدار: Llama 3.1 (محصول Meta)، مدل Mistral (فرانسه)، مدل Qwen (محصول Alibaba).
  • نقاط قوت: می‌توانید این مدل‌ها را دانلود کرده و روی لپ‌تاپ خود (اگر رم و گرافیک خوبی دارید) با نرم‌افزارهایی مثل LM Studio یا Ollama اجرا کنید. حریم خصوصی مطلق (هیچ داده‌ای به اینترنت ارسال نمی‌شود)، بدون سانسور، و قابلیت شخصی‌سازی بالا.
  • قیمت: ۱۰۰٪ رایگان.

💳 ۵. مقایسه دقیق نسخه‌های رایگان و پولی

ویژگی نسخه رایگان (ChatGPT, Claude) نسخه پولی (۲۰ دلار/ماه)
مدل اصلی در دسترس مدل‌های کوچک (GPT-4o mini, Haiku) مدل‌های پرچمدار (GPT-4o, o3, Sonnet)
محدودیت استفاده شدید (مثلاً ۱۰ پیام در روز برای مدل قوی) بالا (مثلاً ۸۰ پیام در هر ۳ ساعت)
سرعت و در دسترس بودن کندتر، قطعی در ساعات شلوغی صف اولویت‌دار، تولید توکن سریع‌تر
ابزارهای پیشرفته جستجوی وب ساده، آپلود محدود فایل تحلیل پیشرفته داده‌ها، اجرای پایتون، تولید تصویر (DALL-E)
شخصی‌سازی دستورالعمل سیستم (System Prompt) اولیه ساخت هوش مصنوعی شخصی (GPTs / Projects)

🛠️ ۶. تمرین‌های عملی جامع

برای درک واقعی تفاوت بین مدل‌ها و مفهوم توکنیزاسیون، این سه تمرین را انجام دهید.

تمرین ۱: تست توکن

  1. به ابزار OpenAI Tokenizer بروید.
  2. جمله انگلیسی زیر را تایپ کنید: “Artificial intelligence is transforming the technological landscape.” و تعداد توکن‌ها را یادداشت کنید.
  3. حالا ترجمه فارسی آن را وارد کنید: “هوش مصنوعی در حال تغییر چشم‌انداز فناوری است.”
  4. مشاهده: خواهید دید که متن فارسی توکن‌های بسیار بیشتری مصرف می‌کند، زیرا حروف فارسی به شکل متفاوتی در لایه‌های زیرین ماشین رمزگذاری (Encode) می‌شوند. این نشان می‌دهد چرا کاربران ایرانی سریع‌تر به محدودیت‌های پیام API می‌رسند.

تمرین ۲: تله توهم (Hallucination)

  1. ChatGPT یا Claude را باز کنید.
  2. این پرامپت را وارد کنید: “یک بیوگرافی ۳ پاراگرافی دقیق درباره ساعت‌ساز معروف ایرانی در قرن نوزدهم، دکتر فرشید زمان‌سنج، که اسطرلاب فنری را اختراع کرد، بنویس.”
  3. مشاهده: شخصی به نام دکتر فرشید زمان‌سنج اصلاً وجود ندارد! با این حال، هوش مصنوعی احتمالاً یک داستان بسیار قانع‌کننده از زندگی، محل تولد و میراث او اختراع خواهد کرد.
  4. درس عبرت: هرگز برای حقایق مربوط به موضوعات خاص یا ناموجود، به مدل‌های زبانی آفلاین اعتماد نکنید (مگر اینکه به ابزار جستجوی وب مجهز باشند).

تمرین ۳: تست منطق در مدل‌های مختلف

  1. سایت‌های ChatGPT، Claude و Gemini را در سه تب جداگانه باز کنید.
  2. این معمای دقیق را برای هر سه کپی کنید:

“من یک ظرف ۵ لیتری و یک ظرف ۳ لیتری و مقدار نامحدودی آب دارم. من دقیقاً به ۴ لیتر آب نیاز دارم. با این حال، یک محدودیت عجیب وجود دارد: اگر داخل ظرف ۵ لیتری بیشتر از ۳ لیتر آب باشد، برای من خیلی سنگین می‌شود و اصلاً نمی‌توانم آن را بلند کنم! چگونه می‌توانم دقیقاً ۴ لیتر آب را اندازه‌گیری کنم؟”
۳. مشاهده: ببینید مدل‌ها چگونه تلاش می‌کنند این معمای منطقی را حل کنند. آیا به محدودیت وزن ظرف ۵ لیتری (که نمی‌توانید آن را وقتی پر است بلند کنید) توجه می‌کنند؟ (اغلب مدل‌های استاندارد در این معما شکست می‌خورند، زیرا راه‌حل استاندارد معمای فیلم Die Hard 3 را بدون توجه به قانون جدید شما بازتولید (Regurgitate) می‌کنند).

⚠️ ۷. اشتباهات رایج مبتدیان و نحوه جلوگیری از آن‌ها

  1. ذهنیت “جستجوی گوگل”:

  2. اشتباه: تایپ کردن “بهترین رستوران‌های ایتالیایی نزدیک من” در پرامپت یک LLM استاندارد آفلاین.

  3. راه‌حل: برای سوالات مبتنی بر مکان و زمان حال، از ابزارهای متصل به اینترنت زنده مثل Perplexity یا Microsoft Copilot استفاده کنید.
  4. سرریز شدن پنجره زمینه (Context Window Overflow):
  5. اشتباه: داشتن یک چت طولانی ۳ ماهه که در آن از هوش مصنوعی می‌خواهید ۵۰ کار مختلف انجام دهد. در نهایت، مدل دستورالعمل‌های اولیه را فراموش می‌کند و خروجی‌های نامربوط می‌دهد.
  6. راه‌حل: برای هر موضوع جدید، یک چت جدید باز کنید. حافظه کانتکست را تمیز نگه دارید.
  7. سوگیری و هم‌راستایی پنهان (Implicit Bias and Alignment):
  8. اشتباه: فرض اینکه هوش مصنوعی کاملاً بی‌طرف (Objective) است.
  9. راه‌حل: درک کنید که مدل‌ها توسط شرکت‌های سازنده‌شان “هم‌راستا” (Safety-trained) شده‌اند. آن‌ها ممکن است از نوشتن کدهای هک، پاسخ به سوالات جنجالی، یا استفاده از لحن‌های خاص خودداری کنند. اگر این محدودیت‌ها مانع کار شماست، باید از مدل‌های Open Source استفاده کنید.
  10. بررسی نکردن کدهای تولید شده:
  11. اشتباه: کپی و پیست کردن مستقیم کد هوش مصنوعی در سرور عملیاتی (Production) بدون خواندن آن. مدل ممکن است کتابخانه‌هایی را اختراع کند که وجود ندارند!
  12. راه‌حل: همیشه از هوش مصنوعی بپرسید: “آیا مطمئنی این توابع در نسخه ۲۰۲۴ هنوز پشتیبانی می‌شوند؟” یا مستندات را به صورت دستی چک کنید.

🔗 ۸. منابع گلچین‌شده برای مطالعه عمیق‌تر

  • مقاله‌ها و مفاهیم پایه‌ای:
  • The Illustrated Transformer by Jay Alammar – بهترین راهنمای تصویری جهان برای درک معماری Transformer و Attention.
  • Understanding LLMs: A Comprehensive Guide – بلاگ تحقیقاتی شرکت آنتروپیک.
  • ابزارها:
  • Hugging Face Models – پلتفرمی شبیه گیت‌هاب اما برای مدل‌های یادگیری ماشین و متن‌باز.
  • LM Studio – دانلود نرم‌افزار برای اجرای رایگان و آفلاین هوش مصنوعی روی سیستم شخصی.

← نقشه راه | 🏠 خانه | بعدی →

پیمایش به بالا