احتمالاً از هوش مصنوعی بهعنوان ابزاری برای تولید خروجی استفاده میکنید، اما احتمالاً منطق معماری که این ابزارها را ممکن کرده، از دید شما پنهان است. Udacity اکنون نسخه رایگانی از دوره مشهور «مقدمهای بر هوش مصنوعی» را میزبانی میکند که در سال ۲۰۱۱ در دانشگاه استنفورد (Stanford University) طراحی شد. این فرصت یادگیری در کنار سایر منابع رایگان برای تسلط بر هوش مصنوعی قرار میگیرد تا مسیر یادگیری بدون نیاز به هزینههای گزاف هموار شود.
بیشتر آموزشهای فعلی بر «چگونگی» تمرکز دارند؛ مثلاً اینکه چطور به یک چتبات دستور بدهیم یا یک افزونه را فعال کنیم. این وضعیت شبیه این است که بدانید چطور از دستگاه انتقال سریع در فیلمهای استار ترک استفاده کنید، بدون اینکه ذرهای از فیزیک پشت آن سردر بیاورید. تصور کنید اگر این دستگاهها در هر گوشه شهر بودند و سفر از نیویورک به لسآنجلس تنها ۲۰ دلار هزینه داشت و ۵ دقیقه زمان میبرد، اکثر مردم فقط میخواستند بدانند چطور از پیتسبرگ به پئوریا برسند، نه اینکه فیزیک بنیادی پشت این فناوری چیست. همانطور که در تحلیل قبلی ما دربارهی اینکه چگونه ادوبی بیش از ۷۰ دارایی خلاقانه را در ChatGPT ادغام کرد اشاره کردیم، یادگیری نحوه کار با محصولات، دانشی است که بهسرعت قدیمی میشود، اما دانش بنیادی همواره پایدار میماند.
زمینه و بستر مفاهیم بنیادی
هوش مصنوعی زاینده (Generative AI) — شبیه آشپزی است که با ترکیب مواد موجود، غذای جدیدی میپزد — تنها بخشی از یک میدان بسیار گستردهتر است. در حالی که آشنایی با ترنسفورمر (Transformer)، مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — مدلهای انتشار (Diffusion Models) و مهندسی پرامپت (Prompt Engineering) اکنون برای ارتقای مهارتها ضروری و در واقع «حداقل پیشنیازها» (Table Stakes) محسوب میشوند، اما اینها اغلب محصولاتی گذرا یا ویژگیهایی موقتی هستند.
مسائل بنیادی و روشهای حل آنها با سرعت متفاوتی پیر میشوند. برای مثال، کدنویسی با عاملهای هوش مصنوعی (AI Agents) ۱۸ ماه پیش وجود نداشت، اما اصول ریاضیاتی که نحوه نمایش دانش توسط ماشین یا ارزیابی عدم قطعیت را کنترل میکنند، دهههاست که ثابت ماندهاند.
این دوره توسط دو غول این صنعت هدایت میشود: پیتر نورویگ (Peter Norvig)، مدیر تحقیقات گوگل و نویسنده کتاب مرجع «هوش مصنوعی: رویکردی مدرن»، و سباستین ترون (Sebastian Thrun)، بنیانگذار Udacity و پیشگام خودروهای خودران. نورویگ همچنین یک عضو برجسته آموزشی در مؤسسه هوش مصنوعی انسانمحور استنفورد است. ترون استاد سابق استنفورد و عضو گوگل است که بهخاطر کارهایش در زمینه رباتیک شناخته میشود.
طبق گزارش ZDNET که در ۶ اوت ۲۰۲۶ منتشر شد، این دوره با هوش مصنوعی بهعنوان یک حوزه گسترده از علوم کامپیوتر برخورد میکند، نه بهعنوان مترادفی برای مدلهای زبانی بزرگ (LLMs). نسخه آنلاین سال ۲۰۱۱ این دوره تأثیر شگرفی داشت و بیش از ۱۶۰ هزار نفر در آن ثبتنام کردند که همین موضوع زمینهساز تأسیس Udacity شد. این تحول در نحوه ارائه آموزش، پیشدرآمدی بود بر اینکه چگونه پلتفرمهای تطبیقی تعامل معلم و دانشآموز را بازتعریف میکنند و یادگیری را شخصیسازی میکنند.
جزئیات برنامه آموزشی
سرفصلهای اصلی این دوره بسیار فراتر از مدلهای انتشار و ترنسفورمرهاست و ستونهای ریاضیاتی و مفهومی را پوشش میدهد که هنوز بر AI حاکم هستند:
- حل مسئله و جستوجو: مبانی نحوه یافتن راهکارها توسط AI.
- احتمالات و استنتاج احتمالی: مدیریت عدم قطعیت و احتمالات.
- یادگیری ماشین (Machine Learning): هر دو روش یادگیری نظارتشده (Supervised) و بدون نظارت (Unsupervised).
- نمایش دانش: استفاده از منطق برای ساختاردهی به اطلاعات.
- برنامهریزی: نحوه طراحی اقدامات سامانهها در شرایط عدم قطعیت.
- یادگیری تقویتی (Reinforcement Learning): یادگیری از طریق آزمون و خطا.
- مدلهای مارکوف پنهان و فیلترینگ: تحلیل توالیها و تخمین وضعیت.
- فرآیندهای تصمیمگیری مارکوف: چارچوبهایی برای مدلسازی تصمیمگیری.
- جستوجوی خصمانه، بازیسازی و نظریه بازیها: تصمیمگیریهای استراتژیک.
- بینایی ماشین و رباتیک: ادراک محیطی و برنامهریزی حرکت ربات.
- پردازش زبان طبیعی: ریشههای نحوه برخورد ماشین با متن.
این موضوعات ثابت میکنند که هوش واقعی فراتر از تولید متن و تصویر است؛ سامانهها باید بتوانند محیط اطراف خود را درک کنند، برای اقدامات برنامه بریزند و از نتایج بهدستآمده درس بگیرند.
تعهد زمانی و ساختار
در مورد ساختار دوره، Udacity تخمین رسمی برای زمان اتمام ارائه نداده است، اما دوره شامل ۲۲ درس اصلی است. هر درس شامل مجموعهای از مسائل، مقدمات و آزمونها است.
برای درک عمق مطالب، تنها درس نظریه بازیها شامل ۱۹ بخش است و تکمیل آن، با احتساب تمرینات، حدود ۲ ساعت زمان میبرد. به دلیل همین سختگیری و دقت علمی، دانشجویان باید بین ۷۵ تا ۱۰۰ ساعت زمان برای گذراندن کامل این کلاس اختصاص دهند.
باید توجه داشت که این یک دوره مکمل است، نه جایگزینی برای آموزشهای مدرن. چون این محتوا پیش از ظهور معماری ترنسفورمر طراحی شده، مدلهای زبانی فعلی، مدلهای انتشار یا چارچوبهای توسعه مدرن AI را پوشش نمیدهد. علاوه بر این، این درس به اخلاقیات هوش مصنوعی یا مسائل جهانی تغییردهندهای که AI در حال حاضر ایجاد کرده است، نمیپردازد. کیفیت ویدیوها و صدا بازتابدهنده سال ۲۰۱۱ است، اما عمق مفهومی آن دستنخورده باقی مانده است.
برای یک متخصص امروز، چرخش از «مهندسی پرامپت» به «درک بنیادی» یک ضرورت رقابتی است. مدلهای زبانی بزرگ نمیتوانند هر چالشی را حل کنند؛ آنها اغلب در همان منطق، برنامهریزی و مسائل عدم قطعیت شکست میخورند که این دوره آنها را میآموزد. درک این شکافها به شما اجازه میدهد سامانههایی بسازید که صرفاً به حدسهای احتمالی یک چتبات متکی نباشند.
با یادگیری از کسی که بهطور واقعی کتاب مرجع دانشگاههای بزرگی چون کارنگی ملون، دانشگاه بوستون، تگزاس A&M و سن خوزه استیت را نوشته است، دیدگاهی به دست میآورید که از چرخه هایپ (Hype) فعلی فراتر میرود. شما دیگر به AI بهعنوان یک جعبه جادویی نگاه نمیکنید، بلکه آن را مجموعهای از مسائل ریاضی قابل حل میبینید.
اگر میخواهید از یک کاربر ساده به یک معمار AI تبدیل شوید، با بررسی ماژولهای «فرآیندهای تصمیمگیری مارکوف» یا «جستوجوی خصمانه» شروع کنید. دقت کنید که چگونه این مفاهیم قدیمی در مدلهای استدلالی (Reasoning Models) جدید برای حل مشکل توهم (Hallucination) که در LLMهای فعلی رایج است، دوباره ادغام میشوند.
گام بعدی شما
- اگر میخواهید از یک کاربر ساده به یک معمار AI تبدیل شوید، با ماژولهای «فرآیندهای تصمیمگیری مارکوف» یا «جستوجوی خصمانه» شروع کنید.
- بررسی کنید که چگونه این مفاهیم قدیمی در مدلهای استدلالی (Reasoning Models) جدید برای حل مشکل توهم (Hallucination) بازگشتهاند.
- این تنها آغاز ماجراست؛ اثر این مفاهیم بر معماریهای آینده را در گزارشهای بعدی بررسی خواهیم کرد.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو