تصور کنید در حال یادگیری ریاضی هستید و هوش مصنوعی پاسخی را «غلط» اعلام می‌کند که شما می‌دانید درست است؛ در این لحظه، اعتماد شما به کل ابزار فرو می‌پاشد. تونی، توسعه‌دهنده مستقل فول‌استک ساکن شهر رییکا در کرواسی، با معرفی LearnCoachAssist Labs دقیقاً همین «شکاف اعتماد» را هدف قرار داده است. او با این فلسفه که «مدل زبانی بزرگ (LLM) نباید تصمیم‌گیرنده نهایی درباره درست یا غلط بودن یک پاسخ باشد»، مجموعه‌ای به نام Labs (مسیرهای مهارت) را عرضه کرد که شامل ۴۵۱ میکرودرس در ۹ مسیر مهارتی است و به‌طور خاص برای یادگیری در موبایل طراحی شده است.
بسیاری از محتواهای آموزشی تولیدشده توسط هوش مصنوعی زاینده (Generative AI) — شبیه نویسنده‌ای که بسیار خوش‌سخن است اما در جزئیات کوچک اشتباه می‌کند — دچار یک نقص حیاتی هستند: مدل‌ها در توضیح مفاهیم عالی‌اند اما در محاسبات خسته‌کننده و دقیق، غیرقابل‌اعتمادند. طبق گزارش این توسعه‌دهنده، یک خطای کوچک «یک واحدی» (off-by-one error) در یک مثال حل‌شده، یک عدد میانی اشتباه، یا گزینه‌ای در تست چهارگزینه‌ای که مدل آن را «درست» می‌داند اما در واقع غلط است، فقط کاربر را آزار نمی‌دهد، بلکه اعتبار کل محصول را نابود می‌کند. اگر یادگیرنده‌ای به‌خاطر پاسخی درست، نمره غلط بگیرد، یادگیری را متوقف کرده و شروع به بی‌اعتمادی به ابزار می‌کند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت و قابلیت اطمینان مدل‌های زبانی اشاره کردیم، تکیه مطلق بر خروجی مدل برای داده‌های سخت، ریسک بالایی دارد. تونی برای حل این مشکل، معماری دو لایه‌ای طراحی کرد که متن (Prose) و منطق (Logic) را دو مسئله کاملاً مجزا می‌بیند. در مسیر یادگیری ریاضی، مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — فقط اجازه دارد قالب‌ها و راهنمایی‌ها را بنویسد. اما محاسبات واقعی بر عهده توابع تست‌شده‌ی جاوااسکریپت است.
منطق ریاضی: اولویت کد بر نظر مدل
به نقل از مستندات پروژه، این سیستم به‌جای درخواست تولید مسئله و پاسخ همزمان از مدل، از توابع تولیدکننده با «بذر» (Seed) استفاده می‌کند که در سمت کلاینت و در مرورگر کاربر اجرا می‌شوند. این سازوکار تضمین می‌کند که پاسخ حاصل یک محاسبه حسابی است، نه یک «نظر» یا حدس مدل. در صفحه شاخص (Index) بخش ریاضی، صراحتاً ذکر شده است: «ساخته شده با هوش مصنوعی. هر پاسخ توسط کد تست‌شده محاسبه شده است».
جزئیات این سازوکار به شرح زیر است:
- تولید مبتنی بر بذر: تابع با استفاده از یک مقدار تصادفی (Seed)، اعداد را انتخاب می‌کند (مثلاً مقیاس‌بندی یک سه-تایی فیثاغورسی برای تضمین اینکه نتیجه یک عدد صحیح تمیز باشد) و سپس نتیجه را با جاوااسکریپت خالص محاسبه می‌کند.
- درونی‌سازی قالب: متنی که هوش مصنوعی نوشته، مانند یک پوسته عمل می‌کند و مقادیر محاسبه‌شده را در جای مناسب قرار می‌دهد. برای مثال، در درس فیثاگورس، کد ابتدا مقادیر اضلاع a، b و c را انتخاب می‌کند و سپس آن‌ها را در پرامپتی مانند این جایگذاری می‌کند: «یک مثلث قائم‌الزاویه دارای وتری به طول ${c} سانتی‌متر و یک ضلع دیگر به طول ${a} سانتی‌متر است. طول ضلع سوم چقدر است؟»
- بازخورد تشخیصی: چون پاسخ دقیقاً محاسبه شده، سیستم می‌تواند اشتباهات رایج و خاص را شناسایی کند. اگر کاربر به‌جای تفریق، مربع پاسخ را وارد کند (مثلاً $c^2 - a^2$) یا مربع‌ها را به‌جای تفریق، جمع کند، برنامه به‌جای یک پیام ساده‌ی «غلط»، یک راهنمایی هدفمند ارائه می‌دهد که دقیقاً خطای ریاضی کاربر را توضیح می‌دهد.
- راهنمایی‌های پلکانی: هر درس شامل سه سطح راهنما است که از مفاهیم کلی شروع شده و به‌تدریج کاربر را به گام نهایی و خاص مورد نیاز برای حل آن مسئله می‌رساند.
این رویکرد امکان تمرین نامحدود را فراهم می‌کند؛ کاربر می‌تواند همان مهارت را با اعداد جدید در هر بار تکرار تمرین کند، بدون اینکه نگران توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — باشد. در اینجا، وظیفه مدل محدود به چیزی است که واقعاً در آن مهارت دارد: نوشتن توضیحات شفاف و طراحی ساختار درس.
مقیاس‌پذیری در مسیرهای غیرریاضی
برای هشت مسیر دیگر، روش اعتبارسنجی تغییر می‌کند. موضوعاتی مثل طراحی تجربه کاربری (UX) بر اساس قضاوت و تحلیل هستند، نه فرمول‌های ریاضی؛ بنابراین نمی‌توان آن‌ها را با یک تابع ساده محاسبه کرد. هیچ فرمولی وجود ندارد که بتواند پاسخ درست را به سؤال «کدام یک از این‌ها برچسب دکمه بهتری است» تولید کند.
در زمان نگارش این مطلب، وضعیت Snapshot بخش Labs به شرح زیر است:
- ریاضی: ۱۲ واحد، ۶۸ درس
- UX: ۱۴ واحد، ۷۲ درس
- زیست‌شناسی: ۹ واحد، ۴۵ درس
- شیمی: ۹ واحد، ۴۴ درس
- فیزیک: ۹ واحد، ۴۵ درس
- علوم کامپیوتر: ۹ واحد، ۴۷ درس
- مالی: ۱۰ واحد، ۵۰ درس
- توسعه وب: ۸ واحد، ۴۰ درس
- مهارت‌های مطالعه: ۸ واحد، ۴۰ درس
تونی برای این ۸۸ واحد از تست‌های ساختاری خودکار استفاده می‌کند تا خطاهایی که توسط ماشین قابل شناسایی هستند را بگیرد. با این حال، توسعه‌دهنده درباره محدودیت‌ها شفاف است: این محتواها «توسط هوش مصنوعی نوشته و با تست‌های خودکار بررسی شده‌اند»، اما توسط متخصصان انسانی تأیید (Verify) نشده‌اند.
محدودیت‌های محتوایی و شفافیت
به دلیل تفاوت سطح اعتبارسنجی در موضوعات مختلف، پلتفرم از برچسب‌های خاصی برای مدیریت انتظارات کاربر استفاده می‌کند:
- فقط آموزشی: مسیرهای «مالی» و «مهارت‌های مطالعه» با این برچسب مشخص شده‌اند. در بخش مالی صراحتاً ذکر شده است که محتوا به هیچ وجه «توصیه مالی» (Financial Advice) نیست.
- کدهای ساده‌شده: در مسیر توسعه وب، مثال‌های کد به‌صورت ساده‌شده ارائه شده‌اند و هدف این است که کاربر آن‌ها را بخواند و درباره منطقشان فکر کند، نه اینکه لزوماً آن‌ها را در مرورگر اجرا کند.
- هشدار اعتبارسنجی: در فوتر (پایین) سایت از خوانندگان خواسته شده است پیش از اتکای کامل به محتواهای تولیدشده با کمک AI، آن‌ها را بازبینی کنند. کاربران تشویق شده‌اند که از Labs برای ساختن شهود (Intuition) و یادگیری واژگان استفاده کنند، اما برای تصمیمات مربوط به سلامت یا پول، به منابع حرفه‌ای مراجعه کنند.
معماری فنی و تجربه کاربری
پلتفرم LearnCoachAssist Labs برای دسترسی بدون اصطکاک (Zero-friction) ساخته شده است. این پلتفرم بر پایه Laravel 12 و MySQL بنا شده است، اما خودِ دروس برای جلوگیری از کندی، از فریم‌ورک‌های سنگین فرانت-اند اجتناب کرده‌اند. هر مسیر یادگیری یک ماژول جاوااسکریپت ساده است و برای مدیریت صفحات عمومی از Alpine.js بهره گرفته شده است.
برخی تصمیمات طراحی برای افزایش دسترسی و بهینه‌سازی:
- ذخیره‌سازی محلی: پیشرفت کاربر، رکوردهای روزانه (Streaks) و شمارنده طرح رایگان در localStorage مرورگر ذخیره می‌شود. این یعنی نیازی به ساخت حساب کاربری و ورود نیست، اما پاک کردن داده‌های سایت، پیشرفت کاربر را ریست می‌کند. برای کاهش این مشکل، در مسیرهای ریاضی و UX امکان خروجی گرفتن (Export) و وارد کردن (Import) فایل‌های پشتیبان فراهم شده است.
- محدودیت‌های نرم: طرح رایگان ۲۰ درس جدید در روز در تمام مسیرها ارائه می‌دهد که در نیمه‌شب به وقت محلی کاربر ریست می‌شود. چون این مقدار در localStorage ذخیره می‌شود، بیشتر یک «ترغیب» است تا یک محدودیت سخت‌گیرانه؛ اگر ذخیره‌سازی مرورگر مسدود باشد، این محدودیت اعمال نمی‌شود.
- طرح‌های پولی: دسترسی نامحدود از طریق طرح‌های Plus (۱۰ دلار در ماه) یا Pro (۲۵ دلار در ماه) امکان‌پذیر است. تبلیغات در صفحات مطالعه (Deck) قرار دارند، اما هرگز داخل دروس Labs نمایش داده نمی‌شوند.
- طراحی موبایل‌محور: دروس به‌گونه‌ای کوتاه طراحی شده‌اند که در مسیر اتوبوس یا زمان‌های کوتاه قابل تکمیل باشند و هر بار روی یک مسئله تمرکز کنند تا یادگیرنده دچار سردرگمی نشود.
موازنه در تولید محتوای AI
این پروژه نشان‌دهنده یک چرخش در توسعه هوش مصنوعی است: حرکت از مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن، شبیه کسی که می‌داند چطور از یک مشاور باتجربه بهترین جواب را بگیرد — به سمت «مهندسی سیستم». تونی با تبدیل LLM از یک «موتور منطق» به یک «نویسنده محتوا»، راهی مقیاس‌پذیر برای تولید محتوای آموزشی با حجم بالا، بدون ریسک‌های معمول استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند — پیدا کرده است. این تغییر رویکرد در توسعه، یادآور چالش‌های عمیق‌تری است که برخی متخصصان در گذار از کدنویسی سنتی به نرم‌افزارهای ساخته شده توسط عامل‌های AI تجربه کرده‌اند و به دنبال بازیافت لذت فکری در فرآیند خلق هستند.
برای کاربر، این به معنای تغییر در نحوه مصرف یادگیریِ کمک‌گرفته از AI است. ارزش واقعی دیگر در توانایی AI برای «دانستن» پاسخ نیست، بلکه در توانایی توسعه‌دهنده برای ساخت یک شبکه ایمنی دور این دانش است. «محدودیت صداقت» — یعنی برچسب‌گذاری دقیق آنچه محاسبه شده در مقابل آنچه قضاوت شده — به اصلی‌ترین نیاز طراحی تبدیل شده است. در دنیای شغلی امروز، این توانایی در طراحی سیستم‌های نظارتی بر AI، بخشی از مهارت‌های واقعی و مورد نیاز بازار کار است که فراتر از تسلط ساده بر ابزارهای هوش مصنوعی می‌رود.
در حالی که پلتفرم از مرحله لانچ اولیه (Soft Launch) خارج می‌شود، تمرکز بر گزارش باگ‌های جامعه کاربری است. صفحه مرکزی Labs به‌تازگی برای موتورهای جستجو باز شده و صفحات مسیرهای فردی همچنان با برچسب 'noindex' هستند. ارزشمندترین داده برای این پروژه اکنون «منفی‌های کاذب» (False Negatives) هستند؛ یعنی مواردی که سیستم یک پاسخ درست را غلط اعلام می‌کند. این موارد سیگنالی از شکست در منطق جاوااسکریپت زیربنایی یا قالب‌های تولیدشده توسط AI خواهد بود.
گام بعدی شما
- اگر در حال ساخت ابزار آموزشی هستید، منطق محاسباتی را از لایه تولید متن جدا کنید.
- برای اعتبارسنجی خروجی‌های مدل، به‌جای پرامپت‌های پیچیده، از توابع کدنویسی‌شده (Hard-coded) استفاده کنید.
- در محصولات AI، شفافیت درباره «آنچه محاسبه شده» در مقابل «آنچه قضاوت شده» را به عنوان یک ویژگی UX در نظر بگیرید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو