لطفاً پیش از مطالعه این مطلب، نگاهی به پروفایل نویسندگی من بیندازید. نام من در بالای مقاله درج شده است و در پایان نیز بخشی کوچک به معرفی من اختصاص دارد. با انتخاب گزینهٔ «اطلاعات بیشتر» می‌توانید به صفحهٔ نویسندگی من در وب‌سایت ویرا مراجعه کنید. در آن‌جا توضیح کوتاهی دربارهٔ سوابقم و نشانی حضورم در شبکه‌های اجتماعی درج شده است؛ جایی که گهگاه فعالیت‌های مرتبط با حوزهٔ هوش مصنوعی را به اشتراک می‌گذارم.
می‌خواهم صادقانه بگویم: من از نقطهٔ صفر آغاز کردم. هیچ دانشی دربارهٔ هوش مصنوعی نداشتم، نه تخصص فنی، نه تحصیلات آکادمیک در این حوزه. تنها چیزی که در وجودم بود، قلبی مشتاق و شعله‌ور از علاقه به دنیای هوش مصنوعی بود.
اکنون حدود دو سال از آن روزها می‌گذرد و هنوز در مسیر یادگیری و پیشرفت هستم. می‌دانم که در برابر اساتید و پژوهشگران این حوزه، تنها در آغاز راه قرار دارم، اما به همان اندازه می‌دانم که فاصلهٔ زیادی با خودِ گذشته‌ام گرفته‌ام.
اگر شما هم عاشق یادگیری هوش مصنوعی هستید، اگر این فناوری را به‌عنوان هدفی بزرگ در زندگی خود برگزیده‌اید، بسیار عالی است؛ زیرا قصد دارم در ادامه دربارهٔ مسیر درست و مؤثر یادگیری این علم سخن بگویم.
چند نکته پیش از آغاز
همان‌طور که آقای جادی می‌گوید، مسیر یادگیری در این حوزه، مسیری بی‌پایان است. اگر تصور می‌کنید یادگیری هوش مصنوعی نقطهٔ پایانی دارد، در اشتباهید. البته در طول مسیر به سطحی خواهید رسید که بتوانید خود را متخصص بنامید، اما واقعیت این است که دانش با چنان سرعتی پیش می‌رود که همواره موضوعی تازه برای یادگیری وجود خواهد داشت.
آقای اندرو اَنگ (Andrew Ng) نیز مثالی زیبا دارد: او می‌گوید «هوش مصنوعی مانند برق است.» تصور کنید به برق علاقه‌مند شده‌اید؛ حال باید چه کنید؟ آیا باید در رشتهٔ مهندسی برق تحصیل کنید؟ آیا بهتر است شاگرد یک برق‌کار شوید یا فروشگاه لوازم الکتریکی راه بیندازید؟ پاسخ این است که برق همه‌جا حضور دارد؛ از اسباب‌بازی‌ها تا نیروگاه‌ها. دنیای هوش مصنوعی نیز به همین اندازه گسترده است. در مسیر یادگیری، به‌تدریج درخواهید یافت که به کدام شاخه، شغل یا صنعت علاقهٔ بیشتری دارید.
آیا شما تنها به یادگیری علاقه‌مندید یا به‌دنبال دریافت مدرک معتبر نیز هستید؟ نیت و هدف شما تأثیر مستقیمی بر مسیر یادگیری‌تان دارد. در ادامه، به هر دو مسیر اشاره خواهم کرد.
از کجا شروع کنیم؟
اجازه دهید ابتدا تکلیف گروهی را روشن کنیم که صرفاً به یادگیری علاقه دارند و به مدرک رسمی نیازی احساس نمی‌کنند (کار این گروه از برخی جهات کمی ساده‌تر است).
۱. برای یادگیری بدون مدرک
خبر خوب این است که در این مسیر تقریباً نیازی به پرداخت هزینه ندارید! خواهش می‌کنم درگیر خرید دوره‌ها، پکیج‌های آموزشی و منابع پولی نشوید.
کافی است ChatGPT یا هر مدل زبانی دیگری را باز کنید و شروع کنید به پرسیدن سؤال. تا زمانی که ذهنی کنجکاو دارید، چیزی برای یاد گرفتن وجود دارد. زمانی که احساس کردید صرفاً مطالعه کافی نیست و به دیدن و تجربهٔ تصویری نیاز دارید، به سراغ یوتیوب بروید. یوتیوب را می‌توان «دانشگاه آزاد جهانی» نامید.
اما شاید این سؤال برایتان پیش بیاید که: «از کجا بدانم چه بپرسم؟» یا «چطور اطلاعات درست را از نادرست تشخیص دهم؟»
پاسخ، باز هم در خودِ مدل‌های زبانی نهفته است. مدل‌های زبانی به دلیل آموزش با حجم عظیمی از داده‌ها، معمولاً می‌توانند پاسخی متعادل و قابل اعتماد ارائه دهند. به همین دلیل توصیه می‌کنم مسیر یادگیری خود را با مدل زبانی آغاز کنید. اگر از همان ابتدا به‌صورت پراکنده در اینترنت جست‌وجو کنید، احتمال زیادی وجود دارد که در دریایی از اطلاعات نادرست و تبلیغاتی غرق شوید و زمان ارزشمندتان را از دست بدهید.
پس لطفاً گفت‌وگو با مدل‌های زبانی را جدی بگیرید. بهترین مدل‌های فعلی (در زمان نگارش این مطلب) به‌ترتیب عبارت‌اند از: Claude، ChatGPT و Google Gemini.
اگر احساس می‌کنید هنوز آمادهٔ گفت‌وگو با مدل زبانی نیستید یا نمی‌دانید از کجا شروع کنید، پیشنهاد می‌کنم ابتدا مقالهٔ «هوش مصنوعی چیست؟» را مطالعه کنید. در آن مقاله تلاش کرده‌ام تصویری جامع و آکادمیک از این فناوری بر پایهٔ یکی از منابع مرجع علمی ارائه دهم.
۲. برای یادگیری با مدرک
یادگیری همراه با مدرک معتبر می‌تواند در مسیر استخدام و جذب شما نقش مهمی ایفا کند. هر کس غیر از این گفت، حرفش را نپذیرید. در سال‌های اخیر، عباراتی از این دست بسیار شنیده‌ایم که «دانشگاه فایده‌ای ندارد»، «مدرک دیگر ارزشی ندارد»، یا «فلانی بدون تحصیل موفق شد و دیگری با مدرک بیکار ماند».
در تمام این گفته‌ها یک خطای ذهنی بزرگ نهفته است: رشد و پیشرفت انسان، پیش از هر چیز به تداوم و پشتکار او بستگی دارد. در همان دانشگاه، افرادی را می‌بینید که پله‌های ترقی را یکی‌یکی و با سرعت بالا طی می‌کنند، و در همان بازار کار نیز کسانی هستند که با وجود تلاش، چندان پیش نمی‌روند (و بالعکس). آن چیزی که دانشگاه را ارزشمند می‌کند این است که به شما فرصت بیشتری برای دیده شدن می‌دهد.
بنابراین، فرمول رشد و موفقیت، پیش از هر چیز در صبر، پیوستگی و انضباط شخصی نهفته است. یعنی باید تلاش را به بخشی از عادت‌های روزمرهٔ خود تبدیل کنید. «عادت» یعنی کاری که برای انجامش نیازی به تصمیم‌گیری مجدد یا غلبه بر تنبلی ندارید؛ رفتاری که خود‌به‌خود انجام می‌شود.
برای ساختن (یا ترک) یک عادت، دو نکته کلیدی به کارتان می‌آید:
- به‌جای تلاش مستقیم برای تغییر عادت، محیطی را تغییر دهید که آن عادت در آن شکل می‌گیرد.
- پس از انجام هر گام از کار، پاداش کوچکی برای خود در نظر بگیرید تا رفتار جدید در ذهن شما تثبیت شود. البته مراقب باشید که پاداش گرفتن خود به عادت تازه‌ای تبدیل نشود!
بهترین منابع برای یادگیری با مدرک
منابع را می‌توان به‌ترتیب اهمیت به دو گروه اصلی تقسیم کرد:
۱. دانشگاه
هوش مصنوعی معمولاً در دو رشتهٔ «مهندسی کامپیوتر» و «علوم کامپیوتر» در مقطع کارشناسی ارشد به‌صورت تخصصی آموزش داده می‌شود. در شاخهٔ مهندسی کامپیوتر، معمولاً عنوان رشته «هوش مصنوعی و رباتیک» است و در شاخهٔ علوم کامپیوتر، عنوان «محاسبات نرم و هوش مصنوعی» به‌کار می‌رود.
تفاوت این دو رشته بیشتر در رویکردشان است: مهندسی کامپیوتر جنبهٔ صنعتی‌تر و نزدیک‌تری به بازار کار دارد، در حالی‌که علوم کامپیوتر بیشتر به مباحث نظری و ریاضی می‌پردازد. بااین‌حال، هستهٔ اصلی آن‌ها مشترک است و هر دو می‌توانند مسیر رسیدن به تخصص در هوش مصنوعی باشند.
در سطح بین‌المللی، رشتهٔ علوم کامپیوتر (Computer Science) شناخته‌شده‌تر است و اغلب چهره‌های برجستهٔ این حوزه از دل همین رشته بیرون آمده‌اند. در هر دو مسیر می‌توانید بدرخشید و حتی در نقطه‌ای مشترک به هم برسید. پس زیاد نگران انتخاب اولیه نباشید.
۲. دوره‌های آموزشی
پس از دانشگاه، نوبت به دوره‌های آموزشی می‌رسد. این دوره‌ها از نظر عمق و گستره، در سطحی پایین‌تر از آموزش دانشگاهی قرار می‌گیرند؛ اما اگر هوشمندانه انتخاب شوند، می‌توانند بسیار مؤثر باشند.
توصیه می‌کنم تنها به سراغ دوره‌هایی بروید که در سطح بین‌المللی شناخته‌شده و مورد اعتماد هستند. یکی از معتبرترین پلتفرم‌ها در این زمینه، Coursera است که دوره‌های تخصصی را با همکاری دانشگاه‌ها و شرکت‌های بزرگ جهانی ارائه می‌دهد.
دوره‌ها از نظر زمان و اعتبار متفاوت‌اند؛ برخی کوتاه و مقدماتی‌اند، و برخی بلندمدت و جامع. اما نکته‌ای که باید بدان توجه کنید، این است که بسیاری از پلتفرم‌های آموزشی بین‌المللی، برای دوره‌های بلندمدت خود فرآیند احراز هویت (Verification) دارند و از شما مدارک شناسایی معتبر می‌خواهند. این موضوع باعث می‌شود دسترسی کاربران ایرانی به گواهی نهایی دشوار باشد.
هرچند ممکن است بتوانید به محتوای آموزشی دسترسی پیدا کنید، اما در پایان، مدرک رسمی صادر نمی‌شود. بااین‌حال، دوره‌های کوتاه‌مدت‌تر (معمولاً زیر سه ماه) را می‌توان بدون مشکل خاصی تهیه و گواهی آن‌ها را دریافت کرد. کافی است در فرآیند ثبت‌نام، کشور محل اقامت خود را ایران اعلام نکنید و پرداخت هزینه را از طریق شرکت‌های داخلی که خدمات پرداخت بین‌المللی ارائه می‌دهند انجام دهید.
در میان مدرسان، یکی از چهره‌های برجسته و محبوب آقای اندرو اَنگ (Andrew Ng) است. تجربهٔ شخصی من از دوره‌های ایشان بسیار مثبت بوده است. پیشنهاد می‌کنم به‌ویژه دوره‌های Machine Learning Specialization و Deep Learning Specialization را که توسط او در Coursera ارائه می‌شود، حتماً ببینید. نحوهٔ تدریس او به‌قدری روشن، ساختارمند و الهام‌بخش است که کمتر کسی توانسته مشابهش را ارائه دهد.
فقط یک نکته را در نظر داشته باشید: این دوره‌ها فاقد زیرنویس فارسی هستند، بنابراین باید دانش زبان انگلیسی‌تان در حد قابل‌قبولی باشد تا از محتوای آن‌ها بیشترین بهره را ببرید.
دیگر چه؟
در واقع دیگر چیزی باقی نمی‌ماند جز یک نکتهٔ کلیدی: به یاد داشته باشید که هوش مصنوعی حوزه‌ای جهانی است، نه محلی.
شاید منابع آموزشی متعددی با عنوان «مدرک معتبر» در فضای داخلی تبلیغ شوند، اما حقیقت این است که ارزش آن‌ها در سطح بین‌المللی چندان چشمگیر نیست. البته نمی‌توان گفت بی‌ارزش‌اند، اما در مقایسه با گواهی‌نامه‌های صادرشده از دانشگاه‌ها یا پلتفرم‌های جهانی مانند Coursera، Udacity یا edX، اعتبار آن‌ها بسیار محدود است.
اگر صرفاً به‌دنبال رشد مهارت و ساخت رزومه‌ای قابل اتکا هستید، گاهی یادگیری خودآموز، کارآموزی فنی، یا ساخت یک پورتفولیوی شخصی می‌تواند ارزشی هم‌سنگ، و حتی بیشتر از مدرک‌های محلی داشته باشد. پس بی‌جهت هزینه نکنید و انرژی خود را روی یادگیری واقعی متمرکز کنید.
از اخبار غافل نشوید
هوش مصنوعی فناوری نسبتاً تازه‌ای است؛ یعنی هنوز بازار تحصیل، اشتغال و حتی محصولات آن در حال شکل‌گیری است. برق را در نظر بگیرید: سال‌ها از ورودش به زندگی بشر گذشته و حالا نظام آموزشی و شغلی آن به‌روشنی تعریف شده است. اما دربارهٔ هوش مصنوعی چنین نیست؛ چارچوب‌ها هنوز در حال تغییرند.
اگر اخبار این حوزه را دنبال کنید، متوجه می‌شوید که هر شش ماه تا یک سال، مفاهیم و استانداردهای تازه‌ای معرفی می‌شوند و بسیاری از قواعد گذشته دگرگون می‌شوند. بنابراین، برای به‌روز ماندن باید از منابع خبری معتبر استفاده کنید.
چند منبع خبری معتبر
محبوبیت هوش مصنوعی سبب شده که افراد و کانال‌های بسیاری در این زمینه فعالیت کنند؛ اما واقعیت این است که بخش بزرگی از آن محتواها علمی یا دقیق نیستند.
اگر بدون شناخت سراغ منابع خبری بروید، ممکن است در میان انبوهی از اطلاعات نادرست و هیجان‌زده گرفتار شوید و زمانتان را هدر دهید.
بر پایهٔ تجربهٔ شخصی من و بررسی منابع بین‌المللی، چهار کانال یوتیوب وجود دارند که اخبار و تحلیل‌های دقیق و بدون اغراق منتشر می‌کنند:
- AI Explained
- Matt Wolfe
- Two Minute Papers
- Wes Roth
این چهار منبع از سوی جامعهٔ علمی و رسانه‌های معتبر نیز مورد تأیید هستند. از میان آن‌ها، به‌ویژه دو کانال نخست و سوم از نظر من ارزش ویژه‌ای دارند. پیشنهاد می‌کنم آن‌ها را دنبال کنید و از تحلیل‌هایشان لذت ببرید.
پرسش دارید؟
می‌توانید پرسش‌های خود را در بخش نظرات همین مطلب بنویسید. با کمال میل، شخصاً و با دقت به آن‌ها پاسخ خواهم داد.
توصیهٔ پایانی
کنجکاو باشید! امروز شما به مدل‌های زبانی‌ای دسترسی دارید که تقریباً به هر پرسشی پاسخ می‌دهند. دیگر نیازی به انتظار یا تعلل نیست — همین حالا شروع کنید. بپرسید، بیاموزید و دوباره بپرسید. در دنیای هوش مصنوعی، کنجکاوی بهترین معلم شماست.
