کتاب هوش مصنوعی در آینه: خودآگاهی LLMها و تصمیم‌گیری در بازی کالای عمومی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش مصنوعی در آینه: خودآگاهی LLMها و تصمیم‌گیری در بازی کالای عمومی

موضوع کلی: هوش مصنوعی چند عامله و نظریه بازی‌ها

موضوع میانی: شناخت خود در مدل‌های زبان بزرگ و تاثیر آن بر همکاری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی چند عامله
• 2. مقدمه‌ای بر نظریه بازی‌ها
• 3. مقدمه‌ای بر بازی کالای عمومی
• 4. ساختار بازی کالای عمومی
• 5. مفهوم کالای عمومی
• 6. بازی کالای عمومی تکرارشونده (Iterated Public Goods Game)
• 7. عوامل در بازی کالای عمومی
• 8. پایبندی به همکارانه در بازی کالای عمومی
• 9. خیانت در بازی کالای عمومی
• 10. محاسبه سود در بازی کالای عمومی
• 11. معضل همکاران در بازی کالای عمومی
• 12. مقدمه‌ای بر مدل‌های زبان بزرگ (LLMs)
• 13. معماری ترنسفورمر
• 14. توکن‌سازی در LLMs
• 15. آنبوردینگ در LLMs
• 16. آموزش اولیه LLMs
• 17. تنظیم دقیق LLMs (Fine-tuning)
• 18. کاربردهای LLMs
• 19. محدودیت‌های LLMs
• 20. مفهوم شناخت خود (Self-Recognition)
• 21. شناخت خود در انسان
• 22. شناخت خود در هوش مصنوعی
• 23. چالش‌های شناخت خود در هوش مصنوعی
• 24. شناخت خود در مدل‌های زبانی بزرگ
• 25. معیارهای سنجش شناخت خود در LLMs
• 26. مطالعه موردی: بازی کالای عمومی با LLMs
• 27. طراحی آزمایش: بازی کالای عمومی با LLMs
• 28. انتخاب LLMs برای آزمایش
• 29. تنظیم پارامترهای LLMs
• 30. تعریف نقش LLMs در بازی
• 31. نقش عامل اولیه (Agent 1)
• 32. نقش عامل دوم (Agent 2)
• 33. سناریوهای مختلف بازی
• 34. سناریو همکاری کامل
• 35. سناریو خیانت کامل
• 36. سناریو ترکیب همکاری و خیانت
• 37. متغیرهای آزمایش
• 38. تعداد دورهای بازی
• 39. اندازه جمعیت
• 40. میزان پاداش برای همکاری
• 41. میزان جریمه برای خیانت
• 42. پیاده‌سازی الگوریتم‌های تصمیم‌گیری برای LLMs
• 43. الگوریتم‌های مبتنی بر قواعد
• 44. الگوریتم‌های مبتنی بر یادگیری تقویتی
• 45. الگوریتم‌های مبتنی بر شبیه‌سازی
• 46. استفاده از LLMs به عنوان استراتژی‌گذار
• 47. پاسخ LLM به استراتژی عامل دیگر
• 48. تحلیل نتایج بازی
• 49. محاسبه سطح همکاری
• 50. محاسبه سطح خیانت
• 51. شناسایی الگوهای رفتاری
• 52. تاثیر شناخت خود LLM بر همکاری
• 53. ارتباط بین استراتژی LLM و سطح شناخت خود
• 54. آیا LLMهای با شناخت خود بالا، همکارترند؟
• 55. بررسی نقش حافظه در تصمیم‌گیری LLM
• 56. تاثیر تاریخچه بازی بر استراتژی LLM
• 57. تاثیر استراتژی عامل دیگر بر درک LLM از خود
• 58. شناخت خود و شکل‌گیری اعتماد در LLMs
• 59. شناخت خود و توانایی پیش‌بینی رفتار عامل دیگر
• 60. مطالعه موردی: نتایج شبیه‌سازی
• 61. تجزیه و تحلیل نتایج آماری
• 62. نمودارها و جداول نتایج
• 63. تفسیر نتایج کلیدی
• 64. مقایسه استراتژی LLMs با استراتژی‌های انسانی
• 65. ارتباط نظریه بازی‌ها با یافته‌های LLM
• 66. مفهوم تعادل نش (Nash Equilibrium) در بازی با LLMs
• 67. تعادل نش در بازی کالای عمومی
• 68. انحراف از تعادل نش توسط LLMs
• 69. تاثیر شناخت خود بر انحراف از تعادل نش
• 70. کاربردهای عملی یافته‌های تحقیق
• 71. بهبود طراحی سیستم‌های چند عامله
• 72. توسعه هوش مصنوعی همکاری‌کننده
• 73. اخلاق در هوش مصنوعی و شناخت خود
• 74. پیامدهای بلندمدت شناخت خود در LLMs
• 75. چالش‌های آینده پژوهش
• 76. روش‌های پیشرفته‌تر برای سنجش شناخت خود
• 77. طراحی بازی‌های کالای عمومی پیچیده‌تر
• 78. بررسی LLMs با معماری‌های مختلف
• 79. بررسی LLMs با اندازه‌های مختلف
• 80. بررسی تعاملات بلندمدت بین LLMs
• 81. مطالعه رفتارهای ناگهانی یا غیرمنتظره در LLMs
• 82. شناخت خود و توانایی مذاکره در LLMs
• 83. شناخت خود و درک مفاهیم عدالت و انصاف
• 84. جنبه‌های فلسفی شناخت خود در هوش مصنوعی
• 85. نقش زبان در شکل‌گیری شناخت خود در LLMs
• 86. تحلیل کیفی پاسخ‌های LLMs
• 87. شناسایی دلایل پشت تصمیمات LLMs
• 88. توسعه مدل‌های توضیحی (Explainable AI) برای LLMs
• 89. تأثیر "آینه" در آزمایش
• 90. نحوه نمایش وضعیت بازی به LLM
• 91. تأثیر اطلاعات ارائه‌شده به LLM بر شناخت خود
• 92. ارتباط بین "خود" و "دیگری" در LLM
• 93. مدل‌سازی "خود" برای LLM
• 94. مدل‌سازی "دیگری" برای LLM
• 95. تأثیر بازخورد در چرخه تصمیم‌گیری
• 96. شناخت خود در صورت عدم وجود آینه
• 97. آیا LLMها واقعاً "خود" را می‌شناسند؟
• 98. محدودیت‌های مفهوم "شناخت خود" برای LLMs
• 99. کاربرد مقیاس‌بندی در سنجش شناخت خود
• 100. مفهوم "ذهن" در LLMs