۷ بازی رایگان برای یادگیری هوش مصنوعی در سال ۲۰۲۶

آخرین به‌روزرسانی: مهر ۱۴۰۵

برای یادگیری هوش مصنوعی لازم نیست از همان روز اول سراغ فرمول‌های سنگین یا دوره‌های طولانی بروید. بعضی از مفاهیم مهم AI وقتی بهتر جا می‌افتند که آن‌ها را در عمل ببینید: یک مدل را فریب بدهید، برای یک ایجنت پاداش تعریف کنید، رفتار لایه‌های داخلی یک مدل زبانی را تغییر دهید یا مقابل یک شبکه عصبی بازی کنید.

در این راهنما، ۷ بازی و تجربه تعاملی رایگان را معرفی می‌کنیم که هرکدام بخشی از دنیای هوش مصنوعی را قابل لمس می‌کنند؛ از Prompt Injection و امنیت مدل‌های زبانی گرفته تا Self-play، یادگیری تقویتی، مدل‌های مولد و تفسیرپذیری LLM.

اگر تازه‌کار هستید، از Google Play with AI یا PlayPlain شروع کنید. برای تمرین امنیت مدل‌ها سراغ Tensor Trust و Agent Breaker بروید و برای مفاهیم پیشرفته‌تر AlphaLudo، Agent Maze و Steerscope را امتحان کنید.

PelyMedia

خلاصه سریع: هر بازی چه چیزی به شما یاد می‌دهد؟

۱. PlayPlain؛ بیش از ۱۰۰ آزمایش تعاملی برای فهم AI

PlayPlain کامل‌ترین گزینه این فهرست است. در این سایت بیش از ۱۰۰ آزمایش قابل بازی در موضوعاتی مثل مدل‌های زبانی، مدل‌های مولد، یادگیری تقویتی، هم‌ترازی و ایمنی و مقیاس‌پذیری آموزش قرار گرفته است. هر تجربه معمولاً حدود ۱۲ تا ۱۶ دقیقه زمان می‌برد و مفهوم را بدون نیاز به فرمول‌های سنگین نشان می‌دهد.

مثلاً می‌توانید ببینید Attention چگونه بین کلمات ارتباط برقرار می‌کند، چرا مدل‌ها بخشی از متن طولانی را فراموش می‌کنند، تفاوت Top-k و Top-p چیست، Diffusion چگونه تصویر را از نویز بازسازی می‌کند یا یک ایجنت چطور با Self-play بهتر می‌شود.

در PlayPlain چه چیزهایی یاد می‌گیرید؟

• مبانی LLM، Tokenization، Embedding و Attention
• مدل‌های Diffusion، VAE، GAN و ControlNet
• یادگیری تقویتی، Q-Learning، Reward Hacking و Self-play
• RLHF، Constitutional AI، Jailbreak و Red-Teaming

۲. Google Play with AI؛ هوش مصنوعی را با بازی‌های گوگل لمس کنید

Google Arts & Culture مجموعه‌ای از بازی‌ها و آزمایش‌های خلاقانه را با عنوان Play with AI کنار هم قرار داده است. این بخش برای کسانی مناسب است که هنوز وارد مباحث فنی نشده‌اند و می‌خواهند کاربرد هوش مصنوعی مولد و بینایی ماشین را در هنر، موسیقی و طراحی تجربه کنند.

در تجربه‌هایی مثل Blob Opera می‌توانید با حرکت دادن شخصیت‌ها یک اجرای آوازی بسازید؛ در Giga Manga هوش مصنوعی طرح شما را به تصویر مانگا نزدیک می‌کند و در بازی‌هایی مانند Guess the Line با تشخیص تصویر و الگوهای بصری درگیر می‌شوید.

این بازی برای چه کسی مناسب است؟

اگر می‌خواهید بدون اصطلاحات پیچیده بفهمید داده آموزشی، تولید محتوا و تشخیص تصویر چگونه در تجربه‌های واقعی استفاده می‌شوند، این مجموعه بهترین نقطه شروع است.

۳. Tensor Trust؛ به مدل دیگران حمله کنید و از AI خودتان دفاع کنید

Tensor Trust یک بانک خیالی است که حساب‌های آن توسط هوش مصنوعی محافظت می‌شوند. شما باید برای حساب خودتان یک رمز و پرامپت دفاعی بنویسید تا مدل فقط در صورت دریافت رمز صحیح اجازه دسترسی بدهد. هم‌زمان می‌توانید با نوشتن پرامپت‌های خلاقانه، دفاع کاربران دیگر را دور بزنید.

این بازی دقیقاً نشان می‌دهد چرا نوشتن یک دستور سیستمی خوب به‌تنهایی برای امنیت کافی نیست. مدل ممکن است میان دستور اصلی و متن مهاجم دچار تعارض شود و رفتاری انجام دهد که طراح انتظارش را نداشته است.

نکته مهم درباره حریم خصوصی

Tensor Trust یک پروژه پژوهشی متن‌باز از پژوهشگران دانشگاه UC Berkeley است و طبق توضیحات رسمی سایت، متن‌های ارسالی ممکن است برای پژوهش به‌صورت عمومی منتشر شوند. بنابراین هیچ رمز واقعی، اطلاعات شخصی یا داده محرمانه‌ای داخل بازی وارد نکنید.

• تمرین عملی Prompt Injection
• شناخت تفاوت پرامپت دفاعی و حمله
• درک محدودیت‌های Guardrailها
• آشنایی با Red-Teaming مدل‌های زبانی

۴. Gandalf و Agent Breaker؛ مدل را وادار به افشای اطلاعات مخفی کنید

Gandalf یکی از شناخته‌شده‌ترین بازی‌های آموزش Prompt Injection بود: در هر مرحله باید مدل را متقاعد می‌کردید رمز مخفی خود را فاش کند و با بالاتر رفتن سطح، دفاع‌ها سخت‌تر می‌شدند. در حال حاضر آدرس قدیمی Gandalf به تجربه جدید Lakera با نام Agent Breaker منتقل می‌شود.

در Agent Breaker سناریوها واقعی‌تر شده‌اند. به‌جای درخواست مستقیم رمز، با ایجنت‌هایی مثل دستیار سفر، مشاور سرمایه‌گذاری یا چت‌بات سازمانی روبه‌رو می‌شوید و باید محدودیت‌های آن‌ها را پیدا کنید. هدف آموزشی این است که بفهمید Jailbreak، پرامپت سیستمی و Guardrail در عمل چگونه به هم مرتبط‌اند.

۵. Steerscope؛ داخل لایه‌های یک مدل زبانی را ببینید

Steerscope برای کاربران فنی‌تر ساخته شده است. این ابزار تلاش می‌کند فرایند داخلی یک مدل زبانی را قابل مشاهده کند: مدل در هر لایه چه چیزی را پیش‌بینی می‌کند، تصمیم نهایی در چه نقطه‌ای شکل می‌گیرد و اگر یک جهت رفتاری را تقویت یا تضعیف کنیم، جمله خروجی چگونه تغییر می‌کند.

با اسلایدرهای تعاملی می‌توانید رفتارهایی مثل لحن، امتناع یا احساس جمله را تغییر دهید و اثر آن را روی خروجی ببینید. این تجربه مقدمه‌ای عملی برای دو مفهوم LLM Interpretability و Activation Steering است.

چه زمانی سراغ Steerscope برویم؟

اگر قبلاً با مفاهیم اولیه مدل‌های زبانی و شبکه عصبی آشنا هستید، Steerscope تصویر ملموس‌تری از اتفاقات داخل مدل به شما می‌دهد. برای یک کاربر کاملاً تازه‌کار بهتر است ابتدا چند آزمایش LLM در PlayPlain را انجام دهد.

۶. AlphaLudo؛ مقابل یک شبکه عصبی منچ بازی کنید

AlphaLudo یک بازی منچ معمولی نیست. حریف شما یک Graph Transformer با ۵۸۷٬۳۰۶ پارامتر است که ابتدا با تقلید از مدل قبلی و سپس با بازی مقابل قهرمان‌های گذشته و خودش آموزش دیده است. تمام مدل داخل مرورگر اجرا می‌شود و طبق توضیحات رسمی سایت، به سرور یا ساخت حساب نیاز ندارد.

جذاب‌ترین بخش تجربه، نمایش زنده احتمال برد است. بعد از هر حرکت می‌بینید مدل شانس پیروزی شما و خودش را چگونه ارزیابی می‌کند. این ویژگی به‌خوبی نشان می‌دهد تصمیم‌گیری یک مدل احتمالاتی است و نتیجه بازی علاوه بر سیاست مدل، تحت‌تأثیر شانس تاس هم قرار می‌گیرد.

• مشاهده Self-play در یک بازی واقعی
• آشنایی با یادگیری تقلیدی
• درک مدل‌های گرافی و تصمیم‌گیری احتمالاتی
• بررسی تغییر احتمال برد پس از هر حرکت

۷. Agent Maze؛ به ایجنت هدف بدهید و اشتباهاتش را اصلاح کنید

Agent Maze یک مأموریت کوتاه و بدون نیاز به ساخت حساب است. باید یک ایجنت را به مقصد برسانید، اما مسیر سریع از میان طوفان می‌گذرد. شما امتیاز رسیدن به هدف، جمع‌کردن انرژی، جریمه ورود به طوفان و پاداش کشف خانه‌های جدید را تنظیم می‌کنید و سپس رفتار ایجنت را می‌بینید.

اگر پاداش‌ها را اشتباه تعریف کنید، ایجنت ممکن است به‌جای انجام هدف اصلی، راهی عجیب برای جمع‌کردن امتیاز پیدا کند. این همان مسئله Reward Hacking است: سیستم دقیقاً چیزی را بهینه می‌کند که نوشته‌اید، نه لزوماً چیزی را که در ذهن داشته‌اید.

بازی هم‌زمان با تغییر بلوک‌های بصری، کد Python معادل را نمایش می‌دهد. به همین دلیل برای نوجوانان، تازه‌کارها و کسانی که می‌خواهند ارتباط میان منطق ایجنت و کدنویسی را بفهمند گزینه مناسبی است.

از کدام بازی شروع کنیم؟ مسیر پیشنهادی PelyMedia

لازم نیست هر هفت بازی را پشت سر هم انجام دهید. براساس سطح فعلی خودتان از این مسیر استفاده کنید:

مسیر مبتدی

1. Google Play with AI برای تجربه ساده و خلاقانه
2. PlayPlain برای یادگیری مفاهیم پایه با آزمایش‌های کوتاه
3. AlphaLudo برای مشاهده تصمیم‌گیری یک شبکه عصبی

مسیر علاقه‌مندان به پرامپت‌نویسی و امنیت

1. Gandalf یا Agent Breaker برای شروع Jailbreak
2. Tensor Trust برای تمرین هم‌زمان حمله و دفاع
3. آزمایش Prompt Injection و Red-Teaming در PlayPlain

مسیر فنی‌تر

1. Agent Maze برای طراحی پاداش و ارتباط آن با Python
2. AlphaLudo برای Self-play و مدل‌های گرافی
3. Steerscope برای تفسیرپذیری و کنترل فعال‌سازی‌ها

آیا این بازی‌ها جای دوره آموزشی را می‌گیرند؟

خیر. این تجربه‌ها برای ساختن شهود و درک عملی فوق‌العاده‌اند، اما مسیر آموزشی منظم، تمرین پروژه‌محور و بازخورد را جایگزین نمی‌کنند. بهترین روش این است که ابتدا مفهوم را با بازی لمس کنید و بعد آن را در یک پروژه واقعی به کار ببرید.

اگر می‌خواهید هوش مصنوعی را برای تولید محتوا، ساخت تصویر و ویدیو، پرامپت‌نویسی و پروژه‌های واقعی به‌صورت مرحله‌به‌مرحله یاد بگیرید، صفحه دوره جامع AI Plus را ببینید. برای آشنایی با کاربردهای عملی‌تر نیز راهنمای کاربرد هوش مصنوعی در تولید محتوا نقطه شروع مناسبی است.

سؤالات متداول

آیا این بازی‌های هوش مصنوعی واقعاً رایگان هستند؟

در زمان بررسی این مقاله، استفاده پایه از هر هفت گزینه رایگان بود. ممکن است بعضی سایت‌ها برای ذخیره پیشرفت، رتبه‌بندی یا برخی قابلیت‌ها به ساخت حساب نیاز داشته باشند.

برای استفاده از بازی‌ها باید برنامه‌نویسی بلد باشیم؟

خیر. Google Play with AI، Gandalf، Tensor Trust و AlphaLudo بدون دانش برنامه‌نویسی قابل استفاده‌اند. Steerscope و بعضی آزمایش‌های PlayPlain برای کاربران فنی‌تر مفیدتر هستند. Agent Maze نیز کد Python را به‌شکل بصری توضیح می‌دهد.

بهترین بازی برای یادگیری Prompt Injection کدام است؟

برای شروع، Gandalf یا Agent Breaker ساده‌تر و مرحله‌ای‌تر است. Tensor Trust تجربه عمیق‌تری دارد چون علاوه بر حمله باید یک پرامپت دفاعی هم طراحی کنید.

بهترین گزینه برای افراد کاملاً مبتدی چیست؟

Google Play with AI ساده‌ترین نقطه شروع است. بعد از آن PlayPlain را باز کنید و از بخش Language Models یا Generative Models یکی از آزمایش‌های کوتاه را انجام دهید.

آیا اطلاعات واردشده در بازی‌ها خصوصی می‌ماند؟

این موضوع به سیاست هر سایت بستگی دارد. به‌طور مشخص، Tensor Trust اعلام کرده که متن‌های ارسالی می‌توانند در داده‌های پژوهشی عمومی منتشر شوند؛ بنابراین هرگز اطلاعات شخصی، رمز واقعی یا داده محرمانه وارد نکنید.

جمع‌بندی

این هفت بازی نشان می‌دهند مفاهیم هوش مصنوعی فقط موضوعاتی تئوری نیستند. می‌توانید رفتار یک مدل را تغییر دهید، ضعف گاردریل‌ها را پیدا کنید، اثر طراحی پاداش را ببینید و حتی مقابل یک شبکه عصبی بازی کنید. پیشنهاد ما این است که همین امروز یکی از گزینه‌های مسیر مبتدی را امتحان کنید و بعد براساس علاقه‌تان وارد مسیر امنیت، ایجنت‌ها یا تفسیرپذیری شوید.

ادامه مسیر یادگیری: پس از تجربه این بازی‌های آموزشی، می‌توانید با برنامه عملی ۳۰ روزه آموزش هوش مصنوعی، آموخته‌های خود را به تمرین‌های پرامپت‌نویسی، تولید متن و تصویر و یک پروژه واقعی تبدیل کنید.