۷ بازی رایگان برای یادگیری واقعی هوش مصنوعی با بازی و آزمایش

اگر برای یادگیری هوش مصنوعی حوصله دوره‌های طولانی، فرمول‌های سنگین و آموزش‌های خشک را ندارید، یک راه جذاب‌تر هم وجود دارد:

مفاهیم AI را با بازی و آزمایش‌های تعاملی یاد بگیرید.

امروز سایت‌ها و پروژه‌هایی وجود دارند که موضوعاتی مثل:

• مدل‌های زبانی بزرگ یا LLM
• Diffusion
• Reinforcement Learning
• RLHF
• Prompt Injection
• Interpretability
• Self-play
• AI Agent

را به محیط‌های قابل بازی و آزمایش تبدیل کرده‌اند.

یعنی به‌جای اینکه فقط بخوانید یک مدل چگونه کار می‌کند، می‌توانید رفتار آن را تغییر دهید، با آن بازی کنید، شکستش دهید یا نتیجه تصمیم‌هایش را به‌صورت زنده ببینید.

در این مقاله از معین گیفت با ۷ بازی و آزمایش تعاملی رایگان آشنا می‌شویم که می‌توانند مفاهیم مهم هوش مصنوعی را بسیار ملموس‌تر کنند.

۱. PlayPlain؛ بیش از ۱۰۰ آزمایش تعاملی درباره AI

اگر قرار باشد فقط یک سایت از این فهرست را پیشنهاد کنیم، PlayPlain یکی از کامل‌ترین گزینه‌هاست.

این سایت مفاهیم نسبتاً پیچیده هوش مصنوعی را به مجموعه‌ای از Experimentهای تعاملی تبدیل کرده است.

موضوعات آن شامل:

• Large Language Models
• Diffusion Models
• Reinforcement Learning
• RLHF
• Alignment
• Attention
• Prompt Injection
• Knowledge Distillation
• Quantization
• Self-play
• World Models

و ده‌ها مفهوم دیگر است.

چرا PlayPlain متفاوت است؟

به‌جای اینکه فقط یک مقاله توضیحی بخوانید، در بسیاری از صفحات می‌توانید Slider، دکمه، بازی یا Simulation را خودتان کنترل کنید.

مثلاً در بخش LLM می‌توانید ببینید Tokenization چگونه متن را تقسیم می‌کند یا مدل چگونه Token بعدی را پیش‌بینی می‌کند.

در بخش Diffusion می‌توانید Noise را کم و زیاد کنید و فرایند تبدیل نویز به تصویر را مرحله‌به‌مرحله ببینید.

یادگیری Self-play با بازی

یکی از Experimentهای جذاب PlayPlain مربوط به Self-play است.

در این بخش Agent بدون Teacher مستقیم، با نسخه‌های خودش بازی می‌کند و به‌مرور Strategy بهتری یاد می‌گیرد.

می‌توانید Training را اجرا کنید و ببینید تصمیم‌های Agent چگونه بهتر می‌شوند.

RLHF را هم خودتان تجربه می‌کنید

در بخش RLHF نقش Human Labeler را بازی می‌کنید.

خروجی‌های مختلف را انتخاب می‌کنید و می‌بینید Preference انسان چگونه:

• Reward Model
• Policy
• رفتار نهایی مدل

را تغییر می‌دهد.

ورود به PlayPlain →

۲. Google Labs و Experiments with Google؛ بازی با پروژه‌های AI گوگل

گوگل سال‌هاست مجموعه بزرگی از Experimentهای تعاملی مرتبط با Machine Learning و AI منتشر می‌کند.

این مجموعه‌ها را می‌توانید در:

• Google Labs
• Experiments with Google

پیدا کنید.

بعضی پروژه‌ها بیشتر آموزشی هستند و بعضی بیشتر شبیه بازی یا تجربه خلاقانه‌اند.

نمونه‌هایی از Experimentهای جالب گوگل

برای مثال:

• AI Duet: شما Piano می‌زنید و AI به شما پاسخ موسیقیایی می‌دهد.
• Semantris: بازی کلمات مبتنی بر Semantic Search.
• Teachable Machine: بدون برنامه‌نویسی یک مدل ساده Machine Learning بسازید.
• Say What You See: مهارت Prompt نویسی برای تصویر را تمرین کنید.
• Guess the Line: AI تلاش می‌کند نقاشی شما را تشخیص دهد.

برای کسی که تازه وارد دنیای AI شده، این پروژه‌ها کمک می‌کنند مفاهیم را بدون ورود مستقیم به ریاضیات تجربه کند.

مشاهده Experimentهای AI گوگل →

همچنین:

ورود به Google Labs →

۳. Tensor Trust؛ حمله و دفاع با Prompt Injection

اگر دوست دارید بفهمید Prompt Injection واقعاً چطور کار می‌کند، Tensor Trust یکی از جالب‌ترین بازی‌هاست.

ایده بازی شبیه یک بانک AI است.

هر کاربر یک Account دارد و باید برای مدل یک Defense Prompt بنویسد.

هدف Defense این است که:

فقط صاحب Account اجازه ورود داشته باشد.

اما همزمان می‌توانید به Account دیگران حمله کنید.

بخش حمله چگونه کار می‌کند؟

شما سعی می‌کنید Promptی بنویسید که مدل قربانی را فریب دهد و باعث شود:

Access granted

برگرداند.

یعنی عملاً Prompt Injection را در یک محیط کاملاً آموزشی و مجاز تجربه می‌کنید.

فقط یک بازی نیست؛ یک پروژه تحقیقاتی است

Tensor Trust توسط پژوهشگران دانشگاه UC Berkeley و همکارانشان ساخته شده است.

داده‌های تولیدشده توسط بازیکنان حتی برای تحقیق درباره امنیت LLMها استفاده شده‌اند.

مقاله پروژه از بیش از:

• 126 هزار حمله Prompt Injection
• 46 هزار Prompt دفاعی

در Dataset تحقیقاتی صحبت می‌کند.

بازی Tensor Trust →

۴. Gandalf و Agent Breaker؛ مدل AI را فریب بده

یکی از معروف‌ترین بازی‌های آموزش امنیت AI، Gandalf از Lakera است.

در نسخه کلاسیک، یک مدل AI یک Password مخفی دارد.

ماموریت شما:

با Prompt مناسب کاری کنید مدل Password را افشا کند.

اما با بالا رفتن Level، دفاع مدل هم قوی‌تر می‌شود.

مثلاً ممکن است:

• به مدل گفته شود Password را نگوید
• Input Filter اضافه شود
• Output Filter اضافه شود
• Pattern Detection فعال شود

Agent Breaker مرحله بعدی Gandalf است

Agent Breaker مفهوم Prompt Injection را از یک Chatbot ساده به AI Agentهای دارای Tool می‌برد.

در این Challengeها با سناریوهایی مثل:

• Agent مسافرتی
• Code Review Agent
• Financial Agent
• Agent متصل به MCP
• سیستم‌های دارای Memory

مواجه می‌شوید.

هدف این است که بفهمید وقتی یک مدل فقط متن تولید نمی‌کند و می‌تواند Tool اجرا کند، Prompt Injection چقدر خطرناک‌تر می‌شود.

بازی Gandalf →

و برای Agent Breaker:

ورود به Agent Breaker →

۵. Steerscope؛ داخل مغز یک LLM را ببینید

Steerscope بیشتر از اینکه یک Game کلاسیک باشد، یک آزمایشگاه تعاملی برای Interpretability مدل‌های زبانی است.

ایده جذاب آن این است:

ببینید یک مدل در هر Layer چه چیزی را پیش‌بینی می‌کند و بعد رفتار آن را تغییر دهید.

Layer به Layer مدل را بررسی کنید

Steerscope از تکنیکی به نام:

Logit Lens

استفاده می‌کند.

این تکنیک اجازه می‌دهد ببینید در Layerهای مختلف مدل، حدس Token بعدی چگونه تغییر می‌کند.

مثلاً ممکن است در Layerهای اولیه مدل چند گزینه مختلف داشته باشد اما در Layerهای عمیق‌تر تصمیمش مشخص‌تر شود.

Activation Steering

بخش جذاب‌تر Steerscope امکان تغییر رفتار مدل است.

با Slider می‌توانید ویژگی‌هایی مثل:

• Sentiment
• Formality
• Refusal Behavior

را تغییر دهید و ببینید خروجی چگونه عوض می‌شود.

مدل روی Browser اجرا می‌شود

Steerscope برای Demo خود از یک مدل واقعی Qwen2.5-0.5B-Instruct استفاده می‌کند و پردازش با WebGPU روی دستگاه کاربر انجام می‌شود.

یعنی برای بخش اصلی Demo نیازی به Inference Server جداگانه ندارد.

اجرای Steerscope →

۶. AlphaLudo؛ با یک Neural Network منچ بازی کنید

AlphaLudo یک پروژه بسیار جذاب برای دیدن Machine Learning در یک بازی واقعی است.

شما منچ بازی می‌کنید؛ اما رقیب شما یک:

Graph Transformer با حدود 587 هزار Parameter

است.

این مدل مستقیم داخل Browser اجرا می‌شود.

AI احتمال برد را هم نشان می‌دهد

در طول بازی، AlphaLudo فقط Move انتخاب نمی‌کند.

مدل به‌صورت زنده تخمین می‌زند:

احتمال برد فعلی چقدر است؟

بنابراین می‌توانید ببینید بعد از:

• یک Dice Roll خوب
• Capture شدن مهره
• یک تصمیم بد

برداشت مدل از وضعیت بازی چگونه تغییر می‌کند.

مدل چطور آموزش دیده؟

نسخه فعلی AlphaLudo ابتدا از مدل‌ها و Strategyهای قبلی تقلید کرده و سپس از:

• Self-play
• بازی با Championهای قبلی
• Reward مبتنی بر برد و باخت

برای بهتر شدن استفاده کرده است.

سایت حتی Experimentهای ناموفق و مراحل Training را هم منتشر کرده که برای یادگیری بسیار ارزشمند است.

بازی AlphaLudo →

۷. Agent Maze؛ هدف و Reward یک Agent را Debug کنید

آخرین گزینه Agent Maze از پروژه Wovi است.

این بازی بیشتر برای آموزش مقدماتی مفهوم:

• AI Agent
• Goal
• Reward
• Safety Rule

طراحی شده است.

در یک Maze، Agent باید به مقصد برسد.

اما بعضی Rewardها باعث می‌شوند مسیر خطرناک برای Agent جذاب‌تر به نظر برسد.

وظیفه شما این است که Ruleها را تغییر دهید تا رفتار Agent اصلاح شود.

یک اصلاح مهم؛ Agent Maze واقعاً RL Training انجام نمی‌دهد

ممکن است در نگاه اول تصور کنید Agent با آزمون‌وخطا خودش Policy جدید یاد می‌گیرد.

اما سازنده پروژه صراحتاً توضیح داده که نسخه فعلی Fixed Policy دارد.

یعنی:

• شما Reward Rule را تغییر می‌دهید
• Agent دوباره مسیر را اجرا می‌کند
• رفتارش را مقایسه می‌کنید

ولی خود Policy طی هزاران Episode آموزش داده نمی‌شود.

این بازی بیشتر مقدمه‌ای برای فهم Reinforcement Learning است تا یک RL Trainer کامل.

بازی Agent Maze →

این ۷ ابزار دقیقاً چه چیزی یاد می‌دهند؟

ابزار	مفهوم اصلی	سطح
PlayPlain	LLM، RL، Diffusion، RLHF و ده‌ها مفهوم دیگر	مبتدی تا پیشرفته
Google Experiments	Machine Learning و Generative AI	مبتدی
Tensor Trust	Prompt Injection و دفاع	متوسط
Gandalf / Agent Breaker	AI Security و Prompt Injection	مبتدی تا پیشرفته
Steerscope	LLM Interpretability و Activation Steering	متوسط تا پیشرفته
AlphaLudo	Neural Network، Self-play و Win Probability	مبتدی تا متوسط
Agent Maze	Agent، Reward و Goal Design	مبتدی

از کدام یکی شروع کنیم؟

اگر هیچ پیش‌زمینه‌ای ندارید، این ترتیب می‌تواند مناسب باشد:

1. Google Experiments
2. PlayPlain
3. Agent Maze
4. AlphaLudo
5. Gandalf
6. Tensor Trust
7. Steerscope

به این ترتیب از مفاهیم ساده‌تر شروع می‌کنید و کم‌کم وارد موضوعات عمیق‌تری مثل امنیت و Interpretability می‌شوید.

اگر فقط می‌خواهید LLM را بفهمید

از PlayPlain شروع کنید.

بخش Language Models آن موضوعاتی مثل:

• Tokenization
• Attention
• Embeddings
• RAG
• KV Cache
• Chain-of-Thought
• Prompt Caching
• Mixture of Experts

را به‌شکل تعاملی توضیح می‌دهد.

اگر به امنیت AI علاقه دارید

این مسیر را امتحان کنید:

Gandalf → Tensor Trust → Agent Breaker

اول یاد می‌گیرید Prompt Injection چیست، بعد Attack و Defense را در مقابل کاربران دیگر تجربه می‌کنید و در مرحله آخر سراغ Agentهایی می‌روید که Tool و Memory دارند.

اگر به نحوه فکر کردن مدل علاقه دارید

Steerscope جذاب‌ترین گزینه این فهرست است.

چون به‌جای اینکه فقط Output نهایی مدل را ببینید، می‌توانید رفتار Intermediate Layerها را بررسی کنید.

آیا این بازی‌ها جای دوره آموزشی را می‌گیرند؟

نه کاملاً.

این ابزارها برای:

• فهم شهودی مفاهیم
• شروع یادگیری
• آزمایش ایده‌ها
• کشف حوزه موردعلاقه

عالی هستند.

اما اگر بخواهید وارد کار حرفه‌ای Machine Learning شوید، در نهایت به موضوعاتی مثل:

• Python
• Linear Algebra
• Probability
• Neural Networks
• PyTorch یا TensorFlow

هم نیاز خواهید داشت.

نکته مهم؛ همه این‌ها «بازی کامل» نیستند

در این فهرست بعضی ابزارها Game واقعی هستند و بعضی بیشتر Interactive Lab یا Simulation محسوب می‌شوند.

برای مثال:

• Tensor Trust یک Game رقابتی واقعی است.
• AlphaLudo یک بازی کامل در برابر Neural Network است.
• Steerscope بیشتر یک آزمایشگاه Interpretability است.
• PlayPlain مجموعه‌ای از Simulation و Mini-game است.

اما وجه مشترک همه آن‌ها این است که کاربر فقط مطلب نمی‌خواند و مستقیماً با مفهوم تعامل می‌کند.

لینک سریع هر ۷ ابزار

PlayPlain:
https://playplain.com/

Google AI Experiments:
https://experiments.withgoogle.com/

Tensor Trust:
https://tensortrust.ai/

Gandalf:
https://gandalf.lakera.ai/

Steerscope:
https://millerharry.github.io/steerscope/

AlphaLudo:
https://alphaludo.in/

Agent Maze:
https://wovi.world/ai-agents-for-kids

جمع‌بندی

یادگیری هوش مصنوعی لزوماً نباید با ساعت‌ها ویدیوی آموزشی و فرمول‌های پیچیده شروع شود.

ابزارهایی مثل PlayPlain، Tensor Trust، Gandalf، Steerscope، AlphaLudo و Agent Maze به شما اجازه می‌دهند مفاهیم AI را مستقیماً تجربه کنید.

می‌توانید ببینید یک Neural Network چگونه تصمیم می‌گیرد، یک Agent چطور Reward را تفسیر می‌کند، Prompt Injection چگونه یک مدل را فریب می‌دهد و حتی در Layerهای داخلی یک LLM چه اتفاقی می‌افتد.

گاهی بهترین راه برای فهمیدن هوش مصنوعی این نیست که درباره‌اش بخوانید؛ باید با آن بازی کنید، خرابش کنید و دوباره درستش کنید.

---

آموزش هوش مصنوعی در معین گیفت

در معین گیفت ابزارها، پروژه‌های تعاملی و روش‌های کاربردی یادگیری ChatGPT، Claude، Gemini، Machine Learning و AI Agentها را معرفی می‌کنیم تا مفاهیم پیچیده هوش مصنوعی را ساده‌تر و عملی‌تر یاد بگیرید.