پژوهش در عصر AI

از ایده تا مقاله با AI Agentها

چطور عامل‌های هوش مصنوعی چرخه پژوهش را سریع‌تر و هوشمندتر می‌کنند؟

از ایده‌پردازی و مرور ادبیات تا داده، تحلیل، نوشتن و راستی‌آزمایی؛ مسئله دیگر «آیا از AI استفاده کنیم؟» نیست، بلکه «کجا و با چه مسئولیتی؟» است.

AI × Research01 / 21

وبینارهای هوش مصنوعی برای همه02 / 21

مسیر ورود به دنیای AI Agentها.

وبینار اول وبینار جاری

از ایده تا مقاله با AI Agentها

چطور عامل‌های هوش مصنوعی چرخه پژوهش را سریع‌تر و هوشمندتر می‌کنند؟

دوشنبه، ۲۳ شهریور، ساعت ۲۰

وبینار دوم

از چت تا اجرا؛ اولین AI Agent خودت رو با Claude بساز

ساخت زنده یک عامل هوشمند که تصمیم می‌گیرد، ابزار انتخاب می‌کند و کار را انجام می‌دهد.

دوشنبه، ۳۰ شهریور، ساعت ۲۰

وبینار سوم

از پیام مشتری تا پاسخ هوشمند؛ ساخت یک تیم AI Agent

یک Coding Session زنده برای ساخت یک سیستم چندعاملی پشتیبانی مشتری.

دوشنبه، ۶ مهر، ساعت ۲۰

وبینارهای هوش مصنوعی برای همه02 / 21

برای شروع03 / 21

”

اگر AI تز شما را می‌نوشت،
هنوز آن را از آنِ خودتان می‌دانستید؟

سؤالی برای شروع03 / 21

در این ارائه چه می‌بینیم؟04 / 21

قبل از شروع، مسیر را ببینیم.

این ارائه از «چرا این موضوع مهم است» تا «چطور مسئولانه از آن استفاده کنیم» را طی می‌کند؛ این ۱۳ توقف مسیر ماست:

01چرا این بحث مهم شده؟

08AI در هر مرحله از فرایند پژوهش

02پیشرفت AI در مسائل حل‌نشده ریاضی

09RAG برای پژوهش

03Caltech Mathathon و واکنش جامعه ریاضی

10AI Agentها و orchestration

04قواعد جدید گزارش‌دهی پژوهش

11Toolbox پژوهشگر

05AI در پایان‌نامه: دو نقش متفاوت

12پیام Dario Amodei درباره Pacing

06نقشه دو‌محوری AI پیشرو

13راه‌های ارتباط و همراهی

07طراحی یک AI layer

نقشه ارائه04 / 21

چرا این بحث مهم شده؟05 / 21

چرخه پژوهش دارد از ابزار به همکار تغییر می‌کند.

تا همین اواخر، AI بیشتر یک ابزار برای نوشتن یا جست‌وجو بود. امروز می‌تواند چند مرحله را به‌صورت زنجیره‌ای انجام دهد، خروجی تولید کند و برای مرحله بعد تصمیم پیشنهاد دهد.

01

سرعت

زمان کارهای تکراری، جست‌وجو، خلاصه‌سازی و coding کاهش می‌یابد.

02

دامنه

می‌توان هم‌زمان با حجم بسیار بزرگ‌تری از literature و داده کار کرد.

03

استدلال

مدل‌ها می‌توانند فرضیه، baseline، مسیر آزمایش و حتی نقد اولیه پیشنهاد کنند.

اما سرعت تولید خروجی با اعتبار علمی یکی نیست.

از ابزار به همکار05 / 21

پیشرفت هوش مصنوعی و مسائل حل‌نشده ریاضی06 / 21

وقتی می‌گوییم «AI در پژوهش پیشرفت کرده»، منظور چیست؟

از حل یا ردّ مسائل قدیمی تا تولید مسیرهای جدید برای حل مسئله؛ فاصله میان «مدل زبانی» و «عامل پژوهشی» در حال کم‌شدن است.

نکته مهم

این‌ها به معنی حذف researcher نیستند؛ بلکه ارزش verification و توانایی تشخیص ادعا از نتیجه معتبر را بیشتر می‌کنند.

نمونه‌هایی از شتاب پژوهشی AI06 / 21

Caltech Mathathon: دو واکنش به یک موج07 / 21

Mathathon Challenge · Oct 30-Nov 1, 2026 · Caltech

Open Letter · Proofs and Prompts · 10 Sep 2026

دو سوی یک تغییر: ظرفیت جدید + نگرانی جدید07 / 21

قواعد جدید پژوهش08 / 21

اگر AI وارد pipeline پژوهش شد، ردپای آن هم باید بماند.

همان‌طور که روش تحقیق، داده و نرم‌افزار را گزارش می‌کنیم، استفاده از AI هم باید شفاف، قابل بازتولید و قابل ارزیابی باشد.

در پایان‌نامه چه چیزی را گزارش کنیم؟

در کدام مرحله از research pipeline از AI استفاده شد؟
نام model / tool و نسخه یا تاریخ استفاده چه بود؟
AI چه چیزی تولید کرد و پژوهشگر چه چیزی را بررسی یا اصلاح کرد؟
برای خروجی‌های حساس، چه verificationای انجام شد؟

یک قانون ساده

«هرجا AI تصمیم، متن، کد، داده یا تحلیل را تحت‌تأثیر قرار داده، آن را ثبت کن.»

هدف، دفاع از پایان‌نامه در برابر AI نیست؛ هدف، قابل‌اعتمادتر کردن پژوهش است.

AI Disclosure = بخشی از Research Methodology08 / 21

برای تأمل09 / 21

”

اگر فردا AI ثابت کند فرضیه‌تان غلط است،
چه می‌کنید؟

سؤالی برای تأمل09 / 21

AI در پایان‌نامه کجا می‌نشیند؟10 / 21

دو نقش متفاوت را از هم جدا کنیم.

ROLE A

AI به‌عنوان Research Assistant

موضوع پایان‌نامه همان رشته و مسئله توست؛ AI در کنار تو، کارهای پژوهشی را سریع‌تر و ساختاریافته‌تر می‌کند.

مرور و دسته‌بندی literature
پیشنهاد سؤال و فرضیه
کمک به coding و data cleaning
طراحی baseline و آزمایش
نقد و verification اولیه

ROLE B

AI به‌عنوان Method

اینجا خودِ AI بخشی از روش علمی یا موضوع پژوهش است؛ حتی اگر رشته اصلی تو AI نباشد.

پژوهش پزشکی + AI
علوم اجتماعی + LLM
حقوق + NLP
اقتصاد + forecasting
زیست‌شناسی + computer vision
مدیریت + AI
مهندسی مکانیک + simulation
مهندسی صنایع + optimization
مهندسی کامپیوتر + systems AI
روان‌شناسی + behavior modeling
معماری + generative design

نکته: لازم نیست موضوع پایان‌نامه «AI» باشد تا AI در روش آن نقش داشته باشد.

AI می‌تواند ابزار باشد، روش باشد، یا بخشی از سؤال پژوهش.10 / 21

نقشه فناوری‌های AI پیشرو11 / 21

یک نقشه دو‌محوری برای دنیای AI پیشرو: ورودی و روش.

برای فهم سریع چشم‌انداز AI امروز، می‌توان آن را روی دو محور دید: نوع داده‌ای که مدل می‌فهمد (modality)، و پارادایمی که برای یادگیری از آن استفاده می‌شود (method).

مدالیته‌ها (نوع ورودی)

زبان / NLP
بینایی / CV
چندوجهی (تصویر-زبان، تصویر-زبان-عمل)
علمی / ساختاریافته (مولکول‌ها، اتم‌ها، سیگنال‌های عصبی)
دنباله‌ای / زمانی (سیگنال‌های زیستی، هواشناسی، مسیرها)

پارادایم‌های روش

طراحی مولد: flow matching و diffusion
مدل‌های پایه حوزه‌محور (domain foundation models)
عملگرهای عصبی و یادگیری فیزیک‌آگاه
سیستم‌های AI عامل‌محور (Agentic AI)
یادگیری تقویتی از پاداش‌های قابل‌راستی‌آزمایی
یادگیری عمیق هندسی و هم‌وردا (equivariant)
مدل‌های جهان و AI تجسم‌یافته (embodied AI)

Modality × Method = نقشه AI پیشرو11 / 21

چطور AI را وارد پایان‌نامه کنیم؟12 / 21

به‌جای «یک Chatbot»، یک AI layer طراحی کن.

بهترین نقطه شروع، اضافه‌کردن AI به جاهایی است که اطلاعات زیاد، کار تکراری یا نیاز به مقایسه و تولید گزینه وجود دارد.

01

مسئله را مشخص کن

کدام بخش پژوهش کند، تکراری یا پرهزینه است؟

02

نقش AI را تعریف کن

assistant / analyst / coder / critic

03

ورودی معتبر بده

داده، مقاله، دستورالعمل و context مشخص.

04

Verification بساز

هر خروجی مهم باید مسیر بررسی انسانی داشته باشد.

05

ردپا ثبت کن

ابزار، نسخه، نقش، ورودی و خروجی مهم را نگه دار.

اصل طلایی

AI نباید جای «استدلال پژوهشگر» را بگیرد؛ باید هزینه رسیدن به آن استدلال را کم کند.

از کجا شروع کنیم؟

یک micro-workflow کوچک بساز: مثلاً «۱۰ مقاله → استخراج ادعاها → جدول مقایسه → سؤال پژوهش».

AI layer، نه AI به‌عنوان تزئین12 / 21

AI در فرایند انجام پژوهش13 / 21

در هر مرحله، یک نوع کمک ارزشمندتر است.

۱. ایده‌پردازی و سؤال پژوهشAI ایده‌های اولیه می‌دهد یا کمک می‌کند سؤال‌ها را دقیق‌تر، محدودتر و قابل‌آزمون‌تر کنیم.

۲. بررسی متون پیشینخلاصه‌سازی، استخراج نکات کلیدی و مقایسه تفاوت دیدگاه مقالات؛ با کنترل citation.

۳. روش تحقیقکمک بیشتر در نوشتار، ساختاربندی، طراحی protocol و تبدیل ایده به مراحل اجرایی.

۴. جمع‌آوری و پاکسازی دادهاینجا AI واقعاً درخشان است: اتوماسیون data cleaning، استخراج و تولید متغیرها.

۵. تحلیل دادهاجرای مدل، پیشنهاد baseline یا مقایسه چند روش؛ اما تفسیر نتایج و استدلال علمی با پژوهشگر است.

۶. نوشتن و ارائهساختاردهی، ویرایش، تولید شکل و توضیح؛ ولی ادعاها باید با داده و منابع واقعی تطبیق داده شوند.

مرز مسئولیت: AI می‌تواند «تحلیل» را سریع‌تر کند؛ اما «معنای تحلیل» و «ادعای علمی» باید برای خودت قابل توضیح باشد.

Human interpretation remains essential13 / 21

RAG: وقتی AI باید بر اساس منابع تو جواب بدهد14 / 21

RAG چیست؟

به‌جای اینکه فقط به حافظه مدل تکیه کنیم، قبل از پاسخ، اسناد مرتبط را بازیابی می‌کنیم و به مدل می‌دهیم.

برای پایان‌نامه

PDF مقاله‌ها، پایان‌نامه‌های قبلی، داده‌نامه، protocol و اسناد پروژه.

مزیت

پاسخ‌ها به corpus مشخص متصل می‌شوند و بررسی منبع آسان‌تر می‌شود.

Research RAG

Documents

→

Chunking

→

Retrieval

→

LLM

خروجی خوب فقط «جواب» نیست؛ باید بتوانی بگویی این جواب از کدام منبع آمده است.

RAG خطاناپذیر نیست؛ کیفیت retrieval و کیفیت منابع همچنان تعیین‌کننده است.

RAG = اتصال مدل به دانش پژوهش14 / 21

AI Agentها چه مسئله‌ای را حل می‌کنند؟15 / 21

وقتی کار پژوهش چندمرحله‌ای می‌شود، Agent ارزش پیدا می‌کند.

Literature Agent

جست‌وجو → فیلتر → خلاصه → مقایسه → استخراج gap

Data Agent

دریافت داده → پاکسازی → feature engineering → کنترل کیفیت

Experiment Agent

تعریف آزمایش → اجرای چند baseline → ثبت نتایج → مقایسه

Code Agent

نوشتن script → اجرا → debug → تست → اصلاح

Critic Agent

نقد ادعاها، پیدا کردن تناقض، پرسیدن سؤال‌های سخت و بررسی روش.

Orchestrator

کارها را بین Agentهای تخصصی تقسیم می‌کند و workflow را جلو می‌برد.

تفاوت اصلی: Chatbot به یک سؤال پاسخ می‌دهد؛ Agent یک هدف را در چند گام دنبال می‌کند.

Agentic AI = workflow + tools + memory + verification15 / 21

ابزارهایی که یک دانشجو می‌تواند امتحان کند16 / 21

به‌جای «بهترین ابزار»، بهترین ابزار برای هر مرحله را انتخاب کن.

GPTChatGPT

ایده‌پردازی، تحلیل، coding، نقد و ساخت workflow.

CClaude

متن‌های طولانی، استدلال، تحلیل و coding.

GGemini

پژوهش، کار با context بزرگ و اتصال به اکوسیستم Google.

NNotebookLM

پرسش‌وپاسخ روی مجموعه منابع مشخص و ساخت study guide.

EElicit

جست‌وجو و مرور ساختاریافته academic literature.

S2Semantic Scholar

کشف مقاله، citation و شبکه پژوهشی.

ZZotero

مدیریت منابع، citation و کتابخانه مقاله‌ها.

JJupyter / Colab

آزمایش، تحلیل داده و اجرای reproducible code.

CurCursor / Copilot

کمک در توسعه research code و debugging.

OOverleaf

نوشتن و مدیریت مقاله و پایان‌نامه با LaTeX.

PPerplexity

جست‌وجوی وب با پاسخ‌های همراه منبع؛ نیازمند verification.

CPConnected Papers

کشف همسایه‌های مفهومی یک مقاله و پیدا کردن مسیر ادبیات.

قاعده: ابزار را بر اساس task انتخاب کن، نه بر اساس محبوبیت آن. قابلیت‌ها و سیاست‌های ابزارها هم تغییر می‌کنند.

Toolbox پژوهشگر آینده16 / 21

یک پیام تازه از مرز AI17 / 21

12 SEP 2026

«سرعت» دیگر تنها معیار پیشرفت نیست.

Dario Amodei در مقاله We Must Pace the Frontier استدلال می‌کند که رشد قابلیت‌های AI باید طوری پیش برود که safety، alignment و verification فرصت رسیدن به آن را داشته باشند.

پیام برای پژوهش دانشگاهی: اگر AI چرخه تولید دانش را سریع‌تر می‌کند، باید هم‌زمان ظرفیت verification را هم بالا ببریم.