تخمین فرمی با هوش مصنوعی؛ هر عددِ نامعلوم را پله‌پله حدس بزن

فرض کن از هوش مصنوعی می‌پرسی «در تهران روزی چند فنجان قهوه فروخته می‌شود؟» یا «بازارِ دوره‌های آنلاینِ فارسی چقدر بزرگ است؟». معمولاً یکی از دو جواب را می‌گیری: یا مدل می‌گوید داده‌ی کافی ندارد، یا با اعتمادِ کامل یک عددِ گرد و خوش‌ظاهر می‌سازد که هیچ معلوم نیست از کجا آمده. هر دو جواب بی‌فایده‌اند، چون نه قابلِ اتکا هستند و نه قابلِ بحث.

راهِ درست این است که به‌جای خواستنِ یک عدد، مدل را وادار کنی مثلِ یک فیزیک‌دان فکر کند. تکنیکی که امروز یاد می‌گیری «تخمین فرمی» نام دارد؛ روشی برای برآوردِ هر کمیتِ نامعلوم، فقط با شکستنِ آن به چند حدسِ کوچک‌ترِ منطقی. این درس اولین قسمت از سری تازه‌ی «برآورد و تخمین» است و پایه‌ای می‌سازد که در پرامپت‌های مالی، بازاریابی و تصمیم‌گیری بارها به کارت می‌آید.

تخمین فرمی چیست و چرا کار می‌کند؟

نامِ این روش از اِنریکو فرمی، فیزیک‌دانِ ایتالیایی، گرفته شده است. می‌گویند او می‌توانست با چند حدسِ ساده و بدونِ هیچ ابزاری، جوابِ مسائلی را تخمین بزند که در نگاهِ اول نیاز به داده‌های دقیق داشتند. مشهورترین نمونه‌اش این سؤال است: «در شیکاگو چند کوک‌کننده‌ی پیانو کار می‌کنند؟». فرمی به‌جای حدسِ مستقیم، مسئله را به زنجیره‌ای از پرسش‌های کوچک می‌شکست: جمعیتِ شهر چقدر است؟ چند خانوار پیانو دارند؟ هر پیانو سالی چند بار کوک می‌شود؟ یک کوک‌کننده در سال چند پیانو را کوک می‌کند؟ وقتی این چند عدد را در هم ضرب می‌کرد، به برآوردی می‌رسید که به واقعیت نزدیک بود.

رازِ کار اینجاست: وقتی یک کمیت را به چند عاملِ مستقل می‌شکنی، خطای حدسِ هر عامل تصادفی است؛ بعضی را بالاتر از واقعیت می‌زنی و بعضی را پایین‌تر. چون این خطاها در جهت‌های مخالف‌اند، هنگامِ ضرب تا حدِ زیادی همدیگر را خنثی می‌کنند و برآوردِ نهایی پایدارتر از یک حدسِ یک‌مرحله‌ای درمی‌آید. به زبانِ ساده، پنج حدسِ نیمه‌دقیق که در هم ضرب شوند، معمولاً از یک حدسِ کلی بسیار بهتر است.

چرا پرسیدنِ مستقیمِ عدد از هوش مصنوعی نتیجه نمی‌دهد؟

وقتی مستقیم می‌پرسی «این عدد چند است؟»، مدل را مجبور می‌کنی در یک قدم به جوابی برسد که پشتوانه‌ای ندارد. مدل‌های زبانی برای تولیدِ متنِ محتمل ساخته شده‌اند، نه برای محاسبه‌ی دقیق؛ پس یک عددِ باورپذیر می‌سازند که ممکن است چند برابرِ واقعیت یا چند برابر کمتر از آن باشد و تو هیچ راهی برای تشخیصش نداری. این همان توهمِ عددی است که در درسِ مهار توهم هوش مصنوعی هم سراغش را گرفتیم.

تخمین فرمی این مشکل را از ریشه حل می‌کند، چون مدل را وادار می‌کند کارش را نشان بدهد. حالا به‌جای یک عددِ تنها، یک زنجیره‌ی شفاف از فرض‌ها و عددها می‌بینی که می‌توانی تک‌تکشان را وارسی کنی، و اگر با یکی مخالف بودی، فقط همان را عوض کنی و نتیجه خودش به‌روز شود. این همان تفاوتِ میانِ «به من ماهی بده» و «به من ماهی‌گیری یاد بده» است.

ساختارِ پرامپت تخمین فرمی در چهار گام

هر پرامپتِ خوبِ تخمین فرمی روی چهار ستون می‌ایستد. اگر این چهار را در پرامپت صریح کنی، مدل مجبور می‌شود منظم و قابلِ‌اعتماد برآورد کند:

گامِ یکم — تعریفِ دقیقِ کمیت و واحد. اول روشن کن دقیقاً چه چیزی را، با چه واحدی و در چه بازه‌ی زمانی یا مکانی می‌خواهی. «فروشِ قهوه» مبهم است؛ «تعدادِ فنجان قهوه‌ی فروخته‌شده در کافه‌های شهرِ تهران در یک روزِ معمولی» دقیق است.

گامِ دوم — تجزیه به عامل‌های قابلِ‌حدس. از مدل بخواه کمیت را به چهار تا هفت عاملِ کوچک‌تر بشکند که ضربشان دوباره به همان کمیت برسد. این دقیقاً همان مهارتِ تجزیه‌ی مسئله به زیرمسئله است که اینجا در خدمتِ برآورد قرار می‌گیرد.

گامِ سوم — فرضِ صریح برای هر عامل. برای هر عامل، مدل باید در یک خط بنویسد: چه فرضی گذاشته، چه عددی برآورد کرده، و منطقش چه بوده. قانونِ طلایی این است: هیچ عددی بدونِ فرضِ صریح نوشته نشود.

گامِ چهارم — ضرب، بازه و وارسی. در پایان، مدل عامل‌ها را در هم ضرب می‌کند، یک بازه‌ی پایین/مبنا/بالا می‌دهد، و یک وارسیِ سرانگشتی می‌کند تا ببیند آیا عددِ نهایی با چیزی که از دنیای واقعی می‌دانیم جور درمی‌آید یا نه.

پرامپت آماده‌ی تخمین فرمی

این قالب را کپی کن و فقط خطِ کمیت را با مسئله‌ی خودت عوض کن:

نقشِ تو یک تحلیل‌گرِ تخمین فرمی است.
می‌خواهم این کمیت را برآورد کنی: [کمیت و واحد و بازه را دقیق بنویس]

این مراحل را دقیقاً و به‌ترتیب انجام بده و هیچ مرحله‌ای را جا نینداز:
۱) کمیت و واحدش را یک‌خطی بازتعریف کن تا مطمئن شویم منظورمان یکی است.
۲) مسئله را به ۴ تا ۷ عاملِ تا حدِ ممکن مستقل بشکن که ضربشان به همان کمیت برسد.
۳) برای هر عامل در یک خط بنویس: فرضی که گذاشتی + عددِ برآوردی + منطقِ کوتاهِ آن.
۴) عامل‌ها را در هم ضرب کن و عددِ مبنا را به‌دست بده.
۵) سه سناریو بساز — پایین (محافظه‌کارانه)، مبنا، و بالا (خوش‌بینانه) — و بگو کدام فرض بیشترین اثر را روی نتیجه دارد.
۶) یک وارسیِ سرانگشتی بکن: آیا این عدد با واقعیتی که می‌شناسیم سازگار است؟

قاعده: هیچ عددی را بدونِ فرضِ صریح ننویس. هر جا داده نداری، حدسِ شفاف بزن و همان خط را علامت بزن.

همین که مدل مجبور شود سناریوی پایین و بالا بدهد، در عمل داری از او کالیبراسیونِ اطمینان می‌خواهی؛ یعنی عددِ نهایی را نه به‌صورتِ یک نقطه، بلکه به‌صورتِ یک بازه‌ی صادقانه تحویل می‌گیری.

مثالِ واقعی: چند فنجان قهوه در روز در تهران؟

بیایید همان قالب را روی یک مسئله‌ی ملموس اجرا کنیم. مدل با پرامپتِ بالا چیزی شبیه این زنجیره می‌سازد:

جمعیتِ تهران را حدودِ ۹ میلیون نفر می‌گیریم. فرض می‌کنیم حدودِ ۲۰ درصدشان گاهی قهوه‌ی بیرون می‌خرند، یعنی حدودِ ۱٫۸ میلیون نفرِ مشتریِ بالقوه. هر کدام به‌طورِ میانگین نه هر روز، بلکه چیزی حدودِ ۰٫۴ فنجان در روز می‌خرند (یعنی تقریباً هر دو تا سه روز یک بار). ضربِ این دو عدد می‌شود حدودِ ۷۲۰ هزار فنجان در روز. همین‌جا مدل یک وارسی می‌کند: اگر تهران حدودِ چند هزار کافه داشته باشد و هر کدام روزی چند صد فنجان بفروشند، به عددی در همین حدود می‌رسیم — پس برآورد با واقعیت جور است.

نکته این نیست که این عدد تا آخرین رقم درست باشد؛ نکته این است که حالا یک برآوردِ شفاف داری که می‌توانی رویش بحث کنی. اگر بگویی «نه، سهمِ قهوه‌خورها بیشتر از ۲۰ درصد است»، فقط همان فرض را عوض می‌کنی و کلِ زنجیره به‌روز می‌شود. این همان چیزی است که یک حدسِ تنها هرگز به تو نمی‌دهد.

نکته‌های حرفه‌ای برای برآوردِ دقیق‌تر

برای این‌که خروجی را یک پله بالاتر ببری، چند ترفند را به پرامپتت اضافه کن. اول، همیشه بازه بخواه نه یک عدد؛ یک بازه‌ی پایین تا بالا هم صادقانه‌تر است و هم به تصمیم‌گیری کمک می‌کند. دوم، از مدل بخواه واحدها را در هر گام کنارِ عدد بنویسد تا اشتباهِ واحد (مثلاً خلط کردنِ «در روز» و «در ماه») رخ ندهد.

سوم، برای مسائلِ مهم یک وارسیِ دوم بگذار: از مدل بخواه همان کمیت را یک بار دیگر با یک تجزیه‌ی کاملاً متفاوت برآورد کند و دو نتیجه را کنارِ هم بگذارد. اگر دو مسیرِ مستقل به عددهای نزدیک رسیدند، اعتمادت بالا می‌رود؛ این همان منطقِ زنجیره‌ی راستی‌آزمایی است. و چهارم، برای کمیت‌های بسیار بزرگ یا بسیار کوچک، به مدل بگو در «مرتبه‌ی بزرگی» فکر کند؛ یعنی مهم این است که جواب هزارتایی است یا میلیونی، نه این‌که رقمِ آخرش چند است.

کجا از تخمین فرمی استفاده کنیم؟

این روش هر جا که عددی نامعلوم اما تصمیم‌ساز داری به کارت می‌آید. در برآوردِ اندازه‌ی بازار پیش از راه‌اندازی یک کسب‌وکار، در قیمت‌گذاری وقتی نمی‌دانی تقاضا چقدر است، در امکان‌سنجیِ یک ایده («آیا اصلاً ارزشِ وقت گذاشتن دارد؟»)، در بودجه‌بندیِ محتوا و تبلیغات، و حتی در تخمینِ زمانِ یک پروژه. هر جا وسوسه شدی بگویی «نمی‌دانم، داده ندارم»، تخمین فرمی به تو اجازه می‌دهد با فرض‌های شفاف جلو بروی.

وقتی چند گزینه داری و می‌خواهی بینشان انتخاب کنی، برآوردِ فرمی را می‌توانی ورودیِ ماتریسِ تصمیمِ وزنی کنی تا تصمیمت به‌جای احساس، روی عددهای شفاف بنشیند.

اشتباه‌های رایج و راهِ رفعشان

شایع‌ترین اشتباه این است که با وجودِ قالب، باز هم از مدل عددِ مستقیم قبول کنی؛ اگر دیدی مدل مرحله‌ها را پرید، صریح بگو «زنجیره‌ی عامل‌ها و فرض‌ها را کامل نشان بده». اشتباهِ دوم عامل‌های همبسته است؛ اگر دو عامل عملاً یک چیز را دو بار بشمارند، نتیجه باد می‌کند، پس از مدل بخواه مطمئن شود عامل‌ها مستقل‌اند. اشتباهِ سوم این است که عددِ نهایی را حقیقتِ قطعی بگیری؛ یادت باشد خروجیِ فرمی یک برآوردِ آگاهانه است، نه یک اندازه‌گیری. و اشتباهِ چهارم بی‌توجهی به واحدهاست که با همان ترفندِ «واحد را کنارِ هر عدد بنویس» رفع می‌شود.

پرسش‌های پرتکرار

تخمین فرمی چقدر دقیق است؟
هدفِ آن دقتِ رقمی نیست، بلکه رسیدن به مرتبه‌ی درستِ بزرگی است. یک برآوردِ خوبِ فرمی معمولاً در همان حدودِ واقعیت می‌نشیند و همین برای بیشترِ تصمیم‌ها کافی است. اگر به عددِ دقیق نیاز داری، فرمی را برای تخمینِ اولیه به کار ببر و بعد با داده‌ی واقعی تکمیلش کن.

فرقش با پرسیدنِ ساده از هوش مصنوعی چیست؟
پرسشِ ساده یک عددِ بی‌پشتوانه می‌دهد که نه می‌توانی وارسی‌اش کنی و نه اصلاحش. تخمین فرمی یک زنجیره‌ی شفاف از فرض‌ها می‌دهد که هر حلقه‌اش قابلِ بحث و تغییر است.

روی چه مدل‌هایی بهتر جواب می‌دهد؟
روی مدل‌های اصلی مثلِ ChatGPT، Claude و Gemini خیلی خوب کار می‌کند، چون زنجیره را منظم نگه می‌دارند. اما چون هر گام یک پرسشِ محدود است، حتی روی مدل‌های سبک‌تر هم خروجی از یک پرسشِ کلی بهتر می‌شود.

کِی بهتر است سراغِ فرمی نروم؟
وقتی داده‌ی واقعی و معتبر در دسترس است. اگر عددِ دقیق را می‌شود مستقیم از یک گزارش یا پایگاهِ داده گرفت، برآوردِ سرانگشتی لازم نیست؛ فرمی برای زمانی است که داده نداری یا سریع به یک تصویرِ کلی نیاز داری.

حالا نوبتِ توست. دو تمرینِ زیر کمک می‌کنند مطمئن شوی تکنیک را واقعاً گرفته‌ای، نه فقط خوانده‌ای.

جمع‌بندی

تخمین فرمی یک تغییرِ ساده اما نیرومند در طرزِ کار با هوش مصنوعی است: به‌جای خواستنِ یک عددِ جادویی، مدل را وادار می‌کنی مسئله را به عامل‌های کوچکِ قابلِ‌حدس بشکند، برای هر کدام فرضِ صریح بگذارد، و در پایان ضرب کند و بازه بدهد. نتیجه، یک برآوردِ شفاف است که می‌توانی وارسی‌اش کنی، رویش بحث کنی و با عوض‌کردنِ یک فرض به‌روزش کنی.

این درس اولین قسمت از یک سری تازه درباره‌ی برآورد و تخمین با هوش مصنوعی است. برای دیدنِ نقشه‌ی کاملِ سری‌ها و ادامه‌ی مسیرِ یادگیریِ پرامپت‌نویسی، به راهنمای جامع پرامپت‌نویسی سر بزن. و اگر می‌خواهی ببینی چطور همین مهارتِ شکستنِ مسئله در جای دیگری به کار می‌آید، سراغِ درسِ پرامپت کم‌به‌زیاد برو.