راستی یکی دو تا کار تحقیقاتی جدید شروع کردیم
با موضوعات هوش مصنوعی در پزشکی
و مدل های زبانی

از دوستان، کسی علاقه داشت چه توی بخش پیاده سازی چه نگارش مشارکت داشته باشه و اسمش درج بشه
رزومه خودش به این اکانت بفرسته (حداکثر تا 2 هفته آینده- چون به زودی تیم بسته میشه و کار سریعا شروع خواهد شد)

@data_hub

یه خبری می خوندم که: Meta داره Threads رو به یه پلتفرم برنامه‌نویسی تبدیل می‌کنه!
منظورم اینه که الان می‌تونی مستقیم توی Threads کد بنویسی و اجرا کنی
مثل Jupyter Notebook ولی توی یه شبکه اجتماعی!

هنوزم مطمئن نیستم و حدس میزنم ممکنه خبر فیک باشه

ولی اگه بهش فکر کنیم چقدر جالب میشه:
کدت رو می‌نویسی، بقیه لایک می‌کنن، کامنت می‌زارن، suggest می‌دن
یه جور GitHub + Twitter = Threads

و اگه موفق بشه، LinkedIn خیلی ناراحت می‌شه 😄
فکر کن بتونی portfolio کدت رو مثل پست اینستاگرام share کنی

داشتم با Claude Sonnet 4.5 کار می‌کردم
یهو متوجه شدم این مدل توی reasoning واقعا فرق کرده

یک مسئله پیچیده کدنویسی بهش دادم که GPT-4 گیر کرده بود
نه تنها جواب داد، بلکه مراحل فکریش رو هم توضیح داد

این نسل جدید مدل‌ها دارن یک چیز یاد می‌گیرن: فکر کردن
دیگه فقط pattern matching نیست، دارن می‌فهمن چرا یک راه حل کار می‌کنه

برای کسایی که می‌خوان کد بزنن:
مدل Claude رو امتحان کنید با پرامپت‌های طولانی‌تر

بهش بگید "قبل از جواب، مراحل فکریت رو بنویس"
تفاوت رو حس می‌کنید.

پ.ن: نه، این پست اسپانسر نیست😂 واقعا تجربه خودمه

یک اشتباه رایج که تازه متوجه شدم:
خیلی‌ها فکر می‌کنن fine-tuning همیشه جوابه

نه دوستان، خیلی وقت‌ها RAG بهتره

بذارید ساده بگم:
Fine-tuning = آموزش دوباره مدل

زمان‌بر، پرهزینه، نیاز به GPU قوی
وقتی داده‌تون تغییر کنه، باید دوباره تیون کنید

RAG = دادن اطلاعات در لحظه به مدل

سریع، ارزون، فقط یک vector database لازمه
داده تغییر کرد؟ فقط دیتابیس رو آپدیت کنید

قاعده ساده:
داده‌تون ثابته و می‌خواید سبک نوشتار تغییر کنه؟ → Fine-tune
داده‌تون مدام عوض میشه و می‌خواید مدل بهش دسترسی داشته باشه؟ → RAG

برای شروع یادگیری RAG
LangChain + ChromaDB + OpenAI API

یک آخر هفته کافیه برای یادگیریش

یک پند به دوستان جونیور:

دیروز یک نفر پرسید: "چطور می‌تونم سریع‌تر کد بزنم؟"
جوابم این بود: "کپی‌پیست کردن سریع نیست، تکرار کردنه"

توضیح می‌دم:
وقتی از ChatGPT یا Copilot استفاده می‌کنید، کد رو کپی نکنید
بخونید، بفهمید، خودتون دوباره بنویسید

چرا؟
چون مغز شما باید الگوها رو یاد بگیره
کپی‌پیست = حافظه کوتاه‌مدت
تایپ کردن = حافظه بلندمدت

یک تمرین ساده:
۱. کد AI رو بخونید
۲. پنجره رو ببندید
۳. خودتون از حفظ بنویسید
۴. مقایسه کنید

قطعا اول کاری سخته، ولی بعد از ۱۰ بار، دیگه نیاز به AI ندارید

این فرق یک junior که copy-paste می‌کنه با یک mid-level که واقعا بلده

یک چیز عجیب دیدم توی LinkedIn:

یک نفر نوشته بود: "من 15تا مدل machine learning train کردم"

ولی هیچ کدوم deploy نکرده بود

رفقا، مدل train کردن ۲۰٪ کاره
دیپلوی کردن و نگهداری کردنش ۸۰٪ کاره

یک مدل که روی Jupyter Notebook کار می‌کنه، هنوز آماده محیط واقعی نیست

چیزایی که باید یاد بگیرید:
۱. Docker → از مدلتون کانتینر بسازید.
۲. FastAPI → یک ای پی آی ساده بسازید
۳. AWS/GCP → یاد بگیرید چطور دیپلوی کنید

یک پروژه عملی:
یک مدل ساده‌ بسازید، با FastAPI براش API بنویسید، با Docker یک کانتینر ازش بسازید، روی Heroku یا Railway اونو deploy کنید

این یک پروژه، ارزش ۱۰ تا notebook توی GitHub داره

برای شروع:
FastAPI: https://fastapi.tiangolo.com
Railway: https://railway.app

امروز می‌خوام یک مفهوم رو ساده کنم که خیلی‌ها ازش می‌ترسن:

Mixture of Experts (MoE)

بذارید با یک مثال توضیح بدم:

فرض کنید یک رستوران دارید
به جای اینکه یک آشپز همه غذاها رو بپزه
۱۰ تا آشپز دارید، هرکدوم متخصص یک نوع غذا
وقتی سفارش می‌گیرید، فقط آشپز مربوطه کار می‌کنه

نتیجه: سریع‌تر، بهتر، کارآمدتر

تکنیک MoE دقیقا همینه:
به جای یک مدل بزرگ، چندتا مدل کوچیک (experts) و
یک router تکه صمیم می‌گیره کدوم expert باید کار کنه

مثال واقعی: Mixtral 8x7B
۸ تا expert داره، ولی فقط ۲ تا برای هر input فعال میشن
نتیجه: سرعت بالا، مصرف واحد پردازشی کمتر

چرا مهمه؟
کم‌مصرف‌تر، سریع‌تر، مقیاس‌پذیرتر

اگر می‌خواید با MoE کار کنید:
مدل Mixtral رو از Hugging Face امتحان کنید

لینک: https://huggingface.co/mistralai/Mixtral-8x7B-v0.1

امروز یک چیز کاربردی برا‌تون دارم

می‌خواید ببینید مدل زبانیتون چقدر دقیقه؟

این متریک رو حتما اندازه بگیرید:
معیار Perplexity

Perplexity = میزان سردرگمی مدل
عدد کمتر = مدل مطمئن‌تر

کد ساده با پایتون:

from transformers import GPT2LMHeadModel, GPT2Tokenizer
import torch

model = GPT2LMHeadModel.from_pretrained('gpt2')
tokenizer = GPT2Tokenizer.from_pretrained('gpt2')

text = "Your text here"
inputs = tokenizer(text, return_tensors='pt')
with torch.no_grad():
    outputs = model(**inputs, labels=inputs['input_ids'])
    loss = outputs.loss
    perplexity = torch.exp(loss)

print(f"Perplexity: {perplexity.item()}")

عدد زیر ۲۰؟ مدلتون خوبه
عدد بالای ۵۰؟ یک جایی مشکل داره
درسته که این یک معیار سادست ولی خیلی کمک می‌کنه بفهمید مدلتون چقدر روی داده‌تون خوب کار می‌کنه، البته معیارهای مکمل هم باید در نظر بگیرین

هی بهتون میگم برنامه نویسی نون و آب نداره😂
برید سمت طراحی
گوش نمیدین😁

یک نگاه به تعرفه هاشون بندازید، وسوسه انگیزه
تازه تعرفه هاشون واسه نیمه اول امسال بوده

این پست جدیدم توی لینکدین خیلی دوست دارم
سعی کردم یک سوالی که خیلی پرسیده میشد و دغدغه خیلی ها بود را با مثال واقعی بررسی کنم

لینک پست

یکی از بچه ها می پرسید: "چرا مدلم overfitting میشه؟"

نگاه کردم به کدش، ۵۰۰ تا سمپل داشت
۱۵ تا فیچر ساخته بود

مدلش ۱۰ لایه داشت
بهش گفتم مشتی، تو داری با تفنگ ژ3 به گنجشک شلیک می‌کنی!

قاعده کوچولوی امروزمون:
اگر دیتاست کوچیک داری، مدل ساده بساز
اگر دیتاست بزرگ داری، مدل پیچیده

ترین مدل سنگین و مصرف کلی GPU هنر نیست و جایزه نمیدن بابتش
توی محیط صنعت اتفاقا گاهی با روش های ساده تر حل کردن، ترندتره

اگه بخام نکته کنکوریش بگم: (علمی و وحی منزل نیست)

کمتر از ۱۰۰۰ سمپل → Logistic Regression یا Decision Tree
۱۰۰۰ تا ۱۰۰۰۰ → Random Forest یا XGBoost
بیشتر از ۱۰۰۰۰ → حالا می‌تونی سراغ Deep Learning بری

پند نهایی☺️
همیشه از ساده شروع کنید
بعد پیچیده‌ترش کنید، نه برعکس

پ.ن: گاهی مشکلاتمون با یک مدل ساده حل میشه، نه GPT-5 😅

یک چیز جالب امروز فهمیدم:
مدل Claude یک ویژگی داره به اسم "Extended Thinking"

یعنی چی؟
یعنی مدل قبل از جواب دادن، چند ثانیه فکر می‌کنه
مثل وقتی که شما یک مسئله ریاضی دارید و قبل جواب دادن، روی کاغذ محاسبه می‌کنین

و اینش برام جالبه که این مدل ها تا می تونن از هوش انسانی تقلید می کنن
یعنی هر ویژگی مغزمون داره را دارن به هوش مصنوعی اضافه میکنن و شده منبع الهامشون (صحبتم شبیه کلاس دینی راهنمایی شد😂)

در سال ۲۰۲۴، سازمان غذا و دارو آمریکا ۲۲۳ دستگاه پزشکی مبتنی بر AI رو تایید کرد، در حالی که ۲۰۱۵ فقط ۶ تا بودش
و این یعنی AI واقعا داره وارد زندگی روزمره میشه

آمارش خیلی عجیب بود و آدم حسابی به فکر فرو میبره که چقدر فرصت و ظرفیت پول در آوردن هست

این سوال توی یک گروه تلگرامی دیدم:

"ما می‌خوایم یک مدل custom بسازیم، چقدر هزینه داره؟"
برام سوال شد: "چرا custom؟ مدل‌های آماده رو امتحان کردن؟"


چی میخام بگم؟ حرف اینه که توی کشوری که قیمت جی پی یو سر به فلک کشیده و از هر نوع خدمت و سرویس خارجی به واسطه کاغذ پاره های تحریم، محروم هستیم
چه اصراریه به تیون کردن مدل های سنگین
قشنگ شبیه مسابقه شده، مدل من بزرگتره...
یا من پول بیشتری خرج کردم...

خب اخر سال میلادی هستش و داشتم به ترندهای ۲۰۲۵ نگاه می‌کردم یک چیز خیلی جالب به چشمم خورد:

در کمتر از ۲ سال، هزینه انجام یک تسک مشابه با MMLU چندین برابر برابر کاهش پیدا کرده

یعنی الان کارایی که سال پیش هزار دلار هزینه داشت، حالا با چند دلار انجام میشه
یک مثال ملموس و بغل گوشمون:

دو سال پیش میشد این حرف زد
"نمی‌تونیم از GPT-4 استفاده کنیم، خیلی گرونه"

الان ولی خیلی هزینه ها کمتر شده
تحقیقات اخیر میگفتن که بهبود الگوریتمی سالانه حدود ۴۰۰٪ هست (به نظرم در این حد هم نیست البته)
یعنی نتایج امروز رو می‌شه یک سال بعد با ربع compute بدست آورد (طبق همون تحقیقاتی که دیدم)
خلاصه دیگه بهونه نداریم که AI گرونه

راستی
اگه قبلا پروژه‌ای داشتید که به دلیل گرون بودن API کنسلش کردین، دوباره امتحان کنید احتمالا الان ارزون‌تر شده😂😂😂

ترند این روزها که همه دارن در موردش حرف میزنن: Agentic AI

یه بنده خدایی میگفت
ما دنبال کسی هستیم که بتونه AI Agent بسازه
پرسیدم: "می‌دونید چیه؟"
گفتن: "خب چیزیه که خودش کار می‌کنه دیگه!"

ولی خب Agentic AI یعنی سیستمی که خودش تصمیم می‌گیره و چند مرحله‌ای کار رو انجام میده

یک مثال ساده:
شما می‌گید "یک گزارش از فروش سه ماهه بساز"
حالا Agent خودش داده رو جمع می‌کنه، تحلیل می‌کنه، نمودار می‌سازه، گزارش می‌نویسه

البته اگه می‌خواید وارد این حوزه بشید، اول workflow رو بفهمید
بعد Agent رو بسازید چون
تحقیقات Gartner نشون میده که بیش از ۴۰٪ از پروژه‌های Agentic AI تا پایان ۲۰۲۷ کنسل میشن😂😂😂

چرا؟ چون همه دنبال هایپ رفتن، نه حل مشکل واقعی

سلام به همگی.
به نوبه خودم بابت این عزای شوکه کننده تسلیت می گم

این اولین پست من توی این کاناله.
هدفم اینه که بیام و مباحث اقتصادی‌ای که این مدت یاد گرفتم رو به زبان خیلی ساده بیان کنم.
شاید یه مقدار تمرکزم از بحث‌های هوش مصنوعی کمتر بشه و خب این بی‌دلیل نیست.

حسی که من دارم اینه که هوش مصنوعی فعلاً توی کشور ما اون‌قدری که باید، ظرفیت و جای رشد نداره؛ مخصوصاً از نظر کاری و درآمدی. یعنی سقف رشدش محدوده. ساده شدش، خیلی نمیشه ازش پول درآورد.
این میشه دلیل اول.

دلیل دوم اینه که ما توی کشوری زندگی می‌کنیم که تورم مزمن داره. وقتی تورم مزمن وجود داره، اتفاقی که می‌افته اینه که ما مجبور می‌شیم اول به این فکر کنیم که ارزش دارایی‌هامون رو حفظ کنیم.
در واقع توی حالت بقا هستیم و بعد، اگر شد، توی گام دوم به فکر رشد باشیم؛ رشد اقتصادی فردی، نه ملی. چون رشد اقتصادی فردی باعث رفاه میشه. باز ساده شدش یعنی این که من خاورمیانه ای همین که دخل و خرجم متوازن باشه و بقام به خطر نیفتاده، برد کردم.

این دغدغه‌ها باعث شده که من گاهی حتی تا دوازده ساعت در روز مطالعه داشته باشم. به عنوان یه دانشجویی که خودخوان شروع کرده مباحث اقتصادی رو یاد بگیره، همیشه دیدم که اقتصاد رو با زبان پیچیده توضیح میدن.

ولی من سعی می‌کنم هرجوری شده این مفاهیم رو بفهمم و بعد به دوستان و نزدیکانم، خیلی ساده و خودمونی منتقلشون کنم.

احساس می‌کنم از این مسیر می‌تونم کمک بیشتری به جامعه بکنم تا صرفاً توی حوزه هوش مصنوعی.
البته کانال هوش مصنوعی سر جاش هست، کانال دیتاهاب فعاله و بچه‌هایی از تیممون اونجا محتوا تولید می‌کنن.

اما واقعیت اینه که مردم توی کشور ما، به خاطر مشکلات اقتصادی، بیشتر نیاز دارن بدونن چطوری پول دربیارن و چطوری ارزش پولشون رو حفظ کنن.
این آموزش‌ها رو معمولاً نه توی مدرسه می‌بینیم، نه توی صدا و سیما. استادهای دانشگاه هم اغلب خیلی پیچیده، خیلی تئوریک و دور از زندگی واقعی توضیح میدن.

ما نیاز داریم اطلاعاتی رو یاد بگیریم که همون موقع بفهمیم، ساده باشه، همون موقع اجراش کنیم و نتیجه‌ش رو ببینیم.
یکی از تفاوت‌های اصلی اقتصاد و بازار با هوش مصنوعی برای من دقیقاً همین بوده. چیزهایی که یاد می‌گیرم رو همون امروز اجرا می‌کنم و می‌تونم ازش درآمد داشته باشم و نتیجش ببینم.

ولی توی هوش مصنوعی، از فهمیدن یه موضوع تا اجراش، تا تبدیلش به محصول و بعد درآمدزایی، خیلی زمان می‌بره.

رفقا ته حرفم اینه
در حالی که ما الان درگیر خورد و خوراک، برنج و روغنیم. من از طریق این مباحث کمک بیشتری به عزیزان و هم وطن هام میکنم، و توی این شرایط انگار آدم مجبور میشه موقتاً استراتژیش رو عوض کنه
امیدوارم بتونم توی این مسیر، موثر واقع بشم.

سوال اصلی این روزها، بخرم یا بفروشم؟ اصلا چی بخرم؟ طلا بهتره یا دلار؟
چیکار کنم که زیر بار تورم له نشم

طبیعتا باید قبلش به یک سوال دیگه جواب داد، اونم این که جنگ میشه یا نه؟ این خیلی مهم تره

حالا واسه پاسخ به این سوال که جنگ میشه یا نه باید یکم روضه گوش بدین

ما توی بحث اقتصادی سعی می‌کنیم سناریومحور فکر کنیم.
یعنی چی؟ یعنی قبل از هر تصمیم اقتصادی (مثل خرید یا فروش، یا اصلا اینکه چی بخرم طلا یا دلار یا ...)، اول سناریوها رو بچینیم.

من راستش علاقه شخصی زیادی به تحلیل بنیادی کلاسیک ندارم، چون بیشتر ذهنم درگیر مباحث تحلیلی و مهندسی هوش مصنوعیه.
ولی نکته جالب اینه که کاری که ما توی هوش مصنوعی انجام می‌دیم، یعنی تحلیل داده‌ها، بررسی سناریوها و تصمیم‌گیری بر اساس احتمالات، توی تحلیل بنیادی هم دقیقاً همینه، فقط عمیق‌تر.

ما مهندسا توی تحلیل قوی هستیم و این نگاه تحلیلی اینجا خیلی به کار میاد.
نگاهی که من توی اقتصاد دارم، کاملاً سناریومحوره.

یعنی قبل از اینکه بپرسم:

الان طلا بخرم یا بفروشم؟

دلار بخرم یا نفروشم؟

یا هر اقدام اقتصادی دیگه‌ای


اول باید بپرسم: سناریوهای ممکن چیه؟
چون از دل سناریوهاست که می‌فهمیم خریدن به‌صرفه‌تره یا فروختن، و اصلاً باید سراغ کدوم بازار رفت.

معمولاً توی تحلیل بنیادی میگن حداقل سه سناریو داریم:

سناریوی خوش‌بینانه
سناریوی بدبینانه
سناریوی واقع‌بینانه


حالا سؤال اصلی امروز من و شما اینه:
ما توی کشوری زندگی می‌کنیم که تورم داریم. تورم اسمی‌ای که مثلاً بانک مرکزی میگه 50 یا 60 درصده، ولی تورم واقعی خیلی بیشتر از این حرفاست.

شما خودتون نگاه کنید:
برنج، شیر و خیلی از اقلام مصرفی توی یک سال گذشته بعضاً بین ۲ تا ۵ برابر گرون شدن.
این یعنی دیگه با تورم سبک طرف نیستیم. داریم کم‌کم به سمت تورم‌های خیلی شدید می‌ریم یا همون ابرتورم.

کاری ندارم بانک مرکزی میگه تورم نقطه‌به‌نقطه خوراکی‌ها مثلاً ۷۰ یا ۸۰ درصده.
مهم اینه که من و شما وقتی می‌ریم کف بازار، یا قیمت‌ها دو برابر شده یا پنج برابر.
این با اون میانگین‌های ۵۰-۶۰ درصدی که اعلام میشه، اصلاً هم‌خوانی نداره و نشون میده شاخص‌هایی که باهاش تورم رو حساب می‌کنن، مثل CPI، ضعف‌های جدی دارن. وارد بحث تخصصیش نمی‌خوام بشم.

پس پیش‌فرض اول ما اینه که باید سناریومحور باشیم.
هر اقدام اقتصادی‌ای که می‌خوایم انجام بدیم، اول میایم سناریوها رو می‌چینیم و می‌بینیم توی هر سناریو چه کاری درسته.

بعدش ریسک‌پذیری خودمون رو در نظر می‌گیریم و تصمیم می‌گیریم.
نه یه‌دفعه‌ای، بلکه پله‌کانی.

پله‌کانی می‌خریم، پله‌کانی می‌فروشیم.

مثلاً به این نتیجه می‌رسید که توی سناریوی بدبینانه‌ای که احتمال وقوعش بالاتره، طلا قراره گرون‌تر بشه.
به جای اینکه کل پولتون رو یک‌جا طلا بخرید، پول رو تقسیم می‌کنید.
یه بخشش رو امروز می‌خرید، صبر می‌کنید، می‌بینید واقعاً طلا گرون شد یا نه.

اگر دیدید گرون شد، این یه سیگناله که حدستون درست بوده.
یه پله دیگه می‌خرید.
به این میگن میانگین‌گیری.

ولی اگه دیدید فردا یا پس‌فردا اوضاع برعکس شد و طلا ارزون‌تر شد، این داره بهتون هشدار میده که صبر کن.
بی‌گدار به آب نزن.

چرا؟
چون ما توی کشوری زندگی می‌کنیم که:

تورم مزمن داره
رکود تورمی داره (هم رکوده، هم تورم)
و تازه داریم به سمت تورم‌های خیلی شدید هم حرکت می‌کنیم


ابرتورم یعنی چی؟
یعنی خریدی که امروز انجام دادی، دفعه بعد که میری همون خرید رو بکنی، ممکنه ۳۰ یا ۵۰ درصد گرون‌تر شده باشه.
این ساده‌ترین تعریف ابر تورمه.

خود تورم ذاتاً چیز بدی نیست. خیلی از کشورها تورم ۲ تا ۵ درصدی دارن و حتی نمی‌ذارن کمتر از این بشه، چون اگه خیلی پایین بیاد، رکود ایجاد میشه.

جمع‌بندی:
ما باید نگاه سناریومحور داشته باشیم؛
سناریوی خوش‌بینانه، بدبینانه و واقع‌بینانه رو بچینیم
و بعد بر اساس این سناریوها تصمیم بگیریم که بخریم، نفروشیم، یا صبر کنیم.

توی پست قبلی چند تا پیش‌فرض رو گفتم. به نظرم بد نیست چند تا پیش‌فرض مهم دیگه هم در نظر بگیریم.

یکی از پیش‌فرض‌ها اینه که اگر به شرایط فعلی نگاه کنیم، به قول یکی از دوستان توی توییتر، آمریکا این‌همه خرجِ ناو و تجهیزات نظامی و این چیزها رو بی‌دلیل نمی‌کنه واسه عروسی بابای ترامپ نیاوردن.
یعنی قطعاً پشتش هدف وجود داره. هیچ کاری بی‌هدف انجام نمی‌شه.

مخصوصاً کشوری مثل ایالات متحده آمریکا که الان با بدهی بسیار سنگینی روبه‌روئه، کسری بودجه داره، بین دموکرات‌ها و جمهوری‌خواه‌ها سر بودجه دعواست و حتی چند وقت دولتش تعطیل شده.
یعنی به لحاظ مالی اصلاً در شرایط فوق‌العاده‌ای نیست.
پس وقتی توی چنین وضعیتی می‌بینید هزینه‌های نظامی بالا می‌ره و تجهیزات جابه‌جا می‌شن، این خودش یه پیش‌فرض مهمه که این کارها هدفمنده.

یه پیش‌فرض خیلی مهم دیگه اینه که ما الان وسط یک جنگ بین آمریکا و چین هستیم.
جنگی که بخش اصلیش، جنگ تجاری و اقتصادیه.

این شاید مهم‌ترین پیش‌فرض برای اینه که چرا من می‌گم جنگ قطعیه.

بذارید ساده بگم.
الان واحد پول غالب دنیا دلاره.
ولی این دلار دیگه پشتوانه طلا نداره. سال‌هاست که از سیستم پشتوانه طلا خارج شده.
به این می‌گن پول فیات، یعنی پول بدون پشتوانه.

اقتصاد آمریکا سه تا ویژگی مهم داره:

مصرف‌محوره
بدهی‌محوره
وام‌محوره

آمریکا مصرف می‌کنه، بدهی ایجاد می‌کنه و با وام جلو می‌ره.
این بدهی‌ها هم باید یه‌جوری تسویه بشه. راهش چیه؟ چاپ دلار.

این دلارهای چاپ‌شده می‌ره دست کشورهای دیگه.
کشورهایی مثل چین و اروپا در ازاش کالا می‌دن و دلار می‌گیرن.
یعنی آمریکا مصرف می‌کنه و دلار می‌ده.

حالا تصور کنید چین بگه من دیگه دلار از تو قبول نمی‌کنم.
اون‌وقت چی می‌شه؟
ارزش دلار فرو می‌ریزه و هژمونی اقتصادی آمریکا از بین می‌ره.

پس پشتوانه دلار چیه؟
طلا نیست؛ اعتبار آمریکاست.
اعتبار نظامی، سیاسی و قدرتش.

ولی این اعتبار داره کم‌کم تضعیف می‌شه.
الان می‌بینید کشورهایی مثل چین دارن اوراق دلاری آمریکا رو نقد می‌کنن و به‌جاش طلا می‌خرن.
این یعنی اعتماد به دلار داره کم می‌شه.

این یکی از مهم‌ترین پیش‌فرض‌هاست.
هر کسی بخواد درباره جنگ تحلیل کنه، حتماً باید این فاکتورها رو ببینه.

حتی اگر دلار رو نسبت به ارزهایی مثل یورو نگاه کنید، می‌بینید وضعیتش اون‌قدرها هم خوب نیست.
از اون طرف آمارها می‌گن ممکنه در ده یا پانزده سال آینده، GDP چین برای اولین بار از آمریکا جلو بزنه.

آمریکا این‌ها رو می‌بینه.
کور نیست.
می‌بینه ارزش پولش داره پایین میاد و دست روی دست نمی‌ذاره.

چون اگر یه روزی بخش بزرگی از جهان تصمیم بگیره با دلار تبادل نکنه،
هم اقتصاد آمریکا به هم می‌ریزه، هم کل نظم اقتصادی جهان.

الان یه نظم اقتصادی جهانی وجود داره که آمریکا می‌گه امنیتش با منه، مدیریتش با منه،
ولی در کنارش بخشی از سودش هم با منه؛
من دلار چاپ می‌کنم و تورمش رو بین بقیه پخش می‌کنم.

برای همینه که می‌بینید بحث‌هایی مثل بریکس مطرح می‌شه؛
ایده‌هایی که قراره وابستگی به دلار رو کمتر کنن.

پس بقیه کشورها هم بیکار ننشستن.

جمع‌بندی این بخش اینه:
ما عملاً وسط یک جنگ اقتصادی بزرگ بین چین و آمریکا هستیم؛
و این جنگ، یکی از پایه‌ای‌ترین پیش‌فرض‌ها برای درک اتفاقات پیشِ روئه.