برج بابل دیجیتال؛ وقتی الگوریتم‌ها تلاش می‌کنند روح زبان فارسی را درک کنند

تلاش برای پیوند زدن ظرافت‌های بی‌بدیل زبان فارسی با ساختارهای خشک و منطقی هوش مصنوعی، یکی از بزرگترین چالش‌های تکنولوژیک عصر ماست. آشنایی با این موضوع برای هر فارسی‌زبانی که در دنیای دیجیتال فعالیت می‌کند، نه تنها ضروری بلکه افزاینده دانش و بینش نسبت به هویت ملی در فضای مجازی است. در این مقاله قصد داریم به بررسی چالش‌ها و شگفتی‌های پردازش زبان طبیعی (NLP) در مواجهه با زبان فارسی بپردازیم و ببینیم الگوریتم‌ها چگونه در پی درک «روح» این زبان، از استعاره‌ها گرفته تا ساختارهای پیچیده نحوی، هستند. آیا واقعاً روزی می‌رسد که یک هوش مصنوعی بتواند حافظ را بفهمد یا طنز تلخ معاصر ما را به درستی ترجمه کند؟ با ما در این سفر به اعماق «برج بابل دیجیتال» همراه باشید.

پازل ناتمام؛ چرا فارسی برای ماشین سخت است؟

زبان فارسی برای الگوریتم‌های پردازش زبان طبیعی (Natural Language Processing) مانند یک پازل هزارتکه و پیچیده است. برخلاف زبان‌های لاتین که ساختار صلب‌تر و داده‌های آموزشی بسیار گسترده‌تری دارند، فارسی زبانی است که به شدت به «بافتار» (Context) وابسته است. ماشین‌ها در درک کلماتی که به چندین صورت خوانده می‌شوند اما یکسان نوشته می‌شوند (Homographs)، دچار مشکل جدی هستند. مثلاً کلمه «کرم» می‌تواند کِرِم، کَرَم، کِرم یا کُرُم خوانده شود و تنها فهم جملات قبل و بعد است که معنای درست را مشخص می‌کند. این ویژگی، بار محاسباتی سنگینی را به مدل‌های هوش مصنوعی تحمیل می‌کند تا بتوانند احتمالات درست را بسنجند.

علاوه بر این، ساختار آزاد جملات در فارسی (Free Word Order) یکی دیگر از گره‌های کور برای الگوریتم‌هاست. در فارسی می‌توان اجزای جمله را برای تاکیدهای بلاغی جابه‌جا کرد بدون اینکه معنای اصلی تغییر کند، اما این موضوع ماشین را که به دنبال الگوهای تکرارپذیر می‌گردد، گیج می‌کند. روح زبان فارسی در لایه‌های پنهان و تعارفات و اشارات ظریف نهفته است که برای هوش مصنوعیِ مبتنی بر ریاضیات، بسیار دور از دسترس به نظر می‌رسد. مهندسان در حال حاضر تلاش می‌کنند با استفاده از شبکه‌های عصبی عمیق (Deep Neural Networks)، این الگوهای نامحسوس را شناسایی کنند، اما هنوز تا درک کامل «آنِ» زبان فارسی فاصله زیادی داریم. این چالش، فارسی را به یکی از جذاب‌ترین مرزهای دانش هوش مصنوعی تبدیل کرده است.

چالش خط و نویسه‌های فارسی در دنیای کدها

خط فارسی با تمام زیبایی بصری‌اش، برای سیستم‌های کامپیوتری یک کابوس است. چسبندگی حروف، تغییر شکل حرف بر اساس جایگاهش در کلمه و وجود نویسه‌های مشابه با کدهای متفاوت (مثل ک و ی عربی در مقابل فارسی)، باعث بروز خطاهای بی‌شماری در بازیابی اطلاعات می‌شود. بسیاری از الگوریتم‌های قدیمی، فارسی را به عنوان نسخه‌ای از عربی در نظر می‌گرفتند که منجر به فجایع معنایی و نمایشی می‌شد. شخصی‌سازی الگوریتم‌ها برای تشخیص دقیق نویسه‌های منحصربه‌فرد فارسی، قدم اول در ساختن یک «برج بابل» بود که در آن ماشین‌ها بتوانند فارسی را به درستی «ببینند» پیش از آنکه بخواهند آن را «بفهمند».

مشکل دیگر، عدم یکپارچگی در رسم‌الخط دیجیتال است. تفاوت در استفاده از فاصله‌ها، نیم‌فاصله‌ها و حرکت‌گذاری‌ها باعث می‌شود که یک کلمه واحد در پایگاه‌های داده به چندین صورت مختلف ذخیره شود. این تشتت، کارایی الگوریتم‌های جستجو و خوشه‌بندی را به شدت کاهش می‌دهد. در سال‌های اخیر، تلاش‌های زیادی برای استانداردسازی فونت‌ها و کیبوردهای فارسی صورت گرفته، اما همچنان حجم عظیمی از داده‌های «کثیف» در وب وجود دارد که یادگیری ماشین را با اختلال مواجه می‌کند. درک روح زبان فارسی بدون حل کردن این زیرساخت‌های گرافیکی و کدی ممکن نیست؛ چرا که خط در فارسی، صرفاً یک ابزار نمایش نیست، بلکه با هویت و معنای کلمات گره خورده است.

ابهام‌زدایی از استعاره‌ها و ضرب‌المثل‌های کهن

زبان فارسی لبریز از استعاره‌ها و ضرب‌المثل‌هایی است که معنای آن‌ها هیچ ارتباط مستقیمی با واژگان تشکیل‌دهنده‌شان ندارد. وقتی به کسی می‌گوییم «قدمت روی چشم»، هوش مصنوعی در ابتدا ممکن است تصویری ترسناک از قرار گرفتن پا بر روی چشم انسان را پردازش کند! درک این «معانی ثانویه» بزرگترین آزمون برای مدل‌های زبانی است. الگوریتم‌ها باید بیاموزند که فارسی‌زبانان به شدت از زبان مجازی استفاده می‌کنند و هر جمله ممکن است چندین لایه معنایی داشته باشد. اینجاست که پای «دانش دنیای واقعی» (World Knowledge) به میان می‌آید؛ یعنی ماشین باید بداند که در فرهنگ ایرانی، چشم نماد ارزش و احترام است تا بتواند استعاره را رمزگشایی کند.

در گذشته، مهندسان سعی می‌کردند لیستی از ضرب‌المثل‌ها را به ماشین دیکته کنند، اما این روش برای زبانی به پویایی فارسی شکست خورد. امروزه از «جاسازی کلمات» (Word Embeddings) استفاده می‌شود تا ماشین بفهمد کلمات در چه فضاهای معنایی در کنار هم می‌آیند. با این حال، درک روحِ پشت یک ضرب‌المثل که ریشه در داستانی تاریخی یا اسطوره‌ای دارد، همچنان یک چالش بزرگ است. هوش مصنوعی باید نه تنها زبان، بلکه تاریخ و فرهنگ ایران را هم «ببلعد» تا بتواند بفهمد چرا وقتی می‌گوییم «طرف فیلش یاد هندوستان کرده»، منظورمان دلتنگی برای گذشته است و نه یک سفر جانورشناسی! این فرآیند، در واقع تلاش برای دیجیتالی کردنِ حافظه جمعی یک ملت است.

هوش مصنوعی و درک طنز و کنایه در فارسی

طنز و کنایه (Irony) در زبان فارسی چنان ظریف و گاهی متناقض است که حتی برای غیرفارسی‌زبانان هم درک آن دشوار است، چه برسد به ماشین. فارسی‌زبانان استادِ استفاده از کلمات مثبت برای بیان مفاهیم منفی هستند (مثل «چه گلی به سرم زدی!»). تشخیص این «تحلیل احساسات» (Sentiment Analysis) معکوس، نیازمند درک لحن و فحوای کلام است. هوش مصنوعی‌های فعلی اغلب در تشخیص طنزهای سیاه یا کنایه‌های سیاسی و اجتماعی کاربران ایرانی دچار اشتباه می‌شوند و جمله را به صورت تحت‌لفظی معنا می‌کنند. این موضوع در سیستم‌های فیلترینگ یا تحلیل محتوا می‌تواند منجر به سوءبرداشتهای بزرگی شود.

برای حل این مشکل، مدل‌های نوین سعی می‌کنند الگوهای «ناهماهنگی» را شناسایی کنند؛ یعنی زمانی که واژگان با موقعیت مطرح شده همخوانی ندارند. اما طنز فارسی فراتر از ناهماهنگی است؛ ریشه در رندی و بازی‌های زبانی دارد که با روحیه مردم ایران گره خورده است. شخصی‌سازی الگوریتم‌ها برای درک این بازی‌های زبانی، مستلزم تزریق حجم عظیمی از دیالوگ‌های روزمره، فیلم‌ها و ادبیات معاصر به حافظه ماشین است. تا زمانی که هوش مصنوعی نتواند بفهمد «خسته نباشی» در یک موقعیت می‌تواند تشکر باشد و در موقعیتی دیگر یک توبیخ شدید، نمی‌توانیم بگوییم که او زبان فارسی را واقعاً درک کرده است. این مرز بین ترجمه و تفکر، میدان نبرد اصلی در برج بابل دیجیتال است.

تأثیر شبکه‌های اجتماعی بر تحول دیجیتال زبان

شبکه‌های اجتماعی گونه جدیدی از زبان فارسی را خلق کرده‌اند که به «فارسی دیجیتال» یا «زبان شکسته» معروف است. این زبان پر از اختصارات، کلمات ساختگی، ترکیب‌های فارسی-انگلیسی و تغییرات نحوی است که در هیچ لغت‌نامه‌ای یافت نمی‌شود. برای هوش مصنوعی که با متون رسمی شاهنامه یا گلستان آموزش دیده، خواندن یک توییت فارسی مانند خواندن یک زبان کاملاً بیگانه است. چالش اصلی در اینجا، سرعت بالای تغییر این زبان است؛ واژه‌هایی که امروز مد می‌شوند، ممکن است چند ماه دیگر از رده خارج شوند. ماشین باید بتواند خود را با این «زبان زنده» هماهنگ کند تا از کاربران عقب نماند.

از سوی دیگر، همین فضای مجازی معدن طلایی برای جمع‌آوری داده‌های واقعی است. الگوریتم‌ها با تحلیل میلیون‌ها کامنت و پست، در حال یادگیری نحوه واقعی صحبت کردنِ مردم هستند، نه آن‌گونه که در کتاب‌های دستور زبان آمده است. این فرآیند باعث شده که مدل‌های زبانی در سال‌های اخیر جهش بزرگی در درک زبان محاوره داشته باشند. اما خطر بزرگ، «ساده‌سازی بیش از حد» و نابودی ظرافت‌های زبانی در اثر استفاده از الگوهای تکراریِ هوش مصنوعی است. اگر ما برای راحتیِ ماشین، زبان خود را ساده کنیم، در واقع روح زبان را فدا کرده‌ایم. برج بابل دیجیتال باید بتواند شکوه زبان کلاسیک را با پویایی زبان دیجیتال پیوند بزند بدون اینکه یکی قربانی دیگری شود.

مدل‌های زبانی بزرگ و بازنمایی فرهنگ ایرانی

مدل‌های زبانی بزرگ (LLMs) مثل GPT، دانش خود را از اقیانوسی از داده‌های اینترنتی می‌گیرند. مشکل اینجاست که سهم زبان فارسی در این اقیانوس نسبت به انگلیسی بسیار ناچیز است. این «کم‌نمایی» باعث می‌شود که هوش مصنوعی در پاسخ به سوالات مربوط به فرهنگ، تاریخ و ارزش‌های ایرانی، دچار سوگیری‌های غربی شود یا اطلاعات غلط (Hallucination) ارائه دهد. وقتی الگوریتم روح زبان فارسی را از دریچه ترجمه‌های انگلیسی درک می‌کند، در واقع در حال ارائه یک تصویر «شرق‌شناسانه» و تحریف شده از هویت ماست. برای مهندسان ایرانی، این یک ماموریت ملی است که مدل‌هایی بومی بسازند که فارسی را مستقیماً از منابع اصیل یاد گرفته باشند.

بازنمایی فرهنگ در هوش مصنوعی فراتر از ترجمه کلمات است؛ به معنای درک «نظام ارزشی» نهفته در زبان است. مثلاً مفهوم «تعارف» یا «آبرو» در فارسی چنان در تار و پود جملات تنیده شده که حذف آن‌ها، جملات را بی‌روح و غیرطبیعی می‌کند. مدل‌های جهانی اغلب این مفاهیم را حذف می‌کنند چون برایشان منطقی نیست. اما یک مدل زبانی که روح فارسی را درک کرده باشد، می‌داند که کلامِ ایرانی یک «رقص اجتماعی» است. تلاش برای ساخت مدل‌های زبانی بزرگِ فارسی‌محور، در واقع تلاشی است برای حفظ حاکمیت فرهنگی در عصری که الگوریتم‌ها جهان‌بینی ما را شکل می‌دهند. اینجاست که تکنولوژی به ابزاری برای صیانت از میراث معنوی تبدیل می‌شود.

ترجمه ماشینی؛ از ترجمه واژگانی تا انتقال معنا

ترجمه از فارسی به زبان‌های دیگر و برعکس، همیشه یکی از بزرگترین چالش‌های ترجمه ماشینی (Machine Translation) بوده است. در گذشته، خروجی‌های گوگل ترنسلیت برای فارسی بیشتر شبیه به یک شوخی بود؛ جملات بی‌معنی که فقط واژه‌ها را پشت سر هم می‌چیدند. اما با ظهور «ترجمه ماشینی عصبی» (NMT)، تحول بزرگی رخ داد. حالا ماشین‌ها سعی می‌کنند «معنای کل جمله» را بفهمند و سپس آن را بازنویسی کنند. با این حال، هنوز هم در انتقال لحن (Tone) و ظرافت‌های ادبی ناتوان هستند. ترجمه یک غزل از حافظ به انگلیسی توسط هوش مصنوعی، ممکن است معنای ظاهری را برساند، اما «آنِ» شاعرانه و لایه‌های عرفانی آن را کاملاً از بین می‌برد.

مشکل اساسی در ترجمه فارسی، وجود «ابهام ساختاری» است. جملاتی که در فارسی کاملاً درست و زیبا هستند، در ترجمه به انگلیسی ممکن است به دلیل نبود معادل دقیق برای زمان‌های دستوری (مثل ماضی نقلی یا استمراری خاص فارسی) گنگ به نظر برسند. همچنین، کلمات فارسی اغلب دارای «بارهای عاطفی» متفاوتی هستند که در ترجمه گم می‌شوند. برای رسیدن به یک ترجمه ایده‌آل، الگوریتم باید بتواند «فرهنگ مقصد» را هم به خوبی «فرهنگ مبدأ» بشناسد. برج بابل دیجیتال در پی آن است که فاصله‌ها را کم کند، اما باید مراقب باشد که این نزدیکی به قیمت «یکسان‌سازی زبانی» و از بین رفتن تنوعِ شگفت‌انگیز شیوه‌های بیان در زبان فارسی تمام نشود.

نقش نیم‌فاصله و قواعد نگارشی در دقت الگوریتم

شاید در نگاه اول «نیم‌فاصله» یک موضوع تزئینی به نظر برسد، اما در دنیای پردازش زبان طبیعی، نبود آن می‌تواند کل سیستم را مختل کند. برای یک ماشین، «می رود» با «می‌رود» دو موجودیت کاملاً متفاوت است. در اولی، ماشین دو کلمه مجزا (یک فعل و یک اسم) را می‌بیند و در دومی، یک فعل واحد با زمان مشخص. عدم رعایت قواعد نگارشی در متون فارسی وب، باعث می‌شود که الگوریتم‌ها در تشخیص اجزای جمله (POS Tagging) دچار خطای فاحش شوند. اینجاست که اهمیت «پاکسازی داده» (Data Cleaning) مشخص می‌شود؛ مهندسان باید ابتدا متون را به یک فرم استاندارد درآورند تا هوش مصنوعی بتواند روی آن‌ها یادگیری انجام دهد.

بسیاری از سوءبرداشت‌ها درباره ضعیف بودن هوش مصنوعی در فارسی، در واقع به بی‌نظمی ما در نوشتن برمی‌گردد. وقتی ما از «ی» عربی و فارسی به جای هم استفاده می‌کنیم یا فاصله‌ها را رعایت نمی‌کنیم، در حال ساختن یک «دیوار بلند» در برابر درک ماشین هستیم. شخصی‌سازی ابزارهای ویراستاری خودکار که مبتنی بر هوش مصنوعی هستند، می‌تواند به بهبود این وضعیت کمک کند. این ابزارها نه تنها اشتباهات را اصلاح می‌کنند، بلکه به ماشین یاد می‌دهند که چگونه الگوهای درست را از نادرست تشخیص دهد. در واقع، رعایت قواعد نگارشی در فضای دیجیتال، نوعی «احترام به زبان» و کمک به ماندگاری آن در عصر هوش مصنوعی است تا روح فارسی در میان کدهای آشفته گم نشود.

زبان فارسی و مسئله کمبود داده‌های باکیفیت

در دنیای هوش مصنوعی، «داده» حرف اول و آخر را می‌زند. زبان انگلیسی به دلیل حجم عظیم مقالات علمی، کتاب‌ها و محتوای وب، سوخت کافی برای موتورهای هوش مصنوعی را دارد. اما زبان فارسی با وجود قدمت تاریخی، در فضای دیجیتال با «فقر داده‌های برچسب‌خورده» (Annotated Data) روبروست. ما به اندازه کافی متونی نداریم که در آن‌ها نقش کلمات، احساسات پشت جملات و ارجاعات استعاری به دقت برای ماشین مشخص شده باشد. این کمبود باعث می‌شود که الگوریتم‌ها مجبور شوند با حدس و گمان پیش بروند که نتیجه‌اش کاهش دقت و افزایش خطاهای مضحک است.

برای حل این بحران، پروژه‌های جمع‌سپاری (Crowdsourcing) و استفاده از متون کلاسیک اسکن شده اهمیت حیاتی یافته‌اند. اما مشکل اینجاست که داده‌های متنی قدیمی با زبان امروز متفاوت است. ما نیاز به «داده‌های زنده» داریم؛ دیالوگ‌های روزمره، پادکست‌ها، فیلمنامه‌ها و حتی کامنت‌های شبکه‌های اجتماعی که با نظارت انسانی اصلاح شده باشند. برج بابل دیجیتال برای فارسی زمانی کامل می‌شود که ما بتوانیم یک «پیکره زبانی» (Corpus) عظیم و متنوع بسازیم که تمام ابعاد زبان از کوچه و بازار تا تالارهای دانشگاه را پوشش دهد. بدون این سوخت باکیفیت، هوش مصنوعی فارسی همیشه مانند یک کودک نابغه اما کم‌سواد باقی خواهد ماند که پتانسیل زیادی دارد اما ابزار کافی برای بیان آن ندارد.

شعر فارسی؛ آزمون نهایی هوش مصنوعی

شعر، قله زبان فارسی و پیچیده‌ترین تظاهرات روح ایرانی است. درک شعر فارسی برای هوش مصنوعی، سخت‌ترین آزمونِ ممکن (The Turing Test of Persian) است. در شعر، قواعد عادی دستور زبان شکسته می‌شود، جابه‌جایی‌های ارادی صورت می‌گیرد و کلمات در شبکه‌ای از ایهام و مراعات‌النظیر قرار می‌گیرند که لایه‌های معنایی بی‌پایانی می‌سازد. ماشینی که ادعا می‌کند فارسی می‌فهمد، باید بتواند تفاوت بین یک بیت از صائب تبریزی با یک بیت از سهراب سپهری را درک کند؛ نه فقط از نظر واژگانی، بلکه از نظر «اتمسفر ذهنی». تاکنون هوش مصنوعی توانسته شعرهای وزن‌داری بسازد، اما این شعرها اغلب «بی‌روح» و تهی از آن جرقه خلاقانه هستند.

تولید شعر توسط ماشین در واقع یک بازی ریاضی با احتمالات است، اما درک لذت زیبایی‌شناختی شعر، نیازمند چیزی است که ماشین فاقد آن است: «تجربه زیسته». هوش مصنوعی نمی‌داند عشق، هجران یا مستیِ عرفانی چه طعمی دارد، پس فقط ادای آن را درمی‌آورد. با این حال، استفاده از الگوریتم‌ها برای تحلیل سبک‌شناسی (Stylometry) و کشف الگوهای پنهان در دیوان شعرا، دریچه‌های جدیدی به روی پژوهشگران گشوده است. برج بابل دیجیتال شاید هرگز نتواند یک «حافظِ سیلیکونی» بسازد، اما می‌تواند به ما کمک کند تا ابعاد ریاضی و ساختاری نبوغ شاعرانمان را بهتر بشناسیم. شعر فارسی، مرزی است که در آن ماشین باید در برابر عظمت روح انسانی سر فرود آورد.

گویش‌ها و لهجه‌ها در پردازش صوت و متن

زبان فارسی تنها به نسخه تهرانیِ رسمی محدود نمی‌شود. تنوع شگفت‌انگیز لهجه‌ها و گویش‌ها در ایران و کشورهای همسایه، لایه دیگری از پیچیدگی را به پردازش زبانی اضافه می‌کند. سیستم‌های تبدیل گفتار به متن (Speech-to-Text) اغلب در مواجهه با لهجه‌های غلیظ ترکی، لری، کردی یا گیلکی دچار فروپاشی می‌شوند. برای هوش مصنوعی، این‌ها نویز محسوب می‌شوند، در حالی که بخش مهمی از «روح زبان» در همین تنوع نهفته است. شخصی‌سازی الگوریتم‌ها برای درک لهجه‌ها، نه تنها یک نیاز فنی، بلکه یک ضرورت برای حفظ عدالت دیجیتال و جلوگیری از به حاشیه رفتن فرهنگ‌های بومی است.

در بخش متن نیز، استفاده از کلمات محلی یا ساختارهای نحوی خاصِ مناطق، مدل‌های زبانی را به چالش می‌کشد. یک هوش مصنوعی جامع باید بتواند بفهمد که یک فارسی‌زبان در افغانستان (دری) یا تاجیکستان (تاجیکی) ممکن است از کلمات متفاوتی برای یک مفهوم واحد استفاده کند. تلاش برای «یکسان‌سازی لهجه‌ها» در دنیای دیجیتال، یک تهدید برای تنوع فرهنگی است. هدفِ درست در برج بابل دیجیتال، ساخت سیستمی است که بتواند پل‌های ارتباطی بین این گویش‌ها برقرار کند و به هر کاربر اجازه دهد با «زبانِ مادری» خودش با ماشین تعامل داشته باشد. این یعنی درک روح فارسی در تمام رنگ‌ها و آواهایش، نه فقط در قالب یک نسخه استاندارد و خشک.

آینده زبان فارسی در قلمرو هوش مصنوعی عمومی

با حرکت به سمت هوش مصنوعی عمومی (AGI)، جایگاه زبان فارسی در این دنیای جدید به یک پرسش استراتژیک تبدیل شده است. اگر فارسی نتواند خود را با سرعت رشد الگوریتم‌ها هماهنگ کند، ممکن است در درازمدت به یک زبان «درجه دو» تبدیل شود که فقط برای امور روزمره به کار می‌رود و زبانِ علم، تفکر و تکنولوژی به انگلیسی محدود شود. اما اگر بتوانیم روح فارسی را به درستی در دل این الگوریتم‌ها جای دهیم، هوش مصنوعی می‌تواند به بزرگترین «مبلغ» و «محافظ» زبان ما تبدیل شود. تصور کنید دستیارهای هوشمندی که با ظرافتِ یک ادیب با شما سخن می‌گویند یا سیستم‌های آموزشی که متناسب با فرهنگ ایرانی، مفاهیم را آموزش می‌دهند.

آینده زبان فارسی در دنیای دیجیتال، نه در دست ماشین‌ها، بلکه در دست ماست. نحوه تولید محتوا، رعایت قواعد نگارشی و حمایت از پروژه‌های بومی هوش مصنوعی، معماران اصلی این برج بابل خواهند بود. الگوریتم‌ها فقط آینه‌ای از داده‌های ما هستند؛ اگر به آن‌ها زیبایی و خرد بدهیم، آن‌ها هم زیبایی و خرد فارسی را بازتاب خواهند داد. ما در آستانه عصری هستیم که در آن مرزهای بین انسان و ماشین کمرنگ می‌شود و در این میان، زبان تنها ریسمانی است که هویت ما را حفظ می‌کند. برج بابل دیجیتال نباید باعث پراکندگی ما شود، بلکه باید به فضایی تبدیل شود که در آن روح زبان فارسی، قدرتمندتر و شفاف‌تر از همیشه، در پهنه جهان طنین‌انداز گردد.

سوالات متداول

دکتر علیرضا مجیدی

پزشک، نویسنده و بنیان‌گذار وبلاگ «یک پزشک»

دکتر علیرضا مجیدی، نویسنده و بنیان‌گذار وبلاگ «یک پزشک».
با بیش از ۲۰ سال نویسندگی «ترکیبی» مستمر در زمینهٔ پزشکی، فناوری، سینما، کتاب و فرهنگ.
باشد که با هم متفاوت بیاندیشیم!

دربارهٔ علیرضا مجیدی در یک پزشک