من لا يفهم الذكاء الاصطناعي لا يفهم العالم
لم يعد الذكاء الاصطناعي ترفاً تقنياً يقتصر على مراكز الأبحاث أو شركات وادي السيليكون، بل تحوّل خلال فترة وجيزة إلى أحد أكثر العناصر حضوراً في تفاصيل الحياة اليومية. فمن كتابة الرسائل، وترجمة النصوص، وتوليد الصور، إلى تحليل البيانات والبرمجة وإدارة الأعمال، باتت تطبيقات الذكاء الاصطناعي ترافق مئات الملايين من المستخدمين حول العالم، لتفرض معها لغة جديدة لم تكن مألوفة قبل سنوات قليلة.
ومع الانتشار السريع لمنصات مثل ChatGPT وGemini وClaude وCopilot، لم تعد مصطلحات من قبيل «نماذج اللغة الكبيرة» أو «التوكنات» أو «الهلوسة» أو «الوكلاء الأذكياء» حكراً على المهندسين والمطورين، بل أصبحت تتكرر يومياً في الأخبار والتقارير الاقتصادية والتقنية، حتى غدا فهمها ضرورة لكل من يتعامل مع هذه الأدوات أو يعتمد عليها في عمله ودراسته.
فالمعرفة بهذه المفاهيم لم تعد مسألة ثقافة تقنية، بل أصبحت شرطاً لفهم حدود الذكاء الاصطناعي وإمكاناته، والتمييز بين ما يستطيع إنجازه فعلاً وما لا يزال خارج نطاق قدراته.
المظلة التي تجمع كل شيء
يمثّل الذكاء الاصطناعي الإطار الأشمل الذي تندرج تحته مجموعة واسعة من التقنيات الهادفة إلى محاكاة بعض القدرات البشرية، مثل التعلم، والاستنتاج، واتخاذ القرار، وفهم اللغة، وتحليل الصور، وحل المشكلات.
ولا يشير المصطلح إلى تقنية واحدة بعينها، بل إلى منظومة متكاملة تضم التعلم الآلي، والتعلم العميق، والرؤية الحاسوبية، ومعالجة اللغة الطبيعية، وغيرها من الفروع التي تطورت بصورة متسارعة خلال العقد الأخير، لتصبح الأساس الذي تقوم عليه التطبيقات الذكية الحديثة.
في قلب هذه المنظومة تقف الخوارزميات، وهي مجموعة من التعليمات الرياضية والمنطقية التي تحدد للآلة كيفية معالجة البيانات واتخاذ القرارات.
ولا تقتصر وظيفة الخوارزمية على تنفيذ أوامر ثابتة، بل أصبحت قادرة، بفضل تطور تقنيات التعلم، على اكتشاف الأنماط داخل البيانات، والتنبؤ بالنتائج، وتحسين أدائها بصورة مستمرة دون الحاجة إلى إعادة برمجتها لكل حالة جديدة.
يُعدّ التعلم الآلي أحد أهم فروع الذكاء الاصطناعي، ويقوم على فكرة بسيطة لكنها أحدثت ثورة في عالم الحوسبة، وهي أن النظام يستطيع التعلم من البيانات بدلاً من تلقي تعليمات تفصيلية لكل مهمة.
ولهذا أصبحت هذه التقنية العمود الفقري لأنظمة التوصية التي تقترح الأفلام على منصات البث، أو تحدد المنتجات المناسبة للمستخدمين في المتاجر الإلكترونية، كما تُستخدم في اكتشاف عمليات الاحتيال المالي، وتحليل الأسواق، وحتى التنبؤ بالأعطال في المصانع.
التعلم العميق
إذا كان التعلم الآلي يمثّل نقطة الانطلاق، فإن التعلم العميق هو المحرك الحقيقي للثورة الحالية في الذكاء الاصطناعي.
ويعتمد هذا النهج على شبكات عصبية اصطناعية متعددة الطبقات، تستطيع تحليل كميات هائلة من البيانات واستخراج العلاقات المعقدة بينها، وهو ما مكّن الأنظمة الحديثة من فهم الصور، والتعرف إلى الأصوات، وترجمة اللغات، وتوليد النصوص الطبيعية بدرجة غير مسبوقة من الدقة.
استلهم العلماء تصميم الشبكات العصبية من طريقة ارتباط الخلايا العصبية في الدماغ البشري، حيث تتكون من طبقات متتابعة تستقبل البيانات وتعالجها تدريجياً قبل الوصول إلى النتيجة النهائية.
وخلال عملية التدريب، تعدّل هذه الشبكات مليارات الأوزان الرياضية بصورة مستمرة، بحيث تصبح أكثر قدرة على تقديم إجابات دقيقة كلما زادت كمية البيانات التي تتعلم منها.
المحرك الخفي
تعتمد تطبيقات مثل ChatGPT وClaude وGemini على ما يُعرف بنماذج اللغة الكبيرة LLMs، وهي أنظمة جرى تدريبها على مليارات الكلمات المستمدة من الكتب والأبحاث والمواقع الإلكترونية والوثائق العامة، لتتعلم العلاقات الإحصائية بين الكلمات والجمل، وتتمكن من إنتاج نصوص تبدو أقرب إلى اللغة البشرية.
ولا تقوم هذه النماذج بحفظ المعلومات بالطريقة التقليدية، وإنما تتنبأ بالكلمة أو العبارة الأكثر احتمالاً اعتماداً على السياق الذي يقدمه المستخدم.
من أكثر المصطلحات تداولاً اليوم كلمة «توكن»، وهي أصغر وحدة نصية يعالجها النموذج أثناء القراءة أو الكتابة.
وقد تمثّل الكلمة الواحدة توكناً واحداً، أو تنقسم إلى عدة توكنات إذا كانت طويلة أو غير شائعة، ويحدد عدد هذه الوحدات سرعة المعالجة، وحجم الذاكرة المطلوبة، وحتى تكلفة استخدام بعض خدمات الذكاء الاصطناعي التجارية.
من التدريب إلى الاستدلال
يمر أي نموذج ذكاء اصطناعي بمرحلتين أساسيتين.
الأولى هي التدريب، حيث يتعلم النظام من كميات هائلة من البيانات عبر تعديل مليارات المعاملات الرياضية، وهي عملية قد تستغرق أسابيع أو أشهر وتتطلب آلاف وحدات معالجة الرسومات، فضلاً عن استهلاك ضخم للطاقة.
أما الثانية فهي الاستدلال، أي المرحلة التي يبدأ خلالها النموذج في استخدام ما تعلمه للإجابة عن أسئلة المستخدمين أو تنفيذ المهام المطلوبة، وهي المرحلة التي تحدد سرعة التطبيقات وكفاءتها التشغيلية.
من أبرز التطورات الحديثة تقنية الاسترجاع المعزز بالتوليد RAG، التي تسمح للنموذج بالرجوع إلى قواعد بيانات أو وثائق حديثة قبل صياغة الإجابة، بدلاً من الاعتماد فقط على المعلومات التي اكتسبها أثناء التدريب.
وقد أصبحت هذه التقنية عنصراً أساسياً في الأنظمة المؤسسية، لأنها تقلل الأخطاء، وتوفر إجابات أكثر حداثة ودقة.
الوكلاء الأذكياء
يشهد القطاع حالياً انتقالاً من المساعدات الحوارية إلى ما يُعرف بالوكلاء الأذكياء AI Agents.
فهذه الأنظمة لا تكتفي بالرد على الأسئلة، بل تستطيع التخطيط، وتنفيذ سلسلة من المهام، واستخدام التطبيقات المختلفة، وإدارة الملفات، والتفاعل مع الخدمات الرقمية بصورة شبه مستقلة، وهو ما يفتح الباب أمام جيل جديد من الأتمتة الذكية.
بعد انتهاء التدريب الأساسي، تخضع النماذج لما يُعرف بالتعلم المعزز من التغذية الراجعة البشرية RLHF، حيث يقوم خبراء بتقييم إجابات النموذج وترتيبها، ثم تُستخدم هذه الملاحظات لتحسين جودة الردود وجعلها أكثر دقة وفائدة وأماناً.
كما تعتمد الشركات على الضبط الدقيق Fine-tuning لتكييف النماذج العامة مع مجالات متخصصة مثل الطب أو القانون أو القطاع المالي، دون الحاجة إلى إعادة تدريبها بالكامل.
ومع ازدياد أحجام النماذج، برزت تقنية التقطير Distillation التي تسمح بنقل المعرفة من نموذج ضخم إلى آخر أصغر وأكثر كفاءة، بما يتيح تشغيل تطبيقات الذكاء الاصطناعي على الهواتف الذكية والأجهزة المحمولة دون الحاجة إلى بنية حوسبة عملاقة.
الهلوسة
ورغم التقدم اللافت، لا تزال النماذج معرضة لما يُعرف بـ«الهلوسة»، وهي ظاهرة تُنتج فيها معلومات تبدو منطقية ومقنعة لكنها غير صحيحة أو لا تستند إلى مصادر حقيقية.
ولهذا يؤكد الخبراء أن الذكاء الاصطناعي ينبغي التعامل معه بوصفه أداة مساعدة في التحليل والإنتاج، لا مصدراً نهائياً للحقيقة، خصوصاً في المجالات الحساسة مثل الطب والقانون والصحافة.
ومن الابتكارات التي غيّرت تصميم النماذج الحديثة بنية مزيج الخبراء MoE، حيث لا يجري تشغيل جميع مكونات النموذج في كل مرة، وإنما يتم تنشيط مجموعة صغيرة من «الخبراء» المتخصصين بحسب طبيعة المهمة، وهو ما يقلل استهلاك الموارد ويرفع سرعة الاستجابة.
كما برز خلال العام الأخير بروتوكول سياق النموذج MCP بوصفه معياراً مفتوحاً يهدف إلى توحيد طريقة اتصال نماذج الذكاء الاصطناعي بالملفات وقواعد البيانات والتطبيقات المختلفة، ليؤدي دوراً يشبه منفذ USB-C في عالم الحواسيب، ولكن على مستوى البرمجيات والأنظمة الذكية.
ويبقى المفهوم الأكثر إثارة للجدل هو الذكاء الاصطناعي العام AGI، الذي يشير إلى أنظمة قادرة على أداء معظم المهام الفكرية التي يستطيع الإنسان القيام بها، مع القدرة على التعلم والتكيف عبر مجالات متعددة دون تدريب منفصل لكل مهمة.
ورغم أن الشركات الكبرى تتنافس على الاقتراب من هذا الهدف، فإن غالبية الباحثين يرون أنه لا يزال تحدياً علمياً مفتوحاً، وأن الأنظمة الحالية، مهما بلغت درجة تطورها، تظل متخصصة في أنماط معينة من المهام ولا تمتلك الفهم أو الوعي الإنساني بالمعنى الحقيقي.
