كيف يعمل الذكاء الاصطناعي التوليدي؟ شرح تقني مبسط من الصفر

هل تساءلت يومًا كيف يستطيع برنامج ذكاء اصطناعي كتابة مقال كامل خلال ثوانٍ، أو إنشاء صورة لمشهد لم يكن موجودًا من قبل، أو تحويل وصف قصير إلى مقطع فيديو يبدو وكأنه صُوّر باستخدام كاميرا حقيقية؟ والأكثر إثارة للاهتمام: كيف يتمكن النموذج من الإجابة عن الأسئلة وشرح المسائل البرمجية وترجمة النصوص رغم أنه لا يتعامل مع المعلومات بالطريقة البشرية المعتادة؟

أصبحت تقنيات الذكاء الاصطناعي التوليدي Generative AI جزءًا من الاستخدام الرقمي اليومي، سواء من خلال المساعدات الذكية مثل ChatGPT وGemini وClaude، أو أدوات إنشاء الصور والفيديوهات والمحتوى الصوتي. لكن خلف الواجهة البسيطة التي يكتب فيها المستخدم طلبًا ويضغط زر الإرسال، توجد منظومة تقنية معقدة تعتمد على الشبكات العصبية والتعلم العميق والاحتمالات الرياضية ومعالجة البيانات باستخدام معالجات متخصصة.

وعلى عكس الاعتقاد الشائع، لا يعتمد الذكاء الاصطناعي التوليدي عادة على البحث عن إجابة محفوظة ثم نسخها إلى المستخدم، بل يتعلم أثناء التدريب علاقات وأنماطًا إحصائية داخل البيانات، ثم يستخدم هذه المعرفة لإنتاج مخرجات جديدة وفق السياق والتعليمات التي يستقبلها. ولهذا يمكن أن يقدم إجابات مترابطة ومفيدة، لكنه قد ينتج أيضًا معلومات غير دقيقة عندما تكون توقعاته اللغوية أو التمثيلية غير متوافقة مع الحقائق.

ولا يتطلب فهم هذه التقنية أن تكون متخصصًا في الرياضيات المتقدمة أو هندسة البرمجيات؛ فالمهم هو استيعاب المراحل الأساسية: كيف تتحول البيانات إلى تمثيلات رقمية؟ وكيف يتعلم النموذج منها؟ وما وظيفة بنية Transformer؟ وكيف يقرر الكلمة التالية؟ ولماذا تختلف عملية إنشاء الصور عن كتابة النصوص؟

في هذا الدليل من Radar Tech – الرادار التقني، سنشرح بالتفصيل كيف يعمل الذكاء الاصطناعي التوليدي من الصفر بأسلوب علمي وتقني مبسط، بداية من البيانات والتدريب والشبكات العصبية، وصولًا إلى الرموز Tokens وآلية الانتباه Attention ومرحلة توليد الإجابات Inference. وسنوضح كذلك طريقة عمل نماذج الصور والصوت والفيديو، والفروق بين التدريب والاستخدام الفعلي، مع أمثلة تطبيقية تساعد المستخدم السعودي على فهم التقنية والاستفادة منها في الدراسة والعمل والمشروعات الرقمية بصورة واعية.

كيف يعمل الذكاء الاصطناعي التوليدي؟ شرح تقني مبسط من الصفر

ما هو الذكاء الاصطناعي التوليدي Generative AI؟

الذكاء الاصطناعي التوليدي هو فرع من الذكاء الاصطناعي يعتمد على نماذج حسابية تتعلم الأنماط والعلاقات الموجودة داخل مجموعات كبيرة من البيانات، ثم تستخدم ما تعلمته لإنشاء محتوى جديد وفق مدخلات المستخدم.

وقد يكون الناتج نصًا مكتوبًا أو صورة أو صوتًا أو فيديو أو شيفرة برمجية أو بيانات منظمة. وتختلف طريقة التوليد بحسب نوع النموذج وبنيته والهدف الذي صُمم من أجله.

فعندما تطلب من نموذج لغوي كتابة رسالة رسمية باللغة العربية، فإنه لا يحتاج بالضرورة إلى استرجاع رسالة مطابقة مخزنة داخله، بل يعالج تعليماتك والسياق المتاح ويولد سلسلة من الرموز اللغوية التي تشكل النص النهائي.

أما عندما تطلب إنشاء صورة لمدينة مستقبلية في الصحراء السعودية، فقد يستخدم نموذج الصور تمثيلًا رياضيًا للوصف حتى ينتج تكوينًا بصريًا جديدًا يتوافق مع العناصر المطلوبة.

ما معنى كلمة توليدي؟

يشير مصطلح Generative إلى قدرة النموذج على إنتاج مخرجات، وليس الاكتفاء بتحليل المدخلات أو تصنيفها.

فإذا استخدمت نظامًا يتعرف على وجود سيارة داخل صورة، فأنت تتعامل مع وظيفة تحليلية أو تصنيفية. أما إذا طلبت من نموذج إنشاء صورة لسيارة بتصميم مستقبلي، فأنت تستخدم قدرة توليدية.

وقد يجمع نظام واحد بين القدرتين؛ فيستقبل صورة ويحللها، ثم يستخدم المعلومات الناتجة لإنشاء وصف أو إجابة أو تعديل بصري جديد.

ما الفرق بين الذكاء الاصطناعي التقليدي والتوليدي؟

اعتمدت تطبيقات كثيرة للذكاء الاصطناعي على التعرف إلى الأنماط لاتخاذ قرارات محددة، مثل تصنيف الرسائل غير المرغوبة أو اكتشاف المعاملات المشبوهة أو توقع الطلب على منتج معين.

أما الذكاء الاصطناعي التوليدي فيركز على بناء محتوى جديد باستخدام الأنماط التي تعلمها، وإن كان قادرًا أيضًا على تنفيذ مهام تحليلية متعددة.

مثال يوضح الفرق عمليًا

لنفترض أن لديك متجرًا إلكترونيًا يبيع الأجهزة التقنية داخل السعودية، وتريد الاستفادة من الذكاء الاصطناعي في إدارة صور المنتجات.

يمكن لنموذج تصنيفي تحديد ما إذا كانت الصورة تحتوي على هاتف أو لابتوب أو سماعة، بينما يستطيع نموذج توليدي إنشاء وصف تسويقي أولي للمنتج اعتمادًا على البيانات التي تقدمها له.

ويمكن لنظام متعدد الوسائط الجمع بين العمليتين، فيحلل صورة المنتج ثم يقترح وصفًا لها، مع ضرورة مراجعة المواصفات قبل نشرها حتى لا يضيف معلومات غير موجودة.

كيف بدأت فكرة النماذج القادرة على إنشاء المحتوى؟

لم تظهر تقنيات التوليد بصورة مفاجئة مع انتشار روبوتات المحادثة الحديثة؛ فقد تطورت عبر سنوات من الأبحاث في الإحصاء وتعلم الآلة والشبكات العصبية.

وشهد المجال استخدام معماريات متعددة، مثل الشبكات التوليدية التنافسية GANs، والمشفرات التلقائية التباينية VAEs، ثم نماذج الانتشار Diffusion Models، إلى جانب النماذج اللغوية المبنية على معماريات Transformer.

وكان ظهور بنية Transformer عام 2017 محطة مهمة في تطور معالجة اللغة، لأنها أتاحت التعامل مع العلاقات داخل تسلسلات البيانات باستخدام آليات الانتباه، ومهدت الطريق لتطوير نماذج لغوية واسعة النطاق.

لكن يجب الانتباه إلى أن الذكاء الاصطناعي التوليدي ليس تقنية واحدة؛ فبنية النموذج المستخدم لإنشاء النصوص قد تختلف عن البنية المستخدمة لتوليد الصور أو الصوت أو الفيديو.

أولًا: البيانات هي نقطة البداية في تدريب الذكاء الاصطناعي

لا يبدأ النموذج اللغوي حياته وهو يفهم العربية أو الإنجليزية أو البرمجة، بل يحتاج إلى عملية تدريب يتعرض خلالها لكميات كبيرة من البيانات المناسبة لهدفه.

قد تتضمن بيانات تدريب النماذج اللغوية كتبًا ومقالات ونصوصًا ووثائق وأمثلة برمجية وغيرها من المواد التي جرى جمعها وإعدادها وفق منهجية تطوير النموذج.

ولا يعني استخدام مجموعة كبيرة من البيانات أنها عالية الجودة تلقائيًا؛ فقد تحتوي بعض المصادر على أخطاء أو تكرار أو معلومات متناقضة أو محتوى غير مناسب.

لهذا تُعد مراحل إعداد البيانات وتنظيفها واختيارها من العناصر المهمة في تطوير النماذج الحديثة.

كيف تتحول النصوص إلى بيانات يستطيع الكمبيوتر التعامل معها؟

لا يعالج المعالج الإلكتروني الكلمات باعتبارها معاني بشرية مباشرة؛ فهو ينفذ عمليات رياضية على تمثيلات رقمية.

ولهذا تمر النصوص بمرحلة تحويل إلى وحدات أصغر تعرف باسم Tokens، ثم تُحوَّل هذه الوحدات إلى تمثيلات رقمية يستخدمها النموذج أثناء الحسابات.

وقد يمثل Token كلمة كاملة أو جزءًا من كلمة أو علامة ترقيم أو رمزًا آخر، بحسب طريقة تقسيم النص المعتمدة.

ثانيًا: ما المقصود بالرموز Tokens في النماذج اللغوية؟

تمثل Tokens الوحدات التي يتعامل معها النموذج أثناء قراءة النص وإنشاء الإجابات. ولا توجد قاعدة ثابتة تقول إن كل كلمة تساوي رمزًا واحدًا، لأن التقسيم يعتمد على نظام الترميز واللغة والمحتوى.

قد تتحول كلمة شائعة إلى وحدة واحدة في نموذج معين، بينما تُقسم كلمة طويلة أو غير مألوفة إلى عدة وحدات.

وتظهر أهمية ذلك في فهم كيفية احتساب طول المدخلات والمخرجات، ولماذا قد يختلف عدد الرموز المستخدمة بين نص عربي وآخر إنجليزي له المعنى نفسه.

مثال مبسط على تقسيم النص

لنفترض أنك كتبت العبارة التالية:

الذكاء الاصطناعي يساعد الطلاب على التعلم.

قد يقسم نظام الترميز العبارة إلى وحدات تمثل كلمات كاملة أو أجزاء منها، ثم يمنح كل وحدة رقم تعريف داخل قاموس النموذج.

هذا المثال يوضح المبدأ، وليس تقسيمًا حرفيًا ثابتًا لجميع النماذج؛ فطريقة Tokenization تختلف بين الأنظمة.

بعد ذلك، تصبح الوحدات جاهزة للتحويل إلى تمثيلات رياضية تستطيع الشبكة العصبية معالجتها.

ثالثًا: كيف تتحول الكلمات إلى أرقام تحمل علاقات دلالية؟

بعد تقسيم النص إلى رموز، يستخدم النموذج طبقة تعرف باسم Embedding Layer لتحويل كل رمز إلى متجه عددي، أي مجموعة منظمة من القيم الرياضية.

ولا تمثل هذه الأرقام معنى الكلمة بطريقة القاموس التقليدي، بل تتيح للنموذج تعلم علاقات تساعده على معالجة الرموز داخل سياقات مختلفة.

فعلى سبيل المثال، قد يتعلم النموذج وجود علاقات بين كلمات مثل «حاسوب» و«معالج» و«ذاكرة»، وأن استخدام هذه الكلمات داخل جملة تقنية يختلف عن استخدامها في سياقات أخرى.

ما المقصود بالتمثيل المتجهي Vector Representation؟

يمكن تخيل كل كلمة أو رمز باعتباره نقطة داخل مساحة رياضية متعددة الأبعاد، بحيث يستطيع النموذج استخدام الحسابات لفهم علاقات الأنماط بين التمثيلات المختلفة.

لكن هذه المساحة ليست خريطة بسيطة ذات محورين يمكن رسمها بالكامل؛ فقد تتكون التمثيلات من عدد كبير من الأبعاد التي يتعلم النموذج استخدامها أثناء التدريب.

كما أن المعنى النهائي لا يعتمد على تمثيل الرمز وحده، بل على علاقته ببقية الرموز والسياق الذي يظهر داخله.

رابعًا: ما الشبكات العصبية Neural Networks؟

تعتمد النماذج التوليدية الحديثة على الشبكات العصبية الاصطناعية، وهي أنظمة حسابية تتكون من طبقات تنفذ عمليات رياضية على البيانات باستخدام معاملات قابلة للتعلم.

وتستمد هذه الشبكات اسمها من تشابه مفاهيمي محدود مع فكرة الوحدات المترابطة، لكنها ليست نسخة رقمية مطابقة للدماغ البشري.

أثناء التدريب، تتغير قيم المعاملات الرياضية بحيث تتحسن قدرة النموذج على أداء المهمة المستهدفة، مثل توقع رمز لغوي أو معالجة نمط بصري.

ما المعاملات Parameters؟

المعاملات هي قيم رقمية يتعلمها النموذج أثناء التدريب، وتساهم في تحديد كيفية معالجة المدخلات وإنتاج المخرجات.

عندما نقول إن نموذجًا يمتلك عددًا كبيرًا من المعاملات، فنحن نشير إلى حجم جزء مهم من بنيته الحسابية، لكن العدد وحده لا يكفي للحكم على مستوى الجودة.

فطريقة التدريب ونوعية البيانات والبنية وكفاءة الاستخدام والتقييم عوامل تؤثر جميعها في قدرات النموذج.

خامسًا: كيف يتعلم النموذج توقع الكلمة التالية؟

تعتمد فئة مهمة من النماذج اللغوية التوليدية على هدف تدريبي يتمثل في توقع الرمز التالي ضمن تسلسل معين.

لنفترض أن النموذج يستقبل العبارة:

تشرق الشمس من جهة...

أثناء التدريب، يحاول توقع الرمز الذي يكمل التسلسل بناءً على الأنماط التي تعلمها.

في البداية قد تكون توقعاته ضعيفة، لكن عملية التدريب تقارن مخرجاته بالرموز المستهدفة وتستخدم مقدار الخطأ لتعديل معاملات الشبكة تدريجيًا.

وتتكرر هذه العملية على أعداد هائلة من الأمثلة، مما يساعد النموذج على تعلم قواعد لغوية وعلاقات سياقية وأنماط معرفية متعددة.

هل توقع الرمز التالي يعني أن النموذج لا يستطيع تنفيذ مهام معقدة؟

لا، لأن التنبؤ بالرموز عبر بيانات متنوعة وعلى نطاق واسع قد يؤدي إلى تعلم تمثيلات تسمح للنموذج بتنفيذ مهام تتجاوز إكمال الجمل البسيطة.

فقد يتمكن من تلخيص النصوص وكتابة الشيفرات والمساعدة في حل مسائل متعددة الخطوات، لكن ذلك لا يجعله معصومًا من الخطأ أو يمنحه تحققًا تلقائيًا من الحقائق.

ويجب التمييز بين إنتاج إجابة تبدو منطقية وبين إثبات أن جميع المعلومات الموجودة داخلها صحيحة.

سادسًا: ما وظيفة Transformer في الذكاء الاصطناعي التوليدي؟

تُعد بنية Transformer من أهم المعماريات المستخدمة في تطوير النماذج اللغوية الحديثة، لأنها توفر طريقة لمعالجة العلاقات بين أجزاء التسلسل باستخدام آليات الانتباه.

ولفهم أهميتها، تخيل أنك تريد تحليل جملة طويلة تحتوي على عدة أسماء وضمائر وعلاقات زمنية؛ فمعنى كلمة معينة قد يعتمد على كلمة أخرى ظهرت قبلها بفترة داخل النص.

تساعد آلية الانتباه النموذج على الاستفادة من العلاقات بين الرموز المتاحة في السياق، بدل التعامل مع كل وحدة باعتبارها عنصرًا منفصلًا تمامًا.

ما المقصود بالانتباه الذاتي Self-Attention؟

Self-Attention آلية رياضية تسمح للنموذج بحساب مدى ارتباط عناصر التسلسل بعضها ببعض أثناء المعالجة.

على سبيل المثال، عندما تقرأ الجملة:

اشترى أحمد لابتوبًا جديدًا لأنه احتاج إليه في الدراسة.

فإن فهم العلاقة بين «لابتوبًا» و«إليه» يساعد على تفسير المعنى الصحيح.

يمكن لآليات الانتباه داخل النموذج تعلم علاقات مشابهة من خلال الحسابات الرياضية، مع اختلاف تفاصيل التمثيل عن طريقة الفهم البشري.

ما وظيفة Query وKey وValue؟

تستخدم آلية الانتباه تمثيلات رياضية تعرف باسم Query وKey وValue، تساعد على حساب كيفية مساهمة الرموز المختلفة في معالجة الرمز الحالي.

بصورة مبسطة، يمكن النظر إلى Query باعتباره تمثيلًا لما يجري البحث عن ارتباطه، وKey باعتباره تمثيلًا يُستخدم في حساب هذا الارتباط، بينما يساهم Value بالمعلومات التي يجري دمجها بعد تحديد أوزان الانتباه.

وتكرر الشبكة هذه الحسابات عبر طبقات ورؤوس انتباه متعددة، مما يسمح بتعلم علاقات متنوعة داخل البيانات.

سابعًا: كيف يتعلم النموذج أثناء مرحلة التدريب Training؟

التدريب هو المرحلة التي تُعدَّل خلالها معاملات النموذج اعتمادًا على البيانات والهدف الرياضي الذي يسعى إلى تحسينه.

في كل دورة تدريبية، يعالج النموذج مجموعة من الأمثلة، وينتج توقعات، ثم تُحسب قيمة الخطأ باستخدام دالة خسارة Loss Function مناسبة.

بعد ذلك، تستخدم خوارزميات التحسين المعلومات المستخرجة من الخطأ لتعديل المعاملات بطريقة تستهدف تحسين الأداء في المحاولات اللاحقة.

ما المقصود بخوارزمية Backpropagation؟

تشير Backpropagation أو الانتشار العكسي إلى عملية حساب المشتقات التي توضح مساهمة المعاملات المختلفة في الخطأ الناتج.

تُستخدم هذه المعلومات ضمن عملية التحسين لتعديل القيم الرقمية داخل الشبكة العصبية.

ولتبسيط الفكرة، تخيل طالبًا يتدرب على مجموعة أسئلة، ثم يراجع أخطاءه ويعدل طريقة الحل في المرات التالية؛ لكن عملية النموذج تحدث من خلال حسابات رياضية واسعة النطاق، وليس عبر وعي شخصي مشابه لطريقة تعلم الإنسان.

ثامنًا: ما الفرق بين Pre-training وFine-tuning؟

يمر تطوير بعض النماذج التوليدية بمراحل متعددة، ولا يتوقف بالضرورة عند التدريب الأولي واسع النطاق.

تُعرف المرحلة الأولى غالبًا باسم Pre-training، وفيها يتعلم النموذج أنماطًا عامة من بيانات متنوعة وفق الهدف التدريبي المستخدم.

بعد ذلك، يمكن تطبيق مراحل إضافية لتحسين قدرته على اتباع التعليمات أو التعامل مع أنواع معينة من المهام.

كيف تعمل مرحلة Fine-tuning؟

يشير Fine-tuning إلى مواصلة تدريب نموذج موجود باستخدام بيانات وأهداف إضافية، بهدف تحسين سلوكه في سياق محدد.

فعلى سبيل المثال، يمكن تطوير نموذج عام ليصبح أكثر قدرة على معالجة نصوص تقنية متخصصة أو اتباع تعليمات منظمة، بشرط توفر البيانات المناسبة واتباع إجراءات تقييم دقيقة.

هل يستطيع المستخدم تدريب ChatGPT بمجرد كتابة تعليمات داخل المحادثة؟

كتابة Prompt لا تعني عادة أنك تعدّل معاملات النموذج الأساسية أثناء المحادثة.

فأنت تقدم سياقًا وتعليمات تؤثر في الاستجابة الحالية، بينما يتطلب التدريب الفعلي أو الضبط الدقيق آليات مستقلة عن مجرد كتابة الطلب.

وهذا الفرق أساسي لفهم سبب قدرة النموذج على التكيف مع أسلوبك داخل المحادثة دون أن يعني ذلك بالضرورة إعادة تدريب بنيته الرياضية في كل رسالة.

تاسعًا: ما مرحلة الاستدلال Inference وكيف تُنشأ الإجابة؟

بعد اكتمال التدريب وإعداد النموذج للاستخدام، تبدأ مرحلة Inference عندما يرسل المستخدم طلبًا جديدًا.

تتلقى المنظومة النص، وتحوله إلى رموز، ثم تعالجه باستخدام معاملات النموذج التي تعلمها سابقًا، وبعد ذلك تنتج توقعات بشأن المخرجات المناسبة.

في النماذج اللغوية ذات التوليد التسلسلي، يُنشأ النص تدريجيًا رمزًا بعد آخر، مع الاستفادة من الرموز السابقة والسياق المتاح.

لماذا تظهر الإجابة تدريجيًا على الشاشة؟

لأن كثيرًا من النماذج اللغوية التوليدية تنشئ تسلسل المخرجات بصورة متتابعة، ويمكن لواجهة المستخدم عرض الأجزاء المكتملة أثناء استمرار العملية.

لكن سرعة ظهور النص تختلف بحسب حجم النموذج وطول المدخلات والمخرجات والبنية الحاسوبية التي تشغله، بالإضافة إلى خطوات المعالجة الأخرى.

عاشرًا: كيف يختار النموذج الكلمة التالية من عدة احتمالات؟

عندما يعالج النموذج سياقًا لغويًا، فإنه ينتج توزيعًا احتماليًا على مجموعة الرموز التي يستطيع استخدامها في الخطوة التالية.

وقد توجد عدة تكملات ممكنة للجملة نفسها، تختلف في الاحتمال والأسلوب ومدى ملاءمتها للتعليمات.

تستخدم عملية التوليد استراتيجيات لاختيار الرمز التالي من هذا التوزيع، وفق إعدادات النموذج والمنظومة التي تشغله.

ما معنى Temperature في النماذج التوليدية؟

Temperature أحد الإعدادات التي قد تستخدم للتحكم في شكل التوزيع الاحتمالي أثناء اختيار الرموز.

وبصورة عامة، يمكن أن تؤدي القيم المنخفضة إلى جعل التوليد أكثر ميلًا إلى الخيارات الأعلى احتمالًا، بينما تسمح القيم الأعلى بدرجة أكبر من التنوع عند تطبيقها ضمن إعدادات مناسبة.

لكن رفع هذه القيمة لا يعني زيادة المعرفة أو الدقة، كما أن خفضها لا يضمن اختفاء الأخطاء.

ولهذا تختلف إعدادات التوليد المناسبة بين كتابة قصة إبداعية وتنفيذ مهمة تحتاج إلى تنسيق محدد وإجابات مستقرة.

الحادي عشر: كيف يعمل الذكاء الاصطناعي الذي ينشئ الصور؟

تختلف عملية إنشاء الصور عن توليد النصوص، لأن المحتوى البصري يحتاج إلى تمثيل العلاقات بين الألوان والأشكال والتكوين والمساحات والتفاصيل داخل الصورة.

ومن المعماريات المهمة في هذا المجال نماذج الانتشار Diffusion Models، التي تتعلم عمليات مرتبطة بتحويل البيانات البصرية والتعامل مع الضوضاء الرياضية.

كيف تعمل Diffusion Models بصورة مبسطة؟

خلال تدريب نموذج انتشار تقليدي، تُضاف مستويات من الضوضاء إلى بيانات الصور وفق عملية رياضية محددة، ثم يتعلم النموذج مهمة تساعد على تقدير كيفية إزالة هذه الضوضاء أو عكس العملية تدريجيًا.

وعند التوليد، يمكن البدء من تمثيل ضوضائي، ثم تنقيحه عبر خطوات متتابعة ومشروطة بوصف المستخدم حتى يتكون الناتج البصري.

تختلف التفاصيل بين المعماريات الحديثة، وقد تعمل بعض النماذج داخل مساحات كامنة Latent Spaces بدل معالجة جميع قيم البكسلات مباشرة بالطريقة التقليدية.

مثال عملي على إنشاء صورة

إذا طلبت إنشاء صورة لمكتب سعودي عصري يحتوي على لابتوب وشاشة كبيرة وإضاءة زرقاء، فإن النموذج يستخدم تمثيلًا للوصف أثناء عملية التوليد لتوجيه تكوين المشهد.

وقد تنتج نتائج مختلفة عند تكرار الطلب بسبب طبيعة التوليد وإعداداته، ولهذا يمكن تحسين المخرجات بتوضيح الزاوية والإضاءة والعناصر والألوان والنسبة البصرية المطلوبة.

الثاني عشر: كيف ينشئ الذكاء الاصطناعي الصوت والفيديو؟

تحتاج النماذج الصوتية إلى التعامل مع خصائص زمنية معقدة، مثل النبرة والإيقاع والترددات وطريقة نطق الكلمات.

أما الفيديو، فيضيف بُعدًا آخر يتمثل في المحافظة على الترابط بين الإطارات المتتابعة، بحيث لا تتغير هوية العنصر أو موقعه بصورة غير منطقية أثناء الحركة.

وقد تستخدم الأنظمة الحديثة نماذج متعددة أو تمثيلات متخصصة وفق نوع المهمة، مثل تحويل النص إلى كلام أو إنشاء مؤثرات صوتية أو توليد مشاهد فيديو اعتمادًا على وصف نصي أو صورة مرجعية.

لماذا يعد توليد الفيديو أكثر تعقيدًا من الصورة الثابتة؟

لأن الفيديو لا يحتاج إلى صورة واحدة متقنة فقط، بل إلى تسلسل بصري يحافظ على الاتساق المكاني والزمني.

فإذا طلبت مشهدًا لشخص يسير داخل مدينة مستقبلية، يجب أن تتغير وضعية الجسم والخلفية والإضاءة بصورة متناسقة بين الإطارات، بدل إنشاء صور مستقلة لا ترتبط حركيًا بعضها ببعض.

الثالث عشر: ما المقصود بالذكاء الاصطناعي متعدد الوسائط Multimodal AI؟

يشير Multimodal AI إلى الأنظمة التي تستطيع التعامل مع أكثر من نوع من البيانات، مثل النصوص والصور والصوت والفيديو، وفق القدرات الفعلية للنموذج والمنظومة.

فبدل الاعتماد على النص المكتوب وحده، يمكن للمستخدم تقديم صورة لمشكلة تقنية وطرح سؤال عنها، أو إرسال تسجيل صوتي وطلب تلخيص مضمونه.

كيف يستفيد المستخدم السعودي من هذه القدرة؟

يمكن لطالب جامعي تصوير مخطط تعليمي وطلب شرح عناصره، أو لموظف تقديم صورة لواجهة برنامج وطلب توضيح وظيفة الخيارات الظاهرة.

كما يستطيع صاحب متجر إعداد مسودة وصف لمنتج اعتمادًا على صورته ومواصفاته التي يقدمها، ثم مراجعة الناتج قبل النشر.

لكن لا ينبغي الاعتماد على التحليل البصري وحده لإثبات مواصفات جهاز أو صحة مستند أو اتخاذ قرار حساس؛ فقد يسيء النموذج تفسير بعض التفاصيل أو يتجاهل عناصر صغيرة مؤثرة.

الرابع عشر: لماذا يحتاج تدريب النماذج إلى GPU ومعالجات قوية؟

تتطلب الشبكات العصبية الكبيرة تنفيذ أعداد هائلة من العمليات الرياضية، خاصة عمليات المصفوفات التي تتكرر عبر طبقات النموذج.

وتتميز وحدات معالجة الرسوميات GPU بقدرتها على تنفيذ أنواع كثيرة من الحسابات بصورة متوازية، مما يجعلها مناسبة للعديد من عمليات تدريب الشبكات العصبية وتشغيلها.

كذلك تستخدم بعض البنى الحاسوبية مسرعات متخصصة للذكاء الاصطناعي، مع توزيع العمل على عدة شرائح وأنظمة بحسب حجم المشروع ومتطلباته.

هل يمكن تشغيل نموذج توليدي على جهاز شخصي؟

نعم، يمكن تشغيل بعض النماذج الصغيرة أو المضغوطة محليًا إذا توفرت الموارد المناسبة، لكن الإمكانات والأداء يعتمدان على حجم النموذج والذاكرة والبنية المستخدمة.

وقد تتطلب النماذج الأكبر موارد حوسبة مرتفعة لا تتوفر داخل الكمبيوتر الشخصي التقليدي.

ولهذا تتجه بعض التطبيقات إلى الجمع بين المعالجة المحلية والمعالجة السحابية، وفق طبيعة المهمة والخصوصية والاتصال والقدرة الحاسوبية.

الخامس عشر: لماذا قد يختلق الذكاء الاصطناعي معلومات غير صحيحة؟

من أهم الأمور التي يجب فهمها أن النموذج اللغوي قد ينتج نصًا متماسكًا وواثقًا من الناحية الأسلوبية، رغم احتوائه على أخطاء واقعية.

تُعرف هذه الظاهرة عادة باسم Hallucination أو هلوسة الذكاء الاصطناعي، وقد تحدث عندما يولد النموذج معلومات غير مدعومة أو أسماء أو أرقامًا أو مراجع تبدو معقولة لكنها غير صحيحة.

ويرتبط ذلك بطبيعة التدريب والتوليد وحدود المعلومات والسياق، ولا يمكن التعامل مع طلاقة الإجابة باعتبارها دليلًا مستقلًا على صحتها.

كيف تتعامل مع هذه المشكلة عمليًا؟

عندما تستخدم النموذج في مهمة تتضمن مواصفات تقنية أو أسعارًا أو أنظمة أو معلومات صحية أو مالية، تحقق من التفاصيل المهمة عبر القنوات المعتمدة والمعلومات الأصلية المناسبة.

كذلك يمكنك طلب توضيح الافتراضات والخطوات الحسابية والتمييز بين الحقيقة والتقدير، لكن مراجعة النموذج لإجابته بنفسه لا تمثل ضمانًا كافيًا لاكتشاف جميع الأخطاء.

السادس عشر: هل يفهم الذكاء الاصطناعي المعلومات مثل الإنسان؟

يستطيع النموذج معالجة العلاقات داخل البيانات وإنتاج استجابات قد تبدو شبيهة بطريقة التواصل البشري، لكنه يعمل من خلال آليات حسابية وتدريبية تختلف عن الخبرة الإنسانية المباشرة.

وعندما يشرح مفهومًا تقنيًا أو يقترح خطة عمل، فإنه يستخدم الأنماط التي تعلمها والسياق المتاح والأدوات التي قد تكون متصلة بالمنظومة.

لذلك من الأفضل التعامل معه باعتباره مساعدًا تقنيًا قادرًا على تنفيذ مهام متعددة، لا جهة مستقلة تمتلك معرفة مضمونة بجميع الحقائق أو تتحمل المسؤولية نيابة عن المستخدم.

السابع عشر: ما الفرق بين المعرفة المكتسبة أثناء التدريب والبحث المباشر؟

قد يتعلم النموذج معلومات كثيرة أثناء مرحلة التدريب، لكن هذه المعلومات لا تعني امتلاكه اتصالًا دائمًا بالأحداث الجديدة أو الأسعار أو تحديثات المنتجات.

إذا كان النظام يدعم استخدام أدوات البحث أو استرجاع الملفات، فيمكنه الاستفادة من مصادر إضافية أثناء تنفيذ المهمة، لكن هذه القدرة تختلف عن المعلومات الموجودة ضمن معاملات النموذج.

ما المقصود بتقنية RAG؟

تشير عبارة Retrieval-Augmented Generation إلى التوليد المعزز بالاسترجاع، وهي طريقة تجمع بين نموذج توليدي ونظام يستطيع استرجاع معلومات ذات صلة من مصادر محددة.

فإذا أرادت شركة إنشاء مساعد يجيب عن الأسئلة باستخدام دليل الموظفين، يمكن بناء نظام يسترجع أجزاء مناسبة من المستندات المصرح بها، ثم يقدمها للنموذج ضمن السياق ليستخدمها عند إنشاء الإجابة.

لكن نجاح هذا الأسلوب يعتمد على جودة الاسترجاع وصلاحيات الوصول ودقة المعلومات، ولا يلغي الحاجة إلى التحقق في التطبيقات الحساسة.

الثامن عشر: كيف تستخدم Prompt Engineering للحصول على إجابات أفضل؟

يشير مصطلح هندسة الأوامر Prompt Engineering إلى تنظيم المدخلات والتعليمات بطريقة تساعد النموذج على فهم المهمة والسياق والشروط المطلوبة للمخرجات.

فالأمر العام مثل «اكتب عن الهواتف» يترك مساحة كبيرة للتفسير، بينما يستطيع الطلب المحدد توضيح الجمهور والهدف ومستوى الشرح والنقاط التي يجب تغطيتها.

ولا يعني ذلك وجود كلمات سحرية تجعل النموذج يقدم إجابات صحيحة دائمًا؛ فوضوح التعليمات يساعد على تحسين الملاءمة، لكنه لا يعوض نقص المعلومات أو الحاجة إلى التحقق.

مثال على أمر تقني عملي

بدل كتابة «اشرح المعالج»، يمكنك استخدام الطلب التالي:

قالب Prompt جاهز للنسخ

اشرح لي كيف يعمل المعالج المركزي CPU في اللابتوب باللغة العربية، مع افتراض أنني مبتدئ في التقنية. ابدأ بتعريف مبسط، ثم وضح دور الأنوية والتردد والذاكرة المخبأة، وأضف مثالًا من الاستخدام اليومي. اشرح المصطلحات الإنجليزية عند ظهورها، وميّز بين المعلومات المؤكدة والأمثلة التقريبية.

نسخ الأمر

يوضح المثال أهمية تحديد المهمة والمستوى المعرفي وطريقة العرض بدل الاكتفاء بعنوان عام لا يشرح النتيجة المطلوبة.

التاسع عشر: استخدامات عملية للذكاء الاصطناعي التوليدي في السعودية

يمكن الاستفادة من النماذج التوليدية في الدراسة والعمل وإنشاء المحتوى والمشروعات الرقمية، بشرط اختيار المهام المناسبة ومراجعة النتائج وعدم مشاركة معلومات حساسة دون ضرورة وتصريح مناسب.

استخدامه في الدراسة الجامعية

يستطيع الطالب طلب شرح مفهوم علمي بلغة مبسطة، أو إنشاء أسئلة تدريبية، أو تلخيص ملاحظاته الدراسية ومقارنة طرق حل مختلفة.

لكن يجب ألا يستخدم النموذج لتقديم معلومات مختلقة أو تجاوز متطلبات النزاهة الأكاديمية، كما ينبغي مراجعة الإجابات التي تتضمن معادلات أو نتائج علمية.

استخدامه داخل بيئة العمل

يمكن للموظف الاستفادة من أدوات الذكاء الاصطناعي في إعداد مسودات البريد الإلكتروني وتنظيم محاضر الاجتماعات وتطوير أفكار للعروض والتقارير.

لكن يجب الالتزام بسياسات جهة العمل، خصوصًا عند التعامل مع العقود والبيانات الشخصية والمعلومات التجارية غير المصرح بنقلها إلى خدمات خارجية.

استخدامه في المتاجر الإلكترونية

يمكن لصاحب متجر سعودي الاستعانة بالنموذج لإعداد مسودة وصف لمنتج أو تنظيم الأسئلة الشائعة أو اقتراح هيكل لخطة تسويقية.

لكن لا ينبغي ترك النموذج يختلق مواصفات المنتجات أو شروط الضمان أو مدد الشحن؛ فهذه المعلومات يجب أن تأتي من البيانات الحقيقية للمتجر والمورد.

العشرون: كيف تبني تجربة بسيطة لفهم آلية الذكاء الاصطناعي؟

يمكنك تنفيذ تجربة تعليمية تساعدك على استيعاب الفرق بين التوليد اللغوي وبين البحث عن إجابة ثابتة، دون الحاجة إلى كتابة برنامج أو تدريب نموذج من الصفر.

افتح إحدى أدوات المحادثة المناسبة، واكتب جملة قصيرة غير مكتملة، ثم اطلب من النموذج اقتراح ثلاث تكملات مختلفة لها.

بعد ذلك، أعد تنفيذ التجربة مع إضافة سياق مختلف يغيّر المعنى المتوقع للجملة.

مثال يوضح تأثير السياق

اكتب أولًا: «كان الجو حارًا، لذلك قرر أحمد...».

ثم جرّب: «كان الجو حارًا، وكان أحمد يعمل على اختبار نظام تبريد اللابتوب، لذلك قرر...».

ستلاحظ أن تغيير السياق قد يؤدي إلى تغير نوع الاستجابة، لأن الرموز السابقة تؤثر في المخرجات التي يولدها النموذج.

وتوضح هذه التجربة بصورة مبسطة أهمية السياق في النماذج اللغوية، دون أن تمثل اختبارًا كاملًا لكيفية عمل جميع طبقات الشبكة العصبية.

الحادي والعشرون: ما أهم القيود التقنية للذكاء الاصطناعي التوليدي؟

رغم التطور الكبير في قدرات النماذج الحديثة، فإن استخدامها يحتاج إلى فهم الحدود المرتبطة بالدقة والسياق والموارد الحاسوبية والخصوصية.

فقد يسيء النموذج تفسير سؤال غامض، أو ينتج نتيجة غير مناسبة عندما تكون المعلومات الأساسية ناقصة، أو يواجه صعوبة في المحافظة على الاتساق داخل مهمة طويلة ومعقدة.

كما أن جودة المخرجات تختلف بحسب نوع البيانات واللغة والمجال وطريقة صياغة التعليمات.

هل النماذج الأكبر أفضل دائمًا؟

لا يمكن تحديد جودة النموذج اعتمادًا على عدد معاملاته فقط؛ فالبنية والتدريب وجودة البيانات وأساليب التقييم والقدرة على استخدام الأدوات تؤثر جميعها في الأداء.

وقد يكون نموذج أصغر مناسبًا لمهمة محددة عندما تكون متطلبات السرعة والتكلفة والخصوصية مهمة، بينما تحتاج مهام أخرى إلى قدرات أوسع.

ولهذا ينبغي اختبار النموذج باستخدام أمثلة تمثل احتياجاتك الفعلية بدل الاعتماد على اسم المنتج أو حجمه وحدهما.

الثاني والعشرون: كيف تحمي بياناتك عند استخدام الذكاء الاصطناعي؟

قد يتعامل المستخدم مع النماذج التوليدية باعتبارها دفتر ملاحظات خاصًا، فينسخ إليها بيانات العملاء أو كلمات المرور أو المستندات الحساسة دون مراجعة شروط الخدمة وسياسات المؤسسة.

لكن طريقة تخزين المدخلات ومعالجتها والاحتفاظ بها تختلف بحسب المنتج والخطة والإعدادات والاتفاقيات المستخدمة.

قواعد أساسية للاستخدام الآمن

قبل إدخال أي بيانات شخصية أو مهنية، تحقق من أن لديك صلاحية مشاركتها، وأن الأداة مناسبة لهذا النوع من المعلومات.

استخدم أمثلة افتراضية أو أزل البيانات التعريفية عندما لا تكون ضرورية للمهمة.

وإذا كنت تطور أداة ذكاء اصطناعي لخدمة عملاء متجر أو مؤسسة، فمن المهم وضع ضوابط للوصول إلى المعلومات، ومراجعة البيانات التي يستطيع النظام استرجاعها أو إظهارها للمستخدمين.

الثالث والعشرون: إلى أين يتجه تطور الذكاء الاصطناعي التوليدي؟

يتجه تطوير النماذج التوليدية إلى تحسين معالجة أنواع مختلفة من المدخلات والمخرجات، ورفع كفاءة استخدام الموارد، وتطوير القدرة على التعامل مع المهام المعقدة ضمن أنظمة تستخدم أدوات وبرامج خارجية.

كما تحظى النماذج الأصغر والأكثر كفاءة باهتمام متزايد، خاصة عندما يكون تشغيلها محليًا على الهواتف والحواسيب مناسبًا لمتطلبات الاستخدام.

لكن لا يمكن اعتبار جميع الوعود المتعلقة بالذكاء الاصطناعي قدرات متاحة أو موثوقة حاليًا؛ فالأداء يختلف من نموذج إلى آخر، وتظل الحاجة إلى الاختبار والرقابة البشرية مهمة في التطبيقات ذات التأثير الحقيقي.

أخطاء شائعة في فهم الذكاء الاصطناعي التوليدي

من الأخطاء الشائعة الاعتقاد بأن النموذج يمتلك قاعدة بيانات كاملة لجميع المعلومات التي ظهرت أثناء تدريبه، أو أنه يبحث تلقائيًا في الإنترنت عند الإجابة عن أي سؤال.

كذلك يخلط البعض بين طول الإجابة ودقتها، وبين القدرة على إنشاء صورة جميلة والقدرة على ضمان صحة جميع العناصر الموجودة داخلها.

ومن المفاهيم غير الدقيقة أيضًا افتراض أن النماذج التوليدية جميعها تعمل باستخدام البنية نفسها، رغم اختلاف المعماريات وأهداف التدريب بين النصوص والصور والصوت والفيديو.

والأفضل التعامل مع هذه التقنية من خلال فهم آلياتها وحدودها، ثم اختبارها في مهام مناسبة مع مراجعة النتائج.

أسئلة شائعة حول طريقة عمل الذكاء الاصطناعي التوليدي

هل الذكاء الاصطناعي التوليدي يحفظ جميع البيانات التي يتدرب عليها؟

يتعلم النموذج معاملات وتمثيلات رياضية من بيانات التدريب، ولا يعمل عادة باعتباره فهرسًا مباشرًا يسترجع نسخة مطابقة من كل مستند تدريبي. ومع ذلك، قد تظهر حالات حفظ أو استرجاع غير مرغوب لبعض المحتويات، وهو جانب مهم في تقييم الخصوصية وجودة التدريب.

لماذا تختلف الإجابة عند تكرار السؤال نفسه؟

قد ينتج الاختلاف عن إعدادات التوليد والسياق ونوع النموذج أو التغييرات المرتبطة بالمنظومة التي تشغله.

هل يمكن للذكاء الاصطناعي إنشاء صورة لم تكن موجودة سابقًا؟

نعم، تستطيع النماذج التوليدية إنتاج تكوينات بصرية جديدة باستخدام الأنماط التي تعلمتها والتعليمات التي تقدمها لها، لكن ذلك لا يضمن خلو الناتج من التشابه غير المقصود أو الأخطاء البصرية.

ما الفرق بين Training وInference؟

Training هو مرحلة تعلم معاملات النموذج من البيانات، بينما Inference هي مرحلة استخدام النموذج المدرب لمعالجة مدخلات جديدة وإنتاج استجابات.

هل يحتاج الذكاء الاصطناعي التوليدي إلى الإنترنت دائمًا؟

يعتمد ذلك على طريقة التشغيل؛ فبعض النماذج تعمل عبر خدمات سحابية، بينما يمكن تشغيل نماذج معينة محليًا على أجهزة متوافقة دون اتصال مستمر بالإنترنت.

هل يمكن الاعتماد على إجابات الذكاء الاصطناعي دون مراجعة؟

لا ينبغي الاعتماد عليها بصورة مطلقة في المعلومات المهمة أو القرارات الحساسة؛ إذ قد تنتج النماذج أخطاء أو تفاصيل غير مدعومة رغم تماسك أسلوب الإجابة.

الخلاصة: كيف يعمل الذكاء الاصطناعي التوليدي من البداية إلى النهاية؟

يعتمد الذكاء الاصطناعي التوليدي Generative AI على تعلم الأنماط والعلاقات من البيانات باستخدام نماذج رياضية وشبكات عصبية متقدمة، ثم الاستفادة من هذه الأنماط لإنتاج محتوى جديد وفق تعليمات المستخدم والسياق المتاح.

في النماذج اللغوية، تبدأ العملية بتقسيم النص إلى رموز وتحويلها إلى تمثيلات رقمية، ثم معالجة العلاقات بينها داخل بنية النموذج، وصولًا إلى إنشاء المخرجات تدريجيًا أثناء مرحلة الاستدلال. أما في الصور والصوت والفيديو، فقد تُستخدم معماريات وعمليات توليد مختلفة تناسب طبيعة البيانات المطلوبة.

ومع أن هذه الأنظمة تستطيع أداء مهام واسعة تشمل الكتابة والبرمجة والتصميم والتحليل، فإن قدراتها لا تعني امتلاك معرفة معصومة أو تحققًا تلقائيًا من جميع الحقائق.

ابدأ اليوم بتجربة أداة ذكاء اصطناعي في مهمة بسيطة تعرف نتائجها جيدًا، ثم غيّر طريقة صياغة التعليمات ولاحظ تأثير السياق في الإجابة. ففهم الآلية التي تعمل بها النماذج هو الخطوة الأولى لاستخدامها بذكاء، بدل الاكتفاء بالإعجاب بسرعة المخرجات دون معرفة حدودها.