صعود الذكاء الاصطناعي والنماذج اللغوية الكبيرة
تخيّل أن تبدأ صباحك فتجد أن مساعدك الرقمي قد ضبط درجة حرارة المنزل، ولخّص لك أهم الأخبار، ورتّب مواعيد يومك. هاتفك يحدّد أسرع طريق إلى العمل، وبريدك مُنظَّم في مجلدات.
تخيّل أن تبدأ صباحك فتجد أن مساعدك الرقمي قد ضبط درجة حرارة المنزل، ولخّص لك أهم الأخبار، ورتّب مواعيد يومك. هاتفك يحدّد أسرع طريق إلى العمل، وبريدك مُنظَّم في مجلدات، والمتجر الذي تفضّله يعرض عليك تمامًا ما تحتاجه.
هذا ليس مجرد تسهيل للحياة؛ إنه الذكاء الاصطناعي وهو يعمل. من أتمتة المهام إلى دعم اتخاذ القرار، أصبح الذكاء الاصطناعي قوة صامتة تشكّل تفاصيل يومنا. وفي قلب هذا التحوّل تقف النماذج اللغوية الكبيرة (Large Language Models – LLMs): أنظمة قادرة على فهم اللغة وتوليدها والتفاعل بها بأسلوب قريب من أسلوب البشر.
لكن كيف وصلنا إلى هذا المستوى؟ لفهم قدرة هذه النماذج، لنبدأ من الطريق الذي سلكه الذكاء الاصطناعي حتى اليوم.
كيف تطوّر الذكاء الاصطناعي
انتقل الذكاء الاصطناعي من أنظمة بسيطة تعمل بقواعد جاهزة، إلى نماذج لغوية كبيرة تفهم النص وتولّده بأسلوب بشري. وقد شكّل هذا المسار ثلاثة عوامل رئيسة: تسارع قدرة الحوسبة، وتوفّر البيانات بكميات ضخمة، وتطوّر أساليب تعلّم الآلة.
ويمكن تقسيم هذا التطوّر إلى ثلاث مراحل واضحة.
المرحلة الأولى: الذكاء الاصطناعي القائم على القواعد
- كان النظام يتبع قواعد مكتوبة مسبقًا بشكل صريح.
- لا يستطيع التعامل إلا مع ما قيل له حرفيًا — لا تعلّم ولا تعميم.
- مثال: ELIZA سنة 1966، وهو من أوائل برامج المحادثة، وكان يحاكي الحوار عبر ردود مُعدّة سلفًا.
المرحلة الثانية: تعلّم الآلة والتعلّم العميق
- بدأت الأنظمة تتعلّم من البيانات بدلًا من الاعتماد على قواعد ثابتة.
- أتاح ذلك تقدّمًا كبيرًا في التعرّف على الصور، ومعالجة الكلام، والتنبؤ.
- مثال: AlphaGo من Google سنة 2016، الذي هزم بطل العالم في لعبة Go بعد أن تعلّم أنماط اللعب من ملايين المواقف.
المرحلة الثالثة: الذكاء الاصطناعي التوليدي والنماذج اللغوية
- تجاوزت الأنظمة مرحلة التعرّف على الأنماط إلى إنتاج النصوص والصور بل والبرمجيات.
- مكّنت النماذج اللغوية الكبيرة مثل ChatGPT الذكاء الاصطناعي من الكتابة والتلخيص والمساعدة في البحث.
- مثال: ChatGPT سنة 2022، وهو نموذج لغوي يولّد نصًا يشبه النص البشري ويساعد في مهام متنوعة.
الجدول 1-1: مراحل تطوّر الذكاء الاصطناعي
| المرحلة | أبرز التطوّرات | القدرات | القيود |
|---|---|---|---|
| القائم على القواعد (الخمسينيات – الثمانينيات) | الذكاء الرمزي، أشجار القرار، الأنظمة الخبيرة | يتبع منطقًا محدّدًا سلفًا، وأتمتة قائمة على قواعد | لا يتعلّم، ويتعثّر مع البيانات غير المنظّمة |
| تعلّم الآلة (التسعينيات – 2010s) | الشبكات العصبية، التعلّم العميق، البيانات الضخمة | يتعلّم من البيانات، ويتعرّف على الأنماط، ويتحسّن بمرور الوقت | يحتاج بيانات موسومة كثيرة، وقدرته على الاستدلال محدودة |
| التوليدي والنماذج اللغوية (2020 – الآن) | بنية المحوّلات، التعلّم ذاتي الإشراف، التوليد | ينتج نصوصًا وصورًا وردودًا بأسلوب بشري، ويتكيّف مع مجالات مختلفة | قابل للتحيّز، وقد يولّد معلومات غير صحيحة، ويستهلك حوسبة هائلة |
لماذا تُعدّ النماذج اللغوية الكبيرة مهمة؟
إن استخدمت يومًا ChatGPT أو Google Gemini أو Claude أو LLaMA من Meta، فقد تعاملت بالفعل مع نموذج لغوي كبير. هذه النماذج دُرِّبت على كميات هائلة من النصوص، فصارت قادرة على فهم اللغة وتوليد ردود قريبة من الأسلوب البشري، والمساعدة في مهام مثل الكتابة والبرمجة والتلخيص.
ما الذي يمنح هذه النماذج قوّتها؟
- تتعلّم من بيانات هائلة. بخلاف الأنظمة القديمة التي اعتمدت على قواعد صارمة، تستخدم النماذج اللغوية التعلّم العميق لتحليل الأنماط وفهم السياق وتوليد ردود ملائمة.
- قابلة للتكيّف بدرجة عالية. فهي لا تصلح للمحادثة فقط، بل تُشغّل المساعدات الرقمية، وأدوات إنتاج المحتوى، وأنظمة دعم العملاء، ومساعدات البحث.
- تتحسّن باستمرار. مع كل جيل جديد من بنية المحوّلات تصبح النماذج أسرع وأدقّ وأكفأ في استهلاك الموارد.
- لها أثر فعلي في الواقع. تستخدمها قطاعات كثيرة لأتمتة المهام وتحسين خدمة العملاء ودعم القرار. شركات مثل Microsoft و Google و IBM دمجتها في عملياتها، بينما جعلت مشاريع مفتوحة المصدر مثل Hugging Face Transformers هذه التقنية في متناول المطوّرين.
كيف تغيّر هذه النماذج قواعد اللعبة
تتولّى النماذج اللغوية الكبيرة مهامًا معقّدة كانت تتطلّب ذكاءً بشريًا، فتُبسّط سير العمل، وتدعم اتخاذ القرار، وتمكّن المؤسسات من العمل بسرعة أكبر. يعرض الجدول 1-2 أمثلة على استخداماتها في قطاعات مختلفة.
الجدول 1-2: أمثلة على استخدام النماذج اللغوية الكبيرة في القطاعات
| القطاع | كيف تُستخدم النماذج اللغوية |
|---|---|
| الرعاية الصحية | مساعدة الأطباء في البحث، وتوثيق حالات المرضى، واقتراح خطط علاجية مخصّصة. |
| التمويل | كشف الاحتيال، والتحليل المالي، ودعم العملاء عبر أنظمة المحادثة. |
| التعليم | تجارب تعلّم مخصّصة، وتصحيح آلي، ودعم تعليمي فردي. |
| التسويق والإعلام | إنتاج الإعلانات ومنشورات التواصل الاجتماعي، وتوصيات المحتوى. |
| القانون والامتثال | تحليل العقود، والبحث القانوني، ومتابعة الامتثال التنظيمي. |
النماذج اللغوية الكبيرة مقابل الذكاء الاصطناعي التقليدي
سؤال يتكرّر كثيرًا: ما الفرق بين النماذج اللغوية الكبيرة والذكاء الاصطناعي التقليدي؟
أنظمة الذكاء الاصطناعي التقليدية صُمِّمت لأداء مهمة واحدة محدّدة بقواعد أو نماذج ثابتة — مثل كشف الاحتيال، أو تصفية الرسائل المزعجة، أو لعب الشطرنج. وهي تحتاج إلى بيانات منظّمة، وجهد كبير في وسم البيانات، ومنطق محدّد سلفًا لتعمل بشكل صحيح.
أما النماذج اللغوية الكبيرة فهي نوع من النماذج التأسيسية: نظام قوي دُرِّب على بيانات ضخمة، فصار قادرًا على أداء مهام متعدّدة دون إعادة بنائه لكل مهمة. وهي تتفوّق في المهام المرتبطة بالنص — التلخيص، والتوليد، والتصنيف — كلها داخل النموذج نفسه. وقدرتها على فهم السياق وتوليد ردود طبيعية تجعلها أكثر مرونة وقابلية للتكيّف من الذكاء الاصطناعي التقليدي.
يوضّح الشكل 1 هذا الفرق:
- النموذج اللغوي الكبير (النموذج التأسيسي) يستطيع التعامل مع مهام نصّية متعدّدة في الوقت نفسه، وهذا ما يجعله متعدّد الاستخدامات.
- الذكاء الاصطناعي التقليدي مخصّص لمهمة واحدة، أي أنه يركّز على وظيفة واحدة مثل تصنيف النصوص.
ولزيادة التوضيح، يقدّم الجدول 1-3 مقارنة مباشرة تفصّل الفروق في أسلوب التدريب، والقدرة على التكيّف، وطبيعة التفاعل.
الجدول 1-3: مقارنة بين الذكاء الاصطناعي التقليدي والنماذج اللغوية الكبيرة
| الخصيصة | الذكاء الاصطناعي التقليدي | النماذج اللغوية الكبيرة |
|---|---|---|
| أسلوب التدريب | يحتاج بيانات موسومة | يتعلّم من نص خام دون وسم |
| القدرات | مخصّص لمهمة واحدة (لعب الشطرنج، كشف الاحتيال) | عام الاستخدام (الكتابة، الإجابة عن الأسئلة، البرمجة) |
| الوعي بالسياق | محدود ولا يمتد لأكثر من مدى قصير | يتابع محادثات طويلة ويفهم المعنى في سياقه |
| القدرة على التكيّف | ثابت على مهمة واحدة | يمكن ضبطه بدقّة لمجالات متعدّدة |
| التفاعل مع المستخدم | منظّم ومحدود بقوائم جاهزة | حواري ومرن وردوده متغيّرة حسب الطلب |
مثال تطبيقي: الفرق في العمل الفعلي
في الذكاء الاصطناعي التقليدي:
- نظام مصرفي يكشف الاحتيال بتمييز أي عملية تتجاوز حدًّا ماليًا معيّنًا.
- يتبع قواعد ثابتة، وقد ينبّه خطأً إذا أجرى العميل عملية كبيرة لكنها مشروعة.
مع نموذج لغوي كبير:
- يحلّل النموذج العمليات ويقرأ السياق، فيتعرّف على أنماط النشاط المشبوه مع تقبّل التغيّرات المشروعة في سلوك الإنفاق.
- ويستطيع كذلك صياغة تفسير لسبب تمييز عملية معيّنة، وهذا يحسّن التعاون بين الإنسان والنظام.
أهم ما نخرج به من هذا الفصل
- انتقل الذكاء الاصطناعي من قواعد مكتوبة سلفًا إلى نماذج تتعلّم بنفسها، فتولّد النص وتفهم السياق وتستدل عليه.
- غيّرت النماذج اللغوية الكبيرة قواعد اللعبة، فأصبح الذكاء الاصطناعي قادرًا على المساعدة في الكتابة والتلخيص والتحليل وأتمتة سير عمل معقّد.
- بخلاف الذكاء الاصطناعي التقليدي المخصّص لمهمة واحدة، هذه النماذج متعدّدة الاستخدامات وقابلة للتكيّف، فتصلح لمجالات كثيرة.
- هذه النماذج هي الأساس الذي تُبنى عليه وكلاء الذكاء الاصطناعي، القادرين على التخطيط واستخدام الأدوات وتنفيذ الخطوات بدرجة من الاستقلالية.
في الفصل التالي ننتقل إلى ما يجري داخل هذه النماذج: ما هو الذكاء الاصطناعي التوليدي، وكيف تعمل الشبكات العصبية والتعلّم العميق، ولماذا أحدثت بنية المحوّلات هذا الفارق الكبير. وسنوضّح كذلك الفرق بين النموذج المدرَّب مسبقًا والنموذج المضبوط بدقّة، بلغة بعيدة عن التعقيد.