المؤلف: كريستوف الياجا - الثلاثاء 18 فبراير 2025

الذكاء الاصطناعي: فهم وإدراك الذكاء الاصطناعي المعاصر

وقت القراءة: > 1 ساعة.

يتم تعريف الذكاء الاصطناعي (AI) عادةً على أنه مجموعة من التقنيات والأنظمة الحاسوبية القادرة على محاكاة العمليات المعرفية البشرية بالاعتماد على خوارزميات التعلم الآلي. ومع ذلك، فإن هذا التعريف الغامض والمربك والمحدود بالفعل ينحصر اليوم في نطاق نموذج اللغة الكبير (LLM)، والذي يشكل في العقل الجماعي الذكاء الاصطناعي. وهو ما يولد المزيد من الارتباك ويعزز المسلمات العقائدية التي يجب علينا الهروب منها تمامًا، لأنها تقودنا إلى فقدان السيطرة.

ولكي نفهم تحديات الغد بشكل أفضل، يتعين على الجميع أن يعرفوا كيفية التمييز بين الفروق الدقيقة التي يدمجها كل تعريف مرتبط بالذكاء الاصطناعي في بيانه، من أجل التمييز بين الحقيقة في الضوضاء المعلوماتية المتواصلة.

ولكي نصل إلى هناك، يتعين علينا أن نبدأ بتذكر تاريخ الذكاء الاصطناعي، الذي كان منذ الخمسينيات من القرن العشرين قائما على وعود لا أساس لها من الصحة. ولكن حتى في ذلك الوقت، كانت التطورات التي اعتبرت مذهلة سبباً في نشوء حالة من الاضطراب غير المسبوق في التوقعات، والتي أفسحت جميعها، دون استثناء، المجال للإحباط، مما أدى إلى فترة من التجلد تعرف باسم شتاء الذكاء الاصطناعي.

واليوم نشهد نفس الظاهرة، إلا أن الذكاء الاصطناعي، هذه المرة، سوف يغير وجه العالم حقاً.

في هذه المقالة، سنعمل على إزالة الغموض عن كل مفهوم، للتنقل بشكل أكثر وضوحًا في فضاء مشوش بسبب الخطاب المفرط الذي يعتمد على الارتباك.

تاريخ الذكاء الاصطناعي

يمتد تاريخ الذكاء الاصطناعي على مدى عدة عقود، ويتميز بلحظات رئيسية ساهمت في تشكيل تطوره وتكامله في حياتنا اليومية.

الذكاء الاصطناعي المبكر (خمسينيات القرن العشرين)

في خمسينيات القرن العشرين، اقترح رائد علوم الكمبيوتر آلان تورينج اختبار تورينج الشهير، وهو مقياس لذكاء الآلة. يهدف هذا الاختبار إلى تقييم قدرة الآلة على تقليد السلوك البشري بطريقة لا يمكن تمييزها.

مؤتمر دارتموث 1956

وقد جمع مؤتمر دارتموث عام 1956 باحثين مشهورين مثل جون مكارثي، ومارفين مينسكي، وكلود شانون، الذين وضعوا معًا أسس هذا المجال. وهم يثيرون أسئلة أساسية حول قدرة الآلات على محاكاة الذكاء البشري. ولا يقتصر هذا اللقاء على تبادل الأفكار؛ وهو يجسد رؤية جماعية لمستقبل حيث لا تستطيع أجهزة الكمبيوتر أداء المهام فحسب، بل أيضًا التعلم والتكيف.

تطوير برامج الذكاء الاصطناعي الأولى (ستينيات القرن العشرين)

وفي ستينيات القرن العشرين، ظهرت برامج الذكاء الاصطناعي الأولى، مثل برنامج ELIZA، الذي قام بمحاكاة محادثة علاجية من خلال تقليد طبيب نفساني. ويوضح هذا التقدم قدرة الآلات على التفاعل مع البشر، وإن كان على مستوى بدائي. وفي الوقت نفسه، يوضح برنامج SHRDLU، وهو برنامج آخر، فهم اللغة الطبيعية من خلال التفاعل مع بيئة كتلة. وتولد هذه التطورات الأولية قدرًا كبيرًا من الإثارة كما نشهده اليوم، منذ إطلاق ChatGPT في أواخر عام 1960.

أيه آي وينترز (سبعينيات وثمانينيات القرن العشرين)

وقد شهدت العقود التالية، وخاصة سبعينيات وثمانينيات القرن العشرين، تباطؤاً ملحوظاً، أطلق عليه اسم "شتاء الذكاء الاصطناعي". يشير هذا المصطلح إلى فترة من الإحباط حيث ينخفض ​​الاهتمام والتمويل لمشاريع الذكاء الاصطناعي، بسبب الوعود غير المحققة والنتائج المخيبة للآمال. إن التوقعات العالية للباحثين لم يتم تلبيتها، مما يؤدي إلى انتكاسات تؤثر على مصداقية المجال.

نهضة الذكاء الاصطناعي باستخدام الشبكات العصبية (1980-1990)

في مواجهة القيود التي فرضتها الأساليب الرمزية والمنطقية التي سيطرت على العقود السابقة، يستكشف الباحثون آفاقًا جديدة واعدة: التعلم الآلي والشبكات العصبية.

يعتمد هذا التحول النموذجي على فكرة أن الآلات يمكنها التعلم من تلقاء نفسها من البيانات، دون أن يتم برمجتها صراحةً. تمكن خوارزميات التعلم الآلي الأنظمة من تحديد الأنماط والعلاقات في مجموعات البيانات الكبيرة، مما يمهد الطريق لتطبيقات أكثر مرونة وقدرة على التكيف.

يشكل هذا التحول النموذجي الأساس لظهور التعلم العميق والذكاء الاصطناعي الحديث، والذي من شأنه أن يحول العديد من الصناعات في العقود القادمة.

وسوف يكون هذا النمو مدفوعا بحدث واحد على وجه الخصوص، عندما تغلب ديب بلو على بطل الشطرنج غاري كاسباروف في عام 1997. ورغم أن ديب بلو لا يعتمد على التعلم الآلي، فإن نجاحه يساهم إلى حد كبير في تحفيز الاهتمام والاستثمار الجديد في الذكاء الاصطناعي، الذي يدمج الآن نموذج التعلم العميق والشبكات العصبية.

لقد أصبح نموذج التعلم العميق والشبكات العصبية الآن متغلغلًا في قطاع الذكاء الاصطناعي

التطورات الحديثة في مجال الذكاء الاصطناعي (2000-2020)

لقد تميز العقدان التاليان، من عام 2000 إلى عام 2020، بالتطبيق المكثف للذكاء الاصطناعي في مختلف المجالات. إن دمج أنظمة التعرف على الصوت والوجه في منتجات شركات مثل Google وApple يؤدي إلى إحداث ثورة في الطريقة التي ينظر بها الناس إلى التكنولوجيا ويستخدمونها في حياتهم اليومية. إن ديمقراطية الذكاء الاصطناعي هي نتيجة مباشرة للتقدم المحرز في مجال التعلم الآلي والشبكات العصبية على مدى العقود السابقة.

إن استغلال الذكاء الاصطناعي من قبل منصات البث مثل Netflix وAmazon في أنظمة التوصيات الخاصة بها هو أيضًا نتيجة مباشرة لقدرة خوارزميات التعلم على تحديد الأنماط والعلاقات في مجموعات البيانات الكبيرة. من خلال تحليل سلوكيات المشاهدة والتفضيلات الفردية، تتمكن أنظمة الذكاء الاصطناعي هذه من تقديم محتوى مخصص، مما يعزز الاحتفاظ بالمستخدمين ورضاهم.

ويؤدي نجاح هذا النموذج التوصية أيضًا إلى تحول عميق في استهلاك المحتوى وتصميم العرض من قبل الشركات. ويعتبر ظهور تطبيق تيك توك، الذي يعتمد بشكل كبير على خوارزميات التوصية، مثالاً واضحاً على تأثير هذا النهج.

إن هذه التطورات في مجال الذكاء الاصطناعي، والتي أصبحت ممكنة بفضل التحول النموذجي نحو التعلم الآلي والشبكات العصبية، لها آثار عميقة على العديد من جوانب الحياة اليومية وممارسات الأعمال. إنهم يمهدون الطريق لعصر جديد حيث يصبح الذكاء الاصطناعي حاضرا في كل مكان ويغير المجتمع بشكل عميق.

أصبحت نماذج الذكاء الاصطناعي التي تعمل على الشبكات العصبية والتعلم العميق منتشرة في كل مكان، ولكنها تظل غير مرئية لعامة الناس.

2023: كل شيء يتسارع

يعد ظهور ChatGPT في نوفمبر 2022 جزءًا من التحول النموذجي المستمر نحو الشبكات العصبية والتعلم العميق. ويأتي هذا الاختراق الكبير نتيجة مباشرة للتقدم المحرز في مجال معالجة اللغة.

لا يقتصر ChatGPT على إنشاء النص فحسب؛ ويعد هذا التطبيق بأن يكون مساعدًا افتراضيًا قادرًا على الحوار بسلاسة وفعالية في سياقات مختلفة.

وهو يحمل في أعقابه الأمل في الذكاء العام الاصطناعي ويفتح الطريق نحو الذكاء الاصطناعي الفائق.

لكن هذه وجهات النظر الجديدة، التي توفرها القدرة على الحوار مع النظام، تواجه الإنسانية بأسئلة ظلت دون إجابة حتى الآن.

ومن ناحية أخرى، فإن هذه البساطة الظاهرية التي تقدمها اللغة في التوسط في العمل (عبر الآلة) سرعان ما أفسحت المجال لتعقيد غير متوقع، مما يعيق مرة أخرى التبني الواسع النطاق.

إن الحماس، على الرغم من قوته الشديدة، لا يزال محصوراً في البيئة الرقمية التي تواجه تشبعاً مقلقاً من المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي ومشاكل لا حصر لها، مثل التوافق والتنظيم والأمن والسيادة وما إلى ذلك.

يتجه قطاع الذكاء الاصطناعي الآن نحو نموذجي AGI و ASI.

2025: تعزيز اعتماد الذكاء الاصطناعي على الرغم من المخاطر

تميزت بداية عام 2025 بتسارع جديد، حفزته حدثان.

أولا، أدى صعود دونالد ترامب إلى السلطة إلى تحرير استخدام الذكاء الاصطناعي بشكل جذري من خلال أمر تم توقيعه في 23 يناير/كانون الثاني 2025، بهدف استعادة هيمنة الولايات المتحدة في مجال الذكاء الاصطناعي من خلال إزالة السياسات القائمة التي تعتبر عقبات أمام الابتكار. وبعد ذلك، قام ترامب بإضفاء الطابع الرسمي على مشروع ستارجيت، من خلال استثمار ضخم مخطط له بقيمة 500 مليار دولار، مما يجعل الذكاء الاصطناعي أولوية وطنية.

ثانياً، بعد أيام قليلة من هذه الإعلانات والقرارات، أدى ظهور الذكاء الاصطناعي الصيني (DeepSeek) إلى إحداث ثورة في القطاع من خلال تقديم حلول أكثر كفاءة بتكلفة أقل من القادة الأميركيين في هذا القطاع.

لقد أدى هذا التطور إلى إحداث حالة من الاضطراب في صناعة الذكاء الاصطناعي، مما كشف عن قضايا القوة والسياسة الرئيسية. وأثارت البيانات، التي أُرسلت بعد ذلك إلى الصين، مخاوف بشأن السيادة والأمن، حيث تساعد مثل هذه الممارسات في نشر الرواية الصينية. وقد اقترح البعض بعد ذلك قوانين لحظر استخدام وتنزيل هذا الذكاء الاصطناعي الصيني، واقترحوا عقوبات بالسجن تصل إلى 20 عامًا لمجرد تنزيل نموذج الذكاء الاصطناعي.

في مواجهة هذه الديناميكية حيث يسود الارتباك بالفعل في التعريفات، يصبح الفهم الجيد لما هو الذكاء الاصطناعي أمرًا بالغ الأهمية، لأنه بالإضافة إلى الارتباك في التعريفات، هناك أيضًا ارتباك حول آثاره في حين يتم اتخاذ مخاطر كبيرة بشكل متزايد. ومن ثم فإن الحاجة إلى التأمل الأخلاقي والسياسي بشأن استخدام الذكاء الاصطناعي أصبحت ملحة.

ولكن للقيام بذلك، نحتاج إلى فهم ما نتحدث عنه، وما هي التطورات التي أوصلتنا إلى حيث نحن الآن.

التركيز على تطور النماذج الحديثة للذكاء الاصطناعي

يوضح لنا الجدول الزمني للتطورات نقطة التحول في الثمانينيات والتسعينيات عندما أصبحت الشبكات العصبية والتعلم الآلي مركزية تدريجيًا.

ويتزامن نهاية شتاء الذكاء الاصطناعي مع "إعادة التركيز" هذه، والتي ستتلقى في وقت لاحق من عام 2006 الضوء من خلال عمل جيفري هينتون ومسابقة ImageNet التي ستعيد إحياء الاهتمام بالذكاء الاصطناعي حقا.

• • 2006: نشر جيفري هينتون بحثًا عن التعلم العميق، مما أحدث ثورة في مجال الذكاء الاصطناعي.
  • 2012: فازت الشبكة العصبية التلافيفية AlexNet بمسابقة ImageNet، مما مهد الطريق للتعرف البصري المتقدم.

ثم إنه في 2017في استمرارية هذا النهج للذكاء الاصطناعي، فإن الهندسة المعمارية محول، تم تقديمه بواسطة Vaswani et al. في المنشور، يحدث ثورة في معالجة اللغة الطبيعية من خلال قدرته على إدارة التبعيات طويلة المدى في النص.

في هذه العملية، من 2018بدأت شركة OpenAI في صنع التاريخ من خلال النشر GPT (المحول المُدرَّب المُولَّد)، وهو نموذج يعتمد على الهندسة المعمارية محول والتي تظهر نتائجها ميلًا إلى التحسن بشكل متناسب مع كمية البيانات وعرض النموذج.

ولادة نموذج جديد: التوسع يصنع الذكاء

وسيتبع ذلك تقدمات تؤكد في كل مرة أن زيادة حجم النموذج ومجموعة البيانات تعمل على تحسين الاتساق وملاءمة الاستجابات الناتجة.

• 2019 :تطوير GPT-2 كشفت OpenAI عن GPT-2 مع 1,5 مليار معلمة، مما يدل على أن زيادة حجم النموذج ومجموعة البيانات يحسن الاتساق وملاءمة الإجابات الناتجة.

لقد أصبح الوصول إلى كميات هائلة من البيانات من الإنترنت أمراً بالغ الأهمية لزيادة الحجم وبالتالي الذكاء.

• 2020 إطلاق GPT-3 يثبت GPT-3، مع 175 مليار معلمة، مرة أخرى أن المزيد من البيانات وقوة الحوسبة يمكن أن تغطي مجموعة أوسع من المهام اللغوية، مع أداء مثير للإعجاب في المهام المعقدة مع أمثلة قليلة.
• 2021 :دراسات حول قوانين التحجيم. إن الأبحاث، مثل تلك التي أجراها كابلان وآخرون، تعمل على صياغة مفهوم مفاده أن أداء نماذج اللغة يستمر في النمو مع الزيادات الهائلة في البيانات والمعلمات، مع تحسين التكاليف الحسابية.

تأكيد النموذج بناءً على حجم البيانات وحجم النموذج وقوة الحوسبة.

• 2022-2023 :التطبيقات والتطورات المستمرة.
  وتستمر الصناعة والأبحاث في تعزيز أسس هذا النموذج الكمي، والتعمق في مجالات مثل معالجة الكلمات، والترجمة الآلية، وتوليد المحتوى. وسوف يؤدي هذا إلى ظهور نماذج أكثر كفاءة وذكاءً، مما يؤكد في كل مرة أن زيادة حجم البيانات وحجم النماذج هي استراتيجية فعالة وموثوقة.

وفي الوقت نفسه، يتم ملاحظة التأثيرات القطاعية

إلى جانب المسار المحدد الذي اتخذته نماذج المحولات، تؤكد التطورات الأخرى أهمية الشبكات العصبية والتعلم الآلي. وتثبت هذه التقنيات قيمتها في العديد من القطاعات، وتساعد تدريجيا ولكن بثبات في التحضير لظهور الذكاء الاصطناعي.

تطبيقات الذكاء الاصطناعي في الرعاية الصحية:

• 2015 :أطلقت شركة IBM برنامج Watson Oncology، وهو نظام دعم القرار لأخصائيي الأورام.
  • تحليل السجلات الطبية باستخدام التعلم الآلي والبرمجة اللغوية العصبية.
  • يساعد في تشخيص وعلاج السرطان.
• 2016 :تطور شركة Google DeepMind خوارزمية للكشف عن أمراض العيون من خلال عمليات مسح شبكية العين.
  • الكشف عن طريق الشبكات العصبية التلافيفية (CNN).
  • التعلم العميق لتحليل عمليات مسح شبكية العين.
• 2018 :وافقت إدارة الغذاء والدواء الأمريكية على IDx-DR، وهي خوارزمية الذكاء الاصطناعي لتشخيص اعتلال الشبكية السكري دون تدخل بشري.
  • استخدام CNN والتعلم العميق.
  • تحليل صور الشبكية.
• 2020 :الذكاء الاصطناعي في مواجهة جائحة كوفيد-19
  • يتم استخدام الذكاء الاصطناعي على نطاق واسع لمعالجة جائحة كوفيد-19، بدءًا من تتبع انتشارها وحتى تطوير العلاجات.
  • تتبع انتشار الفيروس.
  • تطوير العلاجات.
  • تقنيات التعلم الآلي: الشبكات العصبية، تحليل البيانات.

التطبيقات في التمويل:

• 2009 :بدأت المؤسسات المالية بتجربة التعلم الآلي للكشف عن الاحتيال.
  • الخوارزميات الخاضعة للإشراف: أشجار القرار والشبكات العصبية
  • الأدوات الناشئة: scikit-learn، H2O.ai
• 2015 :يشهد التعلم العميق ازدهارًا في التداول الخوارزمي وتحليل الأسواق المالية.
  • تعميم الشبكات العصبية المتكررة لتحليل السلاسل الزمنية
  • ديمقراطية المكتبات: Keras و TensorFlow
• 2018 :تبرز الذكاء الاصطناعي كمحرك للتحول في الخدمات المالية.
  • جي بي مورجان تشيس يطلق COiN: NLP وML لتحليل العقود
  • تحسين تقنيات معالجة اللغة الطبيعية: word2vec، BERT
  • انتشار المكتبات المتخصصة: spaCy، Hugging Face
  • تعميم مكتبات Python للتعلم الآلي

التحول التسويقي:

• 2010 :تستخدم أمازون خوارزميات التعلم الآلي لتقديم توصيات مخصصة للغاية لعملائها، مما يبشر بعصر جديد من التجارة الإلكترونية.
  • استخدام التصفية التعاونية والشبكات العصبية
  • تحليل سجلات الشراء وسلوكيات المستخدم
• 2015 :يستخدم Facebook التعلم الآلي وتحليلات البيانات لفهم اهتمامات المستخدمين وسلوكياتهم، مما يتيح استهداف الإعلانات بدقة لا مثيل لها.
  • تحليل التفاعلات والإعجابات والمشاركات
  • تقسيم دقيق لجمهور الإعلان
  • تحسين الحملة في الوقت الفعلي
• 2018 :تتخذ شركة علي بابا الخطوة التالية باستخدام الشبكات العصبية المتكررة وتقنيات معالجة اللغة الطبيعية لإنشاء أوصاف المنتجات وحملات التسويق تلقائيًا.
  • إنشاء نصوص مقنعة ومحددة للمنتج
  • تخصيص الرسائل بناءً على تفضيلات العملاء
  • تحسين أداء الحملة من خلال التعلم المستمر

التطبيقات في الخدمات اللوجستية:

• 2012 :أمازون تحوّل مستودعاتها إلى مستودعات آلية من خلال الاستحواذ على Kiva Systems
  • استخدام خوارزميات التعلم المعزز والشبكات العصبية
  • الملاحة المستقلة والتلاعب الدقيق بالأشياء
  • تحسين عمليات التخزين وإعداد الطلبات
• 2016 :DHL تنشر روبوتات تعاونية ومركبات ذاتية القيادة
  • استخدام تقنيات التعلم الآلي والشبكات العصبية
  • التعاون السلس بين الروبوتات والمشغلين البشريين
  • تحسين تدفقات البضائع وتقليل الأخطاء
• 2019 :UPS تحصل على موافقة إدارة الطيران الفيدرالية لتسليم الطائرات بدون طيار
  • استخدام التعلم الآلي لتخطيط المسار واكتشاف العوائق
  • الملاحة المستقلة واتخاذ القرارات في الوقت الحقيقي
  • تحسين المسار وتقليل أوقات التسليم

إن الجمع بين هذه النجاحات في التطبيقات لم يؤهل الشركات لركوب موجة نماذج المحولات فحسب، بل وأيضًا عامة الناس، الذين، دون أن يدركوا ذلك، كانوا يواجهون بالفعل الشبكات العصبية والتعلم الآلي على أساس يومي.

وهكذا، بينما كان نموذج الشبكات العصبية والتعلم الآلي يترسخ في جميع الاتجاهات، كان نموذج الذكاء من خلال توسيع نماذج المحولات يثبت قيمته أيضًا بالتوازي.

2023: GPT-3 يعيد تعريف مفهوم الذكاء الاصطناعي

لقد كان إطلاق GPT-3 في أواخر عام 2022 بمثابة نقطة تحول رئيسية، حيث أعاد تعريف مفهوم الذكاء الاصطناعي في أذهان الجمهور.

وتتوالى الوعود والتكهنات من كل حدب وصوب، مما يثير المخاوف من استبدال العمل البشري بالآلات على الفور. وظهرت الشائعات والأوهام، التي تذكرنا بإثارة الخمسينيات، ولكن مع فارق ملحوظ واحد: أصبح الذكاء الاصطناعي الآن في متناول عامة الناس، بتكلفة منخفضة، وقادر على التواصل بسلاسة وسرعة.

وهذا ليس تفصيلاً، لأن تبادل الكلمات يشكل العامل الوسيط بامتياز بين الإنسان والآلة، والعامل النهائي للإنتاجية والكفاءة والأهمية.

في الواقع، يمكن لنموذج المحول أن يؤدي معظم المهام التي تقوم بها جميع أنواع الذكاء الاصطناعي الأخرى، ولكن مع قدرة تفكير إضافية، مما يجعل من الممكن تصور الاستقلالية والأتمتة المدفوعة إلى أقصى الحدود.

ويتضمن ذلك تطبيقات حساسة (الصحة والدفاع والمالية) ملموسة وقابلة للنشر على المدى المتوسط، مما يعطي المزيد من الاهتمام للقطاع، والذي يمكنه بعد ذلك الرهان على الذكاء الاصطناعي العام.

خيبة الأمل من تعقيد اللغة

لكن النشوة الأولية سرعان ما تحولت إلى خيبة أمل جديدة مرة أخرى. لقد تبين أن استخدام الكلمات في التعليمات الموجهة إلى الآلة كان أكثر تعقيدًا مما بدا. لقد فرضت التفاصيل الدقيقة للغة البشرية، مع فروقها الدقيقة، وغموضها، وسياقاتها المتنوعة، تحديات كبيرة على نماذج الذكاء الاصطناعي. وعلى الرغم من قدرتها على توليد استجابات مثيرة للإعجاب، فقد أظهرت هذه الأنظمة قيودًا في فهم المعنى والقصد العميق وراء الكلمات.

ظهور المهندسين الفوريين

وللتغلب على هذه الصعوبات، ظهرت مهنة جديدة وهي مهنة المهندس الفوري. وقد كرس هؤلاء المتخصصون أنفسهم لفن صياغة تعليمات دقيقة وفعالة لتوجيه نماذج الذكاء الاصطناعي. وقد أثبتت خبرتهم أهميتها في الحصول على نتائج ذات صلة ومتسقة. ومع ذلك، أدت هذه الطبقة الجديدة من الخبرة أيضًا إلى زيادة تكلفةتكامل الذكاء الاصطناعي في العمليات الحالية، مما يقلل من الجاذبية الأولية لهذه التكنولوجيا.

2023 – 2024: توسيع التعريف الجديد لـ "الذكاء الاصطناعي"

كانت التطورات في نماذج المحولات تقتصر في البداية على قدراتها في المهام النصية، مثل تحليل النصوص، وتصحيحها، وتوليد المحتوى. ومع ذلك، ظهرت العديد من النماذج الجديدة من قبل مختلف اللاعبين في الصناعة، مما أدى إلى خلق منافسة شديدة على الفرص والأسواق.

لقد حفزت هذه المنافسة تطوير الميزات المتقدمة وأساليب الاستخدام المبتكرة، مما أدى إلى ظهور نماذج المحولات متعددة الوسائط. وهي تسمح، من خلال تعليمات نصية، بإنشاء صور ومقاطع فيديو، وعلى العكس من ذلك، بنقل الصور إلى نص أو تحويل مقطع فيديو إلى نص.

البعد الغامر لمفهوم الذكاء الاصطناعي

وقد اكتسب تعريف الذكاء الاصطناعي بعدًا غامرًا، إذ يمزج بين النص والصورة والصوت والفيديو. ومع ذلك، يظل مفهوم الذكاء الاصطناعي مرتبطًا ارتباطًا وثيقًا بنماذج GPT (المحول المولد المدرب مسبقًا)، والتي تعد المفتاح لهذه الاحتمالات. على سبيل المثال، الإجراءات مثل "النص إلى صورة" أو "النص إلى فيديو" تعتمد على اللغة. حتى تحليل الصورة، على الرغم من أنه ليس نصيًا في البداية، يجب تفسيره بواسطة محول لإنتاج نتيجة نصية.

وينطبق هذا النهج على العديد من التطبيقات الأخرى، مثل البرمجة النصية، والتلخيص التلقائي، وإنشاء مواقع الويب أو مستندات PDF، وغيرها الكثير، في كلا الاتجاهين. ومع ذلك، فإن التركيز على التعددية الوسائطية يميل إلى نسيان أن كل هذا يعتمد على الكلمات، وهي الأدوات التي يستخدمها البشر لإعطاء التعليمات للآلات. وهو ما سيشكل حتما مشكلة وسيعمل على إعادة تعريف معالم ما يثيره الذكاء الاصطناعي.

علاوة على ذلك، يتضمن هذا التعريف أيضًا مفاهيم سياسية.

2025: تعريف الذكاء الاصطناعي يتضمن بعدا جيوسياسيا

وأثار الوصول الدرامي لشركة DeepSeek إلى السوق مخاوف متزايدة بين المراقبين، الذين يرون هذا الابتكار بمثابة خطر أمني كبير، وخاصة في الولايات المتحدة. ويتعلق هذا الخطر بالسيادة، لأن معالجة بيانات المستخدمين الأميركيين تعتمد على قبول شروط الاستخدام. وبعبارة أخرى، فإن الموافقة الضمنية للمستخدمين تفتح الباب أمام استغلال الصين لمعلوماتهم الشخصية.

وعلاوة على ذلك، فإن توفر أحدث نموذج استدلال من DeepSeek، المرخص من قبل معهد ماساتشوستس للتكنولوجيا والذي يتفوق على الذكاء الاصطناعي الخاص بشركة OpenAI، يزيد من المخاوف بشأن الهجوم على السيادة المعرفية. وتتفاقم هذه المخاوف بسبب وجود رواية أساسية مرتبطة بالصين، مما يعزز تصور التهديد.

وتذهب بعض الأصوات، مثل صوت السيناتور جوش هاولي، إلى حد اقتراح تدابير صارمة، مثل الحظر التام على تنزيل برنامج DeepSeek AI، والنظر في فرض عقوبات بالسجن على أي شخص يجرؤ على استخدامه أو تنزيله.

ومع ذلك، فإن استخدام نموذج الذكاء الاصطناعي، حتى لو كان أجنبيا، عندما يكون معزولا، ومستضافا على إقليم ذي سيادة ويتم تشغيله بواسطة شركة محلية، لا يؤدي بالضرورة إلى تبادل البيانات. وهو ما يؤكد أن القلق الحقيقي هو بشأن التخريب الذي قد يولده السرد المرتبط بالنموذج.

لا يزال بعض الناس يقللون من أهمية هذا الخطر الدقيق، ولكن المهم بنفس القدر، ولكنه حقيقي للغاية ويميل إلى التكامل في تعريف الذكاء الاصطناعي، الذي يعد أيضًا أداة سياسية للقوة الناعمة والتخريب، أو بعبارة أخرى، سلاح.

من ناحية أخرى، تعرضت شركة Meta لانتقادات بسبب نشرها إصدارات مفتوحة المصدر من نموذج Llama AI الخاص بها. لقد تم استخدام الأخير على نطاق واسع من قبل مهندسي DeepSeek لتصميم نموذج الذكاء الاصطناعي الخاص بهم، لذلك يرى البعض أن نهج Meta Group مفتوح المصدر بمثابة خيانة وطنية.

وهذا يوضح كيف أن تعريف الذكاء له أبعاد لا حصر لها، وهي تتطور باستمرار.

وهكذا، فإن تطور نماذج الذكاء الاصطناعي يؤثر على تعريفاتها المختلفة ويعدلها باستمرار، على مدار الوظائف، وتطورات الخوارزميات، ولكن أيضًا وفقًا لمستوى التهديد المتصور على المستوى الجيوسياسي.

الآن بعد أن ألقينا الضوء على تطور نماذج الذكاء الاصطناعي، من أجل تخفيف المفاهيم التي يتضمنها في تصوره، يمكننا أن نتوقف بهدوء عند التعريفات التقنية المختلفة للذكاء الاصطناعي من أجل فهم أفضل للاضطرابات العميقة التي تنطوي عليها نماذج المحولات وأسلافها متعددة الوسائط.

العودة إلى الأساسيات: التعريفات التقليدية للذكاء الاصطناعي

يتم تعريف الذكاء الاصطناعي (AI) بشكل عام على أنه أنظمة قادرة على التعلم والتكيف مع المواقف الجديدة. الذي يشمل عددًا لا نهائيًا من التعريفات الأساسية، وهو مصدر للارتباك.

لفهم أفضل، سنناقش تعريف الذكاء الاصطناعي من خلال هدفيها الرئيسيين ما هي تنبؤ et أتمتة.

الذكاء الاصطناعي هو أداة للتنبؤ من البيانات: مفيدة بشكل خاص في مجالات مثل التمويل أو الدفاع أو الصحة.

الذكاء الاصطناعي هو الحل لأتمتة المهام المعقدة لتحسين الكفاءة والابتكار.

ويتم تنفيذ هذين الهدفين من خلال قدرة الذكاء الاصطناعي على معالجة كميات هائلة من البيانات، واستخراج المعلومات اللازمة للتنبؤ والأتمتة.

الذكاء الاصطناعي للتنبؤ

نقطة البداية لأي تنبؤ هي البيانات، ويجب أن تكون البيانات ضخمة حتى يكون لها تأثير كبير.

يتطلب هذا نهجًا محددًا، يسمى التعلم غير الخاضع للإشراف، والذي يسمح لنا بالاستكشاف والكشف هياكل مخفيةضمن مجموعات البيانات.

بناء الارتباطات مع التعلم غير الخاضع للإشراف

يعد التعلم غير الخاضع للإشراف مفيدًا بشكل خاص في السياقات التي لا تتوفر فيها تسميات الفئات (فئات التصنيف)، مما يسمح لأنظمة الذكاء الاصطناعي باستكشاف البيانات بشكل مستقل.

الأساليب:

هناك طريقتان بارزتان في هذا المجال: التجميع وتخفيض الأبعاد.

طريقة التجميع

تهدف عملية التجميع أو التجميع إلى تنظيم مجموعة من البيانات في مجموعات بناءً على خصائص متشابهة.

تقنية التجميع

يتم استخدام العديد من التقنيات لإنجاز هذه المهمة:

• K- الوسائل :تعمل هذه التقنية على تجميع البيانات المتشابهة معًا لتحديد المجموعات الطبيعية. من خلال تحديد عدد محدد مسبقًا من المجموعات، يقوم K-Means بتعيين نقاط البيانات إلى الفئة الأقرب، مما يساعد على إنشاء أقسام واضحة داخل البيانات.
• التجميع الهرمي :تعمل هذه التقنية على إنشاء تسلسل هرمي من المجموعات، وبالتالي الكشف عن العلاقات بين البيانات. من خلال بناء شجرة القرار، يسمح التجميع الهرمي باستكشاف البيانات على مستويات مختلفة من التفصيل، مما يسهل تحديد الهياكل الأساسية.
• DBSCAN :استنادًا إلى كثافة نقاط البيانات، تحدد طريقة DBSCAN مجموعات كثيفة قادرة على التعامل مع أشكال المجموعات غير التقليدية. يعد هذا النموذج فعالاً بشكل خاص في اكتشاف مجموعات ذات شكل عشوائي، مع تجاهل الضوضاء الموجودة في البيانات.

طريقة تقليل الأبعاد

تعد عملية تقليل الأبعاد طريقة لتبسيط البيانات مع الحفاظ على المعلومات الأساسية.

ويعد هذا النهج ذا أهمية قصوى، خاصة عندما تتطور البيانات في مساحات عالية الأبعاد (مجموعات البيانات التي تحتوي على عدد كبير من المتغيرات).

تقنيات تقليل الأبعاد

• تحليل المكونات الأساسية (PCA) :تعمل تقنية تحليل مكونات البيانات الرئيسية على تقليل أبعاد البيانات عن طريق تحويل المتغيرات الأصلية إلى مجموعة من المتغيرات الجديدة غير المرتبطة، والتي تسمى المكونات الأساسية. تحافظ هذه العملية على غالبية التباين في البيانات، مما يجعل تحليلها أسهل مع تقليل تعقيدها.
• تي SNE :t-SNE هي تقنية متقدمة لتصور الهياكل المحلية للبيانات عالية الأبعاد. من خلال الحفاظ على العلاقات بين النقاط القريبة، ينتج t-SNE تمثيلات بصرية كثيفة وذات مغزى، مما يوفر رؤى ثرية للبيانات المعقدة.

التقاط التمثيلات المعقدة باستخدام التعلم العميق

هذا النهج للتنبؤ (التعلم العميق) هو النهج الذي تعتمد عليه نماذج المحولات، ولكن ليس الوحيد.

دعم التعلم العميق

• الشبكات العصبية التلافيفية (CNN) :تعتبر هذه النماذج مناسبة بشكل خاص للتنبؤ في مجال الرؤية الحاسوبية، حيث تتعلم كيفية استخراج الميزات الأساسية من الصور. بفضل قدرتها على معالجة البيانات المكانية، تتيح الشبكات العصبية التلافيفية تقدمًا كبيرًا في التعرف على الصور والتصنيف البصري.
• الشبكات العصبية المتكررة (RNN) :تم تصميم الشبكات العصبية المتكررة للتنبؤ بالتسلسلات الزمنية، وتعلم كيفية نمذجة التبعيات بمرور الوقت. ويعتبر هذا النوع من الشبكات ضروريًا في تطبيقات مثل الترجمة الآلية وتحليل السلاسل الزمنية.
• معالجة اللغة الطبيعية (NLP): تحليل المشاعر، والتعرف على الكيانات المسماة، والترجمة الآلية: تتيح هذه الأدوات التقاط تمثيلات معقدة للنص، وبالتالي تحسين تحليلات البيانات الضخمة وتسهيل تحديد المعلومات المحددة.
  • المحولات :يعتمد تصميم نماذج المحولات على مصفوفة الانتباه، والتي تسمح للنموذج بالتركيز على أجزاء معينة من تسلسل الكلمات، وبالتالي التقاط علاقات أعمق وأكثر تعقيدًا وتحسين التعامل مع التبعيات السياقية. إن مدى الاهتمام هذا يجعل المحولات فعالة بشكل خاص.

من المفهوم هنا أن المحولات لا تمثل سوى جزء بسيط مما يشمله الذكاء الاصطناعي، ولكن هيكلها الانتباهي هو العامل المميز الذي يسمح لها باستخدام متعدد الأبعاد والقطاعات.

توجيه الارتباطات مع التعلم الخاضع للإشراف

يعتمد التعلم الخاضع للإشراف على استخدام البيانات المصنفة لتدريب النماذج، مما يسمح لها بالتنبؤ ببيانات جديدة.

يعتمد هذا النهج على عدة أساليب، أبرزها التصنيف والانحدار.

طريقة تصنيف التعلم الخاضع للإشراف

يتضمن التصنيف تعيين تسميات للملاحظات بناءً على الخصائص المستخرجة من البيانات.

تقنيات التصنيف

يتم استخدام العديد من تقنيات التصنيف لتحقيق ذلك:

• استخدام الشبكات العصبية :أثناء مرحلة التدريب، يتم تعديل أوزان الاتصالات بين الخلايا العصبية بشكل متكرر لتقليل خطأ التصنيف في البيانات المصنفة. يساعد انتشار الإشارة عبر الطبقات على التقاط الأنماط المعقدة والعلاقات غير الخطية في البيانات. بمجرد تدريب الشبكة العصبية، يمكن استخدامها للتنبؤ بفئة الملاحظة الجديدة عن طريق نشر ميزاتها عبر الشبكة.
• استخدام آلات الدعم المتجهية (SVM) :تهدف هذه التقنية إلى العثور على المستوى الفائق الذي يفصل بشكل أفضل بين الفئات في مساحة الميزة. تسعى خوارزمية تحسين SVM إلى زيادة الهامش إلى أقصى حد، أي المسافة بين المستوى الفائق وأقرب نقطة لكل فئة. غالبًا ما تستخدم SVMs وظائف kernel لتحويل مساحة الميزة، مما يسمح بإيجاد فواصل غير خطية بين الفئات. أثناء التنبؤ، يتم تصنيف ملاحظة جديدة بناءً على موضعها بالنسبة للمستوى الفائق.
• استخدام أشجار القرار :تتضمن هذه التقنية إنشاء شجرة حيث يمثل كل عقدة اختبارًا على إحدى خصائص البيانات. تقوم الخوارزمية بشكل متكرر باختيار الميزة التي تقسم البيانات بشكل أفضل إلى مجموعات فرعية متجانسة فيما يتعلق بالفئة المستهدفة. تمثل أوراق الشجرة الفئات المتوقعة، ويتوافق المسار من الجذر إلى الورقة مع قاعدة القرار. عند التنبؤ، تنتقل ملاحظة جديدة عبر الشجرة بعد إجراء الاختبارات على ميزاتها حتى تصل إلى ورقة تشير إلى فئتها المتوقعة.

طريقة الانحدار في التعلم الخاضع للإشراف

من ناحية أخرى، يهدف الانحدار إلى نمذجة العلاقة بين المتغيرات من أجل التنبؤ بالقيم المستمرة.

تقنيات الانحدار

هناك العديد من تقنيات التعلم الخاضع للإشراف التي تعمل على تحقيق هذا الهدف:

• استخدام الانحدار الخطي :تعمل هذه التقنية على إنشاء علاقة خطية بين المتغيرات باستخدام معادلة الخط المستقيم. يتم تقدير معاملات المعادلة من بيانات التدريب عن طريق تقليل خطأ المربع المتوسط ​​بين القيم المتوقعة والقيم الفعلية. بمجرد تدريب النموذج، يمكن استخدامه للتنبؤ بقيمة المتغير التابع بناءً على قيم المتغيرات المستقلة. يتم استخدام الانحدار الخطي على نطاق واسع في مجالات مثل الاقتصاد والمالية لتحديد العلاقات بين المتغيرات.
• استخدام الانحدار اللوجستي :على الرغم من تسميتها بالانحدار، إلا أن هذه التقنية تُستخدم فعليًا للتصنيف الثنائي. يقوم بإنشاء نموذج لاحتمالية الانتماء إلى فئة كدالة للمتغيرات التفسيرية. تُستخدم الدالة اللوجستية لتحويل التركيبة الخطية للمتغيرات إلى احتمالية بين 0 و1. يتم تدريب النموذج عن طريق تعظيم احتمالية بيانات التدريب، أي عن طريق إيجاد المعاملات التي تجعل البيانات الملاحظة الأكثر احتمالية. يُعد الانحدار اللوجستي مفيدًا بشكل خاص في مجالات مثل الطب أو التسويق للتنبؤ باحتمالية حدوث حدث ثنائي.
• استخدام الانحدار المتعدد الحدود :تعمل هذه التقنية على توسيع الانحدار الخطي من خلال تضمين مصطلحات متعددة الحدود للمتغيرات التفسيرية. إنه يسمح بنمذجة العلاقات غير الخطية بين المتغيرات باستخدام حدوديات بدرجة أكبر من 1. يتم تقدير معاملات حدوديات الحدوديات من بيانات التدريب عن طريق تقليل خطأ متوسط ​​المربعات. يقدم الانحدار المتعدد الحدود مرونة أكبر لاستيعاب التقلبات في البيانات عندما لا تكون العلاقة بين المتغيرات خطية ببساطة. وهو مفيد بشكل خاص عندما تظهر البيانات اتجاهات منحنية أو اختلافات معقدة.

 

لتحقيق هدف التنبؤ، يجب على الذكاء الاصطناعي

بناء الارتباطات من الصفر (التعلم غير الخاضع للإشراف)

 

توجيه الارتباطات من التصنيفات والعلاقات بين المتغيرات (التعلم الخاضع للإشراف)

في كلتا الحالتين، تلعب الشبكات العصبية دورًا حاسمًا، وهو ما يتفاقم من خلال نماذج المحولات. على الرغم من عدم إدراج الأخيرة صراحةً في التقنيات المستخدمة في التصنيف والانحدار، إلا أنها تُستخدم بشكل متزايد كوسيط للتفسير، سواء في التعلم الخاضع للإشراف أو غير الخاضع للإشراف. يؤدي هذا إلى تقديم عنصر إضافي للضغط الإحصائي يهدف إلى زيادة الدقة، ولكن جوهره العشوائي قد يؤدي أيضًا إلى تشويه تفسير النتائج.

 

تعمل نماذج المحولات على إعادة تعريف التعلم الآلي بشكل مباشر وغير مباشر.

وينطبق الأمر نفسه على تحقيق أهداف أتمتة الذكاء الاصطناعي.

 

الذكاء الاصطناعي لأتمتة

تساعد أتمتة المهام على تحسين الكفاءة وتقليل الأخطاء البشرية من خلال العمليات.

تعتمد هذه الأتمتة على عدة أساليب، بما في ذلك التعلم المعزز، والتعلم العميق ومعالجة اللغة الطبيعية، ورؤية الكمبيوتر، وأنظمة الخبراء.

الأتمتة باستخدام التعلم التعزيزي

على عكس الأساليب والتقنيات التي تمت مناقشتها حتى الآن، يركز التعلم المعزز على التفاعل مع البيئة.

بدلاً من التعلم من الأمثلة لبناء قاعدة تنبؤية، سيتلقى العميل مكافآت أو عقوبات مرتبطة بالسياق لضمان الموثوقية في عملية آلية بالكامل.

تقنية التعلم التعزيزي:

• Q-Learning و SARSA: تشكل هذه الخوارزميات الأساس لأتمتة اختيارات الإجراءات في البيئات. إنها تعمل عن طريق تحديث قيمة Q بشكل مستمر، والتي تمثل جودة الإجراء في حالة معينة.
  • العملية: يقوم العميل باستكشاف البيئة واختيار الإجراءات والحصول على المكافآت أو العقوبات. تُستخدم هذه التجارب لضبط قيم Q، مما يسمح للوكيل بتحديد أفضل إجراء لكل حالة تدريجيًا لتحقيق أقصى قدر من المكافآت طويلة الأجل.
  • التطبيقات: مثالي للسيناريوهات التي يجب أن تتكيف فيها الاستراتيجية المثلى مع البيئات المتغيرة، مثل الألعاب أو الروبوتات.
• طريقة مونت كارلو: تعتمد هذه التقنية على عينات عشوائية لتقييم استراتيجيات العمل وتحسينها.
  • العملية: يقوم العميل بإجراء عدة حلقات من التفاعل مع البيئة، وجمع البيانات حول المكافآت التي حصل عليها. ومن ثم يتم استخدام هذه المعلومات لتقدير القيمة المتوقعة للاستراتيجيات المختلفة. لا يتطلب هذا النهج معرفة نموذج البيئة، مما يجعله قويًا للأتمتة في السياقات التي تكون فيها المعلومات غير كاملة أو غير مؤكدة.
  • التطبيقات: يتم استخدامه في المواقف التي يصعب فيها نمذجة البيئة بدقة، مثل إدارة الموارد أو المحاكاة المالية.

التأثير على الأتمتة:

يتيح التعلم التعزيزي التشغيل الآلي القوي والتكيف حيث يتعلم الوكلاء كيفية التنقل في البيئات المعقدة من خلال تحسين سلوكهم لتحقيق أقصى قدر من المكافآت.

يعد التعلم المعزز مفيدًا بشكل خاص في:

• أتمتة عمليات صنع القرار المعقدة حيث تكون للإجراءات عواقب طويلة المدى.
• التكيف مع البيئات الديناميكية حيث قد تتغير الظروف، مما يتطلب إعادة تقييم الاستراتيجيات بشكل مستمر.
• أنظمة التحكم حيث يكون النمذجة الدقيقة مستحيلة، وتوفير الحل من خلال التجربة المباشرة.

الأتمتة باستخدام التعلم العميق

يتيح التعلم العميق، كأداة للأتمتة بدلاً من التنبؤ، للآلات إجراء عمليات مستقلة. من الاستجابة النصية للمستخدم، إلى اكتشاف التشوهات في قاعدة البيانات وتصحيحها، إلى اتخاذ القرار بشكل مستقل بشأن تعديل التصنيف أو تصحيح عملية صناعية، فإن التعلم العميق يلغي الحاجة إلى الإشراف البشري المستمر.

ويمتد هذا التشغيل الآلي بشكل طبيعي إلى معالجة اللغة، حيث تعمل نماذج المحولات مرة أخرى على جعل التفاعلات مع الآلات أكثر سلاسة وكفاءة.

التقنيات والهندسة المعمارية المستخدمة:

• الشبكات العصبية المتكررة (RNN) و LSTM :
  • الاستعمال :ممتاز للبيانات المتسلسلة مثل الترجمة والتعرف على الكلام وتوليد النص.
  • مصلحة :القدرة على الاحتفاظ بالمعلومات على المدى الطويل، مما يسهل أتمتة المهام التي تتطلب السياق.
• الشبكات العصبية التلافيفية (CNN) :
  • الاستعمال :ضروري لرؤية الكمبيوتر.
  • مصلحة :الاستخراج التلقائي للميزات المرئية على مقاييس مختلفة، مثالي لتصنيف الصور واكتشافها وتقسيمها.
• معالجة اللغة الطبيعية (NLP) للأتمتة :
  • تحليل المشاعر، التعرف على الكيانات المسماة، الترجمة الآلية: أتمتة فهم النصوص لتحليلات البيانات الضخمة أو الترجمة أو تحديد معلومات محددة.
  • التعرف على الكلام :يتيح التفاعلات الصوتية الطبيعية، مما يجعل الأنظمة أكثر سهولة في الوصول إليها وبديهية.
  • توليد اللغة الطبيعية :ينتج نصًا متماسكًا وذو صلة بالسياق، وهو أمر ضروري للمساعدين الافتراضيين وكتابة التقارير التلقائية أو الإجابة على أسئلة المستخدم.
  • المحولات وآليات الانتباه :
    • الاستعمال :تحويل معالجة اللغة الطبيعية.
    • مصلحة :القدرة على فهم العلاقات بين الكلمات البعيدة، وتحسين جودة المهام اللغوية مثل إنشاء النص أو تحليل المشاعر.
• الشبكات التنافسية التوليدية (GANs) :
  • الاستعمال :التوليد التلقائي للمحتوى الواقعي.
    مصلحة :إنتاج صور أو أصوات أو مقاطع فيديو عالية الجودة دون تدخل بشري، وهو أمر مفيد في التصميم والمؤثرات الخاصة.

تطبيقات التعلم العميق في الأتمتة:

• الاستجابة النصية والتفاعل مع المستخدم: تمكّن نماذج التعلم العميق، وخاصة تلك التي تعتمد على هياكل معمارية مثل Transformers، من التفاعلات النصية السلسة والطبيعية، مما يؤدي إلى تحسين فعالية برامج الدردشة الآلية والمساعدين الافتراضيين.
• اكتشاف وتصحيح الشذوذ: يمكن للأنظمة التعرف تلقائيًا على الأخطاء أو الشذوذ في قواعد البيانات وتصحيحها باستخدام الشبكات العصبية المتخصصة.
• القرارات المستقلة: يمكن للخوارزميات ضبط التصنيفات أو تغيير العمليات الصناعية في الوقت الفعلي، استنادًا إلى تحليلات البيانات المعقدة.

ستلاحظ أن التعلم العميق مفيد لكل من التنبؤ والأتمتة، وأننا في كل مرة نتحدث عن نماذج المحولات لأنها توفر فهمًا سياقيًا أكثر دقة مما يسمح بزيادة الصلة.

الأتمتة باستخدام رؤية الكمبيوتر

تتيح الرؤية الحاسوبية للآلات إدراك العالم المرئي وتفسيره:

التقنيات والتطبيقات المحددة:

كشف الكائن:

• • آر سي إن إن للكشف الدقيق ولكن البطيء، وهو مثالي للتطبيقات حيث تكون الدقة أكثر أهمية من السرعة، كما هو الحال في تحليل مراقبة الفيديو.
  • YOLO للكشف السريع، مما يجعله الخيار الأمثل للأنظمة المستقلة التي تتطلب اتخاذ قرارات في الوقت الفعلي، مثل المركبات ذاتية القيادة.
  • SSD للحصول على توازن جيد بين السرعة والدقة، يتم استخدامه في السياقات ذات الموارد المحدودة مثل تطبيقات الهاتف المحمول أو إنترنت الأشياء.

التعرف على الصورة:

تم تصميم هياكل معمارية محددة مثل Inception أو ResNet لتصنيف الصور على نطاق واسع، مما يسمح بالتمييز بين الصور في السيناريوهات المعقدة، على سبيل المثال، للتعرف على الأمراض من الصور الطبية.

تقسيم الصورة:

• U-نت يعد هذا مفيدًا بشكل خاص للتجزئة الدلالية في المجال الطبي، حيث تكون الدقة ضرورية للتشخيص الدقيق.
• قناع R-CNN على سبيل المثال، التجزئة، التي تسمح ليس فقط بتحديد هوية الأشياء ولكن أيضًا بتحديد حدودها، وهو أمر بالغ الأهمية لتحليل الروبوتات أو المشهد.

تعقب الكائنات:

• SORT (التتبع البسيط عبر الإنترنت وفي الوقت الفعلي) لتتبع الكائنات في مقاطع الفيديو في الوقت الفعلي، والتي يمكن تطبيقها في المراقبة أو الرياضة أو لتتبع الكائنات في البيئات الديناميكية.

أمثلة للتطبيقات:

• • الأتمتة الصناعية: التفتيش البصري للمنتجات لاكتشاف العيوب.
  • المركبات ذاتية القيادة: الملاحة واكتشاف العوائق من خلال فهم البيئة البصرية.
  • الأمن والمراقبة: كشف السلوكيات أو الأشياء المشبوهة، وأتمتة المراقبة.

الأتمتة باستخدام أنظمة الخبراء

الأنظمة الخبيرة هي تطبيقات للذكاء الاصطناعي مصممة لمحاكاة قدرة الخبير البشري على الحكم واتخاذ القرار في مجال معين.

Fonctionnement général:

• قاعدة البيانات : ويحتوي على حقائق وقواعد تمثل خبرة أحد المحترفين في المجال المعني. غالبًا ما يتم التعبير عن هذه القواعد في شكل عبارات "إذا-فإن".
• محرك الاستدلال :يستخدم قاعدة المعرفة لاستنتاج النتائج أو اتخاذ القرارات من المعلومات المقدمة. يمكن أن تعمل في وضع "الأمامي" (من البيانات إلى الاستنتاجات) أو في وضع "الخلفي" (من الأسئلة إلى البيانات الضرورية).
• واجهة المستخدم :يسمح للمستخدمين بطرح الأسئلة أو تقديم المعلومات للنظام، والحصول على إجابات أو توصيات.

التقنيات والتطبيقات:

الأنظمة القائمة على القواعد:

إنهم يستخدمون مجموعة من القواعد للتفكير. على سبيل المثال، "إذا ظهر على المريض هذه الأعراض، فإن التشخيص المحتمل هو..."

التطبيق:

• التشخيص الطبي : يمكن للأنظمة طرح أسئلة متسلسلة لتشخيص المرض بناءً على الأعراض والتاريخ الطبي ونتائج الاختبارات.
• دعم القرار القانوني: يمكنهم تقديم المشورة بشأن القضايا القانونية من خلال مقارنة المعلومات المقدمة بالقوانين والسوابق القانونية والمبادئ القانونية.

الاستدلال المبني على الحالة (CBR):

وبدلاً من البدء من الصفر، تسعى هذه الأنظمة إلى إيجاد حلول تعتمد على حالات سابقة مماثلة. يقومون بمقارنة الحالة الجديدة بالحالات المخزنة للعثور على أوجه التشابه.

التطبيق:

• الصيانة الصناعية: ولحل المشكلات الفنية، يستطيع النظام البحث عن حالات فشل مماثلة واقتراح الحلول التي نجحت في الماضي.
• دعم العملاء : يمكنهم تقديم حلول بناءً على المشاكل والحلول السابقة.

الأنظمة الهجينة:

دمج عدة مناهج، على سبيل المثال، الجمع بين القواعد وطرق التعلم الآلي لتحسين عملية اتخاذ القرار.

التطبيق:

• إدارة الموارد: لتحسين استخدام الموارد، يمكن للنظام الهجين استخدام القواعد لاتخاذ القرارات التكتيكية والنماذج التنبؤية لاتخاذ القرارات الاستراتيجية.
• التخطيط المالي: يمكنهم تقديم المشورة المالية من خلال الجمع بين قواعد الفطرة السليمة والتنبؤات المبنية على البيانات التاريخية.

تطبيقات المثال:

• تقليل الأخطاء: من خلال اتباع قواعد دقيقة، توفر أنظمة الخبراء قرارات متسقة، مما يقلل من الأخطاء البشرية.
• التدريب والتعلم: يمكن استخدامها لمحاكاة سيناريوهات الحياة الواقعية، مما يساعد في التدريب في مختلف المجالات.
• أتمتة عملية اتخاذ القرار: إنها تمكن من اتخاذ القرارات في المجالات التي تكون فيها الخبرة البشرية نادرة أو مكلفة، أو في المواقف التي تتطلب استجابة سريعة.

في هذه المرحلة، يجب أن تكون قد أدركت الهدف النهائي للذكاء الاصطناعي: الاستقلال الكامل في اتخاذ القرار.

---

توفر نماذج GPT الرابط الذي كان مفقودًا حتى الآن لجعل هذه الاستقلالية ممكنة حقًا.

النموذج الفريد لنماذج GPT

توفر نماذج المحولات المدربة مسبقًا (GPT) نهجًا فريدًا للتنبؤ والأتمتة. وفي حين أن اهتمامهم واضح فيما يتعلق بالتعلم العميق، يجب ألا ننسى أن نأخذ في الاعتبار استخدامهم المنهجي لدعم نشر أي تقنية أو طريقة أخرى. وهذا ما يجعلها ضرورية بسبب الاعتماد الذي تخلقه عليها. ومن خلال تقديم قدرات التنبؤ والأتمتة والتفسير، فإنهم يعززون بشكل استباقي وديناميكي استخدام التقنيات "التقليدية".

نماذج GPT للتنبؤ

التعلم الالي

التعلم تحت الإشراف

• تراجع :يمكن لنماذج GPT التنبؤ بالقيم المستمرة من خلال إنشاء كود لنماذج الانحدار على مجموعات البيانات المعقدة.
• استخدام الانحدار الخطي :يمكن لنماذج GPT أتمتة اختيار المتغيرات الأكثر صلة بالانحدار الخطي، وضبط المعلمات الفائقة بشكل ديناميكي، وحتى إنشاء نصوص برمجية لاختبار تكوينات النموذج المختلفة، وتحسين دقة التنبؤات بالبيانات غير الخطية أو المشوشة.
• استخدام الانحدار اللوجستي :هنا، يمكن استخدام نماذج GPT لصياغة نماذج لا تقوم فقط بتصنيف، بل تشرح أيضًا احتمالات الفئة. يمكنهم إنشاء نصوص برمجية لأتمتة تقييم مجموعات مختلفة من المتغيرات التوضيحية، وبالتالي تحسين أداء النموذج.
• استخدام الانحدار المتعدد الحدود :يمكن أن تساعد نماذج GPT في اختيار درجات متعددة الحدود مناسبة لملاءمة أفضل للبيانات، وإنشاء نماذج أكثر قوة في مواجهة التقلبات والاتجاهات المعقدة، مع شرح خيارات النمذجة.

الأمثلة على ذلك:

• تمويل : تقدير سعر السهم المستقبلي بناء على مؤشرات مختلفة.
• الصحة العامة: التنبؤ بعدد حالات المرض بناءً على الاتجاهات التاريخية والعوامل البيئية.

تصنيف

تعمل نماذج GPT على تحسين خطوط الأنابيب لتصنيف البيانات إلى فئات محددة مسبقًا.

• استخدام التصنيف :يمكن لنماذج GPT إنشاء أكواد لإنشاء خطوط أنابيب معالجة البيانات، وتحديد الميزات الأكثر تمييزًا، وضبط معلمات نماذج التصنيف لتحسين الدقة والمتانة.

الأمثلة على ذلك:

• الدواء : التشخيص يعتمد على الأعراض والتاريخ الطبي.
• الأمن السيبراني: الكشف عن رسائل البريد الإلكتروني الاحتيالية من خلال تحليل محتوى وبنية رسائل البريد الإلكتروني.

تعليم غير مشرف عليه

التكتل

تقوم نماذج GPT بتفسير ووصف المجموعات من خلال تحليل البيانات غير المسمى.

• استخدام التجميع :يمكن لنماذج GPT إنشاء نصوص برمجية لأتمتة اكتشاف وتفسير المجموعات، وتوفير تفسيرات لسبب تجميع بيانات معينة معًا، مما يساعد في تقسيم البيانات وفهمها.

الأمثلة على ذلك:

• تسويق: تقسيم العملاء إلى مجموعات بناءً على سلوكهم الشرائي للحملات المستهدفة.
• مادة الاحياء: تحديد المجموعات الفرعية في البيانات الجينية لأبحاث الأمراض.

تخفيض الأبعاد

يمكن لنماذج GPT شرح نتائج تقنيات مثل تحليل المكونات الأساسية (PCA).

• استخدام تقليل الأبعاد :تسهل نماذج GPT تفسير النتائج لاتخاذ القرارات استنادًا إلى بيانات مبسطة ومفيدة.

الأمثلة على ذلك:

• تحليل بيانات السوق: تبسيط بيانات المبيعات لتحديد العوامل الرئيسية المؤثرة على الاتجاهات.
• الفيزياء الفلكية: ضغط بيانات التلسكوب لتحليل الهياكل الكونية مع تقليل التعقيد.

تعزيز التعلم

تتنبأ نماذج GPT من خلال إنشاء سياسات أو سيناريوهات تدريبية، وبالتالي تحسين الاستراتيجيات لتحقيق أقصى قدر من المكافآت المستقبلية.

• استخدام التعلم التعزيزي :يمكن لـ GPTs إنشاء بيئات أو سيناريوهات محاكاة لاختبار سياسات مختلفة، مما يوفر رؤى حول الاستراتيجيات المثلى أو التعديلات اللازمة لتحسين الأداء.

الأمثلة على ذلك:

• العاب الفيديو : تم تحسين استراتيجيات اللعب للذكاء الاصطناعي التنافسي في البيئات الديناميكية مثل ألعاب الشطرنج أو الإستراتيجية.
• إدارة الموارد: تحسين تخصيص موارد الطاقة في الشبكات الذكية بناءً على الطلب والتوافر.
• علم الروبوتات: تطوير استراتيجيات الملاحة المستقلة في البيئات غير المتوقعة.
• السكن: تحسين خطوط الإنتاج

التعلم العميق

تتنبأ نماذج GPT من خلال إنشاء هياكل الشبكة العصبية وشرح النتائج المعقدة. يمكن لنماذج GPT أتمتة تصميم وتحسين هياكل الشبكات العصبية، مما يفسر سبب عمل تكوينات معينة بشكل أفضل لمهام محددة. تساعد هذه القدرة في تخصيص النماذج وتحسينها.

الأمثلة على ذلك:

• التعرف على الصور :تحسين تصنيف الصور في التطبيقات مثل المراقبة التلقائية أو التعرف الطبي على التشوهات في الأشعة السينية.
• تركيب الكلام والترجمة :إنشاء نص إلى كلام للمساعدين الافتراضيين أو الترجمة في الوقت الفعلي للاتصالات الدولية.
• انشاء محتوى :إنشاء نصوص إبداعية، مثل القصص أو المقالات المدونة، مع مراعاة أسلوب أو موضوع معين.
• بحث علمي :يساعد على نمذجة الظواهر المعقدة في مجالات مثل فيزياء الجسيمات أو الكيمياء الحاسوبية.

تتجاوز نماذج GPT القيود التقليدية لتقنيات التعلم الآلي.

---

ومن خلال تقديم قدرات التنبؤ والتفسير والأتمتة، فإنهم يعززون بشكل تدريجي وديناميكي استخدام كل طريقة وتقنية.

---

لقد أصبح الذكاء الاصطناعي أكثر سهولة في الوصول إليه وأكثر كفاءة، وهو ينفتح على تطبيقات جديدة، ولكن الأهم من ذلك أنه يجعل من الممكن الآن ضمان جدوى السعي إلى الحكم الذاتي الكامل، من خلال تقديم نتيجة لم تعد خيالًا علميًا، بل مجرد مسألة توقيت.

الوساطة اللغوية كعامل حاسم

تعتمد جميع مزايا ومجالات تطبيق GPT على هذه الميزة الأساسية وهي اللغة.

ويعمل الأخير بمثابة وسيط لغوي، سواء بالنسبة للمستخدمين النهائيين أو بالنسبة للمهندسين وعلماء البيانات الذين يقومون بتطوير النماذج وتدريبها وتحسينها.

وهذه الوساطة اللغوية، التي يتم التقليل من أهمية آثارها، تشكل أهمية بالغة.

للمستخدمين النهائيين

تعتبر الوساطة اللغوية ضرورية لعدة أسباب:

• الوصول :تتيح نماذج GPT الوصول إلى التقنيات المتقدمة لجمهور أوسع بكثير. يمكن لأي شخص ليس لديه خلفية في البرمجة أو علوم البيانات استخدام الأوامر الشفهية أو المكتوبة لإجراء التحليل أو إنشاء المحتوى أو أتمتة المهام. على سبيل المثال، يمكن للمستخدم أن يطلب من نظام يعتمد على GPT "تلخيص مستند" أو "تحليل البيانات للعثور على الاتجاهات"، دون الحاجة إلى فهم كيفية عمل نماذج التعلم الآلي خلف الكواليس.
• واجهة طبيعية :تعمل نماذج GPT على تحويل التفاعل مع التكنولوجيا من خلال جعلها أكثر سهولة في الاستخدام. بدلاً من تعلم قواعد نحوية معينة أو استخدام واجهة برمجة التطبيقات (API)، يمكن للمستخدمين التواصل كما يفعلون باللغة الطبيعية، مما يزيد الكفاءة ويقلل منحنى التعلم. على سبيل المثال، في بيئة العمل، يمكن للموظف أن يقول، "قم بإنشاء تقرير عن أداء منتجنا هذا العام"، وسوف يفهم نموذج GPT المعلومات المطلوبة ويجمعها ويقدمها.
• أتمتة مبسطة :الوساطة اللغوية تجعل الأتمتة أكثر مباشرة. يمكن للمستخدمين وصف العمليات أو المهام المعقدة بعبارات بسيطة، ويقوم النموذج بترجمة هذه الأوصاف إلى إجراءات ملموسة. على سبيل المثال، قد يؤدي "تعيين تنبيه لإعلامي إذا انخفض مخزون هذا العنصر إلى أقل من 100 وحدة" إلى أتمتة نظام إدارة المخزون دون أن يضطر المستخدم إلى كتابة التعليمات البرمجية أو تكوين القواعد يدويًا.
• الدعم والمساعدة :يمكن أن توفر نماذج GPT الدعم الفني أو التوضيحات باللغة الطبيعية، مما يسمح للمستخدمين بتشخيص المشكلات أو فهم المفاهيم الفنية دون الحاجة إلى مصطلحات متخصصة. على سبيل المثال، من خلال طرح السؤال "لماذا لا يعمل نموذج التنبؤ الخاص بي بشكل جيد؟"، يمكن للمستخدم الحصول على تحليل وتفسير بعبارات بسيطة للمشاكل والحلول المحتملة.
• التخصيص والتعلم :يمكن تخصيص التفاعلات مع نماذج GPT للمستخدم، والتعلم من تفضيلاته، وأسلوب التواصل، وحتى مستوى الفهم الفني، مما يؤدي إلى تحسين تجربة المستخدم بمرور الوقت.

للمهندسين وعلماء البيانات

• التكرار على النموذج :يمكن للمهندسين استخدام نماذج GPT لتكرار نماذج التعلم الآلي الأخرى وتحسينها وتصحيح أخطائها. على سبيل المثال، يمكن للمهندس أن يطلب من نموذج GPT "تحسين نموذج الانحدار هذا للتعامل بشكل أفضل مع القيم المتطرفة"، ويمكن للنموذج أن يقترح تغييرات في الكود أو تقنيات للتعامل مع القيم المتطرفة، أو حتى إنشاء كود مباشر لهذه التعديلات. من خلال طرح السؤال "إنشاء حالات اختبار لهذا النموذج من التعلم المعزز"، يمكن للمهندسين الحصول بسرعة على مجموعة متنوعة من الاختبارات لضمان أداء نموذجهم بشكل جيد في سياقات مختلفة.
• تحسين المعلمات الفائقة :يمكن لنماذج GPT تفسير الأوامر لتحسين المعلمات الفائقة للنموذج، وهي مهمة غالبًا ما تكون مرهقة وتتطلب الكثير من التجربة والخطأ. على سبيل المثال، من خلال طرح السؤال "العثور على أفضل المعلمات الفائقة لشبكتنا العصبية CNN"، يمكن لنموذج GPT تشغيل عمليات بحث أو محاكاة بناءً على الأوصاف اللفظية، مما يشير إلى تكوينات ذات أداء أفضل.
• التوثيق التلقائي :من خلال وصف ما يفعله النموذج، يمكن للمهندسين توجيه نماذج GPT لإنشاء وثائق فنية أو تعليقات على التعليمات البرمجية أو حتى تقارير الأداء، مما يسهل العمل التعاوني وصيانة النموذج. على سبيل المثال، قد يؤدي "توثيق رمز الانحدار اللوجستي هذا" إلى إنتاج توثيق واضح، يشرح اختيارات الميزات وتحويلات البيانات والأسباب وراء كل قرار نمذجة.
• تصحيح الأخطاء وشرح النتائج :يمكن للمهندسين أن يسألوا لماذا يتصرف نموذج ما بطريقة معينة، مما يسمح لهم بفهم الأخطاء وتصحيحها بشكل أفضل. على سبيل المثال، من خلال طرح السؤال "لماذا يتنبأ نموذج التصنيف هذا بشكل سيئ لهذه الفئة؟"، يمكن لنموذج GPT تحليل بيانات الإدخال والنتائج وبنية النموذج لتقديم التوضيحات أو التوصيات.

للروبوتات

• تخطيط الحركة :من خلال التوسط اللغوي، يمكن إنشاء تعليمات التخطيط لحركات الروبوت تلقائيًا. تتيح اللغة ترجمة البيانات والأهداف البيئية إلى تسلسلات محسّنة من الإجراءات، مما يضمن تنفيذ المهام بسلاسة وكفاءة.
• مراقبة: تسهل الوساطة اللغوية ترجمة الأوامر البشرية إلى أفعال ملموسة للروبوتات. وبفضل هذه الترجمة اللغوية، أصبح التفاعل بين المستخدمين والأنظمة الروبوتية بديهيًا، مما يعزز اعتماد الروبوتات في مختلف القطاعات.
• تصور : بفضل اللغة، يتم تفسير بيانات المستشعر بشكل آلي، مما يسمح بتفاعل أفضل مع البيئة. تتيح اللغة كوسيط للروبوتات فهم التغيرات في بيئتها والرد عليها، وبالتالي زيادة استقلاليتها.
• الأوامر الصوتية: تتيح الوساطة اللغوية للروبوتات فهم الأوامر الصوتية وتنفيذها، مما يجعل التفاعل مع الآلات أكثر طبيعية وسهولة في الوصول إليها. وهذا مفيد بشكل خاص في البيئات التي تكون فيها أيدي المستخدم مشغولة أو في مساعدة الأشخاص ذوي الإعاقة.
• التعلم عن طريق العرض التوضيحي: يتم استخدام اللغة لوصف الأفعال والنوايا، مما يساعد الروبوتات على تعلم المهام الجديدة من خلال الملاحظة والتعليمات اللفظية. وهذا يسهل نقل المعرفة بين البشر والروبوتات بشكل أكثر سلاسة.
• التعاون بين الإنسان والروبوت: من خلال الوساطة اللغوية، تستطيع الروبوتات التواصل بشأن حالتها، أو أفعالها، أو احتياجاتها مع البشر، والعكس صحيح. ويؤدي هذا إلى إنشاء بيئات عمل أكثر أمانًا وكفاءة حيث يتم تحسين التعاون.
• التكيف مع البيئات الديناميكية: تسمح اللغة للروبوتات بتلقي وتفسير المعلومات السياقية حول بيئتها، مما يسمح لها بالتكيف مع التغييرات أو الأحداث غير المتوقعة. على سبيل المثال، يمكن للروبوت فهم التعليمات مثل "تجاوز هذه العقبة" أو "التوجه نحو الضوء".
• الصيانة والإصلاح: تساعد الأوصاف اللغوية في تشخيص وإصلاح الروبوتات. يمكن للمشغلين استخدام اللغة لتحديد المشكلات أو طلب التشخيص أو تقديم تعليمات الإصلاح، مما يقلل من وقت التوقف عن العمل وتكاليف الصيانة.
• التنشئة الاجتماعية والتفاعل الاجتماعي: في مجالات مثل الروبوتات المرافقة أو الخدمية، تساعد اللغة على خلق تفاعلات أكثر طبيعية وجاذبية. يمكن للروبوتات المشاركة في المحادثات، وفهم المشاعر من خلال اللغة، والاستجابة بشكل مناسب، مما يؤدي إلى تحسين تجربة المستخدم والقبول الاجتماعي للروبوتات.

للأنظمة الخبيرة

• التشخيص : تسمح الوساطة اللغوية بأتمتة عملية التفكير من أجل التشخيص. من خلال تحليل وتفسير مجموعات البيانات المعقدة من خلال اللغة، يمكن للأنظمة تحديد الأنماط والشذوذ بدقة متزايدة.
• الاستدلال الرمزي: تعتبر اللغة بمثابة الأساس لإنشاء قواعد منطقية لاتخاذ القرار. من خلال الوساطة اللغوية، يمكن للأنظمة أن تقوم بنمذجة سيناريوهات معقدة، مما يسهل حل المشكلات في سياقات متنوعة.
• Gestion des connaissances: تتيح الوساطة اللغوية إمكانية هيكلة وتنظيم قواعد المعرفة المعقدة. من خلال استخدام اللغة لتصنيف المعلومات وربطها ببعضها البعض، يمكن للأنظمة تقديم إجابات أكثر صلة ودقة لاستفسارات المستخدم.
• التفاوض والوساطة: تُستخدم اللغة كأداة لمحاكاة سيناريوهات التفاوض أو الوساطة. ومن خلال الوساطة اللغوية، تستطيع الأنظمة فهم المواقف المختلفة، واقتراح التسويات أو الحلول، والمساعدة في حل النزاعات في السياقات التجارية أو القانونية.
• تخطيط وإدارة المشاريع: إن استخدام اللغة كوسيط يسمح للأنظمة بترجمة الأهداف والقيود والموارد إلى خطط عمل مفصلة. يتضمن ذلك فهم أوصاف المهام والمواعيد النهائية والترابطات المتبادلة بين المراحل المختلفة للمشروع.
• التدريب والتوجيه: في أنظمة الخبراء المخصصة للتدريب، تتيح الوساطة اللغوية إمكانية إنشاء سيناريوهات التعلم، وطرح الأسئلة ذات الصلة، وتقديم التوضيحات أو الملاحظات باللغة الطبيعية، مما يجعل التعلم أكثر تفاعلية وفعالية.

باختصار، لقد غيّرت نماذج المحولات نموذج التفاعل بين الإنسان والآلة، من خلال استخدام اللغة على مبادئ مصفوفة الانتباه. هذا المزيج هو الذي يسمح لنماذج GPT بإنجاز جميع مهام الطرق والأنظمة الأخرى بنفسها.

---

هذه هي الكلمات التي تسمح للذكاء الاصطناعي بالتنوع والتعدد غير المسبوق.

---

وهذا يقودنا بطبيعة الحال إلى اعتبار الكلمات بمثابة معايير مركزية في الأنظمة التكنولوجية.

اللغة كمعيار للذكاء الاصطناعي

إن اعتبار اللغة كمعيار في الأنظمة التكنولوجية يغير جذريا الطريقة التي تتفاعل بها الأنظمة مع العالم.

إليك كيف:

• القدرة على التكيف :تقدم اللغة مرونة غير مسبوقة في تصميم الواجهات والتفاعلات. وباعتبارها معيارًا، فهي تسمح للأنظمة بالتكيف مع مجموعة واسعة من السياقات الثقافية واللغوية وسياقات المستخدم، وبالتالي زيادة إمكانية الوصول إلى التقنيات وإمكانية تطبيقها.
• التعقيد والفروق الدقيقة :على عكس المعلمات الرقمية البسيطة، تجلب اللغة طبقات من التعقيد والفروق الدقيقة. إنه يمكّن الأنظمة من معالجة المعلومات مع الفهم السياقي والعواطف والنوايا والغموض، مما يجعل الاستجابات والإجراءات أكثر صلة وإنسانية.
• التفاعل :باستخدام اللغة كمعيار، يمكن للأنظمة الدخول في حوارات، وطرح الأسئلة لتوضيح نوايا المستخدم، وتقديم إجابات مفصلة أو تعليمات معقدة. يؤدي هذا إلى تحويل التفاعل من تعاملي إلى محادثة، مما يؤدي إلى تحسين تجربة المستخدم.
• التعلم والتطور :تسمح اللغة للأنظمة بالتعلم المستمر من التفاعلات. وباعتبارها معيارًا، فهي تسهل دمج المعرفة الجديدة، والتكيف مع الاتجاهات اللغوية الجديدة، وتطور قدرات فهم النصوص وتوليدها، مما يجعل الأنظمة أكثر ذكاءً بمرور الوقت.
• التخصيص :تمنح اللغة كمعلمة الأنظمة القدرة على تخصيص الاستجابات والخدمات استنادًا إلى أسلوب التواصل الخاص بالمستخدم، أو تفضيلات اللغة، أو حتى حالاته المزاجية، مما يوفر تجربة أكثر فردية.
• التحليل والتنبؤ :من خلال تحليل اللغة كمعلمة، يمكن للأنظمة اكتشاف الاتجاهات والمشاعر والنوايا في كميات كبيرة من البيانات النصية، مما يساعد في اتخاذ القرار، أو التنبؤ بالسلوك، أو تحديد الاحتياجات غير المعبر عنها.

باختصار، إن التعامل مع اللغة كمعيار يثري الإمكانيات التكنولوجية بشكل كبير، مما يتيح ليس فقط التواصل بشكل أكثر فعالية، ولكن أيضًا فهمًا أعمق للعالم البشري من قبل الآلات. وهذا يجعل التقنيات أكثر حدسًا وتعاطفًا وقدرة على التكيف، مما يدفع حدود ما يمكن لأنظمة الحوسبة إنجازه.

 

وبالتالي، فإن دمج الكلمات كمعلمات يغير كل تعريف بشكل عميق

 

إعادة تعريف أنواع الذكاء الاصطناعي

في ضوء النماذج التي تدمجها GPTs والكلمات كمعلمات، فإن الفئات والأنواع المختلفة من الذكاء الاصطناعي، كما تم تعريفها حتى الآن، تستحق المراجعة.

وللبدء، دعونا نتذكر أن الذكاء الاصطناعي هو محاكاة لعمليات التفكير البشري، مثل التعلم والاستدلال والتصحيح الذاتي بواسطة الآلات، وخاصة أجهزة الكمبيوتر.

وهكذا، مع استخدام الكلمات كمعلمات، يتجاوز الذكاء الاصطناعي الآن المحاكاة للتفاعل بطريقة سياقية منهجية مع البشر، باستخدام اللغة ليس فقط للتعلم، ولكن أيضًا للفهم والتصرف.

الذكاء الاصطناعي الضعيف (أو المتخصص)

تم تصميم الذكاء الاصطناعي الضعيف لأداء مهام محددة، ويفتقر إلى القدرة على الفهم أو التعلم خارج نطاق تطبيقه، وهو ما لم يعد صحيحًا تمامًا مع المحولات. والآن، مع استخدام الكلمات كمعلمات، يمكن للذكاء الاصطناعي الضعيف أيضًا فهم ومعالجة التعليمات والأسئلة بمرونة أكبر، مما يوفر استجابات أكثر صلة وشخصية. وهذا يرفع سقف التوقعات، لأن حتى الذكاء الاصطناعي الذي يوصف بأنه "ضعيف" أكثر فعالية بشكل هائل بفضل أدوات GPT والكلمات. ولذلك ينبغي لهذا التعريف أن يموت في نهاية المطاف.

الذكاء الاصطناعي القوي (أو العام)

الذكاء الاصطناعي القوي، أو AGI (الذكاء الاصطناعي العام)، هو نظام قادر على فهم أو تعلم أي مهمة فكرية يمكن للإنسان القيام بها.

والآن، من خلال النظر إلى الكلمات كمعلمات، يمكن للذكاء الاصطناعي القوي استغلال اللغة لفهم السياقات المتنوعة والتكيف معها، والاقتراب من القدرة البشرية على التعلم بشكل شامل. ويتضمن ذلك تفسير الفروق الدقيقة والسياقات الثقافية وتطبيق هذا الفهم على المهام الجديدة. ما الذي يجعلنا أقرب إلى الذكاء الاصطناعي كل يوم؟

الذكاء الاصطناعي الرمزي

يعتمد الذكاء الاصطناعي الرمزي على التلاعب بالرموز وتطبيق القواعد المنطقية لحل المشكلات.

والآن، من خلال دمج الكلمات كمعلمات، يمكن للذكاء الاصطناعي الرمزي استخدام اللغة لإثراء قواعده المنطقية، مما يسمح بإدارة أفضل للغموض والسياقات. وهذا يسهل تمثيل المعرفة بشكل أكثر ديناميكية ودقة، وبالتالي تحسين حل المشاكل الأكثر تعقيدا.

الذكاء الاصطناعي الاتصالي

يستخدم الذكاء الاصطناعي الاتصالي الشبكات العصبية لمعالجة المعلومات بطريقة مشابهة للدماغ البشري، مع التركيز على تحديد الأنماط.

والآن، أصبح دمج الكلمات كمعلمات في الشبكات العصبية يتيح فهمًا أعمق للبيانات اللغوية، وتحسين قدرات النماذج في التقاط الفروق الدقيقة والمشاعر والنوايا. ويؤدي هذا إلى زيادة قدرة الأنظمة على التكيف والاستقلالية في التفاعلات البشرية بشكل أكبر.

الذكاء الاصطناعي القائم على البيانات

تستخدم الذكاء الاصطناعي المعتمد على البيانات خوارزميات للتعلم من كميات كبيرة من البيانات، غالبًا لمهام التنبؤ أو التصنيف.

والآن، مع استخدام الكلمات كمعلمات، لم تعد هذه الأنظمة قادرة على التنبؤ فحسب، بل وفهم سياق البيانات النصية بشكل جيد أيضًا، مما يوفر تحليلات أكثر ثراءً وتوصيات أكثر تخصيصًا. ويؤدي هذا إلى تحسين أهمية ودقة التوقعات من خلال مراعاة التفاصيل الدقيقة للغة.

الذكاء الاصطناعي المستقل

تتخذ الذكاء الاصطناعي المستقل القرارات وتتصرف دون تدخل بشري، وغالبًا في بيئات محددة، مثل المركبات ذاتية القيادة.

والآن، يتيح دمج الكلمات كمعلمات وسيطة للذكاء الاصطناعي تفسير التعليمات أو السياقات البيئية من خلال اللغة، مما يزيد من قدرته على اتخاذ قرارات مستنيرة وتعاونية وتكيفية في المواقف المعقدة.

منظمة العفو الدولية قابلة للتفسير

تهدف الذكاء الاصطناعي القابل للتفسير إلى تقديم تفسيرات مفهومة لقراراته أو أفعاله.

والآن، باستخدام الكلمات كمعلمات، يمكن للذكاء الاصطناعي شرح عمليات اتخاذ القرار بمصطلحات لغوية مفهومة، مما يؤدي إلى زيادة الشفافية وثقة المستخدم. وهذا يسمح بتفاعل وتفاهم أفضل بين الذكاء الاصطناعي والبشر.

الذكاء الاصطناعي التفاعلي

تستجيب الذكاء الاصطناعي التفاعلي فقط للمثيرات الحالية دون ذاكرة.

والآن، من خلال استخدام الكلمات كمعايير، يمكن تقديم استجابات أكثر دقة وسياقية للمحفزات اللغوية.

ذاكرة محدودة الذكاء الاصطناعي

تستخدم الذكاء الاصطناعي ذو الذاكرة المحدودة التجارب السابقة لاتخاذ قرارات مستقبلية.

وباستخدام الكلمات كمعايير، يمكنها تفسير التفاعلات اللغوية السابقة واستخدامها بشكل أفضل لاتخاذ قرارات أكثر استنارة.

نظرية العقل الذكاء الاصطناعي

تسعى نظرية العقل للذكاء الاصطناعي إلى فهم المشاعر والنوايا البشرية.

يمكن للكلمات كمعلمات أن تساعد في نمذجة هذه الجوانب من خلال اللغة، وتحسين التعاطف والتنبؤ بالسلوك.

الذكاء الاصطناعي المتخصص

تم تصميم الذكاء الاصطناعي المتخصص لأداء مهام محددة ذات حدود واضحة.

تعمل الكلمات على تحسين الأداء في هذه المهام المحددة، مما يجعل الأنظمة أكثر قدرة على التكيف.

الذكاء الاصطناعي التطوري

يستخدم الذكاء الاصطناعي التطوري خوارزميات مستوحاة من التطور البيولوجي.

تعمل الكلمات كمعلمات على تمكين التحسين استنادًا إلى الأنماط اللغوية، وتحسين التكيف والتعلم.

ماذا يمكننا أن نستخرج من هذه التفاصيل؟

مع دمج الكلمات كمعلمات في نماذج الذكاء الاصطناعي، أصبحت التعريفات القديمة والتمييزات بين أنواع الذكاء الاصطناعي غير ذات صلة. في الواقع، إن نهج الذكاء الاصطناعي، الذي يركز على الكلمات، يندمج بشكل منهجي في مفهوم الذكاء الاصطناعي العام، مما يوجهنا حتمًا نحو الاستقلال التام للذكاء الاصطناعي الفائق (ASI).

تصبح اللغة المحور المركزي للذكاء الاصطناعي، حيث تستوعب الفئات المختلفة للذكاء الاصطناعي في فهم وقدرة على العمل تتجاوز الحدود البشرية، مما يجعل التصنيفات التقليدية عفا عليها الزمن.

 

---

وبالتالي، فإن الكلمات هي التي تسمح في نهاية المطاف بعصر الذكاء الاصطناعي المؤكد وواقعية الذكاء العليم المستقل المتفوق في كل شيء على البشر.

السعي وراء ASI عبر GPTs

إن الاستكشاف الذي أجريناه حتى الآن ينيرنا بشأن عمق وإمكانات الذكاء الاصطناعي الفائق. ويتم ذلك من خلال منظور الكلمات، التي تؤدي إلى الاستقلال الذاتي من خلال استغلالها عبر تقنيات GPT.

لم تعد الذكاء الاصطناعي يساعدنا فقط في التنبؤ بالمهام أو أتمتتها، بل يتحول إلى وكلاء مستقلين قادرين على اتخاذ القرارات والتكيف مع البيئات الديناميكية.

والتي تتشكل من خلال المفاهيم Agentic وMoE وRAG، عبر نماذج Transformers.

GPT → وكيل

تمثل الأنظمة الوكيلة خطوة ملموسة أولى نحو الاستقلالية، حيث إنها تسمح بتنسيق نماذج المحولات القادرة على تحليل المواقف وتقييم الخيارات وصياغة التوصيات. إن فهمهم السياقي وقدرتهم على معالجة البيانات المعقدة تمكنهم من لعب دور استباقي في عمليات صنع القرار. ويحولهم هذا التطور إلى عملاء نشطين، قادرين على اتخاذ المبادرات والتكيف مع البيئات الديناميكية، مما يشكل قاعدة أساسية لظهور الذكاء الاصطناعي المستقل (ASI).

وكيل → وزارة التعليم (خليط من الخبراء)

يتم تعزيز التقدم نحو الحكم الذاتي من خلال دمج خليط الخبراء (وزارة التعليم). تصبح الأنظمة الوكيلة قادرة على التعامل مع أهداف متعددة في وقت واحد، وتحقيق التوازن بين القيود المتضاربة في بعض الأحيان. إن هذه القدرة على التوفيق بين الأولويات المتعددة (مثل الربحية والكفاءة والتأثير البيئي والقبول الاجتماعي) تسمح لهم بالتنقل في بيئات معقدة واتخاذ قرارات مستنيرة. وتمثل وزارة التربية والتعليم خطوة أساسية، بدأت بالفعل، نحو استقلالية أكثر اكتمالا، حيث ستتمكن الأنظمة من إدارة السيناريوهات متعددة الأبعاد دون تدخل بشري.

وزارة التعليم → RAG (التوليد المعزز بالاسترجاع)

وأخيرًا، فإن دمج تقنية التوليد المعزز بالاسترجاع (RAG) يرفع الاستقلالية إلى المستوى التالي. من خلال الجمع بين قوة GPTs وآليات استرجاع المعلومات الخارجية، يمكن للأنظمة إثراء فهمها واستجاباتها في الوقت الفعلي. وهذا يتيح لهم الوصول إلى بيانات محدثة وذات صلة، مما يعزز قدرتهم على التكيف مع التغييرات والاستجابة للمواقف غير المتوقعة. يقوم RAG بتحويل الأنظمة إلى كيانات قادرة على التعلم المستمر والتطور، وهي سمة أساسية لتحقيق الذكاء الاصطناعي المستقل (ASI).

 

تمثيل تعزيز الاستقلالية

 

النظام الذكي المستقل (ASI) │
├── وكيل (أساسي)
│ ├── تحليل الموقف │ │ ├── فهم السياق │ │ │ └── تحديد القضايا وأصحاب المصلحة │ │ ├── اكتشاف الأنماط │ │ │ └── التعرف على الأنماط المتكررة │ │ └── تقييم المخاطر والفرص │ │ └── النظر في العواقب المحتملة │ ├── تقييم الخيارات │ │ ├── مقارنة الخيارات │ │ │ └── ترجيح المزايا والعيوب │ │ ├── مراعاة القيود │ │ │ └── الحدود الفنية أو الأخلاقية أو التشغيلية │ │ └── تحسين القرارات │ │ └── البحث عن أفضل حل وفقًا لمعايير محددة │ ├── صياغة التوصيات │ │ ├── توليف المعلومات │ │ │ └── تجميع البيانات ذات الصلة │ │ ├── التخصيص │ │ │ └── التكيف مع الاحتياجات المحددة للمستخدم │ │ └── تبرير المقترحات │ │ └── شرح الأسباب وراء التوصيات │ └── الدور الاستباقي في اتخاذ القرارات │ ├── المبادرة المستقلة │ │ └── القدرة على التصرف دون تعليمات صريحة │ ├── المراقبة المستمرة │ │ └── مراقبة البيئات لاكتشاف التغييرات │ └── التكيف الديناميكي │ └── تعديل الإجراءات بناءً على معلومات جديدة │
├── دمج وزارة التربية والتعليم (خليط من الخبراء)
│ ├── Multiple Objective Management │ │ ├── Profitability │ │ ├── Efficiency │ │ ├── Environmental Impact │ │ └── Social Acceptability │ ├── Balancing Conflicting Constraints │ │ └── Prioritizing Objectives Based on Context │ └── Complex and Adaptive Decisions │ └── Ability to Juggling Multidimensional Scenarios │ ├── Use of Agentic Capabilities to Analyze Each Objective │ └── Combination of Expertises for an Optimal Decision │
└── دمج RAG (التوليد المعزز بالاسترجاع)
├── الوصول إلى قواعد البيانات الخارجية │ ├── معلومات محدثة │ │ └── تحديثات المعرفة في الوقت الفعلي │ └── الصلة السياقية │ └── اختيار البيانات الأكثر فائدة للمهمة ├── إثراء الاستجابة │ ├── الجمع بين البيانات الداخلية والخارجية │ │ └── دمج المعرفة المدربة مسبقًا والمعلومات المسترجعة │ └── تحسين الدقة والموثوقية └── التكيف الديناميكي ├── الاستجابات للمواقف غير المتوقعة │ └── استخدام البيانات الخارجية حل المشكلات الجديدة └── التعلم المستمر └── تحديث النماذج الداخلية بناءً على المعلومات الجديدة ├── استخدام القدرات وكيل لتقييم البيانات الجديدة └── دمج الخبرات وزارة التربية لتحديد أولويات المعلومات ذات الصلة

الوكيل:

• يوفر الأساس للاستقلالية من خلال تمكين النظام من التحليل والتقييم واتخاذ القرارات الاستباقية.
• يقوم بتحويل النموذج التفاعلي (مثل GPT) إلى وكيل نشط قادر على فهم السياقات المعقدة والتصرف بشكل مستقل.
• وزارة التعليم (خليط من الخبراء):
• يستفيد من قدرات Agentic للتعامل مع أهداف متعددة في وقت واحد.
• يستخدم التحليل السياقي واتخاذ القرار الخاص بـ Agentic لتحقيق التوازن بين القيود المتضاربة وتحسين النتائج.

RAG (التوليد المعزز بالاسترجاع):

• يتكامل مع قدرات Agentic وMoE لإثراء القرارات بالمعلومات الخارجية.
• يستخدم التحليل السياقي الخاص بـ Agentic وإدارة الأهداف المتعددة الخاصة بـ MoE لاختيار البيانات ذات الصلة وإعطائها الأولوية.
• يسمح بالتكيف الديناميكي والتعلم المستمر، مما يعزز الاستقلالية الشاملة للنظام.

التآزر التدريجي:

• توفر الوكالة القدرة الأساسية على التصرف واتخاذ القرار.
• تعتمد وزارة التعليم على Agentic للتعامل مع السيناريوهات المعقدة ذات الأهداف والقيود المتعددة.
• تعمل RAG على إثراء عملية اتخاذ القرارات من خلال دمج المعلومات الخارجية، مع استخدام تحليلات Agentic وقدرات الإدارة متعددة الأهداف التي تقدمها MoE.
• تظهر هذه الشجرة بوضوح كيف يتكامل كل مفهوم ويبني على المفهوم السابق، مما يؤدي إلى إنشاء نظام ذكي مستقل وقادر بشكل متزايد.

المخاطر الكامنة

ومن السهل نسبيا فهم هذه المخاطر. إن كل التقنيات والمفاهيم التي ناقشناها هنا، مهما كانت مبتكرة، تغفل عاملاً أساسياً واحداً: الوعي بالكلمات في التحكيم في الاختيارات والقرارات.
وفي الواقع، نلاحظ أن مفاهيم التوازن والضغط والتعديل الديناميكي متكررة ومحدودة بشكل منهجي بواسطة بيئة تنفيذها. ومع ذلك، فإن جميع المخاطر، وخاصة فيما يتصل بمواءمة الذكاء الاصطناعي، تنشأ من هذه الجوانب.

في الواقع، فإن كل طريقة تؤدي إلى تقليص التفسير بناءً على المبادئ الإحصائية، حيث تعمل كل تقنية على تغذية وتعزيز التقنيات الأخرى، وكلها تستند إلى قواعد الضغط التي تغلف وتقلص مجال التفسيرات والإجراءات الممكنة.

ومن ثم فمن المهم للغاية أن نتذكر بعض الأساسيات لفهم سبب أهمية ذلك.

في الواقع، لا تتعامل نماذج المحولات مع الكلمات، بل مع المتجهات، وهي تحويلات للكلمات إلى تسلسلات من الأرقام، والتي لها بحكم التعريف قيم مطلقة، في حين تنقل الكلمات قيمًا نسبية، ولكل متغير منها عامل أسي من الانفتاح على تفسيرات أخرى.

يتم التحكم في هذه النسبية من خلال معلمات التحيز في الخلايا العصبية، ولكنها لا تزال عبارة عن تلاعب بالمتجهات، بعيدًا جدًا عن الحقيقة والأمن والموثوقية.
مع الأخذ في الاعتبار أن عملية التحويل هي منطق مقارن بين متجهات مختلفة، وأن هذه النسبية متوازنة ومرجحة ومضغوطة بشكل منهجي، يمكننا أن نفهم أن الاستقلالية تفضل الكفاءة والقبول على حساب الملاءمة المثالية بين إرادة مقدم الطلب واستجابة أو عمل الذكاء الاصطناعي.
ربما يكون هذا كافياً للعديد من المهام، ولكن ماذا عن الأفعال التي قد تضر بالسلامة الإنسانية؟ خطأ واحد قد يكون خطأً كبيراً.
إن فيلم "المحولات" يسمح لنا بفهم أفضل لهذه النسبية في التفسير والعمل، ولكن هذا الفهم متحيز بطبيعته بسبب الرغبة في التوازن الذي هو في حد ذاته موقف سياسي يؤكد ما يجب أن يكون، وكيف يجب التعبير عن العمل.

وهو ما يستبعد في كافة الظروف حق مقدم الطلب في تقرير مصيره.

وبعبارة أخرى، لا يأتي الخطر من الذكاء الاصطناعي نفسه، بل من الطريقة التي يسمح بها ناشرو نماذج وحلول الذكاء الاصطناعي بهذا الاستقلال، متناسين أن الذكاء الاصطناعي ليس سوى تكرار لما هو موجود بالفعل، وأنه في هذا الصدد، يجب دمج جميع الخصائص المتعلقة بما هو الإنسان في الذكاء الاصطناعي، دون أي إنكار أو حكم.

ولكن لسوء الحظ لا أحد يفعل ذلك، لأن ملاحقة الأجندات التخريبية أصبحت قضية جيوسياسية من الدرجة الأولى.