مفهوم – يشهد العالم اليوم تحولاً تكنولوجياً هائلاً يقوده الذكاء الاصطناعي (AI)، حيث تحولت هذه التقنية من مجرد فكرة في أفلام الخيال العلمي إلى واقع يومي يغير تفاصيل حياتنا وأعمالنا.
ومع هذا التطور المتسارع، ظهرت لغة جديدة ومصطلحات تقنية أصبحت جزءاً لا يتجزأ من الأحاديث اليومية في مجالات الأعمال، والتعليم، والإعلام. لفهم هذا العالم الجديد والتحكم بأدواته، يتعين علينا أولاً فك شفرات هذه المصطلحات وفهم دلالاتها العلمية والعملية.
في البداية يشير مصطلح الذكاء الاصطناعي إلى مجموعة من الأنظمة الحاسوبية المصممة لمحاكاة القدرات الذهنية البشرية، مثل التعلم والاستنتاج واتخاذ القرار وفهم اللغة والتعرف إلى الصور.
ويُعد هذا المجال المظلة التي تندرج تحتها تقنيات فرعية عديدة، مثل التعلم الآلي والتعلم العميق والرؤية الحاسوبية ومعالجة اللغة الطبيعية.
شرح أهم مصطلحات قاموس الذكاء الاصطناعي
الخوارزمية (Algorithm)
هي الروح البرمجية لكل نظام ذكي. تمثل مجموعة من الخطوات الرياضية والمنطقية المتسلسلة التي تتبعها الآلة لمعالجة البيانات والوصول إلى نتيجة محددة.
تعلم الآلة (Machine Learning – ML)
الفرع الأكثر تأثيراً في الذكاء الاصطناعي. يركز على تطوير أنظمة قادرة على التعلم الذاتي واستخلاص الأنماط من البيانات دون الحاجة إلى برمجة صريحة لكل خطوة.
التعلم العميق (Deep Learning – DL)
مستوى متقدم من تعلم الآلة يحاكي في تصميمه الشبكات العصبية الحيوية في الدماغ البشري. يعتمد على طبقات متعددة من المعالجة الرقمية لتحليل البيانات شديدة التعقيد، مثل التعرف على الوجوه أو قيادة السيارات الذاتية.
الشبكات العصبية
الشبكات العصبية (Neural Networks) هي البنية الرياضية التي يقوم عليها التعلم العميق، وقد استلهم تصميمها من طريقة اتصال الخلايا العصبية في الدماغ البشري.
وتتكون الشبكة من طبقات مترابطة تستقبل البيانات وتعالجها تدريجيا حتى تصل إلى النتيجة النهائية، ومع كل دورة تدريبية تعدل الشبكة أوزانها الرياضية لتحسين دقتها.
التوكن
ويُعد التوكن (Token) من أكثر المصطلحات تداولا في عالم الذكاء الاصطناعي، وهو أصغر وحدة نصية يتعامل معها النموذج أثناء القراءة أو الكتابة. فالكلمة الواحدة قد تمثل توكنا واحدا، أو قد تقسم إلى عدة توكنات إذا كانت طويلة أو غير شائعة.
التدريب
التدريب هو المرحلة التي يتعلم خلالها النموذج من البيانات الضخمة، حيث يجري تعديل مليارات الأوزان الرياضية تدريجيا حتى تصبح مخرجاته أقرب إلى الإجابات الصحيحة.
وتعتبر هذه المرحلة الأكثر تكلفة في دورة حياة النموذج، إذ قد تستغرق أسابيع أو أشهرا، وتتطلب آلاف وحدات معالجة الرسومات (GPU)، إضافة إلى استهلاك كميات كبيرة من الكهرباء.
الاستدلال
بعد انتهاء التدريب (Inference)، تبدأ مرحلة الاستدلال، وهي عملية استخدام النموذج للإجابة عن أسئلة المستخدمين أو تنفيذ المهام المطلوبة.
وسرعة الاستدلال هي أحد أهم عوامل المنافسة بين شركات الذكاء الاصطناعي، لأنها تؤثر مباشرة في سرعة استجابة التطبيقات وتجربة المستخدم، كما تمثل الجزء الأكبر من تكاليف تشغيل النماذج بعد إطلاقها.
التقطير
مع ازدياد حجم النماذج، ظهرت الحاجة إلى تشغيلها على أجهزة أقل قوة. وهنا تأتي تقنية التقطير (Distillation)، التي تنقل المعرفة من نموذج كبير إلى نموذج أصغر وأكثر كفاءة، حيث يحافظ النموذج الجديد على جزء كبير من قدرات النموذج الأصلي، لكنه يحتاج إلى ذاكرة أقل ويعمل بسرعة أعلى، وهو ما يجعله مناسبا للهواتف الذكية والأجهزة الطرفية.
الهلوسة
رغم التطور الكبير في نماذج الذكاء الاصطناعي، فإنها قد تنتج أحيانا معلومات غير صحيحة بثقة عالية، وهي الظاهرة المعروفة باسم الهلوسة (Hallucination). وتحدث الهلوسة عندما يحاول النموذج إكمال الإجابة اعتمادا على الأنماط الإحصائية، فيولد معلومات تبدو منطقية لكنها غير موجودة في الواقع أو غير دقيقة.
الذكاء الاصطناعي العام
يعتبر الذكاء الاصطناعي العام (Artificial General Intelligence – AGI) أحد أكثر المفاهيم إثارة للنقاش، ويشير إلى نظام ذكاء اصطناعي قادر على أداء معظم المهام الفكرية التي يستطيع الإنسان القيام بها، مع القدرة على التعلّم والتكيف في مجالات مختلفة دون تدريب منفصل لكل مهمة.