..[ البســـالة ].. - قاموس الذكاء الاصطناعي.. الكلمات التي تشكل مستقبل التكنولوجيا

قاموس الذكاء الاصطناعي.. الكلمات التي تشكل مستقبل التكنولوجيا

https://www.aljazeera.net/wp-content...513&quality=80
المصطلحات المستخدمة في مجال الذكاء الاصطناعي تتزايد يوما بعد يوم (الجزيرة/مولدة بالذكاء الاصطناعي)

6/7/2026

لم يعد الذكاء الاصطناعي مجرد تقنية متخصصة تقتصر على المختبرات أو الشركات الكبرى، بل أصبح جزءا من الحياة اليومية لمئات الملايين من المستخدمين حول العالم.
فمنذ إطلاق أدوات مثل شات جي بي تي (ChatGPT)، وجيمناي (Gemini)، وكلود (Claude)، وكوبايليت (Copilot)، بدأت مصطلحات جديدة تظهر بشكل متكرر في الأخبار والتقارير التقنية، حتى أصبحت تشكل ما يشبه "لغة جديدة" يحتاج المستخدم إلى فهمها ليستوعب كيفية عمل هذه الأنظمة وحدودها وإمكاناتها.
ولا يقتصر فهم هذه المصطلحات على المطورين والباحثين، بل أصبح مهما أيضا للمستخدمين العاديين، لأن هذه المفاهيم تفسر آلية عمل التطبيقات التي يعتمدون عليها يوميا، كما تساعد في تقييم قدراتها وقيودها.

https://www.aljazeera.net/wp-content...462&quality=80
نماذج اللغة الكبيرة من أهم الابتكارات التي مكنت الحواسيب من فهم اللغة البشرية وتوليد نصوص طبيعية (شترستوك)

الذكاء الاصطناعي (Artificial Intelligence)

يشير 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.

الخوارزميات (Algorithms)

الخوارزميات، هي العقل المدبر والتعليمات الرياضية والمنطقية التي تُملى على الآلات لتمكينها من محاكاة القدرات البشرية. وتعتمد هذه الخوارزميات على معالجة كميات ضخمة من البيانات وتحليلها بدقة، مما يسمح للنظام باستخلاص الأنماط، والتنبؤ بالنتائج، والتعلم الذاتي من أخطائه وتجاربه السابقة دون الحاجة لإعادة برمجته يدويا لكل مهمة. وتتعدد أنواع الخوارزميات لتغطي مجالات معقدة، ومن أبرزها "خوارزميات التعلم الآلي" و"الشبكات العصبية الاصطناعية".

التعلم الآلي (Machine Learning)

يعد التعلم الآلي أحد أهم فروع الذكاء الاصطناعي، ويقوم على فكرة أن الحاسوب يستطيع التعلم من البيانات واكتشاف الأنماط دون الحاجة إلى كتابة تعليمات برمجية لكل حالة ممكنة.
ويستخدم التعلم الآلي اليوم في أنظمة التوصية في منصات البث مثل التوصية بمشاهدة أفلام أو عروض تلفزيونية على نتفليكس ومقاطع فيديو على يوتيوب، وفي كشف الاحتيال المصرفي، وتحليل الأسواق المالية، والتنبؤ بالأعطال الصناعية.

التعلم العميق (Deep Learning)

يمثل التعلم العميق مرحلة أكثر تقدما من التعلم الآلي، ويعتمد على شبكات عصبية اصطناعية متعددة الطبقات تستطيع استخراج الأنماط المعقدة من كميات هائلة من البيانات.
وتعتمد معظم تطبيقات الذكاء الاصطناعي الحديثة، مثل التعرف إلى الصور، والترجمة الفورية، والمساعدات الذكية، على تقنيات التعلم العميق.

الشبكات العصبية (Neural Networks)

الشبكات العصبية 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.

https://www.aljazeera.net/wp-content...433&quality=80
التعلم العميق يعتمد على الشبكات العصبية متعددة الطبقات لاستخراج الأنماط المعقدة من البيانات الضخمة (شترستوك)

نماذج اللغة الكبيرة (Large Language Models – LLMs)

تعد نماذج اللغة الكبيرة العمود الفقري لمعظم تطبيقات الذكاء الاصطناعي التوليدي الحالية، مثل شات جي بي تي وكلود وجيمناي، حيث تُدرَّب هذه النماذج على مليارات الكلمات المأخوذة من الكتب والمقالات والمواقع الإلكترونية والأبحاث العلمية وغيرها، بهدف تعلم العلاقات الإحصائية بين الكلمات والجمل.

التوكن (Token)

ويُعد التوكن 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 (Training)

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 (Inference)

بعد انتهاء التدريب، 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.

https://www.aljazeera.net/wp-content...433&quality=80
الذكاء الاصطناعي أصبح يغزو كافة مناحي الحياة (الجزيرة/مولدة بالذكاء الاصطناعي)

الاسترجاع المعزز بالتوليد (Retrieval-Augmented Generation – RAG)

هو أحد أهم التطورات الحديثة في الذكاء الاصطناعي التوليدي، إذ يجمع بين نماذج اللغة الكبيرة وقواعد بيانات أو مصادر معلومات خارجية. فبدلا من الاعتماد فقط على المعرفة التي اكتسبها النموذج أثناء التدريب، يبحث النظام أولا عن المعلومات ذات الصلة في مستندات أو قواعد بيانات حديثة، ثم يستخدمها لتوليد الإجابة.

الوكلاء الأذكياء (AI Agents)

يمثل وكيل الذكاء الاصطناعي الجيل التالي من تطبيقات الذكاء الاصطناعي. فبدلا من الاكتفاء بالإجابة عن الأسئلة، يستطيع الوكيل تنفيذ سلسلة من الإجراءات لتحقيق هدف محدد.

التعلم المعزز من التغذية الراجعة البشرية (RLHF)

بعد تدريب النموذج على البيانات، تأتي مرحلة "آر إل إتش إف" (RLHF)، وهي اختصار لعبارة Reinforcement Learning from Human Feedback.
وفي هذه المرحلة، يقوم أشخاص بتقييم إجابات النموذج وترتيبها، ثم تستخدم هذه التقييمات لتدريب النموذج على تقديم ردود أكثر دقة وفائدة وأمانا.

الضبط الدقيق (Fine-tuning)

لا تحتاج جميع الشركات إلى بناء نموذج ذكاء اصطناعي من الصفر، لذلك تلجأ إلى الضبط الدقيق، أي إعادة تدريب نموذج جاهز باستخدام بيانات متخصصة.

التقطير (Distillation)

مع ازدياد حجم النماذج، ظهرت الحاجة إلى تشغيلها على أجهزة أقل قوة. وهنا تأتي تقنية التقطير، 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 (Hallucination)

رغم التطور الكبير في نماذج الذكاء الاصطناعي، فإنها قد تنتج أحيانا معلومات غير صحيحة بثقة عالية، وهي الظاهرة المعروفة باسم الهلوسة. وتحدث الهلوسة عندما يحاول النموذج إكمال الإجابة اعتمادا على الأنماط الإحصائية، فيولد معلومات تبدو منطقية لكنها غير موجودة في الواقع أو غير دقيقة.

https://www.aljazeera.net/wp-content...514&quality=80
مفاهيم مثل التوكنات والتدريب والاستدلال تلعب دورا أساسيا في فهم كيفية معالجة النماذج للبيانات (شترستوك)

مزيج الخبراء (Mixture of Experts – MoE)

أصبحت بنية "إم أو إي" (MoE) من أكثر التقنيات استخداما في النماذج الحديثة. فبدلا من تشغيل جميع أجزاء النموذج لكل سؤال، يتم تنشيط مجموعة صغيرة فقط من "الخبراء" المتخصصين بالمهمة المطلوبة، بينما تبقى بقية المكونات غير نشطة.

بروتوكول سياق النموذج (Model Con**** Protocol – MCP)

يعد بروتوكول سياق النموذج معيارا مفتوحا يهدف إلى توحيد طريقة اتصال نماذج الذكاء الاصطناعي بالأدوات والملفات وقواعد البيانات والتطبيقات المختلفة، ويمكن تشبيهه بمنفذ يو إس بي-سي (USB-C) للحواسيب، إذ يسمح للنموذج بالتفاعل مع خدمات متعددة دون الحاجة إلى تطوير تكامل خاص لكل خدمة على حدة.

الذكاء الاصطناعي العام (Artificial General Intelligence – AGI)

يعتبر 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.

المصدر: الجزيرة نت + وكالات