ما هو الذكاء الاصطناعي وكيف يعمل بطريقة مبسطة؟

 يتحدث الجميع اليوم عن الذكاء الاصطناعي، لكن قلة تستطيع أن تشرح ما يجري داخله فعلًا. بعضهم يتخيله عقلًا إلكترونيًا يفكر كالبشر، وبعضهم يظنه برنامجًا عاديًا بلغة سحرية، وبعضهم يخشاه أو يبالغ في الوعد به دون أن يعرف حدوده. والحقيقة أبسط وأكثر إثارة: هو مجموعة من الطرق الحاسوبية تتيح للآلة أن تتعلم أنماطًا من البيانات ثم تستخدمها لتتنبأ أو تصنف أو تولد شيئًا جديدًا.

وفي هذا المقال نقدم شرح مبسط يبدأ من الأساس ولا يفترض أي خلفية تقنية. نجيب أولًا عن سؤال ما هو الذكاء الاصطناعي وكيف يختلف عن البرمجة التقليدية، ثم نشرح تعلم الآلة الذي يمثل قلب الحقبة الحالية، ونفك لغز الشبكات العصبية بتشبيهات يومية، ونبين كيف تتدرب النماذج اللغوية التي تقف وراء المساعدات الحوارية، ثم نعرض أنواعه وحدوده، ونختم بأمثلة من حياتنا. وسنتجنب المعادلات والمصطلحات المعقدة قدر الإمكان ليبقى كل جزء شرح مبسط يمكن أن يتابعه القارئ من البداية، مع الحرص على أن يبقى الشرح صحيحًا لا مبسطًا حتى التضليل.

ما هو الذكاء الاصطناعي؟

للإجابة عن سؤال ما هو الذكاء الاصطناعي نقول إنه فرع من علوم الحاسوب يهدف إلى بناء أنظمة تؤدي مهامًا تتطلب عادة ذكاءً بشريًا، مثل فهم اللغة والتعرف على الصور واتخاذ القرارات والتنبؤ وحل المسائل. وليس له تعريف واحد متفق عليه، لكن القاسم المشترك أن النظام يظهر سلوكًا يبدو ذكيًا في مجال معين. وكلمة «اصطناعي» تعني أن هذا الذكاء من صنع الإنسان وليس بيولوجيًا، لا أنه زائف أو وهمي.

والفرق الجوهري بينه وبين البرمجة التقليدية في طريقة بناء المعرفة. في البرمجة التقليدية يكتب المبرمج القواعد بنفسه: إذا حدث كذا فافعل كذا. أما في الذكاء الاصطناعي الحديث فنعطي الآلة أمثلة كثيرة ونتركها تستخلص القواعد بنفسها. مثلًا لا نكتب قواعد دقيقة لتمييز القطط في الصور، بل نعرض عليها آلاف الصور المصنفة فتتعلم الخصائص التي تميز القطة. وهذا يفسر لماذا ينجح في مهام يصعب وصفها بقواعد صريحة كفهم الكلام وتمييز الوجوه.

ومن المهم أن نفرق بين الذكاء الاصطناعي الضيق والعام. الضيق هو كل ما نستخدمه اليوم: أنظمة تتقن مهمة محددة أو مجموعة مهام، كالترجمة أو التعرف على الصوت أو توليد النصوص، ولا تملك فهمًا شاملًا ولا وعيًا. أما الذكاء العام فهو فكرة نظام يتعلم ويفهم أي مهمة كالإنسان، وهو هدف بحثي نظري لم يتحقق، وتختلف آراء الباحثين في إمكانه وموعده. ولهذا ينبغي أن نقرأ العناوين التي تتحدث عن عقول واعية بحذر.

وأقدم من الموجة الحالية تاريخ طويل. بدأ الباحثون في منتصف القرن العشرين بمحاولة برمجة المنطق والقواعد، ثم مرت المجال بفترات حماس وفتور، ثم عادت الحياة إليه مع ثلاثة عوامل: توفر كميات هائلة من البيانات، وقدرة حاسوبية أكبر وأرخص، وتحسن الخوارزميات. وحين اجتمعت هذه العوامل ظهرت قفزات في الصور والكلام واللغة، وهذا ما نعيشه الآن. فالذكاء الاصطناعي ليس طفرة مفاجئة بل ثمرة عقود من العمل.

• القواعد الصريحة: كانت الطريقة القديمة، يكتبها الخبراء يدويًا، وهي مناسبة لمشكلات واضحة المنطق لكنها تعجز عن وصف مهام معقدة كاللغة والصور.
• التعلم من البيانات: الأسلوب السائد اليوم، تُعرض أمثلة على النظام فيتعلم الأنماط، ويتحسن بتوفر بيانات أكثر وأجود وبقدرة حاسوبية أكبر.
• الضيق مقابل العام: كل الأنظمة المتاحة اليوم ضيقة النطاق مهما بدت عامة، والذكاء العام ما زال هدفًا بحثيًا يختلف الخبراء في توقيته.

تعلم الآلة: التعلم من البيانات

تعلم الآلة هو الفرع الذي يمكّن الحواسيب من التحسن في مهمة ما عبر التجربة بدل البرمجة المباشرة. تخيّل أنك تعلّم طفلًا أن يميز الفواكه: تريه تفاحة وتقول «تفاحة»، وموزة وتقول «موزة»، ومع الأمثلة الكافية يتعلم أن يميز بنفسه. تعلم الآلة يعمل بالفكرة نفسها، لكن بملايين الأمثلة وبحسابات رياضية بدل الإدراك الحسي. والنتيجة نموذج رياضي يستقبل مدخلًا ويعطي مخرجًا مناسبًا.

وللتعلم ثلاثة أنماط رئيسية. الأول التعلم الموجّه، حيث تكون الأمثلة مصنفة بإجابات صحيحة، كصور عليها وسوم أو رسائل بريد مصنفة بين عادية ومزعجة، ويتعلم النموذج الربط بين المدخل والإجابة. الثاني التعلم غير الموجّه، حيث لا توجد إجابات، ويبحث النموذج عن بنية خفية في البيانات كتجميع العملاء المتشابهين. الثالث التعلم المعزز، حيث يجرب النظام أفعالًا ويتلقى مكافآت أو عقوبات فيتعلم الاستراتيجية الأفضل، كما في بعض الألعاب والروبوتات.

وتمر عملية تعلم الآلة بمراحل متشابهة: جمع البيانات، وتنظيفها وتجهيزها، واختيار نوع النموذج، وتدريبه على جزء من البيانات، ثم اختباره على جزء لم يره من قبل، ثم نشره ومراقبة أدائه. والمرحلة الأهم والأطول عادة هي البيانات، فالنموذج لا يتجاوز جودة ما يتعلم منه. فإذا كانت البيانات ناقصة أو منحازة أو قديمة، تعلّم النموذج الانحياز والقصور وأعاد إنتاجهما، وهذا من أكبر مصادر الأخطاء في التطبيقات الواقعية.

ومما يحدث أيضًا أن يحفظ النموذج بيانات التدريب بدل أن يتعلم الأنماط العامة، وهو ما يسمى فرط الملاءمة. يؤدي ممتازًا على ما رآه ويخطئ في الجديد، كطالب حفظ إجابات الامتحانات السابقة ولم يفهم الدرس. ولذلك يختبر المهندسون النماذج على بيانات منفصلة، ويراقبون الأداء بعد النشر لأن العالم يتغير ويصبح النموذج أقل دقة بمرور الوقت. فتعلم الآلة ليس مشروعًا ينتهي بل نظام يحتاج متابعة.

• التعلم الموجّه: يعتمد على أمثلة مصنفة، ويناسب التصنيف والتنبؤ كاكتشاف الاحتيال وتصنيف الصور، وتحتاج جودته إلى وسوم دقيقة وكثيرة.
• التعلم غير الموجّه: يكتشف أنماطًا دون إجابات جاهزة، ويفيد في تجميع المتشابهات وكشف الحالات الشاذة، لكن تفسير نتائجه يتطلب خبرة بالمجال.
• التعلم المعزز: يتعلم عبر التجربة والمكافأة، ويصلح للألعاب والتحكم الآلي، ويحتاج تجارب كثيرة وبيئة آمنة للتعلم دون أضرار.

الشبكات العصبية بشرح مبسط

الشبكات العصبية أبرز تقنيات تعلم الآلة الحديثة، وهي مستوحاة من بعيد من فكرة الخلايا العصبية في الدماغ، لكنها ليست نسخة منه. تتكون من وحدات حسابية صغيرة مرتبة في طبقات: طبقة تستقبل المدخلات كبكسلات الصورة، وطبقات وسطى تعالج وتحول، وطبقة أخيرة تعطي الناتج كاسم الشيء في الصورة. وكل وحدة تأخذ أرقامًا وتضربها في أوزان وتجمعها وتمررها عبر دالة بسيطة، ثم ترسل النتيجة إلى الطبقة التالية.

وفي هذا الشرح المبسط تكمن الفكرة الأساسية في الأوزان. هي أرقام تحدد مدى تأثير كل مدخل على كل وحدة، وتبدأ عشوائية. يعرض النظام مثالًا ويقارن ناتجه بالإجابة الصحيحة، ثم يحسب مقدار الخطأ ويعدّل الأوزان قليلًا لتقليل الخطأ في المرة القادمة. ويكرر هذا ملايين المرات على أمثلة كثيرة، فتتشكل الأوزان تدريجيًا حتى تصبح الشبكة قادرة على التمييز. وهذه عملية رياضية بحتة وليست فهمًا بالمعنى البشري.

وتسمى الشبكات التي تحتوي طبقات كثيرة شبكات عميقة، ومنها جاء مصطلح التعلم العميق. العمق يسمح للشبكة ببناء تمثيلات متدرجة: في الصور تلتقط الطبقات الأولى الحواف والألوان، والوسطى الأشكال والأجزاء، والأخيرة الأشياء الكاملة. وهذا ما أتاح قفزات في التعرف على الصور والكلام والترجمة. وهناك أنواع من الشبكات لمهام مختلفة، منها ما يناسب الصور ومنها ما يناسب التسلسلات كالنصوص، ومنها بنية حديثة اسمها المحوّلات تقف وراء معظم النماذج اللغوية الكبرى.

ومن الجوانب التي تحيّر الناس أن الشبكات العصبية تعمل كصندوق أسود نسبيًا. نعرف كيف دُربت وماذا أعطت من نتائج، لكن يصعب تفسير سبب قرار معين بدقة، فالمعرفة موزعة على ملايين أو مليارات الأوزان. ولهذا يعمل باحثون على تفسير النماذج، وهو مجال مهم في الأطباء والقضاء والتمويل حيث يُطلب تبرير القرار. وحتى ذلك الحين ينبغي استخدام هذه الأنظمة بحذر حيث الأخطاء مكلفة، مع بقاء الإنسان في الحلقة.

• الطبقات والوحدات: بنية تحول المدخلات خطوة بعد خطوة إلى مخرجات، وكل طبقة تلتقط مستوى أعلى من التجريد من سابقتها.
• الأوزان والتدريب: أرقام تُعدَّل تدريجيًا لتقليل الخطأ على الأمثلة، وهي مكان تخزين ما تعلمته الشبكة، وعددها قد يبلغ مليارات في النماذج الكبيرة.
• الصندوق الأسود: صعوبة تفسير قرار معين، وهذا تحدٍ حقيقي في المجالات الحساسة يعالجه بحث نشط وإجراءات مراجعة بشرية.

كيف تتدرب النماذج اللغوية؟

النماذج اللغوية الكبيرة هي شبكات عصبية ضخمة تدربت على كميات هائلة من النصوص لتتنبأ بالكلمة أو الجزء التالي في الجملة. تبدو المهمة بسيطة، لكن حين تُنفذ على نطاق واسع جدًا يضطر النموذج إلى تعلم النحو والمعلومات والعلاقات بين الأفكار وأساليب الكتابة، لأن التنبؤ الجيد بالكلمة التالية يتطلب فهمًا لما قبلها. والنموذج لا يخزن النصوص كما هي، بل يحتفظ بأنماط إحصائية موزعة في أوزانه.

وتمر العملية بمرحلتين عامتين. الأولى التدريب المسبق، وفيه يتعلم النموذج من نصوص كبيرة متنوعة، فيكتسب معرفة عامة بلغة العالم. والثانية الضبط والتحسين، وفيه تُوجَّه سلوكياته ليصبح مفيدًا ومهذبًا وآمنًا، بالاستعانة بأمثلة بشرية وملاحظات مقيّمين. وبعد ذلك يستخدمه الناس بتوجيهات نصية، وهي ما نسميه الأوامر. ويولد النموذج الرد جزءًا بعد جزء، فيختار في كل خطوة بين خيارات محتملة، ولذلك قد تختلف إجاباته في كل مرة.

وهذه الطريقة تفسر نقاط القوة والضعف معًا. يكتب بطلاقة ويلخص ويترجم ويشرح لأنه رأى أنماطًا كثيرة من ذلك. لكنه قد يخطئ بثقة ويختلق معلومات أو مراجع غير موجودة، وهو ما يسمى الهلوسة، لأن هدفه توليد نص محتمل لا التحقق من الحقيقة. كما قد يعكس انحيازات بيانات التدريب، ولا يعرف أحدث الأحداث إن لم تُوصل بأدوات بحث. ولذلك فالقاعدة الذهبية: استخدمه مساعدًا للمسودات والأفكار، وتحقق من أي معلومة مهمة.

ويستهلك التدريب موارد كبيرة من الحواسيب والطاقة، وتدور نقاشات حول حقوق المحتوى المستخدم في التدريب وأثر ذلك على المبدعين والناشرين، وحول الشفافية في وصف مصادر البيانات. وهي قضايا قانونية وأخلاقية مفتوحة وتتغير فيها القوانين والاتفاقات. وكمستخدم ينبغي أن تقرأ شروط الأدوات التي تستخدمها، وأن تتجنب إدخال بيانات سرية في أدوات لا تعرف كيف تُعالج مدخلاتها.

أنواع الذكاء الاصطناعي وحدوده

يمكن تصنيف الأنظمة بحسب وظيفتها. هناك أنظمة تصنيف وتنبؤ تحكم على مدخل وتعطي قرارًا أو احتمالًا، كاكتشاف الاحتيال وتصنيف الرسائل. وأنظمة توصية تقترح ما يناسب اهتمامك كالأفلام والمنتجات. وأنظمة إدراك تفهم الصور والصوت كالتعرف على الوجه والكلام. وأنظمة توليدية تنتج نصوصًا وصورًا وأصواتًا جديدة. وأنظمة تحكم تقود روبوتات أو سيارات أو عمليات صناعية. ولكل نوع نقاط قوة ومخاطر مختلفة.

وللذكاء الاصطناعي حدود ينبغي ألا ننساها. هو لا يفهم كما نفهم، ولا يملك وعيًا أو نوايا أو مشاعر، رغم أن الحوار معه قد يوحي بذلك. وهو يتأثر بالبيانات التي تعلم منها، فيفشل في مواقف تختلف عن تدريبه، وقد ينخدع بتغييرات صغيرة في المدخلات. ويحتاج إلى إشراف في القرارات المهمة كالتوظيف والقروض والعلاج، لأن الأخطاء والانحيازات هناك تمس حياة الناس. فالأداة القوية ليست بالضرورة موثوقة في كل سياق.

وتبرز قضايا مجتمعية: الخصوصية، والانحياز، والمساءلة عند الخطأ، والتأثير في الوظائف، والتزييف العميق والمعلومات المضللة، واستهلاك الطاقة. وتعمل حكومات ومؤسسات على أطر تنظيمية ومعايير، وتختلف النهج بين البلدان وتتطور بسرعة. وقد يفيدك أن تتابع ما يصدر في بلدك عن استخدام هذه التقنيات، خاصة إن كنت تعمل في مجال حساس كالصحة أو التعليم أو المال.

• التصنيف والتوصية: أنظمة تتخذ قرارات أو تقترح خيارات من أنماط البيانات، وتحتاج مراقبة للانحياز والدقة خاصة في السياقات الحساسة.
• الإدراك والتوليد: أنظمة تفهم الصور والكلام أو تنتج محتوى جديدًا، وتتطلب التحقق من النتائج وإدراك احتمال الخطأ والتزييف.
• التحكم والروبوتات: أنظمة تؤثر في العالم المادي، ولذلك تخضع لمعايير سلامة أشد واختبارات أطول قبل الاستخدام العام.

أين نستخدمه في حياتنا؟

يحيط بنا الذكاء الاصطناعي أكثر مما نتصور. هاتفك يستخدمه في تحسين الصور وفتح القفل بالوجه والتصحيح التلقائي والإملاء الصوتي. وتطبيقات الخرائط تتنبأ بالازدحام وتقترح المسارات. ومنصات المشاهدة والتسوق توصي بما يناسبك. وبنكك يستخدم نماذج لاكتشاف المعاملات المشبوهة. وبريدك يفرز الرسائل المزعجة. ومن حولك أدوات ترجمة وتفريغ صوتي وتلخيص. وكل هذا يحدث غالبًا في الخلفية دون أن تسمي ما يجري ذكاءً اصطناعيًا.

وفي القطاعات المهنية يساعد في قراءة الصور الطبية وإبراز الحالات المشتبه بها للطبيب، وفي تحليل العقود وتصنيف المستندات، وفي صيانة المصانع بالتنبؤ بالأعطال، وفي الزراعة بتحليل صور الحقول، وفي التعليم بتخصيص التمارين. وفي الكتابة والبرمجة والتصميم يستخدمه كثيرون مساعدًا ينجز المسودات ويقترح البدائل. ويبقى تقدير النتائج مسؤولية المختص، فالأداة تسرّع لكنها لا تتحمل المسؤولية.

وكيف تبدأ فعلًا؟ جرّب أداة حوارية في مهمة صغيرة من حياتك: لخّص مقالًا، أو اطلب خطة دراسة، أو اشرح مفهومًا بلغة بسيطة. لاحظ كيف تتغير النتيجة بتغير صياغة الطلب، وتحقق من المعلومات التي تعتمد عليها، ولا تدخل بيانات سرية. وتابع مقالاتنا عن أدوات الذكاء الاصطناعي وطرق استخدامه في العمل والدراسة. ومع الوقت ستتكون لديك حاسة تفرق بين ما يجيده هذا النوع من الأنظمة وما يجب أن تفعله بنفسك.

وختامًا، الفهم المبسط يكفي ليجعلك مستخدمًا واعيًا. الذكاء الاصطناعي أنظمة تتعلم الأنماط من البيانات، وتنتج مخرجات محتملة لا مضمونة، وتحتاج إلى إشراف ومراجعة. هو أداة قوية، لا ساحر ولا تهديد وجودي في صورته الحالية بحسب ما هو متاح من أدلة، لكنه يتطلب معرفة كافية لتستفيد منه دون أن تقع في فخاخه. ومن يفهمه الآن يملك ميزة في عالم تتسع فيه هذه الأدوات.

أسئلة شائعة عن الذكاء الاصطناعي

ما هو الذكاء الاصطناعي بكلمات بسيطة؟

أنظمة حاسوبية تتعلم أنماطًا من البيانات لتؤدي مهامًا مثل فهم اللغة والتعرف على الصور والتنبؤ، بدل أن يكتب المبرمج كل قاعدة بنفسه.

ما الفرق بين الذكاء الاصطناعي وتعلم الآلة؟

الذكاء الاصطناعي المجال الأوسع، وتعلم الآلة فرع منه يعتمد على التعلم من البيانات. والتعلم العميق فرع من تعلم الآلة يستخدم الشبكات العصبية متعددة الطبقات.

هل الذكاء الاصطناعي يفكر ويشعر؟

لا تدل الأدلة المتاحة على ذلك. هو يعالج أنماطًا إحصائية وينتج مخرجات تبدو بشرية، لكنه لا يملك وعيًا أو مشاعر بحسب فهمنا الحالي.

لماذا يخطئ أحيانًا بثقة؟

لأن هدفه توليد استجابة محتملة لا التحقق من الحقيقة، ولأنه قد يتعلم من بيانات ناقصة أو منحازة، ولذلك يجب مراجعة المعلومات المهمة.

هل أحتاج إلى معرفة البرمجة لاستخدامه؟

لا، فأغلب الأدوات تُستخدم بالأوامر النصية العادية. لكن فهم أساسياته يساعدك على استخدامه بأمان وكفاءة.