مركز تعلّم الذكاء الاصطناعيEnglish
ترجمة عربية جديدة ✦ نراجعها باستمرار لتحسينها.

الذكاء الاصطناعي متعدد الوسائط

⁧الذكاء متعدد الوسائط: نموذج واحد لكل الحواس⁩ ⁧مخطط تدفّق يُظهر مدخلات من نصوص وصور وصوت وفيديو تدخل نموذج محوّل موحّداً، فيُنتج إجابات نصية وصوراً مولّدة ونصوصاً مفرّغة وتحليلاً يجمع بين الوسائط.⁩ ⁧الذكاء متعدد الوسائط: نموذج واحد لكل الحواس⁩ ⁧المدخلات — ما يمكنك إرساله⁩ ⁧النص⁩ ⁧أسئلة، تعليمات، مستندات⁩ ⁧توجيهات، كود، بيانات منظمة⁩ ⁧الصورة⁩ ⁧لقطات شاشة، صور، مخططات⁩ ⁧رسوم بيانية، مستندات ممسوحة، تصاميم واجهات⁩ ⁧الصوت⁩ ⁧اجتماعات، ملاحظات صوتية، بودكاست⁩ ⁧مكالمات عملاء، تسجيلات محاضرات⁩ ⁧الفيديو⁩ ⁧تسجيلات شاشة، عروض، مقاطع⁩ ⁧دروس، لقطات أمنية، مراجعات⁩ → ⁧محوّل موحّد⁩ ⁧معمارية مشتركة تعالج كل الوسائط في نموذج واحد⁩ ⁧انتباه لكل الرموز في آن واحد⁩ ⁧رموز النص والصورة والصوت ينتبه بعضها لبعض⁩ ⁧فضاء تضمين مشترك⁩ ⁧كل الوسائط في تمثيل واحد⁩ ⁧استدلال عبر الوسائط⁩ ⁧«صِف الخطأ في هذا الرسم البياني» — نص + صورة معًا⁩ ⁧استدعاء API واحد — طلب واحد ورد واحد⁩ ⁧لا حاجة لنموذج منفصل لكل وسيط⁩ GPT · Gemini · Claude · Llama · Qwen-VL ⁧2025: فهم الصوت والفيديو شائع في النماذج الرائدة⁩ → ⁧المخرجات — ما تحصل عليه⁩ ⁧إجابة نصية⁩ ⁧ملخصات، تحليل، استدلال⁩ ⁧تقارير منظمة، كود مولّد⁩ ⁧صور مولّدة⁩ ⁧رسوم توضيحية، نماذج واجهات⁩ ⁧شروح مرئية، مخططات⁩ ⁧التفريغ النصي والكلام⁩ ⁧محاضر اجتماعات، تعليق صوتي⁩ ⁧ترجمة لغوية، تحويل النص إلى كلام⁩ ⁧تحليل عبر الوسائط⁩ ⁧«اشرح الاتجاه في هذا الرسم البياني»⁩ ⁧«من تحدّث عند 3:22 في هذا التسجيل؟»⁩ ⁧استدعاء API واحد يغني عن عشرات الأدوات المتخصصة — النص والصورة والصوت والفيديو في نموذج واحد⁩

ما بعد النص: نموذج واحد لكل الحواس

تعالج النماذج متعددة الوسائط (Multimodal) أنواعًا متعددة من البيانات وتولّدها، من نص وصور وصوت وفيديو، داخل نموذج واحد. وهذا تحوّل كبير في البنية مقارنة بالذكاء الاصطناعي (AI) السابق، حيث كانت كل وسيلة تتطلب نظامًا متخصصًا مستقلًا. وGPT وGemini وClaude كلها متعددة الوسائط في أصلها: يمكنك إرسال صورة لرسالة خطأ، أو تسجيل لاجتماع، أو لقطة شاشة للوحة مؤشرات، وتحصل على تحليل ذكي.

  • المدخلات: ارفع لقطة شاشة واسأل ما المشكلة هنا؛ أو ألصق مقطعًا صوتيًا واحصل على ملخص منظّم
  • المخرجات: إجابات نصية، وصور مولّدة، وتفريغ نصي، وتحليل يجمع بين الوسائط
  • الاستدلال عبر الوسائط: «اشرح الاتجاه في هذا الرسم البياني» يتطلب من النموذج قراءة النص وتحليل الصورة في الوقت نفسه
  • استدعاء API واحد: لا حاجة إلى معالجة كل وسيلة مسبقًا في خدمات منفصلة قبل الاستعلام

كيف تعمل النماذج متعددة الوسائط

تُحوَّل كل وسيلة، نصًا كانت أو صورة أو صوتًا، إلى رموز (Tokens) وتُوضع في فضاء تضمين (Embedding) مشترك. ثم تعمل آلية الانتباه في المحوّل (Transformer) على جميع الرموز بغض النظر عن وسيلتها، مما يتيح للنموذج الاستدلال عبرها. فرمز يمثّل جزءًا من صورة يمكنه أن ينتبه إلى رمز يمثّل تعليمة نصية، مما يحقق فهمًا حقيقيًا عبر الوسائط، لا مجرد وضعها جنبًا إلى جنب.

  • مُرمِّزات الرؤية (مثل ViT) تحوّل مناطق الصورة إلى رموز أجزاء يستطيع النموذج اللغوي الانتباه إليها
  • مُرمِّزات الصوت تحوّل إطارات الطيف الصوتي إلى تسلسلات رموز لمعالجتها بشكل موحّد
  • تدخل جميع الرموز إلى عمود فقري مشترك من المحوّل؛ فتختفي الحدود بين الوسائط عند طبقة الانتباه
  • إنجاز 2025: أصبح الفهم الفوري للصوت والفيديو جاهزًا للاستخدام الفعلي في النماذج الرائدة

تطبيقات واقعية يمكنك استخدامها الآن

لم يعد الذكاء الاصطناعي متعدد الوسائط تجريبيًا، بل أصبح جزءًا من أدوات تستخدمها يوميًا. والانتقال من وصف المشكلة نصيًا إلى أن تُري الذكاء الاصطناعي ما تنظر إليه يغيّر جذريًا طريقة إنجاز العمل المعرفي.

  • تصحيح الأخطاء بلقطات الشاشة: ألصق شاشة الخطأ واحصل على شرح وحل، دون إعادة كتابة
  • تحليل المستندات: ارفع عقدًا ممسوحًا ضوئيًا أو صورة لسبّورة واستخرج منها بيانات منظّمة
  • ذكاء الاجتماعات: سجّل الصوت واحصل على تفريغ نصي مع المهام المطلوبة والقرارات وملخصات للحضور
  • الأمن: كشف التصيّد الاحتيالي من لقطات الشاشة، وتحليل الصوت المزيّف بالتزييف العميق، وكشف الحالات الشاذة بصريًا في بث الكاميرات
  • الرعاية الصحية: تحليل الصور الطبية، وتفسير نتائج المختبر من التقارير الممسوحة ضوئيًا

جرّب بنفسك

أسرع طريقة لتلمس ما يغيّره تعدد الوسائط هي أن تتوقف عن إعادة الكتابة وتبدأ بالعرض. اختر صورة حقيقية واحدة من يومك ودع الذكاء الاصطناعي يقرؤها.

◆ جرّبها بنفسك

اختر صورة حقيقية واحدة من اليوم: لقطة شاشة لفاتورة محيّرة، أو رسالة خطأ، أو شاشة إعدادات، أو صورة لنموذج ورقي أو سبّورة، وارفعها إلى أداة الذكاء الاصطناعي بدلًا من وصفها. اطلب منها شرح ما تراه واستخراج التفاصيل المهمة لك.

هذه [لقطة شاشة/صورة] لـ [ما هي]. اشرح ما تُظهره بلغة بسيطة، ثم اذكر:
1. التفاصيل الأساسية التي يجب أن أهتم بها
2. أي شيء يبدو خاطئًا أو غير معتاد
3. أي جزء لا تستطيع قراءته أو لست متأكدًا منه
كيف تعرف أنها نجحت
  • تعرّف الذكاء الاصطناعي بشكل صحيح على محتوى الصورة دون أن توضّحه له
  • استخرج تفصيلًا واحدًا على الأقل كنت ستعيد كتابته يدويًا لولا ذلك
  • تعرف أي الأجزاء قرأها بموثوقية، وأيها ستظل تتحقق منه بنفسك

كيف ينطبق هذا عليّ؟

مستخدم عام

الذكاء الاصطناعي متعدد الوسائط يعني أنك تستطيع التفاعل بأي صيغة هي الأنسب لك: لقطة شاشة، أو رسالة صوتية، أو صورة، أو مستند، لا النص المكتوب فقط. والنتيجة العملية: خطوات أقل للحصول على المساعدة في مشكلة ما.

  • التقط لقطة شاشة لشيء محيّر واطلب من الذكاء الاصطناعي شرحه؛ هذا هو تعدد الوسائط عمليًا
  • سجّل مذكرة صوتية عن مشكلة ودع الذكاء الاصطناعي يفرّغها نصيًا ويتصرف بناءً عليها
  • أصبح استخدام «صف ما تراه في هذه الصورة» شائعًا؛ فتوقف عن إعادة كتابة ما يمكنك عرضه
متخصص أمن

تفتح القدرات متعددة الوسائط حالات استخدام أمنية لا تستطيع النماذج النصية وحدها معالجتها. والسؤال الأساسي الذي تطرحه على فريقك: هل لديكم إجراءات عمل بصرية أو صوتية يتولاها حاليًا محللون بشريون؟

  • تحقّق: هل تتضمن إجراءات مركز العمليات الأمنية (SOC) لديك لقطات شاشة أو صورًا أو مقاطع صوتية يفسّرها المحللون يدويًا؟ هنا يمكن أن تساعد الأدوات متعددة الوسائط
  • كشف التصيّد البصري (انتحال الشعارات، والطُّعوم المعتمدة على لقطات الشاشة) يتطلب تعدد الوسائط؛ فالنماذج النصية وحدها تفوّت هجمات الصور داخل البريد الإلكتروني تمامًا
  • كشف الصوت والفيديو المزيّفين بالتزييف العميق لتحليل الاحتيال واختراق البريد الإلكتروني للأعمال (BEC) مسألة متعددة الوسائط؛ فقيّم ما إذا كانت ضمن نموذج التهديدات في مؤسستك
  • تعتمد تحليلات كاميرات المراقبة والأمن المادي بشكل متزايد على النماذج اللغوية الكبيرة متعددة الوسائط بدلًا من نماذج الرؤية الحاسوبية المستقلة
مطوّر

المدخلات متعددة الوسائط تضاعف تعقيد خط معالجة البيانات وتكلفة الرموز لديك. خطّط لذلك قبل الالتزام ببنية نموذج موحّد، وقِس تكاليف كل وسيلة عند الحجم المتوقع قبل الإطلاق.

  • تكلفة رموز الصور أعلى بكثير من النص؛ فصورة واحدة عالية الدقة قد تكلّف ما يعادل آلاف الرموز النصية
  • تتطلب النماذج متعددة الوسائط تقييمًا موحّدًا؛ فاختبر كل وسيلة منفردة ومجتمعة، إذ تظهر الإخفاقات غالبًا عند الحدود بين الوسائط
  • ابنِ معالجة مسبقة خاصة بكل وسيلة (ضغط الصور، وتقطيع الصوت، وأخذ عينات من الإطارات) قبل استدعاء النموذج، لا بعده
  • في الفيديو: اختر الإطارات بذكاء بدلًا من تمرير كل إطار؛ فمعظم معلومات الفيديو مكررة من إطار إلى آخر
مستشار ذكاء اصطناعي

تتحوّل القدرة متعددة الوسائط بسرعة إلى توقّع أساسي. والعملاء الذين يقيّمون اليوم حلولًا نصية فقط قد يضطرون إلى إعادة تقييم كبيرة خلال 12 شهرًا مع نضوج حالات الاستخدام متعددة الوسائط.

  • دقّق إجراءات عمل العميل بحثًا عن مدخلات غير نصية تتطلب حاليًا معالجة يدوية؛ فهذه هي المرشحة لتحقيق عائد من تعدد الوسائط
  • أدرج دعم الوسائط في تقييم الموردين: الأدوات النصية فقط تتقلّص مساحة استخدامها في 2026
  • يجب أن تحسب نمذجة تكاليف تعدد الوسائط أسعار رموز الصور والصوت منفصلة عن أسعار الاستدلال (Inference) النصي
  • فرصة الدمج: النماذج اللغوية الكبيرة متعددة الوسائط تستوعب منتجات الرؤية الحاسوبية وتحويل الكلام إلى نص المستقلة؛ فارسم خريطة للبنية التقنية لدى العميل بحثًا عن التكرار