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

التسلسل الهرمي للذكاء الاصطناعي

⁧الرسم 1 — تسلسل الذكاء الاصطناعي ومجالات التعلّم العميق⁩ ⁧الذكاء الاصطناعي يضم تعلّم الآلة. وتعلّم الآلة يضم ثلاثة أنماط للتعلّم والتعلّم العميق. والتعلّم العميق يضم ثلاثة مجالات تطبيقية: معالجة اللغات الطبيعية والرؤية الحاسوبية والروبوتات والأتمتة. وبنية المحوّل هي العمود الفقري. ومعالجة اللغات تقود إلى النماذج اللغوية الكبيرة التي تضم الذكاء الاصطناعي التوليدي ومتعدد الوسائط والوكيلي وأنماط تطبيقات أخرى.⁩ ⁧الذكاء الاصطناعي⁩ ⁧أنظمة تستدل بطريقة تشبه البشر⁩ ⁧تعلّم الآلة⁩ ⁧نماذج تتعلم من البيانات لا من قواعد صريحة⁩ ⁧التعلّم الخاضع للإشراف⁩ ⁧أزواج مُعلَّمة: مدخل ← مخرج⁩ ⁧التعلّم غير الخاضع للإشراف⁩ ⁧يجد الأنماط دون وسوم⁩ ⁧التعلّم المعزّز⁩ ⁧يتعلم من إشارات المكافأة مع الوقت⁩ ⁧التعلّم العميق⁩ ⁧شبكات عصبية متعددة الطبقات تتعلم التمثيلات تلقائيًا⁩ ⁧معمارية المحوّل — آلية الانتباه التي تشغّل معالجة اللغة ونماذج الرؤية وغيرها⁩ ⁧معالجة اللغة الطبيعية⁩ ⁧روبوتات المحادثة، الترجمة، التلخيص⁩ ⁧الرؤية الحاسوبية⁩ ⁧التعرّف على الصور، كشف الأجسام⁩ ⁧الروبوتات والأتمتة⁩ ⁧التحكم، الملاحة، الإدراك⁩ ⁧النماذج اللغوية الكبيرة (LLMs)⁩ ⁧محوّلات مدرّبة على نصوص ضخمة — أبرز نتاج لفرع معالجة اللغة⁩ ⁧الذكاء الاصطناعي التوليدي⁩ ⁧نص وصورة وكود⁩ ⁧متعدد الوسائط⁩ ⁧نص، صورة، صوت، فيديو⁩ ⁧الذكاء الاصطناعي الوكيلي⁩ ⁧نموذج لغوي + أدوات + حلقة تخطيط⁩ ⁧أنماط تطبيقات أخرى⁩ ⁧المساعدات الذكية، المصنّفات، البحث⁩

التسلسل الهرمي المتداخل

يوضح الرسم كيف ينتظم كل مصطلح في الذكاء الاصطناعي (AI) تصادفه ضمن تسلسل هرمي واحد. فهم موقع المنتج فيه يخبرك بكل شيء عن قدراته وحدوده وأنماط فشله.

  • الذكاء الاصطناعي: الطبقة الخارجية، أي نظام يحاكي الاستنتاج البشري
  • تعلّم الآلة (Machine Learning): ذكاء اصطناعي يتعلم من البيانات بدلًا من القواعد الصريحة، وهو التقنية المهيمنة في أنظمة الإنتاج اليوم
  • التعلّم العميق (Deep Learning): فرع من تعلّم الآلة يستخدم شبكات عصبية (Neural networks) متعددة الطبقات تتعلم التمثيلات تلقائيًا من البيانات الخام
  • الذكاء الاصطناعي التوليدي (Generative AI): نماذج تعلّم عميق مدرَّبة على إنتاج محتوى جديد، وهنا تعيش النماذج اللغوية الكبيرة ومولّدات الصور وأدوات البرمجة

أنماط التعلّم في لمحة

داخل تعلّم الآلة تهيمن ثلاثة أساليب للتدريب. نتناولها بعمق في الدرس التالي، وهنا الخريطة فقط.

  • الموجَّه: أزواج مُعنوَنة من المدخلات والمخرجات، وهو العمود الفقري للتصنيف والتقييم بالدرجات والتنبؤ
  • غير الموجَّه: اكتشاف الأنماط دون عناوين، مثل التجميع وكشف الشذوذ والتقسيم إلى شرائح
  • التعزيزي: التعلم من إشارات المكافأة، ويُستخدم في ضبط النماذج اللغوية الكبيرة وفي تشغيل الأنظمة الوكيلية

النماذج اللغوية الكبيرة وطبقة التطبيقات

أقوى مخرجات معالجة اللغة الطبيعية (NLP) هو النموذج اللغوي الكبير (Large Language Model)، وهو محوّل (Transformer) مدرَّب على كمّ هائل من النصوص. ومن النماذج اللغوية الكبيرة تنبثق أربعة أنماط متمايزة من المنتجات.

  • الذكاء الاصطناعي التوليدي: ينتج نصوصًا وأكوادًا وصورًا عند الطلب، وهو أساس المساعدات الذكية وأدوات توليد المحتوى
  • متعدد الوسائط (Multimodal): يعالج النصوص والصور والصوت والفيديو ويولّدها في آن واحد. النماذج الرائدة اليوم، Claude وGPT وGemini، كلها متعددة الوسائط في أصل تصميمها
  • الذكاء الاصطناعي الوكيلي (Agentic AI): نموذج لغوي كبير + أدوات + حلقة تخطيط، ينفّذ سلسلة من الإجراءات لإنجاز أهداف متعددة الخطوات باستقلالية
  • المساعدات الذكية (Copilot) والمصنِّفات والبحث: الأنماط المؤسسية العملية التي تعمل فوق النماذج اللغوية الكبيرة وتظهر في عرض كل مورّد

لماذا يهم هذا

حين يقول أحدهم «نريد ذكاءً اصطناعيًا»، يخبرك التسلسل الهرمي بأي حديث ينبغي أن تخوضه، مهما كان دورك.

  • كلمة «ذكاء اصطناعي» وحدها غامضة جدًا، فاستوضح: هل المقصود كشف بتعلّم آلة تقليدي، أم تعرّف على الأنماط بالتعلّم العميق، أم قدرات الذكاء التوليدي والنماذج اللغوية الكبيرة؟
  • لكل طبقة مفاضلات مختلفة: التكلفة، وزمن الاستجابة، وقابلية التفسير، ومتطلبات البيانات، وسطح الهجوم
  • ليس كل تعلّم آلة تعلّمًا عميقًا: أشجار القرار والغابات العشوائية وآلات المتجهات الداعمة (SVM) ما زالت تهيمن على كثير من أحمال الإنتاج، وكثيرًا ما تكون الإجابة الصحيحة

كيف ينطبق هذا عليّ؟

مستخدم عام

كل منتج ذكاء اصطناعي تستخدمه يقع في مكان ما من هذا التسلسل الهرمي. معرفة موقعه تخبرك بما يستطيعه وما لا يستطيعه، ولماذا يفشل أحيانًا بطرق متوقعة.

  • «مدعوم بالذكاء الاصطناعي» عبارة تسويقية، والتسلسل الهرمي يكشف معناها الحقيقي
  • أدوات الذكاء التوليدي تختلف جذريًا عن فلاتر الرسائل المزعجة، فلا تقيّمها بالتوقعات نفسها
  • إن لم يستطع المورّد أن يخبرك بموقع منتجه في التسلسل الهرمي، فتلك علامة تحذير تستحق التقصّي
متخصص أمن

التسلسل الهرمي أداتك للتقييم. وضع منتج المورّد بدقة في موقعه يكشف فجوات القدرات ومفاضلات التكلفة التي لن يكشفها المورّد بنفسه.

  • اسأل: «هل هذا قائم على التعلّم العميق أم على تعلّم آلة تقليدي؟»، فالإجابة تغيّر حديث قابلية التفسير والتدقيق
  • المورّد الذي يدّعي أن منتجه «مدعوم بالذكاء الاصطناعي» قد يقصد نموذجًا موجَّهًا عمره 10 سنوات أو نموذجًا لغويًا كبيرًا رائدًا، والتسلسل الهرمي يمنحك المفردات لتعرف أيهما، والمصداقية لتتابع السؤال
  • المساعد الذكي والذكاء الوكيلي يقعان في طبقتين مختلفتين، فاربط حاجة فريقك الفعلية بالعقدة الصحيحة قبل تقييم المنتجات
  • أشجار القرار ما زالت تتفوق على التعلّم العميق في مجموعات البيانات الأمنية الصغيرة المُعنوَنة، فاعرف متى يكون الأبسط هو الأفضل
مطوّر

كل طبقة في التسلسل الهرمي تعني حزمة هندسية وطريقة تقييم وعبئًا تشغيليًا مختلفًا. ابنِ للطبقة الصحيحة، لا للطبقة الأكثر إبهارًا في اسمها.

  • تعلّم الآلة التقليدي (sklearn) والتعلّم العميق (PyTorch) وواجهات API للنماذج اللغوية الكبيرة فئات مختلفة جذريًا في التكلفة والتعقيد
  • الذكاء الوكيلي يتطلب حلقات تخطيط وتكاملًا مع الأدوات وإدارة للحالة، لا مجرد استدعاء لنموذج
  • المدخلات متعددة الوسائط تضاعف تعقيد خط معالجة البيانات، فخصّص لها ميزانية قبل الالتزام
مستشار ذكاء اصطناعي

العملاء الذين لا يستطيعون تحديد موقع حالة الاستخدام المقترحة في التسلسل الهرمي سيخطئون في تحديد نطاقها وميزانيتها، وسيُصابون بخيبة أمل. استخدمه سؤالًا منظَّمًا في مرحلة الاستقبال.

  • نفّذ تمرين التسلسل الهرمي في أول جلسة استكشاف لفرض تحديد دقيق لنطاق حالة الاستخدام
  • للطبقات المختلفة ملفات مختلفة جدًا في التكلفة وزمن الاستجابة والحوكمة، فاربطها بقيود العميل
  • تعلّم الآلة التقليدي كثيرًا ما يكون الإجابة الصحيحة للمهام المحددة جيدًا، فتجنّب الانحياز إلى التعلّم العميق أو النماذج اللغوية الكبيرة