💡 هل تعتقد أنك تواكب تطورات الذكاء الاصطناعي؟
إليك سبعة من أهم المصطلحات التي ستسمعها كثيرًا خلال السنوات القادمة.
هناك حقيقتان لا خلاف عليهما عندما يتعلق الأمر بالذكاء الاصطناعي.
✅ الأولى: إنه أصبح موجودًا في كل مكان.
حتى فرشاة أسناني حصلت هذا الأسبوع على تحديث يعتمد على الذكاء الاصطناعي!
✅ والثانية: هذا المجال يتطور بسرعة هائلة، لدرجة أنه أصبح من الصعب مواكبته، حتى بالنسبة لمن يعملون في مجال التقنية.
لذلك جمعت لكم أهم سبعة مصطلحات أعتقد أنه من الضروري التعرف عليها مع استمرار تطور الذكاء الاصطناعي.
❓ كم مصطلحًا منها تعرف بالفعل؟
هيا نكتشف ذلك.
🔵 ① الذكاء الاصطناعي الوكيلي (Agentic AI)
🤖 ما هو؟
من المؤكد أنك سمعت بهذا المصطلح.
فالجميع، كما يقال، يعمل على بناء الجيل القادم من وكلاء الذكاء الاصطناعي (AI Agents).
لكن ما هو وكيل الذكاء الاصطناعي؟
هو نظام قادر على التفكير واتخاذ الإجراءات بشكل مستقل لتحقيق هدف معين.
فعلى عكس روبوتات الدردشة التقليدية التي ترد على كل سؤال بشكل منفصل، يعمل وكيل الذكاء الاصطناعي بصورة مستقلة، ويمر بعدة مراحل:
✅ أولًا: يستشعر البيئة المحيطة به.
✅ ثانيًا: يفكر ويحدد أفضل الخطوات التالية.
✅ ثالثًا: ينفذ الخطة التي توصل إليها.
✅ رابعًا: يراقب نتائج أفعاله.
✅ ثم يعيد الدورة مرة أخرى باستمرار.
📌 أمثلة على استخداماته:
✈️ حجز رحلات السفر.
📊 تحليل البيانات واكتشاف الاتجاهات في التقارير.
⚙️ العمل كمهندس DevOps، فيكتشف الأخطاء في سجلات النظام، وينشئ بيئات اختبار، ثم يتراجع عن عمليات النشر المعيبة عند الحاجة.
🟢 ② نماذج الاستدلال الكبيرة (Large Reasoning Models)
🧠 الفكرة الأساسية
غالبًا ما تُبنى الوكلاء باستخدام نوع خاص من النماذج اللغوية يسمى نماذج الاستدلال الكبيرة.
وهي نماذج لغوية ضخمة خضعت لتدريب يركز على مهارات التفكير المنطقي.
فعلى عكس النماذج التقليدية التي تنتج الإجابة مباشرة، تتعلم هذه النماذج حل المشكلة خطوة بخطوة، وهو ما تحتاجه الوكلاء عند تنفيذ المهام المعقدة.
📌 يتم تدريبها على:
➗ المسائل الرياضية.
💻 الأكواد البرمجية التي يمكن اختبارها بواسطة المترجمات.
ومن خلال التعلم بالتعزيز (Reinforcement Learning) تتعلم إنتاج سلسلة من خطوات التفكير التي تقود إلى الإجابة الصحيحة.
ولهذا عندما ترى روبوت الدردشة يتوقف قليلًا ويعرض كلمة "يفكر..." قبل الإجابة، فهذه هي نماذج الاستدلال وهي تبني سلسلة التفكير الداخلية قبل إنتاج الرد.
🟣 ③ قاعدة بيانات المتجهات (Vector Database)
🗄️ كيف تعمل؟
في قواعد البيانات التقليدية نخزن النصوص والصور كما هي.
أما في قاعدة بيانات المتجهات، فيتم أولًا استخدام نموذج التضمين (Embedding Model) لتحويل البيانات إلى متجهات (Vectors).
والمتجه هو ببساطة قائمة طويلة من الأرقام.
لكن هذه الأرقام لا تمثل البيانات نفسها، بل تمثل المعنى الدلالي لها.
⭐ الميزة الرئيسية
يمكننا إجراء عمليات البحث رياضيًا، والبحث عن المتجهات المتقاربة.
وكلما اقترب متجهان من بعضهما، كان معناهما متشابهًا.
فعلى سبيل المثال:
إذا كانت لدينا صورة لمنظر جبلي، فإنها تتحول إلى متجه رقمي متعدد الأبعاد، ثم يمكننا البحث عن صور أو مقالات أو حتى ملفات موسيقية ذات معنى مشابه، من خلال إيجاد أقرب المتجهات إليها.
🟠 ④ RAG (Retrieval-Augmented Generation)
📚 التوليد المعزز بالاسترجاع
يُعد RAG أحد أهم تطبيقات قواعد بيانات المتجهات.
وتعني اختصارًا:
التوليد المعزز بالاسترجاع.
⚙️ كيف يعمل؟
1️⃣ يطرح المستخدم سؤالًا.
2️⃣ يتم تحويل السؤال إلى متجه باستخدام نموذج التضمين.
3️⃣ يتم البحث داخل قاعدة بيانات المتجهات عن المعلومات الأكثر ارتباطًا.
4️⃣ تُسترجع النتائج.
5️⃣ تُضاف هذه المعلومات إلى الطلب المرسل للنموذج اللغوي.
6️⃣ ثم يولد النموذج الإجابة اعتمادًا على تلك المعلومات.
فإذا سألت مثلًا عن سياسة الشركة، يقوم نظام RAG بجلب الجزء المناسب من دليل الموظفين وإرفاقه مع السؤال، مما يجعل الإجابة أكثر دقة وحداثة.
🔴 ⑤ بروتوكول سياق النموذج (Model Context Protocol - MCP)
🔗 لماذا هو مهم؟
يُعد MCP من أكثر المفاهيم إثارة.
فالذكاء الاصطناعي لن يكون مفيدًا حقًا إذا ظل معزولًا عن البيانات الخارجية.
وهنا يأتي دور MCP.
فهو يضع معيارًا موحدًا يسمح للنماذج اللغوية بالتواصل مع:
🗄️ قواعد البيانات.
💻 مستودعات الأكواد البرمجية.
📧 خوادم البريد الإلكتروني.
🌐 وأي نظام خارجي آخر.
وبدلًا من أن يكتب المطورون طريقة اتصال مختلفة لكل أداة، يوفر MCP طريقة قياسية واحدة يمكن للنموذج استخدامها للوصول إلى مختلف الأنظمة.
ويتم ذلك من خلال خادم MCP الذي يعرف النموذج بكيفية استخدام كل أداة متصلة به.
🟡 ⑥ مزيج الخبراء (Mixture of Experts - MoE)
👨💻 الفكرة الأساسية
فكرة MoE ليست جديدة، فقد ظهرت في ورقة علمية عام 1991، لكنها أصبحت اليوم أكثر أهمية من أي وقت مضى.
يقسم هذا الأسلوب النموذج اللغوي الضخم إلى عدد كبير من الخبراء المتخصصين، وهم شبكات عصبية فرعية، قد يصل عددها إلى عشرات أو حتى مئات.
وعندما تصل مهمة معينة، يقوم نظام توجيه ذكي باختيار الخبراء المناسبين فقط لمعالجة هذه المهمة.
ثم تُدمج نتائجهم في مخرج واحد يكمل طريقه داخل النموذج.
وهذه الطريقة تسمح بزيادة حجم النموذج بشكل كبير دون زيادة مماثلة في تكلفة الحساب.
فعلى سبيل المثال، تحتوي نماذج IBM Granite 4.0 على عشرات الخبراء، لكن عند معالجة كل رمز (Token)، لا يتم تشغيل سوى الخبراء المطلوبين فقط.
لذلك، رغم أن النموذج قد يحتوي على مليارات المعاملات، فإنه يستخدم جزءًا صغيرًا منها أثناء تنفيذ المهمة، مما يزيد الكفاءة ويقلل استهلاك الموارد.
🔷 ⑦ الذكاء الاصطناعي الفائق (Artificial Superintelligence - ASI)
🚀 المستقبل الذي ينتظرنا
وأخيرًا نصل إلى أحد أكبر المفاهيم في عالم الذكاء الاصطناعي:
الذكاء الاصطناعي الفائق (ASI).
وهو الهدف الذي تسعى إليه كبرى مختبرات الذكاء الاصطناعي.
حتى الآن، لا يزال مجرد مفهوم نظري، ولا يوجد نظام ASI حقيقي.
وقبل الوصول إليه، يوجد مفهوم آخر هو:
الذكاء الاصطناعي العام (AGI).
وهو أيضًا مفهوم نظري، لكنه يشير إلى نظام يستطيع أداء جميع المهام الذهنية بنفس كفاءة أفضل الخبراء البشر.
أما ASI فيتجاوز ذلك.
فهو يمتلك قدرات فكرية أعلى من جميع البشر، وقد يكون قادرًا على تطوير نفسه ذاتيًا بصورة مستمرة.
أي أنه يستطيع إعادة تصميم نفسه وتحسين قدراته بلا نهاية، ليصبح أكثر ذكاءً مع كل دورة تطوير.
ولو تحقق ذلك يومًا ما، فقد يتمكن من حل أكبر مشكلات البشرية... أو ربما يخلق تحديات جديدة لا نستطيع حتى تخيلها.
ولهذا يرى الكثيرون أنه من المهم أن نبقي مصطلح ASI ضمن أكثر المفاهيم التي نتابعها باهتمام.
💬 شاركنا رأيك
هذه هي قائمتي لأهم سبعة مصطلحات.
لكنني فضولي لمعرفة رأيك.
❓ ما هو مصطلح الذكاء الاصطناعي الذي تعتقد أنه كان ينبغي أن يكون ضمن هذه القائمة؟
👇 أخبرنا به في التعليقات.
