ما هو الذكاء الاصطناعي (AI)؟ وكيف يعمل وما تطبيقاته؟

خلاصة سريعة: الذكاء الاصطناعي (Artificial Intelligence – AI) فرع من علوم الحاسوب يبني أنظمة تؤدي مهامًا تحتاج عادةً إلى ذكاء بشري، كفهم اللغة، والتعرف على الصور، واتخاذ القرار. ويتعلم معظمها اليوم من البيانات بدل أن يكتب المبرمج قواعده يدويًا؛ فيتفوق في مهام محددة، لكنه لا يفهم ولا يضمن صحة ما ينتج.

ما هو الذكاء الاصطناعي؟

الذكاء الاصطناعي مجال يضم كل محاولة لجعل الآلة تؤدي عملًا نعدّه ذكيًا حين يؤديه الإنسان: فهم اللغة، وتمييز الكلام، والتعرف على الصور، واتخاذ القرار. ولا يفرض المجال طريقة واحدة؛ فقد قامت أنظمته الأولى على قواعد صريحة يكتبها المبرمج، ثم غلب عليها نهج التعلم من البيانات.

وفي هذا النهج تُعرض على النظام أمثلة كثيرة، فيستخلص علاقة إحصائية تربط المدخل بالمخرج، ثم يعممها على حالات جديدة. ويعتمد ذلك على ثلاثة عناصر: بيانات وفيرة، وقدرة حوسبة متوازية، ومعماريات شبكية مثل المحوّلات (Transformers) التي عُرضت في ورقة بحثية عام 2017. وقد فصلنا آلية التعلم في مقال التعلم الآلي، وبنية الشبكات في مقال التعلم العميق.

ولا يصح وصف كل برنامج بالذكاء الاصطناعي؛ فالآلة الحاسبة تنفذ قاعدة ثابتة، وجدول البيانات يجمع الأعمدة ويحسب متوسطها. ويبدأ الوصف حين يستخلص النظام القاعدة من الأمثلة، أو يواجه حالة لم تُبرمَج له صراحة، فيقدر على التعميم.

وكل ما يعمل اليوم تقريبًا ذكاء اصطناعي ضيّق (Narrow AI): نظام بارع في نطاق محدد، لا ينقل مهارته تلقائيًا إلى نطاق آخر. أما الذكاء العام (AGI)، وهو نظام يضاهي الإنسان في أي مهمة ذهنية، فلم يتحقق بعد، ويبقى هدفًا بحثيًا.

كيف يعمل؟ من البيانات إلى الإجابة

تبدأ البرمجة التقليدية بالقاعدة وتنتهي بالنتيجة، ويبدأ التعلم بالأمثلة وينتهي بالقاعدة. ويمر بناء النموذج بأربع مراحل:

1. تجهيز البيانات: جمع الأمثلة وتنظيفها من التكرار والأخطاء والوسوم الخاطئة، وتحويلها إلى أعداد يستطيع النموذج حسابها.
2. التدريب: يمر النموذج على الأمثلة، وتقيس دالة الخسارة (Loss Function) فارق التوقع عن الإجابة الصحيحة، ثم تعدّل خوارزمية الانتشار العكسي (Backpropagation) معاملاته لتقليل الخطأ.
3. التقييم: يُختبر النموذج على بيانات لم يرها، ليُعرف أداؤه الحقيقي، ويُضبط قبل النشر.
4. الاستدلال (Inference): يعمل النموذج على طلبات المستخدمين، فيحسب إجابة كل طلب في أجزاء من الثانية.

وتعتمد كل مرحلة على ما قبلها؛ فبيانات لا تمثل الواقع تنتج نموذجًا يبدو دقيقًا في الاختبار وضعيفًا عند التشغيل. ويُقاس الأداء دائمًا على بيانات لم يرها النموذج؛ فإن حفظ تفاصيل التدريب يجعله بارعًا عليها، ثم يخفق في بيانات جديدة، وهي حالة الإفراط في التخصيص (Overfitting).

ويشير تقرير مؤشر الذكاء الاصطناعي 2025 الصادر عن معهد ستانفورد للذكاء الاصطناعي المرتكز على الإنسان (Stanford HAI) إلى تسارع التقدم: ارتفع أداء النماذج في عام واحد بمقدار 67.3 نقطة مئوية على اختبار SWE-bench الخاص بالبرمجة، وبمقدار 48.9 نقطة مئوية على اختبار GPQA.

ما الفرق بين AI وML وDL والذكاء التوليدي؟

تُستعمل هذه المصطلحات مترادفة في الكلام العادي، وهي في الحقيقة طبقات متداخلة: التعلم الآلي فرع من الذكاء الاصطناعي، والتعلم العميق فرع من التعلم الآلي، والذكاء التوليدي نتاج عملي للتعلم العميق في الغالب.

المستوى	ما يفعله	موقعه	مثال
الذكاء الاصطناعي (AI)	كل نظام يؤدي مهمة تُعدّ ذهنية	المجال الأوسع	ترتيب نتائج البحث، ومساعد المحادثة
التعلم الآلي (ML)	يستخلص القواعد من الأمثلة بدل كتابتها	فرع من AI	تصفية البريد المزعج
التعلم العميق (DL)	شبكات عصبية متعددة الطبقات تستخلص السمات ذاتيًا	فرع من ML	التعرف على الكلام
الذكاء الاصطناعي التوليدي	ينتج نصًا أو صورة أو صوتًا جديدًا	نتاج DL في الغالب	توليد نص أو صورة من وصف

والعلاقة ليست تساويًا: فكل ذكاء توليدي يقوم على تعلم عميق في الغالب، وليس كل تعلم عميق توليديًا؛ فنموذج يصنف الصور إلى فئات لا يولّد صورة جديدة. وكل تعلم عميق تعلم آلي، بينما يعمل كثير من نماذج التعلم الآلي، كأشجار القرار، بمنأى عن الشبكات العميقة.

أين يظهر في استخدامك اليومي؟

لا تحتاج إلى مختبر لتصادف الذكاء الاصطناعي؛ فهو في كل خدمة رقمية تقريبًا:

• البحث: ترتيب النتائج وفهم نية الباحث، لا مطابقة الكلمات حرفيًا.
• الترجمة والكتابة: اقتراح صياغة، وتصحيح إملائي، وتلخيص مستند طويل.
• التوصيات: ترتيب المقاطع والمنتجات وفق سلوك المستخدم.
• الصور: تصنيف المحتوى المرئي وتحسينه، والمساعدة في تحليل الصور، ومنها الصور الطبية، مع بقاء القرار للمختص.
• الصناعة: توقع أعطال الآلات، وفحص المنتجات بالكاميرا.

وتمثّل أدوات المحادثة مثل ChatGPT الواجهة الأكثر انتشارًا لهذه النماذج، وقد تجاوزت الإجابة إلى تنفيذ خطوات متعددة. وهذا النمط هو ما يُعرف باسم وكلاء الذكاء الاصطناعي: أنظمة تخطط المهمة، وتستدعي أدوات خارجية، وتراجع النتيجة قبل التسليم.

ما دور GPU وواجهات API؟

يحتاج تدريب الشبكات الكبيرة إلى ملايين عمليات الضرب بين المصفوفات، وهي أعمال متوازية لا تناسب المعالج المركزي (CPU) ذا الأنوية القليلة. فتحتوي وحدة معالجة الرسوميات (GPU) على آلاف الأنوية الصغيرة التي تنفذ الحسابات نفسها في وقت واحد، وتعتمد على ذاكرة سريعة تحمل أوزان النموذج؛ ولهذا صارت شرطًا في التدريب والتشغيل المحلي.

أما المطور فيصل إلى النموذج عبر واجهة برمجة التطبيقات (API): يرسل طلبًا إلى خادم يضم النموذج، ويتلقى النتيجة ويدمجها في تطبيقه، من دون بناء النموذج أو توفير عتاده. ويفيد ذلك الفرق الصغيرة، إذ تستخدم هذه الفرق القدرة عبر الطلب بدل تدريب نموذج من الصفر، ويبقى ضبط الصلاحيات وحماية البيانات مسؤولية من يبني المنتج.

ما حدوده وأخطاؤه الشائعة؟

القوة في مهمة محددة لا تعني فهمًا، ومن الحدود المتكررة:

• لا فهم ولا نية: النموذج يحسب احتمالات تتابع، ولا يتحقق من صدق ما يقول.
• الهلوسة (Hallucination): قد ينتج مرجعًا لا وجود له أو رقمًا خاطئًا بأسلوب واثق.
• تغير البيانات: يتراجع الأداء حين تختلف بيانات التشغيل عن بيانات التدريب.
• الارتباط ليس دليلًا على السببية: قد يتعلم النموذج علاقة عارضة تنهار في سياق آخر.
• التحيز: يعيد إنتاج اختلالات بياناته، وقد يظلم فئة قليلة التمثيل.

لذلك يبقى التحقق البشري شرطًا في القرارات التي تمس الأشخاص، ولا تعتمد على مخرج واحد في أمر لا يقبل التصحيح. وقبل الاعتماد على مخرج، اسأل: هل يمكن التحقق منه في مصدر مستقل؟ وهل يحتمل الخطأ التصحيح؟ فإن كان الجواب لا، فالأولى استخدامه في المسودة والاستكشاف لا في القرار النهائي.

الأخلاقيات والخصوصية

تتوزع المخاطر الأخلاقية على أربعة محاور:

• الخصوصية: قد تُسجّل الطلبات وتُستخدم في تحسين النماذج؛ فلا تُدخل بيانات شخصية أو أسرار عمل في خدمة عامة.
• التحيز: تحمل بيانات التدريب اختلالات الواقع، فيعيد النموذج إنتاجها في قراراته.
• التزييف العميق (Deepfake): تسهّل أدوات التوليد انتحال الصوت والصورة.
• حقوق المؤلف والشفافية: يصعب تحديد مصدر كل جملة، وتقلّ قابلية تفسير القرار في النماذج الكبيرة.

وضع المعهد الوطني للمعايير والتقنية الأميركي (NIST) إطارًا لإدارة مخاطر الذكاء الاصطناعي في 26 يناير 2023، يقوم على أربع وظائف: الحوكمة، والتحديد، والقياس، والإدارة. وأضاف في 26 يوليو 2024 ملفًا خاصًا بالمخاطر التي يطرحها الذكاء التوليدي.

والقاعدة العملية أن يبقى الإنسان مسؤولًا عن القرار النهائي، وأن يُوثّق مصدر البيانات وطريقة التقييم، وأن يتاح لمن تأثر بالقرار أن يطلب مراجعة بشرية. ولا يكفي إفصاح عام بأن النظام يستخدم الذكاء الاصطناعي؛ فالشفافية تعني بيان ما يفعله النظام، وما لا يستطيع فعله، ومن يحمل المسؤولية عند الخطأ.

أسئلة شائعة

المصادر

• NIST — Artificial Intelligence Risk Management Framework (AI RMF 1.0)، 26 يناير 2023
• Stanford HAI — AI Index Report 2025، أبريل 2025
• Vaswani et al. — Attention Is All You Need، 2017
• IBM — What is Artificial Intelligence (AI)?، اطُّلع عليه في 24 أكتوبر 2026
• AWS — What is Artificial Intelligence?، اطُّلع عليه في 24 أكتوبر 2026