ما هو الذكاء الاصطناعي التوليدي؟

لسنوات عديدة، صُممت أنظمة الذكاء الاصطناعي في المقام الأول لتحليل البيانات والتنبؤ بها. فقد كانت تصنف الصور، وترتب نتائج البحث، وتكشف المعاملات الاحتيالية، أو توصي بالمنتجات. وكانت هذه الأنظمة تعمل ضمن حدود محددة: فبمجرد إدخال، كانت تختار تسمية أو النتيجة الأكثر ترجيحًا.

يمثل الذكاء الاصطناعي التوليدي تحولاً عن هذا النموذج. فبدلاً من الاختيار من بين خيارات محددة مسبقاً، تقوم الأنظمة التوليدية تُنتج هذه التقنيات مخرجات جديدة لم تكن موجودة من قبل. وهي مصممة لتوليف المعلومات وتحويلها وتوسيع نطاقها بدلاً من مجرد تقييمها.

أصبح هذا التحول ممكناً بفضل تضافر ثلاثة عوامل: مجموعات البيانات الضخمة، والتقدم في بنى الشبكات العصبية، وتوفر موارد حاسوبية هائلة. وقد مكّنت هذه العوامل مجتمعةً نماذج قادرة على تعلم أنماط غنية في البيانات المعقدة، واستخدام هذه الأنماط لتوليد محتوى جديد في مجالات متعددة.

اقتراح توضيحي:
عرض مرئي مقسم يقارن بين الذكاء الاصطناعي التقليدي (التصنيف، الترتيب، التنبؤ) والذكاء الاصطناعي التوليدي (التوليد، التركيب، التحويل) .

ماذا نعني بكلمة "توليدي"؟

في مجال التعلم الآلي، للمصطلح التوليدي معنى محدد.

يتعلم النموذج التوليدي البنية الإحصائية الكامنة وراء بيانات التدريب الخاصة به. وبدلاً من برمجته بقواعد صريحة، فإنه يلاحظ أعدادًا كبيرة من الأمثلة ويتعلم مدى احتمالية حدوث أنماط أو تسلسلات أو هياكل معينة.

بعد تدريب النموذج، يمكنه أخذ عينات من هذا التوزيع المُدرَّب لإنتاج مخرجات جديدة. هذه المخرجات ليست نسخًا من بيانات التدريب، ولكنها تعكس الأنماط الموجودة فيها.

على سبيل المثال:

• يتعلم نموذج اللغة كيف تميل الكلمات والجمل والأفكار إلى أن تتبع بعضها البعض.

• يتعلم نموذج الصورة كيفية دمج الأشكال والألوان والقوام نموذج صور واقعية.

إن القدرة على توليد محتوى جديد من الأنماط المتعلمة هي ما يميز الأنظمة التوليدية عن الأنظمة التحليلية البحتة.

اقتراح توضيحي:
تسلسل بسيط: بيانات التدريب ← التوزيع المُتعلم ← إخراج المُولدة .

التعلم من البيانات والأمثلة

تتعلم أنظمة الذكاء الاصطناعي التوليدي من خلال التدريب على مجموعات بيانات ضخمة بدلاً من اتباع تعليمات مكتوبة يدوياً. قد تتضمن مجموعات البيانات هذه نصوصاً أو صوراً أو أكواداً أو ملفات صوتية أو مقاطع فيديو، مما يسمح للنماذج بتحديد الأنماط عبر العديد من أشكال البيانات.

من خلال هذه العملية، تستطيع أنظمة الذكاء الاصطناعي التوليدي تعلم البنى والسلوكيات المعقدة عبر مراقبة الأمثلة على نطاق واسع. ويفسر هذا النهج القائم على البيانات قدرة الذكاء الاصطناعي التوليدي على التكيف مع العديد من المهام دون الحاجة إلى برمجته بشكل صريح لكل مهمة على حدة.

اقتراح توضيحي:
تسلسل يعرض أمثلة من صنع الإنسان (نصوص، صور، فيديو) ← تعلم الأنماط ← سلوك جديد مُولّد .

تعريف عملي للذكاء الاصطناعي التوليدي

على مستوى عالٍ:

بعبارة أبسط:

هناك نتيجتان مهمتان لهذا التعريف:

1. النتائج احتمالية، وليست مضمونة لتكون متطابقة في جميع عمليات التشغيل.

2. ينشأ السلوك من بيانات التدريب وبنية النموذج، وليس من قواعد مكتوبة يدويًا.

إنشاء محتوى جديد، وليس نسخه.

من المفاهيم الخاطئة الشائعة حول الذكاء الاصطناعي التوليدي أنه ببساطة ينسخ أو يعيد مزج المحتوى الموجود من بيانات التدريب الخاصة به. في الواقع، تعمل أنظمة الذكاء الاصطناعي التوليدي بطريقة مختلفة تمامًا.

أثناء التدريب، لا تقوم هذه الأنظمة بتخزين المستندات أو الصور أو أجزاء التعليمات البرمجية نموذج قابل للاسترجاع. بدلاً من ذلك، تتعلم التمثيلات الإحصائية للأنماط، أي كيف تميل الكلمات إلى أن تتبع بعضها البعض، وكيف تتحد السمات المرئية، أو كيف يتم تنظيم هياكل التعليمات البرمجية عادةً.

عند توليد إخراج، لا يسترجع النموذج مثالاً محدداً، بل يستخلص عينات من فضاء الأنماط المُتعلم لإنتاج تسلسل جديد يتناسب مع السياق المُعطى له. والنتيجة هي محتوى جديد، حتى وإن كان يُشبه أسلوب أو بنية ما رآه النموذج سابقاً.

ولهذا السبب تستطيع أنظمة الذكاء الاصطناعي التوليدي ما يلي:

• إنتاج صور واقعية لأشخاص غير موجودين

• اكتب نصًا بأسلوب مميز دون إعادة إنتاج أعمال معروفة

• قم بإنشاء كود يبدو وكأنه مكتوب من قبل إنسان ولكنه لم يظهر من قبل

يُعد فهم هذا التمييز أمراً ضرورياً للتفكير الصحيح بشأن الأصالة والتحيز والموثوقية في أنظمة الذكاء الاصطناعي التوليدية.

اقتراح توضيحي:
مخطط يوضح أمثلة التدريب → فضاء الأنماط المجردة → إخراج التي تم إنشاؤها حديثًا ، بدون مسار مباشر من مثال واحد إلى إخراج.

الذكاء الاصطناعي التوليدي مقابل البرمجيات التقليدية

تتسم أنظمة البرمجيات التقليدية بالحتمية. فعند إدخال نفس البيانات، تُنتج نفس إخراج في كل مرة. ويخضع سلوكها لمنطق صريح يكتبه المطورون.

تتصرف أنظمة الذكاء الاصطناعي التوليدي بشكل مختلف:

• يمكن لنفس إدخال أن تنتج مخرجات مختلفة

• قد تؤدي التغييرات الطفيفة في إدخال إلى نتائج مختلفة بشكل ملحوظ

• قد يكون هناك عدة مخرجات مقبولة بدلاً من مخرج واحد صحيح.

بدلاً من القواعد الثابتة، تعتمد الأنظمة التوليدية على تمثيلات مُتعلمة مُشفرة في معلمات النموذج. وهذا يجعلها مرنة ومعبرة، ولكنه يعني أيضاً أنه يجب تصميمها وتقييمها ونشرها بشكل مختلف عن البرامج التقليدية.

اقتراح توضيحي:
مخطط مقارنة يوضح البرامج القائمة على القواعد مقابل الأنظمة التوليدية المدربة على البيانات .

القدرات الأساسية للذكاء الاصطناعي التوليدي

تدعم النماذج التوليدية الحديثة مجموعة واسعة من القدرات، وكلها تنبثق من نفس الآلية الأساسية: توليد استمراريات محتملة بناءً على السياق.

تشمل القدرات المشتركة ما يلي:

• إنشاء النصوص وإكمالها
  إنتاج فقرات أو شروحات أو استكمالات للنصوص الموجودة.

• التلخيص والشرح
  اختصار الوثائق الطويلة إلى ملخصات أقصر أو شرح المواد المعقدة بعبارات أبسط.

• الترجمة وإعادة الصياغة
  تحويل المحتوى عبر اللغات أو النبرات أو مستويات التفاصيل التقنية.

• توليد وتحويل الشفرة
  كتابة كود جديد أو تعديل الكود الحالي بناءً على الأوصاف أو الأمثلة.

• توليف يشبه الاستدلال
  دمج عدة أجزاء من المعلومات المقدمة لإنتاج ردود أو توصيات منظمة.

• جيل متعدد الوسائط
  إنشاء أو العمل على النصوص والصور والصوت والفيديو.

على الرغم من أن هذه المهام تبدو مختلفة تمامًا، إلا أنها جميعًا تعتمد على نفس الفكرة الأساسية: تعلم الأنماط من البيانات وتوليد مخرجات جديدة معقولة بالنظر إلى السياق.

اقتراح توضيحي:
نموذج مركزي مع فروع إلى النصوص، والرموز البرمجية، والملخصات، والصور، والشروحات.

9. ما ليس الذكاء الاصطناعي التوليدي

على الرغم من قدراتها، فإن الذكاء الاصطناعي التوليدي له قيود مهمة.

الذكاء الاصطناعي التوليدي ليس :

• قاعدة بيانات تخزن الحقائق حرفياً

• محرك بحث يسترجع المصادر الموثوقة

• مضمونة بأنها صحيحة أو غير متحيزة

• مستقل أو موجه نحو الهدف بشكل افتراضي

نظراً لأن الأنظمة التوليدية تتعلم من البيانات الموجودة، فقد ترث أيضاً التحيزات أو الثغرات الموجودة في تلك البيانات. ويتطلب معالجة هذه المشكلات اختياراً دقيقاً لمجموعات البيانات وتقييمها، بالإضافة إلى ضمانات على مستوى النظام - وهي مواضيع سيتم تناولها لاحقاً في هذا الدليل.

10. من النماذج إلى الأنظمة

نادراً ما يكون النموذج التوليدي مفيداً بمفرده.

تجمع التطبيقات العملية بين النماذج ومكونات أخرى، مثل:

• أنظمة استرجاع المعلومات التي توفر المعرفة الخارجية

• الذاكرة للاحتفاظ بالسياق مع مرور الوقت

• أدوات وواجهات برمجة تطبيقات تسمح باتخاذ الإجراءات

• الضوابط وآليات التقييم

• الرقابة البشرية وحلقات التغذية الراجعة

فعلى سبيل المثال، المساعد المدعوم بالذكاء الاصطناعي ليس مجرد نموذج لغوي. إنه نظام يدمج السياق والبيانات الخارجية ومنطق التحكم حول هذا النموذج.

يركز هذا الدليل على أنظمة الذكاء الاصطناعي التوليدي ، وليس فقط على النماذج الفردية.

اقتراح توضيحي:
مخطط متعدد الطبقات: النموذج ← الاسترجاع ← الأدوات ← التقييم ← واجهة المستخدم .

11. لماذا يتبنى هذا الدليل منظورًا نظاميًا؟

تركز العديد من المقدمات حول الذكاء الاصطناعي التوليدي بشكل ضيق على المطالبات أو واجهات برمجة التطبيقات. ورغم فائدة هذا المنظور، إلا أنه سرعان ما يتلاشى مع ازدياد تعقيد التطبيقات.

يؤكد هذا الدليل على ما يلي:

• كيف تتصرف النماذج التوليدية

• كيف يتم دمجها ضمن أنظمة أكبر

• كيف تُوسّع عمليات الاسترجاع والوكلاء والبروتوكولات نطاق التوليد ليشمل التنفيذ

• كيف يؤثر التقييم والمخاطر والحوكمة على عملية النشر

الهدف هو مساعدتك على التفكير في الذكاء الاصطناعي التوليدي من البداية إلى النهاية ، بدلاً من التعامل مع النماذج كصناديق سوداء معزولة.