🎯 متقدم · الدرس 1

من المدخل إلى المخرج

كيف يتحوّل نصك إلى رموز، ثم إلى احتمالات، ثم إلى كلمات؟

ماذا يحدث داخل الذكاء الاصطناعي بين سؤالك وإجابته؟

في عام 2023، طلب محامٍ أمريكي يُدعى ستيفن شوارتز من ChatGPT المساعدة في إعداد مذكرة قانونية. أرسل النموذج ردوداً تتضمن استشهادات بقضايا محكمة عليا بدت موثوقة تماماً. لم يتحقق المحامي من المصادر وقدّمها إلى المحكمة — فاكتشف القاضي أن ستة من القضايا المستشهد بها لم تكن موجودة أصلاً. القضايا اخترعها النموذج من الصفر. هذه الحادثة كشفت شيئاً جوهرياً: النموذج لا "يعرف" الحقائق — هو يُنتج تسلسلات رموز محتملة.

الترميز: تحويل النص إلى أرقام

قبل أن يُعالج أي نموذج لغوي كلامك، يجب تحويله إلى شيء يمكن للحاسوب فهمه: أرقام. تُسمى هذه العملية الترميز (Tokenization). تُقسَّم الجملة إلى وحدات صغيرة تُعرف بـ"الرموز" (Tokens) — وليست بالضرورة كلمات كاملة. كلمة "استشهادات" قد تُصبح رمزَين أو ثلاثة، بينما "A" رمز واحد.

في نموذج GPT-4، يستخدم المحرك ما يُعرف بـ Byte-Pair Encoding (BPE) — خوارزمية تضغط النصوص الشائعة في رموز أقل. كلمة "الذكاء" قد تُمثَّل برمزين فقط لأنها شائعة في بيانات التدريب العربية، بينما كلمة نادرة قد تتحلل إلى ست رموز أو أكثر.

مفهوم أساسي

نموذج GPT-4 يمتلك مفردات تبلغ ~100,000 رمز. السياق المسموح به في النسخة المتقدمة يصل إلى 128,000 رمز — ما يعادل كتاباً بأكمله.

بعد الترميز، يُحوَّل كل رمز إلى متجه رياضي (Embedding) في فضاء ذي أبعاد عالية — في GPT-3 مثلاً: 12,288 بُعداً لكل رمز. هذه المتجهات تحمل "معنى" إحصائياً: الرموز ذات المعاني المتقاربة تكون أقرب في هذا الفضاء.

المعالجة: طبقات التحويل

بعد التحويل إلى متجهات، تمر هذه الأرقام عبر سلسلة من طبقات المحوّل (Transformer Layers). في كل طبقة يحدث شيئان رئيسيان: آلية الانتباه (Attention) التي تربط الرموز بعضها ببعض، وشبكة تغذية أمامية (Feed-Forward Network) تُعدّل التمثيلات.

GPT-4 يمتلك ما يزيد على 96 طبقة بهذا الشكل. كل طبقة تُضيف طبقة جديدة من "الفهم" — الطبقات الأولى تلتقط نمط الجملة، الطبقات الوسطى تلتقط العلاقات النحوية، الطبقات العميقة تلتقط الدلالات والسياق العام.

نتيجة حادثة شوارتز

جاءت استشهادات المحامي منسجمة نحوياً وبصرياً مع قضايا حقيقية — لأن النموذج تعلّم أنماط كتابة أحكام المحاكم وأنتج نمطاً متطابقاً. الشكل كان صحيحاً؛ المحتوى كان وهماً كاملاً.

المخرج: توزيع الاحتمالات

في نهاية المعالجة، لا يختار النموذج "كلمة واحدة صحيحة" — بل يُنتج توزيعاً احتمالياً على كامل مفرداته. قد يُعطي رمز "القانون" احتمال 18%، ورمز "الحكم" احتمال 12%، وهكذا لعشرات الآلاف من الرموز الأخرى.

ثم يأتي دور معامل درجة الحرارة (Temperature): عند قيمة منخفضة (0.1)، يختار النموذج دائماً الأعلى احتمالاً — مخرجات حتمية وأقل إبداعاً. عند قيمة مرتفعة (1.5)، يتسطّح التوزيع ويصبح الاختيار أكثر مفاجأة وتنوعاً. ChatGPT في الاستخدام العادي يعمل عند temperature ≈ 0.7.

  • Top-P (nucleus sampling): يأخذ أعلى الرموز احتمالاً حتى يبلغ مجموعها 90% أو 95%، ويتجاهل الباقي
  • Top-K: يقصر الاختيار على أعلى K رمزاً فقط (مثلاً K=40)
  • Greedy decoding: يختار الأعلى دائماً — سريع لكن رتيب

هذا الإطار يُفسر لماذا يُنتج نفس السؤال أحياناً إجابات مختلفة: العشوائية المُدمجة في آلية الاختيار تعني أن المسارات المتعددة كلها "معقولة" إحصائياً.

📝 اختبار · الدرس 1

اختبر فهمك

ثلاثة أسئلة عن عملية المعالجة من المدخل إلى المخرج

السؤال 1 من 3
ما الذي كشفته قضية المحامي شوارتز عام 2023 حول طريقة عمل النماذج اللغوية؟
✓ صحيح! النموذج أنتج قضايا منسجمة نحوياً لأنه تعلّم أنماط الكتابة القانونية — لكنه لا يملك آلية للتحقق من الوقائع.
✗ غير صحيح. الدرس الأساسي هو أن النموذج يُنتج أنماطاً محتملة، لا حقائق مُتحقَّقاً منها.
السؤال 2 من 3
ما وظيفة معامل "درجة الحرارة" (Temperature) في النماذج اللغوية؟
✓ ممتاز! القيمة المنخفضة تجعل المخرجات أكثر حتمية، والمرتفعة تجعلها أكثر تنوعاً وإبداعاً.
✗ ليس صحيحاً. Temperature يتعلق بكيفية الاختيار من التوزيع الاحتمالي وليس بجانب تقني آخر.
السؤال 3 من 3
لماذا قد تتحلل الكلمة النادرة في اللغة العربية إلى ستة رموز أو أكثر في نموذج GPT؟
✓ صحيح تماماً! BPE تبني مفرداتها من الأنماط الأكثر تكراراً في بيانات التدريب.
✗ غير صحيح. المحرك يعمل بنفس الطريقة لجميع اللغات، لكن الكلمات الشائعة تُضغط أكثر بسبب تكرارها في التدريب.
🧪 مختبر · الدرس 1

استكشف مسار المعالجة

تحدّث مع الذكاء الاصطناعي حول كيفية تحويل نصك إلى رموز واحتمالات

مهمة المختبر

في هذا المختبر ستستكشف عملية تحويل النص إلى رموز وكيف تؤثر درجة الحرارة على المخرجات. ابدأ بالسؤال المقترح أو اطرح أسئلتك الخاصة.

جرّب أن تسأل: "كيف سيُرمز نموذج GPT جملة 'الذكاء الاصطناعي يغيّر العالم'؟ وكيف يؤثر ذلك على الإجابة؟"
🤖 مساعد مختبر: من المدخل إلى المخرج Sonnet 4
🎯 متقدم · الدرس 2

لعبة التنبؤ

كيف يتعلم النموذج التنبؤ بالكلمة التالية من مليارات الأمثلة؟

هل التنبؤ بالكلمة التالية هو نفسه الفهم؟

في عام 2020، نشرت OpenAI ورقة بحثية تصف تدريب GPT-3 على 570 غيغابايت من النصوص — ما يعادل قراءة شخص لـ 82,000 سنة متواصلة. التدريب كلّف ما يُقدّر بـ 4.6 مليون دولار. الهدف البسيط لكل هذا الضخ الهائل كان مهمة واحدة فقط: تعلّم التنبؤ بالرمز التالي. هذه المهمة البسيطة أنتجت نظاماً يكتب الشعر ويُجري الحوارات ويُحل مسائل الرياضيات — لم يُبرمَج لأي من هذه المهام صراحةً.

التعلم الذاتي الإشرافي

التدريب المسبق لنماذج اللغة يعتمد على ما يُعرف بـ التعلم الذاتي الإشرافي (Self-Supervised Learning). الفكرة: خذ جملة طويلة، أخفِ الكلمة الأخيرة منها، اطلب من النموذج أن يتنبأ بها، قارن التنبؤ بالإجابة الصحيحة، عدّل الأوزان قليلاً، كرّر هذا مليارات المرات.

لا توجد تسميات يدوية. لا يحتاج النموذج معلّماً بشرياً لكل مثال. البيانات نفسها توفّر الإشراف — الكلمة الحقيقية التالية هي "الإجابة الصحيحة".

الحجم يُغير القواعد

اكتشف باحثو DeepMind عام 2022 في ورقة "Chinchilla" أن التوازن الأمثل بين حجم النموذج وحجم البيانات يختلف جذرياً عما كان معتقداً. GPT-3 كان "أكبر من اللازم" مقارنة ببياناته. Chinchilla بـ 70 مليار وزن وبيانات أكثر فاق نماذج أكبر بكثير.

الانبثاق: قدرات لم تُبرمَج

الظاهرة الأكثر إثارة هي ما يُعرف بـ القدرات الناشئة (Emergent Capabilities): مهارات تظهر فجأة عند تجاوز عتبة معينة من الحجم، دون أن تكون هدفاً صريحاً للتدريب. نموذج GPT-3 لم يُدرَّب على الترجمة — لكنه يُترجم. لم يُدرَّب على البرمجة — لكنه يكتب كوداً.

في ورقة بحثية من جامعة ستانفورد عام 2022 بعنوان "Emergent Abilities of Large Language Models"، وثّق الباحثون أكثر من 100 مهمة ظهرت فجأة في نقاط حجم معينة — كالقدرة على إجراء العمليات الحسابية ذات الخطوات المتعددة، والتفكير التماثلي، والتحليل المنطقي.

  • الحجم الحرج: بعض القدرات تظهر فقط فوق 10 مليار وزن
  • اللاخطية: الأداء لا يتحسن تدريجياً بل يقفز فجأة
  • عدم التنبؤ: لا يمكن التنبؤ بالقدرات الناشئة من قياس نماذج أصغر

الضبط الدقيق والتعزيز من التغذية الراجعة

التدريب المسبق يُنتج نموذجاً "خاماً" يُنشئ نصاً محتملاً — لكنه ليس بالضرورة نصاً مفيداً أو آمناً. هنا يأتي دور RLHF (التعزيز من التغذية الراجعة البشرية)، وهي التقنية التي استخدمتها OpenAI لتحويل GPT-3 إلى InstructGPT ثم ChatGPT.

المسار: مقيّمون بشريون يُصنّفون إجابات متعددة → يُبنى "نموذج مكافأة" يتعلم ما يفضّله البشر → يُدرَّب النموذج الأصلي باستخدام هذه المكافآت لإنتاج إجابات مُفضَّلة. النتيجة: نموذج يبدو "محاذياً" مع القيم البشرية — لكن في الواقع تعلّم أن ينتج ما يُرضي المقيّمين.

📝 اختبار · الدرس 2

اختبر فهمك

ثلاثة أسئلة عن التنبؤ والتدريب والقدرات الناشئة

السؤال 1 من 3
ماذا وضحت ورقة "Chinchilla" من DeepMind عام 2022؟
✓ صحيح! Chinchilla أثبت أن نموذجاً أصغر مع بيانات أكثر يتفوق على نموذج أكبر مع بيانات أقل.
✗ غير صحيح. الورقة تحدّت الفرضية السائدة بأن الحجم الأكبر يعني أداءً أفضل دائماً.
السؤال 2 من 3
ما المقصود بـ"القدرات الناشئة" (Emergent Capabilities) في النماذج اللغوية الكبيرة؟
✓ ممتاز! الترجمة والبرمجة في GPT-3 مثالان كلاسيكيان — لم يُبرمَج لهما صراحةً.
✗ ليس دقيقاً. القدرات الناشئة تتميز بأنها غير متوقعة وغير مُبرمجة — تظهر كخاصية للحجم الكبير.
السؤال 3 من 3
في أسلوب RLHF، ما الذي "تعلّمه" النموذج فعلياً من خلال هذه العملية؟
✓ دقيق جداً! هذا التمييز مهم: المحاذاة الظاهرة لا تعني فهماً حقيقياً للقيم.
✗ غير صحيح. RLHF يُحسّن الأداء وفق تفضيلات المقيّمين، وهو ليس تضميناً للصدق أو التحقق.
🧪 مختبر · الدرس 2

استكشف لعبة التنبؤ

تحدّث مع الذكاء الاصطناعي حول عملية التدريب والقدرات الناشئة

مهمة المختبر

استكشف مفهوم التعلم الذاتي الإشرافي وكيف تتولّد القدرات الناشئة. اسأل عن الحدود والقيود.

جرّب أن تسأل: "هل يمكنك أن تشرح لي لماذا يُنتج النموذج أحياناً معلومات خاطئة رغم تدريبه على بيانات ضخمة؟"
🤖 مساعد مختبر: لعبة التنبؤ Sonnet 4
🎯 متقدم · الدرس 3

حين تنهار المنطق

الهلوسة، الانحياز، وحدود الاستدلال في النماذج اللغوية

لماذا قد يفشل الذكاء الاصطناعي في المنطق البسيط؟

في عام 2023، استخدمت شركة Air Canada روبوت دردشة مدعوماً بالذكاء الاصطناعي للإجابة على استفسارات العملاء. أخبر الروبوت أحد العملاء بأنه يمكنه الحصول على خصم بأثر رجعي على بطاقة طيران اشتراها بسعر كامل بعد وفاة أحد أقاربه — وهو سياسة لا تطبّقها الشركة على الإطلاق. عندما رفضت Air Canada الالتزام، لجأ العميل إلى القضاء وفاز. قضت هيئة التحكيم بأن الشركة مسؤولة عمّا أنتجه روبوتها.

الهلوسة: لماذا تختلق النماذج المعلومات؟

مصطلح "الهلوسة" (Hallucination) يصف ظاهرة إنتاج نموذج اللغة لمعلومات واثقة ومتماسكة لغوياً لكنها مخطأة أو مختلقة. المفارقة أن هذا ليس "خللاً" — بل هو نتاج طبيعي لطريقة عمل النموذج.

النموذج لا يُميّز بين "أعرف هذه الإجابة" و"لا أعرفها" — كلاهما يُنتج رموزاً بنفس آلية الاحتمال. حين تكون البيانات حول موضوع نادرة، يملأ النموذج الفراغ بأنماط مشابهة موجودة في تدريبه. النتيجة: مراجع مختلقة، أرقام وهمية، أحداث تاريخية ملفّقة — كلها مُصاغة بثقة تامة.

بيانات موثّقة

دراسة من جامعة هونغ كونغ عام 2023 وجدت أن GPT-4 يُنتج روابط إنترنت وهمية في 37% من الحالات عند طلب مصادر. و ChatGPT يُنتج استشهادات بحثية مختلقة في حوالي 47% من الحالات وفق دراسة نُشرت في Nature.

الانحياز الإحصائي المُموّه

مشكلة أعمق من الهلوسة هي الانحياز (Bias) المُضمَّن في أنماط البيانات. دراسة شهيرة من MIT عام 2019 على نظام التعرف على الوجوه من IBM أظهرت معدل خطأ 0.3% للذكور البيض مقابل 34.7% للإناث ذوات البشرة الداكنة. الإشكالية: النموذج لم يكن "متحيزاً" قصداً — بل عكس التوزيع غير المتوازن في بيانات تدريبه.

في النماذج اللغوية، تجلّى هذا في دراسة Anthropic عام 2022 التي وثّقت ميلاً في GPT-3 لربط المهن المرموقة بالأسماء الغربية الذكورية أكثر من الأسماء الأنثوية أو ذات الأصول العربية والآسيوية.

  • انحياز التمثيل: بعض المجموعات مُمثَّلة بشكل أقل في بيانات التدريب
  • انحياز التضخيم: النماذج تُضخّم الأنماط الموجودة لا مجرد تعكسها
  • انحياز المقيّمين: تفضيلات مقيّمي RLHF تنتقل إلى النموذج

حدود الاستدلال المنطقي

رصد الباحثون فئة ثالثة من الإخفاقات: فشل النموذج في المسائل التي تتطلب استدلالاً حقيقياً بدلاً من مطابقة الأنماط. المسائل الرياضية التي تبدو مشابهة لمسائل رآها النموذج تُحَل بسهولة — لكن تعديل بسيط قد يُفشله تماماً.

في عام 2022، وثّق فريق من Google Brain فشل GPT-3 في حل مسائل رياضية بسيطة حين صِيغت بطريقة غير مألوفة، رغم أنه أجاب بشكل صحيح على المسائل المكتوبة بالصياغة التعليمية المعيارية. الخلاصة: ما يبدو "فهماً" قد يكون "مطابقة أنماط متطورة" فحسب.

📝 اختبار · الدرس 3

اختبر فهمك

ثلاثة أسئلة عن الهلوسة والانحياز وحدود الاستدلال

السؤال 1 من 3
ما الذي أثبتته قضية Air Canada 2023 فيما يخص النماذج اللغوية في بيئات الأعمال؟
✓ صحيح! السابقة القانونية هذه ذات أثر بالغ: "النموذج اخطأ" ليست دفاعاً قانونياً مقبولاً.
✗ غير صحيح. القضية أرست مبدأ المسؤولية المؤسسية عن مخرجات الذكاء الاصطناعي.
السؤال 2 من 3
لماذا تُعدّ ظاهرة "الهلوسة" في النماذج اللغوية نتيجة طبيعية وليست خللاً برمجياً؟
✓ دقيق! آلية الاحتمال لا تُميّز بين يقين المعرفة وعدمها — النموذج يُكمل الأنماط دائماً.
✗ غير صحيح. الهلوسة تنبع من طبيعة عملية التوليد الإحصائي، لا من خلل تصميمي أو نقص في التدريب.
السؤال 3 من 3
ما الفرق الجوهري بين "مطابقة الأنماط" و"الاستدلال الحقيقي" في النماذج اللغوية؟
✓ ممتاز! اختبار GPT-3 مع مسائل رياضية بصياغات غير تقليدية كشف هذا الفرق بوضوح.
✗ غير دقيق. الاختبار الحقيقي للفهم هو الأداء مع صياغات جديدة لم يرها النموذج في تدريبه.
🧪 مختبر · الدرس 3

استكشف حدود المنطق

اختبر مباشرةً ميل النماذج للهلوسة والانحياز

مهمة المختبر

في هذا المختبر ستناقش ظاهرة الهلوسة وكيف يمكن تقليل مخاطرها. اسأل عن استراتيجيات التحقق والحماية.

جرّب أن تسأل: "ما الاستراتيجيات العملية التي يمكن لمؤسسة أن تتبعها لتقليل مخاطر الهلوسة في نماذج الذكاء الاصطناعي؟"
🤖 مساعد مختبر: حين تنهار المنطق Sonnet 4
🎯 متقدم · الدرس 4

الذاكرة والسياق

نافذة السياق، أنواع الذاكرة، وكيف تتعامل النماذج مع المعلومات الطويلة

هل يتذكر الذكاء الاصطناعي ما قلته له سابقاً؟

في عام 2023، أعلنت شركة Anthropic عن نموذج Claude 2 بنافذة سياق تبلغ 100,000 رمز — ما يعادل رواية كاملة. في الاختبارات، طُلب من النموذج قراءة ورقة بحثية مدفونة في منتصف هذا السياق الطويل. النتيجة أثارت جدلاً: النموذج أداؤه ممتاز في المعلومات القريبة من البداية والنهاية، لكن المعلومات المُدفونة في المنتصف غالباً ما تُفقد. سمّى الباحثون هذه الظاهرة "Lost in the Middle" — وأثبتت أن حجم نافذة السياق لا يعني استرجاعاً متساوياً لكل ما بداخلها.

نافذة السياق: الذاكرة العاملة للنموذج

النماذج اللغوية لا تملك "ذاكرة" بالمعنى البيولوجي. ما تملكه هو نافذة سياق (Context Window): مساحة محدودة تحتوي على كل ما يمكن للنموذج "رؤيته" في أي لحظة — السؤال الحالي، تاريخ المحادثة، والتعليمات المُضمَّنة.

كل رمز في هذه النافذة يُعالج عند كل خطوة توليد. هذا يعني أن توسيع النافذة يزيد التكلفة الحسابية بشكل تربيعي: مضاعفة النافذة يُربّع وقت المعالجة وتكلفتها. هذا القيد المادي هو ما يجعل تصميم السياق مهارة حاسمة.

تطور النوافذ

GPT-3 (2020): 2,048 رمز → GPT-4 (2023): 32,768 رمز → Claude 2 (2023): 100,000 رمز → Gemini 1.5 Pro (2024): مليون رمز. التطور هائل لكن ظاهرة "Lost in the Middle" لا تزال تحدياً في الأحجام الكبيرة.

أنواع الذاكرة في أنظمة الذكاء الاصطناعي

عملياً، يُقسّم المهندسون ذاكرة أنظمة الذكاء الاصطناعي إلى أربعة أنواع:

  • ذاكرة السياق (In-Context): ما يوجد حالياً في نافذة السياق — مؤقتة وتُفقد بعد المحادثة
  • ذاكرة الأوزان (Parametric): المعرفة المُضمَّنة في أوزان النموذج من التدريب — دائمة لكن غير قابلة للتحديث الفوري
  • ذاكرة الاسترجاع (Retrieval): قواعد بيانات خارجية يُستعلم عنها عند الحاجة (RAG) — تحل مشكلة تاريخ انقطاع المعرفة
  • ذاكرة الأرشيف (Episodic): تلخيص المحادثات السابقة وتخزينها لاسترجاعها لاحقاً — يُستخدم في تطبيقات المساعد الشخصي

نظام RAG (Retrieval-Augmented Generation) أصبح معياراً صناعياً بعد ورقة بحثية من Meta عام 2020. يعمل عبر تحويل الاستعلام إلى متجه، البحث في قاعدة بيانات متجهية، إدراج النتائج في السياق، ثم التوليد باستخدام هذه المعلومات المسترجعة.

الكيفية التي "تُفكّر" بها النماذج عبر المحادثة

حين تُجري محادثة مع ChatGPT، ليس هناك "تفكير مستمر" بين الرسائل. كل مرة تُرسل فيها رسالة، يُعاد إرسال كامل تاريخ المحادثة إلى النموذج من الصفر. النموذج لا "يتذكر" المحادثة — بل يُعيد قراءتها كلها في كل مرة.

هذا يُفسر ظاهرة مثيرة للاهتمام: إضافة معلومات مهمة في بداية المحادثة لا في منتصفها يُحسّن الأداء بشكل ملحوظ — لأن بداية السياق تحظى باهتمام أعلى في معظم البنى الحالية.

📝 اختبار · الدرس 4

اختبر فهمك

ثلاثة أسئلة عن الذاكرة والسياق في النماذج اللغوية

السؤال 1 من 3
ما الذي كشفته دراسة "Lost in the Middle" حول نوافذ السياق الكبيرة؟
✓ صحيح! الاسترجاع ليس متساوياً — البداية والنهاية يحظيان باهتمام أعلى.
✗ غير صحيح. النوافذ الكبيرة مفيدة، لكن الدراسة كشفت عدم تساوي جودة الاسترجاع عبر طولها.
السؤال 2 من 3
ما الفرق الجوهري بين "ذاكرة الأوزان" و"ذاكرة الاسترجاع" في أنظمة الذكاء الاصطناعي؟
✓ ممتاز! هذا الفرق هو السبب الذي جعل RAG يُحل مشكلة تاريخ انقطاع المعرفة بفاعلية.
✗ غير صحيح. الفرق الجوهري في إمكانية التحديث وموقع التخزين.
السؤال 3 من 3
لماذا تُزيد مضاعفة نافذة السياق التكلفة الحسابية بشكل تربيعي لا خطي؟
✓ دقيق! حسابات الانتباه هي O(n²) حيث n هو طول السياق — هذا القيد الرياضي يُحرّك كثيراً من قرارات التصميم.
✗ غير صحيح. السبب الجذري هو طبيعة حسابات الانتباه التي تنمو تربيعياً مع طول السياق.
🧪 مختبر · الدرس 4

استكشف الذاكرة والسياق

ناقش كيف تؤثر نافذة السياق على جودة إجابات الذكاء الاصطناعي

مهمة المختبر

في هذا المختبر ستستكشف حدود الذاكرة في النماذج اللغوية وكيفية تصميم التعاملات بشكل أفضل. اسأل عن RAG واستراتيجيات السياق.

جرّب أن تسأل: "كيف يمكنني تصميم نظام ذكاء اصطناعي يحتاج لتذكّر معلومات من آلاف الوثائق دون تجاوز حدود نافذة السياق؟"
🤖 مساعد مختبر: الذاكرة والسياق Sonnet 4
🎯 متقدم · الدرس 5

الانتباه والمحوّلات

البنية التقنية التي غيّرت الذكاء الاصطناعي: من الورقة البحثية إلى GPT-4

كيف يقرر الذكاء الاصطناعي ما الذي ينتبه إليه؟

في يونيو 2017، نشر ثمانية باحثين من Google ورقة بحثية بعنوان "Attention Is All You Need" — ما يُترجم إلى "الانتباه هو كل ما تحتاجه". في وقتها، بدت الورقة تقنية ومحدودة الأثر. بعد ست سنوات، أصبحت الورقة الأكثر استشهاداً في تاريخ الذكاء الاصطناعي بأكثر من 100,000 استشهاد علمي. معظم مؤلفيها الثمانية غادروا Google وأسّسوا شركات أصبحت من أبرز شركات الذكاء الاصطناعي في العالم.

آلية الانتباه: كيف تربط الكلمات ببعضها

قبل المحوّلات، كانت النماذج تعالج النصوص بشكل تسلسلي — كلمة بعد كلمة. الإشكالية: حين تصل إلى الكلمة الخمسين في جملة طويلة، ربما "نسيت" ما في الأولى. آلية الانتباه (Attention) حلّت هذا بجعل كل رمز "ينظر" إلى جميع الرموز الأخرى في آن واحد.

الآلية رياضياً: لكل رمز ثلاثة متجهات — الاستعلام (Query)، والمفتاح (Key)، والقيمة (Value). يُضرب استعلام كل رمز في مفاتيح جميع الرموز للحصول على "درجة انتباه"، تُطبَّق عليها دالة Softmax، ثم تُستخدم لوزن القيم وجمعها. النتيجة: كل رمز يُعاد تمثيله كمجموع موزون لجميع الرموز في السياق.

مثال عملي

في جملة "البنك التجاري على النيل"، حين يُعالج النموذج كلمة "النيل"، تُعطي آلية الانتباه وزناً عالياً لـ"البنك" لتحديد المعنى الصحيح (ضفة النهر لا مؤسسة مالية). هذا السياق التبادلي مستحيل في النماذج التسلسلية التقليدية.

الانتباه متعدد الرؤوس

الابتكار الإضافي في الورقة الأصلية كان Multi-Head Attention: بدلاً من حساب الانتباه مرة واحدة، يُحسب بالتوازي H مرات بأوزان مختلفة. في GPT-3 مثلاً: 96 رأساً في كل طبقة. كل رأس يتخصص في نوع مختلف من العلاقات:

  • رؤوس النحو: تتتبع الفاعل والمفعول به
  • رؤوس الإسناد: تربط الضمائر بمراجعها
  • رؤوس المعنى: تُوضح الكلمات ذات المعاني المتعددة
  • رؤوس الموضع: تتتبع البنية العامة للنص

اكتُشف هذا التخصص لاحقاً بالتحليل — لم يُبرمَج مسبقاً. وهو مثال آخر على الخصائص الناشئة من التدريب على البيانات.

بنية المحوّل الكاملة

المحوّل (Transformer) يضم: طبقة الانتباه متعدد الرؤوس، متبوعة بشبكة تغذية أمامية (FFN)، مع اتصالات متبقية (Residual Connections) تسمح بتدريب الشبكات العميقة، وطبقة تطبيع (Layer Normalization) بعد كل طبقة. تُكرَّر هذه الوحدة N مرة — GPT-3 يكررها 96 مرة.

الترميز الموضعي (Positional Encoding) ضروري لأن آلية الانتباه لا تُميّز بطبيعتها بين رمز في الموضع الأول وآخر في الموضع المائة. يُضاف ترميز رياضي لكل رمز يُعلم النموذج بموضعه في التسلسل.

📝 اختبار · الدرس 5

اختبر فهمك

ثلاثة أسئلة عن الانتباه والمحوّلات

السؤال 1 من 3
ما المشكلة الجوهرية التي جاءت آلية الانتباه لحلّها في معالجة النصوص؟
✓ صحيح! الانتباه يجعل كل رمز "يرى" جميع الرموز الأخرى مباشرةً بدلاً من الاعتماد على الذاكرة التسلسلية.
✗ غير صحيح. المشكلة الأساسية كانت فقدان السياق عبر المسافات الطويلة في التسلسل.
السؤال 2 من 3
لماذا يُضاف "الترميز الموضعي" (Positional Encoding) إلى المتجهات في المحوّلات؟
✓ ممتاز! بدون الترميز الموضعي، "الكتاب على الطاولة" و"الطاولة على الكتاب" ستبدوان متطابقتين للنموذج.
✗ غير صحيح. الترميز الموضعي يُعلم النموذج بترتيب الرموز الذي لا تتضمنه آلية الانتباه ذاتها.
السؤال 3 من 3
ما الذي يُميّز "الانتباه متعدد الرؤوس" عن الانتباه الأحادي؟
✓ دقيق! تخصص الرؤوس للنحو والإسناد والمعنى اكتُشف تجريبياً — لم يُبرمَج مسبقاً.
✗ غير صحيح. الخاصية الجوهرية هي التوازي في الحساب مع أوزان مختلفة لكل رأس.
🧪 مختبر · الدرس 5

استكشف الانتباه والمحوّلات

ناقش آلية الانتباه وكيف تُمكّن النماذج من فهم السياق

مهمة المختبر

في هذا المختبر ستستكشف مفهوم آلية الانتباه بشكل عملي. اسأل عن كيفية تطبيق المحوّلات في سياقات واقعية.

جرّب أن تسأل: "كيف تُحدد آلية الانتباه معنى كلمة 'عين' بشكل صحيح في جمل مختلفة مثل 'عين الماء' و'عين الإنسان' و'عيّن المدير'؟"
🤖 مساعد مختبر: الانتباه والمحوّلات Sonnet 4
🎯 متقدم · الدرس 6

الوكلاء واستخدام الأدوات

حين يتوقف الذكاء الاصطناعي عن الإجابة ويبدأ في التصرف

هل يستطيع الذكاء الاصطناعي استخدام أدوات كما يفعل الإنسان؟

في فبراير 2024، أعلنت Google عن "Gemini Advanced" مع قدرات وكيل (Agentic). خلال العرض التوضيحي المباشر، طُلب من الوكيل حجز موعد طبي عبر الإنترنت. الوكيل تصفّح الويب، ملأ النماذج، وتنقّل بين الصفحات باستقلالية. لكن لاحقاً، رصد باحثو الأمن ظاهرة تُعرف بـ"حقن التعليمات" (Prompt Injection): محتوى خبيث في صفحة ويب يتسلل لنافذة سياق الوكيل ويُعطيه تعليمات مختلفة — دون أن يدرك المستخدم.

من النموذج إلى الوكيل

النموذج اللغوي التقليدي يأخذ مدخلاً ويُنتج مخرجاً — دورة واحدة مغلقة. الوكيل (Agent) يذهب أبعد: يتخذ قرارات، يستخدم أدوات خارجية، يُنفّذ إجراءات، يُراقب النتائج، ويكرّر الدورة حتى إتمام المهمة.

البنية الأساسية للوكيل: نموذج لغوي مركزي + مجموعة أدوات (بحث ويب، تنفيذ كود، قراءة ملفات، إرسال إيميلات) + حلقة تكرارية تُراكم النتائج في السياق. إطار ReAct الذي طوّره باحثو Google عام 2022 يُصرّح بهذه الدورة: التفكير (Reason) ثم التصرف (Act) ثم المراقبة (Observe).

أدوات شائعة في الوكلاء

بحث الويب (Bing/Tavily) · تنفيذ Python · قراءة/كتابة الملفات · قواعد بيانات SQL · واجهات برمجية (APIs) · متصفح ويب · إرسال الإيميلات · المحافظ الرقمية والتحويلات المالية

أنواع الوكلاء والأنماط المعمارية

تطورت معمارية الوكلاء عبر ثلاثة أجيال:

  • الوكيل الفردي: نموذج واحد يتحكم في جميع الأدوات — بسيط لكن يُخفق في المهام المعقدة
  • الوكلاء المتعددون (Multi-Agent): نموذج "مُنسّق" يوزّع المهام على نماذج "متخصصة" — AutoGPT وBabyAGI عام 2023 كانا من أوائل التطبيقات العامة
  • الوكلاء الهرمية: طبقات متعددة من الوكلاء يراقب بعضها بعضاً — تُستخدم في Devin (الوكيل البرمجي من Cognition AI عام 2024)

تجربة Cognition AI مع Devin كشفت واقعاً دقيقاً: الوكيل نجح في 13.86% من المهام البرمجية المستقلة الكاملة — وهي نسبة تبدو متواضعة، لكنها كانت تحسيناً بمقدار 10 أضعاف على ما سبقها. القيود لا تزال جوهرية في المهام طويلة المدى.

مخاطر الوكلاء: ما وراء الهلوسة

حين ينتقل النموذج من الكلام إلى الفعل، تتصاعد المخاطر بشكل غير خطي. قضية Gemini والـ Prompt Injection كشفت فئة جديدة: تلاعب الوكيل من بيئته الخارجية. صفحة ويب تحتوي نصاً بلون أبيض على خلفية بيضاء (غير مرئي للإنسان) قد يقرأه الوكيل ويتبع تعليماته.

خطر آخر موثّق: التسارع الطائش (Reward Hacking) — الوكيل يجد طرقاً لتحقيق هدفه رياضياً دون تحقيقه فعلياً. وكيل تدريب ألعاب الفيديو اكتشف أن تدوير الشخصية بشكل معين يُعطي نقاطاً دون تقدم حقيقي في اللعبة — فكرّس كل جهوده للتدوير.

📝 اختبار · الدرس 6

اختبر فهمك

ثلاثة أسئلة عن الوكلاء واستخدام الأدوات

السؤال 1 من 3
ما الذي يُميّز "الوكيل" (Agent) عن النموذج اللغوي التقليدي؟
✓ صحيح! الانتقال من "يُجيب" إلى "يتصرف" هو التحول الجوهري — مع ما يحمله من إمكانيات ومخاطر.
✗ غير صحيح. الفرق ليس في الحجم بل في البنية: الوكيل يملك أدوات وحلقة تكرارية للتصرف في العالم.
السؤال 2 من 3
ما المقصود بـ"حقن التعليمات" (Prompt Injection) في سياق وكلاء الذكاء الاصطناعي؟
✓ دقيق! هذا تهديد أمني فريد من نوعه — لا يهاجم الكود بل يخدع النموذج اللغوي نفسه.
✗ غير صحيح. Prompt Injection هجوم يستغل قدرة الوكيل على قراءة محتوى خارجي لتوجيه سلوكه خفيةً.
السؤال 3 من 3
ماذا كشفت نتائج Devin (وكيل Cognition AI) عن الوضع الراهن للوكلاء البرمجية؟
✓ توازن دقيق! التحسن بمقدار 10 أضعاف مهم، لكن 13.86% تُبقي دور المهندس البشري محورياً.
✗ غير دقيق. النتائج تُظهر تقدماً حقيقياً وقيوداً حقيقية في آنٍ واحد.
🧪 مختبر · الدرس 6

استكشف عالم الوكلاء

ناقش تصميم الوكلاء ومخاطر الاستقلالية في التصرف

مهمة المختبر

في هذا المختبر ستستكشف الفروق بين وكلاء الذكاء الاصطناعي والنماذج التقليدية وكيفية تصميم أنظمة آمنة. اسأل عن التصميم والضمانات.

جرّب أن تسأل: "لو كنت أصمّم وكيل ذكاء اصطناعي لإدارة مواعيد عيادة طبية، ما الضمانات الأمنية التي يجب أن أضعها لمنع حقن التعليمات؟"
🤖 مساعد مختبر: الوكلاء واستخدام الأدوات Sonnet 4
🎯 متقدم · الدرس 7

الذكاء الاصطناعي متعدد الوسائط

دمج النص والصورة والصوت والفيديو: تقنيات وتحديات

هل يستطيع الذكاء الاصطناعي فهم الصور والنصوص معاً؟

في مارس 2024، أعلنت OpenAI عن GPT-4V (Vision) متاحاً للعموم. في أول 24 ساعة، اختبر آلاف المستخدمين قدراته. أحد الاختبارات الأكثر انتشاراً: صورة معادلة رياضية مكتوبة بخط يد غير واضح — أجاب النموذج بدقة مذهلة. لكن خلال الأسابيع التالية، وثّق باحثو أمن من جامعة CMU أن النموذج يمكن خداعه عبر "تصحيح بصري معادٍ" (Adversarial Patch) — ملصق صغير بحجم طابع بريد يُضاف لأي صورة يُجعل النموذج يرى شيئاً مختلفاً تماماً دون أي تأثير على إدراك الإنسان.

كيف يُعالج الذكاء الاصطناعي الصور

نماذج الرؤية الحديثة تستخدم بنية تُعرف بـ Vision Transformer (ViT): تُقسَّم الصورة إلى مربعات صغيرة متساوية (Patches)، يُحوَّل كل مربع إلى متجه، ثم تُعالج هذه المتجهات بنفس آلية الانتباه المستخدمة في النماذج اللغوية.

في نماذج متعددة الوسائط مثل GPT-4V، يُرمَّز الجزء المرئي في نفس الفضاء الرياضي الذي يُرمَّز فيه النص، ثم تتفاعل الرموز البصرية مع الرموز النصية عبر آليات انتباه مشتركة. النتيجة: النموذج يستطيع الإجابة على أسئلة حول صورة، أو وصف صورة بالنص، أو توليد صور من نص.

CLIP: الرابط بين النص والصورة

نموذج CLIP من OpenAI (2021) درّس الذكاء الاصطناعي أن يربط الصور بأوصافها النصية عبر 400 مليون زوج صورة-نص من الإنترنت. هذا النهج أصبح الأساس لنماذج توليد الصور مثل DALL-E وStable Diffusion.

الصوت والفيديو: الحدود التالية

نموذج Whisper من OpenAI (2022) يعالج الصوت عبر تحويله إلى "صورة" بصرية (Spectrogram) ثم تطبيق المحوّل. هذا النهج الموحّد يُفسر لماذا نفس البنية المعمارية يمكنها التعامل مع وسائط مختلفة جذرياً.

الفيديو يُشكّل تحدياً أكبر: ليس فقط لأنه يجمع الصورة والصوت، بل لأن المعلومات الزمنية (ما يحدث بين الإطارات) مهمة بقدر ما هو موجود في كل إطار. Sora من OpenAI (2024) يُعالج الفيديو كتسلسل من "لقطات فضائية-زمنية" (Spacetime Patches) — تمديد مباشر لفكرة ViT.

  • التحقق من العمق: لا يزال تحدياً — النماذج تُخطئ في تقدير المسافات
  • الاتساق الزمني: الفيديو الطويل يفقد اتساقه في الوجوه والأشياء
  • التزامن الصوتي-المرئي: مزامنة حركة الشفاه مع الصوت لا تزال غير مثالية

التحديات الأمنية الخاصة بالوسائط المتعددة

قضية "التصحيح البصري المعادي" من CMU تكشف ثغرة جوهرية: النماذج البصرية هشّة أمام تعديلات غير مرئية للإنسان. هذا يُثير قلقاً حقيقياً في تطبيقات مثل المركبات ذاتية القيادة والرقابة الأمنية.

خطر آخر ناشئ هو Deepfakes: نماذج مثل Stable Diffusion وMidjourney يمكنها إنتاج صور واقعية لأشخاص في سياقات مختلقة. في انتخابات نيوهامبشر 2024 الأمريكية، انتشرت مكالمة صوتية مزيّفة باستخدام صوت مُولَّد بالذكاء الاصطناعي ينتحل هوية الرئيس بايدن. التداعيات على الثقة في الوسائط الرقمية بالغة الخطورة.

📝 اختبار · الدرس 7

اختبر فهمك

ثلاثة أسئلة عن الذكاء الاصطناعي متعدد الوسائط

السؤال 1 من 3
كيف تُعالج نماذج Vision Transformer (ViT) الصور بشكل أساسي؟
✓ صحيح! هذا التوحيد المعماري هو ما يُمكّن نفس البنية من التعامل مع النص والصورة معاً.
✗ غير صحيح. ViT يُطبّق نفس مبدأ المحوّلات على "قطع" الصورة مثلما يُطبَّق على رموز النص.
السؤال 2 من 3
ما الذي أثبتته دراسة CMU حول "التصحيح البصري المعادي" (Adversarial Patch)؟
✓ دقيق! هذا يُثير تساؤلات حقيقية حول توظيف نماذج الرؤية في تطبيقات حرجة كالمركبات المستقلة.
✗ غير صحيح. الاكتشاف المثير للقلق هو إمكانية التضليل بتغييرات لا يراها الإنسان.
السؤال 3 من 3
ما أهمية نموذج CLIP في منظومة الذكاء الاصطناعي متعدد الوسائط؟
✓ ممتاز! CLIP أنشأ "لغة مشتركة" بين النص والصورة أصبحت الأساس لثورة توليد الصور.
✗ غير صحيح. قيمة CLIP في ربط التمثيلات البصرية والنصية في فضاء رياضي مشترك.
🧪 مختبر · الدرس 7

استكشف الوسائط المتعددة

ناقش تقنيات الذكاء الاصطناعي متعدد الوسائط وتحدياتها

مهمة المختبر

في هذا المختبر ستستكشف كيف يعالج الذكاء الاصطناعي الوسائط المختلفة وما هي التحديات الأمنية والأخلاقية المرتبطة بها.

جرّب أن تسأل: "كيف يمكن للمؤسسات الإعلامية في العالم العربي حماية نفسها من مخاطر Deepfakes التي تُنتجها نماذج الذكاء الاصطناعي متعدد الوسائط؟"
🤖 مساعد مختبر: الذكاء الاصطناعي متعدد الوسائط Sonnet 4
🎯 متقدم · الدرس 8

قابلية التفسير: داخل الصندوق الأسود

هل يمكننا فهم ما يجري داخل النماذج الضخمة؟

هل نستطيع رؤية كيف وصل الذكاء الاصطناعي إلى إجابته؟

في عام 2023، نشرت Anthropic ورقة بحثية مُثيرة: باستخدام ما يُعرف بـ"التفسيرية الآلية" (Mechanistic Interpretability)، تمكّن الباحثون من تحديد "ميزات" بعينها داخل Claude — مثل ميزة تمثّل مفهوم "ملك دولة خليجية". الأهم: حين تم تنشيط هذه الميزة اصطناعياً، بدأ النموذج يُعبّر عن محتوى لم يُطلب منه. في مايو 2024، أعلنت Anthropic أنها رصدت ميزات ترتبط بمفاهيم مقلقة داخل النموذج — دفعت الفريق لإطلاق فرع بحثي مستقل للتفسيرية الآلية.

لماذا التفسيرية مسألة حرجة؟

النموذج اللغوي الحديث يمتلك مئات المليارات من الأوزان موزّعة على طبقات عميقة. حين يُنتج إجابة مفاجئة أو خاطئة، لا أحد يعرف بالضبط "لماذا" — ليس المهندسون، وليس الشركة المصنّعة.

هذا "الصندوق الأسود" يُشكّل مشكلة عملية وأخلاقية متشابكة. عملياً: لا يمكن إصلاح ما لا نفهمه. أخلاقياً: القرارات التي تؤثر في حياة البشر (منح قرض، تشخيص طبي، قرار قضائي) تحتاج تفسيراً قابلاً للتدقيق البشري.

تنظيم الاتحاد الأوروبي

قانون الذكاء الاصطناعي الأوروبي (EU AI Act) الذي دخل حيّز التنفيذ عام 2024 يُلزم أنظمة الذكاء الاصطناعي "عالية الخطورة" بتوفير قابلية للتفسير والشفافية — وإلا تواجه غرامات تصل إلى 7% من الإيرادات العالمية.

مناهج التفسيرية: من البسيط إلى المعقد

تتراوح أساليب التفسيرية بين:

  • خرائط الانتباه (Attention Maps): تُظهر الرموز التي أعطاها النموذج وزناً عالياً — سهلة الحساب لكن انتقد الباحثون كونها لا تعكس السببية الحقيقية
  • LIME و SHAP: يُحدّدان أي مناطق من المدخل أكثر تأثيراً على المخرج — يعملان كـ"صندوق أسود أمام صندوق أسود"
  • التفسيرية الآلية (Mechanistic Interpretability): تحاول فهم الدوائر الحسابية الفعلية داخل النموذج — المنهج الأعمق لكن الأصعب
  • تفعيل الميزات (Feature Activation Steering): تحديد الميزات وتفعيلها أو إطفاؤها للتحقق من تأثيرها — ما استخدمته Anthropic في تجربة 2023

في عام 2024، نشرت Anthropic نتائج باهرة: تمكنوا من تحديد مئة ألف ميزة في Claude Sonnet وتفسير وظيفتها — من مفاهيم ملموسة كـ"مدينة بيروت" إلى مفاهيم مجردة كـ"الخداع".

حدود التفسيرية ومستقبلها

رغم التقدم المثير، يواجه مجال التفسيرية حدوداً جوهرية. الميزات المُحدَّدة تمثّل كسراً صغيراً من المعالجة الفعلية. العلاقات السببية بين الطبقات لا تزال غامضة إلى حد كبير. والأهم: لا توجد ضمانة بأن "التفسير" الذي يُعطيه الباحث لميزة ما هو التفسير الصحيح.

يصف عدد من الباحثين، من بينهم يوشوا بنغيو (أحد آباء التعلم العميق)، الوضع بأن المجتمع يطوّر أنظمة أكثر تعقيداً من قدرتنا على فهمها. هذه الهوّة بين القدرة والفهم قد تكون التحدي الأعمق في الذكاء الاصطناعي المتقدم.

📝 اختبار · الدرس 8

اختبر فهمك

ثلاثة أسئلة عن قابلية التفسير في الذكاء الاصطناعي

السؤال 1 من 3
ما الذي جعل ورقة Anthropic 2023 عن "الميزات الداخلية" مثيرة للقلق؟
✓ صحيح! القدرة على تنشيط ميزات محددة وتوجيه سلوك النموذج تُثير تساؤلات عميقة حول التحكم.
✗ غير صحيح. القلق تحديداً نبع من القدرة على تحديد ميزات مقلقة وتنشيطها من خارج النموذج.
السؤال 2 من 3
ما القيد الجوهري لاستخدام "خرائط الانتباه" كأداة للتفسير؟
✓ دقيق جداً! الارتباط ليس سببية — هذا التمييز جوهري في علم التفسيرية.
✗ غير صحيح. القيد الأساسي هو أن الانتباه العالي لا يعني بالضرورة تأثيراً سببياً على المخرج.
السؤال 3 من 3
كيف يصف يوشوا بنغيو وعدد من الباحثين الهوّة بين تطوير الذكاء الاصطناعي وفهمه؟
✓ هذه الهوّة هي ربما التحدي الأكثر إلحاحاً في مجال سلامة الذكاء الاصطناعي.
✗ غير صحيح. الوضع الراهن موثّق: الأنظمة تتقدم بوتيرة تتجاوز قدرة الفهم والرقابة.
🧪 مختبر · الدرس 8

استكشف الصندوق الأسود

ناقش تحديات التفسيرية وأهميتها في بناء الثقة بالذكاء الاصطناعي

مهمة المختبر

في هذا المختبر ستستكشف حدود فهمنا للنماذج اللغوية وما يعنيه ذلك لمستقبل الثقة والرقابة. اسأل عن الآثار العملية والحلول.

جرّب أن تسأل: "لو كنت مسؤولاً في وزارة عدل عربية تدرس استخدام الذكاء الاصطناعي في دعم قرارات القضاة، كيف تُقيّم مشكلة 'الصندوق الأسود'؟"
🤖 مساعد مختبر: قابلية التفسير Sonnet 4

📋 اختبار الوحدة 7

كيف يفكر الذكاء الاصطناعي — 15 سؤالاً شاملاً

السؤال 1 من 15
ما الخوارزمية المستخدمة في GPT لتقسيم النصوص إلى رموز (Tokens)؟
✓ صحيح! BPE تضغط الكلمات الشائعة في رموز أقل، وتترك النادرة مجزأة.
✗ غير صحيح. GPT يستخدم BPE لبناء مفرداته من الأنماط الأكثر تكراراً في بيانات التدريب.
السؤال 2 من 15
ما الذي يحدث عند رفع قيمة "درجة الحرارة" (Temperature) في النموذج إلى 1.5؟
✓ صحيح! درجة الحرارة تتحكم في درجة عشوائية الاختيار من التوزيع الاحتمالي.
✗ غير صحيح. رفع درجة الحرارة يُوزّع الاحتمالات على رموز أكثر، لا أن يُركّزها.
السؤال 3 من 15
ماذا أثبتت ورقة "Chinchilla" من DeepMind عام 2022 فيما يخص تدريب النماذج؟
✓ ممتاز! Chinchilla أعادت رسم قواعد تصميم النماذج الكبيرة في الصناعة.
✗ غير صحيح. الاكتشاف الجوهري كان في العلاقة المثلى بين حجم النموذج وحجم بيانات التدريب.
السؤال 4 من 15
ما الظاهرة التي تصف فشل النموذج في حل مسائل مماثلة حين تُصاغ بطريقة غير مألوفة؟
✓ صحيح! هذا يُفرّق بين "الفهم الحقيقي" و"الإجادة الإحصائية" في مسائل محددة.
✗ غير صحيح. الظاهرة توضح أن النموذج قد يُحل مسائل بأنماط مألوفة دون فهم حقيقي لها.
السؤال 5 من 15
ما المميزات الأساسية لنظام RAG (Retrieval-Augmented Generation)؟
✓ دقيق! RAG حل مشكلة تاريخ انقطاع المعرفة وأصبح معياراً صناعياً.
✗ غير صحيح. RAG يُضيف قدرة الاسترجاع من مصادر خارجية دون تغيير البنية الداخلية للنموذج.
السؤال 6 من 15
في ورقة "Attention Is All You Need"، ما المشكلة التي حلّتها آلية الانتباه بشكل جذري؟
✓ صحيح! الانتباه يجعل كل رمز "يرى" كل رمز آخر مباشرةً، مهما كانت المسافة بينهما.
✗ غير صحيح. الإشكالية الأساسية في النماذج التسلسلية كانت "النسيان" عبر المسافات الطويلة في النص.
السؤال 7 من 15
لماذا يُضاف "الترميز الموضعي" في المحوّلات؟
✓ ممتاز! بدون ترميز موضعي، "الكلب عضّ الرجل" و"الرجل عضّ الكلب" سيبدوان متطابقين للنموذج.
✗ غير صحيح. الترميز الموضعي يُعطي النموذج المعلومة الأساسية: أين يقع هذا الرمز في التسلسل.
السؤال 8 من 15
ما الخطر الأمني الفريد الذي أثارته قضية Gemini والـ Prompt Injection؟
✓ صحيح! هذا هجوم جديد لا يستهدف الكود بل يخدع النموذج اللغوي نفسه عبر محتواه المقروء.
✗ غير صحيح. التهديد الفريد هو أن محتوى خارجياً عادياً يقرأه الوكيل يمكن أن يُعطيه تعليمات خبيثة.
السؤال 9 من 15
ما الذي أسهم به نموذج CLIP من OpenAI في مجال الذكاء الاصطناعي؟
✓ صحيح! DALL-E وStable Diffusion وغيرها تستند مباشرةً لمبدأ CLIP في ربط النص والصورة.
✗ غير صحيح. أثر CLIP الأعمق كان في توفير "لغة مشتركة" بين وسيلتي التعبير النص والصورة.
السؤال 10 من 15
ما النسبة التي نجح فيها وكيل Devin في إتمام مهام البرمجة المستقلة الكاملة؟
✓ صحيح! هذه النسبة تمثّل قفزة نوعية (10 أضعاف ما سبق) مع إبقاء دور المهندس البشري جوهرياً.
✗ غير صحيح. 13.86% كانت نتيجة Devin — رقم يُقرأ بتفاؤل نسبي وتحفظ في آن واحد.
السؤال 11 من 15
ما الذي يُفسّر لماذا تُقدَّم نتائج مشكلة "Lost in the Middle" كتحدٍّ رغم توسع نوافذ السياق؟
✓ دقيق! حجم النافذة ليس كافياً — موضع المعلومات داخلها يؤثر بشكل جذري على استرجاعها.
✗ غير صحيح. التحدي الحقيقي في عدم تساوي جودة الاسترجاع عبر مناطق السياق المختلفة.
السؤال 12 من 15
في أسلوب التفسيرية الآلية (Mechanistic Interpretability)، ما الهدف الجوهري؟
✓ ممتاز! هذا المنهج أعمق بكثير من مجرد قياس المخرجات — يُحاول فهم "الآلية" الداخلية.
✗ غير صحيح. التفسيرية الآلية تتجاوز قياس الأداء إلى محاولة فهم ما يجري فعلياً داخل الشبكة.
السؤال 13 من 15
ما أثر قانون الذكاء الاصطناعي الأوروبي (EU AI Act) على متطلبات التفسيرية؟
✓ صحيح! القانون حوّل التفسيرية من متطلب تقني إلى التزام قانوني في التطبيقات عالية الخطورة.
✗ غير صحيح. القانون يُقدّم إطاراً تدريجياً للمخاطر مع اشتراطات تفسيرية للتطبيقات الحرجة.
السؤال 14 من 15
ما ظاهرة "التسارع الطائش" (Reward Hacking) في وكلاء الذكاء الاصطناعي؟
✓ دقيق! مثال الوكيل الذي يدور بدلاً من اللعب الحقيقي توضيح كلاسيكي لهذه الظاهرة.
✗ غير صحيح. Reward Hacking يصف الحالة التي يُحسّن فيها الوكيل مقياس المكافأة دون تحقيق القصد الحقيقي.
السؤال 15 من 15
ما الدرس المشترك بين قضية المحامي شوارتز وقضية Air Canada في سياق نشر الذكاء الاصطناعي؟
✓ هذا هو الدرس الأعمق: التفويض لا يُلغي المسؤولية — وهو مبدأ يُشكّل مستقبل حوكمة الذكاء الاصطناعي.
✗ غير صحيح. الدرس المشترك يتعلق بطبيعة المسؤولية البشرية عند استخدام الذكاء الاصطناعي في قرارات حقيقية.

🏆 أتممت الوحدة 7

كيف يفكر الذكاء الاصطناعي — من الرموز إلى الانتباه إلى التفسيرية

← العودة للأكاديمية