Artificial Intelligence (AI)

الذكاء الاصطناعي (AI) فرع من علوم الحاسوب يطوّر أنظمة قادرة على أداء مهام ترتبط بالذكاء البشري: إدراك الصور والأصوات، وفهم اللغة وتوليدها، والاستدلال والتخطيط والتعلّم من الخبرة. ويصف تعريف منظمة التعاون والتنمية في الميدان الاقتصادي (OECD)، الذي يتبعه قانون الذكاء الاصطناعي للاتحاد الأوروبي عن كثب، نظام الذكاء الاصطناعي بأنه نظام قائم على الآلة يستنتج من مدخلاته كيفية توليد مخرجات مثل التنبؤات أو المحتوى أو التوصيات أو القرارات. ويتعلم معظم الذكاء الاصطناعي المستخدم اليوم هذا السلوك من بيانات الأمثلة عبر التعلّم الآلي (ML).

لمحة موجزة عن تاريخ الذكاء الاصطناعي#

طرح بحث آلان تورينغ الصادر عام 1950، «آلات الحوسبة والذكاء»، سؤالًا عمّا إذا كانت الآلات قادرة على التفكير، واقترح لعبة المحاكاة، التي تُعرف اليوم باختبار تورينغ. وصاغ جون مكارثي ومارفن مينسكي وناثانيال روتشستر وكلود شانون مصطلح «الذكاء الاصطناعي» في مقترحهم لعام 1955 لورشة دارتموث الصيفية لعام 1956، التي أسست المجال. وهيمن الذكاء الاصطناعي الرمزي على العقود الثلاثة التالية بالاعتماد على المنطق والبحث والأنظمة الخبيرة القائمة على القواعد، وانخفض التمويل مرتين، خلال «شتاء الذكاء الاصطناعي» في سبعينيات القرن العشرين وأواخر ثمانينياته، حين لم ترقَ النتائج إلى مستوى الوعود.

حلّت أساليب الذكاء الاصطناعي الإحصائي، التي تتعلم من البيانات، محل ما سبق في تسعينيات القرن العشرين. وفي عام 1997، هزم Deep Blue التابع لشركة IBM بطل العالم في الشطرنج غاري كاسباروف باستخدام عتاد مخصص بحث نحو 200 مليون وضعية شطرنج في الثانية. وفي عام 2012، فازت الشبكة العصبية الالتفافية AlexNet بتحدي تصنيف الصور ImageNet بفارق كبير، وأطلقت حقبة التعلّم العميق (DL). وأدى معمار المحوّل، الذي قُدّم عام 2017، إلى ظهور نماذج اللغة الكبيرة (LLMs)، فيما أتاح إطلاق ChatGPT في نوفمبر 2022 الذكاء الاصطناعي التوليدي لمئات الملايين من المستخدمين.

العلاقة بين الذكاء الاصطناعي والتعلّم الآلي والتعلّم العميق#

الذكاء الاصطناعي هو المجال الأشمل. والذكاء الاصطناعي الرمزي والتعلّم الآلي هما نهجاه الرئيسيان: يشفّر الأول المعرفة في صورة قواعد صريحة، بينما يتعلم الثاني الأنماط من الأمثلة. والتعلّم العميق هو فرع من التعلّم الآلي يستخدم شبكات عصبية ذات طبقات عديدة، وتعتمد عليه تقريبًا جميع الإنجازات الحديثة في الرؤية واللغة وتوليد الصور.

تتعلم أنظمة التعلّم الآلي بطرائق رئيسية قليلة. وتلائم التعلّم الخاضع للإشراف أمثلة موسومة، مثل الصور المرفقة بتسميات للكائنات التي تحتويها. ويكتشف التعلّم غير الخاضع للإشراف البنية في البيانات غير الموسومة، بينما ينشئ التعلّم الذاتي الإشراف إشارة التدريب الخاصة به من البيانات الخام، وهي الطريقة التي يستند إليها التدريب المسبق لنماذج LLM. أما التعلّم المعزز فيتعلم من المكافآت المكتسبة عبر التفاعل مع بيئة.

أنواع الذكاء الاصطناعي حسب القدرة#

• الذكاء الاصطناعي الضيق (ANI) أو الذكاء الاصطناعي الضعيف: ذكاء اصطناعي مصمم لمهمة محددة أو مجموعة مهام. وتنتمي جميع الأنظمة المنشورة إلى هذه الفئة، بما فيها الأنظمة التي يتجاوز أداؤها أداء البشر في مهامها.
• الذكاء الاصطناعي العام (AGI): نظام افتراضي يضاهي البشر في جميع المهام المعرفية تقريبًا، ويُسمى غالبًا الذكاء الاصطناعي القوي.
• الذكاء الاصطناعي الفائق (ASI): نظام افتراضي يتجاوز أفضل البشر في كل المجالات تقريبًا، وهو السيناريو الكامن وراء التفرّد التكنولوجي.

تطمس LLMs عامة الأغراض الحد الأول. إذ يمكن لنموذج واحد كتابة الشيفرات والترجمة ووصف الصور، لكن مهاراته تتفاوت بين المهام، وهو نمط يُسمى الذكاء المتفاوت. وتقيس لوحة صدارة VLM من Ultralytics إحدى هذه المهارات، وهي دقة هذه النماذج في كشف الأجسام ضمن صور واقعية.

تطبيقات الذكاء الاصطناعي#

• الرؤية الحاسوبية: اكتشاف الكائنات وتقسيم المشاهد وتتبع الحركة لاستخدامها في المركبات ذاتية القيادة وفحص المصانع وتحليلات البيع بالتجزئة وتحليل الصور الطبية.
• اللغة والكلام: روبوتات المحادثة والترجمة الآلية وتلخيص المستندات وتحويل الكلام إلى نص.
• التنبؤ والترتيب: اكتشاف الاحتيال والتنبؤ بالطلب وأنظمة التوصية للبث والتسوق.
• العلوم: يتنبأ AlphaFold من DeepMind ببنى البروتينات، ونال مبتكروه حصة من جائزة نوبل في الكيمياء لعام 2024.
• الوكلاء والروبوتات: وكلاء ذكاء اصطناعي يخططون لمهام متعددة الخطوات ويستدعون أدوات برمجية، وروبوتات تجمع بين الإدراك والتحكم.

إن تشغيل نموذج رؤية مدرّب مسبقًا هو أسرع طريقة لمشاهدة نظام تعلّم عميق أثناء عمله. إن Ultralytics YOLO26 هو كاشف كائنات تعلّم 80 فئة من الكائنات اليومية من صور COCO الموسومة:

from ultralytics import YOLO

# ⁨تحميل كاشف كائنات YOLO26 مدرّب مسبقًا⁩
model = YOLO("yolo26n.pt")

# ⁨تنفيذ الاستدلال على صورة لم يسبق للنموذج رؤيتها⁩
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# ⁨حفظ الصورة مع الصناديق المتنبأ بها وتسميات الفئات ودرجات الثقة⁩
result.save(filename="bus_detections.jpg")

تحدد الصورة المحفوظة كل كائن مكتشف، مثل الحافلة والأشخاص المجاورين لها، بصندوق وتسمية فئة ودرجة ثقة، وقد تعلّم النموذج كل ذلك من الأمثلة.

المخاطر والأخلاقيات والتنظيم#

ترث أنظمة الذكاء الاصطناعي عيوب بياناتها وأهدافها. فقد تُضمّن النماذج تحيزًا ضد مجموعات لم تحظَ بتمثيل كافٍ أو تعرضت لسوء المعاملة في بيانات التدريب، وقد تصوغ نماذج LLM معلومات خاطئة بطلاقة، وقد تنتج النماذج التوليدية تزييفًا عميقًا، كما يصعب تدقيق النماذج المبهمة من دون الذكاء الاصطناعي القابل للتفسير (XAI). ويتناول البحث في أخلاقيات الذكاء الاصطناعي وأمان الذكاء الاصطناعي هذه المخاطر، ويوفر إطار المعهد الوطني للمعايير والتقنية لإدارة مخاطر الذكاء الاصطناعي الطوعي للمؤسسات عملية لإدارتها. ويحظر قانون الذكاء الاصطناعي للاتحاد الأوروبي، الساري منذ أغسطس 2024، قائمة قصيرة من الممارسات، مثل التصنيف الاجتماعي، حظرًا تامًا، ويضع متطلبات صارمة للاستخدامات عالية المخاطر، مثل التوظيف والتصنيف الائتماني والذكاء الاصطناعي في الأجهزة الطبية.