Foundation Model

يمثل النموذج التأسيسي تحولًا جوهريًا في مجال الذكاء الاصطناعي (AI). وهو نموذج تعلّم آلي واسع النطاق يُدرَّب على كمية هائلة من البيانات—غالبًا ما تشتمل على مليارات المعاملات—ويمكن تكييفه مع مجموعة واسعة من المهام اللاحقة. وعلى خلاف نماذج التعلّم الآلي (ML) التقليدية، التي تُبنى عادةً لغرض محدد ووحيد مثل تصنيف نوع معين من الزهور، يتعلم النموذج التأسيسي الأنماط والبنى والعلاقات العامة خلال مرحلة تدريب مسبق كثيفة الاستخدام للموارد. وتتيح قاعدة المعرفة الواسعة هذه للمطورين تطبيق النموذج على مشكلات جديدة من خلال التعلّم بالنقل، مما يقلل بدرجة كبيرة الوقت والبيانات اللازمين لتحقيق نتائج متطورة.

الآليات الأساسية: التدريب المسبق والتكييف#

تكمن قوة النموذج التأسيسي في عملية تطويره المكوّنة من مرحلتين: التدريب المسبق والضبط الدقيق. أثناء التدريب المسبق، يتعرض النموذج لمجموعات بيانات ضخمة، مثل أجزاء كبيرة من الإنترنت، أو مكتبات صور متنوعة، أو مستودعات شيفرات برمجية واسعة. وغالبًا ما تستخدم هذه المرحلة التعلّم الذاتي الإشراف، وهي تقنية يُنشئ فيها النموذج تسمياته الخاصة انطلاقًا من بنية البيانات نفسها، مما يزيل عنق الزجاجة المتمثل في وسم البيانات يدويًا. فعلى سبيل المثال، قد يتعلم نموذج لغوي التنبؤ بالكلمة التالية في جملة، بينما يتعلم نموذج رؤية فهم الحواف والأنسجة واستمرارية الكائنات.

بعد التدريب المسبق، يعمل النموذج كنقطة انطلاق متعددة الاستخدامات. ومن خلال عملية تُسمى الضبط الدقيق، يستطيع المطورون تعديل أوزان النموذج باستخدام مجموعة بيانات أصغر ومحددة المجال. وتُعد هذه القدرة محورية في إتاحة الذكاء الاصطناعي للجميع، إذ تتيح للمؤسسات ذات الموارد الحاسوبية المحدودة الاستفادة من بنيات قوية. وغالبًا ما تستخدم أساليب العمل الحديثة أدوات مثل منصة Ultralytics لتبسيط عملية التكييف هذه، مما يتيح التدريب بكفاءة على مجموعات بيانات مخصصة دون الحاجة إلى بناء شبكة عصبية من الصفر.

التطبيقات الواقعية#

تشكّل النماذج التأسيسية العمود الفقري للابتكارات في مختلف الصناعات. وتجعل قدرتها على التعميم قابلةً للتطبيق في مهام تتراوح من معالجة اللغة الطبيعية إلى الرؤية الحاسوبية المتقدمة.

• الرؤية الحاسوبية في الرعاية الصحية: يمكن ضبط نماذج الرؤية التأسيسية المتخصصة لتقديم المساعدة في تحليل الصور الطبية. ويمكن تكييف نموذج دُرِّب في الأصل على صور عامة لاكتشاف الأورام في فحوصات التصوير بالرنين المغناطيسي أو تحديد كسور السندان في صور الأشعة السينية. ويوضح هذا التطبيق كيفية ترجمة الفهم البصري العام إلى أدوات تشخيصية منقذة للحياة.
• الأتمتة الصناعية: في مجال التصنيع، تعمل نماذج الرؤية مثل Ultralytics YOLO26 كبنيات تأسيسية لاكتشاف الكائنات. وتستخدم المصانع هذه النماذج لأتمتة فحص الجودة، واكتشاف العيوب على خطوط التجميع بسرعة ودقة عاليتين. وتسرّع المعرفة المسبقة للنموذج بحدود الكائنات نشر حلول التصنيع الذكي هذه.

مثال على التنفيذ التقني#

يمكن للمطورين الاستفادة من النماذج التأسيسية لتنفيذ مهام معقدة باستخدام قدر ضئيل من الشيفرة. يوضح المثال التالي كيفية تحميل نموذج YOLO26 مُدرَّب مسبقًا—وهو نموذج تأسيسي للرؤية الحاسوبية مُحسَّن للتطبيقات في الوقت الفعلي—وإجراء اكتشاف للكائنات في صورة.

from ultralytics import YOLO

# Load a pre-trained YOLO26 foundation model
# 'n' stands for nano, the smallest and fastest version
model = YOLO("yolo26n.pt")

# Perform inference on an image to detect objects
# The model uses its pre-trained knowledge to identify common objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

تمييز المصطلحات الأساسية#

من المفيد التمييز بين «النموذج التأسيسي» والمفاهيم ذات الصلة في منظومة الذكاء الاصطناعي لفهم أدوارها المحددة:

• نموذج اللغة الكبير (LLM): يُعد LLM نوعًا من النماذج التأسيسية المصممة خصيصًا لمعالجة النصوص وإنشائها. ومع أن جميع نماذج LLM نماذج تأسيسية، فليست جميع النماذج التأسيسية نماذج LLM؛ إذ تشمل الفئة أيضًا نماذج الرؤية مثل SAM (نموذج تقسيم أي شيء) والأنظمة متعددة الوسائط.
• التعلّم بالنقل: هذه هي التقنية المستخدمة لتطبيق نموذج تأسيسي على مهمة جديدة. فالنموذج التأسيسي هو الأثر البرمجي (الشبكة العصبية المحفوظة)، بينما التعلّم بالنقل هو عملية تحديث معرفة ذلك الأثر البرمجي لحالة استخدام محددة، مثل مكافحة الآفات في الزراعة.
• الذكاء الاصطناعي التوليدي: يشير هذا المصطلح إلى الأنظمة القادرة على إنشاء محتوى جديد (نصوص وصور وشيفرات برمجية). وتشغّل العديد من النماذج التأسيسية تطبيقات الذكاء الاصطناعي التوليدي، إلا أنه يمكن استخدامها أيضًا في مهام تمييزية مثل التصنيف أو تتبع الكائنات، وهي مهام ليست «توليدية» بالمعنى الدقيق.

الاتجاهات المستقبلية والأثر#

يتجه تطور النماذج التأسيسية نحو الذكاء الاصطناعي متعدد الوسائط، حيث يستطيع نظام واحد معالجة المعلومات الواردة من النصوص والصور والصوت وبيانات المستشعرات وربطها في الوقت نفسه. وتسلط الأبحاث الصادرة عن مؤسسات مثل معهد ستانفورد للذكاء الاصطناعي المرتكز على الإنسان (HAI) الضوء على إمكانات هذه الأنظمة في الاستدلال بشأن العالم بطريقة أقرب إلى استدلال البشر. ومع ازدياد كفاءة هذه النماذج، يصبح نشرها على أجهزة الحوسبة الطرفية أكثر قابلية للتنفيذ، مما يتيح قدرات قوية للذكاء الاصطناعي مباشرةً على الهواتف الذكية والطائرات المسيّرة ومستشعرات إنترنت الأشياء.