Generative AI

يشير الذكاء الاصطناعي التوليدي إلى مجموعة فرعية من الذكاء الاصطناعي (AI) تركز على إنشاء محتوى جديد، مثل النصوص والصور والصوت والفيديو وأكواد البرمجة، استجابةً لطلبات المستخدم. وعلى عكس أنظمة الذكاء الاصطناعي التقليدية المصممة بشكل أساسي لتحليل أو تصنيف البيانات الموجودة، تستخدم النماذج التوليدية خوارزميات التعلم العميق (DL) لتعلم الأنماط والهياكل وتوزيعات الاحتمالات الكامنة في مجموعات البيانات الضخمة. وبمجرد تدريبها، يمكن لهذه الأنظمة إنشاء مخرجات جديدة تشترك في أوجه تشابه إحصائية مع بيانات التدريب ولكنها تُعد ابتكارات فريدة. وقد جعلت هذه القدرة الذكاء الاصطناعي التوليدي حجر الزاوية في النماذج التأسيسية (foundation models) الحديثة، مما يعزز الابتكار في الصناعات الإبداعية، وتطوير البرمجيات، والبحث العلمي.

Link to this sectionكيف تعمل النماذج التوليدية#

في جوهر الذكاء الاصطناعي التوليدي توجد معماريات شبكات عصبية (neural network) معقدة تتعلم كيفية تشفير وفك تشفير المعلومات. وعادةً ما يتم تدريب هذه النماذج باستخدام التعلم غير الخاضع للإشراف (unsupervised learning) على مجموعات بيانات ضخمة.

• المحولات (Transformers): بالنسبة للنصوص والأكواد، تستخدم معمارية المحولات (Transformer architecture) آليات مثل الانتباه الذاتي لتتبع العلاقات بين الكلمات عبر مسافات طويلة في التسلسل. وهذا يسمح للنماذج اللغوية الكبيرة (LLMs) بإنشاء نصوص متماسكة وذات صلة بالسياق.
• نماذج الانتشار (Diffusion Models): بالنسبة لتوليد الصور، تعمل نماذج الانتشار (diffusion models) عن طريق إضافة ضوضاء إلى الصورة حتى تصبح غير قابلة للتمييز، ثم تعلم عكس هذه العملية لإعادة بناء صورة واضحة من ضوضاء عشوائية.
• شبكات الخصومة التوليدية (GANs): تستخدم شبكات الخصومة التوليدية (GANs) شبكتين عصبيتين - مولد ومميز - تتنافسان مع بعضهما البعض، مما يدفع المولد إلى إنتاج مخرجات واقعية بشكل متزايد.

Link to this sectionالذكاء الاصطناعي التوليدي مقابل الذكاء الاصطناعي التمييزي#

لفهم الذكاء الاصطناعي التوليدي، من الضروري تمييزه عن الذكاء الاصطناعي التمييزي. وبينما يعد كلاهما ركيزتين للتعلم الآلي، فإن أهدافهما تختلف بشكل كبير.

• يركز الذكاء الاصطناعي التوليدي على الإنشاء. فهو ينمذج توزيع الفئات الفردية لتوليد عينات جديدة. على سبيل المثال، يقوم نموذج مثل Stable Diffusion بتوليد صورة جديدة لكلب بناءً على أوصاف نصية.
• يركز الذكاء الاصطناعي التمييزي على التصنيف والتنبؤ. فهو يتعلم حدود القرار بين الفئات لتصنيف بيانات الإدخال. تعد نماذج الرؤية عالية الأداء مثل YOLO26 تمييزية؛ فهي تتفوق في كشف الأشياء (object detection) من خلال تحليل الصورة لتحديد وتعيين مواقع كائنات محددة (مثل اكتشاف كلب في صورة) بدلاً من إنشاء الصورة نفسها.

Link to this sectionتطبيقات العالم الحقيقي#

تسمح تعددية استخدامات الذكاء الاصطناعي التوليدي بتطبيقه عبر مجالات مختلفة، وغالبًا ما يكون ذلك جنبًا إلى جنب مع النماذج التمييزية لإنشاء سير عمل قوية.

1. توليد البيانات الاصطناعية: أحد أكثر التطبيقات العملية لمهندسي الرؤية الحاسوبية هو إنشاء البيانات الاصطناعية (synthetic data). قد يكون جمع بيانات العالم الحقيقي لحالات نادرة - مثل عيوب صناعية محددة أو ظروف طرق خطرة - خطيرًا أو مكلفًا. يمكن للنماذج التوليدية إنتاج آلاف الصور الواقعية لهذه السيناريوهات. تُستخدم هذه البيانات بعد ذلك لتدريب كواشف قوية مثل YOLO26، مما يحسن دقتها في العالم الحقيقي.

2. التصميم الإبداعي والنماذج الأولية: في القطاع الإبداعي، تتيح الأدوات المدعومة بنماذج تحويل النص إلى صورة (text-to-image) للمصممين تصور المفاهيم بسرعة. من خلال إدخال طلب نصي، يمكن للفنان إنشاء تنويعات متعددة لتصميم منتج أو تخطيط معماري أو أصل تسويقي، مما يسرع مرحلة التفكير بشكل كبير.

3. توليد الأكواد وتصحيح الأخطاء: لقد تغير تطوير البرمجيات بفضل النماذج المدربة على مستودعات الأكواد. تساعد هذه المساعدات المطورين من خلال اقتراح مقتطفات برمجية، وكتابة التوثيق، وحتى تحديد الأخطاء، مما يبسط دورة حياة البرنامج.

Link to this sectionالتآزر مع الرؤية الحاسوبية#

غالبًا ما يعمل الذكاء الاصطناعي التوليدي ونماذج الرؤية الحاسوبية التمييزية كتقنيات مكملة. يتضمن سير العمل الشائع استخدام نموذج توليدي لزيادة مجموعة البيانات، متبوعًا بتدريب نموذج تمييزي على تلك المجموعة المحسنة باستخدام أدوات مثل منصة Ultralytics.

يوضح مثال Python التالي كيفية استخدام حزمة ultralytics لتحميل نموذج YOLO26. في سير عمل هجين، يمكنك استخدام هذا الكود للتحقق من الكائنات داخل صورة تم إنشاؤها اصطناعيًا.

from ultralytics import YOLO

# Load the YOLO26 model (Latest stable Ultralytics model)
model = YOLO("yolo26n.pt")

# Run inference on an image (e.g., a synthetic sample from a generative model)
# The model identifies objects within the generated content
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results to verify the synthetic data quality
results[0].show()

Link to this sectionالتحديات والاعتبارات#

على الرغم من قوته، يقدم الذكاء الاصطناعي التوليدي تحديات محددة يجب على المستخدمين التعامل معها. يمكن للنماذج أحيانًا إنتاج هلوسة (hallucinations)، مما يؤدي إلى إنشاء معلومات تبدو مقنعة ولكنها غير صحيحة من الناحية الواقعية أو إنشاء عيوب بصرية. بالإضافة إلى ذلك، ونظرًا لأن هذه النماذج مدربة على بيانات بحجم الإنترنت، فإنها يمكن أن تنشر عن غير قصد الانحياز في الذكاء الاصطناعي (bias in AI) الموجود في المادة المصدر.

المخاوف الأخلاقية المتعلقة بحقوق الطبع والنشر والملكية الفكرية بارزة أيضًا، كما نوقش في أطر عمل أخلاقيات الذكاء الاصطناعي (AI Ethics) المتنوعة. يعمل الباحثون والمنظمات، مثل معهد ستانفورد للذكاء الاصطناعي المتمحور حول الإنسان، بنشاط على طرق لضمان تطوير هذه الأدوات القوية ونشرها بمسؤولية. علاوة على ذلك، أدت التكلفة الحسابية لتدريب هذه النماذج الضخمة إلى زيادة الاهتمام بـ تكميم النموذج (model quantization) لجعل الاستدلال أكثر كفاءة في استهلاك الطاقة على أجهزة الحافة.