Generative AI

يشير الذكاء الاصطناعي التوليدي إلى مجموعة فرعية من الذكاء الاصطناعي (AI) تركز على إنشاء محتوى جديد، مثل النصوص والصور والصوت والفيديو وشفرة الكمبيوتر، استجابةً لمطالبات المستخدمين. وعلى خلاف أنظمة الذكاء الاصطناعي التقليدية المصممة أساسًا لتحليل البيانات الموجودة أو تصنيفها، تستخدم النماذج التوليدية خوارزميات التعلّم العميق (DL) لتعلّم الأنماط والبُنى وتوزيعات الاحتمالات الكامنة في مجموعات البيانات الضخمة. وبعد تدريبها، تستطيع هذه الأنظمة إنشاء مخرجات جديدة تشترك في أوجه تشابه إحصائية مع بيانات التدريب، لكنها تمثل إبداعات فريدة. وقد جعلت هذه القدرة الذكاء الاصطناعي التوليدي حجر أساس في نماذج الأساس الحديثة، مما يدفع عجلة الابتكار في الصناعات الإبداعية وتطوير البرمجيات والبحث العلمي.

كيفية عمل النماذج التوليدية#

في صميم الذكاء الاصطناعي التوليدي توجد بنيات معقدة من الشبكات العصبية تتعلم ترميز المعلومات وفك ترميزها. وتُدرَّب هذه النماذج عادةً باستخدام التعلّم غير الخاضع للإشراف على مجموعات هائلة من البيانات.

• المحوِّلات Transformer: بالنسبة إلى النصوص والشفرة، تستخدم بنية Transformer آليات مثل الانتباه الذاتي لتتبّع العلاقات بين الكلمات عبر مسافات طويلة في تسلسل ما. ويسمح ذلك للنماذج اللغوية الكبيرة (LLMs) بإنشاء نص متماسك وملائم للسياق.
• نماذج الانتشار: بالنسبة إلى توليد الصور، تعمل نماذج الانتشار بإضافة ضوضاء إلى صورة حتى تصبح غير قابلة للتعرّف، ثم تتعلم عكس هذه العملية لإعادة بناء صورة واضحة انطلاقًا من ضوضاء عشوائية.
• شبكات GANs: تستخدم الشبكات التوليدية الخصمية (GANs) شبكتين عصبيتين — مولِّدًا ومميِّزًا — تتنافسان فيما بينهما، مما يدفع المولِّد إلى إنتاج مخرجات تزداد واقعية.

الذكاء الاصطناعي التوليدي مقابل الذكاء الاصطناعي التمييزي#

لفهم الذكاء الاصطناعي التوليدي، من الضروري تمييزه عن الذكاء الاصطناعي التمييزي. وعلى الرغم من أن كليهما يمثل ركيزة من ركائز تعلّم الآلة، فإن أهدافهما تختلف اختلافًا كبيرًا.

• يركز الذكاء الاصطناعي التوليدي على الإنشاء. فهو ينمذج توزيع الفئات الفردية لتوليد عينات جديدة. فعلى سبيل المثال، يولّد نموذج مثل Stable Diffusion صورة جديدة لكلب استنادًا إلى أوصاف نصية.
• يركز الذكاء الاصطناعي التمييزي على التصنيف والتنبؤ. فهو يتعلم حدود القرار بين الفئات لتصنيف بيانات الإدخال. وتُعد نماذج الرؤية عالية الأداء مثل YOLO26 تمييزية؛ إذ تتفوق في اكتشاف الأجسام من خلال تحليل صورة لتحديد أجسام محددة وتعيين مواقعها (مثل اكتشاف كلب في صورة)، بدلًا من إنشاء الصورة نفسها.

التطبيقات الواقعية#

تتيح تعددية استخدامات الذكاء الاصطناعي التوليدي تطبيقه في مجالات متنوعة، وغالبًا بالاقتران مع النماذج التمييزية لإنشاء سير عمل قوي.

1. توليد البيانات الاصطناعية: من أكثر التطبيقات العملية لمهندسي الرؤية الحاسوبية إنشاء البيانات الاصطناعية. قد يكون جمع بيانات من العالم الحقيقي للحالات الحدّية النادرة — مثل عيوب صناعية محددة أو ظروف الطرق الخطرة — أمرًا خطيرًا أو مكلفًا. ويمكن للنماذج التوليدية إنتاج آلاف الصور الواقعية جدًا لهذه السيناريوهات. ثم تُستخدم هذه البيانات لتدريب كاشفات قوية مثل YOLO26، مما يحسّن دقتها في العالم الحقيقي.

2. التصميم الإبداعي وإنشاء النماذج الأولية: في القطاع الإبداعي، تتيح الأدوات المدعومة بنماذج تحويل النص إلى صورة للمصممين تصوّر المفاهيم بسرعة. ومن خلال إدخال مطالبة، يستطيع الفنان إنشاء تنويعات متعددة لتصميم منتج أو مخطط معماري أو مادة تسويقية، مما يسرّع مرحلة توليد الأفكار بدرجة كبيرة.

3. توليد الشفرة البرمجية وتصحيح الأخطاء: شهد تطوير البرمجيات تحولًا بفضل النماذج المدرَّبة على مستودعات الشفرة البرمجية. وتساعد هذه المساعدات المطورين من خلال اقتراح مقتطفات من الشفرة، وكتابة الوثائق، وحتى تحديد الأخطاء، مما يبسّط دورة حياة البرمجيات.

أوجه التكامل مع الرؤية الحاسوبية#

غالبًا ما تعمل نماذج الذكاء الاصطناعي التوليدي ونماذج الرؤية الحاسوبية التمييزية كتقنيات متكاملة. ويتضمن سير العمل الشائع استخدام نموذج توليدي لتعزيز مجموعة بيانات، ثم تدريب نموذج تمييزي على مجموعة البيانات المحسّنة باستخدام أدوات مثل منصة Ultralytics.

يوضح مثال Python التالي كيفية استخدام الحزمة ultralytics لتحميل نموذج YOLO26. وفي سير عمل هجين، قد تستخدم هذه الشفرة للتحقق من الأجسام داخل صورة مولَّدة 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()

التحديات والاعتبارات#

على الرغم من قوة الذكاء الاصطناعي التوليدي، فإنه يطرح تحديات محددة يتعين على المستخدمين التعامل معها. فقد تنتج النماذج أحيانًا هلوسات، تنشئ معلومات تبدو معقولة لكنها غير صحيحة من الناحية الواقعية، أو تنتج تشوهات بصرية. بالإضافة إلى ذلك، نظرًا إلى تدريب هذه النماذج على بيانات بحجم الإنترنت، فقد تنقل دون قصد التحيز في الذكاء الاصطناعي الموجود في المواد المصدرية.

تحتل المخاوف الأخلاقية المتعلقة بحقوق الطبع والنشر والملكية الفكرية مكانة بارزة أيضًا، كما نوقش في أطر عمل متنوعة تخص أخلاقيات الذكاء الاصطناعي. ويعمل الباحثون والمؤسسات، مثل معهد ستانفورد للذكاء الاصطناعي المتمحور حول الإنسان، بنشاط على أساليب لضمان تطوير هذه الأدوات القوية ونشرها على نحو مسؤول. وعلاوةً على ذلك، أدت تكلفة تدريب هذه النماذج الضخمة من حيث القدرة الحاسوبية إلى زيادة الاهتمام بـتكميم النماذج لجعل الاستدلال أكثر كفاءة في استهلاك الطاقة على الأجهزة الطرفية.