كيف يعمل الذكاء الاصطناعي فعلياً، ولماذا يهم الآن

منظمة التعاون والتنمية الاقتصادية (OECD)، التي تنسق حكوماتها الأعضاء السياسة بشأن التكنولوجيا، تعرّف نظام الذكاء الاصطناعي بأنه "نظام قائم على الآلة، لأهداف صريحة أو ضمنية، يستنتج، من المدخلات التي يتلقاها، كيفية توليد المخرجات مثل التنبؤات أو المحتوى أو التوصيات أو القرارات التي يمكن أن تؤثر على البيئات المادية أو الافتراضية." قام مجلس OECD بمراجعة هذه الصيغة في عام 2023 للحفاظ على دقتها التقنية مع انتشار أدوات الذكاء الاصطناعي التوليدي، وفقاً لشرح المنظمة الخاص بها للتعريف.

من القواعد المكتوبة إلى التعلم من البيانات

البرامج الأقدم اتبعت تعليمات كتبها المبرمجون سطراً تلو الآخر: إذا حدث X، افعل Y. التعلم الآلي، وهو النهج الكامن وراء معظم الذكاء الاصطناعي الحالي، بدلاً من ذلك يعطي الخوارزمية كميات كبيرة من الأمثلة ويتركها تتعامل مع الأنماط بنفسها، وفقاً لشرح IBM التقني حول الموضوع. بمجرد تدريب النظام، يمكنه تصنيف المعلومات الجديدة، أو التنبؤ بقيمة، أو الإشارة إلى شيء غير عادي، أو التوصية بإجراء دون أن يُعطى القاعدة الدقيقة لكل حالة.

تقسم OECD عملية نظام الذكاء الاصطناعي إلى ثلاثة عناصر. المدخلات هي البيانات أو الكود أو القواعد المُدخلة في النظام أثناء التطوير أو الاستخدام. الاستدلال هو الخطوة التي يعمل فيها النظام على إخراج من تلك المدخلات، والتي يمكن أن تحدث أثناء بناء نموذج أو بعد نشره. المخرجات هي التنبؤات أو المحتوى أو التوصيات أو القرارات التي ينتجها النظام، والتي يمكن بعد ذلك أن تؤثر على بيئة مادية أو افتراضية — على سبيل المثال، توجيه السيارة، أو قائمة بمقاطع الفيديو الموصى بها، أو فقرة نصية تم إنشاؤها.

ما تفعله الشبكة العصبية داخل النظام

الطريقة الأكثر استخداماً للتعلم الآلي اليوم هي الشبكة العصبية، وهي بنية تُصمم بشكل فضفاض على الدماغ، مصنوعة من طبقات متصلة من العُقد التي تعالج البيانات معاً، وفقاً لـ IBM. على عكس البرنامج التقليدي، لا يُخبر الشبكة العصبية بالقاعدة التي تربط المدخلات بالمخرجات مقدماً؛ بدلاً من ذلك يُظهر لها عدداً من أزواج المدخلات والمخرجات وتضبط نفسها، من خلال التعرض المتكرر، لاكتشاف ما يربطها.

يشير التعلم العميق إلى الشبكات العصبية التي لها طبقات عديدة — عادة طبقة إدخال، وثلاث طبقات خفية على الأقل (وغالباً مئات)، وطبقة إخراج، وفقاً لشرح IBM. في نظام التعرف على الصور، تميل الطبقات المبكرة إلى الاستجابة لميزات بسيطة مثل الحواف أو الألوان، بينما تجمع الطبقات الأعمق هذه إلى أشكال و، في النهاية، أشياء قابلة للتعرف. يسمح هذا الهيكل الطبقي للأنظمة باستخراج الميزات الملائمة تلقائياً من البيانات غير المسمّاة، وهو جزء من ما يجعل أدوات الذكاء الاصطناعي التوليدي الحالية ممكنة.

يتضمن بناء نموذج ذكاء اصطناعي توليدي كبير عموماً ثلاث مراحل، وفقاً لـ IBM: مرحلة تدريب أولية على مجموعات بيانات ضخمة، غالباً ما تكون غير مسمّاة، والتي يمكن أن تتطلب آلاف المعالجات المتخصصة وتكلف ملايين الدولارات؛ مرحلة الضبط التي يتم فيها تكييف النموذج لمهام محددة، وأحياناً باستخدام ملاحظات بشرية؛ والتقييم المستمر بعد النشر للتحقق من مخرجاته وتحسينها.

لماذا يهم: أرقام التبني والاستثمار

نمت بطاقة الذكاء الاصطناعي بسرعة وفقاً لعدة تدابير يتتبعها معهد Human-Centered AI بجامعة Stanford في تقرير مؤشر الذكاء الاصطناعي 2025. ارتفعت حصة المنظمات التي تفيد باستخدام أي شكل من أشكال الذكاء الاصطناعي إلى 78٪ في عام 2024، ارتفاعاً من 55٪ في السنة السابقة. حصل الذكاء الاصطناعي التوليدي على وجه التحديد على 33.9 مليار دولار من الاستثمارات الخاصة العالمية في عام 2024، بزيادة 18.7٪ عن عام 2023. في الولايات المتحدة، بلغ الاستثمار الخاص في الذكاء الاصطناعي 109.1 مليار دولار في عام 2024، متفوقاً بكثير على 9.3 مليار دولار للصين و 4.5 مليار دولار للمملكة المتحدة، وفقاً للتقرير.

سجل التقرير أيضاً قفزة في أداء مؤشر الذكاء الاصطناعي: في ثلاثة اختبارات تم إدخالها في عام 2023 لقياس الأنظمة المتقدمة — MMMU و GPQA و SWE-bench — ارتفعت الدرجات بمقدار 18.8 و 48.9 و 67.3 نقطة مئوية على التوالي خلال عام واحد. في المجالات المنظمة، نما عدد أجهزة الذكاء الاصطناعي المُعتمدة من قِبل إدارة الغذاء والدواء الأمريكية من ستة في عام 2015 إلى 223 في عام 2023، وفقاً لنفس التقرير.

أين يقف المنافسة

تابع تقرير Stanford أيضاً أي دول أنتجت أبرز نماذج الذكاء الاصطناعي في عام 2024: أنتجت المؤسسات الأمريكية 40 نموذجاً، مقابل 15 من الصين وثلاثة من أوروبا. في الوقت نفسه، تضاءلت الفجوة في الأداء بين أفضل نماذج أمريكية وصينية على المعايير الرئيسية من أرقام مزدوجة في عام 2023 إلى تكافؤ تقريبي في عام 2024، وفقاً للتقرير.