كيف تعمل الشبكات العصبية: التكنولوجيا وراء ChatGPT والذكاء الاصطناعي الحديث

الشبكات العصبية ليست جديدة — لقد درسها الباحثون منذ منتصف القرن العشرين — لكنها الآن تقف خلف معظم منتجات الذكاء الاصطناعي الموجهة للمستهلك المستخدمة يومياً. قالت OpenAI في حدث DevDay الخاص بها في 29 سبتمبر 2026 أن ChatGPT وصل إلى 1.2 مليار مستخدم أسبوعي، وفقاً لدفتر يوميات مباشر للحدث من Engadget. دفع هذا الحجم من الاعتماد سؤالاً تقنياً أساسياً للعودة إلى الجزء العلوي من نتائج البحث: كيف تعمل الشبكة العصبية فعلاً؟

اللبنة الأساسية: الخلايا العصبية والأوزان والطبقات

وفقاً لـ IBM، الشبكة العصبية هي نموذج تعلم آلي مبني من وحدات بسيطة تسمى الخلايا العصبية، مرتبة في طبقات، التي تتعلم الأوزان والانحيازات القابلة للتعديل من البيانات لتعيين المدخلات للمخرجات. كل شبكة لديها طبقة إدخال تحمل البيانات الخام، واحدة أو أكثر من الطبقات المخفية التي تحولها، وطبقة إخراج تنتج النتيجة النهائية، كما يشرح IBM.

تحمل كل اتصال بين الخلايا العصبية وزناً — رقم يعمل، وفقاً لـ IBM، مثل القرص الذي يتحكم في مدى قوة تأثير ميزة إدخال معينة على قرار الشبكة. تضاف قيمة منفصلة تسمى الانحياز إلى كل خلية عصبية بحيث يمكنها التفعيل حتى عندما تكون مدخلاتها ضعيفة، مما يحول عتبة القرار. تضيف دورة Machine Learning Crash Course من Google مكوناً ثالثاً ضرورياً: وظائف التفعيل، خطوات رياضية غير خطية يتم تطبيقها بعد جمع المدخلات المرجحة، والتي تسمح للشبكة باكتشاف الأنماط التي لا يمكن لصيغة خط مستقيم بسيطة أن تلتقطها.

الانتشار الأمامي: كيف تنتج الشبكة إجابة

عندما يتم إعطاء الشبكة العصبية بيانات جديدة، تتحرك تلك البيانات عبر الشبكة في اتجاه واحد، من طبقة الإدخال إلى طبقة الإخراج، في ما يسميه كل من IBM ودورة Google الانتشار الأمامي (أو التمريرة الأمامية). في كل خلية عصبية، يتم ضرب القيم الواردة بأوزانها، وتجميعها معاً مع الانحياز، ومررها عبر وظيفة التفعيل قبل الانتقال إلى الطبقة التالية. تلاحظ IBM أن الطبقات المبكرة في الشبكة تميل إلى معالجة أهمية الإشارات الفردية، بينما الطبقات اللاحقة تجمع تلك المعلومات في أنماط على مستوى أعلى تلتقط سياقاً أوسع.

الانتشار العكسي: كيف تتعلم الشبكة من أخطائها

تبدأ الشبكة العصبية المعاد بناؤها للتو بأوزان عشوائية بشكل أساسي وتنتج تنبؤات سيئة. التدريب هو عملية تصحيح ذلك. يصف IBM الانتشار العكسي بأنه الخوارزمية التي تنشر خطأ التنبؤ للشبكة للخلف عبر الطبقات، باستخدام قاعدة السلسلة في حساب التفاضل والتكامل لحساب مقدار مساهمة كل وزن وانحياز فردي في الخطأ الإجمالي. كما تحدد دورة Google الانتشار العكسي كخوارزمية التدريب الأساسية، واصفة الغرض منها بأنه ضبط الأوزان لتقليل أو تقليل خسارة التنبؤ للشبكة.

بمجرد معرفة مساهمة كل وزن في الخطأ، تقوم طريقة التحسين تسمى الانحدار التدريجي بدفع كل وزن قليلاً في الاتجاه الذي يقلل الخطأ. يتم تكرار هذه دورة التمريرة الأمامية ثم التصحيح العكسي عبر كميات كبيرة من بيانات التدريب — غالباً ملايين أو مليارات الأمثلة — حتى تصبح تنبؤات الشبكة موثوقة بما يكفي للاستخدام العملي.

تصاميم شبكات مختلفة لأنواع بيانات مختلفة

لا يتم بناء كل شبكة عصبية بنفس الطريقة. يحدد IBM ثلاث عائلات واسعة الاستخدام اليوم: الشبكات العصبية الالتفافية (CNNs)، مصممة للبيانات على شكل شبكة مثل الصور وتستخدم بكثافة في التعرف البصري؛ الشبكات العصبية المتكررة (RNNs)، التي تشمل حلقات التغذية الراجعة المناسبة للبيانات المتسلسلة أو سلاسل زمنية؛ والمحولات (Transformers)، المعمارية وراء معظم نماذج اللغات الكبيرة اليوم، التي تعتمد على آلية الانتباه بدلاً من التسلسل المنطقي الصارم.

كيف ينطبق هذا على الأنظمة مثل ChatGPT

تطبق نماذج اللغات الكبيرة مثل عائلة GPT نفس الآليات الأساسية — الخلايا العصبية المرجحة والطبقات والانتشار الأمامي والانتشار العكسي — على نطاق أكبر بكثير، باستخدام معمارية المحول. يقر بحث OpenAI الخاص في عام 2020 حول GPT-3، المنشور على arXiv، أن النموذج يحتوي على بالضبط 175 مليار معامل، واصفاً إياه بأنه "10 مرات أكثر من أي نموذج لغة غير متفرق سابق." المعاملات هي المصطلح العام للمجموعة الكاملة من الأوزان والانحيازات للشبكة؛ عادة ما تسمح المعاملات الأكثر للنموذج بالتقاط أنماط أكثر تعقيداً في اللغة، على الرغم من أن OpenAI لم تنشر أرقام معاملات مكافئة لنماذجها الأحدث.

ضمن المحول، تسمح آلية تسمى الانتباه الذاتي للنموذج بموازنة مدى ملاءمة كل كلمة أخرى في المقطع للكلمة التي يتم معالجتها حالياً، بدلاً من القراءة بدقة من اليسار إلى اليمين. هذا التصميم، الذي تم تقديمه لأول مرة في بحث المحول والآن قياسي عبر نماذج لغات رئيسية، هو ما يسمح للأنظمة مثل ChatGPT بتتبع السياق عبر محادثة طويلة.

لماذا يهم هذا الآن

الرياضيات الأساسية للخلايا العصبية والأوزان والانتشار العكسي موجودة منذ عقود، لكن مزيج من مجموعات البيانات الأكبر والمزيد من قوة الحوسبة ومعمارية المحول هو ما حول الشبكات العصبية من أداة بحثية متخصصة إلى المحرك وراء المنتجات الموجهة للمستهلك المستخدمة من قبل أكثر من مليار شخص في الأسبوع، وفقاً لأرقام OpenAI الخاصة في سبتمبر 2026 كما أفادت Engadget. فهم دورة التمريرة الأمامية والتصحيح الأساسي الموصوفة من قبل IBM و Google لا يتطلب رياضيات متقدمة، لكنه يشرح سبب احتياج هذه الأنظمة إلى كميات هائلة من بيانات التدريب وقوة الحوسبة، وسبب أن مخرجاتها عبارة عن تنبؤات إحصائية وليست حقائق مضمونة.