ما هو الذكاء الاصطناعي (AI)؟ نظرة عامة شاملة

يُنتج استخدامنا اليومي للتطبيقات والخدمات الرقمية كميات هائلة من البيانات. وبفضل الذكاء الاصطناعي، أصبح بإمكاننا تصنيف هذه المعلومات وإضفاء معنى جديد عليها. تُسرّع هذه التقنية الابتكار والتحول الرقمي من خلال الاستخدام الأمثل للبيانات. وتُعدّ توصيات الفيديو، ونتائج محركات البحث، والتعرف على الصوت، وأجهزة المساعد الرقمي الشخصي، والسيارات ذاتية القيادة، أمثلة واقعية لأنظمة الذكاء الاصطناعي والخدمات الذكية التي تُؤثر على حياتنا اليومية.

{getToc} $title={محتويات المقال}

ما هو الذكاء الاصطناعي (AI)؟

الذكاء الاصطناعي هو محاكاة عمليات الذكاء البشري بواسطة الآلات، وخاصة أنظمة الحاسوب. ويشمل التعلم والاستدلال والتصحيح الذاتي. ومن أمثلة تطبيقات الذكاء الاصطناعي أنظمة الخبراء، ومعالجة اللغة الطبيعية، والتعرف على الكلام، والرؤية الآلية، وأدوات توليد النصوص مثل ChatGPT وPerplexity.

مع تزايد الضجة الإعلامية حول الذكاء الاصطناعي، سارع البائعون إلى الترويج لكيفية دمج منتجاتهم وخدماتهم له. وغالبًا ما يشيرون إلى ما يُسمى "الذكاء الاصطناعي" على أنه تقنية راسخة مثل التعلم الآلي.

يتطلب الذكاء الاصطناعي أجهزة وبرامج متخصصة لكتابة وتدريب خوارزميات التعلم الآلي. لا تُستخدم لغة برمجة واحدة حصراً في مجال الذكاء الاصطناعي، ولكن لغات مثل بايثون، وR، وجافا، و++C تُعدّ من اللغات الشائعة بين مطوري الذكاء الاصطناعي.

كيف يعمل الذكاء الاصطناعي؟

بشكل عام، تعمل أنظمة الذكاء الاصطناعي عن طريق استيعاب كميات كبيرة من بيانات التدريب المصنفة، وتحليل تلك البيانات بحثًا عن الارتباطات والأنماط، واستخدام هذه الأنماط للتنبؤ بالحالات المستقبلية.

على سبيل المثال، يمكن لروبوت محادثة يعمل بالذكاء الاصطناعي، عند تزويده بنصوص نموذجية، أن يتعلم توليد حوارات واقعية مع الأشخاص، كما يمكن لأداة التعرف على الصور أن تتعلم تحديد ووصف الأشياء في الصور من خلال مراجعة ملايين الأمثلة. وتستطيع تقنيات الذكاء الاصطناعي التوليدي، التي شهدت تطوراً سريعاً خلال السنوات القليلة الماضية، إنشاء نصوص وصور وموسيقى ووسائط أخرى واقعية.

يركز برمجة أنظمة الذكاء الاصطناعي على المهارات المعرفية مثل ما يلي:

• التعلم: يتضمن هذا الجانب من برمجة الذكاء الاصطناعي جمع البيانات وإنشاء قواعد، تُعرف بالخوارزميات، لتحويلها إلى معلومات قابلة للتنفيذ. تُزوّد هذه الخوارزميات أجهزة الحوسبة بتعليمات خطوة بخطوة لإنجاز مهام محددة.
• الاستدلال: يتضمن هذا الجانب اختيار الخوارزمية المناسبة للوصول إلى النتيجة المرجوة.
• التصحيح الذاتي: يتضمن هذا الجانب قيام الخوارزميات بالتعلم المستمر وضبط نفسها لتقديم أدق النتائج الممكنة.
• الإبداع: يستخدم هذا الجانب الشبكات العصبية والأنظمة القائمة على القواعد والأساليب الإحصائية وتقنيات الذكاء الاصطناعي الأخرى لتوليد صور ونصوص وموسيقى وأفكار جديدة وما إلى ذلك.

الاختلافات بين الذكاء الاصطناعي والتعلم الآلي والتعلم العميق

تُستخدم مصطلحات الذكاء الاصطناعي والتعلم الآلي والتعلم العميق بشكل متبادل في كثير من الأحيان، لا سيما في المواد التسويقية للشركات، إلا أنها تحمل معاني مختلفة. باختصار، يصف الذكاء الاصطناعي المفهوم العام للآلات التي تحاكي الذكاء البشري، بينما يُعدّ كل من التعلم الآلي والتعلم العميق تقنيات محددة ضمن هذا المجال.

يشمل مصطلح الذكاء الاصطناعي، الذي ظهر في خمسينيات القرن الماضي، مجموعة واسعة ومتطورة من التقنيات التي تهدف إلى محاكاة الذكاء البشري، بما في ذلك التعلم الآلي والتعلم العميق، يُمكّن التعلم الآلي البرامج من تعلم الأنماط والتنبؤ بالنتائج تلقائيًا باستخدام البيانات التاريخية كمدخلات. وقد ازدادت فعالية هذا النهج مع توفر مجموعات بيانات تدريبية ضخمة. أما التعلم العميق، وهو فرع من فروع التعلم الآلي، فيهدف إلى محاكاة بنية الدماغ باستخدام الشبكات العصبية متعددة الطبقات، وهو يُشكّل أساسًا للعديد من الإنجازات الكبرى والتطورات الحديثة في مجال الذكاء الاصطناعي، بما في ذلك المركبات ذاتية القيادة وبرنامج ChatGPT.

لماذا يُعدّ الذكاء الاصطناعي مهماً؟

يُعدّ الذكاء الاصطناعي بالغ الأهمية لما يملكه من إمكانات لتغيير طريقة عيشنا وعملنا وترفيهنا، وقد استُخدم بفعالية في مجال الأعمال لأتمتة المهام التي كان يقوم بها البشر تقليدياً، بما في ذلك خدمة العملاء، وتوليد العملاء المحتملين، وكشف الاحتيال، ومراقبة الجودة.

في العديد من المجالات، يُمكن للذكاء الاصطناعي أداء المهام بكفاءة ودقة تفوق البشر، وهو مفيدٌ بشكلٍ خاص للمهام المتكررة التي تتطلب دقةً عالية، مثل تحليل كمياتٍ هائلة من الوثائق القانونية لضمان ملء الحقول المطلوبة بشكلٍ صحيح، كما تُتيح قدرة الذكاء الاصطناعي على معالجة مجموعات البيانات الضخمة للمؤسسات رؤىً ثاقبة حول عملياتها قد لا تكون مُدركةً لها لولا ذلك، وتكتسب مجموعة أدوات الذكاء الاصطناعي التوليدية، التي تتوسع بسرعة، أهميةً متزايدة في مجالاتٍ تتراوح بين التعليم والتسويق وتصميم المنتجات.

لم تساهم التطورات في تقنيات الذكاء الاصطناعي في زيادة الكفاءة بشكل كبير فحسب، بل فتحت أيضًا آفاقًا جديدة تمامًا أمام بعض الشركات الكبرى، فقبل الموجة الحالية من الذكاء الاصطناعي، على سبيل المثال، كان من الصعب تخيل استخدام برامج الكمبيوتر لربط الركاب بسيارات الأجرة عند الطلب، ومع ذلك، أصبحت أوبر من بين أكبر 500 شركة في العالم بفضل هذا النهج.

أصبح الذكاء الاصطناعي عنصراً أساسياً في العديد من أكبر الشركات وأكثرها نجاحاً اليوم، بما في ذلك أبل، مايكروسوفت، وميتا، التي تستخدمه لتحسين عملياتها والتفوق على منافسيها، ففي جوجل على سبيل المثال، يُعدّ الذكاء الاصطناعي عنصراً محورياً في محرك البحث الذي يحمل اسمها، وقد ابتكر مختبر أبحاث جوجل برين أيضاً بنية المحولات التي تدعم أحدث الإنجازات في مجال معالجة اللغات الطبيعية، مثل ChatGPT من OpenAI.

ما هي مزايا وعيوب الذكاء الاصطناعي؟

تستطيع تقنيات الذكاء الاصطناعي، ولا سيما نماذج التعلم العميق مثل الشبكات العصبية الاصطناعية، معالجة كميات هائلة من البيانات بسرعة فائقة وتقديم تنبؤات أكثر دقة من قدرة البشر، فبينما يُرهق حجم البيانات الهائل المُنتج يوميًا الباحثين، تستطيع تطبيقات الذكاء الاصطناعي التي تستخدم التعلم الآلي تحويل هذه البيانات بسرعة إلى معلومات قابلة للتنفيذ.

من أبرز عيوب الذكاء الاصطناعي ارتفاع تكلفة معالجة كميات البيانات الهائلة التي يتطلبها، ومع تزايد دمج تقنيات الذكاء الاصطناعي في المنتجات والخدمات، يتعين على المؤسسات أن تكون على دراية بإمكانية تسببه في إنشاء أنظمة متحيزة وتمييزية، سواءً عن قصد أو غير قصد.

مزايا الذكاء الاصطناعي

• التميز في الوظائف التي تتطلب دقة عالية: يُعدّ الذكاء الاصطناعي خيارًا مثاليًا للمهام التي تتضمن تحديد الأنماط والعلاقات الدقيقة في البيانات التي قد يغفل عنها البشر. على سبيل المثال، في مجال الأورام، أظهرت أنظمة الذكاء الاصطناعي دقة عالية في الكشف عن السرطانات في مراحلها المبكرة، مثل سرطان الثدي وسرطان الجلد، من خلال تسليط الضوء على المناطق التي تستدعي مزيدًا من التقييم من قبل المتخصصين في الرعاية الصحية.
• الكفاءة في المهام كثيفة البيانات: تُقلل أنظمة الذكاء الاصطناعي وأدوات الأتمتة بشكلٍ كبير الوقت اللازم لمعالجة البيانات. يُعدّ هذا مفيدًا بشكلٍ خاص في قطاعات مثل التمويل والتأمين والرعاية الصحية، التي تتضمن قدرًا كبيرًا من إدخال البيانات وتحليلها بشكلٍ روتيني، بالإضافة إلى اتخاذ القرارات بناءً على البيانات. على سبيل المثال، في القطاع المصرفي والمالي، تستطيع نماذج الذكاء الاصطناعي التنبؤية معالجة كميات هائلة من البيانات للتنبؤ باتجاهات السوق وتحليل مخاطر الاستثمار.
• توفير الوقت وزيادة الإنتاجية: لا يقتصر دور الذكاء الاصطناعي والروبوتات على أتمتة العمليات فحسب، بل يساهمان أيضاً في تحسين السلامة والكفاءة. ففي قطاع التصنيع، على سبيل المثال، يتزايد استخدام الروبوتات المدعومة بالذكاء الاصطناعي لأداء المهام الخطرة أو المتكررة كجزء من أتمتة المستودعات، مما يقلل المخاطر التي يتعرض لها العمال ويزيد الإنتاجية الإجمالية.
• اتساق النتائج: تستخدم أدوات التحليل الحديثة الذكاء الاصطناعي والتعلم الآلي لمعالجة كميات هائلة من البيانات بطريقة موحدة، مع الحفاظ على قدرتها على التكيف مع المعلومات الجديدة من خلال التعلم المستمر، على سبيل المثال، حققت تطبيقات الذكاء الاصطناعي نتائج متسقة وموثوقة في مراجعة الوثائق القانونية وترجمة اللغات.
• التخصيص والتجربة الشخصية: يمكن لأنظمة الذكاء الاصطناعي تحسين تجربة المستخدم من خلال تخصيص التفاعلات وتقديم المحتوى على المنصات الرقمية، فعلى سبيل المثال، في منصات التجارة الإلكترونية، تحلل نماذج الذكاء الاصطناعي سلوك المستخدم للتوصية بمنتجات تناسب تفضيلاته، مما يزيد من رضا العملاء وتفاعلهم.
• التوافر على مدار الساعة: لا تحتاج برامج الذكاء الاصطناعي إلى النوم أو أخذ فترات راحة، على سبيل المثال، يمكن للمساعدين الافتراضيين المدعومين بالذكاء الاصطناعي تقديم خدمة عملاء متواصلة على مدار الساعة طوال أيام الأسبوع حتى في ظل أحجام تفاعل عالية، مما يحسن أوقات الاستجابة ويقلل التكاليف.
• قابلية التوسع: تتميز أنظمة الذكاء الاصطناعي بقدرتها على التوسع للتعامل مع كميات متزايدة من العمل والبيانات. وهذا ما يجعل الذكاء الاصطناعي مناسبًا تمامًا للسيناريوهات التي يمكن أن تنمو فيها أحجام البيانات وأعباء العمل بشكل هائل، مثل البحث عبر الإنترنت وتحليلات الأعمال .
• تسريع البحث والتطوير: يمكن للذكاء الاصطناعي تسريع وتيرة البحث والتطوير في مجالات مثل صناعة الأدوية وعلوم المواد. فمن خلال المحاكاة والتحليل السريع للعديد من السيناريوهات المحتملة، يمكن لنماذج الذكاء الاصطناعي مساعدة الباحثين على اكتشاف أدوية أو مواد أو مركبات جديدة بسرعة أكبر من الطرق التقليدية.
• الاستدامة والحفاظ على البيئة: يُستخدم الذكاء الاصطناعي والتعلم الآلي بشكل متزايد لرصد التغيرات البيئية، والتنبؤ بالظواهر الجوية المستقبلية، وإدارة جهود الحفاظ على البيئة. على سبيل المثال، يمكن لنماذج التعلم الآلي معالجة صور الأقمار الصناعية وبيانات أجهزة الاستشعار لتتبع مخاطر حرائق الغابات، ومستويات التلوث، وأعداد الأنواع المهددة بالانقراض.
• تحسين العمليات: يُستخدم الذكاء الاصطناعي لتبسيط وأتمتة العمليات المعقدة في مختلف الصناعات. على سبيل المثال، يمكن لنماذج الذكاء الاصطناعي تحديد أوجه القصور والتنبؤ بالاختناقات في عمليات التصنيع، بينما في قطاع الطاقة، يمكنها التنبؤ بالطلب على الكهرباء وتخصيص العرض في الوقت الفعلي.

عيوب الذكاء الاصطناعي

• تكاليف باهظة: قد يكون تطوير الذكاء الاصطناعي مكلفًا للغاية، يتطلب بناء نموذج ذكاء اصطناعي استثمارًا أوليًا كبيرًا في البنية التحتية والموارد الحاسوبية والبرمجيات اللازمة لتدريب النموذج وتخزين بيانات التدريب، بعد التدريب الأولي، توجد تكاليف مستمرة مرتبطة باستنتاج النموذج وإعادة تدريبه. ونتيجة لذلك، يمكن أن تتراكم التكاليف بسرعة، لا سيما بالنسبة للأنظمة المتقدمة والمعقدة مثل تطبيقات الذكاء الاصطناعي التوليدي، وقد صرّح سام ألتمان، الرئيس التنفيذي لشركة OpenAI، بأن تدريب نموذج GPT-4 الخاص بالشركة كلّف أكثر من 100 مليون دولار.
• التعقيد التقني: يتطلب تطوير أنظمة الذكاء الاصطناعي وتشغيلها واستكشاف أخطائها وإصلاحها (لا سيما في بيئات الإنتاج الواقعية) قدراً كبيراً من الخبرة التقنية، وفي كثير من الحالات، تختلف هذه المعرفة عن تلك اللازمة لبناء برامج غير متعلقة بالذكاء الاصطناعي. على سبيل المثال، ينطوي بناء تطبيق للتعلم الآلي ونشره على عملية معقدة ومتعددة المراحل وذات طابع تقني عالٍ، بدءاً من إعداد البيانات واختيار الخوارزمية وصولاً إلى ضبط المعلمات واختبار النموذج.
• فجوة المواهب: تفاقمت مشكلة التعقيد التقني بسبب النقص الحاد في المتخصصين المدربين في مجال الذكاء الاصطناعي والتعلم الآلي، مقارنةً بالحاجة المتزايدة لهذه المهارات. هذه الفجوة بين العرض والطلب على المواهب في مجال الذكاء الاصطناعي تعني أنه على الرغم من تزايد الاهتمام بتطبيقات الذكاء الاصطناعي، فإن العديد من المؤسسات لا تجد العدد الكافي من الموظفين المؤهلين لدعم مبادراتها في هذا المجال.
• التحيز الخوارزمي: تعكس خوارزميات الذكاء الاصطناعي والتعلم الآلي التحيزات الموجودة في بيانات تدريبها، وعندما تُنشر أنظمة الذكاء الاصطناعي على نطاق واسع، تتفاقم هذه التحيزات أيضًا، في بعض الحالات، قد تُضخّم أنظمة الذكاء الاصطناعي التحيزات الدقيقة في بيانات تدريبها من خلال ترميزها في أنماط قابلة للتعزيز وشبه موضوعية، في مثال شهير، طوّرت أمازون أداة توظيف مدعومة بالذكاء الاصطناعي لأتمتة عملية التوظيف، والتي فضّلت دون قصد المرشحين الذكور، مما يعكس اختلالات أوسع نطاقًا بين الجنسين في قطاع التكنولوجيا.
• صعوبة التعميم: غالبًا ما تتفوق نماذج الذكاء الاصطناعي في المهام المحددة التي دُرِّبت عليها، لكنها تواجه صعوبة عند التعامل مع سيناريوهات جديدة. هذا النقص في المرونة قد يحد من فائدة الذكاء الاصطناعي، إذ قد تتطلب المهام الجديدة تطوير نموذج جديد كليًا. على سبيل المثال، قد يكون أداء نموذج معالجة اللغة الطبيعية المُدرَّب على نصوص باللغة الإنجليزية ضعيفًا على نصوص بلغات أخرى دون تدريب إضافي مكثف. وبينما تُبذل جهود لتحسين قدرة النماذج على التعميم - المعروفة بتكييف المجال أو التعلم بالنقل - لا تزال هذه المسألة محل بحث مفتوح.
• فقدان الوظائف: قد يؤدي الذكاء الاصطناعي إلى فقدان الوظائف إذا استبدلت المؤسسات العمال البشريين بالآلات، وهو ما يثير قلقًا متزايدًا مع تطور قدرات نماذج الذكاء الاصطناعي وتزايد لجوء الشركات إلى أتمتة سير العمل باستخدام الذكاء الاصطناعي. على سبيل المثال، أفاد بعض كتّاب المحتوى باستبدالهم بنماذج لغوية ضخمة مثل ChatGPT. في حين أن التوسع في استخدام الذكاء الاصطناعي قد يخلق فئات وظيفية جديدة، إلا أن هذه الفئات قد لا تتطابق مع الوظائف التي تم إلغاؤها، مما يثير مخاوف بشأن التفاوت الاقتصادي وإعادة تأهيل المهارات.
• الثغرات الأمنية: أنظمة الذكاء الاصطناعي عرضة لمجموعة واسعة من التهديدات الإلكترونية، بما في ذلك تسميم البيانات والتعلم الآلي الخبيث. على سبيل المثال، يمكن للمخترقين استخراج بيانات تدريب حساسة من نموذج الذكاء الاصطناعي، أو خداع أنظمة الذكاء الاصطناعي لإنتاج مخرجات خاطئة وضارة. وهذا الأمر يثير قلقًا بالغًا في القطاعات الحساسة أمنيًا، مثل الخدمات المالية والقطاع الحكومي.
• الأثر البيئي: تستهلك مراكز البيانات والبنى التحتية للشبكات التي تدعم عمليات نماذج الذكاء الاصطناعي كميات كبيرة من الطاقة والمياه. ونتيجة لذلك، يُحدث تدريب نماذج الذكاء الاصطناعي وتشغيلها أثراً كبيراً على المناخ. ويُعدّ البصمة الكربونية للذكاء الاصطناعي مصدر قلق بالغ، لا سيما بالنسبة للنماذج التوليدية الكبيرة، التي تتطلب موارد حاسوبية هائلة للتدريب والاستخدام المستمر.
• القضايا القانونية: يثير الذكاء الاصطناعي تساؤلات معقدة حول الخصوصية والمسؤولية القانونية، لا سيما في ظل بيئة تنظيمية متطورة للذكاء الاصطناعي تختلف من منطقة لأخرى. فعلى سبيل المثال، ينطوي استخدام الذكاء الاصطناعي لتحليل البيانات الشخصية واتخاذ القرارات بناءً عليها على آثار خطيرة تتعلق بالخصوصية، ولا يزال من غير الواضح كيف ستنظر المحاكم إلى حقوق تأليف المواد التي تنتجها أنظمة الذكاء الاصطناعي المدربة على أعمال محمية بحقوق الطبع والنشر.

الذكاء الاصطناعي القوي مقابل الذكاء الاصطناعي الضعيف

يمكن تصنيف الذكاء الاصطناعي بشكل عام إلى نوعين: الذكاء الاصطناعي المحدود (أو الضعيف) والذكاء الاصطناعي العام (أو القوي).

• الذكاء الاصطناعي المحدود: يشير هذا النوع من الذكاء الاصطناعي إلى النماذج المدربة على أداء مهام محددة. يعمل الذكاء الاصطناعي المحدود ضمن سياق المهام التي بُرمج لأدائها، دون القدرة على التعميم على نطاق واسع أو التعلم خارج نطاق برمجته الأولية. من أمثلة الذكاء الاصطناعي المحدود المساعدون الافتراضيون، مثل سيري من آبل وأليكسا من أمازون، وأنظمة التوصيات، مثل تلك الموجودة على منصات البث مثل سبوتيفاي ونتفليكس.
• الذكاء الاصطناعي العام: يُشار إلى هذا النوع من الذكاء الاصطناعي، غير الموجود حاليًا، غالبًا باسم الذكاء الاصطناعي العام (AGI). في حال ابتكاره، سيكون الذكاء الاصطناعي العام قادرًا على أداء أي مهمة فكرية يؤديها الإنسان. ولتحقيق ذلك، سيحتاج الذكاء الاصطناعي العام إلى القدرة على تطبيق المنطق عبر نطاق واسع من المجالات لفهم المشكلات المعقدة التي لم يُبرمج خصيصًا لحلها. وهذا بدوره يتطلب ما يُعرف في مجال الذكاء الاصطناعي بالمنطق الضبابي: وهو نهج يسمح بوجود مناطق رمادية وتدرجات من عدم اليقين، بدلًا من النتائج الثنائية المطلقة.

من المهم الإشارة إلى أن مسألة إمكانية إنشاء الذكاء الاصطناعي العام (AGI) - وما يترتب على ذلك من عواقب - لا تزال محل نقاش حاد بين خبراء الذكاء الاصطناعي. فحتى أحدث تقنيات الذكاء الاصطناعي المتوفرة اليوم، مثل ChatGPT وغيرها من نماذج التعلم الآلي عالية الكفاءة، لا تُظهر قدرات معرفية تضاهي القدرات البشرية، ولا يمكنها التعميم على مختلف المواقف. فـ ChatGPT، على سبيل المثال، مصمم لتوليد اللغة الطبيعية، ولا يستطيع تجاوز برمجته الأصلية لأداء مهام مثل الاستدلال الرياضي المعقد.

أنواع الذكاء الاصطناعي

يمكن تصنيف الذكاء الاصطناعي إلى أربعة أنواع، بدءًا من الأنظمة الذكية الخاصة بالمهام والتي تستخدم على نطاق واسع اليوم، وصولاً إلى الأنظمة الواعية، والتي لم توجد بعد.

الفئات هي كالتالي:

• النوع الأول: الآلات التفاعلية - لا تمتلك أنظمة الذكاء الاصطناعي هذه ذاكرة، وهي مصممة لأداء مهام محددة. ومن الأمثلة على ذلك برنامج الشطرنج "ديب بلو" من شركة آي بي إم، الذي هزم بطل العالم الروسي غاري كاسباروف في التسعينيات. كان "ديب بلو" قادرًا على تحديد القطع على رقعة الشطرنج والتنبؤ بالوضع، ولكن نظرًا لافتقاره للذاكرة، لم يتمكن من الاستفادة من التجارب السابقة في بناء تجارب مستقبلية.
• النوع الثاني: ذاكرة محدودة -  تتمتع أنظمة الذكاء الاصطناعي هذه بذاكرة، لذا يمكنها استخدام التجارب السابقة لتوجيه القرارات المستقبلية. بعض وظائف اتخاذ القرار في السيارات ذاتية القيادة مصممة بهذه الطريقة.
• النوع الثالث: نظرية العقل - نظرية العقل مصطلحٌ في علم النفس. وعند تطبيقه على الذكاء الاصطناعي، فإنه يشير إلى نظام قادر على فهم المشاعر. يستطيع هذا النوع من الذكاء الاصطناعي استنتاج النوايا البشرية والتنبؤ بالسلوك، وهي مهارة ضرورية لأنظمة الذكاء الاصطناعي لتصبح أعضاءً أساسيين في فرق العمل التي كان يقودها البشر.
• النوع الرابع:  الوعي الذاتي - في هذه الفئة، تمتلك أنظمة الذكاء الاصطناعي إحساسًا بالذات، مما يمنحها الوعي. تفهم الآلات ذات الوعي الذاتي حالتها الراهنة. هذا النوع من الذكاء الاصطناعي غير موجود حاليًا.

إن فهم الاختلافات الرئيسية بين الذكاء الاصطناعي والذكاء البشري أمر بالغ الأهمية للاستخدام الفعال والمسؤول.

ما هي أمثلة على تقنية الذكاء الاصطناعي، وكيف يتم استخدامها اليوم؟

بإمكان تقنيات الذكاء الاصطناعي تعزيز وظائف الأدوات الحالية وأتمتة مختلف المهام والعمليات، مما يؤثر على جوانب عديدة من الحياة اليومية. وفيما يلي بعض الأمثلة البارزة:

الأتمتة

يعزز الذكاء الاصطناعي تقنيات الأتمتة من خلال توسيع نطاق المهام التي يمكن أتمتتها، وزيادة تعقيدها، ورفع عدد المهام التي يمكن أتمتتها. ومن الأمثلة على ذلك أتمتة العمليات الروبوتية ( RPA )، التي تُؤتمت مهام معالجة البيانات المتكررة والقائمة على القواعد، والتي كان يؤديها البشر تقليديًا. ولأن الذكاء الاصطناعي يُساعد روبوتات RPA على التكيف مع البيانات الجديدة والاستجابة الديناميكية لتغييرات العمليات، فإن دمج قدرات الذكاء الاصطناعي والتعلم الآلي يُمكّن RPA من إدارة سير العمل الأكثر تعقيدًا.

التعلم الآلي

التعلم الآلي هو علم تعليم الحواسيب كيفية التعلم من البيانات واتخاذ القرارات دون برمجتها بشكل صريح للقيام بذلك. أما التعلم العميق، وهو فرع من فروع التعلم الآلي، فيستخدم شبكات عصبية متطورة لأداء ما يُعدّ شكلاً متقدماً من التحليلات التنبؤية.

يمكن تصنيف خوارزميات التعلم الآلي بشكل عام إلى ثلاث فئات: التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم المعزز .

1. يقوم التعلم الخاضع للإشراف بتدريب النماذج على مجموعات البيانات المصنفة، مما يُمكّنها من التعرف بدقة على الأنماط، والتنبؤ بالنتائج، أو تصنيف البيانات الجديدة.
2. يقوم التعلم غير الخاضع للإشراف بتدريب النماذج على فرز مجموعات البيانات غير المصنفة للعثور على العلاقات أو المجموعات الكامنة.
3. يتبع التعلم المعزز نهجًا مختلفًا، حيث تتعلم النماذج اتخاذ القرارات من خلال العمل كوكلاء وتلقي ردود الفعل على أفعالهم.

يوجد أيضاً التعلم شبه الموجه، الذي يجمع بين جوانب من أساليب التعلم الموجه وغير الموجه. تستخدم هذه التقنية كمية صغيرة من البيانات المصنفة وكمية أكبر من البيانات غير المصنفة، مما يحسن دقة التعلم ويقلل الحاجة إلى البيانات المصنفة، التي قد يستغرق الحصول عليها وقتاً وجهداً كبيرين.

رؤية الحاسوب

رؤية الحاسوب هي أحد فروع الذكاء الاصطناعي التي تركز على تعليم الآلات كيفية تفسير العالم المرئي. من خلال تحليل المعلومات المرئية، مثل صور الكاميرا والفيديوهات، باستخدام نماذج التعلم العميق، تستطيع أنظمة رؤية الحاسوب تعلم تحديد وتصنيف الأشياء واتخاذ القرارات بناءً على تلك التحليلات.

يتمثل الهدف الرئيسي لرؤية الحاسوب في محاكاة أو تحسين نظام الرؤية البشرية باستخدام خوارزميات الذكاء الاصطناعي. تُستخدم رؤية الحاسوب في نطاق واسع من التطبيقات، بدءًا من تحديد التوقيعات وصولًا إلى تحليل الصور الطبية والمركبات ذاتية القيادة. أما رؤية الآلة، وهو مصطلح يُستخدم غالبًا بشكل مختلط مع رؤية الحاسوب، فيشير تحديدًا إلى استخدام رؤية الحاسوب لتحليل بيانات الكاميرا والفيديو في سياقات الأتمتة الصناعية، مثل عمليات الإنتاج في التصنيع.

معالجة اللغة الطبيعية

يشير مصطلح معالجة اللغة الطبيعية (NLP) إلى معالجة اللغة البشرية بواسطة برامج الحاسوب. تستطيع خوارزميات معالجة اللغة الطبيعية تفسير اللغة البشرية والتفاعل معها، وتنفيذ مهام مثل الترجمة، والتعرف على الكلام، وتحليل المشاعر. يُعدّ كشف الرسائل المزعجة أحد أقدم الأمثلة وأشهرها على معالجة اللغة الطبيعية، حيث يقوم بفحص عنوان البريد الإلكتروني ونصّه لتحديد ما إذا كان بريدًا مزعجًا أم لا. تشمل التطبيقات الأكثر تطورًا لمعالجة اللغة الطبيعية نماذج التعلم الآلي للغة (LLMs) مثل ChatGPT و Claude من Anthropic.

الروبوتات

الروبوتات هي فرع من فروع الهندسة يركز على تصميم وتصنيع وتشغيل الروبوتات، وهي آلات مؤتمتة تحاكي وتحل محل الأفعال البشرية، لا سيما تلك التي يصعب على البشر القيام بها أو تكون خطيرة أو مملة. ومن أمثلة تطبيقات الروبوتات التصنيع، حيث تؤدي الروبوتات مهام خطوط التجميع المتكررة أو الخطرة، والمهام الاستكشافية في المناطق البعيدة التي يصعب الوصول إليها، مثل الفضاء الخارجي وأعماق البحار.

يُساهم دمج الذكاء الاصطناعي والتعلم الآلي بشكلٍ كبير في توسيع قدرات الروبوتات، مما يُمكّنها من اتخاذ قرارات مستقلة أكثر استنارة والتكيف مع المواقف والبيانات الجديدة. على سبيل المثال، يمكن للروبوتات المزودة بتقنيات الرؤية الآلية أن تتعلم فرز الأشياء على خط الإنتاج حسب الشكل واللون.

المركبات ذاتية القيادة

تستطيع المركبات ذاتية القيادة، أو ما يُعرف بالعامية بالسيارات ذاتية القيادة، استشعار بيئتها المحيطة والتنقل فيها بأقل قدر من التدخل البشري أو بدونه. وتعتمد هذه المركبات على مزيج من التقنيات، بما في ذلك الرادار ونظام تحديد المواقع العالمي (GPS) ومجموعة من خوارزميات الذكاء الاصطناعي والتعلم الآلي، مثل التعرف على الصور .

تتعلم هذه الخوارزميات من بيانات القيادة وحركة المرور والخرائط الواقعية لاتخاذ قرارات مدروسة بشأن متى يجب الكبح والانعطاف والتسارع، وكيفية البقاء في المسار المحدد، وكيفية تجنب العوائق غير المتوقعة، بما في ذلك المشاة. ورغم التطور الكبير الذي شهدته هذه التقنية في السنوات الأخيرة، إلا أن الهدف النهائي المتمثل في مركبة ذاتية القيادة قادرة على استبدال السائق البشري بالكامل لم يتحقق بعد.

الذكاء الاصطناعي التوليدي

يشير مصطلح الذكاء الاصطناعي التوليدي إلى أنظمة التعلم الآلي القادرة على توليد بيانات جديدة من نصوص مُدخلة (غالباً ما تكون نصوصاً وصوراً) ولكن أيضاً ملفات صوتية ومرئية وشفرات برمجية، وحتى تسلسلات جينية وبنى بروتينية، ومن خلال التدريب على مجموعات بيانات ضخمة، تتعلم هذه الخوارزميات تدريجياً أنماط أنواع الوسائط التي سيُطلب منها توليدها، مما يُمكّنها لاحقاً من إنشاء محتوى جديد يُشبه بيانات التدريب تلك.

شهد الذكاء الاصطناعي التوليدي نموًا سريعًا في شعبيته بعد طرح مولدات النصوص والصور المتاحة على نطاق واسع في عام 2022، مثل ChatGPT و Dall-E وMidjourney، ويتزايد استخدامه في بيئات الأعمال. ورغم أن قدرات العديد من أدوات الذكاء الاصطناعي التوليدي مثيرة للإعجاب، إلا أنها تثير أيضًا مخاوف بشأن قضايا مثل حقوق النشر والاستخدام العادل والأمن، وهي قضايا لا تزال موضع نقاش مفتوح في قطاع التكنولوجيا.

ما هي تطبيقات الذكاء الاصطناعي؟

لقد دخل الذكاء الاصطناعي قطاعات صناعية ومجالات بحثية متنوعة، وفيما يلي بعض الأمثلة البارزة على ذلك:

الذكاء الاصطناعي في مجال الرعاية الصحية

يُستخدم الذكاء الاصطناعي في مجموعة واسعة من المهام في مجال الرعاية الصحية، بهدف رئيسي هو تحسين نتائج المرضى وخفض التكاليف النظامية، ومن أبرز تطبيقاته استخدام نماذج التعلم الآلي المدربة على مجموعات بيانات طبية ضخمة لمساعدة المتخصصين في الرعاية الصحية على التشخيص بشكل أفضل وأسرع. فعلى سبيل المثال، يمكن لبرامج الذكاء الاصطناعي تحليل صور الأشعة المقطعية وتنبيه أطباء الأعصاب إلى حالات السكتة الدماغية المشتبه بها .

من جانب المرضى، يمكن للمساعدين الصحيين الافتراضيين عبر الإنترنت وبرامج الدردشة الآلية تقديم معلومات طبية عامة، وجدولة المواعيد، وشرح إجراءات الفوترة، وإنجاز مهام إدارية أخرى، كما يمكن استخدام خوارزميات الذكاء الاصطناعي للنمذجة التنبؤية لمكافحة انتشار الأوبئة مثل كوفيد-19 .

الذكاء الاصطناعي في مجال الأعمال

يتزايد دمج الذكاء الاصطناعي في مختلف وظائف الأعمال والصناعات، بهدف تحسين الكفاءة وتجربة العملاء والتخطيط الاستراتيجي واتخاذ القرارات، فعلى سبيل المثال، تُشغّل نماذج التعلّم الآلي العديد من منصات تحليل البيانات وإدارة علاقات العملاء ( CRM ) الحالية، مما يساعد الشركات على فهم كيفية تقديم أفضل خدمة للعملاء من خلال تخصيص العروض وتقديم تسويق أكثر ملاءمة.

تُستخدم المساعدات الافتراضية وبرامج الدردشة الآلية أيضًا على مواقع الشركات الإلكترونية وفي تطبيقات الهواتف المحمولة لتوفير خدمة عملاء على مدار الساعة والإجابة على الأسئلة الشائعة، بالإضافة إلى ذلك، تتجه المزيد من الشركات إلى استكشاف إمكانيات أدوات الذكاء الاصطناعي التوليدي، مثل ChatGPT، لأتمتة مهام مثل صياغة وتلخيص المستندات، وتصميم المنتجات وتطوير الأفكار، وبرمجة الحاسوب.

الذكاء الاصطناعي في التعليم

للذكاء الاصطناعي تطبيقات عديدة محتملة في تكنولوجيا التعليم، فهو قادر على أتمتة جوانب من عمليات التقييم، مما يتيح للمعلمين مزيدًا من الوقت للتركيز على مهام أخرى، كما يمكن لأدوات الذكاء الاصطناعي تقييم أداء الطلاب والتكيف مع احتياجاتهم الفردية، مما يُسهّل تجارب تعليمية أكثر تخصيصًا تُمكّن الطلاب من التعلم بوتيرتهم الخاصة. ويمكن للمعلمين الذين يعملون بالذكاء الاصطناعي تقديم دعم إضافي للطلاب، لضمان استمرارهم في المسار الصحيح، وقد تُغيّر هذه التقنية أيضًا مكان وكيفية تعلم الطلاب، وربما تُعيد صياغة الدور التقليدي للمعلمين.

مع تزايد قدرات برامج التعلم الآلي مثل ChatGPT و Google Gemini، يمكن لهذه الأدوات أن تساعد المعلمين في تصميم مواد تعليمية وإشراك الطلاب بطرق جديدة، إلا أن ظهور هذه الأدوات يُجبر المعلمين أيضاً على إعادة النظر في ممارسات الواجبات المنزلية والاختبارات، ومراجعة سياسات مكافحة الانتحال، خاصةً وأن أدوات الكشف عن الانتحال ووضع العلامات المائية باستخدام الذكاء الاصطناعي غير موثوقة حالياً.

الذكاء الاصطناعي في مجال التمويل والمصارف

تستخدم البنوك والمؤسسات المالية الأخرى الذكاء الاصطناعي لتحسين عملية اتخاذ القرارات في مهام مثل منح القروض، وتحديد حدود الائتمان، واكتشاف فرص الاستثمار، علاوة على ذلك، أحدث التداول الخوارزمي المدعوم بالذكاء الاصطناعي المتقدم والتعلم الآلي نقلة نوعية في الأسواق المالية، حيث ينفذ الصفقات بسرعات وكفاءة تفوق بكثير ما يمكن أن يحققه المتداولون البشريون يدويًا.

دخل الذكاء الاصطناعي والتعلم الآلي مجال التمويل الاستهلاكي أيضاً، فعلى سبيل المثال، تستخدم البنوك روبوتات الدردشة المدعومة بالذكاء الاصطناعي لإطلاع العملاء على الخدمات والعروض، وللتعامل مع المعاملات والاستفسارات التي لا تتطلب تدخلاً بشرياً. وبالمثل، تقدم شركة إنتويت ميزات الذكاء الاصطناعي التوليدي ضمن منتجها TurboTax للتقديم الإلكتروني، والتي توفر للمستخدمين نصائح شخصية بناءً على بيانات مثل الملف الضريبي للمستخدم والرمز الضريبي لموقعه.

الذكاء الاصطناعي في القانون

يُحدث الذكاء الاصطناعي تغييرًا جذريًا في القطاع القانوني من خلال أتمتة المهام التي تتطلب جهدًا بشريًا كبيرًا، مثل مراجعة المستندات والرد على طلبات الكشف عن الأدلة، والتي قد تكون شاقة ومستهلكة للوقت بالنسبة للمحامين ومساعديهم القانونيين. تستخدم مكاتب المحاماة اليوم الذكاء الاصطناعي والتعلم الآلي في مجموعة متنوعة من المهام، بما في ذلك التحليلات والذكاء الاصطناعي التنبؤي لتحليل البيانات والسوابق القضائية، ورؤية الحاسوب لتصنيف المعلومات واستخراجها من المستندات، ومعالجة اللغة الطبيعية لتفسير طلبات الكشف عن الأدلة والرد عليها.

إضافةً إلى تحسين الكفاءة والإنتاجية، يُتيح دمج الذكاء الاصطناعي للمحامين البشريين قضاء وقت أطول مع العملاء والتركيز على أعمال إبداعية واستراتيجية لا يُجيد الذكاء الاصطناعي التعامل معها، ومع ازدياد استخدام الذكاء الاصطناعي التوليدي في مجال القانون، تستكشف الشركات أيضًا استخدام برامج إدارة التعلم القانوني لصياغة الوثائق الشائعة، مثل العقود النموذجية.

الذكاء الاصطناعي في مجال الترفيه والإعلام

تستخدم صناعة الترفيه والإعلام تقنيات الذكاء الاصطناعي في الإعلانات الموجهة، وتوصيات المحتوى، والتوزيع، وكشف الاحتيال. تُمكّن هذه التقنية الشركات من تخصيص تجارب الجمهور وتحسين تقديم المحتوى.

يُعدّ الذكاء الاصطناعي التوليدي موضوعًا رائجًا في مجال صناعة المحتوى، يستخدم متخصصو الإعلان هذه الأدوات بالفعل لإنشاء مواد تسويقية وتعديل الصور الإعلانية، مع ذلك، يُثير استخدامها جدلًا أكبر في مجالات مثل كتابة سيناريوهات الأفلام والمسلسلات التلفزيونية والمؤثرات البصرية، حيث تُحسّن الكفاءة، لكنها تُهدّد في الوقت نفسه سُبل عيش وحقوق الملكية الفكرية للعاملين في المجالات الإبداعية.

الذكاء الاصطناعي في الصحافة

في مجال الصحافة، يُمكن للذكاء الاصطناعي تبسيط سير العمل من خلال أتمتة المهام الروتينية، مثل إدخال البيانات والتدقيق اللغوي، كما يستخدم الصحفيون الاستقصائيون وصحفيو البيانات الذكاء الاصطناعي للعثور على القصص والبحث فيها، وذلك عبر تحليل مجموعات البيانات الضخمة باستخدام نماذج التعلّم الآلي، ما يُتيح الكشف عن الاتجاهات والروابط الخفية التي قد يستغرق تحديدها يدويًا وقتًا طويلًا، على سبيل المثال، أفصح خمسة مرشحين نهائيين لجائزة بوليتزر للصحافة لعام 2024 عن استخدامهم للذكاء الاصطناعي في تقاريرهم لأداء مهام مثل تحليل كميات هائلة من سجلات الشرطة، وبينما يتزايد استخدام أدوات الذكاء الاصطناعي التقليدية، فإن استخدام الذكاء الاصطناعي التوليدي لكتابة المحتوى الصحفي لا يزال محل تساؤل، إذ يُثير مخاوف بشأن الموثوقية والدقة والأخلاقيات.

الذكاء الاصطناعي في تطوير البرمجيات وتكنولوجيا المعلومات

يُستخدم الذكاء الاصطناعي لأتمتة العديد من العمليات في تطوير البرمجيات، وعمليات التطوير والتشغيل DevOps، وتقنية المعلومات، على سبيل المثال، تُمكّن أدوات AIOps من الصيانة التنبؤية لبيئات تقنية المعلومات من خلال تحليل بيانات النظام للتنبؤ بالمشاكل المحتملة قبل حدوثها، كما تُساعد أدوات المراقبة المدعومة بالذكاء الاصطناعي في رصد أي خلل محتمل في الوقت الفعلي استنادًا إلى بيانات النظام التاريخية، وتُستخدم أدوات الذكاء الاصطناعي التوليدي، مثل GitHub Copilot وTabnine، بشكل متزايد لإنتاج شفرة برمجية للتطبيقات بناءً على توجيهات اللغة الطبيعية، ورغم أن هذه الأدوات أظهرت نتائج واعدة واهتمامًا مبكرًا بين المطورين، فمن غير المرجح أن تحل محل مهندسي البرمجيات بشكل كامل، بل إنها تُعدّ أدوات مفيدة لزيادة الإنتاجية، حيث تُؤتمت المهام المتكررة وكتابة الشفرة النمطية.

الذكاء الاصطناعي في مجال الأمن

تُعدّ تقنيات الذكاء الاصطناعي والتعلم الآلي من المصطلحات الرائجة في تسويق حلول الأمن السيبراني، لذا ينبغي على المشترين توخي الحذر. مع ذلك، يُعتبر الذكاء الاصطناعي تقنيةً مفيدةً في جوانب متعددة من الأمن السيبراني، بما في ذلك كشف الحالات الشاذة، والحدّ من الإنذارات الكاذبة، وإجراء تحليلات التهديدات السلوكية، على سبيل المثال، تستخدم المؤسسات التعلم الآلي في برامج إدارة معلومات وأحداث الأمان (SIEM) لكشف الأنشطة المشبوهة والتهديدات المحتملة، من خلال تحليل كميات هائلة من البيانات والتعرف على الأنماط التي تُشبه البرامج الضارة المعروفة، تستطيع أدوات الذكاء الاصطناعي تنبيه فرق الأمن إلى الهجمات الجديدة والناشئة، غالبًا في وقتٍ أسرع بكثير مما كان عليه الحال بالنسبة للموظفين البشريين والتقنيات السابقة.

الذكاء الاصطناعي في التصنيع

لطالما كانت الصناعة التحويلية في طليعة دمج الروبوتات في سير العمل، مع تركيز التطورات الحديثة على الروبوتات التعاونية، أو ما يُعرف بالروبوتات المساعدة . وعلى عكس الروبوتات الصناعية التقليدية، التي كانت تُبرمج لأداء مهام محددة وتعمل بمعزل عن العمال، فإن الروبوتات المساعدة أصغر حجمًا وأكثر تنوعًا، ومصممة للعمل جنبًا إلى جنب مع البشر. تستطيع هذه الروبوتات متعددة المهام تولي مسؤولية مهام أكثر في المستودعات، وفي أرضيات المصانع، وفي أماكن العمل الأخرى، بما في ذلك التجميع والتعبئة ومراقبة الجودة، وعلى وجه الخصوص، يُمكن أن يُساهم استخدام الروبوتات لأداء أو المساعدة في المهام المتكررة والشاقة في تحسين سلامة وكفاءة العمال.

الذكاء الاصطناعي في مجال النقل

إلى جانب الدور المحوري للذكاء الاصطناعي في تشغيل المركبات ذاتية القيادة، تُستخدم تقنياته في النقل البري لإدارة حركة المرور، والحد من الازدحام، وتعزيز السلامة على الطرق، وفي مجال النقل الجوي، يُمكن للذكاء الاصطناعي التنبؤ بتأخير الرحلات الجوية من خلال تحليل بيانات مثل الأحوال الجوية وحركة الملاحة الجوية، أما في مجال الشحن البحري، فيُمكن للذكاء الاصطناعي تعزيز السلامة والكفاءة من خلال تحسين المسارات ومراقبة حالة السفن تلقائيًا.

في سلاسل التوريد، يحلّ الذكاء الاصطناعي محلّ الأساليب التقليدية للتنبؤ بالطلب، ويُحسّن دقة التوقعات بشأن الاضطرابات والاختناقات المحتملة، وقد أبرزت جائحة كوفيد-19 أهمية هذه القدرات، إذ فوجئت العديد من الشركات بتأثيرات الجائحة العالمية على العرض والطلب على السلع.

الذكاء المعزز مقابل الذكاء الاصطناعي

يرتبط مصطلح الذكاء الاصطناعي ارتباطًا وثيقًا بالثقافة الشعبية، مما قد يخلق توقعات غير واقعية لدى عامة الناس حول تأثيره على العمل والحياة اليومية، ويُقترح مصطلح بديل، هو الذكاء المُعزز، لتمييز أنظمة الآلات التي تدعم البشر عن الأنظمة المستقلة تمامًا الموجودة في أفلام الخيال العلمي - مثل هال 9000 من فيلم "2001: ملحمة الفضاء" أو سكاى نت من أفلام "المُدمر" .

يمكن تعريف المصطلحين على النحو التالي:

• الذكاء المعزز: يشير مصطلح الذكاء المعزز، بمعناه الأكثر حيادية، إلى أن معظم تطبيقات الذكاء الاصطناعي مصممة لتعزيز القدرات البشرية، لا استبدالها. تعمل هذه الأنظمة المحدودة للذكاء الاصطناعي بشكل أساسي على تحسين المنتجات والخدمات من خلال أداء مهام محددة، ومن الأمثلة على ذلك، الكشف التلقائي عن البيانات المهمة في تقارير ذكاء الأعمال، أو إبراز المعلومات الرئيسية في الملفات القانونية، ويشير الانتشار السريع لأدوات مثل ChatGPT وGemini في مختلف القطاعات إلى تزايد الرغبة في استخدام الذكاء الاصطناعي لدعم عملية اتخاذ القرارات البشرية.
• الذكاء الاصطناعي: في هذا السياق، سيُستخدم مصطلح الذكاء الاصطناعي حصراً للإشارة إلى الذكاء الاصطناعي العام المتقدم، وذلك لإدارة توقعات الجمهور بشكل أفضل وتوضيح الفرق بين حالات الاستخدام الحالية والطموح إلى تحقيق الذكاء الاصطناعي العام، يرتبط مفهوم الذكاء الاصطناعي العام ارتباطاً وثيقاً بمفهوم التفرد التكنولوجي، وهو مستقبل يتجاوز فيه الذكاء الاصطناعي الفائق القدرات المعرفية البشرية بكثير، مما قد يُعيد تشكيل واقعنا بطرق تتجاوز فهمنا، لطالما كان التفرد التكنولوجي عنصراً أساسياً في الخيال العلمي، لكن بعض مطوري الذكاء الاصطناعي اليوم يسعون جاهدين لإنشاء الذكاء الاصطناعي العام.

الاستخدام الأخلاقي للذكاء الاصطناعي

رغم أن أدوات الذكاء الاصطناعي تُقدّم مجموعة من الوظائف الجديدة للشركات، إلا أن استخدامها يُثير تساؤلات أخلاقية هامة. فأنظمة الذكاء الاصطناعي، سواءً كان ذلك إيجابياً أم سلبياً، تُعزّز ما تعلّمته سابقاً، ما يعني أن هذه الخوارزميات تعتمد بشكل كبير على البيانات التي تُدرّب عليها، ولأن الإنسان هو من يختار بيانات التدريب، فإن احتمال التحيز واردٌ ويجب مراقبته عن كثب.

يُضيف الذكاء الاصطناعي التوليدي بُعدًا آخر من التعقيد الأخلاقي، إذ تستطيع هذه الأدوات إنتاج نصوص وصور ومقاطع صوتية واقعية ومقنعة للغاية، وهي ميزة مفيدة للعديد من التطبيقات المشروعة، ولكنها أيضًا تُشكل ناقلًا محتملاً للمعلومات المضللة والمحتوى الضار مثل التزييف العميق .

وبالتالي، فإن أي شخص يسعى لاستخدام التعلم الآلي في أنظمة الإنتاج الواقعية يحتاج إلى مراعاة الجوانب الأخلاقية في عمليات تدريب الذكاء الاصطناعي، والسعي لتجنب التحيز غير المرغوب فيه، وهذا أمر بالغ الأهمية، خاصةً بالنسبة لخوارزميات الذكاء الاصطناعي التي تفتقر إلى الشفافية، مثل الشبكات العصبية المعقدة المستخدمة في التعلم العميق.

يشير الذكاء الاصطناعي المسؤول إلى تطوير وتطبيق أنظمة ذكاء اصطناعي آمنة ومتوافقة مع المعايير وذات منفعة اجتماعية. وينبع هذا المفهوم من مخاوف بشأن التحيز الخوارزمي، وانعدام الشفافية، والعواقب غير المقصودة، ويستند هذا المفهوم إلى أفكار راسخة في أخلاقيات الذكاء الاصطناعي، ولكنه اكتسب أهمية متزايدة مع انتشار أدوات الذكاء الاصطناعي التوليدي، وما ترتب على ذلك من تزايد المخاوف بشأن مخاطرها، ويساعد دمج مبادئ الذكاء الاصطناعي المسؤول في استراتيجيات الأعمال المؤسسات على الحد من المخاطر وتعزيز ثقة الجمهور.

تُعدّ قابلية التفسير، أو القدرة على فهم كيفية اتخاذ أنظمة الذكاء الاصطناعي للقرارات، مجالًا متناميًا في أبحاث الذكاء الاصطناعي. ويُمثّل غياب قابلية التفسير عائقًا محتملًا أمام استخدام الذكاء الاصطناعي في القطاعات التي تخضع لمتطلبات تنظيمية صارمة، فعلى سبيل المثال، تُلزم قوانين الإقراض العادل المؤسسات المالية الأمريكية بتوضيح قراراتها المتعلقة بمنح الائتمان لمقدمي طلبات القروض وبطاقات الائتمان. إلا أنه عندما تتخذ برامج الذكاء الاصطناعي مثل هذه القرارات، قد تُؤدي العلاقات الدقيقة بين آلاف المتغيرات إلى مشكلة الصندوق الأسود، حيث تصبح عملية اتخاذ القرار في النظام غامضة.

باختصار، تشمل التحديات الأخلاقية للذكاء الاصطناعي ما يلي:

• التحيز الناتج عن الخوارزميات غير المدربة بشكل صحيح والتحيزات البشرية أو الإغفالات.
• إساءة استخدام الذكاء الاصطناعي التوليدي لإنتاج مقاطع فيديو مزيفة، وعمليات احتيال تصيدية، ومحتوى ضار آخر.
• المخاوف القانونية، بما في ذلك التشهير بالذكاء الاصطناعي وقضايا حقوق النشر.
• فقدان الوظائف نتيجة لتزايد استخدام الذكاء الاصطناعي لأتمتة مهام مكان العمل.
• مخاوف تتعلق بخصوصية البيانات، لا سيما في مجالات مثل الخدمات المصرفية والرعاية الصحية والقانونية التي تتعامل مع البيانات الشخصية الحساسة.

حوكمة الذكاء الاصطناعي واللوائح التنظيمية

على الرغم من المخاطر المحتملة، لا توجد حاليًا سوى لوائح قليلة تنظم استخدام أدوات الذكاء الاصطناعي، والعديد من القوانين القائمة تنطبق على الذكاء الاصطناعي بشكل غير مباشر لا صريح. فعلى سبيل المثال، كما ذُكر سابقًا، تتطلب لوائح الإقراض العادل في الولايات المتحدة، مثل قانون تكافؤ فرص الائتمان، من المؤسسات المالية شرح قرارات الائتمان للعملاء المحتملين. وهذا يحد من مدى قدرة المقرضين على استخدام خوارزميات التعلم العميق، التي تتسم بطبيعتها بالغموض وعدم إمكانية تفسيرها.

اتخذ الاتحاد الأوروبي خطوات استباقية في معالجة حوكمة الذكاء الاصطناعي. ويفرض نظام حماية البيانات العامة (GDPR) التابع للاتحاد الأوروبي قيودًا صارمة على كيفية استخدام الشركات لبيانات المستهلكين، مما يؤثر على تدريب ووظائف العديد من تطبيقات الذكاء الاصطناعي الموجهة للمستهلكين. إضافةً إلى ذلك، دخل قانون الذكاء الاصطناعي للاتحاد الأوروبي، الذي يهدف إلى وضع إطار تنظيمي شامل لتطوير ونشر الذكاء الاصطناعي، حيز التنفيذ في أغسطس 2024، ويفرض القانون مستويات متفاوتة من التنظيم على أنظمة الذكاء الاصطناعي بناءً على مستوى خطورتها، مع خضوع مجالات مثل القياسات الحيوية والبنية التحتية الحيوية لمزيد من التدقيق.

رغم التقدم الذي تحرزه الولايات المتحدة، إلا أنها لا تزال تفتقر إلى تشريع فيدرالي مُخصص يُضاهي قانون الذكاء الاصطناعي في الاتحاد الأوروبي. فلم يُصدر صناع السياسات بعدُ تشريعات شاملة بشأن الذكاء الاصطناعي، وتركز اللوائح الفيدرالية الحالية على حالات استخدام مُحددة وإدارة المخاطر، مُكمّلةً بمبادرات الولايات، ومع ذلك، قد تُرسّخ لوائح الاتحاد الأوروبي الأكثر صرامة معايير فعلية للشركات متعددة الجنسيات التي تتخذ من الولايات المتحدة مقرًا لها، على غرار تأثير اللائحة العامة لحماية البيانات (GDPR) على المشهد العالمي لخصوصية البيانات.

فيما يتعلق بتطورات سياسة الذكاء الاصطناعي في الولايات المتحدة، نشر مكتب سياسات العلوم والتكنولوجيا التابع للبيت الأبيض "خطة عمل لقانون حقوق الذكاء الاصطناعي" في أكتوبر 2022، موفراً إرشادات للشركات حول كيفية تطبيق أنظمة ذكاء اصطناعي أخلاقية. كما دعت غرفة التجارة الأمريكية إلى وضع لوائح تنظيمية للذكاء الاصطناعي في تقرير صدر في مارس 2023، مؤكدةً على ضرورة اتباع نهج متوازن يعزز المنافسة مع معالجة المخاطر.

في أكتوبر/تشرين الأول 2023، أصدر الرئيس بايدن أمرًا تنفيذيًا بشأن تطوير الذكاء الاصطناعي بشكل آمن ومسؤول، تضمن الأمر، من بين أمور أخرى، توجيه الوكالات الفيدرالية لاتخاذ إجراءات محددة لتقييم وإدارة مخاطر الذكاء الاصطناعي، وإلزام مطوري أنظمة الذكاء الاصطناعي المتقدمة بالإبلاغ عن نتائج اختبارات السلامة.

لن يكون وضع قوانين لتنظيم الذكاء الاصطناعي بالأمر الهين، ويعود ذلك جزئيًا إلى أن الذكاء الاصطناعي يشمل مجموعة متنوعة من التقنيات المستخدمة لأغراض مختلفة، وجزئيًا إلى أن القوانين قد تعيق تقدمه وتطوره، مما قد يثير ردود فعل سلبية من جانب القطاع، ويُعدّ التطور السريع لتقنيات الذكاء الاصطناعي عقبة أخرى أمام وضع قوانين فعّالة، فضلًا عن افتقار الذكاء الاصطناعي للشفافية، مما يُصعّب فهم كيفية وصول الخوارزميات إلى نتائجها، علاوة على ذلك، فإنّ الاختراقات التقنية والتطبيقات الجديدة، مثل ChatGPT وDall-E، قد تجعل القوانين الحالية بالية بسرع، وبالطبع، من غير المرجح أن تردع القوانين واللوائح الجهات الخبيثة عن استخدام الذكاء الاصطناعي لأغراض ضارة .

ما هو تاريخ الذكاء الاصطناعي؟

على مرّ القرون، استخدم مفكرون من أمثال الفيلسوف اليوناني أرسطو، وعالم اللاهوت الإسباني رامون لول من القرن الثالث عشر، والرياضي رينيه ديكارت، والإحصائي توماس بايز، أدوات ومنطق عصرهم لوصف عمليات التفكير البشري كرموز، وقد أرست أعمالهم الأساس لمفاهيم الذكاء الاصطناعي، مثل تمثيل المعرفة العامة والاستدلال المنطقي.

شهدت أواخر القرن التاسع عشر وأوائل القرن العشرين أعمالاً تأسيسية مهدت الطريق لظهور الحاسوب الحديث. ففي عام 1836، ابتكر عالم الرياضيات تشارلز باباج من جامعة كامبريدج، بالتعاون مع أوغستا آدا كينغ، كونتيسة لوفليس، أول تصميم لآلة قابلة للبرمجة، عُرفت باسم المحرك التحليلي، وضع باباج الخطوط العريضة لتصميم أول حاسوب ميكانيكي، بينما تنبأت لوفليس (التي تُعتبر غالباً أول مبرمجة حاسوب) بقدرة الآلة على تجاوز العمليات الحسابية البسيطة لتؤدي أي عملية يمكن وصفها خوارزمياً.

مع تقدم القرن العشرين، ساهمت التطورات الرئيسية في مجال الحوسبة في تشكيل المجال الذي سيصبح فيما بعد الذكاء الاصطناعي . ففي ثلاثينيات القرن العشرين، قدم عالم الرياضيات البريطاني وفكّ الشفرات خلال الحرب العالمية الثانية، آلان تورينج، مفهوم الآلة الشاملة القادرة على محاكاة أي آلة أخرى، وكانت نظرياته حاسمة في تطوير الحواسيب الرقمية، وفي نهاية المطاف، الذكاء الاصطناعي.

أربعينيات القرن العشرين

ابتكر عالم الرياضيات جون فون نيومان من جامعة برينستون بنية الحاسوب ذي البرنامج المخزن، وهي فكرة مفادها إمكانية حفظ برنامج الحاسوب والبيانات التي يعالجها في ذاكرة الحاسوب. وقدّم وارن ماكولوتش ووالتر بيتس نموذجًا رياضيًا للخلايا العصبية الاصطناعية، مما وضع الأساس للشبكات العصبية وغيرها من التطورات المستقبلية في مجال الذكاء الاصطناعي.

خمسينيات القرن العشرين

مع ظهور الحواسيب الحديثة، بدأ العلماء باختبار أفكارهم حول ذكاء الآلة. في عام 1950، ابتكر تورينج طريقة لتحديد ما إذا كان الحاسوب يتمتع بالذكاء، أطلق عليها اسم "لعبة المحاكاة"، ولكنها أصبحت تُعرف باسم " اختبار تورينج". يقيس هذا الاختبار قدرة الحاسوب على إقناع المحققين بأن إجاباته على أسئلتهم صادرة عن إنسان.

يُشار على نطاق واسع إلى أن مجال الذكاء الاصطناعي الحديث بدأ عام 1956 خلال مؤتمر صيفي في كلية دارتموث. وقد حضر المؤتمر، الذي رعته وكالة مشاريع البحوث الدفاعية المتقدمة، عشرة من أبرز الشخصيات في هذا المجال، بمن فيهم رواد الذكاء الاصطناعي مارفن مينسكي، وأوليفر سيلفريدج، وجون مكارثي، الذي يُنسب إليه صياغة مصطلح "الذكاء الاصطناعي". كما حضر المؤتمر أيضًا ألين نيويل، عالم الحاسوب، وهربرت أ. سيمون، الخبير الاقتصادي وعالم السياسة وعالم النفس المعرفي.

قدّم العالمان برنامجهما الرائد "منظر المنطق"، وهو برنامج حاسوبي قادر على إثبات بعض النظريات الرياضية، ويُشار إليه غالبًا بأنه أول برنامج ذكاء اصطناعي. بعد عام، في عام 1957، ابتكر نيويل وسيمون خوارزمية "حل المشكلات العامة"، التي، على الرغم من فشلها في حل المشكلات الأكثر تعقيدًا، أرست الأسس لتطوير بنى معرفية أكثر تطورًا.

ستينيات القرن العشرين

في أعقاب مؤتمر كلية دارتموث، توقع رواد مجال الذكاء الاصطناعي الناشئ أن الذكاء الاصطناعي المُصنّع بشريًا، والذي يُضاهي الدماغ البشري، بات وشيكًا، ما استقطب دعمًا حكوميًا وصناعيًا كبيرًا. وبالفعل، أثمرت قرابة عشرين عامًا من الأبحاث الأساسية الممولة تمويلًا جيدًا عن تطورات هائلة في مجال الذكاء الاصطناعي. فقد طوّر مكارثي لغة ليسب ، وهي لغة صُممت في الأصل لبرمجة الذكاء الاصطناعي، ولا تزال تُستخدم حتى اليوم. وفي منتصف الستينيات، طوّر البروفيسور جوزيف وايزنباوم من معهد ماساتشوستس للتكنولوجيا برنامج إليزا، وهو برنامج رائد في معالجة اللغة الطبيعية، وضع الأساس لبرامج الدردشة الآلية الحالية.

سبعينيات القرن العشرين

في سبعينيات القرن الماضي، كان تحقيق الذكاء الاصطناعي العام أمراً صعب المنال، وليس وشيكاً، نظراً لمحدودية قدرات معالجة البيانات وذاكرة الحاسوب، فضلاً عن تعقيد المشكلة. ونتيجةً لذلك، تراجع الدعم الحكومي والشركاتي لأبحاث الذكاء الاصطناعي، مما أدى إلى فترة ركود امتدت من عام 1974 إلى عام 1980 عُرفت باسم " شتاء الذكاء الاصطناعي الأول ". وخلال هذه الفترة، شهد مجال الذكاء الاصطناعي الناشئ انخفاضاً ملحوظاً في التمويل والاهتمام.

ثمانينيات القرن العشرين

في ثمانينيات القرن الماضي، أشعلت الأبحاث حول تقنيات التعلم العميق واعتماد الصناعة لأنظمة الخبراء التي وضعها إدوارد فيجنباوم موجة جديدة من الحماس للذكاء الاصطناعي. طُبقت أنظمة الخبراء، التي تستخدم برامج قائمة على القواعد لمحاكاة عملية اتخاذ القرار لدى الخبراء البشريين، على مهام مثل التحليل المالي والتشخيص السريري. مع ذلك، ونظرًا لارتفاع تكلفة هذه الأنظمة ومحدودية قدراتها، كان انتعاش الذكاء الاصطناعي قصير الأجل، أعقبه انهيار آخر في التمويل الحكومي ودعم الصناعة. استمرت هذه الفترة من انخفاض الاهتمام والاستثمار، والمعروفة باسم "الشتاء الثاني للذكاء الاصطناعي"، حتى منتصف تسعينيات القرن الماضي.

تسعينيات القرن العشرين

أدى ازدياد القدرة الحاسوبية والكم الهائل من البيانات إلى نهضة في مجال الذكاء الاصطناعي في منتصف التسعينيات، مما مهد الطريق للتقدم المذهل الذي نشهده اليوم. وقد ساهم الجمع بين البيانات الضخمة والقدرة الحاسوبية المتزايدة في تحقيق طفرات نوعية في معالجة اللغات الطبيعية، ورؤية الحاسوب، والروبوتات، والتعلم الآلي، والتعلم العميق. وشهد عام 1997 إنجازًا بارزًا عندما هزم برنامج "ديب بلو" كاسباروف، ليصبح أول برنامج حاسوبي يهزم بطل العالم في الشطرنج.

العقد الأول من القرن الحادي والعشرين

أدت التطورات اللاحقة في مجالات التعلم الآلي، والتعلم العميق، ومعالجة اللغات الطبيعية، والتعرف على الكلام، ورؤية الحاسوب، إلى ظهور منتجات وخدمات شكلت أسلوب حياتنا اليوم. ومن أبرز هذه التطورات إطلاق محرك بحث جوجل عام 2000، وإطلاق محرك توصيات أمازون عام 2001.

وفي العقد الأول من الألفية الثانية أيضاً، طورت نتفليكس نظامها لتوصيات الأفلام، وقدمت فيسبوك نظامها للتعرف على الوجوه، وأطلقت مايكروسوفت نظامها للتعرف على الكلام لتحويل الصوت إلى نص. كما أطلقت آي بي إم نظام واتسون للإجابة على الأسئلة، وبدأت جوجل مبادرتها للسيارات ذاتية القيادة، وايمو.

عقد 2010

شهد العقد الممتد بين عامي 2010 و2020 تطورات متواصلة في مجال الذكاء الاصطناعي. وشملت هذه التطورات إطلاق مساعدي الصوت سيري من آبل وأليكسا من أمازون، وفوز نظام واتسون من آي بي إم في برنامج جيباردي ، وتطوير ميزات القيادة الذاتية للسيارات، وتطبيق أنظمة الذكاء الاصطناعي التي تكشف عن السرطانات بدقة عالية. كما تم تطوير أول شبكة توليدية تنافسية، وأطلقت جوجل إطار عمل TensorFlow، وهو إطار عمل مفتوح المصدر للتعلم الآلي يُستخدم على نطاق واسع في تطوير الذكاء الاصطناعي.

شهد عام 2012 إنجازًا هامًا مع إطلاق شبكة AlexNet الرائدة، وهي شبكة عصبية التفافية ساهمت بشكل كبير في تطوير مجال التعرف على الصور ونشر استخدام وحدات معالجة الرسومات (GPUs) لتدريب نماذج الذكاء الاصطناعي. وفي عام 2016، تغلب نموذج AlphaGo التابع لشركة Google DeepMind على بطل العالم في لعبة Go، لي سيدول، مُظهرًا قدرة الذكاء الاصطناعي على إتقان الألعاب الاستراتيجية المعقدة. وشهد العام السابق تأسيس مختبر الأبحاث OpenAI، الذي حقق تقدمًا ملحوظًا في النصف الثاني من ذلك العقد في مجال التعلم المعزز ومعالجة اللغات الطبيعية.

عقد 2020

هيمنت تقنية الذكاء الاصطناعي التوليدي على العقد الحالي حتى الآن، حيث تستطيع إنتاج محتوى جديد بناءً على مدخلات المستخدم. غالبًا ما تكون هذه المدخلات نصية، ولكنها قد تكون أيضًا صورًا أو مقاطع فيديو أو مخططات تصميم أو موسيقى أو أي مدخلات أخرى يمكن لنظام الذكاء الاصطناعي معالجتها. ويتراوح المحتوى الناتج بين المقالات وشروحات حل المشكلات والصور الواقعية المستندة إلى صور شخصية.

في عام 2020، أطلقت OpenAI النسخة الثالثة من نموذجها اللغوي GPT، لكن هذه التقنية لم تنتشر على نطاق واسع حتى عام 2022. في ذلك العام، بدأت موجة الذكاء الاصطناعي التوليدي مع إطلاق مولدات الصور Dall-E 2 وMidjourney في أبريل ويوليو على التوالي. وبلغ الحماس ذروته مع الإطلاق الرسمي لـ ChatGPT في نوفمبر من العام نفسه.

استجاب منافسو OpenAI سريعًا لإطلاق ChatGPT بإطلاق روبوتات محادثة منافسة تعتمد على التعلم القائم على التعلم الآلي، مثل Claude من Anthropic وGemini من Google. وتبعتها مولدات الصوت والفيديو مثل ElevenLabs وRunway في عامي 2023 و2024.

لا تزال تقنية الذكاء الاصطناعي التوليدي في مراحلها الأولى، ويتضح ذلك من ميلها المستمر إلى التخمين والبحث المتواصل عن تطبيقات عملية وفعّالة من حيث التكلفة. ومع ذلك، فقد أدخلت هذه التطورات الذكاء الاصطناعي إلى النقاش العام بطريقة جديدة، مما أثار مزيجًا من الحماس والقلق.

أدوات وخدمات الذكاء الاصطناعي: التطور والأنظمة البيئية

تتطور أدوات وخدمات الذكاء الاصطناعي بوتيرة متسارعة. ويمكن تتبع الابتكارات الحالية إلى شبكة AlexNet العصبية التي ظهرت عام 2012، والتي دشنت عهداً جديداً من الذكاء الاصطناعي عالي الأداء المبني على وحدات معالجة الرسومات (GPUs) ومجموعات البيانات الضخمة. وكان التقدم الرئيسي هو اكتشاف إمكانية تدريب الشبكات العصبية على كميات هائلة من البيانات عبر نوى متعددة لوحدات معالجة الرسومات بالتوازي، مما جعل عملية التدريب أكثر قابلية للتوسع.

في القرن الحادي والعشرين، نشأت علاقة تكافلية بين التطورات الخوارزمية في مؤسسات مثل جوجل ومايكروسوفت وOpenAI، من جهة، والابتكارات في مجال الأجهزة التي روجت لها شركات البنية التحتية مثل Nvidia، من جهة أخرى. وقد أتاحت هذه التطورات تشغيل نماذج ذكاء اصطناعي أكبر حجمًا على وحدات معالجة رسومية (GPUs) أكثر اتصالًا، مما أدى إلى تحسينات جذرية في الأداء وقابلية التوسع. وكان التعاون بين رواد الذكاء الاصطناعي هؤلاء حاسمًا لنجاح ChatGPT، فضلًا عن عشرات الخدمات الأخرى الرائدة في مجال الذكاء الاصطناعي. فيما يلي بعض الأمثلة على الابتكارات التي تقود تطور أدوات وخدمات الذكاء الاصطناعي.

المحولات

كانت جوجل رائدةً في إيجاد عملية أكثر كفاءة لتوفير تدريب الذكاء الاصطناعي عبر مجموعات كبيرة من أجهزة الكمبيوتر الشخصية المزودة بوحدات معالجة رسومية. وقد مهّد هذا بدوره الطريق لاكتشاف المحولات، التي تُؤتمت العديد من جوانب تدريب الذكاء الاصطناعي على البيانات غير المصنفة. في ورقة بحثية نُشرت عام 2017 بعنوان "الانتباه هو كل ما تحتاجه"، قدّم باحثو جوجل بنيةً جديدةً تستخدم آليات الانتباه الذاتي لتحسين أداء النموذج في مجموعة واسعة من مهام معالجة اللغة الطبيعية، مثل الترجمة وتوليد النصوص والتلخيص. وكانت بنية المحولات هذه أساسيةً لتطوير نماذج التعلم اللغوي المعاصرة، بما في ذلك ChatGPT.

تحسين الأجهزة

لا تقل أهمية المكونات المادية عن أهمية البنية الخوارزمية في تطوير ذكاء اصطناعي فعال وكفؤ وقابل للتوسع. فقد أصبحت وحدات معالجة الرسومات (GPUs)، المصممة أصلاً لعرض الرسومات، ضرورية لمعالجة مجموعات البيانات الضخمة. كما ساهمت وحدات معالجة الموترات ووحدات المعالجة العصبية ، المصممة خصيصاً للتعلم العميق، في تسريع تدريب نماذج الذكاء الاصطناعي المعقدة. وقد قامت شركات مثل Nvidia بتحسين الشفرة الدقيقة لتشغيلها على عدة أنوية لوحدات معالجة الرسومات بالتوازي لأكثر الخوارزميات شيوعاً، وتعمل شركات تصنيع الرقائق أيضاً مع كبرى شركات الحوسبة السحابية لجعل هذه الإمكانية متاحة على نطاق أوسع كخدمة ذكاء اصطناعي (AIaaS) من خلال نماذج البنية التحتية كخدمة (IaaS) والبرمجيات كخدمة (SaaS) والمنصة كخدمة (PaaS).

المحولات المُدرَّبة مسبقًا والمولدة والضبط الدقيق

شهدت بنية الذكاء الاصطناعي تطوراً سريعاً خلال السنوات القليلة الماضية. ففي السابق، كان على المؤسسات تدريب نماذج الذكاء الاصطناعي الخاصة بها من الصفر. أما الآن، فيوفر موردون مثل OpenAI وNvidia ومايكروسوفت وجوجل نماذج تحويلية توليدية مدربة مسبقاً (GPTs) يمكن ضبطها بدقة لمهام محددة بتكاليف وخبرات ووقت أقل بكثير.

خدمات الذكاء الاصطناعي السحابية والتعلم الآلي التلقائي

يُعدّ تعقيد مهام هندسة البيانات وعلومها، اللازمة لدمج قدرات الذكاء الاصطناعي في التطبيقات الجديدة أو القائمة، أحد أكبر العقبات التي تحول دون استخدام المؤسسات للذكاء الاصطناعي بفعالية. وتقوم جميع شركات الحوسبة السحابية الرائدة بإطلاق عروض ذكاء اصطناعي كخدمة (AIaaS) تحمل علاماتها التجارية لتبسيط إعداد البيانات وتطوير النماذج ونشر التطبيقات. ومن أبرز الأمثلة على ذلك: Amazon AI ، وGoogle AI ، وMicrosoft Azure AI وAzure ML، و IBM Watson ، وميزات الذكاء الاصطناعي في Oracle Cloud .

وبالمثل، يقدم مزودو الخدمات السحابية الرئيسيون وغيرهم من البائعين منصات التعلم الآلي المؤتمت (AutoML) لأتمتة العديد من خطوات تطوير التعلم الآلي والذكاء الاصطناعي. تعمل أدوات (AutoML) على إتاحة إمكانيات الذكاء الاصطناعي للجميع وتحسين كفاءة عمليات نشره.

نماذج الذكاء الاصطناعي المتطورة كخدمة

يُقدّم كبار مطوري نماذج الذكاء الاصطناعي نماذج متطورة تُضاف إلى خدمات الحوسبة السحابية. تمتلك OpenAI العديد من نماذج التعلم الآلي المُحسّنة للمحادثات، ومعالجة اللغة الطبيعية، والوسائط المتعددة، وتوليد التعليمات البرمجية، والتي يتم توفيرها عبر Azure. أما Nvidia، فقد انتهجت نهجًا أكثر مرونةً في التعامل مع مختلف مزودي خدمات الحوسبة السحابية، حيث تُقدّم بنية تحتية للذكاء الاصطناعي ونماذج أساسية مُحسّنة للنصوص والصور والبيانات الطبية عبر جميع مزودي الخدمات السحابية. كما تُقدّم العديد من الشركات الصغيرة نماذج مُخصصة لمختلف القطاعات وحالات الاستخدام.

الخلاصة

يعمل الذكاء الاصطناعي من خلال دمج البيانات والخوارزميات ونماذج التعلم لأتمتة القرارات، واكتشاف الأنماط، وتحسين النتائج على نطاق واسع في الأنظمة الواقعية.

يُعدّ الذكاء الاصطناعي المحدود جزءًا لا يتجزأ من التكنولوجيا اليومية وسير العمل في مختلف القطاعات، بينما لا يزال الذكاء الاصطناعي العام نظريًا وقيد البحث.

يُقدّم الذكاء الاصطناعي الحديث قيمة ملموسة من خلال التحليل الأسرع، والتنبؤات الأفضل، والأتمتة، ودعم اتخاذ القرارات، ولكنه لا يزال يتطلب بيانات عالية الجودة، وبنية تحتية قوية، وإشرافًا دقيقًا.

يتجه مستقبل الذكاء الاصطناعي نحو مزيد من الاستقلالية، وزيادة التكامل مع الحوسبة السحابية والحافة، وحوكمة أفضل، وبالتالي، سيُعامل التصميم المسؤول على قدم المساواة مع القدرات التقنية.

عادةً ما تبدأ المسيرة المهنية في مجال الذكاء الاصطناعي بتعلم البرمجة، والإحصاءات الأساسية، ومفاهيم التعلم الآلي، يليها تطبيق عملي من خلال مشاريع وحالات استخدام حقيقية.

الأسئلة الشائعة

ما هو الذكاء الاصطناعي ببساطة؟

الذكاء الاصطناعي هو استخدام الآلات للتفكير والتعلم واتخاذ القرارات التي تتطلب عادةً ذكاءً بشريًا.

ما هي أنواع الذكاء الاصطناعي الشائعة؟

الأنواع الشائعة هي: الآلات التفاعلية، والذكاء الاصطناعي ذو الذاكرة المحدودة، والذكاء الاصطناعي القائم على نظرية العقل، والذكاء الاصطناعي الواعي بذاته، مع العلم أن النوعين الأولين فقط هما الموجودان حاليًا.

كيف يعمل الذكاء الاصطناعي؟

يتعلم الذكاء الاصطناعي الأنماط من البيانات باستخدام الخوارزميات والنماذج، ثم يطبق هذه الأنماط للتنبؤ أو اتخاذ القرارات.

ما الفرق بين الذكاء الاصطناعي والتعلم الآلي؟

الذكاء الاصطناعي هو المفهوم الأوسع للآلات الذكية، بينما التعلم الآلي هو أسلوب يتعلم فيه الذكاء الاصطناعي من البيانات بدلًا من القواعد الثابتة.

هل الذكاء الاصطناعي مفيد أم ضار للبشرية؟

الذكاء الاصطناعي محايد في جوهره، ويعتمد تأثيره بشكل أكبر على مدى مسؤولية تصميمه واستخدامه وتنظيمه.

هل يمكن للذكاء الاصطناعي أن يحل محل الوظائف البشرية تمامًا؟

يستطيع الذكاء الاصطناعي أتمتة مهام محددة، لكن من المرجح أن يُغير الوظائف بدلًا من أن يحل محل البشر كليًا.

ما هي بعض الأمثلة اليومية للذكاء الاصطناعي؟

هناك العديد من تطبيقات الذكاء الاصطناعي في الحياة اليومية، بما في ذلك المساعدون الصوتيون، وأنظمة التوصية، وتطبيقات الملاحة، وفلاتر البريد العشوائي، والتعرف على الوجوه.

كيف يُستخدم الذكاء الاصطناعي في الرعاية الصحية؟

يساعد الذكاء الاصطناعي في تحليل الصور الطبية، والتنبؤ بالأمراض، والمساعدة في التشخيص، ودعم تخطيط العلاج.

ما هي مخاطر الذكاء الاصطناعي؟

تتمثل عوامل الخطر الرئيسية في التقييمات المتحيزة، وقضايا الخصوصية، وإساءة استخدام الأتمتة، والاعتماد الكامل على أنظمة الحاسوب دون إشراف بشري.

هل يستطيع الذكاء الاصطناعي التفكير كالإنسان؟

الإجابة الصحيحة "لا". يستطيع الذكاء الاصطناعي محاكاة بعض السلوكيات، لكنه يفتقر إلى الوعي البشري، والعواطف، والفهم السليم.

ما هو مستقبل الذكاء الاصطناعي؟

من المتوقع أن يصبح الذكاء الاصطناعي أكثر استقلالية، وأكثر اندماجًا في الأنظمة اليومية، وأكثر تنظيمًا في مختلف القطاعات.

كيف يمكنني تعلم الذكاء الاصطناعي؟

يمكنك البدء بتعلم البرمجة التمهيدية، ثم الالتحاق بدورات إضافية وإنجاز مشاريع عملية لدراسة علم البيانات، والتعلم الآلي، ومفاهيم الذكاء الاصطناعي.

هل يُشكل الذكاء الاصطناعي خطرًا على البشرية؟

الذكاء الاصطناعي ليس خطيرًا بطبيعته، ولكن سوء التصميم، أو الاستخدام غير الأخلاقي، أو سوء التطبيق قد يُشكل مخاطر جسيمة.

ما هي القطاعات الأكثر استخدامًا للذكاء الاصطناعي؟

يُستخدم الذكاء الاصطناعي على نطاق واسع في قطاعات التكنولوجيا، والرعاية الصحية، والتمويل، والتصنيع، والتجزئة، والنقل، وهي أكبر القطاعات المُستهلكة للذكاء الاصطناعي اليوم.