شرح الذكاء الاصطناعي التوليدي (GenAI)

الذكاء الاصطناعي التوليدي هو نوع من أدوات الذكاء الاصطناعي التي تُنشئ صورًا ونصوصًا وفيديوهات ووسائط أخرى استجابةً لمدخلات المستخدم. وقد اكتسبت مولدات الذكاء الاصطناعي، مثل ChatGPT، شعبيةً واسعةً لقدرتها على إنجاز المهام التي تستغرق وقتًا طويلًا. تعرّف على تعريف الذكاء الاصطناعي التوليدي، وكيف يختلف عن الذكاء الاصطناعي التقليدي، ومزايا هذه التقنية الجديدة وحدودها.

ما هو الذكاء الاصطناعي التوليدي؟

الذكاء الاصطناعي (GenAI) التوليدي هو نظام من الخوارزميات أو العمليات الحاسوبية القادرة على إنشاء مخرجات جديدة في النصوص أو الصور أو غيرها من الوسائط بناءً على طلبات المستخدمين. يُنشئ هذه الأنظمة مبرمجون يُدرّبونها على مجموعات بيانات ضخمة. يتعلم الذكاء الاصطناعي من خلال اكتشاف الأنماط في البيانات، ثم يُقدّم مخرجات جديدة لاستفسارات المستخدمين استنادًا إلى هذه النتائج.

تتميز أنظمة الذكاء الاصطناعي التوليدي عن غيرها من أنظمة الذكاء الاصطناعي بقدرتها على إنشاء مخرجات جديدة. على سبيل المثال، يمكن لأنظمة الذكاء الاصطناعي التنبؤية في الهواتف الذكية اقتراح رد قصير وشائع على البريد الإلكتروني من خلال تحليل النص المُستلم والاستعانة بمجموعة من الردود الشائعة. أما أنظمة الذكاء الاصطناعي التوليدي، التي تستخدم نموذجًا لغويًا ضخمًا، فتتجاوز ذلك لتوفير معلومات جديدة للمستخدمين بناءً على أسئلتهم أو طلباتهم.

تعتمد أنظمة الذكاء الاصطناعي التوليدي النصية على نماذج لغوية ضخمة، وهي عبارة عن خوارزميات احتمالية هائلة تستخدم مجموعة كبيرة من النصوص للتنبؤ بتسلسلات الكلمات المحتملة. وقد تعتمد أنظمة الذكاء الاصطناعي التوليدي الأخرى على الصور أو الأصوات أيضًا.

ما الفرق بين الذكاء الاصطناعي والذكاء الاصطناعي التوليدي؟

الذكاء الاصطناعي التوليدي هو فرع من فروع الذكاء الاصطناعي، والذي يُعرَّف أساسًا بأنه السعي إلى ابتكار آلات قادرة على إظهار (أو تجاوز) الذكاء البشري. يركز الذكاء الاصطناعي التوليدي على بناء نماذج توليدية قادرة على إنتاج محتوى متنوع، بما في ذلك نصوص وصور ومقاطع صوتية تُحاكي المحتوى البشري. لذا، بينما يُصمَّم الذكاء الاصطناعي عادةً لأداء مجموعة محدودة من المهام بشكل متكرر، يستطيع الذكاء الاصطناعي التوليدي إنتاج محتوى أصلي استجابةً لمدخلات المستخدم المختلفة.

نبذة تاريخية عن الذكاء الاصطناعي التوليدي

انتشر مصطلح "الذكاء الاصطناعي التوليدي" على نطاق واسع في الوعي العام خلال العقد الثالث من القرن الحادي والعشرين، إلا أن الذكاء الاصطناعي التوليدي كان جزءًا من حياتنا لعقود، وتستند تقنية الذكاء الاصطناعي التوليدي الحالية إلى إنجازات رائدة في مجال التعلم الآلي تعود إلى أوائل القرن العشرين. ويمكن أن يتضمن تاريخ الذكاء الاصطناعي التوليدي، على سبيل المثال لا الحصر، بعض التواريخ التالية:

• في عام 1964، قام عالم الحاسوب - جوزيف وايزنباوم - من معهد ماساتشوستس للتكنولوجيا بتطوير برنامج إليزا، وهو تطبيق لمعالجة اللغة الطبيعية يعتمد على النصوص. كان إليزا في الأساس أول برنامج دردشة آلي، حيث استخدم نصوصًا تعتمد على مطابقة الأنماط للاستجابة لمدخلات اللغة الطبيعية المكتوبة بردود نصية متعاطفة.
• في عام 1999: قامت شركة Nvidia بشحن GeoForce، أول وحدة معالجة رسومية. تم تطوير وحدات معالجة الرسوميات في الأصل لتقديم رسومات متحركة سلسة لألعاب الفيديو، وأصبحت المنصة الفعلية لتطوير نماذج الذكاء الاصطناعي وتعدين العملات المشفرة.
• في عام 2004، ظهرت ميزة الإكمال التلقائي من جوجل لأول مرة، حيث كانت تولد كلمات أو عبارات محتملة أثناء إدخال المستخدمين لعبارات البحث. ويستند المثال الحديث نسبياً للذكاء الاصطناعي التوليدي إلى سلسلة ماركوف، وهو نموذج رياضي طُوِّر عام 1906.
• في عام 2013: ظهور أول أجهزة التشفير التلقائي المتغيرة (VAEs).
• في عام 2014: ظهور أولى الشبكات التوليدية التنافسية (GANs) ونماذج الانتشار.
• في عام 2017: قام "أشيش فاسواني"، وفريق في جوجل برين، ومجموعة من جامعة "تورنتو" بنشر ورقة بحثية بعنوان "الاهتمام هو كل ما تحتاجه"، والتي توثق مبادئ نماذج المحولات، والتي تم الاعتراف بها على نطاق واسع باعتبارها تمكينًا لأقوى نماذج الأساس وأدوات الذكاء الاصطناعي التوليدية التي يتم تطويرها اليوم.
• 2019-2020: أطلقت OpenAI نماذج اللغة الكبيرة GPT (المحولات المدربة مسبقًا) الخاصة بها، GPT-2 و GPT-3.
• في عام 2022: قدمت OpenAI برنامج ChatGPT، وهو واجهة أمامية لـ GPT-3 تقوم بإنشاء جمل معقدة ومتماسكة وسياقية ومحتوى طويل استجابةً لطلبات المستخدم النهائي.

مع شهرة ChatGPT وشعبيته التي فتحت فعلياً الأبواب على مصراعيها، جاءت تطورات الذكاء الاصطناعي التوليدي وإصدارات المنتجات بوتيرة محمومة، بما في ذلك إصدارات Google Bard (الآن Gemini) وMicrosoft Copilot وIBM watsonx.ai ونموذج اللغة الكبير مفتوح المصدر Llama-2 من Meta.

كيف يعمل الذكاء الاصطناعي التوليدي؟

الآلية الأساسية (التدريب والاستدلال)

يتم تدريب الذكاء الاصطناعي التوليدي على مجموعات بيانات ضخمة، مثل النصوص والصور والصوت والفيديو، باستخدام شبكات التعلم العميق. خلال التدريب، يتعلم النموذج معلمات (بالملايين أو المليارات منها) تساعده على التنبؤ بالمحتوى أو توليده. هنا، تُنتج النماذج مخرجات بناءً على الأنماط المُتعلمة والمُدخلات المُقدمة.

حسب نوع الوسائط

• النصوص: تستخدم نماذج لغوية ضخمة (LLMs) للتنبؤ بالكلمة التالية في التسلسل، مما يُتيح توليد فقرات أو مقالات متماسكة.
• الصور: تبدأ نماذج الانتشار، مثل DALL·E أو الانتشار المستقر، بالضوضاء وتُزيلها بشكل متكرر لإنشاء صور واقعية.
• الكلام: تُركّب نماذج تحويل النص إلى كلام صوتًا يُشبه صوت الإنسان من خلال نمذجة الخصائص الصوتية بناءً على المُدخلات.
• الفيديو: تقوم أنظمة الوسائط المتعددة، مثل Sora من OpenAI أو Runway، بإنشاء مقاطع فيديو قصيرة ومتناسقة زمنيًا من النصوص أو غيرها من المدخلات.

الوكلاء في الذكاء الاصطناعي

غالبًا ما تستخدم الأنظمة الحديثة وكلاء، وهم مكونات مستقلة تتفاعل مع البيئة، وتجمع المعلومات، وتنفذ سلاسل من المهام. يستخدم هؤلاء الوكلاء نماذج التعلم المنطقي (LLMs) للاستدلال والتخطيط والتنفيذ، مما يُمكّن سير العمل، مثل الاستعلام عن قواعد البيانات، واسترجاع المعلومات، والتحكم في واجهات برمجة التطبيقات الخارجية.

التدريب والضبط الدقيق

تُدرَّب نماذج التعلم المنطقي (LLMs) على مجموعات بيانات عامة ضخمة (مثل نصوص الويب) باستخدام أساليب التعلم الذاتي. تصبح هذه النماذج نماذج مُدرَّبة مسبقًا، ويمكن تدريبها لاحقًا على بيانات مُصنَّفة خاصة بمجال معين للتكيف مع مهام متخصصة أو احتياجات أسلوبية محددة. تُسمى هذه التقنية بالضبط الدقيق، ويمكن تطبيقها باستخدام:

• LoRA
• QLoRA
• Peft
• التعلم المعزز من خلال التغذية الراجعة البشرية (RLHF)
• تقطير LLM

التوليد المُعزز بالاسترجاع (RAG)

تستخدم الأنظمة الحديثة أيضًا تقنية RAG التي تُحسّن المخرجات من خلال استرجاع المستندات ذات الصلة عند الاستعلام، مما يُرسّخ عملية التوليد على معلومات دقيقة ومُحدّثة، ويُقلل من التشويش، ويُحسّن من دقة المعلومات. تتضمن هذه العملية عادةً ما يلي:

• فهرسة المستندات في تمثيلات مُضمّنة مُخزّنة في قواعد بيانات متجهة.
• استرجاع المقاطع ذات الصلة.
• إضافة المحتوى المُسترجع إلى المُوجّه.
• توليد استجابات مُستندة إلى معلومات دقيقة ومُستنيرة.

يحافظ هذا النهج على النموذج الأساسي مع تمكين تحديثات المعرفة الديناميكية.

أنواع نماذج الذكاء الاصطناعي التوليدي

نماذج المحولات أو النماذج الانحدارية الذاتية

• تُنشئ نماذج المحولات الانحدارية الذاتية تسلسلات من خلال التنبؤ بالرمز التالي بناءً على جميع الرموز السابقة، وذلك بالتحرك خطوة بخطوة عبر النص.
• يعتمد هذا التصميم على آلية الانتباه الذاتي للمحول لاستخلاص السياق من المدخلات الكاملة حتى الآن، مما يجعله فعالاً للغاية في توليد اللغة الطبيعية والبرمجة.
• من الأمثلة الشائعة نماذج GPT التي يمكنها إنتاج فقرات متماسكة وواعية بالسياق، وحل مهام البرمجة، أو الإجابة على استفسارات معقدة.
• يُتيح النهج الانحداري الذاتي تحكمًا دقيقًا في كل خطوة من خطوات الإخراج، ولكنه قد يكون أبطأ في عمليات التوليد الطويلة نظرًا لتوليد الرموز واحدًا تلو الآخر.

نماذج الانتشار

• تُنشئ نماذج الانتشار بيانات مثل الصور أو الصوت بالبدء بضوضاء عشوائية بحتة، ثم تحسينها تدريجيًا إلى مخرجات متماسكة من خلال سلسلة من خطوات إزالة الضوضاء.
• تعكس كل خطوة عملية انتشار مُحاكاة أُضيفت فيها ضوضاء إلى البيانات الحقيقية أثناء التدريب.
• يمكن لهذا النهج التكراري إنتاج نتائج عالية الدقة والواقعية، خاصةً في مجال توليف الصور، حيث وضعت نماذج مثل Stable Diffusion وDALL·E 3 معايير قياسية.
• تتميز نماذج الانتشار أيضًا بتعدد استخداماتها، إذ يمكن تكييفها لترميم الصور، ونقل الأنماط، والتوليد المشروط من النصوص.

المشفرات التلقائية المتغيرة (VAEs) والشبكات التوليدية التنافسية (GANs)

• كانت VAEs وGANs من أوائل بنى التعلم العميق المستخدمة في مهام التوليد.
• تقوم VAE بتشفير البيانات في فضاء كامن مضغوط، ثم تعيد فك تشفيرها مع تعديل احتمالي يشجع على تمثيلات سلسة ومتصلة. وهذا ما يجعلها مناسبة للتوليد القابل للتحكم والاستيفاء بين الأنماط.
• في المقابل، تستخدم GANs شبكتين متنافستين: مولد يسعى لإنتاج مخرجات واقعية، ومميز يسعى لاكتشاف الصور المزيفة.
• يؤدي هذا الإعداد التنافسي إلى صور حادة ونابضة بالحياة، على الرغم من أن التدريب قد يكون غير مستقر وعرضة لانهيار الأنماط.

نماذج التشفير وفك التشفير

• تتكون بنية التشفير وفك التشفير من مرحلتين: يقوم المُشفِّر بمعالجة المدخلات وتحويلها إلى تمثيل كثيف، بينما يقوم المُفكِّك بتوليد المخرجات المطلوبة من هذا التمثيل.
• تُستخدم هذه النماذج على نطاق واسع في مهام التسلسل، مثل الترجمة اللغوية، والتلخيص، وشرح الصور.
• يستوعب المُشفِّر السياق الكامل للمدخلات قبل أن يبدأ المُفكِّك بإنتاج الرموز، مما يُتيح أداءً عاليًا في المهام التي تتطلب فهمًا شاملًا بدلًا من التنبؤ بالرمز رمزًا رمزًا.
• غالبًا ما تستخدم نماذج التشفير وفك التشفير الحديثة المحولات في كلتا المرحلتين، كما هو الحال في نظام T5 ونظام BART والعديد من أنظمة النقل متعددة الوسائط.

مولدات الذكاء الاصطناعي الشائعة

تتوفر العديد من منصات الذكاء الاصطناعي التوليدية التي يمكنك التعرف عليها. قد تجدها مفيدة لأتمتة بعض العمليات في سير عملك.

• ChatGPT: يعتمد نموذج اللغة هذا على بنية GPT لتوليد نصوص تُحاكي ما يكتبه الإنسان. يُعدّ رفيقًا مفيدًا في البحث والاستراتيجية وإنشاء المحتوى.
• DALL-E3: يُولّد هذا النموذج صورًا من نصوص مُدخلة، مما يُمكّن المبدعين من إنشاء رسومات توضيحية نابضة بالحياة وفنون مفاهيمية تُكمّل التسويق بالمحتوى.
• Microsoft Copilot: هذا النموذج، المُستند إلى ChatGPT، مُدمج في مجموعة تطبيقات الإنتاجية الشهيرة من مايكروسوفت، وهو مُتاح أيضًا كمنتج مُستقل.
• Google Gemini: يُعدّ Gemini ردّ جوجل على ChatGPT، وهو مُدمج في مجموعة تطبيقات الإنتاجية الخاصة بجوجل، كما يُمكن الوصول إليه كبرنامج دردشة آلي مُستقل.

تطبيقات الذكاء الاصطناعي التوليدي

يُطبَّق الذكاء الاصطناعي التوليدي في مجالات متعددة، منها:

• النصوص: يُستخدم في روبوتات الدردشة، والمساعدين الافتراضيين، وإنشاء المحتوى، وتلخيص المستندات، وحتى أدوات توليد التعليمات البرمجية مثل GitHub Copilot.
• الصور: يُستخدم في الفن الرقمي، وتصميم المنتجات، والأزياء، والإعلان، والتصوير الطبي لإنشاء صور مرئية تُحاكي الواقع.
• الصوت والكلام: يُتيح مساعدين صوتيين طبيعيين، ودبلجة متعددة اللغات، وتأليف الموسيقى، واستنساخ الصوت المُخصَّص، وأدوات تسهيل الوصول.
• الفيديو: يدعم الرسوم المتحركة، والمؤثرات الخاصة للأفلام، والألعاب، ومقاطع الفيديو التسويقية، ومحاكاة التدريب الواقعية.
• حالات الاستخدام في الأعمال: يُحسِّن دعم العملاء باستخدام وكلاء الذكاء الاصطناعي، ويُعزِّز اكتشاف المعرفة باستخدام أنظمة RAG، ويُسرِّع اكتشاف الأدوية، ويُساعد في التنبؤ المالي، ويُحسِّن عملية اتخاذ القرارات القائمة على البيانات.

أمثلة على الذكاء الاصطناعي التوليدي

استخدم الأمثلة أدناه لفهم الطرق المختلفة التي يمكنك من خلالها استخدام الذكاء الاصطناعي التوليدي.

• كتابة المحتوى أو تحسينه من خلال إنشاء مسودة نصية بأسلوب أو طول محددين.
• إضافة ترجمة أو دبلجة المحتوى التعليمي والأفلام وغيرها من المحتويات بلغات مختلفة.
• كتابة ملخصات وسير ذاتية وأبحاث وغيرها.
• استلام رمز برمجي عام لتعديله أو تحسينه.
• تلخيص المقالات ورسائل البريد الإلكتروني والتقارير.
• تحسين مقاطع الفيديو التوضيحية أو الشروحات.
• إنشاء موسيقى بنبرة أو أسلوب محددين.

للذكاء الاصطناعي التوليدي العديد من حالات الاستخدام التي يمكن أن تُحسّن طريقة عملنا، من خلال تسريع عملية إنشاء المحتوى أو تقليل الجهد المبذول في صياغة مخطط أولي لاستبيان أو بريد إلكتروني. مع ذلك، فإن للذكاء الاصطناعي التوليدي أيضًا قيودًا قد تُثير القلق إذا لم يتم تنظيمه.

العلاقة بين الإنسان والذكاء الاصطناعي التوليدي

• العلاقة بين الإنسان والذكاء الاصطناعي التوليدي علاقة تعاونية ومتطورة.
• يُعدّ الذكاء الاصطناعي التوليدي أداةً فعّالة تُعزز الإبداع البشري والإنتاجية واتخاذ القرارات من خلال المساعدة في مهام مثل الكتابة والتصميم والبرمجة وحل المشكلات.
• بدلاً من أن يحلّ محلّ الإنسان، يُعزز الذكاء الاصطناعي التوليدي قدراته، مما يُتيح له العمل بسرعة أكبر، واستكشاف أفكار جديدة، وأتمتة المهام المتكررة.
• في الوقت نفسه، تُثير هذه العلاقة تساؤلات مهمة حول الأخلاقيات وحقوق الملكية الفكرية والتبعية، مما يُؤكد على ضرورة الاستخدام المدروس والتطوير المسؤول لتقنيات الذكاء الاصطناعي.
• في نهاية المطاف، يمتلك التآزر بين الحدس البشري وقدرات الذكاء الاصطناعي التوليدي القدرة على إحداث تحول جذري في كيفية إبداعنا وتواصلنا وابتكارنا.

مزايا وعيوب الذكاء الاصطناعي التوليدي

كما هو الحال مع أي تقنية جديدة، للذكاء الاصطناعي التوليدي مزايا وعيوب. فعلى سبيل المثال، مع قدرته على العمل بلغات متعددة، مما يجعله مفيدًا عالميًا، إلا أنه قد يُعطي إجابات غير دقيقة أو معلومات خاطئة. لذا، من المهم فهم أخلاقيات الذكاء الاصطناعي.

دعونا نستعرض بعض المزايا والعيوب الأخرى التي يجب مراعاتها عند استخدام الذكاء الاصطناعي التوليدي في عملك.

مزايا الذكاء الاصطناعي التوليدي

تشمل بعض مزايا الذكاء الاصطناعي التوليدي ما يلي:

• تسريع البحث والتطوير: في مجالات مثل العلوم والتكنولوجيا، يقلل الذكاء الاصطناعي التوليدي الوقت اللازم للبحث من خلال توليد نتائج وتنبؤات متعددة، مثل البنى الجزيئية في تطوير الأدوية. وهذا يُسرّع الابتكار ويساعد على حل المشكلات المعقدة بكفاءة.
• تحسين التخصيص: يُنشئ الذكاء الاصطناعي التوليدي محتوى مُصممًا خصيصًا بناءً على تفضيلات المستخدم. بدءًا من تصميمات المنتجات المُخصصة وصولًا إلى الحملات التسويقية المُخصصة، فإنه يُعزز تفاعل المستخدم ورضاه من خلال تقديم ما يحتاجه أو يرغب فيه بالضبط.
• تمكين غير المتخصصين: حتى المستخدمون غير المتخصصين يمكنهم إنشاء محتوى عالي الجودة باستخدام الذكاء الاصطناعي التوليدي. وهذا يُساعد الأفراد على تعلم مهارات جديدة، والوصول إلى أدوات إبداعية، وفتح آفاق للنمو الشخصي والمهني.
• دفع النمو الاقتصادي: يُقدم الذكاء الاصطناعي التوليدي أدوارًا وفرصًا جديدة من خلال تعزيز الابتكار، وأتمتة المهام، وتحسين الإنتاجية. وهذا يؤدي إلى التوسع الاقتصادي وخلق فرص عمل في المجالات الناشئة.

عيوب الذكاء الاصطناعي التوليدي

تشمل بعض عيوب الذكاء الاصطناعي التوليدي ما يلي:

• الاعتماد على البيانات: تعتمد دقة وجودة مخرجات الذكاء الاصطناعي التوليدي كليًا على البيانات التي يتم تدريبه عليها. إذا كانت بيانات التدريب متحيزة أو غير مكتملة أو غير دقيقة، فسيعكس المحتوى المُنشأ هذه العيوب.
• محدودية التحكم في المخرجات: قد ينتج عنها نتائج غير متوقعة أو غير ذات صلة، مما يجعل التحكم في المحتوى وضمان توافقه مع متطلبات المستخدمين أمرًا صعبًا.
• متطلبات حسابية عالية: يتطلب تدريب وتشغيل نماذج الذكاء الاصطناعي التوليدي قدرة حاسوبية كبيرة، وهو ما قد يكون مكلفًا ويستهلك موارد كثيرة. وهذا يحد من إمكانية الوصول إليها بالنسبة للمؤسسات الصغيرة أو الأفراد.
• مخاوف أخلاقية وقانونية: يمكن إساءة استخدامها لإنشاء محتوى ضار مثل التزييف العميق أو الأخبار الكاذبة، مما قد ينشر معلومات مضللة أو ينتهك الخصوصية. تتطلب هذه التحديات الأخلاقية والقانونية تنظيمًا ورقابة دقيقين لمنع إساءة الاستخدام.

تقييم الذكاء الاصطناعي التوليدي

يتضمن تقييم الذكاء الاصطناعي التوليدي أبعادًا متعددة، إذ يمكن أن تختلف مخرجاته في الدقة والأسلوب والفائدة تبعًا للمهمة. تشمل الجوانب الرئيسية ما يلي:

• دقة المعلومات وتجنب الهلوسة: تقيّم معايير مثل BEIR والأسئلة الطبيعية صحة المعلومات. تعمل تقنيات مثل RAG والضبط الدقيق على تقليل الهلوسة وترسيخ الاستجابات في بيانات موثوقة.
• معايير الجودة: تُقيّم المخرجات بناءً على السلاسة والترابط والاتساق المنطقي والملاءمة السياقية. من المعايير الشائعة الاستخدام BLEU وROUGE وMETEOR وFID وIS.
• موازنة الكفاءة والدقة: تساعد تقنيتا LoRA وQLoRA في تحقيق التوازن بين الأداء والتكلفة الحسابية، مما يجعل النماذج أسرع وأخف وزنًا دون المساس بالجودة.
• مقاومة تشويش الاسترجاع: تعمل الأساليب المتقدمة مثل "Finetune-RAG" على تحسين دقة النموذج من خلال تدريبه على التعامل مع مدخلات الاسترجاع غير الكاملة، وبالتالي زيادة موثوقية المعلومات.
• الإبداع والتنوع: ينبغي أن تُنتج النماذج مخرجات متنوعة وأصلية بدلاً من المخرجات المتكررة أو المتحيزة.
• التحيز والإنصاف: يشمل التقييم التحقق مما إذا كانت المخرجات تعكس صورًا نمطية ضارة أو معاملة غير عادلة للفئات. تقيس أدوات مثل Bias Benchmark for QA (BBQ) وStereoSet مستويات التحيز.
• تجربة المستخدم والفائدة: بالإضافة إلى المقاييس التقنية، تُقاس الفعالية بمدى جودة دعم النظام للمستخدمين في سيناريوهات واقعية، مثل روبوتات الدردشة التي تُقدم استجابات مناسبة وقابلة للتنفيذ.

مستقبل الذكاء الاصطناعي التوليدي

ساهم العمق والسهولة المذهلان لتقنية ChatGPT في الانتشار الواسع للذكاء الاصطناعي التوليدي. ومع ذلك، أظهر هذا الانتشار السريع لتطبيقات الذكاء الاصطناعي التوليدي بعض الصعوبات التي تواجه نشر هذه التقنية بأمان ومسؤولية وبأفضل النتائج. فعلى الرغم من وعود تقنيات الذكاء الاصطناعي التوليدي بتغيير جذري في أساليب العمل، لا تزال المؤسسات في المراحل الأولى من تقييم جاهزيتها للذكاء الاصطناعي واستكشاف كيفية مساهمة قدرات الذكاء الاصطناعي التوليدي في تحسين النتائج وخفض التكاليف مقارنةً بالأساليب التقليدية. علاوة على ذلك، تواجه الأساليب الحالية للذكاء الاصطناعي التوليدي عقبةً تتمثل في التكلفة الباهظة اللازمة لتحسين الأداء والدقة. كما يواجه الذكاء الاصطناعي التوليدي صعوبةً في التعامل مع الأسئلة التي تتطلب توليفًا غير مُدمج في نموذج لغته، وذلك لافتقاره إلى اللغة اللازمة لإجراء هذه الخطوة المنهجية، وهي خطوة يقوم بها البشر بسهولة.

لكن هذه المشكلات والقيود المبكرة في التنفيذ حفزت أيضًا البحث عن أدوات أفضل. إنه مجال ديناميكي وطموح للغاية. يجرب موردو ومطورو الذكاء الاصطناعي أطر عمل جديدة للذكاء الاصطناعي الوكيل، مثل AutoGPT، التي تستخدم ربط المطالبات لربط نماذج GenAI متعددة الأغراض لتحسين الدقة وتقليل الهلوسات. وفي أحدث التقنيات، تطبق مناهج جديدة للذكاء الاصطناعي الفيزيائي، كما هو الحال في منصتي Nvidia Omniverse و Cosmos ، تقنيات GenAI لتحليل العالم المادي.

علاوة على ذلك، ساهمت شعبية أدوات الذكاء الاصطناعي التوليدي، مثل Midjourney وStable Diffusion و Gemini وChatGPT، في ظهور عدد لا حصر له من الدورات التدريبية على جميع مستويات الخبرة ، ويهدف الكثير منها إلى مساعدة المطورين على إنشاء تطبيقات ذكاء اصطناعي أفضل. بينما يركز البعض الآخر على مساعدة مستخدمي الأعمال على تطبيق هذه التقنية الجديدة بفعالية أكبر في جميع أنحاء المؤسسة. وفي مرحلة ما، سيعمل القطاع الصناعي والمجتمع أيضاً على تطوير أدوات أفضل لتتبع مصدر المعلومات، بهدف إنشاء ذكاء اصطناعي أكثر موثوقية.

في غضون ذلك، سيستمر الذكاء الاصطناعي التوليدي في التطور، محققًا تقدمًا في مجالات الترجمة، واكتشاف الأدوية، وكشف الحالات الشاذة، وإنتاج محتوى جديد، بدءًا من النصوص والفيديوهات وصولًا إلى تصميم الأزياء والموسيقى. وعلى الرغم من جودة الأدوات الجديدة المخصصة، فإن التأثير الأكبر للذكاء الاصطناعي التوليدي سيأتي من دمج هذه القدرات مباشرةً في الأدوات التي نستخدمها بالفعل. ستدمج أدوات التصميم بسلاسة توصيات أكثر فائدة في سير عملنا. وستتمكن أدوات التدريب من تحديد أفضل الممارسات تلقائيًا في أي قسم من أقسام المؤسسة، مما يساعد على تدريب الموظفين الآخرين بكفاءة أكبر. هذه مجرد أمثلة قليلة على الطرق التي سيغير بها الذكاء الاصطناعي التوليدي ما نقوم به في المستقبل القريب.

يصعب التنبؤ بتأثير الذكاء الاصطناعي التوليدي في المستقبل. ولكن مع استمرارنا في تسخير هذه الأدوات لأتمتة المهام البشرية وتعزيزها، سنجد أنفسنا حتماً مضطرين لإعادة تقييم طبيعة الخبرة البشرية وقيمتها.

الأسئلة الشائعة حول الذكاء الاصطناعي التوليدي

فيما يلي بعض الأسئلة الشائعة التي يطرحها الناس حول الذكاء الاصطناعي التوليدي.

من ابتكر الذكاء الاصطناعي التوليدي؟

ابتكر جوزيف وايزنباوم أول نظام ذكاء اصطناعي توليدي في الستينيات كجزء من برنامج الدردشة الآلي إليزا.

أظهر إيان غودفيلو في عام 2014 استخدام الشبكات التوليدية التنافسية لتوليد أشخاص ذوي مظهر وصوت واقعيين.

أدت الأبحاث اللاحقة في نماذج التعلم الآلي من OpenAI و Google إلى إثارة الحماس الأخير الذي تطور إلى أدوات مثل ChatGPT و Google Gemini و Dall-E.

ما الفرق بين نماذج اللغة الكبيرة والذكاء الاصطناعي التوليدي؟

نماذج اللغة الكبيرة هي نوع من الذكاء الاصطناعي التوليدي المصمم للمهام اللغوية، مثل توليد النصوص، وطرح الأسئلة والإجابة عليها، والتلخيص. يشمل هذا النوع من الذكاء الاصطناعي مجموعة متنوعة من بنى النماذج وأنواع البيانات، بما في ذلك الفيديو والصور والصوت. تعرف على المزيد حول الاختلافات بينهما في هذه المقالة التي تقارن بين نماذج اللغة الكبيرة والذكاء الاصطناعي التوليدي .

كيف تبني نموذج ذكاء اصطناعي توليدي؟

يبدأ نموذج الذكاء الاصطناعي التوليدي بترميز تمثيل لما تريد توليده بكفاءة. على سبيل المثال، قد يبدأ نموذج الذكاء الاصطناعي التوليدي للنصوص بإيجاد طريقة لتمثيل الكلمات كمتجهات تُحدد التشابه بين الكلمات التي تُستخدم غالبًا في الجملة نفسها أو التي تحمل معاني متشابهة.

ساهم التقدم الأخير في أبحاث التعلم الآلي في تمكين الصناعة من تطبيق نفس العملية لتمثيل الأنماط الموجودة في الصور والأصوات والبروتينات والحمض النووي والأدوية والتصاميم ثلاثية الأبعاد. يوفر نموذج الذكاء الاصطناعي التوليدي هذا طريقة فعالة لتمثيل نوع المحتوى المطلوب، مع إمكانية التكرار الفعال للتنويعات المفيدة.

كيف يتم تدريب نموذج الذكاء الاصطناعي التوليدي؟

يحتاج نموذج الذكاء الاصطناعي التوليدي إلى التدريب لحالة استخدام محددة. ويُوفر التقدم الأخير في نماذج التعلم الآلي نقطة انطلاق مثالية لتخصيص التطبيقات لحالات استخدام مختلفة. على سبيل المثال، استُخدم نموذج GPT الشهير الذي طورته OpenAI لكتابة النصوص، وتوليد التعليمات البرمجية، وإنشاء الصور بناءً على الأوصاف المكتوبة.

يتضمن التدريب ضبط معايير النموذج لحالات استخدام مختلفة، ثم تحسين النتائج باستخدام مجموعة بيانات تدريبية محددة. على سبيل المثال، قد يقوم مركز اتصال بتدريب روبوت محادثة على أنواع الأسئلة التي يتلقاها وكلاء الذكاء الاصطناعي من مختلف أنواع العملاء، وعلى الردود التي يقدمها وكلاء الخدمة. أما تطبيق توليد الصور، على عكس تطبيق النصوص، فقد يبدأ بتصنيفات تصف محتوى الصور وأسلوبها لتدريب النموذج على توليد صور جديدة.

كيف يمكن للذكاء الاصطناعي التوليدي أن يحل محل الوظائف؟

تتمتع تقنيات الذكاء الاصطناعي التوليدي بإمكانية استبدال العديد من الوظائف . فيما يلي عينة من أنواع الوظائف المعرضة لتأثير الذكاء الاصطناعي التوليدي:

• كتاب المحتوى، وخاصة أولئك الذين يكتبون محتوى نمطيًا مثل أوصاف المنتجات، ومحتوى التسويق الأساسي، والملخصات، والمراجعات.
• مصممو الجرافيك ومنشئو المحتوى المرئي.
• خدمة العملاء والدعم الفني.
• أعمال معالجة البيانات، بما في ذلك إدخال البيانات وتحليلها وجدولتها.
• وظائف تطوير البرمجيات، بما في ذلك توليد التعليمات البرمجية واختبار البرمجيات.

ستبحث بعض الشركات عن فرص لاستبدال البشر حيثما أمكن، بينما ستستخدم شركات أخرى الذكاء الاصطناعي التوليدي لتعزيز وتحسين القوى العاملة الحالية لديها.

كيف يُغيّر الذكاء الاصطناعي التوليدي العمل الإبداعي؟

يُبشّر الذكاء الاصطناعي التوليدي بمساعدة المبدعين على استكشاف تنويعات الأفكار. قد يبدأ الفنانون بمفهوم تصميم أساسي ثم يستكشفون تنويعاته. ويمكن للمصممين الصناعيين استكشاف تنويعات المنتجات. كما يمكن للمهندسين المعماريين استكشاف تخطيطات المباني المختلفة وتصوّرها كنقطة انطلاق لمزيد من التطوير.

قد يُسهم ذلك أيضاً في إتاحة بعض جوانب العمل الإبداعي للجميع. على سبيل المثال، يمكن لمستخدمي الأعمال استكشاف صور تسويق المنتجات باستخدام أوصاف نصية، كما يمكنهم تحسين هذه النتائج باستخدام أوامر أو اقتراحات بسيطة.

يمكن لأدوات إنشاء البودكاست مثل NotebookLM من جوجل تحويل مواقع الويب وملفات PDF والمقابلات ومقاطع الفيديو الحالية إلى بودكاست تفاعلي للموظفين والعملاء.