أطلقت TechCrunch دليلاً حول مصطلحات الذكاء الاصطناعي: ما هي نماذج اللغة الكبيرة والهلوسات و RAG

طفرة الذكاء الاصطناعي في الفترة 2024–2026 لم تأتِ فقط بمنتجات وقدرات جديدة، بل أتت أيضاً بطبقة كاملة من المصطلحات المهنية التي يسهل الالتباس فيها. LLM و RAG والهلوسات والرموز والضبط الدقيق والمحفزات — هذه الكلمات تظهر بشكل متزايد في الأخبار والعروض التقديمية والمفاوضات التجارية، لكن فهم معظم الناس لها يبقى غامضاً. نشرت TechCrunch قاموساً مفصلاً يشرح المفاهيم الأساسية لعصر الذكاء الاصطناعي — من البنية الأساسية إلى التقنيات التطبيقية للعمل مع النماذج.

تقع نماذج اللغة الكبيرة — LLM (Large Language Model) في أساس معظم أنظمة الذكاء الاصطناعي الحديثة. هذه شبكات عصبية تم تدريبها على كميات ضخمة من النصوص. لا تفهم اللغة بالمعنى الإنساني، لكنها قادرة على توليد إجابات معقولة إحصائياً على أي استفسارات.

الوحدة الأساسية التي يعمل معها نموذج اللغة الكبير هي الرمز: ما يقرب من ثلاثة إلى أربعة أحرف، أو جزء من كلمة، أو علامة ترقيم. يعالج GPT-4o حتى 128,000 رمز في المرة الواحدة — حوالي 300 صفحة من النص. كلما زاد حجم نافذة السياق (context window)، زادت المعلومات التي يمكن للنموذج أخذها في الاعتبار عند صياغة الإجابة.

أحد أهم أوجه القصور في نماذج اللغة الكبيرة هو الهلوسات. يُقصد بهذا المواقف التي ينتج فيها النموذج معلومات غير صحيحة بكل ثقة: اقتباسات مختلقة، مصادر غير موجودة، تواريخ كاذبة. هذا ليس «كذباً» بالمعنى الأخلاقي — النموذج يولد ببساطة نصاً يبدو معقولاً دون أن تكون لديه آلية مدمجة للتحقق من الحقائق.

للتعامل مع الهلوسات، تم تطوير طريقة RAG (Retrieval-Augmented Generation): قبل توليد إجابة، يبحث النظام عن أجزاء ذات صلة في قاعدة بيانات حقيقية ويعتمد عليها. تعمل العديد من مساعدات الذكاء الاصطناعي للشركات ومحركات البحث من الجيل الجديد وفقاً لهذا المبدأ اليوم. عندما يحتاج النموذج الأساسي إلى تخصص، يتم تدريبه بشكل إضافي على بيانات متخصصة.

تسمى هذه العملية الضبط الدقيق (fine-tuning): يتعلم النموذج الإجابة بالأسلوب المطلوب، حول موضوعات متخصصة أو ضمن صيغة محددة. نهج أكثر سهولة في الوصول هو هندسة المحفزات (prompt engineering): صياغة الطلبات بذكاء لتحقيق النتيجة المرغوبة دون إعادة تدريب النموذج. فئة منفصلة وسريعة النمو هي وكلاء الذكاء الاصطناعي (AI agents): لا يقتصرون على الإجابة على الأسئلة، بل يخططون وينفذون سلاسل من الإجراءات — البحث عن معلومات على الإنترنت وتشغيل الأكواد وإدارة الملفات والمتصفحات.

الأمثلة الأكثر شهرة هي Claude Computer Use و OpenAI Operator. من بين المصطلحات الأساسية الأخرى: المعاملات (parameters) — «أوزان» عددية لشبكة عصبية تحدد سلوكها (يُقدر حجم معاملات GPT-4 بأنه يتجاوز تريليون معامل)؛ الاستدلال (inference) — عملية الحصول على إجابة من نموذج مدرب في الوقت الفعلي، وهذا ما يحدد سرعة وتكلفة خدمات الذكاء الاصطناعي؛ التضمينات (embeddings) — التمثيلات العددية للكلمات والنصوص التي تسمح بقياس القرب الدلالي للمفاهيم. تعني متعددة الأنماط (multimodality) القدرة على أن يعمل النموذج في نفس الوقت مع أنواع متعددة من البيانات: النصوص والصور والصوت والفيديو.

إن فهم المفردات الأساسية للذكاء الاصطناعي لم يعد حكراً على المطورين — أصبح ضرورة للمديرين والمستثمرين والصحفيين وجميع من يعملون مع هذه التكنولوجيا. يستمر المصطلح في التوسع: تأتي كل فئة جديدة من النماذج بمصطلحاتها الخاصة — الأنظمة متعددة الوكلاء والبيانات الاصطناعية والاستدلال بالبث. لكن بإتقان الأساسيات — نماذج اللغة الكبيرة والرموز والهلوسات و RAG والضبط الدقيق والوكلاء — يمكنك التنقل بثقة عبر معظم المنشورات والحوارات حول الذكاء الاصطناعي.