TechCrunch ينشر دليلاً لمصطلحات الذكاء الاصطناعي: ما هي LLM والهلوسة وRAG

لم يجلب ازدهار الذكاء الاصطناعي في الفترة 2024–2026 منتجات وإمكانات جديدة فحسب، بل جلب معه طبقة كاملة من المصطلحات المتخصصة التي يسهل التوهان فيها. فعبارات مثل LLM وRAG والهلوسة والتوكنات والضبط الدقيق (fine-tuning) والبرومبتات (prompts) تتردد باطراد في الأخبار والعروض التقديمية والمفاوضات التجارية، بينما يظل فهم أغلب الناس لها ضبابياً. وقد نشر TechCrunch قاموساً مفصلاً يشرح المفاهيم الأساسية في عصر الذكاء الاصطناعي، من البنية الأساسية إلى التقنيات التطبيقية للتعامل مع النماذج.

تقوم معظم أنظمة الذكاء الاصطناعي الحديثة على النماذج اللغوية الكبيرة LLM (Large Language Model). وهي شبكات عصبية دُرّبت على كميات ضخمة من النصوص. وهي لا «تفهم» اللغة بالمعنى البشري، لكنها قادرة على توليد إجابات معقولة إحصائياً عن أي استعلام. والوحدة الأساسية التي يعمل بها النموذج هي التوكن (token): نحو ثلاثة إلى أربعة أحرف، أو جزء من كلمة، أو علامة ترقيم. ويعالج GPT-4o ما يصل إلى 128 000 توكن دفعة واحدة، أي ما يعادل نحو 300 صفحة من النص. وكلما اتسعت نافذة السياق (context window)، زادت المعلومات التي يستطيع النموذج أخذها في الحسبان عند صياغة إجابته.

ومن أبرز عيوب النماذج اللغوية الكبيرة الهلوسة (hallucinations). ويُقصد بها الحالات التي يقدّم فيها النموذج معلومات خاطئة من حيث الوقائع بثقة تامة: اقتباسات مختلقة، ومصادر غير موجودة، وتواريخ زائفة. وهذا ليس «كذباً» بالمعنى الأخلاقي، فالنموذج ببساطة يولّد نصاً يبدو معقولاً دون أن تكون لديه آلية مدمجة للتحقق من الوقائع.

ولمواجهة الهلوسة جرى تطوير أسلوب RAG (Retrieval-Augmented Generation)، وفيه يبحث النظام قبل توليد الإجابة عن مقاطع ذات صلة في قاعدة بيانات حقيقية ويستند إليها. وبهذا المبدأ تعمل اليوم كثير من المساعدات المؤسسية المعتمدة على الذكاء الاصطناعي ومحركات البحث من الجيل الجديد.

عندما يحتاج النموذج الأساسي إلى تخصص ما، يُعاد تدريبه على بيانات محدودة النطاق. وتسمى هذه العملية الضبط الدقيق (fine-tuning): يتعلم النموذج الإجابة بالأسلوب المطلوب، أو في موضوع متخصص، أو ضمن صيغة محددة. أما النهج الأيسر منالاً فهو هندسة البرومبت (prompt engineering): أي الصياغة الماهرة للاستعلامات بما يتيح الحصول على النتيجة المرجوة دون إعادة تدريب النموذج.

وثمة فئة مستقلة سريعة النمو من الأنظمة هي وكلاء الذكاء الاصطناعي (AI agents): فهي لا تكتفي بالإجابة عن الأسئلة، بل تخطط لسلاسل من الإجراءات وتنفذها، فتبحث عن المعلومات على الإنترنت، وتشغّل الشيفرة البرمجية، وتدير الملفات والمتصفح. ومن أشهر الأمثلة Claude Computer Use وOpenAI Operator.

ومن المصطلحات الرئيسية الأخرى: المعاملات (parameters)، وهي «أوزان» رقمية في الشبكة العصبية تحدد سلوكها (ويتجاوز الحجم التقديري لـ GPT-4 تريليون معامل)؛ والاستدلال (inference)، وهو عملية الحصول على إجابة من نموذج مدرَّب في الوقت الفعلي، وهو ما يحدد سرعة خدمات الذكاء الاصطناعي وتكلفتها؛ والتضمينات (embeddings)، وهي تمثيلات رقمية للكلمات والنصوص تتيح قياس التقارب الدلالي بين المفاهيم. أما تعدد الوسائط (multimodality) فيعني قدرة النموذج على العمل في آن واحد مع عدة أنواع من البيانات: النصوص والصور والصوت والفيديو.

لم يعد فهم المفردات الأساسية للذكاء الاصطناعي حكراً على المطورين، بل أصبح ضرورة للمديرين والمستثمرين والصحفيين وكل من يعمل بجوار هذه التقنية. والمصطلحات في ازدياد مستمر: فكل فئة جديدة من النماذج تأتي بمصطلحاتها، مثل الأنظمة متعددة الوكلاء، والبيانات الاصطناعية، والاستدلال المتدفق (streaming inference). لكن من يتقن النواة، أي LLM والتوكنات والهلوسة وRAG والضبط الدقيق والوكلاء، يستطيع التنقل بثقة في معظم المنشورات والأحاديث عن الذكاء الاصطناعي.