شرح Habr AI لماذا يُعد الذكاء الاصطناعي أوسع من الشبكات العصبية وكيف تُصنَّف أنواعه

أصدرت Habr AI تحليلاً مفيداً لكل من يساوي تلقائياً بين الذكاء الاصطناعي والشبكات العصبية. الفكرة الرئيسية بسيطة: الذكاء الاصطناعي فئة أوسع، والشبكات العصبية مجرد نهج واحد ضمنها.

ما يعتبر ذكاء اصطناعي

يبدأ المؤلف بتعريف أساسي: النظام التقني الذكي هو الذي يحل المهام مع الأخذ في الاعتبار العوامل الخارجية وقادر على التكيف مع الشروط الجديدة. غير أن هذا غير كافٍ. المعيار المهم هو التعلم دون إعادة كتابة الكود الأصلي. إذا كان النظام لا ينفذ مجرد سيناريو محدد مسبقاً، بل يحصل على معارف جديدة وبناءً عليها يتقن فئات جديدة من المهام، فإننا نتحدث عن ذكاء اصطناعي أكمل، وليس مجرد أتمتة عادية.

"الذكاء هو القدرة على حل المهام المكلف بها، مع مراعاة العوامل الخارجية".

يتم التركيز بشكل خاص على الفرق بين البيانات والمعرفة. يمكن تخزين البيانات وفرزها ومعالجتها بشكل ميكانيكي، لكنها في حد ذاتها لا تعني الفهم. المعرفة في هذا المنطق هي معلومات يقبلها النظام كحقيقية ويمكن استخدامها لاستنتاج حلول جديدة. من هذا يتبع تمييز عملي مهم: بعض أنظمة الذكاء الاصطناعي تتدرب يدوياً، عندما يضيف البشر معارف إليها، وأخرى قادرة على اكتشاف الأنماط بشكل مستقل، معتمدة على مجموعات البيانات أو مصادر خارجية.

ما أنواع الذكاء الاصطناعي الموجودة

بعد تحديد المصطلحات، تسرد Habr AI أربعة نهج رئيسية تندرج غالباً تحت المظلة العامة للذكاء الاصطناعي. تم بناؤها بطرق مختلفة، وتتطلب بنية تحتية مختلفة، وتناسب بشكل أفضل أنواعاً مختلفة من المهام. في حالة واحدة، يتعلم النظام من كميات ضخمة من البيانات، وفي أخرى يعتمد على معارف وقواعد محددة بشكل صريح، وفي الثالثة، ينشأ السلوك المعقول من التفاعل الجماعي للعناصر البسيطة. لهذا السبب، مقارنة جميع حلول الذكاء الاصطناعي ببعضها البعض كفئة واحدة من التكنولوجيا ليست دقيقة جداً.

• الشبكات العصبية — نماذج ذاتية التعلم تجد أنماطاً في مجموعات بيانات ضخمة وتعمل بشكل جيد مع النصوص والصور والكلام.
• الشبكات الدلالية — رسوم بيانية للمعرفة حيث يتم تحديد المفاهيم والعلاقات بينها بشكل صريح حتى يتمكن النظام من إجراء استنتاجات منطقية.
• الأنظمة الناشئة — نهج يظهر فيه السلوك المعقد من تفاعل عناصر بسيطة عديدة بدون مركز تحكم واحد.
• الأنظمة الخبيرة — مجموعات من القواعد والحقائق التي تحاكي استدلال متخصص في مجال موضوعي محدد.

ما يجمعها ليس البنية الداخلية، بل الفكرة نفسها: يجب ألا يقتصر النظام على تخزين التعليمات، بل استخدام المعرفة لحل المهام في بيئة متغيرة. لذلك، الذكاء الاصطناعي لا يقتصر على النماذج التوليدية والدردشة الآلية. محركات البحث التي تحتوي على رسوم بيانية للمعرفة، والأنظمة التشخيصية القائمة على القواعد، وخوارزميات الحشود للتحسين تنتمي أيضاً إلى هذا المجال، على الرغم من أنها خارجياً لا تشبه كثيراً منتجات الشبكات العصبية المألوفة.

نقاط القوة والضعف

لكل نهج توازنه الخاص بين المرونة والقابلية للشرح والتكلفة. تتسع الشبكات العصبية بشكل جيد للبيانات المعقدة وغير المنظمة، لكنها تعمل كصندوق أسود: يمكن تقييم النتيجة، لكن عملية الاستدلال بعيدة عن أن تكون دائماً واضحة. علاوة على ذلك، تتطلب موارد حسابية ضخمة وأوقات تدريب طويلة وعملاً حذراً مع جودة البيانات، وإلا فإن خطر الأخطاء والهلوسات يزداد.

الأنظمة الدلالية والخبيرة، من ناحية أخرى، أسهل في الشرح والسيطرة. يمكنك تتبع سلسلة الاستدلال، فهم السبب في استنتاج معين، وإضافة معارف جديدة نقطة بنقطة. السعر لهذا هو كثافة عمل صيانة عالية.

كلما اتسع المجال الموضوعي، كلما أصعب بناء رسم بياني للعلاقات يدوياً أو تحديث قاعدة القواعد. النهج الناشئ مثير للاهتمام لقدرته على الصمود والتنظيم الذاتي، لكن سلوكه يصعب التنبؤ به مقدماً: كلما زاد عدد العناصر البسيطة المتفاعلة، أصبح من الأصعب تصحيح النظام الناتج وضمان النتيجة المرغوبة.

ماذا يعني هذا

يعتبر مادة Habr AI تذكيراً جيداً بحقيقة أساسية: الحديث عن الذكاء الاصطناعي يصبح أكثر دقة إذا ميزت بين النهج بدلاً من استدعاء أي برنامج "ذكي" شبكة عصبية. بالنسبة للمطورين والشركات، هذا إطار مفيد: تتطلب بعض المهام مكدساً توليدياً، وتتطلب أخرى رسم بياني للمعرفة أو قواعد أو نظام هجين يجمع عدة طرق في نفس الوقت.