كيف تعمل نماذج Generative AI من الداخل؟

في الدرس الأول فهمنا ما هو Generative AI. الآن نذهب إلى الداخل: كيف يفهم النموذج النص؟ كيف يتعلم؟ كيف يُنشئ الإجابة؟ وما الذي يجعل هذه النماذج تحتاج لقدرات حوسبة هائلة؟ هذا الدرس يُجيب على هذه الأسئلة بأسلوب واضح، دون الحاجة لخلفية رياضية أو تقنية.

ما هي الشبكة العصبية الاصطناعية (Neural Network)؟

الشبكة العصبية الاصطناعية (Neural Network) هي نظام حوسبي مستوحى من بنية الدماغ البشري — لكنها لا تُقلّده بالكامل، بل تستعير منه فكرة مركزية: معالجة المعلومات عبر طبقات متعددة من الوحدات المترابطة.

كل وحدة في الشبكة تُسمى "عصبوناً اصطناعياً" (Neuron). يتلقى كل عصبون مُدخلات، يُجري عليها عملية رياضية بسيطة، ثم يُمرّر النتيجة للعصبونات التالية. تُشكّل هذه الوحدات مجتمعةً طبقات متسلسلة تمر من خلالها البيانات.

ما يُميّز هذه الشبكات هو قدرتها على التعلم: عندما تُخطئ الشبكة في توقّع مخرج، يتم ضبط قوة الاتصالات بين العصبونات تلقائياً حتى تتحسّن الدقة. هذا يحدث ملايين المرات خلال التدريب.

ما هو التعلم العميق (Deep Learning)؟

التعلم العميق (Deep Learning) هو تطبيق شبكات عصبية عميقة — أي شبكات تحتوي على عدد كبير من الطبقات المتراكبة. "العمق" هنا يقصد به عمق البنية، ليس تعقيد المفهوم.

ما الذي يمنحه هذا العمق؟ القدرة على تعلّم أنماط معقدة جداً لا يمكن التعبير عنها بقواعد يدوية. في الشبكات الضحلة (Shallow Networks)، كل شيء يجب أن يُبرمج صراحةً. في Deep Learning، تكتشف الشبكة الأنماط بنفسها — حتى تلك التي لم يتوقعها المصممون.

ما هو Transformer ولماذا هو مهم جداً؟

Transformer هو نوع محدد من بنى الشبكات العصبية طُوِّر عام 2017 في ورقة بحثية شهيرة بعنوان "Attention is All You Need" نشرتها Google. منذ ذلك الحين، أصبح الأساس الذي تقوم عليه كل نماذج Generative AI الكبيرة مثل GPT وGemini وClaude وLlama.

ما الذي يجعل Transformer مختلفاً؟

المشكلة التي حلّها Transformer: كيف يفهم النموذج العلاقات بين الكلمات البعيدة عن بعضها في الجملة؟

مثال: في جملة "البنك الذي بنيته من الحجارة صغير جداً" — كلمة "بنيته" تعود على "البنك" لكنهما متباعدتان. النماذج القديمة كانت تُعاني في فهم هذا النوع من الروابط. Transformer حلّ هذه المشكلة عبر آلية تُسمى Self-Attention.

ما هي آلية Self-Attention؟

Self-Attention هي آلية تساعد النموذج على تحديد أيّ الكلمات أكثر أهمية عند معالجة كل كلمة في الجملة. عند معالجة كلمة معينة، "ينظر" النموذج إلى جميع الكلمات الأخرى ويُحدّد درجة ارتباط كل منها بها.

النتيجة: نماذج Transformer تفهم السياق الطويل والعلاقات المعقدة في النص أفضل بكثير من أي بنية سبقتها.

ما هو Token وكيف يُفكّك النموذج النص؟

النماذج لا تقرأ النص كما يقرأه الإنسان — حرفاً بحرف أو كلمةً بكلمة. بدلاً من ذلك، تُقسّمه إلى وحدات أصغر تُسمى Tokens.

Token قد يكون:

• كلمة كاملة مثل: "الذكاء"
• جزء من كلمة مثل: "اصط" + "ناعي"
• علامة ترقيم مثل: "." أو "،"
• مسافة + كلمة مجتمعتين

مثال توضيحي: جملة "Generative AI is powerful" قد تُقسَّم إلى:

ما هو Embedding؟ كيف يُمثّل النموذج المعنى رياضياً؟

الكمبيوتر لا يفهم الكلمات كما يفهمها الإنسان. لكي يعالج النموذج النص، يحوّل كل Token إلى متجه رقمي (Vector) يُسمى Embedding.

الفكرة الجوهرية في Embeddings: الكلمات ذات المعنى المتقارب تكون متجهاتها متقاربة في الفضاء الرياضي. فمثلاً، "ملك" و"رئيس" سيكونان أقرب إلى بعضهما من "ملك" و"تفاحة".

في نماذج Generative AI الحديثة، لا يُمثّل Embedding الكلمات فقط، بل يُمثّل الجمل والفقرات والمفاهيم بأكملها — مما يُتيح مقارنة المعاني بدقة عالية. وهذا أساس تقنية RAG (Retrieval-Augmented Generation) التي سنشرحها في الدرس الخامس.

ما هو السياق (Context) في نماذج اللغة؟

السياق (Context) هو كل ما يراه النموذج عند توليد الإجابة — المحادثة السابقة، التعليمات، الوثائق المرفقة، والسؤال الحالي.

النموذج لا يملك "ذاكرة" بالمعنى الإنساني. في كل مرة يُولّد فيها استجابة، ينظر إلى كل ما في نافذة السياق (Context Window)، ويُنشئ الرد بناءً على هذه المعلومات كلها.

كيف يتوقع النموذج الكلمة التالية؟

جوهر كيفية عمل نماذج اللغة يعتمد على مبدأ واحد: توقّع الـToken التالي.

عند توليد الإجابة، يبدأ النموذج من نقطة الصفر. يأخذ كل ما في نافذة السياق، يعالجه عبر طبقات الـ Transformer، ثم يُنشئ توزيعاً احتمالياً على كل الـTokens الممكنة في اللغة. ثم يختار الـToken ذو الاحتمالية الأعلى (أو يُضيف عشوائية محكومة لتنوع الإجابات) ويُضيفه للسياق، ثم يُكرر العملية مع الـToken التالي — وهكذا حتى اكتمال الإجابة.

ما هو LLM والفرق بينه وبين Generative AI العام؟

LLM اختصار لـ Large Language Model أي نموذج لغوي كبير. هو نوع محدد من نماذج Generative AI يُركّز على معالجة اللغة البشرية — قراءتها وفهمها وإنشاؤها.

كل LLM هو نوع من Generative AI، لكن ليس كل Generative AI هو LLM. مثلاً، DALL·E يُولّد صوراً — وهو Generative AI لكنه ليس LLM.

ما هي المعاملات (Parameters)؟

المعاملات (Parameters) هي الأرقام التي تُحدّد سلوك النموذج — وهي ما يتعلّمه النموذج خلال التدريب. فكّر فيها كـ"إعدادات دقيقة" مليارية تحدد كيف يتعامل النموذج مع كل Tokenو علاقته بالآخرين.

النماذج الكبيرة تحتوي على مئات المليارات من المعاملات:

• GPT-3: ~175 مليار معامل
• نماذج GPT-4 وما يليها: تحتوي على تريليونات المعاملات وفق بعض التقديرات
• نماذج مفتوحة المصدر مثل Llama: تتراوح من 7 مليار إلى 70+ مليار معامل

Pre-training وFine-tuning — ما الفرق؟

Pre-training (التدريب المسبق)

هو مرحلة التدريب الأولى والكبرى — حيث يتعلم النموذج من كميات ضخمة جداً من البيانات العامة. هذه المرحلة تستغرق أسابيع أو أشهراً، وتكلّف ملايين الدولارات، وتحتاج آلاف الـGPUs. الهدف: بناء نموذج عام يفهم اللغة ويعرف الكثير عن العالم.

Fine-tuning (الضبط الدقيق)

بعد Pre-training، يمكن أخذ النموذج وتدريبه إضافياً على بيانات متخصصة لتحسين أدائه في مجال معين. مثلاً:

• Fine-tuning على بيانات قانونية → نموذج متخصص في الاستشارات القانونية
• Fine-tuning على محادثات خدمة العملاء → روبوت محادثة أكثر تخصصاً
• Fine-tuning على كود برمجي → نموذج أفضل في البرمجة

ما دور GPU ولماذا تحتاج النماذج موارد حوسبة ضخمة؟

GPU اختصار لـ Graphics Processing Unit — بطاقة معالجة الرسومات. رُصدت أصلاً لمعالجة الرسومات في الألعاب، لكنها أصبحت العمود الفقري لتدريب نماذج الذكاء الاصطناعي.

لماذا GPU وليس CPU العادي؟

CPU تُعالج عمليات معقدة بالتسلسل — واحدة تلو الأخرى — وهي رائعة في المهام المعقدة المتسلسلة. GPU تُعالج آلاف العمليات البسيطة في آنٍ واحد — وهو بالضبط ما تحتاجه العمليات الرياضية لتدريب الشبكات العصبية.

لماذا تكلفة التدريب مرتفعة جداً؟

تدريب نموذج كبير مثل GPT-4 يحتاج إلى:

• آلاف الـGPUs تعمل في الوقت ذاته
• أسابيع أو أشهراً من التشغيل المستمر
• استهلاك طاقة كهربائية هائل
• بنية تحتية سحابية (Cloud) متطورة

لذلك لا تستطيع إلا شركات كبرى مثل OpenAI وGoogle وMicrosoft وMeta تدريب هذه النماذج من الصفر. لكن الاستخدام (Inference) أرخص بكثير — وهو ما يدفعه المستخدمون في الاشتراكات الشهرية.

تمرين عملي

قاموس المصطلحات