كيف تعمل روبوتات الدردشة الذكية؟ شرح مبسط

لا تحتاج لفهم المعادلات والرياضيات لاستخدام شات الذكاء الاصطناعي بكفاءة، لكن تكوين فكرة بسيطة عما يدور في الخلفية يفسر الكثير: لماذا تبدو الإجابات واثقة حتى وإن كانت خاطئة، ولماذا يعطي السؤال نفسه إجابات مختلفة، ولماذا يفقد الذكاء الاصطناعي تسلسل الحديث في المحادثات الطويلة، ولماذا قد يجهل الأحداث الأخيرة. إليك شرح مبسط وواضح دون مصطلحات معقدة لا تحتاجها.

باختصار

يعتمد روبوت الدردشة بالذكاء الاصطناعي على نموذج لغوي كبير (LLM): وهو شبكة عصبية ضخمة جداً دُرِّبت على كميات هائلة من النصوص لتوقع الكلمة التالية. عندما ترسل رسالة، يقرأ النموذج المحادثة ويولد الرد جزءاً صغيراً تلو الآخر، مختاراً في كل مرة الجزء التالي الأكثر ترجيحاً بناءً على كل ما سبقه. ويساعد التدريب الإضافي النموذج على اتباع التعليمات وإدارة حوار ورفض الطلبات الضارة.

لا توجد قاعدة بيانات لإجابات جاهزة يبحث فيها، ولا يوجد إنسان يكتب خلف الكواليس. وكل ما سنذكره في هذا الدليل ينبثق من هذا المبدأ.

الخطوة 1: تحويل النص إلى رموز (Tokens)

لا تقرأ النماذج الحروف أو الكلمات الكاملة، بل تقسم النص إلى رموز (tokens): غالباً ما تمثل الكلمات الشائعة رمزاً واحداً، بينما تُقسم الكلمات الأطول أو النادرة إلى أجزاء. كما تتحول المسافات وعلامات الترقيم والأرقام إلى رموز أيضاً. لهذا قد يواجه الذكاء الاصطناعي صعوبة في مهام مثل عد حروف كلمة معينة أو عكس ترتيب الحروف؛ لأنه لا يرى الحروف الفردية كما تراها أنت.

قد يتطلب التعبير عن المعنى نفسه عدداً مختلفاً من الرموز بحسب اللغة، وهو أحد أسباب تفاوت الجودة وحدود الطول من لغة إلى أخرى.

الخطوة 2: التدريب المسبق على كميات هائلة من النصوص

في المرحلة الأولى والأكبر، يُعرض على النموذج قدر هائل من النصوص، مثل صفحات الويب المتاحة للعموم والكتب والأكواد البرمجية ومصادر أخرى بحسب جهة التطوير، ليتعلم كيفية توقع الرمز التالي. ويخضع للتصحيح مراراً وتكراراً ليضبط تدريجياً أرقامه الداخلية التي تسمى المعاملات أو الأوزان (parameters أو weights).

لكي ينجح النموذج في توقع النصوص بدقة، ينتهي به المطاف باستيعاب قدر كبير من قواعد اللغة والحقائق وأنماط التفكير والأساليب. لكنه لا يحتفظ بنسخة من بيانات التدريب كما في المكتبات، بل يخزن أنماطاً إحصائية. ولهذا قد يشرح مفهوماً بطلاقة ولكنه يخطئ في تذكر تاريخ محدد أو اسم أو اقتباس بدقة.

الخطوة 3: الضبط الدقيق يحول المتوقع إلى مساعد

إذا كان النموذج يتوقع النصوص فقط، فسيكتفي بإكمال رسالتك بدلاً من الرد عليها. لذلك يقوم المطورون بتدريبه أكثر على أمثلة لمحادثات مفيدة، مستخدمين تقييمات من البشر وبشكل متزايد من الفحوصات الآلية ونماذج أخرى، لمكافأة الإجابات المفيدة والدقيقة والآمنة. ومن أشهر هذه الطرق التعلم المعزز من خلال التغذية الراجعة البشرية (RLHF).

تمنح هذه المرحلة روبوت الدردشة أسلوبه التفاعلي: اتباع التعليمات، وتنسيق الإجابات، والاعتراف بعدم التأكد أحياناً، ورفض الطلبات الضارة. كما قد تكتسب سلوكيات غير مرغوبة، مثل الميل لموافقة المستخدم دائماً أو التحدث بنبرة تبدو أكثر ثقة مما ينبغي.

دُرِّبت العديد من النماذج الحديثة أيضاً على التفكير المنطقي (Reasoning): حيث تحلل المشكلة عبر خطوات تمهيدية قبل تقديم الإجابة النهائية. يؤدي ذلك إلى تحسين النتائج في الرياضيات والبرمجة والتخطيط، مع أنه لا يجعلها معصومة من الخطأ.

الخطوة 4: محادثتك ونافذة السياق

عندما تدردش، يرسل التطبيق إلى النموذج حزمة نصية تشمل: تعليمات من الخدمة لا تراها (تسمى التعليمات البرمجية أو system prompt)، والرسائل السابقة في المحادثة، ورسالتك الجديدة. النموذج نفسه لا يحتفظ بأي ذاكرة بين الطلبات، وإنما "يتذكر" المحادثة فقط لأنها تُرسل إليه بالكامل في كل مرة.

بشكل مبسط، تبدو الحزمة المرسلة عند رسالتك الثالثة هكذا تقريباً:

[system]    أنت مساعد مفيد. أجب بوضوح...
[user]      ما هو الاسم المناسب لمخبز؟
[assistant] إليك بعض الأفكار: شمس وقمح، فتات اليوم...
[user]      اجعل الأسماء ذات طابع فرنسي.
[assistant] (يكتب النموذج هذا الجزء، رمزاً تلو الآخر)

جملة "اجعل الأسماء ذات طابع فرنسي" مفهومة فقط لأن الرسائل السابقة مدرجة في الطلب. لو استبعدها التطبيق، فلن يفهم النموذج المقصود بالأسماء.

تُعرف كمية النص التي يستطيع النموذج معالجتها دفعة واحدة باسم نافذة السياق (context window)، وغالباً ما تقص التطبيقات أجزاءً من المحادثات الطويلة لتبقى ضمن الحدود المسموحة. لهذا السبب، قد ينسى الذكاء الاصطناعي تفاصيل من بداية المحادثة الطويلة جداً. وعادة ما يفيد بدء محادثة جديدة مع ملخص قصير.

تضيف بعض الخدمات ميزة ذاكرة منفصلة تحفظ معلومات عنك بين المحادثات المختلفة. هذه ميزة مدمجة في التطبيق ومحيطة بالنموذج، وليست شيئاً يقوم به النموذج بمفرده.

الخطوة 5: توليد الإجابة

يقوم النموذج مع كل رمز جديد بحساب احتمالات لخيارات مرشحة متعددة. ثم يختار التطبيق أحدها، عادةً بنسبة عشوائية مدروسة حتى لا يبدو النص آلياً وجامداً. هذا يفسر أمرين قد لاحظتهما:

• السؤال نفسه قد يعطي إجابات مختلفة. وإعادة التوليد طريقة سريعة للاطلاع على خيارات أخرى.
• الجملة المنسقة بسلاسة لا تعني بالضرورة أنها صحيحة. فالنموذج يختار الكلمات المتناسقة، ولا يتحقق من صحة الوقائع أثناء الكتابة.

جرب بنفسك: اطلب من الشات شرح الرموز (Tokens) بمثال، ثم أعد توليد الإجابة وقارن بين النسختين.

لماذا يختلق الذكاء الاصطناعي معلومات غير صحيحة؟

عندما يقدم النموذج معلومات غير صحيحة بنبرة واثقة، يُعرف ذلك باسم الهلوسة (hallucination). يحدث هذا لأن النموذج مصمم لتوليد نصوص تبدو منطقية ومقنعة، ومن السهل عليه صياغة مرجع أو إحصائية أو سيرة ذاتية تبدو مقنعة حتى وإن لم تكن حقيقية. ساهم التدريب في تقليل ذلك لكنه لم يقضِ عليه تماماً. وتتضمن المجالات الأكثر عرضة للخطأ ما يلي:

• الأرقام والتواريخ والاقتباسات الدقيقة.
• الإحالات إلى الكتب والأبحاث والقضايا القانونية وصفحات الويب.
• المواضيع المتخصصة النادرة التي تفتقر لبيانات تدريب كافية.
• الأحداث التي وقعت بعد انتهاء بيانات تدريب النموذج.

يوضح دليل التحقق من صحة الإجابات كيفية تدقيق الإجابات بسرعة.

لماذا قد يجهل الذكاء الاصطناعي الأحداث الأخيرة؟

تعتمد معرفة النموذج على البيانات التي جُمعت حتى تاريخ معين، وهو ما يسمى تاريخ انقطاع المعرفة (knowledge cutoff). بعد هذا التاريخ لا يعرف شيئاً جديداً ما لم يزوده التطبيق بمعلومات حديثة، مثل أداة البحث في الويب أو نصوص تلصقها بنفسك. وعندما يبحث المساعد في الويب، تعتمد جودة إجابته على جودة الصفحات التي يعثر عليها، لذا يجدر بك مراجعة المصادر. وإذا كان سؤالك يعتمد على معلومات حديثة، فالأفضل لصق النص المطلوب بنفسك أو التأكد من الإجابة عبر مصدر محدث.

النماذج، المطورون، وقائمة النماذج

تطور عدة شركات نماذج لغوية كبيرة، من بينها OpenAI (نماذج GPT المشغلة لـ ChatGPT)، وAnthropic (Claude)، وGoogle (Gemini)، وMeta (Llama)، وxAI (Grok)، وDeepSeek، وAlibaba (Qwen)، وMistral AI. تنشر بعض الشركات أوزان نماذجها ليتسنى للجميع تنزيلها وتشغيلها؛ بينما يقتصر البعض الآخر على توفيرها عبر تطبيقاتها وواجهات البرمجة (APIs) الخاصة بها. تختلف النماذج في أسلوبها ونقاط قوتها واللغات المدعومة ومدى حذرها. ويوضح دليل النماذج والمقارنات مثل ChatGPT مقابل Claude هذه الفروق بتفصيل أكبر.

في ChatG، يمكنك اختيار أسلوب النموذج الذي تفضله من القائمة، أو تركه على ChatG Auto. منصة ChatG موقع مستقل ولا يتبع لأي من هذه الشركات.

الأسئلة الشائعة

هل يفهم الذكاء الاصطناعي ما يقوله؟

لا يزال هذا الأمر محل نقاش. تلتقط النماذج بوضوح الكثير من تراكيب اللغة وأنماط العالم، ويمكنها حل مشكلات لم ترها من قبل. لكنها تفتقر إلى المشاعر والتجارب الحقيقية، وقد تخطئ بطرق لا يقع فيها أي إنسان يفهم الموضوع. لذلك، تعامل مع الذكاء الاصطناعي كأداة قوية وفعالة، لا كمرجع معصوم.

هل يتعلم الذكاء الاصطناعي من محادثتي؟

ليس أثناء الدردشة؛ فأوزان النموذج لا تتغير أثناء حديثك معه. لكن قد تستخدم بعض الخدمات المحادثات لاحقاً لتدريب نماذج مستقبلية، وذلك يعتمد على سياسة الخدمة وإعداداتك.

هل الذكاء الاصطناعي متصل بالإنترنت؟

النموذج بحد ذاته غير متصل، بل يعتمد على ما تعلمه أثناء التدريب بالإضافة إلى ما يظهر في المحادثة. تضيف بعض التطبيقات ميزة البحث في الويب كأداة منفصلة. وما لم تتضمن الإجابة مصادر جرى البحث عنها، فافترض أنها مستمدة من بيانات التدريب وقد تكون قديمة.

لماذا تأتي بعض الإجابات بالإنجليزية أفضل من اللغات الأخرى؟

عادةً ما تطلع النماذج أثناء التدريب على محتوى باللغة الإنجليزية أكثر بكثير من معظم اللغات الأخرى، كما أن اللغات الأخرى قد تتطلب رموزاً أكثر للتعبير عن المعنى نفسه. وبوجه عام، يُتعامل مع اللغات الشائعة بكفاءة، بينما قد تقل الدقة في اللغات الأقل انتشاراً.