من هم رواد الذكاء الاصطناعي؟ تحليل شامل لثورة التعلم العميق – الصورة: Xpert.Digital
انسَ ChatGPT: ورقة جوجل لعام 2017 بعنوان "الانتباه هو كل ما تحتاجه" هي السبب الحقيقي وراء طفرة الذكاء الاصطناعي
ما المقصود بعصر التعلم العميق؟
يشير عصر التعلم العميق إلى الفترة التي تلت عام 2010، والتي شهدت تسارعاً هائلاً في تطوير الذكاء الاصطناعي بفضل العديد من الإنجازات التكنولوجية. ويمثل هذا العصر نقطة تحول في تاريخ الذكاء الاصطناعي، إذ اجتمعت فيه لأول مرة المتطلبات الأساسية اللازمة لتدريب الشبكات العصبية المعقدة: القدرة الحاسوبية الكافية، ومجموعات البيانات الضخمة، والخوارزميات المحسّنة.
يشير مصطلح التعلم العميق إلى الشبكات العصبية متعددة الطبقات التي تستطيع استخلاص السمات المجردة من البيانات تلقائيًا. وعلى عكس الأساليب السابقة، لم تعد هذه الأنظمة بحاجة إلى برمجة يدوية للتعرف على سمات محددة؛ بل تتعلم هذه الأنماط بشكل مستقل من بيانات التدريب.
ذو صلة بهذا الموضوع:
لماذا بدأت ثورة التعلم العميق في عام 2010؟
كان عام 2010 عامًا محوريًا، حيث تلاقت فيه ثلاثة تطورات حاسمة. أولًا، تم إصدار قاعدة بيانات ImageNet، التي تحتوي على أكثر من 10 ملايين صورة مصنفة في 1000 فئة، مما وفر لأول مرة مجموعة بيانات كبيرة بما يكفي لتدريب الشبكات العصبية العميقة.
ثانيًا، أصبحت وحدات معالجة الرسومات (GPUs) قوية بما يكفي لتمكين المعالجة المتوازية لكميات كبيرة من البيانات. وقد سمحت منصة CUDA من NVIDIA، التي طُرحت في عام 2007، للباحثين بإجراء العمليات الحسابية المكثفة اللازمة للتعلم العميق.
ثالثًا، ساهمت التحسينات الخوارزمية، ولا سيما استخدام دالة التنشيط ReLU بدلًا من دوال سيجمويد التقليدية، في تسريع عملية التدريب بشكل ملحوظ. وقد أتاح هذا التقارب أخيرًا تطبيق الأسس النظرية التي وُضعت في ثمانينيات القرن الماضي على أرض الواقع.
ما هو الإنجاز الذي شكّل بداية ثورة التعلم العميق؟
جاء الإنجاز الحاسم في 30 سبتمبر 2012، بفوز شبكة AlexNet في مسابقة ImageNet. حققت الشبكة العصبية الالتفافية، التي طورها أليكس كريزيفسكي وإيليا سوتسكيفر وجيفري هينتون، معدل خطأ ضمن أفضل 5 نتائج بلغ 15.3%، أي أفضل بأكثر من 10 نقاط مئوية من الخوارزمية التي احتلت المركز الثاني.
كان AlexNet أول نموذج ناجح يجمع بين الشبكات العصبية العميقة ومجموعات البيانات الضخمة وحوسبة وحدة معالجة الرسومات (GPU). والجدير بالذكر أن التدريب تم باستخدام بطاقتي رسومات NVIDIA فقط في غرفة نوم كريزيفسكي. وقد أثبت هذا النجاح للمجتمع العلمي أن التعلم العميق ليس مثيرًا للاهتمام من الناحية النظرية فحسب، بل متفوق عمليًا أيضًا.
أدى نجاح شبكة AlexNet إلى سلسلة من التطورات. ففي عام 2015، تفوقت شبكة SENet، بمعدل خطأ بلغ 2.25%، على معدل التعرف البشري لشبكة ImageNet. وقد أظهر هذا التحسن الكبير في غضون سنوات قليلة الإمكانات الهائلة لتقنية التعلم العميق.
ما هو الدور الذي لعبته بنية المحولات؟
في عام 2017، نشر فريق من جوجل ورقة بحثية رائدة بعنوان "الانتباه هو كل ما تحتاجه"، والتي قدمت بنية Transformer. أحدثت هذه البنية ثورة في معالجة اللغة الطبيعية من خلال الاعتماد كليًا على آليات الانتباه والاستغناء عن الشبكات العصبية المتكررة.
ما يُميّز نماذج المحوّلات هو قدرتها على المعالجة المتوازية: فبينما كانت النماذج السابقة تعمل بشكل تسلسلي، كلمةً كلمة، تستطيع نماذج المحوّلات معالجة الجمل كاملةً في آنٍ واحد. وتتيح آلية الانتباه الذاتي للنموذج فهم العلاقات بين جميع الكلمات في الجملة، بغض النظر عن موقعها.
أصبحت بنية Transformer أساسًا لجميع نماذج اللغات الرئيسية الحديثة، من BERT وGPT إلى Gemini. وقد تم الاستشهاد بالورقة البحثية الأصلية أكثر من 173,000 مرة بحلول عام 2025، وتُعتبر واحدة من أكثر الأعمال العلمية تأثيرًا في القرن الحادي والعشرين.
لماذا تُعتبر جوجل الشركة الرائدة في مجال الذكاء الاصطناعي؟
بحسب تحليل أجرته شركة Epoch AI، تتصدر جوجل هذا المجال بفارق كبير، إذ تمتلك 168 نموذجًا "هامًا" للذكاء الاصطناعي. ويمكن تفسير هذه الهيمنة بالعديد من القرارات الاستراتيجية التي اتخذتها الشركة في وقت مبكر.
استثمرت جوجل بكثافة في أبحاث الذكاء الاصطناعي منذ مطلع الألفية الثانية، وأدركت مبكراً إمكانات الشبكات العصبية. وقد أضاف استحواذها على شركة ديب مايند عام ٢٠١٤ خبراتٍ إضافية للشركة. والأهم من ذلك، أن إطلاق إطار عمل TensorFlow كمصدر مفتوح عام ٢٠١٥ ساهم في تسريع تطوير الذكاء الاصطناعي عالمياً.
كان لإسهام جوجل في بنية Transformer أهمية بالغة. فقد أرست الورقة البحثية، التي نشرها باحثو جوجل عام 2017، الأساس للذكاء الاصطناعي التوليدي الحالي. وانطلاقًا من هذا الأساس، طورت جوجل نموذج BERT (عام 2018)، الذي أحدث ثورة في معالجة اللغة الطبيعية، ولاحقًا نماذج Gemini.
ساهم التكامل الوثيق بين البحث وتطوير المنتجات في جوجل في تعزيز مكانتها البارزة. تُدمج نماذج الذكاء الاصطناعي مباشرةً في خدمات جوجل مثل البحث، ويوتيوب، وأندرويد، مما يُسهم في استخدامها العملي، وبالتالي في معايير النماذج "الجديرة بالاهتمام".
ذو صلة بهذا الموضوع:
كيف تطورت شركات مايكروسوفت، وأوبن إيه آي، وميتا؟
تحتل مايكروسوفت المرتبة الثانية بـ 43 نموذجًا بارزًا للذكاء الاصطناعي. وقد استفادت الشركة من شراكتها الاستراتيجية مع OpenAI، التي استثمرت فيها مايكروسوفت مليارات الدولارات. مكّن هذا التعاون مايكروسوفت من دمج نماذج GPT مبكرًا في منتجات مثل Bing وCopilot.
تحتل OpenAI، بنماذجها الأربعين، المرتبة الثالثة رغم تأسيسها عام ٢٠١٥ فقط. وقد رسّخ تطوير سلسلة GPT، بدءًا من GPT-1 (٢٠١٨) وصولًا إلى النماذج الحالية مثل GPT-4 وo3، مكانة OpenAI كشركة رائدة في تطوير نماذج اللغة الضخمة. وحقق ChatGPT، الذي أُطلق عام ٢٠٢٢، مليون مستخدم في غضون خمسة أيام فقط، ما لفت أنظار الجمهور إلى الذكاء الاصطناعي.
طوّرت شركة ميتا (فيسبوك) سلسلة LLaMA التي تضم 35 نموذجًا كبديل مفتوح المصدر للنماذج الاحتكارية. وقد أثبتت نماذج LLaMA، ولا سيما LLaMA 3 وLLaMA 4 الأحدث، أن النماذج مفتوحة المصدر قادرة على منافسة الحلول الاحتكارية.
ذو صلة بهذا الموضوع:
ما الذي يجعل نموذج الذكاء الاصطناعي "جديراً بالملاحظة"؟
تُعرّف مؤسسة Epoch AI نموذج الذكاء الاصطناعي بأنه "جدير بالذكر" إذا استوفى معيارًا واحدًا على الأقل من المعايير الأربعة التالية: أولًا، يجب أن يُظهر تحسنًا تقنيًا مقارنةً بمعيار مرجعي معترف به. ثانيًا، يجب أن يحقق معدل استشهاد مرتفعًا يتجاوز 1000 استشهاد. ثالثًا، يمكن اعتبار الأهمية التاريخية معيارًا، حتى لو كان النموذج قديمًا تقنيًا. رابعًا، يُؤخذ في الاعتبار الاستخدام العملي المهم.
لا يقتصر هذا التعريف على التطورات التكنولوجية فحسب، بل يشمل أيضاً الأثر الفعلي والأهمية في المجالين العلمي والاقتصادي. ولذلك، يُمكن اعتبار النموذج جديراً بالملاحظة إذا وجد تطبيقاً عملياً واسع النطاق، حتى وإن لم يكن بالضرورة الأكثر تقدماً من الناحية التكنولوجية.
تضم قاعدة بيانات Epoch AI أكثر من 2400 نموذج للتعلم الآلي من عام 1950 وحتى يومنا هذا، مما يجعلها أكبر مجموعة متاحة للجمهور من نوعها. تُمكّن هذه المجموعة الشاملة من البيانات من إجراء تحليل دقيق لتطور الذكاء الاصطناعي على مدى أكثر من 70 عامًا.
كيف تطور الذكاء الاصطناعي قبل عصر التعلم العميق؟
اتسم تاريخ الذكاء الاصطناعي قبل عام 2010 بتقلبات بين التفاؤل وخيبات الأمل. ففي خمسينيات وستينيات القرن الماضي، ساد تفاؤل كبير، تجسد في جهاز بيرسيبترون الذي ابتكره فرانك روزنبلات عام 1957. وقد أثارت هذه الشبكات العصبية المبكرة آمالاً كبيرة في قرب ظهور الذكاء الاصطناعي.
بدأ أول تراجع في مجال الذكاء الاصطناعي في أوائل سبعينيات القرن الماضي، إثر صدور كتاب مارفن مينسكي وسيمور بابيرت حول حدود البيرسيبترونات (1969). وأدى تقرير لايت هيل لعام 1973 المقدم للبرلمان البريطاني إلى تخفيضات حادة في تمويل الأبحاث. واستمرت هذه الفترة حتى عام 1980 تقريبًا، مما أدى إلى تباطؤ ملحوظ في أبحاث الذكاء الاصطناعي.
شهدت ثمانينيات القرن العشرين انتعاشًا بفضل أنظمة الخبراء مثل نظام MYCIN، وهو نظام تشخيص طبي. وفي الوقت نفسه، في عام 1986، طوّر جيفري هينتون وديفيد روميلهارت ورونالد ويليامز خوارزمية الانتشار العكسي، التي جعلت الشبكات العصبية قابلة للتدريب. وفي وقت مبكر من عام 1989، طوّر يان ليكان شبكة LeNet، وهي شبكة عصبية التفافية مبكرة للتعرف على الكتابة اليدوية.
أعقب ذلك ركودٌ ثانٍ في مجال الذكاء الاصطناعي في أواخر ثمانينيات القرن الماضي، عندما خابت التوقعات العالية لأنظمة الخبراء وآلات لغة ليسب. واستمرت هذه المرحلة حتى تسعينيات القرن الماضي، وتميزت بالتشكيك في الشبكات العصبية.
ما هي الأسس التكنولوجية التي مكّنت من التعلم العميق؟
ساهمت ثلاثة إنجازات حاسمة في إحداث ثورة في مجال التعلم العميق. وكان تطوير وحدات معالجة الرسومات (GPUs) فائقة الأداء أساسياً، إذ مكّنت هذه الوحدات من المعالجة المتوازية لكميات هائلة من البيانات. كما ساهمت منصة CUDA من NVIDIA، التي طُرحت عام 2007، في إتاحة استخدام الحوسبة باستخدام وحدات معالجة الرسومات في مجال التعلم الآلي.
كانت مجموعات البيانات الكبيرة وعالية الجودة هي الشرط الثاني. وكانت ImageNet، التي نشرتها فاي-فاي لي عام 2010، أول مجموعة بيانات تضم أكثر من 10 ملايين صورة مصنفة. وكان هذا الكم من البيانات ضروريًا لتدريب الشبكات العصبية العميقة بكفاءة.
شكلت التحسينات الخوارزمية الركيزة الثالثة. وقد ساهم استخدام دالة التنشيط ReLU بدلاً من دوال سيجمويد في تسريع التدريب بشكل ملحوظ. كما ساعدت أساليب التحسين المحسّنة وتقنيات التنظيم، مثل التسرب، في حل مشكلة التجاوز.
كيف تطورت تكاليف الحوسبة لتدريب الذكاء الاصطناعي؟
ارتفعت تكاليف تدريب نماذج الذكاء الاصطناعي بشكل كبير. ففي عام 2017، لم تتجاوز تكلفة تدريب نموذج Transformer الأصلي 930 دولارًا. أما نموذج BERT-Large فقد بلغت تكلفته 3300 دولار في عام 2018، بينما استهلك نموذج GPT-3 ما يقارب 4.3 مليون دولار في عام 2020.
تصل تكلفة النماذج الحديثة إلى مستويات باهظة للغاية: فقد بلغت تكلفة GPT-4 ما يُقدّر بـ 78.4 مليون دولار، بينما قد يكون نموذج Gemini Ultra من جوجل، الذي بلغت تكلفته حوالي 191.4 مليون دولار، أغلى نموذج تم تدريبه حتى الآن. ويعكس هذا التوجه تزايد تعقيد النماذج وحجمها.
بحسب شركة Epoch AI، تتضاعف القدرة الحاسوبية اللازمة للتدريب كل خمسة أشهر تقريبًا. يتجاوز هذا التطور قانون مور بكثير، ويُظهر التوسع السريع لأبحاث الذكاء الاصطناعي. في الوقت نفسه، يؤدي هذا إلى تركز تطوير الذكاء الاصطناعي في أيدي عدد قليل من الشركات التي تمتلك الموارد اللازمة.
ذو صلة بهذا الموضوع:
ما هي التحديات التي تواجه تطوير الذكاء الاصطناعي مستقبلاً؟
يواجه تطوير الذكاء الاصطناعي العديد من التحديات الكبيرة. قد تصل نماذج الاستدلال المُحسّنة للتفكير المنطقي المعقد إلى حدودها القصوى بحلول عام 2026. كما أن التكاليف الحاسوبية الباهظة تحدّ من عدد الجهات الفاعلة القادرة على المشاركة في أبحاث الذكاء الاصطناعي المتطورة.
لم تُحلّ بعدُ مشاكل تقنية كالهلوسة، حيث تُولّد أنظمة الذكاء الاصطناعي معلوماتٍ مُضلّلة. وفي الوقت نفسه، تبرز تساؤلات أخلاقية حول إمكانية توليد محتوى واقعي مُضلّل، كما يتضح من صورة البابا التي انتشرت على نطاق واسع بتقنية الذكاء الاصطناعي وهو يرتدي معطفاً شتوياً.
أصبح توفر بيانات تدريب عالية الجودة يمثل عائقاً متزايداً. وقد تم تدريب العديد من النماذج بالفعل باستخدام جزء كبير من بيانات الإنترنت المتاحة، مما يستلزم اتباع مناهج جديدة لتوليد البيانات.
كيف يؤثر تطور الذكاء الاصطناعي على المجتمع؟
تُحدث ثورة التعلم العميق بالفعل تأثيراً مجتمعياً هائلاً. تُستخدم أنظمة الذكاء الاصطناعي في مجالات حيوية كالتشخيص الطبي والتمويل والمركبات ذاتية القيادة. إن إمكانات التغيير الإيجابي هائلة، بدءاً من تسريع الاكتشافات العلمية وصولاً إلى تخصيص التعليم.
في الوقت نفسه، تبرز مخاطر جديدة. فالقدرة على إنشاء محتوى مزيف واقعي تهدد سلامة المعلومات. وقد تتعرض الوظائف للخطر بسبب الأتمتة، حيث تتوقع وزارة العمل الاتحادية أنه بحلول عام 2035 لن يكون هناك أي عمل ممكن بدون برامج الذكاء الاصطناعي.
إن تركيز قوة الذكاء الاصطناعي في أيدي عدد قليل من شركات التكنولوجيا يثير تساؤلات حول الرقابة الديمقراطية على هذه التكنولوجيا القوية. وقد حذر خبراء مثل جيفري هينتون، أحد رواد التعلم العميق، من المخاطر المحتملة لأنظمة الذكاء الاصطناعي المستقبلية.
ابتكر رواد الذكاء الاصطناعي في عصر التعلم العميق تقنيةً قادرةً على إحداث تحول جذري في حياة البشرية. وتُظهر ريادة جوجل في تطوير 168 نموذجًا هامًا للذكاء الاصطناعي، تليها مايكروسوفت وOpenAI وMeta، تركز قوة الابتكار في أيدي عدد قليل من اللاعبين الرئيسيين. لقد غيّرت ثورة التعلم العميق، التي بدأت عام 2010 وانطلقت بفضل إنجازات رائدة مثل AlexNet وبنية Transformer، حياتنا اليومية بالفعل، وستُحدث تغييرًا أعمق في المستقبل. ويكمن التحدي في تسخير هذه التقنية القوية لصالح البشرية مع تقليل مخاطرها في الوقت نفسه.
ذو صلة بهذا الموضوع:
خبيركم في مجال التحول الرقمي بالذكاء الاصطناعي، وتكامل الذكاء الاصطناعي، ومنصات الذكاء الاصطناعي
☑️ لغة أعمالنا هي الإنجليزية أو الألمانية
☑️ جديد: مراسلات بلغتك الأم!
Konrad Wolfenstein
يسعدني أنا وفريقي أن نكون متاحين لكم بصفتنا مستشاركم الشخصي.
يمكنكم التواصل معي عبر ملء نموذج الاتصال هنا wolfenstein@xpert.digital:أو الاتصال بي مباشرةً على الرقم +49 7348 4088 965. عنوان بريدي الإلكتروني هو
أتطلع إلى مشروعنا المشترك.
