ما هو الذكاء الاصطناعي؟

الذكاء الاصطناعي (AI) هو تقنية تمكّن أجهزة الكمبيوتر والآلات من محاكاة التعلم البشري والفهم وحل المشكلات واتخاذ القرار والإبداع والاستقلالية.

يمكن للتطبيقات والأجهزة المجهزة بالذكاء الاصطناعي رؤية الأشياء والتعرف عليها. ويمكنها فهم اللغة البشرية والاستجابة لها. كما يمكنها التعلم من المعلومات والتجارب الجديدة، وتقديم توصيات مفصلة للمستخدمين والخبراء. ويمكنها التصرف بشكل مستقل، مما يحل محل الحاجة إلى الذكاء أو التدخل البشري (والمثال الكلاسيكي على ذلك هو السيارة ذاتية القيادة).

ولكن في عام 2024، يركز معظم باحثي الذكاء الاصطناعي والعاملين في هذا المجال ومعظم العناوين المتعلقة به على الطفرات في الذكاء الاصطناعي التوليدي (Gen AI)، وهو تقنية يمكنها إنشاء نصوص وصور ومقاطع فيديو ومحتويات أخرى أصلية. لفهم الذكاء الاصطناعي التوليدي بشكل كامل، من المهم أولاً فهم التقنيات التي تُبنى عليها أدواته، وهي: تعلم الآلة (ML) والتعلم العميق.

تعلم الآلة (Machine Learning)

طريقة بسيطة للتفكير في الذكاء الاصطناعي هي اعتباره سلسلة من المفاهيم المتداخلة أو المشتقة التي ظهرت على مدار أكثر من 70 عامًا:

تحت مظلة الذكاء الاصطناعي مباشرة، نجد تعلم الآلة، والذي يتضمن إنشاء نماذج عن طريق تدريب خوارزمية على إجراء تنبؤات أو اتخاذ قرارات بناءً على البيانات، ويشمل مجموعة واسعة من التقنيات التي تمكّن أجهزة الكمبيوتر من التعلم من البيانات واستنتاج المعلومات منها دون أن تكون مبرمجة بشكل صريح لمهام محددة.

هناك العديد من أنواع تقنيات أو خوارزميات تعلم الآلة، بما في ذلك الانحدار الخطي، والانحدار اللوجستي، وأشجار القرار، والغابة العشوائية، وآلات المتجهات الداعمة (SVM)، وخوارزمية أقرب جار (KNN)، والتجميع، وغيرها. كل من هذه الأساليب مناسب لأنواع مختلفة من المشكلات والبيانات.

ولكن أحد أشهر أنواع خوارزميات تعلم الآلة يسمى الشبكة العصبية (أو الشبكة العصبية الاصطناعية)، تتم نمذجة الشبكات العصبية على غرار بنية ووظيفة الدماغ البشري. تتكون الشبكة العصبية من طبقات مترابطة من العُقد (بمثابة الخلايا العصبية) التي تعمل معًا لمعالجة وتحليل البيانات المعقدة. تعد الشبكات العصبية مناسبة تمامًا للمهام التي تتضمن تحديد الأنماط والعلاقات المعقدة في كميات كبيرة من البيانات.

أبسط أشكال تعلم الآلة يسمى التعلم الخاضع للإشراف (Supervised Learning)، والذي يتضمن استخدام مجموعات بيانات مُعَلَّمَة (labeled) لتدريب الخوارزميات على تصنيف البيانات أو التنبؤ بالنتائج بدقة. في هذا النوع من التعلم، يقوم البشر بربط كل مثال تدريبي بمخرَج مُعَلّم. والهدف هو أن يتعلم النموذج العلاقة بين المدخلات والمخرجات في بيانات التدريب، حتى يتمكن من التنبؤ بمخرجات البيانات الجديدة غير المرئية.

التعلم العميق (Deep Learning)

التعلم العميق هو مجموعة فرعية من تعلم الآلة تستخدم شبكات عصبية متعددة الطبقات، تسمى الشبكات العصبية العميقة، والتي تحاكي بشكل وثيق القدرة المعقدة للدماغ البشري على اتخاذ القرار.

تتضمن الشبكات العصبية العميقة طبقة إدخال، وثلاث طبقات مخفية على الأقل (وعادة ما تكون بالمئات)، وطبقة إخراج، على عكس الشبكات العصبية المستخدمة في نماذج تعلم الآلة الكلاسيكية، والتي عادة ما تحتوي على طبقة مخفية واحدة أو اثنتين فقط.

تمكّن هذه الطبقات المتعددة التعلم غير الخاضع للإشراف (Unsupervised Learning): يمكنها أتمتة استخراج الميزات من مجموعات البيانات الكبيرة وغير المعلمة وغير المهيكلة، وتقديم تنبؤاتها الخاصة حول ما تمثله البيانات.

لأن التعلم العميق لا يتطلب تدخلًا بشريًا، فإنه يتيح تعلم الآلة على نطاق هائل. وهو مناسب جدًا لمعالجة اللغات الطبيعية (NLP)، ورؤية الكمبيوتر، وغيرها من المهام التي تتضمن التحديد السريع والدقيق للأنماط والعلاقات المعقدة في كميات كبيرة من البيانات. ويعتمد معظم تطبيقات الذكاء الاصطناعي في حياتنا اليوم على شكل من أشكال التعلم العميق.

يمكّن التعلم العميق أيضًا من:

1. التعلم شبه الخاضع للإشراف، الذي يجمع بين التعلم الخاضع للإشراف وغير الخاضع للإشراف باستخدام بيانات مُعَلَّمة وغير مُعَلَّمة لتدريب نماذج الذكاء الاصطناعي على مهام التصنيف والانحدار.
2. التعلم ذاتي الإشراف، الذي يولّد تسميات ضمنية من البيانات غير المهيكلة، بدلاً من الاعتماد على مجموعات بيانات مُعَلَّمة للإشارات الإشرافية.
3. التعلم المعزز، الذي يتعلم عن طريق التجربة والخطأ ووظائف المكافأة بدلاً من استخلاص المعلومات من الأنماط المخفية.
4. التعلم بالنقل، حيث تُستخدم المعرفة المكتسبة من خلال مهمة أو مجموعة بيانات لتحسين أداء النموذج في مهمة أخرى ذات صلة أو مجموعة بيانات مختلفة.

الذكاء الاصطناعي التوليدي (Generative AI)

يشير الذكاء الاصطناعي التوليدي، الذي يُطلق عليه أحيانًا "Gen AI"، إلى نماذج التعلم العميق التي يمكنها إنشاء محتوى أصلي ومعقد مثل النصوص الطويلة، والصور عالية الجودة، والفيديو أو الصوت الواقعي، والمزيد استجابةً لمُوَجِّه أو طلب من المستخدم.

بشكل عام، تقوم النماذج التوليدية بتشفير تمثيل مبسط لبيانات التدريب الخاصة بها، ثم تستخدم هذا التمثيل لإنشاء عمل جديد مشابه، ولكن ليس مطابقًا، للبيانات الأصلية.

استُخدمت النماذج التوليدية لسنوات في الإحصاء لتحليل البيانات الرقمية. ولكن على مدار العقد الماضي، تطورت لتحليل وتوليد أنواع بيانات أكثر تعقيدًا. تزامن هذا التطور مع ظهور ثلاثة أنواع متطورة من نماذج التعلم العميق:

1. المُشَفّرات التلقائية المتغيرة (VAEs)، التي قُدمت في عام 2013، ومكّنت النماذج من توليد أشكال متعددة من المحتوى استجابةً لمُوَجّه أو تعليمات.
2. نماذج الانتشار (Diffusion Models)، التي ظهرت لأول مرة في عام 2014، والتي تضيف "ضوضاء" إلى الصور حتى تصبح غير قابلة للتمييز، ثم تزيل الضوضاء لتوليد صور أصلية استجابةً للمُوَجِّهات.
3. المحولات (Transformers)، التي يتم تدريبها على بيانات متسلسلة لتوليد تسلسلات ممتدة من المحتوى (مثل الكلمات في الجمل، والأشكال في الصورة، والإطارات في الفيديو، أو الأوامر في كود برمجي). تشكل المحولات جوهر معظم أدوات الذكاء الاصطناعي التوليدي التي تتصدر العناوين اليوم، بما في ذلك ChatGPT وGPT-4 وCopilot وGemini وغيرها.

كيف يعمل الذكاء الاصطناعي التوليدي

بشكل عام، يعمل الذكاء الاصطناعي التوليدي على ثلاث مراحل:

1. التدريب، لإنشاء نموذج تأسيسي.
2. الضبط، لتكييف النموذج مع تطبيق معين.
3. التوليد والتقييم والمزيد من الضبط، لتحسين الدقة.

التدريب

يبدأ الذكاء الاصطناعي التوليدي بـ "نموذج تأسيسي"؛ وهو نموذج تعلم عميق يعمل كأساس لأنواع مختلفة من تطبيقات الذكاء الاصطناعي التوليدي.

أكثر النماذج التأسيسية شيوعًا اليوم هي نماذج اللغة الكبيرة (LLMs)، التي تم إنشاؤها لتطبيقات توليد النصوص. ولكن هناك أيضًا نماذج تأسيسية لتوليد الصور والفيديو والصوت أو الموسيقى، ونماذج تأسيسية متعددة الوسائط تدعم عدة أنواع من المحتوى.

لإنشاء نموذج تأسيسي، يقوم الممارسون بتدريب خوارزمية تعلم عميق على كميات ضخمة من البيانات الخام غير المهيكلة وغير المعلمة ذات الصلة، مثل تيرابايت أو بيتابايت من النصوص أو الصور أو مقاطع الفيديو من الإنترنت. ينتج عن التدريب شبكة عصبية بمليارات المعاملات التي تمثل تشفيرات للكيانات والأنماط والعلاقات في البيانات، والتي يمكنها توليد المحتوى بشكل مستقل استجابةً للمُوَجِّهات. هذا هو النموذج التأسيسي.

تتطلب عملية التدريب هذه قدرة حاسوبية هائلة، وتستهلك الكثير من الوقت، وهي مكلفة للغاية. فهي تتطلب آلافًا من وحدات معالجة الرسومات (GPUs) المجمعة وأسابيع من المعالجة، وكل ذلك يكلف عادةً ملايين الدولارات. تمكّن مشاريع النماذج التأسيسية مفتوحة المصدر، مثل Llama-2 من Meta، مطوري الذكاء الاصطناعي التوليدي من تجنب هذه الخطوة وتكاليفها.

الضبط

بعد ذلك، يجب ضبط النموذج لمهمة توليد محتوى محددة. يمكن القيام بذلك بطرق مختلفة، بما في ذلك:

1. الضبط الدقيق (Fine-tuning)، والذي يتضمن تزويد النموذج ببيانات مُعَلّمة خاصة بالتطبيق، وأسئلة أو مُوَجِّهات من المرجح أن يتلقاها التطبيق، والإجابات الصحيحة المقابلة بالتنسيق المطلوب.
2. التعلم المعزز من خلال ردود الفعل البشرية (RLHF)، حيث يقوم المستخدمون البشريون بتقييم دقة أو أهمية مخرجات النموذج حتى يتمكن النموذج من تحسين نفسه. يمكن أن يكون هذا بسيطًا مثل قيام الأشخاص بكتابة أو نطق تصحيحات لروبوت محادثة أو مساعد افتراضي.

التوليد والتقييم والمزيد من الضبط

يقوم المطورون والمستخدمون بتقييم مخرجات تطبيقاتهم التوليدية بانتظام، ويواصلون ضبط النموذج حتى بمعدل مرة واحدة في الأسبوع لزيادة الدقة أو الصلة. في المقابل، يتم تحديث النموذج التأسيسي نفسه بشكل أقل تكرارًا، ربما كل عام أو 18 شهرًا.

خيار آخر لتحسين أداء تطبيق الذكاء الاصطناعي التوليدي هو التوليد المعزز بالاسترجاع (RAG)، وهي تقنية لتوسيع النموذج التأسيسي لاستخدام مصادر ذات صلة خارج بيانات التدريب لتحسين المعاملات من أجل دقة أو أهمية أكبر.

وكلاء الذكاء الاصطناعي والذكاء الاصطناعي الوكالي

وكيل الذكاء الاصطناعي (AI agent) هو برنامج ذكاء اصطناعي مستقل، يمكنه أداء المهام وتحقيق الأهداف نيابة عن مستخدم أو نظام آخر دون تدخل بشري، عن طريق تصميم سير العمل الخاص به واستخدام الأدوات المتاحة (تطبيقات أو خدمات أخرى).

الذكاء الاصطناعي الوكالي (Agentic AI) هو نظام يتكون من عدة وكلاء ذكاء اصطناعي، يتم تنسيق جهودهم لإنجاز مهمة أكثر تعقيدًا أو هدف أكبر مما يمكن لأي وكيل منفرد في النظام تحقيقه.

على عكس روبوتات المحادثة ونماذج الذكاء الاصطناعي الأخرى التي تعمل ضمن قيود محددة مسبقًا وتتطلب تدخلًا بشريًا، يُظهر وكلاء الذكاء الاصطناعي والذكاء الاصطناعي الوكالي استقلالية وسلوكًا موجهًا نحو الهدف وقدرة على التكيف مع الظروف المتغيرة. تشير مصطلحات "الوكيل" و"الوكالي" إلى "وكالة" هذه النماذج، أو قدرتها على التصرف بشكل مستقل وهادف.

إحدى طرق التفكير في الوكلاء هي كخطوة تالية طبيعية بعد الذكاء الاصطناعي التوليدي. تركز النماذج التوليدية على إنشاء محتوى بناءً على أنماط مكتسبة؛ بينما يستخدم الوكلاء هذا المحتوى للتفاعل مع بعضهم البعض ومع أدوات أخرى لاتخاذ القرارات وحل المشكلات وإكمال المهام. على سبيل المثال، قد يتمكن تطبيق ذكاء اصطناعي توليدي من إخبارك بأفضل وقت لتسلق جبل إيفرست بناءً على جدول عملك، لكن الوكيل يمكنه إخبارك بذلك، ثم استخدام خدمة سفر عبر الإنترنت لحجز أفضل رحلة طيران لك وحجز غرفة في الفندق الأكثر ملاءمة في نيبال.

فوائد الذكاء الاصطناعي

يقدم الذكاء الاصطناعي فوائد عديدة عبر مختلف الصناعات والتطبيقات. تشمل بعض الفوائد الأكثر شيوعًا ما يلي:

1. أتمتة المهام المتكررة.
2. رؤى أكثر وأسرع من البيانات.
3. تعزيز عملية اتخاذ القرار.
4. أخطاء بشرية أقل.
5. التوفر على مدار الساعة طوال أيام الأسبوع.
6. تقليل المخاطر المادية.

أتمتة المهام المتكررة

يمكن للذكاء الاصطناعي أتمتة المهام الروتينية والمتكررة والمملة في كثير من الأحيان، بما في ذلك المهام الرقمية مثل جمع البيانات وإدخالها ومعالجتها، والمهام المادية مثل انتقاء المخزون في المستودعات وعمليات التصنيع. تحرر هذه الأتمتة العاملين للتركيز على أعمال ذات قيمة أعلى وأكثر إبداعًا.

تعزيز عملية اتخاذ القرار

سواء استُخدم لدعم القرار أو لاتخاذ القرارات المؤتمتة بالكامل، يمكّن الذكاء الاصطناعي من إجراء تنبؤات أسرع وأكثر دقة وقرارات موثوقة تعتمد على البيانات. وبالاقتران مع الأتمتة، يمكّن الذكاء الاصطناعي الشركات من استغلال الفرص والاستجابة للأزمات فور ظهورها، في الوقت الفعلي ودون تدخل بشري.

أخطاء بشرية أقل

يمكن للذكاء الاصطناعي تقليل الأخطاء البشرية بطرق مختلفة، من توجيه الأشخاص خلال الخطوات الصحيحة لعملية ما، إلى الإشارة إلى الأخطاء المحتملة قبل حدوثها، وأتمتة العمليات بالكامل دون تدخل بشري. هذا مهم بشكل خاص في صناعات مثل الرعاية الصحية حيث، على سبيل المثال، تتيح الروبوتات الجراحية الموجهة بالذكاء الاصطناعي دقة متسقة.

التوفر على مدار الساعة والاتساق

الذكاء الاصطناعي يعمل دائمًا، متاح على مدار الساعة، ويقدم أداءً متسقًا في كل مرة. يمكن لأدوات مثل روبوتات المحادثة أو المساعدين الافتراضيين تخفيف الطلب على الموظفين لخدمة العملاء أو الدعم. في تطبيقات أخرى مثل معالجة المواد أو خطوط الإنتاج، يمكن للذكاء الاصطناعي المساعدة في الحفاظ على جودة العمل ومستويات الإنتاج عند استخدامه لإكمال المهام المتكررة أو المملة.

تقليل المخاطر المادية

من خلال أتمتة الأعمال الخطرة مثل السيطرة على الحيوانات، والتعامل مع المتفجرات، وأداء المهام في مياه المحيطات العميقة، أو على ارتفاعات عالية، أو في الفضاء الخارجي، يمكن للذكاء الاصطناعي القضاء على الحاجة إلى تعريض العمال لخطر الإصابة أو ما هو أسوأ. وعلى الرغم من أنها لم تصل إلى الكمال بعد، فإن السيارات ذاتية القيادة والمركبات الأخرى توفر إمكانية تقليل خطر إصابة الركاب.

حالات استخدام الذكاء الاصطناعي

التطبيقات الواقعية للذكاء الاصطناعي عديدة. إليك عينة صغيرة من حالات الاستخدام عبر مختلف الصناعات لتوضيح إمكاناته:

تجربة العملاء والخدمة والدعم

يمكن للشركات تنفيذ روبوتات محادثة ومساعدين افتراضيين مدعومين بالذكاء الاصطناعي للتعامل مع استفسارات العملاء وتذاكر الدعم والمزيد. تستخدم هذه الأدوات معالجة اللغات الطبيعية (NLP) وقدرات الذكاء الاصطناعي التوليدي لفهم أسئلة العملاء حول حالة الطلب وتفاصيل المنتج وسياسات الإرجاع والرد عليها.

كشف الاحتيال

يمكن لخوارزميات تعلم الآلة والتعلم العميق تحليل أنماط المعاملات والإبلاغ عن الحالات الشاذة، مثل الإنفاق غير المعتاد أو مواقع تسجيل الدخول غير المألوفة، التي تشير إلى معاملات احتيالية. وهذا يمكّن المؤسسات من الاستجابة بسرعة أكبر للاحتيال المحتمل والحد من تأثيره.

التسويق المخصص

يمكن لتجار التجزئة والبنوك والشركات الأخرى التي تتعامل مع العملاء استخدام الذكاء الاصطناعي لإنشاء تجارب عملاء مخصصة وحملات تسويقية تسعد العملاء وتحسن المبيعات وتمنع تسرّب العملاء.

الموارد البشرية والتوظيف

يمكن لمنصات التوظيف التي تعتمد على الذكاء الاصطناعي تبسيط عملية التوظيف عن طريق فحص السير الذاتية، ومطابقة المرشحين مع توصيفات الوظائف، وحتى إجراء المقابلات الأولية باستخدام تحليل الفيديو.

تطوير التطبيقات وتحديثها

يمكن لأدوات توليد الأكواد البرمجية بالذكاء الاصطناعي وأدوات الأتمتة تبسيط مهام الترميز المتكررة المرتبطة بتطوير التطبيقات، وتسريع ترحيل وتحديث التطبيقات القديمة على نطاق واسع.

الصيانة التنبؤية

يمكن لنماذج تعلم الآلة تحليل البيانات من أجهزة الاستشعار وأجهزة إنترنت الأشياء (IoT) والتكنولوجيا التشغيلية (OT) للتنبؤ بموعد الحاجة إلى الصيانة والتنبؤ بأعطال المعدات قبل حدوثها.

تحديات ومخاطر الذكاء الاصطناعي

تتسابق المؤسسات للاستفادة من أحدث تقنيات الذكاء الاصطناعي والاستفادة من فوائده العديدة. هذا التبني السريع ضروري، لكن تبني وصيانة سير عمل الذكاء الاصطناعي يأتي مع تحديات ومخاطر.

مخاطر البيانات

تعتمد أنظمة الذكاء الاصطناعي على مجموعات بيانات قد تكون عرضة لتسميم البيانات أو التلاعب بالبيانات أو التحيز في البيانات أو الهجمات الإلكترونية التي يمكن أن تؤدي إلى خروقات للبيانات.

مخاطر النماذج

يمكن للجهات الفاعلة الخبيثة استهداف نماذج الذكاء الاصطناعي للسرقة أو الهندسة العكسية أو التلاعب غير المصرح به.

المخاطر التشغيلية

مثل جميع التقنيات، تكون النماذج عرضة للمخاطر التشغيلية مثل انحراف النموذج والتحيز والانهيارات في هيكل الحوكمة.

المخاطر الأخلاقية والقانونية

إذا لم تعطِ المؤسسات الأولوية للسلامة والأخلاق عند تطوير ونشر أنظمة الذكاء الاصطناعي، فإنها تخاطر بارتكاب انتهاكات للخصوصية وإنتاج نتائج متحيزة.

أخلاقيات وحوكمة الذكاء الاصطناعي

أخلاقيات الذكاء الاصطناعي هي مجال متعدد التخصصات يدرس كيفية تحسين التأثير المفيد للذكاء الاصطناعي مع تقليل المخاطر والنتائج السلبية. يتم تطبيق مبادئ أخلاقيات الذكاء الاصطناعي من خلال نظام حوكمة يضمن بقاء أدوات وأنظمة الذكاء الاصطناعي آمنة وأخلاقية.

تشمل القيم الشائعة المرتبطة بأخلاقيات الذكاء الاصطناعي والذكاء الاصطناعي المسؤول ما يلي:

القابلية للتفسير والفهم (Explainability and Interpretability)

مع تقدم الذكاء الاصطناعي، يواجه البشر تحديًا في فهم كيفية وصول الخوارزمية إلى نتيجة. الذكاء الاصطناعي القابل للتفسير هو مجموعة من العمليات والأساليب التي تمكن المستخدمين من تفسير وفهم نتائج الخوارزميات والثقة بها.

العدالة والشمولية (Fairness and Inclusion)

على الرغم من أن تعلم الآلة هو شكل من أشكال التمييز الإحصائي بطبيعته، إلا أن التمييز يصبح مرفوضًا عندما يمنح المجموعات المتميزة ميزة منهجية ويضع المجموعات غير المتميزة في وضع غير مؤاتٍ.

المتانة والأمان (Robustness and Security)

الذكاء الاصطناعي المتين يتعامل بفعالية مع الظروف الاستثنائية، مثل التشوهات في المدخلات أو الهجمات الخبيثة، دون التسبب في ضرر غير مقصود.

المساءلة والشفافية (Accountability and Transparency)

يجب على المؤسسات تنفيذ مسؤوليات وهياكل حوكمة واضحة. بالإضافة إلى ذلك، يجب أن يكون المستخدمون قادرين على رؤية كيفية عمل خدمة الذكاء الاصطناعي وتقييم وظائفها وفهم نقاط قوتها وقيودها.

الخصوصية والامتثال (Privacy and Compliance)

تفرض العديد من الأطر التنظيمية، بما في ذلك اللائحة العامة لحماية البيانات (GDPR)، على المؤسسات الالتزام بمبادئ خصوصية معينة عند معالجة المعلومات الشخصية.

الذكاء الاصطناعي الضعيف مقابل الذكاء الاصطناعي القوي

من أجل وضع استخدام الذكاء الاصطناعي في سياقه على مستويات مختلفة من التعقيد، حدد الباحثون عدة أنواع من الذكاء الاصطناعي:

الذكاء الاصطناعي الضعيف (Weak AI): يُعرف أيضًا باسم "الذكاء الاصطناعي الضيق"، ويحدد أنظمة الذكاء الاصطناعي المصممة لأداء مهمة محددة. تشمل الأمثلة المساعدات الصوتية "الذكية" مثل Alexa وSiri، أو روبوتات الدردشة على وسائل التواصل الاجتماعي.

الذكاء الاصطناعي القوي (Strong AI): يُعرف أيضًا باسم "الذكاء الاصطناعي العام" (AGI)، ويمتلك القدرة على فهم وتعلم وتطبيق المعرفة عبر مجموعة واسعة من المهام على مستوى يعادل أو يتجاوز الذكاء البشري. هذا المستوى من الذكاء الاصطناعي نظري حاليًا ولا توجد أنظمة ذكاء اصطناعي معروفة تقترب من هذا المستوى من التطور.

تاريخ الذكاء الاصطناعي

تعود فكرة "آلة تفكر" إلى اليونان القديمة. ولكن منذ ظهور الحوسبة الإلكترونية، تشمل الأحداث والمعالم الهامة في تطور الذكاء الاصطناعي ما يلي:

1. 1950: نشر آلان تورينج ورقة "الآلات الحاسوبية والذكاء". طرح فيها سؤاله الشهير: "هل يمكن للآلات أن تفكر؟" واقترح اختبارًا يُعرف الآن باسم "اختبار تورينج".
2. 1956: صاغ جون مكارثي مصطلح "الذكاء الاصطناعي" في أول مؤتمر للذكاء الاصطناعي.
3. 1967: بنى فرانك روزنبلات Mark 1 Perceptron، وهو أول كمبيوتر يعتمد على شبكة عصبية "تتعلم" عن طريق التجربة والخطأ.
4. 1980: أصبحت الشبكات العصبية، التي تستخدم خوارزمية الانتشار الخلفي لتدريب نفسها، مستخدمة على نطاق واسع في تطبيقات الذكاء الاصطناعي.
5. 1997: هزم حاسوب Deep Blue من IBM بطل العالم في الشطرنج آنذاك غاري كاسباروف.
6. 2011: هزم IBM Watson الأبطال في برنامج الألعاب Jeopardy!.
7. 2015: استخدم الحاسوب العملاق Minwa من Baidu شبكة عصبية عميقة خاصة لتحديد وتصنيف الصور بدقة أعلى من متوسط الإنسان.
8. 2016: هزم برنامج AlphaGo من DeepMind بطل العالم في لعبة "غو" لي سيدول.
9. 2022: أدى ظهور نماذج اللغة الكبيرة (LLMs)، مثل ChatGPT من OpenAI، إلى تغيير هائل في أداء الذكاء الاصطناعي وإمكاناته.
10. 2024: تشير أحدث اتجاهات الذكاء الاصطناعي إلى استمرار نهضة الذكاء الاصطناعي. توفر النماذج متعددة الوسائط التي يمكنها استقبال أنواع متعددة من البيانات تجارب أكثر ثراءً وقوة. كما تحقق النماذج الأصغر تقدمًا.

الآن بعد أن أصبحت خبيراً في أساسيات هذا العالم المثير، حان وقت التطبيق.

هل أنت جاهز لتحويل كلماتك إلى صوت يأسر القلوب والعقول؟

ابدأ رحلتك في عالم المحتوى الصوتي اليوم.

جرّب منصة "مكنة" مجانًا وحوّل أول 1000 حرف إلى تعليق صوتي احترافي في أقل من 5 دقائق!

ابدأ تجربتك المجانية الآن