ما هو نموذج الذكاء الاصطناعي

ملاحظة: هذا المستند هو ترجمة آلية للنسخة الإنجليزية الأصلية.

ما هو نموذج الذكاء الاصطناعي

نموذج الذكاء الاصطناعي بنية رياضية دُرِّبت على بيانات لإنتاج مخرجات مفيدة: تنبؤات، أو تصنيفات، أو نصوص مولَّدة، أو صور، أو درجات، أو قرارات. تخيّله بوصفه «وصفة» بالغة التعقيد تعلّمها الحاسوب من ملايين الأمثلة. وتماماً كما يدرس الطاهي البشري آلاف الأطباق قبل ابتكار وصفاته الخاصة، يستوعب نموذج الذكاء الاصطناعي الأنماط من البيانات أثناء التدريب ثم يطبّق تلك الأنماط على مدخلات جديدة لم يرها من قبل أثناء الاستدلال.

النموذج نفسه ليس برمجيات بالمعنى التقليدي. إنه ملف (أو مجموعة ملفات) يحتوي على قيم عددية تُسمّى الأوزان تشفّر الأنماط التي تعلّمها النموذج. فبدون أوزانه، يكون النموذج مجرد بنية فارغة بلا معرفة. ومعها، يصبح المصنوع الجوهري الذي يحوّل المدخل الخام إلى نتيجة مدفوعة بالذكاء الاصطناعي.

باختصار: نموذج الذكاء الاصطناعي «وصفة» تعلّمها من البيانات. يأخذ مدخلاً، ويطبّق الأنماط التي استوعبها أثناء التدريب، وينتج مخرجاً. وعندما يدّعي مشروع كريبتو وذكاء اصطناعي أنه «يمتلك ذكاءً اصطناعياً»، يكون السؤال الأول: أي نموذج؟

كيف يُنشأ النموذج

يتّبع بناء نموذج الذكاء الاصطناعي خط أنابيب يبدأ ببنية فارغة وينتهي بمصنوع قابل للنشر. وفهم هذا الخط يساعد على تقييم مدى عمق الذكاء الاصطناعي في المشروع وواقعيته.

البنية

يبدأ كل نموذج بوصفه بنية — مخطّطاً يحدّد كيف تتدفّق البيانات عبر النظام. وتشمل البنى الشائعة الشبكات العصبية التغذوية الأمامية، والشبكات العصبية الالتفافية (CNNs)، والمحوّلات (transformers)، وأشجار القرار، ونماذج الانتشار (diffusion). وتحدّد البنية أنواع الأنماط التي يمكن للنموذج تعلّمها ومدى كفاءته في تعلّمها. واختيار البنية المناسبة للمهمة من أهم القرارات التي يتخذها فريق الذكاء الاصطناعي.

المعلمات والأوزان

تحتوي البنية على معلمات — قيم عددية قابلة للتعديل يضبطها النموذج أثناء التدريب. قد يكون لنموذج صغير بضعة ملايين من المعلمات؛ بينما قد يكون لنموذج لغوي كبير مئات المليارات. وقبل التدريب، تُهيَّأ جميع المعلمات بقيم عشوائية أو شبه عشوائية ولا تحمل أي معرفة مفيدة.

وبعد التدريب، تصبح هذه المعلمات أوزاناً — قيماً محددة تشفّر الأنماط الإحصائية التي استخرجها النموذج من بيانات تدريبه. والأوزان هي ما يجعل النموذج المدرَّب مختلفاً عن بنية فارغة. وعندما يتحدث الناس عن «حجم النموذج»، فإنهم يقصدون عادةً عدد المعلمات.

التدريب

أثناء التدريب، يُعرَّض النموذج لـمجموعة بيانات وتقوم خوارزمية تحسين (مثل الانحدار التدرّجي مع الانتشار العكسي) بتعديل الأوزان لتقليل الأخطاء. وقد تستغرق عملية التدريب ساعات، أو أياماً، أو أسابيع بحسب حجم مجموعة البيانات، وحجم النموذج، والحوسبة المتاحة. والنتيجة نموذج مدرَّب: مجموعة من ملفات الأوزان يمكن تحميلها واستخدامها.

التقييم

قبل النشر، يقيّم الفريق المسؤول النموذج مقابل المعايير القياسية — اختبارات موحَّدة تقيس الأداء في مهام محددة. ويجيب التقييم عن السؤال: هل يعمل هذا النموذج جيداً بما يكفي ليكون مفيداً؟

النشر

الخطوة الأخيرة هي تحميل النموذج المدرَّب في نظام استدلال يخدم طلبات حقيقية. ويتضمن النشر قرارات بشأن العتاد، ومتطلبات الكمون، والتوسّع، والمراقبة. والنموذج الذي يوجد بوصفه نموذجاً بحثياً أولياً فقط ليس منتجاً بعد.

التدفّق المبسّط من البداية إلى النهاية:

اختيار بنية — محوّل، CNN، شجرة قرار، نموذج انتشار، إلخ.
تحضير البيانات — جمع مجموعة بيانات وتنظيفها ووسمها.
التدريب — تشغيل خوارزمية تحسين تعدّل معلمات النموذج بناءً على البيانات.
التقييم — قياس الأداء مقابل المعايير القياسية.
النشر — تحميل النموذج المدرَّب في نظام استدلال يخدم طلبات حقيقية.

النموذج مقابل الخوارزمية

كثيراً ما يُخلَط بين هذين المصطلحين، لكن التمييز مهمّ:

الخوارزمية — طريقة أو إجراء التدريب (مثل الانحدار التدرّجي، الانتشار العكسي، التعلّم المعزَّز). وهي تصف كيف يتعلّم النموذج.
النموذج — نتيجة تطبيق الخوارزمية على البيانات. وهو يصف ما الذي تُعلِّم.

الخوارزمية قابلة لإعادة الاستخدام عبر مجموعات بيانات ومهام كثيرة. أما النموذج فخاصّ بالبيانات والمهمة التي دُرِّب عليها. ويمكن لخوارزمية التدريب نفسها أن تنتج نماذج شديدة الاختلاف بحسب البنية، والبيانات، والمعلمات الفائقة المستخدمة.

أنواع نماذج الذكاء الاصطناعي

لا توجد طريقة واحدة لتصنيف النماذج، لكن عدة عائلات رئيسية تظهر بانتظام في كل من الذكاء الاصطناعي العام ومشاريع الكريبتو والذكاء الاصطناعي.

النوع	كيف يعمل	المهام النموذجية	مثال في الكريبتو والذكاء الاصطناعي
المحوّل (Transformer)	يعالج التسلسلات باستخدام الانتباه الذاتي لالتقاط العلاقات بعيدة المدى	توليد النصوص، الترجمة، توليد الشيفرة، الاستدلال	روبوتات دردشة مدعومة بـLLM، وكلاء ذكاء اصطناعي، تدقيق الشيفرة
CNN (شبكة عصبية التفافية)	يطبّق مرشّحات لاكتشاف الأنماط المكانية (الحواف، النسيج، الأشكال)	تصنيف الصور، كشف الأجسام، تحليل الفيديو	تحليل NFT، كشف الأنماط البصرية على السلسلة
نموذج الانتشار (Diffusion)	يتعلّم توليد البيانات بعكس عملية إضافة الضوضاء خطوةً بخطوة	توليد الصور، تخليق الفيديو، إنشاء الصوت	فن NFT توليدي، بيانات اصطناعية للتدريب
شجرة القرار / الشجرة المعزَّزة بالتدرّج	يقسّم البيانات وفق عتبات السمات في بنية شجرية	التصنيف، الانحدار، البيانات الجدولية	كشف الاحتيال، تسجيل المخاطر، كشف الشذوذ على السلسلة
نموذج التعلّم المعزَّز	يتعلّم الإجراءات المثلى عبر التجربة والمكافأة والعقوبة	تحسين الاستراتيجيات، اتخاذ القرار المستقل	صنّاع السوق الآليون، وكلاء استراتيجيات التداول
محرك التوصية	يرتّب العناصر بحسب الصلة المتوقَّعة بمستخدم أو سياق	تنسيق المحتوى، التخصيص	اكتشاف الرموز، توصية البروتوكولات
الشبكة التوليدية التنافسية (GAN)	تتنافس شبكتان: واحدة تولّد وأخرى تميّز	تخليق صور واقعي، تعزيز البيانات	بيانات تدريب اصطناعية، كشف التزييف العميق

تستخدم معظم مشاريع الكريبتو والذكاء الاصطناعي واحداً من أنواع النماذج هذه أو مزيجاً منها. وفهم أي نوع يستخدمه المشروع يساعد على تقييم ما إذا كانت قدرة الذكاء الاصطناعي المزعومة واقعية لحالة الاستخدام المذكورة.

النماذج المدرَّبة مسبقاً مقابل المضبوطة بدقة

مصطلحان يظهران كثيراً في وثائق المشاريع:

النموذج المدرَّب مسبقاً (pre-trained) — نموذج دُرِّب على مجموعة بيانات كبيرة عامة الغرض (مثل نصوص الإنترنت أو ملايين الصور). والتدريب المسبق مكلف ويستغرق وقتاً طويلاً. والمؤسسات التي تقوم به (مثل تلك التي تقف وراء GPT، أو DeepSeek، أو Stable Diffusion) تستثمر موارد حوسبة كبيرة وعادةً ما تُطلق النموذج الناتج ليبني عليه الآخرون.
النموذج المضبوط بدقة (fine-tuned) — نموذج مدرَّب مسبقاً خضع لتدريب إضافي على مجموعة بيانات أصغر خاصة بمهمة معينة. والضبط الدقيق أرخص وأسرع من التدريب من الصفر لكنه لا يزال يتطلّب خبرة في المجال، وبيانات عالية الجودة، وحوسبة مناسبة.

المشروع الذي يضبط نموذجاً مفتوح المصدر بدقة على بيانات خاصة على السلسلة يمتلك عمق ذكاء اصطناعي أكبر من مشروع يكتفي باستدعاء API تابع لطرف ثالث. ومع ذلك، فإن الضبط الدقيق وحده لا يضمن جودة عالية — فالبيانات، والمنهجية، والتقييم كلها مهمة.

النماذج مفتوحة المصدر مقابل النماذج الخاصة

النماذج مفتوحة المصدر (تُسمّى أحياناً «النماذج مفتوحة الأوزان») تنشر بنيتها، وأوزانها، وغالباً تفاصيل تدريبها ليفحصها أي شخص ويعيد إنتاجها ويبني عليها. ومن أمثلتها DeepSeek، وQwen، وMistral، وStable Diffusion. ولا يعني كون النموذج مفتوح المصدر أنه مجاني للاستخدام التجاري — فالتراخيص تتفاوت.

النماذج الخاصة تُبقي أوزانها، وتفاصيل بنيتها، وبيانات تدريبها سرّية. ولا يصل المستخدمون إليها إلا عبر API. ومن أمثلتها GPT وClaude.

لأغراض التحقق، تقدّم النماذج مفتوحة المصدر ميزةً واضحة: إذ يمكن لأي شخص فحص الشيفرة والأوزان، وتشغيل النموذج باستقلالية، والتحقق من الادعاءات. والمشروع الذي يستخدم نماذج مفتوحة المصدر أو يبني عليها يقدّم دليلاً أقبل للتحقق من مشروع يشير إلى نموذج خاصّ خلف API مغلق.

النموذج الخاص مقابل API لنموذج شخص آخر

هذا التمييز حاسم لتقييم عمق الذكاء الاصطناعي:

النموذج الخاص — درّب المشروع نموذجاً أو ضبطه بدقة ويتحكّم في أوزانه، وخط أنابيب بياناته، ونشره. وهذا يعني عمق ذكاء اصطناعي أكبر ويمكن التحقق منه عبر الشيفرة، وبطاقات النماذج، والمعايير القياسية.
استدعاء API — يرسل المشروع طلبات إلى نموذج تابع لطرف ثالث (OpenAI، Anthropic، Google) ويُرجِع الاستجابة. والذكاء الاصطناعي يخصّ المزوّد. انظر ما هو API wrapper.

المشروع الذي يستدعي GPT عبر API والمشروع الذي درّب محوّله الخاص على بيانات خاصة على السلسلة كلاهما «يستخدم الذكاء الاصطناعي» — لكن عمق الذكاء الاصطناعي، والملكية، والقابلية للتحقق مختلفة اختلافاً جوهرياً. ويعكس DecAIHub هذا الفرق في حقل AI component ودرجة AI reality.

أين يظهر في بطاقات مشاريع DecAIHub

يمسّ مفهوم نموذج الذكاء الاصطناعي عدة أجزاء من بطاقة مشروع DecAIHub:

AI component كثيراً ما يشير إلى نوع نموذج أو بنية («fine-tuned LLM»، «proprietary classifier»، «ML scoring model»).
AI use case يصف ما يفعله النموذج للمستخدم النهائي.
جدول الأدلة يُظهر ما إذا كان قد عُثر على مصنوعات النموذج (شيفرة، أوزان، معايير قياسية، وثائق).
ai_score يعكس مدى دعم وجود النموذج وجودته بـدليل Tier-1.
DecAI Fit يدمج ai_score في تقييم أوسع لمدى ملاءمة المشروع لأطروحة الذكاء الاصطناعي اللامركزي. والمشروع الذي يكون فيه ai_score = 0 يحصل على DecAI Fit = 0، بصرف النظر عن الدرجات الأخرى.

وجود النموذج الذي يستخدمه المشروع ونوعه من أكثر الإشارات جوهريةً في تحديد AI reality. فالمشروع الذي يوثّق بنية نموذجه، وينشر الأوزان أو المعايير القياسية، ويُظهر خط أنابيب استدلال عاملاً يقدّم دليل Tier-1 أقوى من مشروع يكتفي بالقول «نحن نستخدم الذكاء الاصطناعي».

ما الذي لا يثبته النموذج وحده

الجودة — يمكن أن يوجد نموذج ويظل أداؤه ضعيفاً. فبدون معايير قياسية، لا توجد وسيلة للحكم على الأداء.
القيمة الخاصة — يمكن أن يكون النموذج نسخةً معدَّلة قليلاً من نقطة تحقّق مفتوحة المصدر. فالملكية والتمايز يتطلّبان دليلاً.
التأثير في العالم الواقعي — يمكن أن ينتج النموذج مخرجات صحيحة في المختبر ويفشل في الإنتاج. ودليل النشر مهمّ.
الضرورة — امتلاك نموذج لا يفسّر لماذا يحتاج المشروع إلى بلوك تشين أو رمز. فهذه محاور منفصلة في DecAI Fit.
الصيانة المستمرة — النموذج المدرَّب مرةً واحدة يمكن أن يصبح متقادماً مع تغيّر توزيعات البيانات. وبدون إعادة تدريب أو مراقبة، تتدهور الجودة مع الوقت.

لا تخلط بين

الخوارزمية — إجراء التدريب، لا النتيجة المدرَّبة. الخوارزمية تنتج النموذج.
الاستدلال — عملية تشغيل نموذج مدرَّب لتوليد المخرجات. النموذج هو المصنوع؛ والاستدلال هو استخدامه.
AI component — مصطلح أوسع قد يشمل النموذج إلى جانب خط الأنابيب المحيط (البيانات، المعالجة المسبقة، النشر). النموذج جزء واحد من المكوّن.
LLM — نوع محدد من النماذج (نموذج لغوي كبير)، لا مرادف لـ«نموذج الذكاء الاصطناعي» بشكل عام.
مجموعة البيانات — البيانات المستخدمة لتدريب النموذج. مجموعة البيانات مدخل لعملية التدريب؛ والنموذج هو المخرج.

الأسئلة المتكررة

ما الفرق بين النموذج والخوارزمية؟

الخوارزمية إجراء — مجموعة قواعد تخبر الحاسوب كيف يتعلّم من البيانات (مثل الانحدار التدرّجي). والنموذج نتيجة تشغيل تلك الخوارزمية على مجموعة بيانات محددة. الخوارزمية قابلة لإعادة الاستخدام؛ والنموذج خاصّ بالبيانات والمهمة التي دُرِّب عليها.

كم عدد المعلمات التي يحتاجها نموذج الذكاء الاصطناعي؟

لا توجد إجابة عامة. فقد يعمل مصنِّف بسيط للبيانات الجدولية جيداً بآلاف المعلمات. وقد يتطلّب نموذج لغوي كبير مليارات. والمزيد من المعلمات لا يعني تلقائياً نموذجاً أفضل — فتصميم البنية، وجودة البيانات، ومنهجية التدريب أهمّ من الحجم الخام. والنموذج الصغير المدرَّب جيداً يمكن أن يتفوّق على نموذج كبير مدرَّب بشكل سيئ في مهام محددة.

ماذا يعني «نموذج مفتوح المصدر»؟

النموذج مفتوح المصدر (أو مفتوح الأوزان) هو نموذج تكون بنيته وأوزانه المدرَّبة متاحة علناً للفحص وإعادة الإنتاج والتعديل. وهذا لا يعني بالضرورة أن النموذج مجاني للاستخدام التجاري — فلكل إصدار ترخيصه الخاص. ولأغراض التحقق، تكون النماذج مفتوحة المصدر أسهل في التدقيق لأن أي شخص يمكنه تشغيلها باستقلالية.

هل يمكن لمشروع كريبتو أن يدّعي امتلاك نموذج ذكاء اصطناعي دون نشره؟

نعم، وكثيرون يفعلون ذلك. لكن بدون شيفرة منشورة، أو أوزان، أو بطاقات نماذج، أو نتائج معايير قياسية، لا توجد وسيلة للتحقق باستقلالية من أن النموذج موجود، أو يعمل كما يُزعم، أو بناه المشروع. وفي DecAIHub، تنعكس مثل هذه الادعاءات عبر أعلام أدلة الذكاء الاصطناعي — فإذا لم تدعم مصنوعات Tier-1 الادعاء، يظل ai_score منخفضاً.

ما الفرق بين النموذج المدرَّب مسبقاً والمضبوط بدقة؟

النموذج المدرَّب مسبقاً دُرِّب على مجموعة بيانات كبيرة عامة الغرض لتعلّم أنماط واسعة (بنية اللغة، السمات البصرية، إلخ). والنموذج المضبوط بدقة يبدأ من نقطة تحقّق مدرَّبة مسبقاً ويُدرَّب أكثر على مجموعة بيانات أصغر خاصة بمجال لتخصيصه لمهمة معينة. والضبط الدقيق أسرع وأرخص من التدريب من الصفر لكنه لا يزال يتطلّب بيانات عالية الجودة وتقييماً دقيقاً.

انظر أيضًا

مراجع خارجية

Hugging Face -- Models -- مستودع مفتوح لآلاف النماذج المدرَّبة مسبقاً والمضبوطة بدقة عبر المهام والبنى.
Papers With Code -- Methods -- فهرس لبنى النماذج وطرق التدريب مع أوراق بحثية وشيفرة مرتبطة.
Stanford HAI -- AI Index Report -- تقرير سنوي يتتبّع حالة نماذج الذكاء الاصطناعي، والمعايير القياسية، واتجاهات الصناعة.
Google Research Blog -- Machine Learning -- منشورات تقنية عن بنى النماذج، وتقنيات التدريب، والتقدّم البحثي.
Wikipedia -- Artificial neural network -- مقالة نظرة عامة على بنى الشبكات العصبية وتاريخها.