ما هو الذكاء الاصطناعي

ملاحظة: هذا المستند هو ترجمة آلية للنسخة الإنجليزية الأصلية.

ما هو الذكاء الاصطناعي

الذكاء الاصطناعي (AI) مصطلح واسع للأنظمة البرمجية التي تؤدي مهاماً تتطلب عادةً ذكاءً بشرياً — تحليل البيانات، وإجراء التنبؤات، وتوليد المحتوى، والتعرّف على الأنماط، ودعم القرارات. الذكاء الاصطناعي ليس سحراً، ولا وعياً، ولا دماغاً رقمياً. إنه برمجية تجد أنماطاً في البيانات وتطبّقها على مدخلات جديدة.

فكّر في الذكاء الاصطناعي كآلة حاسبة للأنماط. تأخذ الآلة الحاسبة العادية أرقاماً وتطبّق قواعد الحساب. ويأخذ نظام الذكاء الاصطناعي أمثلة — آلافاً أو ملايين منها — ويكتشف القواعد التي تربط المدخلات بالمخرجات، دون أن يكتب أحد تلك القواعد يدوياً. عندما تسأل مساعداً صوتياً سؤالاً، أو عندما يلتقط مرشّح بريد عشوائي رسالة تصيّد، أو عندما تحوّل أداة ترجمة جملة إلى لغة أخرى، فأنت تتفاعل مع الذكاء الاصطناعي: برمجية دُرِّبت على أمثلة وتطبّق الآن ما تعلّمته على مواقف جديدة.

باختصار: الذكاء الاصطناعي برمجية تتعلم من البيانات وتُنتج نتائج كانت ستتطلب لولا ذلك حكماً بشرياً — وفي العملات المشفرة، السؤال الأساسي هو ما إذا كان الذكاء الاصطناعي لمشروع ما حقيقياً وقابلاً للتحقق.

كيف يعمل الذكاء الاصطناعي عملياً

على مستوى عالٍ، يتبع كل نظام ذكاء اصطناعي سير عمل مماثلاً. فهم هذه الخطوات يساعدك على تقييم ما إذا كانت ادعاءات الذكاء الاصطناعي لمشروع ما مبنية على الواقع أم مجرد لغة تسويقية.

حدّد المشكلة — قرّر ما الذي يحتاج الذكاء الاصطناعي إلى فعله. قد يكون هذا تصنيف الصور، أو ترجمة النص، أو كشف الشذوذ في معاملات البلوكشين، أو توليد الشيفرة. تعريف المشكلة الواضح هو الأساس؛ فبدونه، يكون الذكاء الاصطناعي حلاً يبحث عن سؤال.
اجمع البيانات وجهّزها — اجمع مجموعة بيانات ذات صلة بالمشكلة. قد تشمل البيانات صوراً موسومة، أو سجلات معاملات، أو مستندات نصية، أو قراءات مستشعرات. يجب تنظيف البيانات وتنظيمها وتقسيمها إلى مجموعات تدريب واختبار. تحدّد جودة البيانات مباشرةً جودة النموذج — وينطبق المبدأ القديم "القمامة تدخل، القمامة تخرج" تماماً.
اختر بنية معمارية للنموذج — اختر نوع نموذج الذكاء الاصطناعي المناسب للمهمة. بالنسبة للمهام النصية، قد يكون هذا transformer (البنية وراء GPT و Claude و Gemini). وبالنسبة لمهام الصور، قد يكون شبكة عصبية التفافية. وبالنسبة للبيانات الجدولية، قد تعمل نماذج أبسط مثل الأشجار المعزَّزة بالتدرّج أفضل من التعلّم العميق.
درّب النموذج — مرّر بيانات التدريب عبر النموذج وعدّل معاملاته الداخلية بحيث تطابق مخرجاته النتائج المتوقعة. التدريب مكلف حسابياً ويمكن أن يستغرق ساعات أو أياماً أو أسابيع حسب حجم النموذج وحجم البيانات.
قيّم واختبر — قِس النموذج المدرَّب مقابل بيانات اختبار محتجَزة لم يرها قط من قبل. تتحقق هذه الخطوة مما إذا كان النموذج قد تعلم أنماطاً حقيقية أم حفظ بيانات التدريب فقط (مشكلة تُسمّى الإفراط في الملاءمة). يستخدم التقييم المعايير القياسية ومقاييس الجودة مثل الدقة، والضبط (precision)، والاستدعاء (recall)، أو الحيرة (perplexity).
انشر للاستدلال — ضع النموذج في الإنتاج حيث يعالج مدخلات جديدة من العالم الحقيقي. يُسمّى هذا الاستدلال. في كل مرة تستخدم فيها روبوت محادثة، أو تحصل على توصية، أو تتلقى تنبيه احتيال، يحدث الاستدلال خلف الكواليس.
راقب وأعد التدريب — تتدهور النماذج المنشورة بمرور الوقت مع تغيّر العالم الحقيقي (ظاهرة تُسمّى انجراف البيانات). تتضمن أنظمة الذكاء الاصطناعي المسؤولة خطوط أنابيب تراقب الأداء وتعيد تدريب النماذج على بيانات حديثة.

عند تقييم ادعاءات الذكاء الاصطناعي للعملات المشفرة، تكون كل خطوة من هذه الخطوات نقطة تحقق. فالمشروع الذي يصف مجموعة بياناته، وعملية تدريبه، ومقاييس تقييمه، وخط أنابيب نشره يوفّر دليلاً أقوى بكثير من مشروع يقول ببساطة "مدعوم بالذكاء الاصطناعي".

الفروع الرئيسية ذات الصلة بالذكاء الاصطناعي للعملات المشفرة

ليس كل ذكاء اصطناعي متماثلاً. المجال واسع، وللفروع المختلفة نقاط قوة وقيود ومتطلبات دليل مختلفة. يظهر عدة منها كثيراً في أوصاف مشاريع الذكاء الاصطناعي للعملات المشفرة.

الفرع	الفكرة الجوهرية	أمثلة معروفة	حالات استخدام شائعة في العملات المشفرة
تعلّم الآلة (ML)	خوارزميات تتحسن عبر التعرّض للبيانات	scikit-learn، XGBoost	تسجيل المخاطر، كشف الشذوذ
التعلّم العميق	شبكات عصبية متعددة الطبقات للأنماط المعقدة	BERT، ResNet	NLP، التعرّف على الصور، النماذج التوليدية
نماذج اللغة الكبيرة (LLM)	نماذج transformer مدرَّبة على بيانات نصية ضخمة	GPT، Claude، Gemini، Mistral	روبوتات المحادثة، التلخيص، توليد الشيفرة
الرؤية الحاسوبية	أنظمة تفسّر الصور والفيديو	Stable Diffusion، YOLO	توليد NFT، تحليل البيانات البصرية
التعلّم المعزَّز (RL)	التعلّم عبر التجربة والخطأ وإشارات المكافأة	AlphaGo، OpenAI Five	الوكلاء الآليون، تحسين البروتوكولات

تعلّم الآلة

تعلّم الآلة هو الأساس الأكثر شيوعاً للذكاء الاصطناعي العملي. فبدلاً من برمجة قواعد صريحة، تتعلم خوارزميات تعلّم الآلة من البيانات. تستند معظم ادعاءات الذكاء الاصطناعي في مشاريع العملات المشفرة في نهاية المطاف إلى تقنيات تعلّم الآلة — من نماذج التصنيف البسيطة إلى الشبكات العصبية المعقدة.

التعلّم العميق

التعلّم العميق مجموعة فرعية من تعلّم الآلة تستخدم شبكات عصبية بطبقات كثيرة (ومن هنا "العميق"). وهو مسؤول عن معظم الاختراقات الأخيرة في الذكاء الاصطناعي. النماذج مثل BERT (الذي طوّرته Google لفهم سياق النص) وأنظمة التعرّف على الصور هي نماذج تعلّم عميق. يتطلب التعلّم العميق مجموعات بيانات كبيرة وقدرة حوسبة كبيرة، ولهذا أصبحت شبكات الحوسبة اللامركزية موضوعاً متكرراً في الذكاء الاصطناعي للعملات المشفرة.

نماذج اللغة الكبيرة

نماذج اللغة الكبيرة (LLMs) هي نماذج تعلّم عميق مدرَّبة على مدوّنات نصية ضخمة. تولّد النصوص وتلخّصها وتترجمها وتستدل حولها. تشمل نماذج LLM المعروفة GPT و Claude و Gemini و Mistral. في الذكاء الاصطناعي للعملات المشفرة، تستخدم كثير من المشاريع نماذج LLM لروبوتات المحادثة، أو تلخيص البيانات على السلسلة، أو تحليل العقود الذكية، أو توليد الشيفرة. يبني بعضها نماذجه الخاصة؛ ويغلّف بعضها واجهات API طرف ثالث. التمييز بين البناء والتغليف حاسم لتقييم عمق الذكاء الاصطناعي — راجع غلاف API.

التعلّم المعزَّز

التعلّم المعزَّز (RL) يدرّب نموذجاً بالسماح له باتخاذ إجراءات في بيئة وتلقّي مكافآت أو عقوبات. وبمرور الوقت، يتعلم الوكيل استراتيجيات تعظّم المكافأة التراكمية. يشغّل التعلّم المعزَّز وكلاء لعب الألعاب (مثل AlphaGo) ويُستخدم في بعض سياقات العملات المشفرة لضبط معاملات البروتوكولات الآلي والأنظمة القائمة على الوكلاء.

الرؤية الحاسوبية

الرؤية الحاسوبية تمكّن الآلات من تفسير البيانات البصرية ومعالجتها — الصور والفيديو. تولّد أنظمة مثل Stable Diffusion صوراً من أوصاف نصية، بينما تحدّد نماذج كشف الأجسام مثل YOLO الأجسام في الوقت الفعلي. في العملات المشفرة، تظهر الرؤية الحاسوبية في توليد NFT، والتحقق من الهوية، والتحليلات البصرية للبلوكشين.

تتداخل هذه الفروع كثيراً. فقد يستخدم مشروع ذكاء اصطناعي للعملات المشفرة نموذج LLM (وهو تعلّم عميق، وهو تعلّم آلة) مضبوطاً بدقة بالتعلّم المعزَّز من التغذية الراجعة البشرية (RLHF).

الذكاء الاصطناعي الضيق مقابل الذكاء الاصطناعي العام

تمييز يهمّ لفهم ادعاءات الذكاء الاصطناعي:

الذكاء الاصطناعي الضيق (ويُسمّى أيضاً الذكاء الاصطناعي الضعيف) مصمَّم لمهمة محددة — ترجمة اللغات، أو التعرّف على الوجوه، أو لعب الشطرنج، أو توليد الصور. كل نظام ذكاء اصطناعي في الإنتاج اليوم، بما في ذلك أكثر نماذج LLM تقدماً، هو ذكاء اصطناعي ضيق. يتفوق في مجاله المدرَّب لكنه لا يستطيع التعميم على مهام غير ذات صلة دون تدريب إضافي.
الذكاء الاصطناعي العام (AGI) نظام افتراضي يمكنه تعلّم وأداء أي مهمة فكرية يستطيع الإنسان القيام بها. لا يوجد AGI بعد. أي مشروع يزعم أنه بنى AGI يقدّم ادعاءً استثنائياً يتطلب دليلاً استثنائياً.

فهم هذا التمييز يساعد على ترشيح الادعاءات غير الواقعية. عندما يقول مشروع "مدعوم بالذكاء الاصطناعي"، فهو يعني ذكاءً اصطناعياً ضيقاً مطبَّقاً على وظيفة محددة — وينبغي أن تكون تلك الوظيفة موصوفة بوضوح وقابلة للتحقق.

لماذا يهمّ الذكاء الاصطناعي في العملات المشفرة — ولماذا يحتاج إلى تحقق

أوجد تقاطع الذكاء الاصطناعي والبلوكشين سردية سوقية عالية الطلب. تضيف كثير من مشاريع العملات المشفرة "AI" إلى تموضعها لأن المصطلح يجذب الانتباه، والتفاعل المجتمعي، والتمويل. المشكلة أن "AI" يمكن أن يعني أي شيء من محرك استدلال ملكي يشغّل نماذج مدرَّبة خصيصاً إلى مجرد غلاف API يستدعي خدمة طرف ثالث دون حدوث أي عمل ذكاء اصطناعي ذي معنى داخل المشروع نفسه.

يخلق هذا مشكلة تحقق:

الادعاءات سهلة الصنع. يمكن لأي مشروع أن يكتب "مدعوم بالذكاء الاصطناعي" على موقعه. ويمكن للأوراق البيضاء أن تصف بنى معمارية متطورة قد توجد أو لا توجد في الشيفرة.
التحقق صعب بدون بنية. يتطلب التحقق مما إذا كان الذكاء الاصطناعي حقيقياً النظر في مستودعات الشيفرة، وتوثيق النماذج، ونتائج المعايير القياسية، وأدلة النشر — مهارات وجهد لا يملكهما معظم المستخدمين.
تكلفة التضليل بالذكاء الاصطناعي مرتفعة. قد يسيء المستخدمون الذين لا يستطيعون تمييز الذكاء الاصطناعي الحقيقي عن التسويق الفارغ تقدير الجوهر التقني لمشروع. وهذا لا يتعلق بما إذا كان المشروع خياراً "جيداً" أو "سيئاً" — بل بما إذا كانت القدرات التقنية المعلنة قابلة للتحقق.

يوجد DecAIHub لمعالجة هذه الفجوة. فبدلاً من أخذ ادعاءات الذكاء الاصطناعي على ظاهرها، يتحقق السجل من دليل Tier-1: الشيفرة، والتوثيق، والمقاييس، والعروض، والبنية المعمارية التقنية. يُصنَّف الدليل من Tier-1 (الشواهد التقنية المباشرة مثل الشيفرة المصدرية وتقارير التدقيق) مروراً بـ Tier-2 (المعلومات السياقية من المجمّعات والتحليلات) نزولاً إلى Tier-3 (المواد التسويقية والادعاءات غير المتحقَّق منها).

يجمع مقياس DecAI Fit التقييمات عبر ثلاثة محاور — AI reality، وOnchain necessity، وToken necessity — في درجة واحدة من 0 إلى 6 تعكس مدى توافق مشروع مع أطروحة الذكاء الاصطناعي اللامركزي. والمشروع الذي يكون فيه ai_score = 0 (لا دليل على الذكاء الاصطناعي) يحصل تلقائياً على DecAI Fit = 0، بغض النظر عن مؤهلات البلوكشين أو التوكن لديه.

الطيف من "لا ذكاء اصطناعي" إلى "ذكاء اصطناعي حقيقي"

وجود الذكاء الاصطناعي في مشروع ليس ثنائياً. يدرك DecAIHub طيفاً، ينعكس في رايات AI reality (من AI_0 إلى AI_4):

المستوى	ما يعنيه	الدليل النموذجي
لا ذكاء اصطناعي مكتشَف	لا ذكر للذكاء الاصطناعي في أي مصدر	لا شيء
تموضع فقط	"AI" تظهر في التسويق لكن لم تُوجد شواهد تقنية	نسخة الموقع، العرض التقديمي
النية / خارطة الطريق	ميزات الذكاء الاصطناعي مخطَّطة لكن لم تُبنَ بعد	بنود خارطة الطريق، الإعلانات الرسمية
مكوّن موصوف	يصف المشروع ما يفعله ذكاؤه الاصطناعي	الورقة البيضاء، التوثيق
عروض عاملة	يمكن اختبار مخرجات الذكاء الاصطناعي أو ملاحظتها	عرض عام، نقطة نهاية API
مقاييس ومعايير قياسية	تُقاس جودة الذكاء الاصطناعي وتُنشر بمنهجية	نتائج المعايير القياسية، تقارير التقييم

يتطلب التحرك على طول هذا الطيف دليلاً أقوى تدريجياً. تغذّي كل خطوة درجة DecAI Fit. فالمشروع في مرحلة "التموضع فقط" له وزن دليل مختلف جوهرياً عن مشروع ينشر نتائج معايير قياسية بمنهجية.

ما لا يثبته الذكاء الاصطناعي وحده

امتلاك مكوّن ذكاء اصطناعي حقيقي وعامل ضروري لـ DecAI Fit قوي — لكنه غير كافٍ. الذكاء الاصطناعي وحده لا يجعل المشروع:

مفيداً — يجب أن يحلّ المنتج مشكلة حقيقية لمستخدميه.
لامركزياً — يمكن للذكاء الاصطناعي أن يعمل بالكامل على خوادم مركزية. تُقيَّم Onchain necessity بشكل منفصل.
مبرَّراً بالتوكن — وجود الذكاء الاصطناعي لا يفسّر لماذا يُحتاج التوكن. Token necessity محور منفصل.
عالي الجودة — يمكن لنموذج أن يوجد ومع ذلك يؤدي بشكل سيئ. تنعكس الجودة عبر المقاييس والمعايير القياسية، لا عبر الوجود وحده.
شفافاً — يمكن لنموذج أن يكون حقيقياً لكن مغلقاً بالكامل. تزيد الأوزان المفتوحة، أو بيانات التدريب المنشورة، أو المعايير القياسية القابلة لإعادة الإنتاج من القابلية للتحقق لكنها غير مضمونة بمجرد وجود الذكاء الاصطناعي.

لا تخلط بين

الأتمتة — النصوص القائمة على القواعد وسير العمل بمنطق إذا/إذن ليست ذكاءً اصطناعياً. راجع الأتمتة مقابل مكوّن الذكاء الاصطناعي الحقيقي.
مكوّن الذكاء الاصطناعي — وحدة محددة داخل مشروع يحدث فيها عمل الذكاء الاصطناعي. "الذكاء الاصطناعي" هو المجال العام؛ و"مكوّن الذكاء الاصطناعي" هو التنفيذ الملموس في مشروع معيّن.
وكيل الذكاء الاصطناعي — نظام مستقل يدرك ويستدل ويتصرف. تستخدم الوكلاء الذكاء الاصطناعي لكنها بنية معمارية محددة، لا مرادف للذكاء الاصطناعي نفسه.
الخوارزمية — إجراء ثابت خطوة بخطوة. تتبع الخوارزميات التقليدية تعليمات صريحة؛ بينما تتعلم نماذج الذكاء الاصطناعي الأنماط من البيانات. ليست كل خوارزمية ذكاءً اصطناعياً.

الأسئلة الشائعة

هل الذكاء الاصطناعي هو نفسه تعلّم الآلة؟

لا. الذكاء الاصطناعي هو المجال الأوسع الذي يشمل أي نظام يؤدي مهاماً تتطلب عادةً ذكاءً بشرياً. أما تعلّم الآلة فهو مجموعة فرعية من الذكاء الاصطناعي — النهج الأكثر شيوعاً اليوم — حيث تتعلم الأنظمة الأنماط من البيانات بدلاً من اتباع قواعد مكتوبة يدوياً. كل تعلّم آلة هو ذكاء اصطناعي، لكن ليس كل ذكاء اصطناعي تعلّم آلة (وإن كان معظم الذكاء الاصطناعي الحديث يعتمد عملياً على تقنيات تعلّم الآلة).

هل يستطيع الذكاء الاصطناعي التفكير أو امتلاك الوعي؟

لا يوجد نظام ذكاء اصطناعي حالي يفكّر، أو يفهم، أو يمتلك وعياً. حتى أكثر نماذج اللغة الكبيرة تقدماً هي أنظمة مطابقة أنماط تولّد مخرجات محتملة إحصائياً بناءً على بيانات التدريب. لا تمتلك معتقدات، أو نوايا، أو إدراكاً. ينبغي معاملة ادعاءات "وعي" الذكاء الاصطناعي أو "إحساسه" في أي مشروع كتسويق، لا كحقيقة تقنية.

ما الفرق بين الذكاء الاصطناعي الضيق والذكاء الاصطناعي العام؟

الذكاء الاصطناعي الضيق (ويُسمّى أيضاً الذكاء الاصطناعي الضعيف) مصمَّم لمهمة محددة — ترجمة النص، أو كشف الاحتيال، أو توليد الصور. كل نظام ذكاء اصطناعي منشور اليوم هو ذكاء اصطناعي ضيق. أما الذكاء الاصطناعي العام (AGI) فسيكون نظاماً قادراً على أي مهمة فكرية يستطيع الإنسان أداءها. يبقى AGI طموحاً بحثياً ولا يوجد في أي منتج أو بروتوكول.

كيف يُستخدم الذكاء الاصطناعي في مشاريع العملات المشفرة؟

تستخدم مشاريع العملات المشفرة الذكاء الاصطناعي لمجموعة من الوظائف: تحليل البيانات على السلسلة، وتسجيل المخاطر، وتدقيق العقود الذكية، وتوليد المحتوى، والوكلاء الآليين، والتدريب والاستدلال اللامركزيين للنماذج، وأكثر. السؤال الحاسم ليس ما إذا كان المشروع يذكر الذكاء الاصطناعي بل ما إذا كان مكوّن ذكائه الاصطناعي قابلاً للتحقق عبر دليل Tier-1 — الشيفرة، والتوثيق، والمعايير القياسية، والشواهد المنشورة.

لماذا تزيّف بعض مشاريع العملات المشفرة قدرات الذكاء الاصطناعي؟

يجذب ملصق "AI" الانتباه والاهتمام المجتمعي. إضافة مصطلحات الذكاء الاصطناعي إلى المواد التسويقية منخفضة التكلفة وعالية التأثير من حيث الإدراك. هذه الممارسة، المعروفة بـ التضليل بالذكاء الاصطناعي، تعكس ظاهرة "التضليل بالبلوكشين" الأقدم حيث أضافت المشاريع إشارات إلى البلوكشين دون منطق ذي معنى على السلسلة. صُمِّم إطار التحقق في DecAIHub، بما في ذلك رايات AI reality (من AI_0 إلى AI_4) ومستويات الدليل، تحديداً لتمييز الذكاء الاصطناعي الحقيقي عن الادعاءات التسويقية.

انظر أيضًا

مراجع خارجية

Stanford HAI — Artificial Intelligence Index Report — تقرير سنوي يتتبع اتجاهات الذكاء الاصطناعي العالمية والأبحاث والتطورات السياسية
Google Developers — Introduction to Machine Learning — نظرة عامة ودودة للمبتدئين على مفاهيم الذكاء الاصطناعي وتعلّم الآلة الأساسية
Artificial intelligence (Wikipedia) — نظرة شاملة على تاريخ الذكاء الاصطناعي وأساليبه وتطبيقاته وأسئلته المفتوحة
Papers With Code — State of the Art — معايير قياسية ولوحات صدارة تتتبع الأداء الحالي عبر مهام الذكاء الاصطناعي
MIT Technology Review — Artificial Intelligence — تغطية مبسَّطة لتطورات الذكاء الاصطناعي وأخلاقياته وأثره الصناعي