الأتمتة مقابل مكوّن الذكاء الاصطناعي الحقيقي

ملاحظة: هذا المستند هو ترجمة آلية للنسخة الإنجليزية الأصلية.

الأتمتة مقابل مكوّن الذكاء الاصطناعي الحقيقي

تصف كثير من مشاريع الكريبتو الأتمتة البسيطة بأنها «ذكاء اصطناعي». فروبوت تداول يتبع قواعد محددة مسبقاً، وعقد ذكي يوجّه المعاملات بحسب سعر الغاز، ونظام إشعارات يُطلَق عند العتبات — هذه أتمتة، لا ذكاء اصطناعي. وتساعد هذه الصفحة على التمييز بين الاثنين.

باختصار: الأتمتة تتبع قواعد ثابتة؛ أما مكوّن الذكاء الاصطناعي الحقيقي فيتعلّم من البيانات وينتج مخرجات احتمالية. والفرق مهمّ لأن DecAIHub يقيّم ما إذا كانت ادعاءات الذكاء الاصطناعي قابلة للتحقق — والمنطق القائم على القواعد ليس ذكاءً اصطناعياً.

تشبيه للمبتدئين

تأمّل منظِّمي حرارة. الأول منظِّم حرارة تقليدي: تضبطه على 22 درجة، فيشغّل المدفأة عندما تنخفض الحرارة دون 22 ويوقفها عندما ترتفع فوقها. هذه أتمتة — قاعدة ثابتة تُنفَّذ بموثوقية. أما الثاني فيتعلّم جدولك، ويكتشف متى تغادر المنزل، ويتكيّف بناءً على توقّعات الطقس، ويُحسِّن مع الوقت لتقليل استهلاك الطاقة مع إبقائك مرتاحاً. هذا ذكاء اصطناعي — نظام يتعلّم من البيانات ويكيّف سلوكه. كلاهما ينظّم الحرارة. لكن الثاني وحده هو من لديه نموذج مدرَّب يتخذ قرارات لم تكن مجموعة قواعد ثابتة لتتوقّعها.

في مجال الكريبتو والذكاء الاصطناعي، كثير من المشاريع أشبه بمنظِّم الحرارة الأول: موثوق، وعملي، وقائم على القواعد. ومهمة DecAIHub هي تحديد أي المشاريع يعمل بحقّ مثل الثاني.

ما هي الأتمتة

الأتمتة نظام ينفّذ قواعد محددة مسبقاً دون تعلّم أو تكيّف. وسلوكه حتميّ: فبالمدخل نفسه، ينتج دائماً المخرج نفسه.

• «إذا انخفض سعر الرمز دون $X، فبِع.» — قاعدة شرطية.
• «وجِّه المعاملة إلى السلسلة ذات أدنى رسوم غاز.» — مقارنة حتمية.
• «أرسِل تنبيهاً عندما تتغيّر TVL بأكثر من 5%.» — مُطلِق عند عتبة.
• «أعِد توازن المحفظة إلى توزيع 60/40 يومياً.» — جدول ثابت بصيغة ثابتة.

هذه أنماط هندسية مفيدة. وهي ليست ذكاءً اصطناعياً.

للأتمتة نقاط قوة واضحة: فهي قابلة للتنبؤ، وقابلة للتدقيق، وسريعة، وسهلة الفهم. وعندما يجب أن يتصرّف نظام بشكل متطابق في كل مرة — مثل تنفيذ عقد ذكي وفق شروط محددة — تكون الأتمتة الحتمية هي الأداة الصحيحة. والمشكلة ليست في وجود الأتمتة، بل في أن بعض المشاريع تصفها بأنها ذكاء اصطناعي لتضخيم التطور التقني المتصوَّر لها.

ما هو مكوّن الذكاء الاصطناعي الحقيقي

مكوّن الذكاء الاصطناعي الحقيقي نظام يتعلّم من البيانات، أو يتنبّأ، أو يولّد مخرجات جديدة لا يمكن وصفها بالكامل بمجموعة قواعد ثابتة. وسلوكه احتمالي: فبالمدخل نفسه، قد ينتج مخرجات مختلفة بحسب ما تعلّمه.

• نموذج مدرَّب على بيانات تداول تاريخية يتنبّأ باتجاه حركة السعر.
• نظام NLP يقرأ ورقةً بيضاء ويولّد ملخصاً.
• مصنِّف يصنّف المعاملات على السلسلة بوصفها مشبوهة أو طبيعية بناءً على أنماط متعلَّمة.
• وكيل يستخدم LLM للاستدلال عن استراتيجيات DeFi متعددة الخطوات.

الفرق الأساسي: النظام لديه نموذج مدرَّب — أوزان، أو معلمات، أو تمثيل متعلَّم — شكّلته البيانات، لا مطوِّر كتبه.

يتطلّب مكوّن الذكاء الاصطناعي الحقيقي عملية تدريب: يُعرَّض النموذج للبيانات، ويعدّل معلماته الداخلية، ويطوّر القدرة على التعميم بما يتجاوز الأمثلة المحددة التي دُرِّب عليها. فالمطوِّر يشفّر المعرفة بوصفها قواعد؛ بينما يستخرج نموذج الذكاء الاصطناعي من البيانات أنماطاً قد تتجاوز ما يستطيع أي مطوِّر منفرد أن يصوغه.

المنطقة الرمادية

تقع بعض الأنظمة بين الأتمتة الواضحة والذكاء الاصطناعي الواضح:

• التسجيل الإرشادي (Heuristic scoring) — قواعد موزونة يصمّمها خبراء. لا يحدث تعلّم، لكن المنطق معقّد بما يكفي ليشبه نموذجاً. والأوزان يضبطها البشر، لا تُشتقّ من البيانات عبر التحسين.
• العتبات الإحصائية — قيم مشتقّة من تحليل البيانات لكنها تُطبَّق بوصفها قواعد ثابتة. الاشتقاق استخدم بيانات؛ والتنفيذ لا يتعلّم. فمثلاً، نظام كشف احتيال يضع علامةً على المعاملات فوق عتبة مشتقّة إحصائياً يستخدم أتمتةً مستنيرة بالبيانات، لا نموذجاً متعلِّماً.
• أغلفة المطالبات (Prompt wrappers) — يرسل مشروع مدخلات المستخدم إلى API لـ LLM تابع لطرف ثالث بقالب مطالبة ثابت. الـ LLM ذكاء اصطناعي حقيقي، لكن مساهمة المشروع نفسه قد تكون أقرب إلى الأتمتة. انظر API wrapper.
• أشجار القرار بانقسامات يدوية — قد ينظّم مشروع المنطق بوصفه شجرة شروط. وإذا كانت الانقسامات يحدّدها مطوِّر بدلاً من تعلّمها من البيانات، فهذه أتمتة منظَّمة، لا تعلّم آلي.

في الحالات الملتبسة، يقيّم DecAIHub ما يبنيه المشروع نفسه ويتحكّم فيه، لا ما يوفّره مزوّد خارجي. ويفحص التقييم المصنوعات: هل يوجد ملف نموذج مدرَّب؟ هل توجد سجلّات تدريب؟ هل توجد نتائج تقييم؟ فإذا لم يوجد أيّ من هذه ويمكن وصف سلوك النظام بالكامل بشروط if/else، فالنظام أتمتة بصرف النظر عمّا يسمّيه التسويق.

كيف تميّز الفرق

السؤال	إذا كان نعم	إذا كان لا
هل يتعلّم النظام من بيانات جديدة؟	على الأرجح ذكاء اصطناعي	على الأرجح أتمتة
هل النتائج حتمية بالمدخل نفسه؟	على الأرجح أتمتة	على الأرجح ذكاء اصطناعي
هل يوجد نموذج مدرَّب (أوزان، معلمات)؟	على الأرجح ذكاء اصطناعي	على الأرجح أتمتة
هل يمكن تحقيق النتيجة نفسها بقواعد if/else؟	على الأرجح أتمتة	على الأرجح ذكاء اصطناعي
هل يصف المشروع التدريب، أو الضبط الدقيق، أو التقييم؟	على الأرجح ذكاء اصطناعي	تحقّق أكثر
هل يتحسّن النظام مع الوقت دون تغييرات يدوية في الشيفرة؟	على الأرجح ذكاء اصطناعي	على الأرجح أتمتة
هل سلوك النظام محدَّد بالكامل في ملفات التهيئة؟	على الأرجح أتمتة	على الأرجح ذكاء اصطناعي

لا يوجد سؤال واحد قاطع. لكن إذا أشارت جميع الإجابات إلى الأتمتة، فإن ملصق «AI» على الأرجح تسويق.

اختبار عملي: صِف لمطوِّر ما يفعله النظام. فإذا استطاع المطوِّر تنفيذه في يوم باستخدام منطق شرطي ومقارنات بسيطة دون أي تدريب نموذج، فالنظام على الأرجح أتمتة. وإذا تطلّب التنفيذ جمع بيانات، وتدريب نموذج، وتقييم دقته، والتكرار — فهو على الأرجح ذكاء اصطناعي.

لماذا يهمّ هذا لـ DecAIHub

يسأل علم AI_1 في DecAIHub عمّا إذا كان المشروع قد «وصف ما يفعله الذكاء الاصطناعي بالضبط». فإذا كان «الذكاء الاصطناعي» الموصوف في الواقع أتمتةً قائمة على قواعد، فهو لا يؤهَّل بوصفه مكوّن ذكاء اصطناعي حقيقياً ولا ينبغي أن يحصل على درجة AI_1 = 1.

هذا ليس حكماً على الجودة. فالأتمتة يمكن أن تكون فعّالة، وموثوقة، وقيّمة. لكن تسمية الأتمتة «ذكاءً اصطناعياً» شكل من أشكال AI-washing — تضخيم الادعاءات التقنية لجذب الانتباه أو تبرير تقييمات الرموز.

دور DecAIHub هو توفير الوضوح. فعندما تنصّ بطاقة مشروع على أن مكوّن الذكاء الاصطناعي «أتمتة قائمة على قواعد»، فهذا توثيق دقيق، لا نقد. ويستطيع القرّاء عندئذٍ أن يقرّروا ما إذا كانت تقنية المشروع تلبّي توقّعاتهم.

ما الذي لا يثبته هذا التمييز وحده

• التصنيف بوصفه «ذكاءً اصطناعياً حقيقياً» لا يثبت أن الذكاء الاصطناعي عالي الجودة. فمكوّن ذكاء اصطناعي حقيقي قد يظل مدرَّباً بشكل سيئ أو غير دقيق.
• التصنيف بوصفه «أتمتة» لا يثبت أن المشروع أدنى مرتبة. فالأتمتة يمكن أن تكون شديدة الفعالية والموثوقية.
• اجتياز اختبار الذكاء الاصطناعي مقابل الأتمتة لا يثبت أن المشروع يمتلك دليل Tier-1 الكامل. فلا تزال هناك حاجة إلى مصنوعات إضافية (وثائق، معايير قياسية، عروض توضيحية). انظر ما الذي يُعدّ دليلاً على الذكاء الاصطناعي.
• المشروع الذي يجمع بين الذكاء الاصطناعي الحقيقي والأتمتة لا يُعاقَب على مكوّنات الأتمتة لديه. فـ DecAIHub يقيّم ادعاء الذكاء الاصطناعي تحديداً، لا حزمة التقنية بأكملها.

أمثلة

ادعاء المشروع	ما هو في الواقع	الفئة
«روبوت تداول مدعوم بالذكاء الاصطناعي» يتبع قواعد جني أرباح/إيقاف خسارة محددة مسبقاً	منطق شرطي	أتمتة
نظام تداول يستخدم نماذج ML لتكييف الاستراتيجيات بناءً على بيانات السوق	تعلّم آلي	ذكاء اصطناعي حقيقي
«موجِّه ذكاء اصطناعي» يختار أرخص مسار غاز	مقارنة حتمية	أتمتة
موجِّه يتنبّأ بمسارات التنفيذ المثلى باستخدام بيانات تاريخية	نموذج تنبؤ	ذكاء اصطناعي حقيقي
«تنبيهات ذكاء اصطناعي» عندما يتجاوز السعر عتبة	مُطلِق عند عتبة	أتمتة
نظام كشف شذوذ يتعلّم الأنماط الطبيعية ويضع علامةً على الانحرافات	مصنِّف مدرَّب	ذكاء اصطناعي حقيقي
«مدير محفظة ذكاء اصطناعي» يعيد التوازن إلى نسب ثابتة وفق جدول	صيغة ثابتة	أتمتة
نظام محفظة يتعلّم تفضيلات المخاطرة ويكيّف التوزيع مع ظروف السوق	نموذج تكيّفي	ذكاء اصطناعي حقيقي

ما الذي تبحث عنه في بطاقات المشاريع

عند قراءة بطاقة DecAIHub، تحقّق من حقل AI component. فمكوّن الذكاء الاصطناعي الحقيقي يصف عادةً التعلّم، أو التنبؤ، أو التوليد، أو التصنيف. وإذا بدا الوصف وكأنه منطق شرطي — «يوجّه إلى الأرخص»، «يُطلَق عندما»، «يتبع قواعد» — فقد يكون أتمتة، لا ذكاءً اصطناعياً.

تحقّق أيضاً من جدول الأدلة. فمكوّنات الذكاء الاصطناعي الحقيقية تنتج مصنوعات قابلة للتحقق: أوصاف النماذج، وبيانات التدريب، والمعايير القياسية، وسجلّات الاستدلال. أما الأتمتة فتنتج شيفرة — وهي دليل هندسي صالح، لكنها ليست دليلاً على الذكاء الاصطناعي.

انظر إلى أعلام AI_1 حتى AI_5 معاً. فالمشروع الذي يكون فيه AI_1 = 0 (لا وصف واضح للذكاء الاصطناعي) لكنه يطرح ادعاءات منتج قوية ينبغي أن يستدعي قراءةً أدقّ. والمشروع الذي يكون فيه AI_1 = 1 لكن AI_3 = 0 (لا مقاييس كمية) قد وصف ذكاءه الاصطناعي لكنه لم يقدّم بعد بيانات أداء قابلة للقياس. وتساعد هذه الأنماط القرّاء على تقييم مقدار الدليل الذي يقف وراء ملصق الذكاء الاصطناعي.

الأسئلة المتكررة

هل يمكن أن تكون الأتمتة أفضل من الذكاء الاصطناعي لبعض المهام؟

بالتأكيد. فبالنسبة للمهام المحددة جيداً، أو الحرجة من حيث السلامة، أو التي تتطلّب ضمانات حتمية، تكون الأتمتة غالباً الخيار الأفضل. فالعقد الذكي الذي يجب أن يُنفَّذ بشكل متطابق في كل مرة يستفيد من المنطق الحتمي، لا من مخرجات نموذج احتمالية. ويتفوّق الذكاء الاصطناعي عندما يكون فضاء المشكلة أعقد من القواعد الثابتة — عندما يحتاج النظام إلى التعرّف على الأنماط، أو التعامل مع الغموض، أو التعميم على مدخلات لم يرها. والأداة الصحيحة تعتمد على المهمة، لا على أي ملصق يبدو أكثر إبهاراً.

ماذا لو استخدم مشروع الأتمتة والذكاء الاصطناعي معاً؟

كثير من الأنظمة الحقيقية تجمع بين الأتمتة والذكاء الاصطناعي. فقد يستخدم مشروع نموذج ML مدرَّباً لتوليد إشارة ثم يمرّر تلك الإشارة عبر خط أنابيب مؤتمت قائم على قواعد للتنفيذ. وفي مثل هذه الحالات، يقيّم DecAIHub جزء الذكاء الاصطناعي بحسب مزاياه الخاصة: هل النموذج حقيقي، هل هو موثَّق، هل لديه دليل قابل للتحقق؟ ويُلاحَظ جزء الأتمتة لكنه لا يُحتسَب دليلاً على الذكاء الاصطناعي. والمقاربة الهجينة صالحة تماماً — والمفتاح هو الوصف الدقيق.

كيف يتعامل DecAIHub مع المنطقة الرمادية؟

عندما يقع نظام بين الأتمتة الواضحة والذكاء الاصطناعي الواضح، يبحث DecAIHub عن مصنوعات الدليل. فإذا وُجد نموذج مدرَّب — ولو بسيط — مع وثائق عن بيانات تدريبه، ومنهجية تقييمه، ومقاييس أدائه، فإن النظام يؤهَّل بوصفه يمتلك مكوّن ذكاء اصطناعي. وإذا أمكن وصف منطق النظام بالكامل بوصفه مجموعة قواعد ثابتة، فإنه يُصنَّف أتمتةً بصرف النظر عن تعقيده. وفي الحالات الحدّية، تصف بطاقة المشروع الغموض حتى يتمكّن القرّاء من تكوين تقييمهم الخاص.

هل استخدام نموذج مدرَّب مسبقاً «ذكاء اصطناعي حقيقي» للمشروع؟

يعتمد على ما يفعله المشروع به. فإذا ضبط المشروع نموذجاً مدرَّباً مسبقاً بدقة على بياناته الخاصة، وقيّمه، ونشره — فإن المشروع يمتلك مكوّن ذكاء اصطناعي حقيقياً (نموذج مضبوط بدقة يتحكّم فيه). وإذا اكتفى المشروع باستدعاء نموذج مدرَّب مسبقاً عبر API دون تعديل، فإن الذكاء الاصطناعي يخصّ المزوّد. انظر ما هو API wrapper لمزيد من التفصيل حول هذا التمييز.

مراجع خارجية

• Stanford HAI AI Index Report — تقرير سنوي شامل يتتبّع تقدّم الذكاء الاصطناعي وقدراته واعتماده، مفيد لفهم السياق الأوسع للأنظمة الذكية مقابل غير الذكية.
• Machine Learning Glossary by Google Developers — مسرد موثوق لمصطلحات ML بما في ذلك تعريفات واضحة لمفاهيم قريبة من الأتمتة مثل الأنظمة القائمة على القواعد، والإرشادات، والنماذج المدرَّبة.
• Artificial Intelligence: A Modern Approach (Russell and Norvig) — الكتاب الأكاديمي المعياري الذي يعرّف الذكاء الاصطناعي، بما في ذلك التمييز بين الأنظمة القائمة على القواعد والأنظمة القائمة على التعلّم.

انظر أيضًا

• ما هو AI component
• AI component مقابل use case
• ما هو التعلّم الآلي
• ما هو API wrapper
• كيفية معرفة ما إذا كان لدى المشروع ذكاء اصطناعي حقاً
• AI-washing وonchain-washing وtoken-washing
• ما هو DecAI Fit