ما هو نموذج اللغة الكبير (LLM)

ملاحظة: هذا المستند هو ترجمة آلية للنسخة الإنجليزية الأصلية.

ما هو نموذج اللغة الكبير (LLM)

نموذج اللغة الكبير (LLM) هو نوع من الشبكات العصبية مدرَّب على كميات هائلة من النصوص بحيث يستطيع فهم اللغة البشرية وتوليدها. تخيّل مساعداً واسع الاطلاع للغاية استوعب مليارات الصفحات من الكتب والمقالات والشيفرة والمحادثات. فهو لا "يعرف" الأشياء كما يعرفها الإنسان؛ بل تعلّم أنماطاً إحصائية — أي الكلمات والأفكار التي تميل إلى أن تتبع غيرها — بما يكفي لكتابة فقرات متماسكة، والإجابة عن الأسئلة، والترجمة بين اللغات، وتلخيص المستندات، وحتى الاستدلال عبر مشكلات متعددة الخطوات.

الخاصية المميِّزة (والقيد) لنموذج LLM هي أنه يعمل بالتنبؤ. فبإعطائه بداية جملة، يحسب النموذج الكلمة التالية الأكثر احتمالاً، ثم التالية، وهكذا، رمزاً (token) واحداً في كل مرة. الرمز هو تقريباً كلمة أو جزء من كلمة. وبربط آلاف هذه التنبؤات الصغيرة، يستطيع نموذج LLM إنتاج مقالات أو شيفرة أو قصائد أو تحليلات تقنية — كل ذلك دون أن يُبرمَج صراحةً لكل مهمة. تشمل نماذج LLM المعروفة GPT و Claude و Gemini و Mistral. معظم مشاريع الذكاء الاصطناعي للعملات المشفرة التي تذكر "AI" في تسويقها إما تستخدم نموذج LLM داخلياً، أو تزعم استخدام واحد، أو تغلّف نموذج LLM طرف ثالث خلف واجهتها الخاصة. فهم ما هو نموذج LLM فعلاً — وما ليس عليه — ضروري لتقييم هذه الادعاءات.

باختصار: نموذج LLM هو المحرّك وراء معظم الذكاء الاصطناعي النصي الحديث. وفي الذكاء الاصطناعي للعملات المشفرة، السؤال الحاسم ليس ما إذا كان المشروع "يستخدم نموذج LLM" بل كيف يستخدمه وما القيمة الملكية التي يضيفها فوقه.

كيف يعمل

يشمل بناء نموذج LLM واستخدامه عدة مراحل متمايزة. تتطلب كل مرحلة موارد وخبرة وبيانات مختلفة — وتمثّل كل منها مستوى مختلفاً من عمق الذكاء الاصطناعي عند تقييم مشروع ذكاء اصطناعي للعملات المشفرة.

المرحلة 1: التدريب المسبق

التدريب المسبق هو حيث يتعلم النموذج أساسيات اللغة. خلال هذه المرحلة، يقرأ نموذج LLM مليارات الرموز — كلمات وأجزاء كلمات مستمدة من الكتب والمواقع ومستودعات الشيفرة والأوراق العلمية ومصادر نصية أخرى. يعدّل النموذج معاملاته الداخلية (الأوزان) ليصبح أكثر دقة تدريجياً في التنبؤ بالرمز التالي في تسلسل.

هذه المرحلة مكلفة. يمكن أن يتطلب تدريب نموذج LLM رائد من الصفر آلاف وحدات معالجة الرسوميات (GPUs) المتخصصة تعمل لأسابيع أو أشهر، وقد يمتلك النموذج الناتج عشرات أو مئات المليارات من المعاملات. قلّة قليلة من المنظمات — مختبرات ذكاء اصطناعي جيدة الموارد — تدرّب نماذج LLM من الصفر بشكل روتيني.

المرحلة 2: الضبط الدقيق

النموذج المدرَّب مسبقاً قوي لكنه عام. يضيّق الضبط الدقيق سلوك النموذج بتدريبه أكثر على مجموعة بيانات أصغر منسَّقة ذات صلة بمهمة أو مجال محدد. على سبيل المثال، قد يُضبط نموذج LLM طبي بدقة على الملاحظات السريرية؛ وقد يُضبط نموذج موجَّه لـ DeFi بدقة على توثيق العقود الذكية والبيانات على السلسلة.

يتطلب الضبط الدقيق حوسبة أقل بكثير من التدريب المسبق لكنه لا يزال يتطلب خبرة في اختيار البيانات، ومقاييس التقييم، وتجنّب النسيان الكارثي (حيث يفقد النموذج قدراته العامة أثناء التخصص).

المرحلة 3: المواءمة و RLHF

عادةً ما تخضع نماذج LLM الحديثة لمرحلة مواءمة بعد الضبط الدقيق. التعلّم المعزَّز من التغذية الراجعة البشرية (RLHF) هو النهج الأكثر شيوعاً: يرتّب مقيّمون بشريون مخرجات النموذج، ويُدرَّب النموذج ليفضّل الاستجابات التي يقيّمها البشر أعلى. المواءمة هي ما يجعل النموذج يتبع التعليمات، ويرفض الطلبات الضارة، ويُنتج إجابات مفيدة فعلاً بدلاً من هراء يبدو معقولاً.

المرحلة 4: الاستدلال

الاستدلال هو مرحلة الإنتاج — عندما يتلقى نموذج LLM مدرَّب مطالبة ويولّد مخرجاً. في كل مرة يرسل فيها مستخدم رسالة إلى روبوت محادثة، يجري نموذج LLM الأساسي الاستدلال: يقرأ المطالبة، ويعالجها عبر طبقات معاملاته، ويُنتج استجابة رمزاً برمز.

يكلّف الاستدلال حوسبة (وقت GPU) لكن أقل بكثير لكل استعلام من التدريب. معظم المشاريع التي "تستخدم نموذج LLM" تؤدي الاستدلال فقط — غالباً باستدعاء واجهة API لمزوّد خارجي بدلاً من تشغيل أجهزتها الخاصة.

خط الأنابيب في لمحة

المرحلة	ما يحدث	من يفعلها عادةً	تكلفة الحوسبة
التدريب المسبق	تعلّم اللغة من مليارات الرموز	مختبرات الذكاء الاصطناعي الكبرى	عالية جداً
الضبط الدقيق	تكييف النموذج لمجال أو مهمة	مختبرات الذكاء الاصطناعي، الشركات الناشئة جيدة التمويل	متوسطة
المواءمة (RLHF)	جعل النموذج آمناً ومتّبعاً للتعليمات	مختبرات الذكاء الاصطناعي	متوسطة
الاستدلال	توليد الاستجابات لمطالبات المستخدم	أي شخص لديه مفتاح API أو GPU	منخفضة لكل استعلام

الخصائص الأساسية لنموذج LLM

تحدّد عدة خصائص مدى قدرة نموذج LLM معيّن:

عدد المعاملات — عدد الأوزان القابلة للتدريب في النموذج. تلتقط النماذج الأكبر عموماً فروقاً أدقّ لكنها تكلّف أكثر للتدريب والتشغيل. تتراوح أعداد المعاملات من بضعة مليارات (نماذج صغيرة مفتوحة المصدر) إلى أكثر من تريليون (النماذج الرائدة).
نافذة السياق — الحد الأقصى لعدد الرموز التي يستطيع النموذج معالجتها في تفاعل واحد. نافذة السياق القصيرة تعني أن النموذج "ينسى" بداية محادثة طويلة. تقدّم نماذج LLM الحديثة نوافذ سياق تتراوح من بضعة آلاف رمز إلى أكثر من مئة ألف.
البنية المعمارية — معظم نماذج LLM الحديثة مبنية على بنية Transformer، التي قُدِّمت في 2017. تستخدم محوّلات Transformer آلية تُسمّى الانتباه الذاتي لترجيح العلاقات بين جميع الرموز في المدخل، وهو ما يتيح لها التعامل مع التبعيات بعيدة المدى في النص.
بيانات التدريب — تشكّل جودة البيانات المستخدمة أثناء التدريب المسبق وتنوّعها وحداثتها ما يعرفه النموذج. النموذج المدرَّب على نص إنجليزي فقط سيؤدي بشكل سيئ على اللغات الأخرى؛ والنموذج بحدّ معرفة في سنة معينة لن يعرف الأحداث اللاحقة.

أمثلة صناعية حقيقية

توضّح عدة نماذج LLM معروفة نطاق النهج في المجال:

GPT (OpenAI) — نموذج LLM مغلق المصدر ومتعدد الوسائط متاح عبر واجهة API. تستدعي كثير من مشاريع الذكاء الاصطناعي للعملات المشفرة واجهة API الخاصة بـ GPT لإضافة ميزات محادثة أو تحليل إلى منتجاتها.
Claude (Anthropic) — نموذج LLM مغلق المصدر بتركيز قوي على السلامة والمواءمة. مثل GPT، يُستخدَم عادةً عبر واجهة API.
DeepSeek-R1 (DeepSeek) — نموذج LLM مفتوح الأوزان صدر تحت رخصة MIT. قدراته القوية في الاستدلال وتوفّره المفتوح يجعلانه نموذجاً أساسياً شائعاً للضبط الدقيق ولمشاريع الذكاء الاصطناعي للعملات المشفرة التي تريد تشغيل النماذج محلياً أو تزعم تكاملاً أعمق للذكاء الاصطناعي.
Mistral (Mistral AI) — عائلة من النماذج المفتوحة الأوزان معروفة بأداء قوي عند أعداد معاملات أصغر، مما يجعلها عملية للمشاريع ذات ميزانيات GPU المحدودة.

تظهر هذه الأسماء كثيراً في أوصاف مشاريع الذكاء الاصطناعي للعملات المشفرة. عندما يقول مشروع إنه "يستخدم GPT"، فهذا يعني دائماً تقريباً أنه يستدعي واجهة API الخاصة بـ OpenAI. وعندما يقول إنه "ضبط DeepSeek بدقة"، فهذا يعني مشاركة تقنية أعمق — وإن كان الادعاء لا يزال يتطلب دليلاً قابلاً للتحقق.

نماذج LLM المفتوحة المصدر مقابل المغلقة المصدر

الجانب	مفتوح المصدر / مفتوح الأوزان	مغلق المصدر
أوزان النموذج	متاحة علناً للتنزيل	مخفية خلف واجهة API
الفحص	يمكن لأي شخص دراسته أو تدقيقه أو ضبطه بدقة	لا تدقيق خارجي ممكن للداخليات
التخصيص	يمكن ضبطه بدقة على بيانات مخصصة، وتشغيله محلياً	محدود بمعاملات API (درجة الحرارة، مطالبات النظام)
هيكل التكلفة	يتطلب عتاد GPU خاص أو استضافة	تسعير API بالدفع لكل رمز
أمثلة	DeepSeek، Qwen، Mistral	GPT، Claude، Gemini

بالنسبة لمشاريع الذكاء الاصطناعي للعملات المشفرة، يهمّ التمييز: فالمشروع الذي ضبط نموذجاً مفتوح الأوزان بدقة ونشر تفاصيل التدريب يُظهر عمق ذكاء اصطناعي أكبر من المشروع الذي يستدعي واجهة API مغلقة دون تعديل.

لماذا تهمّ نماذج LLM في الذكاء الاصطناعي للعملات المشفرة

تشير كثير من مشاريع الذكاء الاصطناعي للعملات المشفرة إلى نماذج LLM في أوراقها البيضاء أو عروضها التقديمية أو أوصاف منتجاتها. تتفاوت الادعاءات تفاوتاً واسعاً:

"بنينا نموذج LLM خاصاً بنا" — يعني تدريباً مسبقاً أو ضبطاً دقيقاً كبيراً، وهو ما يتطلب حوسبة وخبرة كبيرتين. هذا أعمق مستوى مشاركة.
"ضبطنا نموذج LLM بدقة لـ DeFi" — يعني تكييفاً خاصاً بالمجال لنموذج أساسي موجود. أكثر مصداقية من استدعاء API خام، لكن التفاصيل مهمة.
"نستخدم نموذج LLM" — غالباً ما يعني استدعاء واجهة API خارجية (مثل واجهة OpenAI أو Anthropic) بمطالبات خاصة بالمشروع. هذا أضحل مستوى تكامل للذكاء الاصطناعي.

تمثّل هذه السيناريوهات الثلاثة مستويات مختلفة جوهرياً من عمق الذكاء الاصطناعي، ويقيّمها DecAIHub وفقاً لذلك عبر منهجيته القائمة على الدليل.

استخدام واجهة API مقابل بناء نموذجك الخاص

النهج	ما يعنيه	عمق الذكاء الاصطناعي
استدعاء API	يرسل المشروع مطالبات إلى نموذج LLM طرف ثالث (مثل واجهة OpenAI) ويُرجع الاستجابة	منخفض — الذكاء الاصطناعي ملك للمزوّد
هندسة المطالبات	يصمّم المشروع مطالبات أو سلاسل أو خطوط أنابيب استرجاع متخصصة فوق نموذج LLM طرف ثالث	منخفض-متوسط — يوجد منطق ملكي لكن النموذج خارجي
الضبط الدقيق	يكيّف المشروع نموذجاً أساسياً مفتوح المصدر (DeepSeek، Mistral، Qwen) على مجموعة بياناته الخاصة	متوسط-عالٍ — يمتلك المشروع نموذجاً معدَّلاً
التدريب المسبق	يدرّب المشروع نموذجاً من الصفر على بياناته وحوسبته الخاصة	عالٍ — ملكية كاملة للنموذج

غلاف API يمرّر مطالبات المستخدم إلى نموذج LLM تجاري ويُرجع الاستجابة ليس مماثلاً لمشروع ضبط DeepSeek بدقة على بيانات معاملات على السلسلة. يميّز DecAIHub بين هذين في حقل AI component في بطاقة المشروع.

أين يظهر في بطاقات مشاريع DecAIHub

عند مراجعة بطاقة مشروع على DecAIHub، تتصل عدة حقول مباشرةً باستخدام نموذج LLM:

مكوّن الذكاء الاصطناعي قد يذكر "LLM" أو "نموذج مضبوط بدقة" أو "هندسة مطالبات" أو اسم نموذج محدد. يصف هذا الحقل نوع الذكاء الاصطناعي الذي يمتلكه المشروع فعلاً، كما يتحقق منه مراجعو DecAIHub.
حالة استخدام الذكاء الاصطناعي تصف ما يُستخدم نموذج LLM له: التوليد، التصنيف، التلخيص، استدلال الوكيل، وهكذا. قد يستخدم مشروع نموذج LLM لمهمة ضيقة (مثل تحليل النية) أو كمحرك أساسي لمنتج بأكمله.
ai_score (جزء من DecAI Fit) يعكس مدى توثيق استخدام نموذج LLM بـ دليل Tier-1 أو Tier-2 أو Tier-3. المشروع الذي يزعم استخدام نموذج LLM لكنه لا يقدّم شواهد قابلة للتحقق سيحصل على درجة منخفضة في هذا البُعد.
رايات AI reality (من AI_0 إلى AI_4) تشير إلى العمق الإجمالي للذكاء الاصطناعي القابل للتحقق، الذي يرتكز في كثير من المشاريع على تكامل نموذج LLM لديها.

الهدف ليس أبداً معاقبة مشروع على استخدام نموذج LLM طرف ثالث — فكثير من المنتجات الصحيحة تفعل ذلك بالضبط. الهدف هو التمييز بين المشاريع التي تستدعي واجهة API بشفافية وتلك التي تشوّه استخدام API على أنه بحث ذكاء اصطناعي ملكي.

ما لا يثبته نموذج LLM وحده

امتلاك مفتاح API لنموذج LLM لا يعني أن المشروع "يمتلك ذكاءً اصطناعياً". بل يعني أن المشروع يستطيع استدعاء ذكاء اصطناعي لشخص آخر.
ذكر "GPT" أو "Claude" في التسويق لا يثبت عمل ذكاء اصطناعي ملكي. آلاف التطبيقات تستخدم واجهة API نفسها.
حتى النموذج المضبوط بدقة يحتاج إلى شواهد قابلة للتحقق: وصف لبيانات التدريب، ومقاييس تقييم، ومعرّف إصدار نموذج، ودليل نشر.
عدد المعاملات الكبير لا يضمن نموذجاً أفضل. جودة التدريب، وتنسيق البيانات، والمواءمة تهمّ على الأقل بقدر الحجم الخام.

لا تخلط بين

الاستدلال — تشغيل نموذج LLM مدرَّب لإنتاج المخرجات. الاستدلال خطوة واحدة في استخدام نموذج LLM، لا مرادف لنموذج LLM نفسه.
التدريب — عملية بناء نموذج LLM أو تكييفه. التدريب يُنتج النموذج؛ والاستدلال يستخدمه.
وكيل الذكاء الاصطناعي — نظام مستقل قد يستخدم نموذج LLM كنواة استدلاله، لكنه يضيف الإدراك والذاكرة واستخدام الأدوات والإجراء. نموذج LLM وحده ليس وكيلاً.
معالجة اللغة الطبيعية (NLP) — مجال أوسع في علوم الحاسوب. نماذج LLM نهج واحد (ناجح جداً) لـ NLP، لكن NLP تشمل أيضاً تقنيات أقدم مثل استخراج الكلمات المفتاحية، والتحليل القائم على القواعد، والمصنّفات الإحصائية.
النموذج الأساسي (Foundation model) — مصطلح أعمّ يشمل نماذج LLM لكنه يغطي أيضاً النماذج الكبيرة المدرَّبة على الصور أو الصوت أو الفيديو أو البيانات متعددة الوسائط. كل نموذج LLM هو نموذج أساسي، لكن ليس كل نموذج أساسي نموذج LLM.

الأسئلة الشائعة

ما الفرق بين نموذج LLM وروبوت المحادثة؟

نموذج LLM هو نموذج — مجموعة من المعاملات المدرَّبة يمكنها معالجة النص وتوليده. أما روبوت المحادثة فهو منتج مبني فوق نموذج. نموذج LLM هو المحرّك؛ وروبوت المحادثة هو السيارة. يمكن لنموذج LLM واحد أن يشغّل آلاف روبوتات المحادثة المختلفة، لكل منها مطالباته وواجهته وشخصيته. وعلى العكس، لا يستخدم روبوت المحادثة بالضرورة نموذج LLM — فروبوتات المحادثة الأقدم اعتمدت على قواعد مكتوبة أو مطابقة أنماط بسيطة.

هل كل مشاريع الذكاء الاصطناعي تستخدم نماذج LLM؟

لا. تستخدم كثير من مشاريع الذكاء الاصطناعي للعملات المشفرة أنواعاً أخرى من تعلّم الآلة: نماذج رؤية حاسوبية لتوليد NFT، والتعلّم المعزَّز لاستراتيجيات التداول، والشبكات العصبية البيانية لتحليلات البلوكشين، أو تعلّم الآلة التقليدي لكشف الشذوذ. نموذج LLM مهيمن في التطبيقات النصية لكنه ليس النوع الوحيد من الذكاء الاصطناعي.

ماذا يعني ضبط نموذج LLM بدقة؟

يأخذ الضبط الدقيق نموذج LLM مدرَّباً مسبقاً ويواصل تدريبه على مجموعة بيانات أصغر منسَّقة ذات صلة بمهمة محددة. الهدف هو تخصيص النموذج — مثلاً، تعليمه فهم مصطلحات DeFi، أو تحليل العقود الذكية، أو توليد استجابات بأسلوب معيّن. الضبط الدقيق أكثر فعالية من حيث التكلفة من التدريب المسبق من الصفر لكنه لا يزال يتطلب مهارة تقنية وبيانات مناسبة وموارد حوسبة.

كيف يمكنك معرفة ما إذا كان مشروع عملات مشفرة بنى نموذج LLM خاصاً به مقابل استخدام واجهة API؟

ابحث عن دليل ملموس: أوزان نموذج منشورة أو بطاقة نموذج، وبيانات تدريب موثَّقة، ومعايير قياسية للتقييم، ووصف لعملية الضبط الدقيق. إذا كان المشروع يشير فقط إلى اسم نموذج معروف (GPT، Claude) دون وصف أي تعديل، فمن المرجح أنه يستخدم واجهة API. يلتقط DecAIHub هذا التمييز في حقل مكوّن الذكاء الاصطناعي ومستوى الدليل.

ما هي نماذج LLM المفتوحة المصدر؟

نماذج LLM المفتوحة المصدر (أو المفتوحة الأوزان) هي نماذج تكون معاملاتها المدرَّبة متاحة علناً للتنزيل والدراسة والتعديل. تشمل الأمثلة DeepSeek و Qwen و Mistral. تتيح لأي شخص ضبط النموذج بدقة ونشره وفحصه، مما يزيد الشفافية ويمكّن التحقق المستقل — وكلاهما صفتان قيّمتان في مجال الذكاء الاصطناعي للعملات المشفرة.

لماذا يهمّ حجم نموذج LLM (المعاملات)؟

تتيح المعاملات الأكثر عموماً لنموذج أن يلتقط أنماطاً أكثر تعقيداً في اللغة، مما قد يحسّن الأداء على المهام الصعبة. ومع ذلك، الحجم وحده ليس حاسماً. يمكن لنموذج أصغر مدرَّب جيداً أن يتفوق على نموذج أكبر مدرَّب بشكل سيئ. ما يهمّ أكثر هو مزيج عدد المعاملات وجودة البيانات ومنهجية التدريب وضبط المواءمة.

انظر أيضًا

مراجع خارجية

Attention Is All You Need (Vaswani et al., 2017) — ورقة Transformer الأصلية التي تقوم عليها كل نماذج LLM الحديثة.
Stanford Center for Research on Foundation Models — أبحاث وسياسات حول نماذج LLM والنماذج الأساسية.
Hugging Face Open LLM Leaderboard — معيار مجتمعي لمقارنة نماذج LLM المفتوحة المصدر.
Anthropic Research — أوراق حول سلامة نماذج LLM ومواءمتها وقابليتها للتفسير.
DeepSeek — عائلة نماذج LLM مفتوحة المصدر معروفة بالاستدلال القوي، تُستخدم على نطاق واسع كنموذج أساسي في النظام البيئي للذكاء الاصطناعي للعملات المشفرة.