ما هو التدريب

ملاحظة: هذا المستند هو ترجمة آلية للنسخة الإنجليزية الأصلية.

ما هو التدريب

التدريب هو عملية تعليم نموذج الذكاء الاصطناعي عبر تعريضه للبيانات لكي يتعلم الأنماط والعلاقات والبنى. قبل التدريب، يكون النموذج بنيةً فارغة ذات معاملات عشوائية — لا يستطيع تصنيف الصور، أو توليد الجمل، أو إجراء التنبؤات. وبعد التدريب، تشفّر تلك المعاملات معرفةً مستخرَجة من البيانات. التدريب هو ما يحوّل شبكة عصبية فارغة إلى أداة مفيدة.

فكّر فيه كتعليم شخص الطبخ. تبدأ بشخص لم يمسك سكيناً قط. تعطيه آلاف الوصفات (مجموعة البيانات)، ومطبخاً للتدرّب فيه (الحوسبة)، وطاهياً يتذوق كل طبق ويقول ما الخطأ (دالة الخسارة). وبعد تدريب كافٍ — إحراق وجبات، وإفراط في تمليح الحساء، وتعديل التقنية — يستطيع الطاهي ارتجال طبق من مكوّنات لم يجمعها من قبل. ذلك الارتجال هو ما يفعله النموذج المدرَّب أثناء الاستدلال.

باختصار: التدريب هو مرحلة "الدراسة" — يقرأ النموذج ملايين الأمثلة ويعدّل نفسه حتى يتمكن من التعامل مع مدخلات جديدة لم يرها. النموذج المدرَّب هو المعرفة المكتسبة.

كيف يعمل التدريب خطوة بخطوة

رغم أن المستخدمين النهائيين لا يرون سوى نموذج منتهٍ، فإن التدريب خط أنابيب هندسي متعدد المراحل. تُدخل كل مرحلة قرارات تؤثر على النتيجة النهائية.

جمع البيانات

تبدأ كل عملية تدريب بالبيانات. يجب على المشروع تجميع مجموعة بيانات ذات صلة بالمهمة التي سيؤديها النموذج. بالنسبة لنموذج نصي، قد تكون هذه مدوّنة لغة طبيعية بحجم الويب. وبالنسبة لنموذج خاص بالعملات المشفرة، قد تشمل سجلات معاملات البلوكشين، أو توثيق البروتوكولات، أو بيانات المشاعر الاجتماعية. تحدّد جودة مجموعة البيانات وحجمها وملاءمتها الحدّ الأعلى لما يمكن للنموذج تعلّمه — فلا توجد بنية معمارية تستطيع تعويض البيانات المفقودة أو التالفة.

معالجة البيانات المسبقة

نادراً ما تكون البيانات الخام قابلة للاستخدام كما هي. تحوّلها المعالجة المسبقة إلى صيغة موحَّدة يستطيع النموذج استيعابها. تشمل الخطوات الشائعة التقطيع إلى رموز (تجزئة النص إلى وحدات دون الكلمة)، والتطبيع (تحجيم القيم العددية)، وإزالة التكرار (إزالة السجلات شبه المتطابقة)، والترشيح (إزالة الأمثلة منخفضة الجودة أو المسيئة أو غير الملائمة). تُدخل البيانات المعالَجة بشكل سيئ ضوضاءً قد يحفظها النموذج بدلاً من التعلّم منها.

اختيار البنية المعمارية

قبل بدء التدريب، يختار المهندسون بنية معمارية للنموذج — المخطط الذي يحدّد كيف تتدفق البيانات عبر النموذج. بالنسبة للمهام النصية، البنية السائدة اليوم هي transformer، التي تشغّل نماذج اللغة الكبيرة. وبالنسبة لمهام الصور، تشيع الشبكات العصبية الالتفافية (CNNs) ومحوّلات الرؤية (ViTs). تحدّد البنية المعمارية عدد الطبقات ونوعها، وكيفية حساب الانتباه، وكيفية تحجيم سعة النموذج مع الحجم. تتخطى كثير من مشاريع الذكاء الاصطناعي للعملات المشفرة هذه الخطوة باعتماد بنية مفتوحة المصدر موجودة (DeepSeek، Mistral، Stable Diffusion) والمضي مباشرةً إلى الضبط الدقيق.

حلقة التدريب

حلقة التدريب هي دورة التحسين الأساسية التي تعمل لساعات أو أيام أو أسابيع:

يتلقى النموذج دفعة من البيانات المعالَجة مسبقاً.
يُنتج مخرجاً — تنبؤاً، أو رمزاً مولَّداً، أو تصنيفاً.
يُقارَن المخرج بالنتيجة المتوقعة باستخدام دالة خسارة تحسب الخطأ.
تحسب خوارزمية تحسين (عادةً متغيّر من النزول التدرّجي العشوائي) كيف ينبغي أن يتغيّر كل معامل لتقليل الخطأ.
تُعدَّل معاملات النموذج الداخلية (الأوزان) قليلاً في الاتجاه الذي يخفّض الخسارة.
تتكرر الدورة للدفعة التالية.

تُسمّى مرورة كاملة واحدة عبر مجموعة البيانات بأكملها حقبة (epoch). قد تتدرّب النماذج الكبيرة لمئات الحقب على مجموعات بيانات ضخمة. حلقة التدريب هي أكثر المراحل كثافةً للحوسبة — يمكن لعملية تدريب مسبق واحدة لنموذج لغة كبير أن تستهلك آلاف وحدات معالجة الرسوميات (GPUs) تعمل باستمرار لأشهر.

التقييم

طوال التدريب، يقيّم المهندسون النموذج دورياً على مجموعة تحقق محتجَزة — بيانات لم يرها النموذج قط أثناء التدريب. يكشف هذا ما إذا كان النموذج يتعلم فعلاً أنماطاً قابلة للتعميم أم يحفظ أمثلة التدريب فقط (مشكلة تُسمّى الإفراط في الملاءمة). يستخدم التقييم المعايير القياسية ومقاييس الجودة الملائمة للمهمة: الحيرة (perplexity) لنماذج اللغة، والدقة أو F1 للمصنّفات، وBLEU أو ROUGE للترجمة والتلخيص.

النشر

بمجرد وصول النموذج إلى جودة مقبولة في مقاييس التقييم، يُحزَّم للإنتاج. قد يشمل هذا تحويل النموذج إلى صيغة أكفأ، وتطبيق التكميم (quantization) (تقليل الدقة العددية لخفض متطلبات الذاكرة والحوسبة)، ونشره في خط أنابيب استدلال. النموذج المدرَّب — مجموعة الأوزان المتعلَّمة — هو الشيء الذي يخدم المستخدمين فعلاً.

المرحلة	ما يحدث	مثال
جمع البيانات	تجميع مجموعة بيانات ذات صلة	جمع نص الويب، الشيفرة، بيانات البلوكشين
المعالجة المسبقة	تنظيف البيانات وتنسيقها	تقطيع النص إلى رموز، إزالة التكرارات
اختيار البنية المعمارية	اختيار مخطط النموذج	اختيار transformer بـ 7 مليار معامل
حلقة التدريب	تحسين الأوزان عبر النزول التدرّجي	التشغيل لـ 200 حقبة على 1024 GPU
التقييم	الاختبار على بيانات لم تُرَ	قياس الحيرة على مجموعة التحقق
النشر	حزم النموذج للإنتاج	تكميم الأوزان، النشر إلى API

أنواع التدريب

ليس كل تدريب متماثلاً. تخدم الأنواع المختلفة أغراضاً مختلفة وتظهر في مراحل مختلفة من دورة حياة الذكاء الاصطناعي.

التدريب المسبق

التدريب المسبق يعني تدريب نموذج من الصفر على مجموعة بيانات ضخمة عامة الغرض. الهدف تعلّم أنماط واسعة — بنية اللغة، السمات البصرية، الانتظامات الإحصائية — بدلاً من معرفة خاصة بالمهمة. التدريب المسبق هو إلى حدّ بعيد المرحلة الأغلى. يمكن أن يكلّف تدريب نموذج LLM رائد من الصفر عشرات الملايين من الدولارات ويتطلب آلاف وحدات GPU المتطورة تعمل لأشهر. قلّة قليلة من مشاريع الذكاء الاصطناعي للعملات المشفرة تفعل هذا؛ فالغالبية العظمى تستخدم نماذج مدرَّبة مسبقاً من النظام البيئي مفتوح المصدر وتكيّفها.

الضبط الدقيق

الضبط الدقيق يأخذ نموذجاً مدرَّباً مسبقاً ويعدّله على مجموعة بيانات أصغر خاصة بالمجال. هذا هو النهج الأكثر شيوعاً في الذكاء الاصطناعي للعملات المشفرة. قد يضبط مشروع LLM بدقة على توثيق البلوكشين، أو شيفرة العقود الذكية، أو بيانات بروتوكولات DeFi لتحسين أدائه على الأسئلة الخاصة بالعملات المشفرة. الضبط الدقيق أرخص بكثير من التدريب المسبق لأنه يبدأ من نموذج قادر بالفعل ويحتاج فقط إلى إزاحة الأوزان بدلاً من التعلّم من الصفر.

التعلّم المعزَّز من التغذية الراجعة البشرية (RLHF)

RLHF تقنية ما بعد التدريب تُستخدم لمواءمة مخرجات النموذج مع تفضيلات البشر. بعد التدريب المسبق والضبط الدقيق الأولي، يرتّب مقيّمون بشريون عدة مخرجات للنموذج لنفس المدخل. تدرّب هذه الترتيبات نموذج مكافأة، الذي يوجّه بعد ذلك مزيداً من تدريب النموذج الرئيسي عبر التعلّم المعزَّز. RLHF هي التقنية التي تجعل روبوتات المحادثة تتبع التعليمات، وتتجنب المحتوى الضار، وتُنتج استجابات يجدها البشر مفيدة. تضيف طبقة حكم بشري فوق التعلّم الإحصائي المحض.

تقطير المعرفة

التقطير (Distillation) يدرّب نموذجاً "طالباً" أصغر ليعيد إنتاج مخرجات نموذج "معلّم" أكبر. يتعلم الطالب لا من البيانات الأصلية بل من تنبؤات المعلّم، التي تحتوي معلومات أغنى (توزيعات احتمالية ناعمة بدلاً من تسميات صارمة). التقطير عملي للمشاريع التي تحتاج إلى تشغيل نماذج على أجهزة محدودة — مثل الأجهزة الطرفية أو شبكات الاستدلال اللامركزية المقيَّدة بالتكلفة — مع الحفاظ على معظم جودة نموذج المعلّم.

الضبط الدقيق الكفء في المعاملات (LoRA والمحوّلات)

LoRA (التكيّف منخفض الرتبة) والتقنيات المماثلة تجمّد معظم أوزان النموذج المدرَّب مسبقاً وتدرّب فقط مجموعة صغيرة من المعاملات الإضافية. وهذا يجعل الضبط الدقيق أرخص بكثير في الحوسبة والذاكرة — وغالباً ما يكون ممكناً على وحدة GPU استهلاكية واحدة. محوّلات LoRA ملفات خفيفة (غالباً عشرات الميغابايت فقط) يمكن تحميلها فوق نموذج أساسي لتخصيص سلوكه لمهمة محددة. هذا النمط ذو صلة خاصة بالذكاء الاصطناعي اللامركزي، حيث قد يرغب المشاركون في تخصيص النماذج دون تحمّل التكلفة الكاملة لضبط جميع الأوزان بدقة.

التدريب الموزَّع والفيدرالي

التدريب الموزَّع يقسّم عبء العمل عبر عدة وحدات GPU أو عُقد، إما بتقسيم البيانات (توازي البيانات) أو النموذج نفسه (توازي النموذج). ويذهب التدريب الفيدرالي أبعد: تبقى البيانات على جهاز كل مشارك وتُشارَك تحديثات النموذج فقط (التدرّجات). يتحسّن النموذج جماعياً دون وصول أي طرف واحد إلى كل البيانات. يتوافق هذا النمط مع مبادئ اللامركزية ويظهر في مشاريع ضمن فئة AI/Training.

النوع	التكلفة	الاستخدام النموذجي في الذكاء الاصطناعي للعملات المشفرة
التدريب المسبق	عالية جداً (ملايين الدولارات)	نادر؛ معظم المشاريع تستخدم نماذج موجودة
الضبط الدقيق	معتدلة (مئات إلى آلاف الدولارات)	شائع؛ تكييف النماذج لمجال العملات المشفرة
RLHF	عالية (تتطلب مقيّمين بشريين)	غير شائع؛ يُرى في المشاريع الموجَّهة للوكلاء
التقطير	معتدلة	يُستخدم لإنشاء نماذج خفيفة للاستدلال
LoRA / المحوّلات	منخفضة (وحدة GPU واحدة)	في نمو؛ يتيح التخصيص لكل مستخدم
الموزَّع / الفيدرالي	متفاوتة	نمط أساسي لشبكات التدريب اللامركزية

لماذا يهمّ التدريب للقابلية للتحقق

المشروع الذي يدرّب نماذجه الخاصة يُظهر قدرة ذكاء اصطناعي أعمق من المشروع الذي يستدعي فقط واجهة API طرف ثالث. يعني التدريب أن المشروع يمتلك وصولاً إلى بيانات ذات صلة، وموارد حوسبة، وخبرة تعلّم آلة. كما يُنتج شواهد قابلة للتحقق: سجلات التدريب، ومنحنيات الخسارة، ونقاط تفتيش النموذج، ونتائج المعايير القياسية.

في بطاقات مشاريع DecAIHub، تشير القيم المتعلقة بالتدريب في حقل مكوّن الذكاء الاصطناعي — مثل distributed training، fine-tuning، model training pipeline — إلى أن المشروع يفعل أكثر من مجرد خدمة نماذج جاهزة. تصف صفحة مكوّن التدريب كيف تظهر هذه القيم عملياً.

ما الذي يتطلبه التدريب

تحدّد ثلاثة موارد ما إذا كان التدريب ممكناً:

البيانات — مجموعة بيانات جيدة كبيرة بما يكفي وذات صلة بالمهمة. تحدّد جودة البيانات جودة النموذج.
الحوسبة — وحدات GPU أو أجهزة متخصصة. تحتاج البيانات الأكثر والنماذج الأكبر إلى حوسبة أكثر. هذا هو المحرّك الرئيسي للتكلفة.
الخبرة — يتطلب اختيار البنى المعمارية، وضبط المعاملات الفائقة، وتقييم النتائج، وتصحيح الأخطاء معرفة تعلّم الآلة.

ينبغي للمشاريع التي تزعم تقديم بنية تحتية للتدريب أن تُظهر دليلاً على الثلاثة جميعاً.

أين يظهر التدريب في بطاقات مشاريع DecAIHub

يطفو التدريب على السطح في أجزاء متعددة من بطاقة مشروع DecAIHub:

مكوّن الذكاء الاصطناعي — تشير القيم المتعلقة بالتدريب مثل "distributed training" أو "fine-tuning" أو "model training pipeline" إلى أن المشروع يدرّب فعلاً أو يدعم تدريب النماذج بدلاً من استهلاك نماذج جاهزة فقط.
الفئة — تركّز المشاريع في فئة AI/Training تحديداً على توفير بنية تحتية أو خدمات للتدريب.
جدول الأدلة — يشمل دليل Tier-1 للتدريب سجلات التدريب العامة، ومنحنيات الخسارة، ونقاط تفتيش النموذج المنشورة على Hugging Face أو مستودعات مماثلة، ومقارنات المعايير القياسية المنشورة.
ai_score — ضمن خوارزمية DecAI Fit، يرفع إثبات تدريب حقيقي بدليل منشور درجة ai_score. أما مجرد ادعاء "نحن ندرّب نماذج" دون شواهد فلا يفعل.

ما لا يثبته التدريب وحده

تدريب نموذج لا يعني أن النموذج جيد. فبدون معايير قياسية أو تقييم، لا توجد طريقة لتقييم الجودة.
التدريب لا يثبت أن النموذج قيد الاستخدام. فالنموذج الذي دُرِّب لكنه لم يُنشَر قط لـ الاستدلال لا يُنتج قيمة للمستخدمين.
التدريب على نموذج مفتوح المصدر لشخص آخر صحيح لكن ينبغي أن يُفصَح عنه، لا أن يُقدَّم على أنه بناء من الصفر.
التدريب لا يفسّر لماذا يكون التوكن ضرورياً للعملية.
ادعاء "التدريب اللامركزي" دون دليل على مساهمة عدة مشاركين مستقلين فعلاً بالحوسبة غير قابل للتحقق. تحقق من سجلات مهام التدريب على السلسلة، أو تسجيلات المزوّدين، أو سجلات حوسبة قابلة للتحقق.

تحقق من جدول الأدلة وأدلة Tier-1/2/3 عند تقييم ادعاءات التدريب.

لا تخلط بين

الاستدلال هو المرحلة التالية — تشغيل النموذج المدرَّب على بيانات جديدة. التدريب يُنتج النموذج؛ والاستدلال يستخدمه.
التدريب كمكوّن للذكاء الاصطناعي يصف كيف يظهر التدريب في بطاقات مشاريع DecAIHub. أما هذه الصفحة فتشرح المفهوم نفسه.
فئة AI/Training تصنّف المشاريع التي تركّز على البنية التحتية للتدريب. أما مفهوم التدريب فينطبق على نطاق أوسع.
جمع البيانات ووسمها يجهّز البيانات التي يستهلكها التدريب. هما مرحلتان مترابطتان لكن متمايزتان.
نموذج الذكاء الاصطناعي هو الأثر الناتج عن التدريب — مجموعة الأوزان المتعلَّمة. التدريب هو العملية؛ والنموذج هو النتيجة.

الأسئلة الشائعة

كم يستغرق تدريب الذكاء الاصطناعي؟

يعتمد على حجم النموذج، وحجم مجموعة البيانات، والأجهزة المتاحة. يمكن أن ينتهي الضبط الدقيق لنموذج صغير على مجموعة بيانات مركّزة في ساعات على وحدة GPU واحدة. أما التدريب المسبق لنموذج LLM رائد من الصفر فيستغرق أسابيع إلى أشهر على عناقيد من آلاف وحدات GPU. للمرجعية، يتطلب تدريب نموذج LLM رائد بـ 70 مليار معامل قرابة 1-2 مليون ساعة GPU على عتاد NVIDIA A100. يمكن للتدريب الموزَّع والفيدرالي تقليل الوقت الفعلي عبر توزيع عبء العمل لكنه يُدخل عبء تنسيق.

ما الفرق بين التدريب المسبق والضبط الدقيق؟

يعلّم التدريب المسبق نموذجاً معرفةً عامة من مجموعة بيانات ضخمة وواسعة — يتعلم بنية اللغة، أو السمات البصرية، أو الأنماط الإحصائية من الصفر. أما الضبط الدقيق فيأخذ ذلك النموذج المدرَّب مسبقاً ويتخصّص به على مجموعة بيانات أصغر خاصة بالمجال ليؤدي أفضل في مهمة معينة. التدريب المسبق مكلف ويُجرى مرة واحدة؛ والضبط الدقيق أرخص ويمكن تكراره لمجالات مختلفة.

لماذا التدريب مكلف جداً؟

التكلفة الغالبة هي عتاد الحوسبة. يتطلب تدريب النماذج الكبيرة آلاف وحدات GPU المتطورة تعمل باستمرار، مستهلكةً كهرباء كبيرة. تضيف تجهيز البيانات، والوسم البشري، ووقت الهندسة الخبيرة تكاليف أخرى. يمكن أن يكلّف التدريب المسبق لنموذج رائد واحد عشرات الملايين من الدولارات. تقلّل تقنيات مثل LoRA والتقطير والتعلّم بالنقل عبر الضبط الدقيق التكاليف بشكل كبير بإعادة استخدام نماذج مدرَّبة مسبقاً موجودة بدلاً من البدء من الصفر.

هل يمكنك تدريب ذكاء اصطناعي على بلوكشين؟

تشغيل حلقة تدريب كاملة مباشرةً على السلسلة غير عملي — فبيئات تنفيذ البلوكشين أبطأ وأغلى بكثير من أن تتحمّل مليارات عمليات المصفوفات التي يتطلبها التدريب. ومع ذلك، يمكن للبلوكشين تنسيق التدريب. تستخدم شبكات التدريب اللامركزية آليات على السلسلة لإسناد المهام، والتحقق من المساهمات، وتوزيع المكافآت، وتسجيل الأصل، بينما تحدث الحوسبة الفعلية خارج السلسلة على وحدات GPU المشارِكة. يظهر هذا النمط في مشاريع ضمن فئة AI/Training.

ما هو RLHF؟

التعلّم المعزَّز من التغذية الراجعة البشرية تقنية ما بعد التدريب تواءم سلوك النموذج مع تفضيلات البشر. بعد التدريب الأولي، يرتّب مقيّمون بشريون مخرجات النموذج. تدرّب هذه الترتيبات نموذج مكافأة، الذي يوجّه بعد ذلك مزيداً من تحسين النموذج الرئيسي عبر التعلّم المعزَّز. RLHF هي ما يجعل روبوتات المحادثة الحديثة تتبع التعليمات وتُنتج استجابات مفيدة وآمنة بدلاً من إكمالات إحصائية خام.

انظر أيضًا

مراجع خارجية

Hugging Face -- Training documentation -- أدلة وأمثلة لتدريب نماذج transformer وضبطها بدقة باستخدام مكتبات شائعة مفتوحة المصدر.
Stanford HAI -- AI Index Report -- بيانات سنوية عن تكاليف التدريب، واتجاهات الحوسبة، وحالة تطوير الذكاء الاصطناعي عالمياً.
Papers With Code -- Training methods -- فهرس لتقنيات التدريب مع أوراق مرتبطة ونتائج معايير قياسية.
Google AI Blog -- Training at scale -- منشورات بحثية تغطي التدريب واسع النطاق، والأنظمة الموزَّعة، وتحسينات الكفاءة.
Wikipedia -- Training, validation, and test data sets -- شرح تأسيسي لتقسيمات البيانات ودورها في عملية التدريب.