توقف عن هزّ رأسك موافقًا كلما ذكر أحدهم مصطلحات مثل LLM أو inference أو diffusion model. يشرح لك هذا المقال 30 كلمة أساسية في الذكاء الاصطناعي لعام 2027 بلغة بسيطة، مع أمثلة حقيقية ومقارنات ودون أي حشو تقني.
ربما كنت هذا العام في حديث قال فيه أحدهم: "فقط اضبط النموذج اللغوي الكبير بمحوّل LoRA وخفّض temperature"، فهزّ نصف الحاضرين رؤوسهم كأنهم فهموا. تلك اللحظة، وذلك الشعور بأنك متأخر خطوتين بينما يبدو الجميع طليقين، هما بالضبط السبب في وجود هذا المقال.
لن يتباطأ الذكاء الاصطناعي في 2027. المفردات تتسارع بالسرعة نفسها. سواء كنت مصممًا تحاول استخدام مولّدات الصور، أو مسوّقًا يجرب روبوتات المحادثة، أو شخصًا يريد ببساطة أن يشارك في أحاديث التقنية بثقة، فمعرفة الكلمات الصحيحة هي الخطوة الأولى الحقيقية.
هذا ليس كتابًا دراسيًا. إنه شرح مباشر دون تكلّف لكلمات الذكاء الاصطناعي التي تَرِد فعلًا في الأحاديث اليومية، مع وضوح تتجنبه معظم الكتابات التقنية عن قصد.
في 2023، كانت معرفة ما هو "ChatGPT" تضعك في المقدمة على معظم الناس على مائدة العشاء. في 2026، تحرّك هذا المستوى الأساسي بشكل كبير. الأشخاص الذين يستخدمون الذكاء الاصطناعي بإنتاجية يتحدثون لغة مختلفة، والمسافة بين المستخدمين الطليقين والمتفرجين المرتبكين تزداد مع كل إصدار منتج جديد.
الخبر الجيد؟ مفردات الذكاء الاصطناعي ليست صعبة حين يكفّ أحد عن تغليفها بلغة أكاديمية. معظم هذه المصطلحات تصف أفكارًا تدركها بالفعل بالحدس. تحتاج فقط إلى شرح بلغة بسيطة وواضحة ومثال ملموس.
يتضمن كل مصطلح أدناه تعريفًا من سطر واحد، وتشبيهًا من الواقع حيثما يفيد، وملاحظة عن المكان الذي ستصادفه فيه. اقرأ من البداية إلى النهاية، أو انتقل إلى القسم الذي يتطابق مع ما تعمل عليه الآن.
قبل أي شيء آخر، تظهر ثلاث كلمات أساسية باستمرار في أحاديث الذكاء الاصطناعي. هذه هي الأساس.
النموذج هو النظام المدرّب الذي ينتج مخرجات الذكاء الاصطناعي. حين تكتب أمرًا نصيًا وتحصل على صورة في المقابل، فأنت تستخدم نموذجًا. فكّر فيه كدالة متطورة جدًا: مدخلات تدخل، ومخرجات تخرج.
تختلف النماذج بحجمها (كم عدد المعاملات التي تملكها)، وببيانات تدريبها (ما الذي دُرّبت عليه)، وبقدراتها (نص، أو صور، أو صوت، أو فيديو، أو مزيج من هذه كلها).
💡 حين يسأل أحدهم "أي نموذج تستخدم؟"، فهو يريد معرفة نظام الذكاء الاصطناعي المحدد الذي يستقبل طلبك، لا التطبيق أو المنصة التي تغلّفه.
المعاملات (وتُسمّى أحيانًا الأوزان) هي القيم العددية داخل النموذج التي جرى تعديلها أثناء التدريب. حين تسمع "نموذج يضم 70 مليار معامل"، فهذا الرقم يصف عدد القيم القابلة للضبط التي يحتويها النموذج.
عمومًا، كلما زادت المعاملات زادت القدرة، لكن تكلفة الحوسبة تزداد أيضًا. نموذج بـ7 مليارات معامل يعمل بسرعة على عتاد متواضع. أما نموذج بـ405 مليارات معامل فيحتاج إلى بنية تحتية جادة لمجرد تحميله.
هاتان الكلمتان تصفان المرحلتين المتميزتين في حياة كل نموذج ذكاء اصطناعي.
| المرحلة | ماذا يحدث | من يقوم بها |
|---|---|---|
| التدريب | يتعلم النموذج من بيانات ضخمة، ويعدّل معاملاته | شركات الذكاء الاصطناعي (OpenAI وGoogle وBlack Forest Labs وغيرها) |
| الاستدلال | يستجيب النموذج المدرّب لمدخلاتك | أنت، عبر تطبيق أو API |
حين تستخدم أي أداة ذكاء اصطناعي، فأنت دائمًا تقوم بتشغيل النموذج. أنت لا تعيد تدريب شيء. تتجمد معرفة النموذج عند نقطة انقطاع بياناته التدريبية، ولهذا قد لا يعرف الأحداث الحديثة.
النماذج اللغوية الكبيرة، أو LLM، هي فئة الذكاء الاصطناعي التي تقف خلف روبوتات المحادثة ومساعدات الكتابة وكل ما يعمل بالنص في الأساس. إليك الكلمات الست التي تحدد طريقة عملها.
التوكن هو جزء صغير من النص، يعادل نحو ثلاثة أرباع كلمة في المتوسط. حين يعالج LLM رسالتك، يحوّل كل شيء، بما في ذلك أمرك النصي وردّه هو، إلى توكنات قبل أي خطوة أخرى.
تهم التوكنات لأن:
💡 "1,000 توكن" يعادل تقريبًا 750 كلمة. يتسع المقال القصير المعتاد في نحو 1,500 توكن.
نافذة السياق هي إجمالي كمية النص، مقاسة بالتوكنات، التي يمكن للنموذج معالجتها دفعة واحدة. كل ما هو خارج النافذة يكون غير مرئي للنموذج.
إذا كنت تجري محادثة طويلة مع الذكاء الاصطناعي وبدأ ينسى الأجزاء السابقة من الدردشة، فقد وصلت إلى حد نافذة السياق. لم يتشوش النموذج، بل إنه لا يستطيع حرفيًا الوصول إلى ما وقع خارج نافذته.
توسعت نوافذ السياق في النماذج اللغوية الحديثة توسعًا كبيرًا. بعضها يتعامل الآن مع ملايين التوكنات، ما يجعل تحليل كتاب كامل واستكشاف قاعدة شيفرة واسعة ممكنين في جلسة واحدة.
الأمر النصي هو مدخلك إلى نموذج الذكاء الاصطناعي: السؤال الذي تطرحه، والمهمة التي تصفها، والصورة التي ترفعها. كل ما تكتبه أو ترسله هو أمرك النصي.
أمر النظام هو مجموعة تعليمات غير مرئية تُحمَّل قبل بدء محادثتك. هكذا تمنح المنتجات المبنية على نماذج الذكاء الاصطناعي النموذج شخصية، أو تقيّد سلوكه، أو تحمّل سياقًا محددًا تلقائيًا. حين يرد روبوت خدمة العملاء دائمًا بنبرة معينة ويرفض مناقشة مواضيع غير ذات صلة، فإن هذا السلوك محدد في أمر النظام.
هندسة الأوامر هي ممارسة صياغة الأوامر النصية بعناية للحصول على مخرجات أفضل بكثير. إنها جزئيًا فن وجزئيًا علم، وأصبحت بشكل متزايد مهارة مهنية معترفًا بها.
Temperature يتحكم في مدى عشوائية النموذج أو إبداعه في مخرجاته. عادةً ما يكون رقمًا بين 0 و1، لكن بعض الأنظمة تسمح بالوصول إلى 2.
يغطي هذا القسم المفردات التي تقف خلف مولّدات الصور بالذكاء الاصطناعي، وهي مدعومة بفئة نماذج مختلفة تمامًا عن نماذج LLM.
Diffusion model هو البنية التي تقف خلف معظم مولّدات الصور بالذكاء الاصطناعي المستخدمة على نطاق واسع اليوم. الفكرة الأساسية أنيقة بشكل مدهش: تبدأ بضوضاء عشوائية خالصة، ثم تزيل الضوضاء منها تدريجيًا خطوة بخطوة حتى تظهر صورة متماسكة.
Flux 2 Klein من Black Forest Labs، وGPT Image 2 من OpenAI، وWan 2.7 Image Pro كلها بنى قائمة على الانتشار أو متأثرة به. كل خطوة لإزالة الضوضاء تحسّن الصورة أكثر، ولهذا يرفع زيادة عدد الخطوات (حتى حد معين) الجودة على حساب وقت التوليد.
LoRA اختصار لعبارة Low-Rank Adaptation. وهي تقنية لتعديل نموذج على أسلوب محدد أو شخص أو مفهوم دون إعادة تدريب النموذج كاملًا من البداية.
عمليًا، LoRA ملف صغير، غالبًا بضع مئات من الميغابايت، تحمّله فوق نموذج أساسي لتغيير مخرجاته. إذا أردت من مولّد صور أن ينتج صورًا بأسلوب بصري محدد أو بشخصية محددة بشكل ثابت، فإن LoRA مدرّب على تلك الأمثلة هو الحل المعتمد.
💡 فكّر في LoRA كإضافة تغيّر الأسلوب الافتراضي للنموذج دون أن تستبدل النموذج الأساسي نفسه.
الفضاء الكامن هو التمثيل الرياضي الداخلي الذي يستخدمه النموذج لترميز الصور أو النص أو الصوت كمتجهات. لا تراه مباشرة أبدًا. حين ينتج نموذج الانتشار صورة، يحدث الحساب الفعلي في الفضاء الكامن قبل أن تُفكّ الصورة النهائية إلى بكسلات.
يظهر هذا المصطلح كثيرًا في النقاشات حول طريقة مزج النماذج للمفاهيم: دمج صورتين، أو تغيير أسلوب تدريجيًا، أو تنفيذ بحث دلالي في المحتوى البصري. كل هذه المعالجات تتم في الفضاء الكامن.
تحويل النص إلى صورة يصف أي نظام يأخذ أمرًا نصيًا ويعيد صورة مولّدة. وقد أصبح من أكثر قدرات الذكاء الاصطناعي إتاحةً للجميع، مع عشرات النماذج المختلفة التي تقدم جماليات ونقاط قوة متباينة.
تجمع منصات مثل Picasso IA الوصول إلى نماذج كثيرة لتحويل النص إلى صورة، من GPT Image 2 للنتائج الواقعية كالصور الفوتوغرافية، إلى Seedream 4.5 للتفاصيل بجودة 4K، إلى Hunyuan Image 2.1 للمخرجات ذات الطابع المُنمَّط. يفسّر كل نموذج الأمر النصي نفسه بطريقة مختلفة وينتج بصمة بصرية مميزة.
تحويل النص إلى فيديو يوسّع المفهوم نفسه إلى الصور المتحركة. تصف مشهدًا (أو تقدم صورة مصدر) ويولّد النموذج مقطع فيديو قصيرًا بحركة متماسكة.
نضجت هذه الفئة بشكل ملحوظ خلال 2025 و2026. تقلّصت الفجوة بين فيديو الذكاء الاصطناعي واللقطات الحقيقية كثيرًا. تنتج النماذج الآن شخصيات متسقة عبر الإطارات، وفيزياء واقعية، وحركة طبيعية المظهر، بعد أن كانت الإصدارات الأقدم تنتج مخرجات ضبابية أو مشوهة.
النموذج متعدد الوسائط يعمل مع أكثر من نوع واحد من المدخلات أو المخرجات. النموذج الذي يقبل الصور والنص معًا كمدخلات، أو الذي يستطيع توليد النص والصوت معًا كمخرجات، هو نموذج متعدد الوسائط.
معظم النماذج المتقدمة في 2027 متعددة الوسائط إلى حد ما. تشير هذه الكلمة إلى أن النظام لم يعد مقيدًا بوسيط واحد في كل تفاعل، ما يفتح سير عمل أكثر تعقيدًا بكثير.
الضبط الدقيق هو عملية متابعة تدريب نموذج مُدرَّب مسبقًا على مجموعة بيانات أصغر ومحددة، لتكييفه مع مهمة أو مجال معين. نموذج LLM عام مضبوط دقيقًا على الأدبيات الطبية يؤدي أداءً أفضل في الأسئلة السريرية. ونموذج صور عام مضبوط دقيقًا على تصوير المنتجات ينتج لقطات منتجات أوضح وأكثر ثباتًا.
يقع الضبط الدقيق بين التدريب من الصفر (الذي يكلّف ملايين الدولارات) والتوجيه بالأمر النصي (وهو ما لا يتطلب أي تعديل على النموذج). وهو المسار الوسيط الذي تستخدمه معظم المؤسسات حين تحتاج إلى سلوك متخصص للنموذج.
الهلوسة هي حين ينتج نموذج الذكاء الاصطناعي مخرجات تبدو واثقة لكنها خاطئة من حيث الحقائق. النموذج لا يكذب. إنه يطابق الأنماط بطريقة تولّد نتيجة معقولة الشكل لكنها غير صحيحة.
تهلوس نماذج LLM بالمراجع والإحصاءات والأسماء والأحداث التاريخية. وقد تهلوس نماذج الصور بنصوص داخل الصور (حروف مشوّشة أو عديمة المعنى) أو بتشريح غير صحيح. إدراك أن الهلوسة ميل بنيوي في طريقة عمل هذه النماذج، لا عيب يمكن إصلاحه بترقيع، يغيّر طريقة استخدامك للمخرجات والتحقق منها.
💡 تحقق دائمًا من الحقائق التي يولّدها الذكاء الاصطناعي بمصدر أولي. النبرة الواثقة للنموذج ليست دليلًا على الدقة.
RAG اختصار لـ Retrieval-Augmented Generation. وهي تقنية يُربط فيها النموذج بقاعدة معرفة خارجية، مثل مكتبة مستندات أو قاعدة بيانات أو موقع إلكتروني، بحيث يسترجع المعلومات ذات الصلة قبل توليد الرد.
يقلل RAG الهلوسة بشكل كبير في المهام كثيفة المعرفة، لأن النموذج يعمل انطلاقًا من محتوى حقيقي مسترجع بدلًا من الاعتماد كليًا على بياناته التدريبية. حين يستشهد روبوت محادثة بدقة بفقرة محددة من وثائق شركتك، فمن المرجح جدًا أن RAG جزء من البنية.
التضمين هو تمثيل عددي لجزء من نص أو صورة أو صوت كمتجه في فضاء عالي الأبعاد. المفاهيم المتشابهة تنتهي بإحداثيات عددية متشابهة، وهذا ما يجعل التشابه الدلالي قابلًا للقياس بواسطة الحاسوب.
التضمينات أساس البحث الدلالي (إيجاد محتوى ذي صلة دون مطابقة دقيقة للكلمات المفتاحية)، وأنظمة التوصية، والطريقة التي يعمل بها استرجاع RAG فعليًا في الخلفية. وهي غير مرئية للمستخدمين لكنها تشغّل جزءًا كبيرًا مما يبدو "ذكيًا" في تطبيقات الذكاء الاصطناعي الحديثة.
الشبكة العصبية بنية حسابية مستوحاة بشكل فضفاض من بنية الدماغ. تتكون من طبقات من العُقد المترابطة تحوّل بيانات المدخلات إلى مخرجات عبر سلسلة من العمليات الرياضية المرجّحة.
كل نموذج ذكاء اصطناعي حديث، سواء كان LLM أو نموذج انتشار أو أداة للتعرف على الكلام، مبني على الشبكات العصبية. المصطلح واسع. القول بأن "النظام يستخدم شبكة عصبية" أشبه بالقول بأنه "يعمل ببرمجيات". صحيح تقنيًا، لكنه نادرًا ما يكون المستوى الأكثر فائدة للوصف.
المحوّل (Transformer) هو بنية الشبكات العصبية المحددة التي تشغّل عمليًا كل نماذج الذكاء الاصطناعي المتقدمة في 2026. قُدّم في ورقة بحثية عام 2017 وأعاد تشكيل المجال بالكامل خلال بضع سنوات.
المحوّلات مهيمنة لدرجة أن "LLM" و"نموذج المحوّل الكبير" مترادفان تقريبًا في الممارسة. حين يقول أحدهم "نموذج الأساس" أو "النموذج الأساسي"، فهو يصف في الغالب محوّلًا كبيرًا.
آلية الانتباه هي الابتكار الجوهري داخل المحوّلات. تتيح للنموذج أن يرجّح أهمية الأجزاء المختلفة من المدخلات بشكل ديناميكي عند إنتاج كل جزء من المخرجات.
حين يكتب LLM جملة، تسأل آلية الانتباه باستمرار: "أي أجزاء أخرى من هذا السياق تهم أكثر الآن؟" هذا الترجيح الديناميكي هو ما يمنح المحوّلات قدرتها على التعامل مع العلاقات بعيدة المدى في النصوص والأنماط المعقدة في الصور.
المواءمة تشير إلى التحدي المتمثل في جعل نماذج الذكاء الاصطناعي تتصرف بما يتسق مع القيم والنيات البشرية. النموذج المواءَم لا ينتج مخرجات دقيقة فحسب، بل ينتج مخرجات مفيدة وصادقة وآمنة.
RLHF (التعلم المعزز من ملاحظات البشر) هو أكثر تقنيات المواءمة شيوعًا المستخدمة اليوم. يقيّم مُقيِّمون بشريون مخرجات النموذج، ويُدرَّب النموذج على تفضيل الأنماط التي صنّفوها إيجابيًا. تمر معظم منتجات الذكاء الاصطناعي الاستهلاكية بعمليات مواءمة مكثفة قبل الإطلاق العام.
الحواجز قيود مدمجة في النموذج أو مُحاطة به لمنع مخرجات محددة. روبوت المحادثة الذي يرفض إنتاج محتوى عنيف يملك حواجز. ومولّد الصور الذي يحجب فئات معينة من الصور يطبّق الحواجز.
يمكن دمج الحواجز في النموذج أثناء التدريب (فتجعل مخرجات معينة مستبعدة إحصائيًا)، أو تطبيقها على مستوى التطبيق (تصفية المدخلات والمخرجات قبل معالجة النموذج وبعدها). تستخدم معظم منتجات الذكاء الاصطناعي الاستهلاكية النهجين معًا.
API (واجهة برمجة التطبيقات) هي الاتصال الذي يسمح لجزء من البرمجيات بالتحدث مع جزء آخر. حين تقول شركة "الوصول إلى نموذجنا عبر API"، فهي تعني أنه يمكنك إرسال طلبات إلى نموذجها برمجيًا من شيفرتك الخاصة واستقبال الردود.
الـAPI هو الطريقة التي تُبنى بها معظم منتجات الذكاء الاصطناعي فعليًا. التطبيق الذي تستخدمه على الأرجح لم يدرّب النموذج الذي يعمل عليه. إنه يستدعي API تقدمه الشركة التي قامت بالتدريب، مضيفًا طبقة واجهة فوقه.
النموذج مفتوح المصدر تُنشر أوزانه للعموم. يمكن لأي شخص تنزيله وتشغيله وتعديله أو ضبطه دقيقًا دون إذن أو تكلفة. Llama وMistral وStable Diffusion نماذج مفتوحة المصدر بارزة.
النموذج مغلق المصدر يحتفظ بأوزانه خاصة. لا يمكنك الوصول إليه إلا عبر API الشركة، وفق شروطها فقط. تقع معظم النماذج الرائدة ضمن هذه الفئة.
| المصدر المفتوح | المصدر المغلق | |
|---|---|---|
| التكلفة | مجاني للتشغيل محليًا | دفع لكل استعلام أو اشتراك |
| الخصوصية | كاملة (يعمل على عتادك) | تُعالج البيانات على خوادم خارجية |
| الأداء | يتفاوت كثيرًا حسب النموذج | غالبًا الأفضل في فئته |
| التخصيص | تحكم كامل في الضبط الدقيق | محدود بما يكشفه الـAPI |
إليك المفردات الكاملة من هذا المقال، مختصرة في جدول واحد سهل التصفح للمراجعة السريعة.
| المصطلح | تعريف من سطر واحد |
|---|---|
| Model | نموذج مدرَّب يستقبل مدخلات وينتج مخرجات |
| Parameters / Weights | القيم العددية داخل النموذج، التي تُضبط أثناء التدريب |
| Training | عملية تعليم النموذج عبر ضبط معاملاته |
| Inference | تشغيل نموذج مدرَّب لتوليد المخرجات |
| Token | جزء صغير من النص (~3/4 من الكلمة) يُستخدم في معالجة اللغة |
| Context Window | أقصى قدر من النص يستطيع النموذج معالجته دفعة واحدة |
| Prompt | مدخلك إلى نموذج الذكاء الاصطناعي |
| System Prompt | تعليمات مُحمّلة مسبقًا تشكّل سلوك النموذج بشكل غير مرئي |
| Temperature | يتحكم في العشوائية والإبداع في المخرجات |
| Diffusion Model | بنية تولّد الصور بإزالة الضوضاء من العشوائية |
| LoRA | ملف صغير يكيّف أسلوب النموذج الأساسي دون إعادة تدريبه |
| Latent Space | الفضاء الرياضي الداخلي الذي تمثّل فيه النماذج المفاهيم |
| Text-to-Image | توليد الصور من أوصاف نصية |
| Text-to-Video | توليد مقاطع فيديو من نص أو صورة |
| Multimodal | العمل مع أنواع متعددة من المدخلات أو المخرجات في وقت واحد |
| Fine-Tuning | تكييف نموذج مدرَّب مسبقًا ببيانات أصغر ومستهدفة |
| Hallucination | مخرجات من الذكاء الاصطناعي تبدو واثقة لكنها خاطئة من حيث الوقائع |
| RAG | ربط النموذج بمستندات خارجية للحصول على ردود مستندة إلى مصادر |
| Embedding | تمثيل رقمي متجهي للنص أو الصور أو الصوت |
| Neural Network | البنية الحسابية الأساسية لكل نماذج الذكاء الاصطناعي الحديثة |
| Transformer | البنية العصبية المحددة التي تشغّل معظم نماذج الذكاء الاصطناعي اليوم |
| Attention Mechanism | كيف تزن المحولات السياق ديناميكيًا أثناء التوليد |
| Alignment | جعل النماذج تتصرف بما يتسق مع القيم الإنسانية |
| Guardrails | قيود تمنع مخرجات محددة من النموذج |
| API | طبقة الربط التي تتيح للبرمجيات الوصول إلى قدرات النموذج |
| Open Source | نماذج تتوفر أوزانها للعموم |
| Closed Source | نماذج متاحة فقط عبر واجهة برمجة تطبيقات تابعة لشركة |
| LLM | نموذج لغوي كبير، وهو Transformer مدرَّب أساسًا على النص |
| Inference Cost | التكلفة الحاسوبية والمالية لتشغيل استعلام واحد للنموذج |
| Prompt Engineering | مهارة صياغة المدخلات للحصول على مخرجات أفضل من النموذج |
قراءة هذه المفردات هي الخطوة الأولى. الوضوح الحقيقي يأتي من استخدام الأدوات. لن تفهم "الفضاء الكامن" تمامًا حتى تبدأ بتعديل المنزلقات في مولّد صور وملاحظة ما يتغير فعلًا. ولن تشعر بالفرق بين temperature بقيمة 0.2 وtemperature بقيمة 1.0 حتى تشغّل الأمر النصي نفسه بالطريقتين وتقارن النتائج جنبًا إلى جنب.
تمنحك Picasso IA وصولًا مباشرًا إلى أكثر من 90 نموذجًا لتحويل النص إلى صورة في مكان واحد، بما في ذلك Flux 2 Klein وWan 2.7 Image Pro وSeedream 4.5 وGPT Image 2. يمكنك التبديل بينها، ومقارنة المخرجات جنبًا إلى جنب، وتجربة محولات LoRA، ومشاهدة كيف تفسّر البنى المختلفة الأمر النصي نفسه في الوقت الفعلي.
المفردات التي قرأتها للتو تصبح بديهية خلال بضع ساعات من العمل العملي. اختر مصطلحًا واحدًا من هذا المقال، وابحث عن عنصر التحكم المقابل له في أداة ذكاء اصطناعي، ودفعه إلى أقصى حدوده، وشاهد ما يحدث. هكذا تتشكل الطلاقة فعلًا، ليس من القراءة وحدها، بل من القراءة ثم الممارسة.
اختر لغتك
