في كل مرة تكتب رسالة في مساعد دردشة بالذكاء الاصطناعي، تنطلق سلسلة معقدة من الأحداث خلف الكواليس. يشرح هذا المقال الآليات الحقيقية لنماذج المحوِّلات (transformer)، والترميز إلى توكنات، والانتباه، وبيانات التدريب، ونوافذ السياق، ويوضح بدقة ما تفعله هذه النماذج بكلماتك.
في كل مرة تكتب رسالة إلى مساعد دردشة بالذكاء الاصطناعي وتضغط Enter، تبدأ عملية معقدة بشكل مدهش. يعتقد معظم الناس أن هذه الأنظمة تبحث عن الإجابات في قاعدة بيانات، على غرار محرك البحث الذي يفهرس صفحات الويب. هذا الاعتقاد خاطئ تمامًا، ومعرفة الآليات الحقيقية تغيّر طريقة استخدامك لهذه الأدوات بفعالية.
قبل أن يقرأ أي نموذج ذكاء اصطناعي رسالتك، يحوّل كلماتك إلى أرقام. تُسمّى هذه العملية الترميز إلى توكنات (tokenization)، وهي الخطوة الأولى في كل محادثة.
التوكن ليس كلمة بالضبط. بل هو أقرب إلى مقطع من النص، يتألف في المتوسط من 3 إلى 4 أحرف تقريبًا. قد تتحول كلمة "fantastic" إلى توكنين: "fan" و"tastic". أما كلمة "AI" فهي توكن واحد. وعلامات الترقيم توكنات أيضًا. تقسّم معظم أنظمة الذكاء الاصطناعي الحديثة رسائلك إلى مئات، بل آلاف التوكنات، قبل أن تبدأ أي معالجة.
بعد الترميز، يُربط كل توكن بمتجه عالي الأبعاد، أي قائمة من الأرقام تمثل معنى تلك الكلمة مقارنةً بجميع الكلمات الأخرى في مفردات النموذج. تُسمّى هذه المتجهات التضمينات (embeddings)، وتُبنى أثناء التدريب. الكلمات ذات المعاني المتشابهة تنتهي بمتجهات متشابهة. فكلمتا "Fast" و"quick" تقعان قريبتين من بعضهما. أما "Apple" بمعنى الفاكهة و"Apple" بمعنى الشركة فتبدآن قريبتين من بعضهما ثم تفترقان بحسب السياق المحيط.
ملاحظة: جودة هذه التضمينات هي السبب في أن الذكاء الاصطناعي الحديث يستطيع أن يفهم أنك تسأل عن شركة التقنية عندما تكتب "ما سعر سهم Apple؟" دون أن تحتاج إلى توضيح.
على خلاف البشر الذين يقرؤون من اليسار إلى اليمين، تعالج النماذج القائمة على المحوِّلات مدخلك كاملًا بالتوازي. ينتبه كل توكن إلى كل توكن آخر في الوقت نفسه. وهذا هو الابتكار الجوهري لبنية المحوِّلات التي قُدّمت في ورقة "Attention Is All You Need" عام 2017.
هذه المعالجة المتوازية هي سبب سرعة هذه النماذج رغم ضخامتها، وهي كذلك سبب قدرتها على التقاط الإشارات التي تظهر في بداية رسالة طويلة حتى عند توليد نص قرب النهاية.
آلية الانتباه هي قلب عمل مساعدات الدردشة بالذكاء الاصطناعي. عندما يعالج النموذج رسالتك، يحسب كل توكن درجةً تمثل مقدار "انتباهه" إلى كل توكن آخر. تعني درجة الانتباه المرتفعة بين توكنين أنهما مترابطان بقوة في هذا السياق تحديدًا.
خذ الجملة: "The bank by the river was slippery." تحتاج كلمة "bank" إلى تحديد النوع المقصود من البنوك. ترى آلية الانتباه الصلة الكبيرة بكلمة "river" فتمنحها وزنًا كبيرًا، فتفسّر "bank" بشكل صحيح على أنها ضفة نهر، لا مؤسسة مالية.
يحدث هذا عبر رؤوس انتباه (attention heads) متعددة في وقت واحد. يرى كل رأس التسلسل من زاوية مختلفة قليلًا. تتتبع بعض الرؤوس العلاقات النحوية. وتتتبع أخرى المعنى الدلالي. وتتتبع غيرها الأنماط الموضعية. تُدمج مخرجات جميع الرؤوس في تمثيل أغنى لكل توكن.
بعد الانتباه، يمرّ تمثيل كل توكن عبر شبكة عصبونية أمامية التغذية (feed-forward). ويتكرر ذلك عبر عشرات أو مئات الطبقات. تحسّن كل طبقة التمثيل قليلًا، فتبني صورة أعمق تدريجيًا للعلاقات في نصك.
تُسمّى الأرقام التي تحدد هذه العمليات المعاملات (parameters). قد يحتوي النموذج الصغير على 7 مليارات معامل، بينما قد يتجاوز النموذج الكبير مئات المليارات. تُثبَّت هذه المعاملات بعد التدريب ولا تتغير عندما تتحدث مع النموذج. ما يتغير هو كيفية تفعيل مدخلك المحدد لمسارات مختلفة داخل هذه الشبكة الضخمة.
| حجم النموذج | عدد المعاملات التقريبي | حالة الاستخدام المعتادة |
|---|---|---|
| صغير | 1 مليار - 8 مليارات | مهام سريعة وخفيفة |
| متوسط | 8 مليارات - 70 مليارًا | توازن بين السرعة والجودة |
| كبير | 70 مليارًا - 405 مليارات | استدلال معقد، سياق طويل |
| رائد | أكثر من 400 مليار | أداء على أحدث ما توصلت إليه التقنية |
تُدرَّب نماذج الدردشة على مجموعات ضخمة من النصوص. وتشمل صفحات ويب مجمّعة من الإنترنت، وكتبًا، وأوراقًا أكاديمية، ومستودعات أكواد، ومنتديات، ومقالات إخبارية. حجم هذا كله يصعب تخيله تقريبًا. وغالبًا ما تتجاوز مجموعات بيانات التدريب للنماذج الرائدة عدة تريليونات من التوكنات، أي ما يعادل تقريبًا ملايين الكتب.
لا يحفظ النموذج هذه البيانات حرفيًا. بل يمتص الأنماط، والعلاقات الإحصائية بين الكلمات والمفاهيم، بحجم يسمح له بتوليد نص متماسك ومناسب للسياق عن أي موضوع تقريبًا.
التدريب الخام على نصوص الإنترنت ينتج نموذجًا يستطيع التنبؤ بالنص، لكنه لا يملك بطبيعته شخصية "المساعد المفيد". فالسلوك الذي تختبره عند الدردشة مع مساعدات الذكاء الاصطناعي هو في الغالب نتيجة مرحلة تدريب تُسمى التعلم المعزز من الملاحظات البشرية (RLHF).
في هذه المرحلة، يقيّم مُقيّمون بشر ردود النموذج. يرتبون الإجابات حسب الجودة والفائدة والدقة والسلامة. تُستخدم هذه التصنيفات لتدريب "نموذج مكافأة" منفصل يمنح الردود درجات. ثم يُحدَّث النموذج اللغوي الرئيسي ليولّد ردودًا تحصل على درجات عالية في نموذج المكافأة هذا.
لهذا السبب تكون مساعدات الذكاء الاصطناعي مهذبة، وترفض طلبات معينة، وتنظّم ردودها بوضوح. لا شيء من ذلك "شخصية" للنموذج. إنه نتيجة ملايين إشارات التفضيل البشرية المدمجة في الأوزان.
ملاحظة: تتلقى النماذج المختلفة تدريبًا مختلفًا بالتعلم المعزز، ولهذا تملك GPT 5 وClaude 4 Sonnet وGemini 3 Flash أساليب تواصل مختلفة بوضوح رغم تشابه بنياتها الأساسية.
لكل مساعد دردشة بالذكاء الاصطناعي نافذة سياق (context window)، وهي أكبر كمية من النص يستطيع معالجتها في تفاعل واحد. كانت نوافذ السياق في النماذج الأولى تبلغ نحو 2000 إلى 4000 توكن. أما النماذج الرائدة الحديثة فقد وسّعتها إلى 128000 توكن أو أكثر.
تشمل نافذة السياق كل ما في المحادثة الحالية: رسائلك، وردود النموذج، وأي مستندات ألصقتها، وموجّه النظام الذي يحدده التطبيق. وعندما تتجاوز المحادثة نافذة السياق، يُحذف أقدم المحتوى أو يُلخَّص.
يفسّر هذا واحدًا من أشهر "أعطال" الذكاء الاصطناعي. عندما يبدو أن النموذج نسي شيئًا أخبرته به في بداية محادثة طويلة، فهو ليس مرتبكًا ولا معطلًا. ببساطة، خرج السياق السابق من نافذة معالجته.
ويرتبط ارتباطًا وثيقًا بذلك مفهوم الحد الأقصى لعدد التوكنات في المخرجات. تضع معظم تطبيقات API حدًا لعدد التوكنات التي يستطيع النموذج توليدها في رد واحد. وهذا الحد منفصل عن نافذة السياق للمدخلات.
إذا طلبت نصًا طويلًا جدًا فتوقف الرد في منتصف جملة، فغالبًا ما تكون المشكلة في حد التوكنات لا في قدرة النموذج. يُحل الأمر بتقسيم المهمة إلى أجزاء أصغر، أو بطلب صريح من النموذج أن يكمل.
يتسم مشهد دردشة الذكاء الاصطناعي في 2027 بتنوع لافت. تتنافس عدة نماذج رائدة في قمة اختبارات الأداء المعيارية، ولكل منها نقاط قوة مميزة.
يبقى GPT 5 من OpenAI من أكثر النماذج العامة قدرة، وهو قوي في البرمجة والاستدلال والكتابة الإبداعية. ويتضمن الإصدار GPT 5 Pro التفكير الموسّع لمواجهة المسائل المعقدة متعددة الخطوات.
يتصدر Claude Opus 4.7 من Anthropic في الأداء مع السياقات الطويلة واتباع التعليمات الدقيقة، وهو مفيد بشكل خاص في تحليل المستندات ومهام البرمجة التفصيلية. وللتفاعلات الأسرع، يقدّم Claude 4.5 Haiku نتائج قوية بزمن استجابة أقل بكثير.
يتميز Gemini 3 Pro من Google بقدراته متعددة الوسائط، إذ يتعامل مع النصوص والصور والمستندات بشكل أصيل. وGemini 2.5 Flash هو الخيار الأول للمهام كثيفة الحجم حيث تهم السرعة.
من جهة النماذج مفتوحة المصدر، قلّص Llama 4 Maverick Instruct من Meta الفجوة مع النماذج المغلقة بشكل كبير، مقدّمًا أداءً قويًا في الاستدلال مع مرونة النماذج مفتوحة الأوزان.
قدّم DeepSeek R1 نهجًا شفافًا للاستدلال بسلسلة التفكير، ما جعله متميزًا في مهام الرياضيات والاستدلال المنطقي.
| النموذج | أفضل استخدام | السرعة |
|---|---|---|
| GPT 5 | الاستخدام العام، البرمجة | متوسطة |
| Claude Opus 4.7 | السياق الطويل، أعمال المستندات | متوسطة |
| Gemini 3 Flash | السرعة، الوسائط المتعددة | سريعة |
| Llama 4 Maverick | مفتوح المصدر، الخصوصية | متغيرة |
| DeepSeek R1 | الرياضيات، المنطق | متوسطة |
للتمييز بين المصدر المفتوح والمصدر المغلق آثار عملية حقيقية. النماذج المغلقة مثل GPT 5 و Claude 4 Sonnet متاحة عبر API، لكن أوزانها غير متاحة للعامة. لا يمكنك تشغيلها محليًا أو فحص بنيتها الداخلية.
أما النماذج المفتوحة مثل Meta Llama 3 70B Instruct وDeepseek v3 فتنشر أوزانها علنًا. يستطيع أي شخص تنزيلها وتشغيلها وإجراء الضبط الدقيق عليها أو تعديلها. وهذا مهم للتطبيقات الحساسة للخصوصية، أو للنشر دون اتصال بالإنترنت، أو عندما تحتاج إلى تحكم دقيق في سلوك النموذج.
عندما يقول مساعد دردشة بالذكاء الاصطناعي شيئًا خاطئًا بثقة، فهو لا يحاول خداعك. تنشأ الظاهرة، التي تُعرف على نطاق واسع باسم الهلوسة (hallucination)، من طريقة توليد هذه النماذج للنص: عبر التنبؤ بالتوكن الأرجح إحصائيًا في كل خطوة.
لا يملك النموذج قاعدة بيانات للحقائق يراجعها قبل أن يتكلم. إنه يولّد التوكنات بناءً على الأنماط التي امتصها أثناء التدريب. وأحيانًا يكون التسلسل الذي يبدو الأرجح من التوكنات خاطئًا من حيث الوقائع. ولا يملك النموذج آلية داخلية للتنبيه إلى عدم يقينه، ما لم يُدرَّب صراحةً على التعبير عن مستويات الثقة.
طرق عملية لتقليل الهلوسة:
التكرار في مخرجات الذكاء الاصطناعي عطل حقيقي. يحدث عندما يعلق النموذج في حلقة ذات احتمال مرتفع. فالتسلسل الذي ولّده يبدأ في التأثير على التوكنات التالية بطريقة تعزز نفسها.
يتحكم في ذلك إعداد يُسمى درجة الحرارة (temperature). تعني الدرجة المنخفضة أن النموذج يختار دائمًا التوكن الأرجح، وهذا قد يسبب الدوران في حلقة. وتُدخل الدرجة الأعلى عشوائية تكسر الحلقات لكنها تجلب معها تنوعًا أكبر. وتضبط معظم التطبيقات المُعدّة جيدًا الدرجة بين 0.5 و0.9 لتحقيق توازن بين التماسك والتنوع.
ترتبط جودة ما تحصل عليه من مساعد دردشة بالذكاء الاصطناعي ارتباطًا مباشرًا بوضوح ما تطلبه. الأمر هنا ليس عبارات سحرية، بل كثافة المعلومات.
الأمر النصي الضعيف يترك مجالًا واسعًا للتأويل. فعبارة "اكتب بريدًا إلكترونيًا تسويقيًا" لا تمنح النموذج جمهورًا ولا منتجًا ولا نبرة ولا هدفًا للطول. أما الأمر القوي فيحدد كل ذلك: "اكتب بريدًا إلكترونيًا من 150 كلمة من شركة ناشئة في مجال SaaS إلى مشترين B2B في الشركات المتوسطة، يروّج لميزة جديدة لإدارة المشاريع، بنبرة احترافية ودافئة، مع دعوة لاتخاذ إجراء في النهاية."
مبادئ تنتج مخرجات أفضل باستمرار:
تولّد نماذج الدردشة العادية الردود بسلاسة، لكنها قد ترتكب أخطاء في المسائل التي تتطلب خطوات منطقية متعددة. أما نماذج الاستدلال (reasoning models) مثل Kimi K2 Thinking وO1 وO1 Mini وGrok 4 فتعمل بطريقة مختلفة. فقبل توليد الرد، تُجري سلسلة تفكير داخلية للتحقق من استدلالها.
يجعل هذا عملها أبطأ. قد يحتاج نموذج الاستدلال إلى 10 إلى 20 ثانية للرد، بينما يرد النموذج العادي في أقل من ثانية. لكن في المسائل الرياضية، وتصحيح الأكواد المعقدة، والتخطيط متعدد الخطوات، أو أي مهمة يكون فيها الصواب أهم من السرعة، تتفوق نماذج الاستدلال على النماذج العادية باستمرار.
استخدم النماذج العادية في:
استخدم نماذج الاستدلال في:
تجاوزت مساعدات الدردشة بالذكاء الاصطناعي مرحلة الجدّة منذ زمن بعيد. فهي أدوات عملية ذات فروق أداء قابلة للقياس، وقيود معمارية حقيقية تستحق المعرفة، وحالات استخدام محددة تتألق فيها أو تتعثر.
أهم خلاصة هي أن النموذج الذي تستخدمه مهم. ليست كل مساعدات الدردشة بالذكاء الاصطناعي متساوية. فتشغيل GPT 4o Mini لإعادة صياغة سريعة مقابل تشغيل Claude Opus 4.7 لتحليل مفصّل لمستند من 100 صفحة ليس مجرد فرق في السرعة. إنه الفرق بين مخرجات مقبولة ومخرجات استثنائية.
على PicassoIA، يمكنك تشغيل كل نموذج مذكور في هذه المقالة مباشرةً من متصفحك، دون أي إعداد أو تهيئة لواجهة API. تستضيف المنصة أكثر من 65 نموذجًا لغويًا كبيرًا، من الخيارات الخفيفة مثل GPT 5 Nano للردود الفورية، إلى النماذج الرائدة مثل GPT 5 Pro عندما تتطلب المهمة أعلى مستوى من القدرة.
سواء كنت تصيغ محتوى، أو تكتب أكوادًا، أو تحلل مستندات، أو تتساءل ببساطة عما تستطيع هذه الأنظمة فعله، فأسرع طريق من قراءة المعلومات عن مساعدات الدردشة بالذكاء الاصطناعي إلى استخدامها فعليًا هو أن تشغّل نموذجًا بنفسك وترى كيف يجيب عن أسئلتك المحددة. البنية واضحة. واختيار النموذج يعود إليك.
اختر لغتك
