النماذج الأساسية — Foundation Models

التعريف: النماذج الأساسية هي نماذج ذكاء اصطناعي واسعة النطاق يتم تدريبها مسبقًا على كميات كبيرة ومتنوعة من البيانات، ثم يمكن تكييفها أو استخدامها كأساس لبناء مجموعة واسعة من التطبيقات والأنظمة الذكية.

ما هي النماذج الأساسية؟

النموذج الأساسي هو نموذج ذكاء اصطناعي عام نسبيًا، يتم تدريبه على بيانات واسعة النطاق قبل استخدامه في مهام أو تطبيقات محددة. وتكمن أهميته في أن النموذج لا يُبنى من الصفر لكل مهمة، بل يمكن استخدام قدراته المكتسبة كأساس لمهام متعددة.

وقد أصبحت النماذج الأساسية جزءًا مهمًا من البنية الحديثة للذكاء الاصطناعي، خصوصًا مع تطور نماذج اللغة الكبيرة والنماذج متعددة الوسائط ونماذج الرؤية والحوسبة التوليدية.

الفكرة الأساسية: بدل إنشاء نموذج مستقل لكل مهمة، يمكن تدريب نموذج واسع القدرات مرة واحدة، ثم تكييفه أو توجيهه أو دمجه مع أنظمة أخرى لتنفيذ مهام مختلفة.

لماذا تسمى «أساسية»؟

وصف النموذج بأنه «أساسي» لا يعني أنه نموذج بسيط، بل يعني أنه يمكن أن يشكل قاعدة أو طبقة أساسية تُبنى فوقها تطبيقات ونماذج متخصصة متعددة.

فالنموذج الواحد قد يكون قادرًا، بعد التكييف المناسب، على دعم مهام مثل فهم اللغة، التلخيص، الترجمة، الإجابة عن الأسئلة، تحليل الصور أو إنشاء المحتوى، بحسب نوع النموذج وقدراته.

كيف تُبنى النماذج الأساسية؟

تمر عملية بناء النموذج الأساسي عادةً بعدة مراحل مترابطة، تختلف تفاصيلها بحسب نوع النموذج والهدف من تطويره.

1. جمع كميات كبيرة ومتنوعة من البيانات.
2. تنظيف البيانات ومعالجتها وتجهيزها للتدريب.
3. اختيار بنية النموذج المناسبة.
4. إجراء التدريب واسع النطاق باستخدام قدرات حوسبية كبيرة.
5. تقييم النموذج واختبار قدراته وحدوده.
6. تكييف النموذج لمهام أو تطبيقات محددة عند الحاجة.
7. مراقبة الأداء والمخاطر وتحسين النموذج بصورة مستمرة.

البيانات والتدريب

تلعب البيانات دورًا أساسيًا في النماذج الأساسية. فتنوع البيانات وجودتها وطريقة جمعها ومعالجتها يمكن أن تؤثر بصورة كبيرة في قدرات النموذج وسلوكه.

وفي النماذج اللغوية، قد تتضمن بيانات التدريب نصوصًا ومصادر لغوية مختلفة. أما النماذج متعددة الوسائط فقد تتعامل مع أكثر من نوع من البيانات، مثل النصوص والصور والصوت والفيديو.

ملاحظة مهمة: زيادة حجم البيانات أو حجم النموذج لا تضمن وحدها الحصول على نموذج أفضل. جودة البيانات، وطريقة التدريب، وتصميم النموذج، والتقييم، والسلامة، كلها عوامل مهمة في النتيجة النهائية.

أنواع النماذج الأساسية

النوع	المجال	أمثلة على الاستخدام
نماذج اللغة	اللغة والنصوص	الفهم، التوليد، التلخيص، الترجمة، الحوار.
نماذج الرؤية	الصور والفيديو	التصنيف، اكتشاف العناصر، فهم الصور.
النماذج متعددة الوسائط	أكثر من نوع من البيانات	فهم النص والصورة والصوت وغيرها ضمن نظام واحد.
النماذج التوليدية	إنشاء المحتوى	إنشاء النصوص والصور والصوت أو أنواع أخرى من المحتوى بحسب النموذج.
نماذج الصوت	الكلام والصوت	التعرف على الكلام، تحويل النص إلى صوت، وتحليل الإشارات الصوتية.

النماذج اللغوية الكبيرة

النماذج اللغوية الكبيرة، أو Large Language Models — LLMs، هي فئة من النماذج الأساسية المتخصصة في التعامل مع اللغة. تتعلم من كميات كبيرة من البيانات اللغوية، ويمكن استخدامها في مجموعة واسعة من المهام المتعلقة بالنصوص واللغة.

ومن قدراتها الممكنة توليد النص، الإجابة عن الأسئلة، التلخيص، إعادة الصياغة، الترجمة، تحليل المعلومات والمساعدة في البرمجة، مع اختلاف القدرات والدقة من نموذج إلى آخر.

النماذج متعددة الوسائط

تتجاوز بعض النماذج الأساسية التعامل مع النصوص وحدها لتتعامل مع أنواع متعددة من المعلومات، مثل النصوص والصور والصوت والفيديو.

وتسمى هذه النماذج Multimodal Models، لأنها تستطيع معالجة أو ربط أكثر من نمط من البيانات ضمن منظومة واحدة، بحسب تصميمها.

التعلّم المسبق

يُعد التدريب المسبق Pretraining مرحلة أساسية في إنشاء كثير من النماذج الأساسية. خلال هذه المرحلة يتعلم النموذج أنماطًا وتمثيلات من بيانات واسعة قبل تكييفه لمهمة معينة.

وبعد التدريب المسبق، يمكن استخدام النموذج مباشرة في بعض المهام أو إخضاعه لعمليات إضافية لتحسين أدائه في مجالات محددة.

التكييف والتخصيص

بعد إنشاء النموذج الأساسي، يمكن تكييفه مع متطلبات محددة. وقد يتم ذلك من خلال التدريب الإضافي، أو الضبط الدقيق، أو تقنيات أخرى تساعد على توجيه النموذج نحو مهمة أو مجال معين.

الضبط الدقيق — Fine-Tuning

الضبط الدقيق هو تدريب إضافي للنموذج على بيانات مرتبطة بمهمة أو مجال محدد بهدف تحسين أدائه في ذلك المجال.

التوجيه — Prompting

يمكن توجيه بعض النماذج من خلال تعليمات واضحة تصف المطلوب من النموذج، دون الحاجة بالضرورة إلى إعادة تدريب النموذج نفسه.

التوليد المعزز بالاسترجاع — RAG

يسمح أسلوب Retrieval-Augmented Generation — RAG بربط النموذج بمصادر معلومات خارجية، بحيث يمكن استرجاع معلومات ذات صلة ثم استخدامها أثناء إنشاء الإجابة.

النموذج الأساسي والتطبيق

من المهم التمييز بين النموذج الأساسي والتطبيق الذي يستخدمه. النموذج هو المكوّن الذي يوفر القدرات الحسابية أو المعرفية، بينما التطبيق قد يضيف واجهة مستخدم وأدوات وذاكرة ومصادر بيانات وأنظمة تحكم وقيودًا إضافية.

Foundation Model + Data + Tools + Application Logic = AI System

لذلك فإن جودة تطبيق الذكاء الاصطناعي لا تعتمد على النموذج وحده، بل على المنظومة الكاملة التي تستخدمه.

النماذج الأساسية والذكاء الاصطناعي التوليدي

أصبحت النماذج الأساسية من أهم البنى التي يعتمد عليها الذكاء الاصطناعي التوليدي. فهي توفر قدرات يمكن استخدامها لإنشاء محتوى جديد استنادًا إلى الأنماط التي تعلمها النموذج أثناء التدريب.

وتختلف طبيعة المحتوى الذي يمكن توليده بحسب نوع النموذج، فقد يكون نصًا أو صورة أو صوتًا أو فيديو أو مخرجات متعددة الوسائط.

مزايا النماذج الأساسية

• إمكانية استخدام نموذج واحد في مهام متعددة.
• تقليل الحاجة إلى بناء نموذج مستقل لكل مهمة.
• إمكانية تكييف النموذج لمجالات وتطبيقات مختلفة.
• الاستفادة من التدريب واسع النطاق.
• دعم بناء تطبيقات ذكاء اصطناعي متنوعة فوق طبقة مشتركة.
• إمكانية دمج النموذج مع أدوات ومصادر بيانات خارجية.

التحديات والقيود

• ارتفاع تكلفة تدريب النماذج الكبيرة.
• الحاجة إلى موارد حوسبية كبيرة في بعض الحالات.
• احتمال وجود أخطاء أو معلومات غير دقيقة في المخرجات.
• تأثر النموذج بجودة البيانات التي تدرب عليها.
• احتمال وجود تحيزات في البيانات أو المخرجات.
• صعوبة تفسير بعض القرارات الداخلية للنموذج.
• مخاطر الخصوصية والأمن عند استخدام البيانات أو الخدمات الخارجية.
• الحاجة إلى تقييم ومراقبة مستمرين عند استخدام النموذج في التطبيقات المهمة.

النماذج الأساسية والهلوسة

قد تنتج بعض النماذج الأساسية معلومات تبدو صحيحة لغويًا لكنها غير صحيحة واقعيًا. ويُشار إلى هذه الظاهرة غالبًا باسم الهلوسة في نماذج الذكاء الاصطناعي — AI Hallucination.

ولهذا السبب ينبغي تقييم المخرجات والتحقق من المعلومات المهمة، خصوصًا عند استخدام النماذج في المجالات التي تتطلب دقة عالية.

النماذج الأساسية والموثوقية

الموثوقية ليست خاصية تلقائية تنتج عن حجم النموذج. بل تحتاج إلى اختبارات وتقييمات ومراقبة مستمرة، إضافة إلى تصميم التطبيق بطريقة تقلل الأخطاء وتوضح حدود النظام.

مبدأ أساسي: النموذج الأساسي أداة قوية، لكنه لا يمثل مصدرًا معصومًا من الخطأ. يجب التعامل مع مخرجاته وفق مستوى المخاطر وطبيعة المهمة.

النماذج الأساسية والسيادة الرقمية

ترتبط النماذج الأساسية بمفهوم السيادة الرقمية بسبب اعتمادها على البيانات والبنية التحتية والحوسبة ومزودي الخدمات. وقد يكون اختيار نموذج معين قرارًا تقنيًا واستراتيجيًا في الوقت نفسه.

ومن الأسئلة المهمة في هذا السياق: أين تُخزّن البيانات؟ من يملك النموذج؟ أين تتم عملية المعالجة؟ ما مستوى التحكم في النموذج؟ وما قدرة المؤسسة أو الدولة على تشغيله وتقييمه وتعديله؟

النماذج المفتوحة والمغلقة

النماذج المفتوحة	النماذج المغلقة أو المملوكة
قد توفر درجات مختلفة من الوصول إلى الأوزان أو الشيفرة أو التفاصيل التقنية.	يكون الوصول إلى المكونات الداخلية محدودًا وفق سياسة الجهة المطورة.
قد تمنح المستخدمين والمؤسسات قدرة أكبر على التخصيص والتشغيل المحلي بحسب الترخيص.	قد توفر خدمات جاهزة وإدارة مركزية للنموذج.
تختلف درجة الانفتاح من نموذج إلى آخر.	تختلف القيود والقدرات بحسب الخدمة والنموذج.

ولا يعني وصف نموذج بأنه «مفتوح» بالضرورة أن جميع مكوناته متاحة بالكامل؛ فدرجة الانفتاح تعتمد على ما يتم توفيره وعلى شروط الترخيص والاستخدام.

النماذج الأساسية في بناء أنظمة الذكاء الاصطناعي

يمكن أن يكون النموذج الأساسي طبقة مركزية داخل منظومة أكبر. وقد تتصل به قواعد بيانات، وأدوات بحث، وأنظمة ذاكرة، وواجهات برمجية، وأدوات تنفيذ، وأنظمة مراقبة وحماية.

User → Application → Foundation Model → Tools / Data → Result

هذا يوضح أن النموذج الأساسي ليس بالضرورة النظام الكامل، بل يمكن أن يكون أحد المكونات الرئيسية في نظام ذكاء اصطناعي متكامل.

تقييم النماذج الأساسية

يتطلب تقييم النموذج الأساسي النظر إلى أكثر من معيار واحد. ومن المعايير الممكنة الدقة، والقدرة على اتباع التعليمات، والاستقرار، والسلامة، والسرعة، واستهلاك الموارد، والتكلفة، والخصوصية، والقدرة على العمل في المجال المطلوب.

معيار التقييم	السؤال الأساسي
الدقة	هل يقدم النموذج نتائج صحيحة في المهمة المطلوبة؟
القدرة	ما نوع المهام التي يستطيع النموذج تنفيذها؟
السلامة	كيف يتعامل النموذج مع الطلبات والمخرجات الحساسة أو الخطرة؟
السرعة	ما سرعة إنتاج النتائج؟
التكلفة	ما تكلفة تشغيل النموذج واستخدامه؟
الخصوصية	كيف تتم معالجة البيانات وحمايتها؟
المرونة	هل يمكن تكييف النموذج مع الاحتياجات المختلفة؟

الفرق بين النموذج الأساسي والنموذج المتخصص

النموذج الأساسي يُصمم عادةً ليكون واسع الاستخدام وقابلًا للتكييف مع مهام متعددة، بينما يُصمم النموذج المتخصص أو المكيف لتحقيق أداء أفضل في مجال أو مهمة محددة.

وقد يبدأ النموذج المتخصص أصلًا من نموذج أساسي ثم يخضع لتدريب أو تكييف إضافي.

مستقبل النماذج الأساسية

يتجه تطور النماذج الأساسية نحو قدرات أكثر تنوعًا، وفهم أفضل للبيانات متعددة الوسائط، وكفاءة أعلى في التدريب والتشغيل، وقدرات أكبر على استخدام الأدوات والمصادر الخارجية.

كما يتزايد الاهتمام بتطوير نماذج أكثر كفاءة وشفافية وأمانًا، مع تحسين القدرة على تشغيل بعض النماذج محليًا وتقليل الاعتماد على الموارد الحوسبية الضخمة عندما يكون ذلك ممكنًا.

الخلاصة

النماذج الأساسية تمثل طبقة مهمة من البنية الحديثة للذكاء الاصطناعي. وهي نماذج واسعة القدرات يتم تدريبها على بيانات كبيرة ومتنوعة، ثم يمكن استخدامها أو تكييفها لبناء مجموعة واسعة من التطبيقات.

وتكمن أهميتها في قدرتها على توفير قاعدة مشتركة لمهام متعددة، إلا أن استخدامها المسؤول يتطلب فهم قدراتها وحدودها، وتقييم مخرجاتها، وحماية البيانات، ومراعاة الأمن والخصوصية والموثوقية.

مصطلحات أساسية:
النماذج الأساسية — Foundation Models
النموذج اللغوي الكبير — Large Language Model
التدريب المسبق — Pretraining
الضبط الدقيق — Fine-Tuning
التعلم متعدد الوسائط — Multimodal Learning
الذكاء الاصطناعي التوليدي — Generative AI
التوليد المعزز بالاسترجاع — RAG
النماذج المفتوحة — Open Models
النماذج المغلقة — Closed Models
النماذج المتخصصة — Specialized Models