الذكاء الاصطناعي

دليل مبسّط لمفاهيم الذكاء الاصطناعي: كيف تعمل نماذج اللغة الكبيرة

مع تزايد انتشار الأجهزة المخصصة لتشغيل نماذج الذكاء الاصطناعي محلياً، أصبح فهم المصطلحات التقنية أمراً ضرورياً. هذا الدليل يشرح المفاهيم الأساسية التي تحكم عمل هذه النماذج.

رضوان عبدالهاديمحرر وكاتب تقني

نُشر: 30 أكتوبر 2026 · آخر تحديث: 30 أكتوبر 2026 · 5 دقائق قراءة

دليل مبسّط لمفاهيم الذكاء الاصطناعي: كيف تعمل نماذج اللغة الكبيرة — الصورة: Tom's Hardware

تزايد أهمية المصطلحات التقنية في عالم الذكاء الاصطناعي

مع استمرار تقدم أجهزة الحاسوب المخصصة لتشغيل نماذج الذكاء الاصطناعي محلياً، مثل أجهزة Nvidia RTX Spark، ظهرت مجموعة جديدة من الاختصارات والمصطلحات التقنية التي قد تبدو معقدة للمبتدئين. ولتسهيل فهم هذه المفاهيم، أعد موقع Tom's Hardware دليلاً شاملاً يشرح المصطلحات الجديدة التي ستظهر في مقالاته التقنية، مع التركيز على نماذج اللغة الكبيرة (LLM) المستخدمة في الدردشة والبرمجة والوكلاء الآليين. ويمكن الرجوع إلى Tom's Hardware للاطلاع على التفاصيل الأصلية للمصدر.

ما هو النموذج؟ الأوزان والرموز

النموذج هو في جوهره نموذج لغة كبير (LLM) تم تدريبه على مجموعات ضخمة من البيانات النصية التي تتراوح أحجامها من تيرابايت إلى بيتابايت. تأتي هذه البيانات من الإنترنت والكتب والنصوص الصوتية والمرئية. يمكن تشبيه النموذج بطبقات متقدمة من التحليل الإحصائي للعلاقات بين الرموز (Tokens)، والتي تشمل الكلمات أو أجزاء منها، وأكواد البرمجة، وعلامات الترقيم. الرموز نفسها ليست جزءاً من النموذج، لكنها تُحزم معه، والنموذج هو الذي يولّد هذه الرموز في مخرجاته.

تتضمن هذه الطبقات الحسابية أوزاناً (Weights) تمثل قوة الاتصال بين أقسام الرموز، تماماً كما تختلف مسارات العصبونات في الدماغ. عند تشغيل النموذج، تحدد هذه القيم كيفية ارتباط الرموز ببعضها البعض. على سبيل المثال، تختلف أوزان الاتصالات بين مقطع "na" والكلمات التالية مثل "naval" أو "nachos" أو "naruto"، وكلما زادت قيمة الوزن، زاد تكرار الكلمة في بيانات التدريب. ومن المهم ملاحظة أن الأوزان لا يمكن تغييرها دون إعادة تدريب النموذج أو أجزاء منه.

حجم النموذج: الأوزان ليست كل شيء

عند الاطلاع على مواصفات نماذج اللغة الكبيرة، ستجد أرقاماً مثل "4B" أو "8B" أو "20B". هذه الأرقام تشير إلى عدد المعاملات (Parameters) أو الأوزان التي يستخدمها النموذج، وتُقاس عادةً بالمليارات للنماذج الاستهلاكية، وبالمليارات للنماذج المتقدمة مثل GPT وClaude وKimi. ومع ذلك، فإن امتلاك نموذج لعدد أكبر من الأوزان لا يعني تلقائياً أنه أذكى. تماماً كما هو الحال مع سرعات معالجات CPU، لا يتعلق الأمر فقط بالحصول على رقم أعلى؛ فالأهم هو أن تكون هذه الأوزان ذات معنى ومفيدة للمخرجات النهائية.

النماذج مفتوحة الأوزان مقابل المغلقة

قد تكون قد سمعت عن النماذج "مفتوحة الأوزان" مقابل النماذج "المغلقة". تشير هذه المصطلحات إلى نماذج مثل Llama وDeepSeek وKimi، والتي يمكن استخدامها مجاناً لأن الكيانات المطورة لها تنشر الأوزان على الإنترنت بحرية. يمكن للمستخدمين تعديل الأوزان كما يشاؤون وإنشاء نسخهم الخاصة، بشرط امتلاك الأجهزة المناسبة لتشغيلها. ومع ذلك، فإن تنزيل نموذج مجاني لا يكشف عن كيفية تدريبه أو كيفية حساب أوزانه؛ فهو يشبه تنزيل تطبيق قابل للتخصيص، وليس برنامجاً مفتوح المصدر.

التكميم (Quantization): تقليل الحجم دون فقدان كبير

مصطلحات مثل FP16 وINT8 وFP4 قد تبدو معقدة، لكنها بسيطة الفهم. تستخدم جميع البرامج أرقاماً بعرض ودقة متغيرة حسب الغرض. على سبيل المثال، قد يكون عدّاد المال في اللعبة بسيطاً باستخدام عدد صحيح 32-بت (INT32)، بينما قد تحتاج القياسات العلمية الدقيقة إلى حسابات عشرية 64-بت (FP64). نظراً لأن الذاكرة مورد محدود للغاية، يحاول المطورون استخدام أصغر وحدات ممكنة، وهو مفهوم مهم جداً في عالم بطاقات الرسوميات (GPUs) المحدودة بذاكرة VRAM. أصبحت هذه الشرائح بارعاً في التعامل مع قيم الدقة المنخفضة كتوازن بين سرعة المعالجة والدقة العددية.

عند تدريب نموذج ذكاء اصطناعي، تريد المختبرات استخدام أعلى دقة ممكنة للأوزان، لكن الاحتفاظ بهذه الدقة في النسخة النهائية سيجعل النموذج كبيراً وبطيئاً بشكل غير مقبول. هنا يأتي مفهوم التكميم (Quantization)، وهو مصطلح فخم يعني "التقريب الذكي". كإحدى الخطوات بعد التدريب، يتم إجراء عدة تمريرات لتحويل الأوزان عالية الدقة. لكل مختبر أسرار خاصة حول كيفية القيام بذلك، لأنها خطوة حاسمة. تستخدم النماذج المتقدمة دقة عالية نسبياً (BF16) للحفاظ على جودة الاستجابة والقدرة على الاستدلال، بينما توفر النماذج مفتوحة الأوزان عدة إصدارات بمستويات تكميم مختلفة تناسب قدرات الأجهزة، مثل Llama 3.3 70B الذي يمكن تشغيله بدقة BF16 كاملة أو بإصدارات INT4 مكمّمة.

نافذة السياق (Context Window): مساحة التفكير

"نافذة السياق" هو مصطلح شائع قد تكون قد رأيته في واجهات المستخدم، كمؤشر على طول الجلسة قبل أن يبدأ النموذج في تقديم ردود أقل دقة. تُقاس هذه النافذة بالرموز (Tokens)، وغالباً ما تكون مليون رمز للنماذج المتقدمة، وهي تشبه تقريباً ذاكرة الوصول العشوائي (RAM) في الحاسوب. نافذة السياق هي مساحة التفكير للنموذج، ويجب أن تحتوي على كل ما يتعلق بجلستك، وليس فقط السؤال الحالي. فهي تشمل جميع أسئلتك وردود النموذج، بالإضافة إلى أوامر النظام، والملفات المرفوعة، ومحتوى الروابط التي بحث عنها النموذج، وأي بيانات مرتبطة.

من الناحية الجوهرية، بينما تبدو هذه العناصر مفاهيم منفصلة للمستخدم، فإنها تتحول داخل النموذج إلى رموز في كومة واحدة كبيرة: نافذة السياق. هذا هو السبب في أن فصل "البيانات" عن "الكود" مستحيل تقنياً؛ أفضل ما تفعله النماذج الحديثة هو تقريب لهذا التمييز. النماذج لا "تفكر" بالمعنى البشري؛ عند الإجابة على سؤال جديد، تعيد تشغيل برنامج إحصائي على جميع الرموز للتنبؤ بالرموز التالية. لذلك، يكون امتلاك نافذة سياق أكبر مفيداً (على حساب الذاكرة)، مما يفسر شيوع رقم المليون رمز حالياً. لكن حتى الخوارزميات الإحصائية لها حدود؛ فحتى لو زدت النافذة إلى ثلاثة ملايين رمز، قد تجد أن التنبؤ يبدأ في الانهيار قبل نفاد المساحة، وهو ما يُعرف بـ"تأثير الضياع في المنتصف"، حيث يركز النموذج على بداية ونهاية المحادثة وينسى التفاصيل في المنتصف.