ما الفرق بين AI وMachine Learning وDeep Learning؟
سلسلة: الذكاء الاصطناعي ببساطة
في المقال السابق، عرفنا كيف تتعلم الآلات من البيانات، وكيف يمكن للنموذج أن يتدرب على أمثلة كثيرة، ويقارن بين توقعاته والنتائج المطلوبة، ثم يعدّل قيمه الداخلية حتى تتحسن نتائجه.
لكن أثناء الحديث عن الذكاء الاصطناعي، نسمع باستمرار ثلاثة مصطلحات:
الذكاء الاصطناعي AI
التعلم الآلي Machine Learning
التعلم العميق Deep Learning
وأحيانًا نسمع مصطلحًا رابعًا يرتبط بها جميعًا:
الشبكات العصبية Neural Networks
فهل هذه المصطلحات تعني الشيء نفسه؟
هل الذكاء الاصطناعي هو نفسه التعلم الآلي؟
وهل كل نظام ذكاء اصطناعي يستخدم التعلم العميق؟
والأهم...
أين يقع ChatGPT وسط كل هذه المصطلحات؟
لنبدأ من الصورة الأكبر.
الذكاء الاصطناعي... المظلة الكبيرة
الذكاء الاصطناعي، أو Artificial Intelligence – AI، هو المصطلح الأوسع بين هذه المصطلحات.
وبصورة مبسطة، يشير إلى الأنظمة الحاسوبية التي تستطيع تنفيذ مهام ترتبط عادةً بقدرات نربطها بالذكاء البشري، مثل التعرف على الأنماط، وفهم اللغة، والتنبؤ، واتخاذ القرارات أو دعمها، والتعامل مع الصور والأصوات والبيانات.
ويعرّف المعهد الوطني الأمريكي للمعايير والتكنولوجيا NIST نظام الذكاء الاصطناعي بأنه نظام قائم على الآلة يستطيع، لتحقيق أهداف يحددها الإنسان، إنتاج تنبؤات أو توصيات أو قرارات تؤثر في بيئات حقيقية أو افتراضية.
إذن، فالذكاء الاصطناعي ليس برنامجًا واحدًا، وليس طريقة واحدة للتعلم.
إنه مجال واسع جدًا يضم طرقًا وتقنيات متعددة.
ولفهم الفكرة، تخيل أننا نتحدث عن عالم السيارات.
كلمة «سيارة» تصف الفئة الكبيرة، لكن داخل هذه الفئة توجد سيارات تعمل بالبنزين، وأخرى بالكهرباء، وأخرى هجينة، ولكل منها تقنيات مختلفة.
الأمر قريب من ذلك في الذكاء الاصطناعي.
الذكاء الاصطناعي هو المظلة الكبيرة.
وتحت هذه المظلة توجد تقنيات وأساليب متعددة، ومن أهمها التعلم الآلي.
إذن ما هو التعلم الآلي؟
Machine Learning – ML هو أحد فروع الذكاء الاصطناعي.
وفي البرمجة التقليدية، قد نكتب للكمبيوتر مجموعة من القواعد والتعليمات التي تحدد له كيف يتصرف.
أما في التعلم الآلي، فنحن نعطي النظام بيانات وأمثلة، ونستخدم خوارزميات تساعده على اكتشاف الأنماط والعلاقات داخل هذه البيانات، ثم استخدام ما تعلمه لإجراء تنبؤات أو تصنيفات على بيانات جديدة.
ولنفترض أنك تريد إنشاء نظام يستطيع اكتشاف الرسائل الإلكترونية المزعجة.
يمكنك محاولة كتابة آلاف القواعد يدويًا:
إذا احتوت الرسالة على كلمة معينة، فربما تكون مزعجة.
إذا احتوت على عدد كبير من الروابط، فقد تكون مزعجة.
إذا جاءت من عنوان معين، فقد تكون مزعجة.
لكن الرسائل الحقيقية أكثر تعقيدًا من مجموعة قواعد بسيطة.
لذلك يمكن استخدام التعلم الآلي لتدريب نموذج على عدد كبير من الرسائل التي سبق تصنيفها إلى:
«مزعجة» و«غير مزعجة».
وبمرور الوقت، يتعلم النموذج أنماطًا تساعده على التمييز بين النوعين.
وهذا هو جوهر التعلم الآلي:
بدلًا من كتابة كل القواعد للآلة، نمنحها البيانات والخوارزميات التي تساعدها على اكتشاف الأنماط.
وهنا نصل إلى أول علاقة مهمة:
الذكاء الاصطناعي AI أوسع من التعلم الآلي ML.
فكل تعلم آلي يدخل ضمن الذكاء الاصطناعي، لكن ليس كل ذكاء اصطناعي بالضرورة تعلمًا آليًا.
لكن كيف كان التعلم الآلي قبل ظهور Deep Learning؟
هذه نقطة مهمة.
قبل الانتشار الواسع للتعلم العميق، كانت هناك خوارزميات كثيرة للتعلم الآلي تستطيع حل مشكلات متنوعة.
لكن في بعض التطبيقات، كان الإنسان يحتاج إلى مساعدة النظام في تحديد الخصائص المهمة داخل البيانات.
تخيل أنك تريد من الكمبيوتر التمييز بين صور القطط والكلاب.
قد يحتاج النظام إلى الاعتماد على خصائص محددة يتم اختيارها أو تجهيزها مسبقًا، مثل شكل الأذن، أو حجم الوجه، أو بعض الخصائص البصرية الأخرى.
وهنا كان الإنسان يؤدي دورًا مهمًا في تحديد ما الذي ينبغي للنظام أن يبحث عنه.
لكن ماذا لو استطعنا بناء نظام يتعلم بنفسه الخصائص الأكثر أهمية من البيانات الخام؟
هنا تبدأ قصة التعلم العميق.
من Machine Learning إلى Deep Learning
Deep Learning – DL هو أحد فروع التعلم الآلي.
أي أن العلاقة الأساسية هي:
الذكاء الاصطناعي AI
↓
التعلم الآلي Machine Learning
↓
التعلم العميق Deep Learning
أما الشبكات العصبية Neural Networks، فهي البنية الحسابية الأساسية التي تقوم عليها كثير من تقنيات التعلم العميق.
وهذا يعني أن التعلم العميق ليس مجالًا منفصلًا عن الذكاء الاصطناعي، بل هو طريقة متقدمة ضمن التعلم الآلي.
ويعتمد التعلم العميق بصورة أساسية على الشبكات العصبية الاصطناعية متعددة الطبقات، التي تستطيع تعلم أنماط شديدة التعقيد من كميات كبيرة من البيانات.
وهنا يظهر سؤال مهم:
ما هي الشبكة العصبية؟
الشبكات العصبية الاصطناعية Artificial Neural Networks هي نماذج حسابية مستوحاة بصورة عامة من فكرة الخلايا العصبية المترابطة في الدماغ، لكنها ليست نسخة رقمية من الدماغ البشري.
تتكون الشبكة العصبية من وحدات حسابية مترابطة يمكن تبسيط تسميتها بـ«العُقد» أو «الخلايا العصبية الاصطناعية».
وتنتقل المعلومات عبر طبقات مختلفة.
لدينا بصورة مبسطة:
طبقة إدخال
ثم
طبقات داخلية
ثم
طبقة إخراج
وكل طبقة تقوم بتحويل المعلومات بطريقة رياضية قبل إرسالها إلى الطبقة التالية.
تخيل أنك تعطي النظام صورة.
في البداية تدخل الصورة إلى الشبكة.
ثم تمر المعلومات عبر مجموعة من الطبقات.
قد تتعلم طبقات مبكرة اكتشاف خصائص بسيطة.
ثم تستخدم طبقات أخرى هذه الخصائص لاكتشاف أشكال أكثر تعقيدًا.
وفي النهاية يمكن أن يصل النظام إلى نتيجة مثل:
«هذه صورة قطة».
لكن الأمر يصبح أكثر إثارة عندما نضيف عددًا كبيرًا من الطبقات.
وهنا يأتي معنى كلمة:
Deep – عميق.
لماذا يسمى «التعلم العميق»؟
لأن الشبكات المستخدمة فيه تحتوي على طبقات متعددة من المعالجة.
وكل طبقة يمكن أن تتعلم تمثيلات أكثر تعقيدًا للمعلومات.
ولنبقَ مع مثال الصورة.
في مهمة التعرف على صورة، قد تبدأ الشبكة باكتشاف خصائص بسيطة مثل الحواف والتدرجات.
ثم يمكن لطبقات لاحقة أن تجمع هذه الخصائص لتتعرف على أشكال أكثر تعقيدًا.
ثم يمكن أن تتجمع الأشكال لتكوين أجزاء من جسم الحيوان.
ثم تتجمع هذه الأجزاء معًا لتساعد النموذج على تحديد أن الصورة تحتوي على قطة.
وهكذا ينتقل النظام من:
خصائص بسيطة → أشكال أكثر تعقيدًا → تمثيلات أكثر تجريدًا → نتيجة نهائية.
هذه القدرة على تعلم تمثيلات متدرجة ومعقدة من البيانات هي من أهم أسباب قوة التعلم العميق.
وتشير جامعة ستانفورد إلى أن التعلم العميق هو فرع من التعلم الآلي يعتمد على شبكات عصبية كبيرة متعددة الطبقات قادرة على تعلم أنماط معقدة من البيانات بصورة تلقائية.
وهل يعني ذلك أن الشبكة العصبية تشبه الدماغ فعلًا؟
هنا يجب أن نكون دقيقين.
التسمية مستوحاة من الخلايا العصبية في الدماغ، لكن الشبكات العصبية الاصطناعية ليست دماغًا بشريًا مصغرًا.
الدماغ البشري أكثر تعقيدًا بكثير، وله خصائص بيولوجية ووعي وتجارب حسية وعاطفية لا يمكن اختزالها في شبكة عصبية اصطناعية.
إذن نحن نتحدث عن تشابه في الفكرة العامة المتعلقة بالترابط ومعالجة المعلومات، وليس عن تطابق حقيقي بين الدماغ والكمبيوتر.
وما الفرق العملي بين Machine Learning وDeep Learning؟
يمكن تبسيط الفرق بمثال.
لنفترض أننا نريد بناء نظام يتعرف على الوجوه.
في بعض أساليب التعلم الآلي التقليدي، قد يحتاج الإنسان إلى تحديد مجموعة من الخصائص المهمة التي ينبغي للنظام تحليلها.
أما في التعلم العميق، فيمكن للشبكة العصبية متعددة الطبقات أن تتعلم تمثيلات أكثر تعقيدًا من البيانات نفسها، خاصة عندما تتوافر لها كميات كبيرة من بيانات التدريب وقدرة حاسوبية مناسبة.
وهذا لا يعني أن التعلم العميق أفضل دائمًا.
ففي بعض المشكلات، قد تكون خوارزميات التعلم الآلي التقليدية أكثر ملاءمة، خصوصًا عندما تكون البيانات محدودة أو منظمة، أو عندما نحتاج إلى نموذج أبسط وأسهل في التفسير.
لكن التعلم العميق أصبح شديد القوة في مجالات مثل:
التعرف على الصور.
التعرف على الكلام.
معالجة اللغة الطبيعية.
تحليل الفيديو.
الترجمة الآلية.
الذكاء الاصطناعي التوليدي.
وهنا بدأت الثورة الحديثة في الذكاء الاصطناعي تأخذ شكلها الحالي.
وماذا عن ChatGPT؟
الآن وصلنا إلى السؤال الذي يهم كثيرًا من الناس:
أين يقع ChatGPT في هذه الصورة؟
ChatGPT مثال على تطبيق من تطبيقات الذكاء الاصطناعي التوليدي يعتمد على نماذج لغوية كبيرة.
وتستخدم النماذج الحديثة تقنيات التعلم العميق وشبكات عصبية متقدمة لمعالجة اللغة وتوليد النصوص.
وبعبارة أبسط:
ChatGPT هو تطبيق للذكاء الاصطناعي.
ويعتمد على التعلم الآلي.
ويستخدم تقنيات التعلم العميق.
ويعتمد في بنيته الحديثة على شبكات عصبية متقدمة.
إذن، المصطلحات ليست متنافسة.
بل هي طبقات متداخلة.
تخيلها كصندوق داخل صندوق
يمكن أن نتخيل العلاقة بهذه الصورة:
الذكاء الاصطناعي AI
هو الصندوق الأكبر.
داخله:
التعلم الآلي Machine Learning
وداخله:
التعلم العميق Deep Learning
أما الشبكات العصبية، فهي من أهم البنى الحسابية التي يعتمد عليها التعلم العميق.
ومن هنا يمكننا فهم سبب الخلط الشائع بين المصطلحات.
فعندما يقول شخص:
«الذكاء الاصطناعي يتعلم»
فقد يكون المقصود في الحقيقة نموذجًا يستخدم التعلم الآلي.
وعندما نتحدث عن نماذج متقدمة للتعامل مع الصور أو اللغة، فقد يكون وراءها تعلم عميق وشبكات عصبية متعددة الطبقات.
لماذا أصبح التعلم العميق مهمًا في السنوات الأخيرة؟
قد يسأل أحدهم:
إذا كانت الشبكات العصبية معروفة منذ عقود، فلماذا أصبحت فجأة في كل مكان؟
الإجابة لا تتعلق بعامل واحد.
بل اجتمعت عدة عوامل.
أولًا: توافر كميات هائلة من البيانات
فالإنترنت والهواتف الذكية والخدمات الرقمية أنتجت بيانات لم تكن متاحة بهذا الحجم في السابق.
ثانيًا: زيادة القدرة الحاسوبية
أصبح من الممكن تدريب نماذج أكبر وأكثر تعقيدًا باستخدام معالجات متخصصة وقدرات حوسبة هائلة.
ثالثًا: تطور الخوارزميات وأساليب التدريب
فلم تعد الفكرة مجرد شبكة عصبية قديمة، وإنما ظهرت بنى وأساليب أكثر تطورًا جعلت تدريب النماذج الكبيرة أكثر فاعلية.
وهكذا اجتمعت:
بيانات ضخمة + قدرة حاسوبية أكبر + خوارزميات متطورة = قفزة كبيرة في التعلم العميق.
لكن هل كلما زادت الطبقات أصبح الذكاء أفضل؟
ليس بهذه البساطة.
زيادة حجم النموذج أو عدد الطبقات لا تضمن وحدها الحصول على نظام أفضل.
فالبيانات مهمة.
وجودتها مهمة.
وطريقة التدريب مهمة.
والقدرة على اختبار النموذج وتقييمه مهمة.
كما أن النماذج الكبيرة تحتاج إلى موارد حاسوبية كبيرة، وقد تكون مكلفة في التدريب والتشغيل.
وهناك مشكلة أخرى لا تقل أهمية:
النموذج قد يتعلم أنماطًا خاطئة أو متحيزة إذا كانت البيانات التي تدرب عليها تحتوي على أخطاء أو تحيزات.
ولهذا فإن الذكاء الاصطناعي لا يعتمد على قوة الخوارزمية فقط.
بل يعتمد أيضًا على جودة البيانات وطريقة استخدامها وتقييم النتائج.
هل التعلم العميق يفهم فعلًا ما يتعلمه؟
وهنا نعود إلى سؤال فلسفي وعلمي مهم.
عندما يتعلم نموذج لغوي العلاقات بين الكلمات ويستطيع إنتاج نص يبدو متماسكًا، هل هذا يعني أنه «يفهم» اللغة كما يفهمها الإنسان؟
ليس بالضرورة.
النموذج يتعلم أنماطًا وعلاقات رياضية معقدة من البيانات، ويستخدم هذه الأنماط لإنتاج نتائج مناسبة للسياق.
لكن هذا لا يثبت أنه يمتلك وعيًا أو تجربة إنسانية أو فهمًا مطابقًا لفهم الإنسان.
ولهذا يجب أن نكون حذرين عندما نستخدم كلمات مثل:
«يفكر»
«يفهم»
«يعرف»
«يشعر»
فهي كلمات بشرية قد تساعدنا على وصف سلوك النظام، لكنها لا تعني بالضرورة أن الآلة تمتلك التجربة الداخلية نفسها التي يمتلكها الإنسان.
إذن... ما الخلاصة؟
إذا أردنا اختصار المقال كله في عدة جمل، فيمكننا أن نقول:
الذكاء الاصطناعي AI هو المجال الأوسع الذي يهدف إلى بناء أنظمة تستطيع تنفيذ مهام ترتبط بالذكاء.
التعلم الآلي Machine Learning هو أحد فروع الذكاء الاصطناعي، ويتيح للأنظمة التعلم من البيانات واكتشاف الأنماط بدلًا من الاعتماد فقط على قواعد مكتوبة يدويًا.
التعلم العميق Deep Learning هو فرع من التعلم الآلي يعتمد على شبكات عصبية متعددة الطبقات، ويتميز بقدرته على تعلم أنماط وتمثيلات شديدة التعقيد من البيانات.
أما الشبكات العصبية Neural Networks فهي البنية الحسابية الأساسية التي تقوم عليها كثير من تقنيات التعلم العميق.
ويمكن أن نتذكر العلاقة الأساسية بهذه الصورة:
AI → Machine Learning → Deep Learning
مع ملاحظة أن الشبكات العصبية هي البنية الأساسية التي يعتمد عليها كثير من نماذج التعلم العميق، وليست مرحلة رابعة مستقلة بعده.
ولكن هذه ليست نهاية القصة...
فإذا كان التعلم العميق هو أحد المحركات الأساسية للذكاء الاصطناعي الحديث...
فكيف يستطيع نظام مثل ChatGPT أن يتعامل مع اللغة البشرية؟
كيف تتحول الكلمات التي نكتبها إلى تمثيلات رقمية؟
وكيف يعرف النموذج أن كلمة معينة ترتبط بكلمات أخرى؟
وكيف يستطيع أن يقرأ سؤالًا طويلًا ثم ينتج إجابة تبدو وكأنها حوار بشري؟
هذا هو السؤال الذي سنجيب عنه في المقال القادم:
كيف يعمل ChatGPT وكيف يفهم الكلام؟
المصادر والمراجع
بقلم
د. سامح هدهود
