عندما يسمع كثير من الناس مصطلح الذكاء الاصطناعي اليوم، يتبادر إلى الذهن مباشرة نموذج يكتب نصًا، أو أداة تنشئ صورة، أو نظامًا يصمم فيديو خلال دقائق. لكن الحقيقة أن الذكاء الاصطناعي لم يبدأ بهذه الصورة، ولم تكن قدرته الأساسية دائمًا هي إنشاء المحتوى. قبل ظهور الذكاء الاصطناعي التوليدي Generative AI بسنوات طويلة، كانت هناك أنظمة ذكية تتنبأ، وتصنف، وتكتشف الأنماط، وتساعد في اتخاذ القرارات دون أن تنشئ نصًا أو صورة جديدة.
من هنا يظهر الفرق بين الذكاء الاصطناعي التقليدي والذكاء الاصطناعي التوليدي. كلاهما ينتمي إلى المجال نفسه، وكلاهما يعتمد على البيانات والخوارزميات والنماذج، لكن الهدف وطريقة العمل ونوع المخرجات تختلف بدرجة كبيرة.
فإذا كان الذكاء الاصطناعي التقليدي يسألك: "إلى أي فئة تنتمي هذه البيانات؟" فإن الذكاء التوليدي قد يسألك: "ماذا تريدني أن أنشئ لك؟". هذا الاختلاف البسيط في السؤال يكشف تحولًا تقنيًا ضخمًا غيّر طريقة تفاعل البشر مع الحاسوب.
في هذا المقال سنشرح الفارق من الداخل: ما المقصود بكل نوع؟ كيف يعمل؟ ما نوع البيانات التي يحتاجها؟ كيف يتدرب؟ ما الذي يميزه؟ وأين يستخدم كل منهما عمليًا؟
 |
| الذكاء الاصطناعي التقليدي والتوليدي ما الفرق وكيف يعمل كل منهما؟ |
ما المقصود بالذكاء الاصطناعي التقليدي؟
لا يوجد حد علمي صارم يقول إن هناك فئة رسمية واحدة اسمها "الذكاء الاصطناعي التقليدي"، لكن المصطلح يستخدم عادة لوصف الأنظمة التي تركز على التحليل والتنبؤ والتصنيف واتخاذ القرار بدل إنشاء محتوى جديد.
قد يكون النظام التقليدي مبنيًا على قواعد ثابتة، أو خوارزمية تعلم آلي، أو شبكة عصبية متخصصة في مهمة محددة.
الهدف الأساسي هو أخذ مدخلات معينة وتحويلها إلى قرار أو توقع.
فعلى سبيل المثال، يمكن لنظام ذكاء اصطناعي تقليدي أن يحلل معاملة مالية ويحدد ما إذا كانت طبيعية أو مشبوهة، أو يحلل صورة أشعة ويشير إلى وجود نمط يحتاج إلى مراجعة، أو يتوقع احتمال أن يشتري عميل منتجًا معينًا.
كيف يفكر النظام التقليدي في المشكلة؟
يمكن تبسيط طريقة عمله بهذه الصورة: يحصل على بيانات، ثم يحاول إيجاد علاقة بين هذه البيانات والنتيجة المطلوبة.
إذا كانت المهمة هي اكتشاف الرسائل المزعجة، يحصل النموذج على رسائل سابقة تم تصنيفها، ثم يتعلم الخصائص التي تميز الرسائل المزعجة عن غيرها.
بعد ذلك، عندما تصله رسالة جديدة، لا "يكتب" شيئًا جديدًا، بل يحاول وضعها في الفئة الصحيحة.
المخرجات في هذا النوع غالبًا محددة
قد تكون المخرجات فئة، أو رقمًا، أو نسبة احتمالية، أو قرارًا.
مثلًا:
رسالة مزعجة أو غير مزعجة.
احتمال تعثر عميل في السداد.
توقع قيمة مبيعات الشهر القادم.
تصنيف صورة إلى فئة معينة.
اكتشاف نشاط غير طبيعي في شبكة.
هذا النوع ممتاز عندما تكون المشكلة محددة والنتيجة المطلوبة واضحة.
ما المقصود بالذكاء الاصطناعي التوليدي؟
الذكاء الاصطناعي التوليدي هو نوع من الأنظمة التي تتعلم أنماط البيانات ثم تستخدم ما تعلمته لإنشاء مخرجات جديدة تشبه توزيع البيانات التي تدربت عليها، دون أن تكون مجرد نسخة مباشرة منها.
قد تكون هذه المخرجات نصوصًا، وصورًا، وأصواتًا، وفيديوهات، وأكوادًا برمجية، وتصميمات، وأحيانًا نماذج ثلاثية الأبعاد.
بدل أن يكتفي النموذج بالإجابة على سؤال "ما هذا؟"، يمكنه التعامل مع سؤال من نوع "أنشئ لي شيئًا جديدًا بهذه المواصفات".
لماذا يسمى توليديًا؟
لأنه يقوم بعملية Generation أو توليد.
فهو لا يكتفي بتحليل الموجود، بل يكوّن مخرجات جديدة اعتمادًا على الأنماط التي تعلمها.
إذا طلبت من نموذج صور إنشاء "مدينة مستقبلية فوق سطح المريخ وقت الغروب"، فهو لا يبحث بالضرورة عن صورة جاهزة مطابقة، بل يولد تمثيلًا جديدًا بناءً على الأنماط المرئية التي تعلمها.
كيف يختلف هذا عن النسخ؟
النموذج لا يعمل عادة كقاعدة بيانات تحفظ أمثلة ثم تعيدها حرفيًا. أثناء التدريب، يتعلم علاقات واحتمالات وبنى داخل البيانات، ثم يستخدم هذه العلاقات لإنتاج مخرجات جديدة.
وهنا تكمن القوة الحقيقية للذكاء التوليدي.
الفرق الجوهري: التنبؤ أم الإنشاء؟
إذا أردنا تبسيط الاختلاف في جملة واحدة، يمكن القول إن الذكاء الاصطناعي التقليدي يركز غالبًا على تحليل العالم، بينما الذكاء التوليدي يركز على إنشاء مخرجات جديدة بناءً على فهم إحصائي لهذا العالم.
في الذكاء التقليدي
السؤال يكون مثل:
هل هذه الصورة تحتوي على سيارة؟
كم سيكون الطلب على المنتج الأسبوع القادم؟
هل هذه العملية المالية طبيعية؟
في الذكاء التوليدي
السؤال يكون مثل:
أنشئ صورة لسيارة مستقبلية.
اكتب تقريرًا عن توقعات الطلب.
صمم سيناريو لحملة تسويقية.
الفارق هنا ليس في الذكاء فقط، بل في طبيعة المهمة نفسها.
كيف يعمل الذكاء الاصطناعي التقليدي تقنيًا؟
هناك طرق كثيرة، لكن أغلب الأنظمة التقليدية تعمل عبر نموذج يتعلم علاقة بين مجموعة من الخصائص Features والنتيجة المطلوبة.
المدخلات والخصائص
لنفترض أنك تريد بناء نموذج يتوقع أسعار المنازل. قد تكون الخصائص:
المساحة، وعدد الغرف، والموقع، وعمر المبنى، والمسافة من الخدمات.
يتم تقديم هذه الخصائص للنموذج مع الأسعار الحقيقية، فيتعلم العلاقة بينها.
التدريب والتحسين
يصدر النموذج توقعًا، ثم يتم حساب الفرق بين التوقع والنتيجة الحقيقية.
هذا الفرق يسمى خطأ، ويستخدم لتحسين النموذج.
تتكرر العملية مرات عديدة حتى تقل الأخطاء تدريجيًا.
النموذج يتعلم حدود القرار
في مهام التصنيف، يتعلم النموذج فصل فئة عن أخرى.
في مهمة مثل اكتشاف الاحتيال، قد يتعلم أن مجموعة من الإشارات مثل قيمة العملية، ومكان تنفيذها، وتوقيتها، وسلوك الحساب السابق، ترتبط باحتمال أعلى للاحتيال.
كيف يعمل الذكاء الاصطناعي التوليدي تقنيًا؟
الذكاء التوليدي أكثر تعقيدًا، لأنه لا يحاول فقط الوصول إلى قرار نهائي، بل يحتاج إلى تعلم توزيع البيانات وطريقة تكوينها.
تختلف التقنية حسب نوع المحتوى.
النماذج اللغوية الكبيرة
في النصوص، تعتمد كثير من الأنظمة الحديثة على Large Language Models، وهي نماذج تتعلم العلاقات بين الكلمات والرموز والوحدات النصية عبر كميات ضخمة من البيانات.
يتم تدريب النموذج غالبًا على توقع الجزء التالي في سلسلة من النصوص.
قد تبدو هذه المهمة بسيطة، لكن عندما يتكرر التدريب على نطاق ضخم، يتعلم النموذج تراكيب اللغة، والسياق، والأساليب، وبعض العلاقات المعرفية الموجودة في البيانات.
من التنبؤ بالرمز التالي إلى كتابة مقال كامل
المثير للاهتمام أن النظام قد يبني نصًا طويلًا من خلال سلسلة من التوقعات المتتابعة.
في كل خطوة، يحدد احتمالات للرمز التالي، ثم يستمر في البناء على ما أنتجه.
وهكذا يمكن لآلية تنبؤ بسيطة في جوهرها أن تنتج مخرجات معقدة جدًا.
كيف تعمل مولدات الصور بالذكاء الاصطناعي؟
من أشهر التقنيات الحديثة في توليد الصور نماذج الانتشار Diffusion Models.
الفكرة العامة هي تدريب النموذج على عكس عملية إضافة الضوضاء إلى الصورة.
من الضوضاء إلى صورة مفهومة
أثناء التدريب، تضاف ضوضاء تدريجيًا إلى الصور. يتعلم النموذج كيف يتوقع الضوضاء وكيف يزيلها.
عند التوليد، تبدأ العملية من ضوضاء شبه عشوائية، ثم يقوم النموذج بتقليلها خطوة بعد خطوة وفق الوصف النصي المطلوب.
بعد عدة مراحل، تتحول الضوضاء إلى صورة ذات معنى.
النص يوجه عملية التوليد
عندما تكتب وصفًا، يتم تحويله إلى تمثيل رقمي يفهمه النموذج، ثم يستخدم هذا التمثيل لتوجيه الصورة نحو العناصر والأسلوب المطلوبين.
ولهذا تؤثر جودة Prompt بدرجة كبيرة في النتيجة.
هل الذكاء التوليدي جزء من التعلم العميق؟
في معظم التطبيقات الحديثة، نعم. أغلب النماذج التوليدية المتقدمة تعتمد على الشبكات العصبية العميقة.
لكن تاريخيًا، مفهوم النماذج التوليدية أقدم من الانتشار الحديث، وظهرت منه أشكال إحصائية مختلفة.
من GANs إلى Diffusion وTransformers
شهد المجال عدة تقنيات مهمة، منها Generative Adversarial Networks أو GANs، التي تعتمد على نموذج يولد ونموذج آخر يحاول التمييز بين الحقيقي والمولد.
ثم أصبحت Transformers مهيمنة في اللغة، بينما برزت نماذج الانتشار في توليد الصور والفيديو.
هذا يوضح أن الذكاء التوليدي ليس خوارزمية واحدة، بل عائلة من المناهج.
ما الفرق في نوع البيانات التي يحتاجها كل منهما؟
الذكاء التقليدي غالبًا يحتاج إلى بيانات مرتبطة بوضوح بالهدف.
إذا كنت تريد تصنيف صور، تحتاج إلى صور مع تسميات صحيحة.
أما الذكاء التوليدي، خصوصًا النماذج الكبيرة، فقد يتدرب على نطاق أوسع جدًا من البيانات غير المصنفة أو شبه المصنفة.
التعلم الموجّه في الأنظمة التقليدية
كثير من النماذج التقليدية تعتمد على Supervised Learning، حيث توجد إجابة صحيحة لكل مثال.
النظام يتعلم من الزوج: مدخل + نتيجة صحيحة.
التعلم الذاتي واسع النطاق في النماذج التوليدية
كثير من النماذج الحديثة تستفيد من Self-Supervised Learning، حيث يتم إنشاء مهمة التعلم من البيانات نفسها.
في اللغة مثلًا، يمكن للنظام إخفاء كلمة أو محاولة توقع الكلمة التالية دون الحاجة إلى أن يقوم شخص يدويًا بتسمية كل مثال.
وهذا أحد الأسباب التي سمحت بتدريب نماذج ضخمة على الإنترنت والكتب والمستندات وقواعد البيانات النصية.
ماذا عن دقة المخرجات؟
الذكاء التقليدي غالبًا يمكن تقييمه بمقاييس واضحة نسبيًا.
إذا كان النموذج يصنف الصور، يمكن حساب نسبة التصنيفات الصحيحة.
أما في الذكاء التوليدي، فالتقييم أكثر تعقيدًا.
ما معنى أن يكون النص جيدًا؟
هل هو دقيق؟ هل هو واضح؟ هل يجيب عن السؤال؟ هل لغته طبيعية؟ هل يحتوي على معلومات غير صحيحة؟
هذه معايير متعددة، وبعضها يحتاج إلى تقييم بشري.
المشكلة الشهيرة: الهلوسة
قد ينتج النموذج التوليدي معلومة تبدو صحيحة لكنها غير موجودة أو غير دقيقة.
هذه الظاهرة تسمى غالبًا Hallucination.
لماذا تحدث الهلوسة؟
لأن النموذج مصمم لإنتاج مخرجات محتملة لغويًا، وليس للتحقق من الحقيقة بالطريقة التي تعمل بها قاعدة بيانات موثوقة.
ولهذا يجب التعامل مع مخرجات النماذج التوليدية على أنها تحتاج إلى مراجعة، خصوصًا في المجالات الحساسة.
أي النوعين أفضل؟
السؤال نفسه غير دقيق، لأن كل نوع مصمم لمهام مختلفة.
إذا أردت اكتشاف احتيال مصرفي، قد يكون نموذج تصنيف تقليدي هو الحل الأنسب.
إذا أردت إنشاء وصف تسويقي أو صورة أو سيناريو، فالذكاء التوليدي هو المناسب.
القيمة تأتي من مطابقة التقنية بالمشكلة
ليس الهدف استخدام أحدث نموذج، بل اختيار النموذج الذي يحل المشكلة بأعلى دقة وأقل تكلفة وأفضل موثوقية.
في كثير من المؤسسات، يتم دمج النوعين داخل نظام واحد.
كيف يمكن دمج الذكاء التقليدي والتوليدي؟
يمكن بناء نظام تجاري يستخدم نموذجًا تقليديًا لتحليل البيانات، ثم نموذجًا توليديًا لتحويل النتائج إلى تقرير مفهوم.
تخيل نظامًا يحلل المبيعات أولًا باستخدام خوارزميات تنبؤية، ثم يستخدم نموذجًا لغويًا لكتابة تقرير يشرح أسباب التغيرات.
التكامل أقوى من الاستبدال
هذا الاتجاه مهم جدًا. الذكاء التوليدي لا يلغي النماذج التقليدية، بل يضيف إليها طبقة تفاعل وإنشاء.
النظام التقليدي قد يكون أكثر دقة في حساب التوقع، بينما النموذج التوليدي أفضل في شرح النتيجة بلغة بشرية.
استخدامات الذكاء الاصطناعي التقليدي
ما زال هذا النوع منتشرًا جدًا في القطاعات التقنية والاقتصادية.
من أبرز استخداماته:
كشف الاحتيال.
التنبؤ بالمبيعات.
تصنيف الصور.
اكتشاف الأعطال.
أنظمة التوصية.
تقييم المخاطر.
تحليل سلوك المستخدم.
مراقبة الشبكات.
هذه الأنظمة تعمل غالبًا في الخلفية، ولذلك قد لا يلاحظ المستخدم وجودها.
استخدامات الذكاء الاصطناعي التوليدي
أصبحت الاستخدامات تمتد إلى مجالات إبداعية وعملية متعددة.
كتابة المحتوى
يمكن للنماذج إنشاء مسودات ومقالات ورسائل وتقارير وأفكار.
تصميم الصور
يمكن تحويل الوصف النصي إلى صور، وتعديل التصاميم، وإنتاج مفاهيم بصرية.
إنشاء الفيديو والصوت
تستطيع بعض النماذج إنشاء مقاطع فيديو أو أصوات اصطناعية أو تحويل النص إلى كلام.
البرمجة
يمكن للنماذج اقتراح كود، وشرح أخطاء، وإنشاء وظائف برمجية، وتحويل المواصفات إلى شيفرة أولية.
ما الفرق في تجربة المستخدم؟
في الأنظمة التقليدية، قد لا يتعامل المستخدم مباشرة مع النموذج.
النموذج يعمل خلف التطبيق ويقدم قرارًا.
أما الذكاء التوليدي فقد جعل المستخدم يتفاعل مباشرة مع النظام باللغة الطبيعية.
واجهة المحادثة غيرت طريقة استخدام التقنية
لم يعد المستخدم يحتاج إلى قوائم وأزرار كثيرة. يمكنه ببساطة أن يشرح هدفه.
وهذا التحول جعل AI أقرب إلى الناس العاديين، وليس فقط إلى المتخصصين.
ما دور هندسة الأوامر في الذكاء التوليدي؟
ظهور النماذج التوليدية جعل صياغة التعليمات جزءًا مهمًا من الاستخدام.
Prompt Engineering هي عملية تصميم الأمر بطريقة تساعد النموذج على فهم المطلوب بدقة أكبر.
الأمر الجيد يشبه مواصفات مشروع واضحة
إذا قلت للنموذج "اكتب عن الذكاء الاصطناعي"، ستترك له مساحة واسعة للتفسير.
أما إذا شرحت الجمهور، والهدف، والأسلوب، والطول، والنقاط المطلوبة، فغالبًا ستحصل على نتيجة أقرب لما تريد.
لكن البرومبت ليس سحرًا
حتى أفضل تعليمات لا تحول النموذج إلى مصدر معصوم من الخطأ.
يجب أن تظل هناك عملية مراجعة وتحسين وتحقق.
أي النوعين أكثر تكلفة؟
التكلفة تختلف بشدة حسب الحجم والاستخدام.
النماذج التقليدية قد تكون صغيرة نسبيًا، ويمكن تدريب بعضها على أجهزة عادية.
أما النماذج التوليدية الكبيرة فتحتاج عادة إلى موارد حوسبة ضخمة أثناء التدريب.
مرحلة التدريب هي الأغلى غالبًا
تدريب نموذج ضخم قد يتطلب عددًا كبيرًا من وحدات المعالجة ووقتًا طويلًا.
أما بعد التدريب، فتأتي تكلفة الاستدلال، أي تشغيل النموذج عند استخدامه.
ما الفرق في الشفافية وقابلية التفسير؟
بعض نماذج الذكاء التقليدي، مثل الأشجار وبعض النماذج الإحصائية، يمكن تفسير قراراتها بدرجة جيدة.
أما النماذج العميقة الكبيرة فقد تكون أكثر صعوبة في التفسير.
الصندوق الأسود يمثل تحديًا
قد ينتج النموذج قرارًا دقيقًا دون أن يكون من السهل معرفة كل العوامل التي أدت إليه.
وهذا الأمر مهم في قطاعات مثل الطب والتمويل والقانون، حيث لا يكفي أن تكون النتيجة صحيحة؛ يجب أحيانًا معرفة لماذا ظهرت.
هل سيحل الذكاء التوليدي محل الذكاء التقليدي؟
الأرجح لا. كلا النوعين سيستمران، لكن استخدامهما سيتغير.
النماذج التوليدية ممتازة في التفاعل والإبداع والتلخيص والإنشاء، لكن النماذج التقليدية لا تزال أكثر مناسبة في مهام كثيرة تحتاج إلى دقة محددة وتكلفة أقل.
المستقبل يتجه إلى الأنظمة الهجينة
قد نرى نظامًا يجمع عدة نماذج معًا: نموذج للتنبؤ، وآخر لاسترجاع البيانات، وثالث لتوليد اللغة، ورابع للتحقق.
هذا يعكس نضج المجال؛ فبدل البحث عن نموذج واحد يفعل كل شيء، يتم بناء منظومة من الأدوات المتخصصة.
الفرق في الأمان والمخاطر
الذكاء التقليدي له مخاطر مثل التحيز في التصنيف أو أخطاء التنبؤ.
أما الذكاء التوليدي فيضيف مخاطر جديدة مرتبطة بإنشاء محتوى يبدو مقنعًا.
المحتوى المزيف يمثل تحديًا جديدًا
يمكن استخدام النماذج لإنشاء صور أو أصوات أو فيديوهات تبدو واقعية، مما يفرض تحديات في التحقق من المصدر والمصداقية.
الملكية الفكرية والخصوصية
هناك أيضًا أسئلة حول بيانات التدريب، واستخدام المحتوى المحمي، وإدخال معلومات سرية في النماذج.
هذه القضايا أصبحت جزءًا أساسيًا من النقاش حول الاستخدام المسؤول.
كيف تختار النوع المناسب لمشروعك؟
ابدأ بالسؤال: ما المطلوب من النظام؟
إذا كان الهدف اتخاذ قرار محدد أو توقع قيمة، فقد يكون نموذج تقليدي كافيًا.
إذا كان الهدف إنشاء محتوى أو التفاعل بلغة طبيعية، فقد تحتاج نموذجًا توليديًا.
أسئلة عملية قبل الاختيار
فكر في:
ما نوع البيانات لديك؟
ما النتيجة التي تريدها؟
هل تحتاج دقة قابلة للقياس؟
هل تحتاج إلى تفسير القرار؟
هل تريد إنشاء محتوى جديد؟
ما الميزانية المتاحة للحوسبة؟
اختيار النوع يجب أن يبدأ من المشكلة، لا من شهرة التقنية.
الخلاصة: الذكاء التقليدي يحلل والتوليدي ينشئ
الفرق بين الذكاء الاصطناعي التقليدي والذكاء الاصطناعي التوليدي لا يعني أن أحدهما قديم والآخر يلغي وجوده. الفرق الأساسي يكمن في الوظيفة.
الذكاء التقليدي يبرع في التصنيف، والتنبؤ، والتحليل، واتخاذ القرار بناءً على البيانات. أما الذكاء التوليدي فيتعلم أنماط البيانات ليتمكن من إنشاء نصوص وصور وأصوات وفيديوهات ومخرجات جديدة.
في النوع التقليدي، قد تسأل النظام: ما الفئة الصحيحة؟ ما القيمة المتوقعة؟ هل هذا السلوك طبيعي؟
أما في النوع التوليدي، فتسأله: ماذا يمكنك أن تنشئ لي؟
من الناحية التقنية، كلاهما يعتمد على النماذج والبيانات، لكن تقنيات التدريب وأهدافها والمخرجات تختلف. ومع تطور المجال، أصبحت الحدود بينهما أكثر مرونة، لأن كثيرًا من الأنظمة الحديثة تجمع التحليل والتوليد في منصة واحدة.
الفهم الصحيح لهذا الفرق يساعدك على رؤية الذكاء الاصطناعي بصورة أكثر دقة. فليس كل نظام ذكي نموذجًا توليديًا، وليس كل تطبيق AI يجب أن يكتب أو يرسم. أحيانًا تكون القيمة الكبرى في نظام لا يراه المستخدم أصلًا، لكنه يتنبأ بعطل قبل وقوعه أو يكتشف احتيالًا في جزء من الثانية.
وفي المقابل، فتح الذكاء التوليدي بابًا جديدًا جعل الإنسان يتفاعل مع التقنية بطريقة أقرب إلى الحوار والإبداع. ولهذا نحن لا نشهد استبدال جيل بجيل، بل توسعًا في قدرات الذكاء الاصطناعي من فهم البيانات إلى إنشاء محتوى جديد منها.
0 تعليقات