من الأنظمة الخبيرة إلى ChatGPT: الطريق السريع نحو عام 2026

غالبًا ما يُنظر إلى مسار الذكاء الاصطناعي على أنه انفجار مفاجئ، لكن الطريق إلى عام 2026 تم تمهيده منذ عقود. نحن نبتعد حاليًا عن عصر البرمجيات الثابتة وندخل فترة تملي فيها الاحتمالات تفاعلاتنا الرقمية. يمثل هذا التحول تغييرًا جوهريًا في كيفية معالجة أجهزة الكمبيوتر للنوايا البشرية. اعتمدت الأنظمة المبكرة على خبراء بشريين لبرمجة كل قاعدة ممكنة، وهي عملية كانت بطيئة وهشة في آن واحد. اليوم، نستخدم نماذج لغوية كبيرة تتعلم الأنماط من مجموعات بيانات ضخمة، مما يسمح بمستوى من المرونة كان مستحيلاً في السابق. هذا الانتقال لا يتعلق فقط بـ chatbots أكثر ذكاءً، بل يتعلق بإصلاح شامل لمنظومة الإنتاجية العالمية. بينما نتطلع إلى العامين المقبلين، يتحول التركيز من توليد النصوص البسيط إلى **agentic workflows** معقدة. لن تكتفي هذه الأنظمة بالإجابة على الأسئلة فحسب، بل ستنفذ مهام متعددة الخطوات عبر منصات مختلفة. الفائزون في هذا المجال ليسوا بالضرورة من يمتلكون أفضل الرياضيات، بل من يمتلكون أفضل توزيع وثقة المستخدم. إن فهم هذا التطور ضروري لأي شخص يحاول التنبؤ بالموجة القادمة من الاضطراب التقني.

القوس الطويل لمنطق الآلة

لفهم وجهتنا، يجب أن ننظر إلى الانتقال من الأنظمة الخبيرة إلى الشبكات العصبية. في الثمانينيات، كان الذكاء الاصطناعي يعني “الأنظمة الخبيرة”. كانت هذه قواعد بيانات ضخمة من عبارات “إذا-فإن”. إذا كان المريض يعاني من حمى وسعال، فافحص وجود عدوى معينة. على الرغم من منطقيتها، لم تستطع هذه الأنظمة التعامل مع الفروق الدقيقة أو البيانات التي تقع خارج قواعدها المحددة مسبقًا. كانت هشة؛ فإذا تغير العالم، يجب إعادة كتابة الكود يدويًا. أدى هذا إلى فترة من الركود حيث لم تستطع التكنولوجيا الارتقاء إلى مستوى الضجيج المحيط بها. لا يزال منطق ذلك العصر يؤثر على كيفية تفكيرنا في موثوقية الكمبيوتر اليوم، حتى ونحن ننتقل إلى نماذج أكثر مرونة.

يُعرَّف العصر الحديث ببنية المحولات (transformer architecture)، وهو مفهوم تم تقديمه في ورقة بحثية عام 2017. لقد غير هذا الهدف من تعليم الكمبيوتر القواعد إلى تعليمه التنبؤ بالجزء التالي من التسلسل. بدلاً من إخباره بماهية الكرسي، ينظر النموذج إلى ملايين الصور والأوصاف للكراسي حتى يفهم الجوهر الإحصائي للكرسي. هذا هو جوهر ChatGPT ومنافسيه. هذه النماذج لا “تعرف” الحقائق بالطريقة التي يعرفها البشر. إنها تحسب الكلمة التالية الأكثر احتمالاً بناءً على سياق الكلمات السابقة. هذا التمييز حيوي، فهو يفسر لماذا يمكن للنموذج كتابة قصيدة جميلة لكنه يفشل في مسألة رياضية بسيطة. أحدهما هو نمط لغوي، بينما يتطلب الآخر المنطق الصارم الذي قمنا فعليًا بتجريده لجعل هذه النماذج تعمل. العصر الحالي هو زواج بين قوة الحوسبة الهائلة والبيانات الضخمة، مما يخلق أداة تبدو بشرية لكنها تعمل على رياضيات بحتة.

بنية الهيمنة العالمية

يرتبط التأثير العالمي لهذه التكنولوجيا ارتباطًا مباشرًا بالتوزيع. النموذج المتفوق الذي تم تطويره في فراغ له قيمة قليلة مقارنة بنموذج أقل جودة قليلاً مدمج في مليار حزمة مكتبية. لهذا السبب غيرت الشراكة بين Microsoft و OpenAI الصناعة بسرعة كبيرة. من خلال وضع أدوات الذكاء الاصطناعي مباشرة في البرامج التي يستخدمها العالم بالفعل، تجاوزوا حاجة المستخدمين لتعلم عادات جديدة. تخلق ميزة التوزيع هذه حلقة تغذية راجعة؛ فالمزيد من المستخدمين يوفرون المزيد من البيانات، مما يؤدي إلى تحسين أفضل وألفة أكبر بالمنتج. بحلول منتصف العام، سيكون التحول نحو الذكاء الاصطناعي المتكامل عالميًا تقريبًا عبر جميع منصات البرمجيات الرئيسية.

لهذه الهيمنة آثار كبيرة على أسواق العمل العالمية. نحن نشهد تحولاً حيث يتم أتمتة “الإدارة الوسطى” للمهام الرقمية. في البلدان التي تعتمد بشكل كبير على الدعم الفني الخارجي أو البرمجة الأساسية، فإن الضغط للصعود في سلسلة القيمة مكثف. لكن هذه ليست قصة من جانب واحد عن فقدان الوظائف، بل تتعلق أيضًا بإضفاء الطابع الديمقراطي على المهارات عالية المستوى. يمكن لشخص ليس لديه تدريب رسمي في Python الآن إنشاء نصوص برمجية وظيفية لتحليل بيانات الأعمال المحلية. يُظهر تحليل شامل للذكاء الاصطناعي أن هذا يكافئ الفرص للمؤسسات الصغيرة في الاقتصادات النامية التي لم تكن قادرة في السابق على تحمل تكاليف فريق متخصص في علم البيانات. كما تتصاعد المخاطر الجيوسياسية مع تنافس الدول على الأجهزة اللازمة لتشغيل هذه النماذج. وفقًا لـ Stanford HAI، أصبح التحكم في الرقائق المتطورة مهمًا مثل التحكم في موارد الطاقة. ستحدد هذه المنافسة الحدود الاقتصادية للعقد القادم.

العيش مع الذكاء الجديد

تخيل يومًا في حياة منسق مشروع في عام 2026. صباحها لا يبدأ بالتحقق من مائة بريد إلكتروني منفصل. بدلاً من ذلك، قام وكيل ذكاء اصطناعي بالفعل بتلخيص الاتصالات الليلية من ثلاث مناطق زمنية مختلفة. لقد حدد تأخيرًا في الشحن في سنغافورة وصاغ ثلاثة حلول محتملة بناءً على شروط العقد السابقة. إنها لا تقضي وقتها في الكتابة، بل تقضي وقتها في مراجعة واعتماد الخيارات التي يتخذها النظام. هذا هو التحول من كونك مبدعًا إلى كونك محررًا. كانت نقطة التحول لهذا هي الإدراك بأن الذكاء الاصطناعي يجب ألا يكون موقعًا إلكترونيًا مقصودًا بل خدمة خلفية. إنه الآن منسوج في نسيج العمل اليومي دون الحاجة إلى تسجيل دخول محدد أو علامة تبويب منفصلة.

في الصناعات الإبداعية، التأثير أكثر وضوحًا. يمكن لفريق التسويق الآن إنتاج حملة فيديو عالية الجودة في ساعات بدلاً من أسابيع. يستخدمون نموذجًا لإنشاء النص، وآخر لإنشاء التعليق الصوتي، وثالثًا لتحريك العناصر المرئية. انخفضت تكلفة الفشل إلى ما يقرب من الصفر، مما يسمح بالتجريب المستمر. لكن هذا يخلق مشكلة جديدة: فيض من المحتوى. عندما يتمكن الجميع من إنتاج مواد “مثالية”، تنخفض قيمة تلك المواد. التأثير الواقعي هو التحول نحو الأصالة والمعلومات التي تم التحقق منها بشريًا. تشير الأبحاث من Nature إلى أن الناس بدأوا يتوقون إلى العيوب التي تشير إلى أن إنسانًا كان مشاركًا. من المرجح أن تصبح هذه الرغبة في “اللمسة البشرية” قطاعًا سوقيًا متميزًا مع تحول المحتوى الاصطناعي إلى الوضع الافتراضي.

هناك ارتباك شائع بأن هذه النماذج “تفكر” أو “تستنتج”. في الواقع، إنها تقوم باسترجاع وتوليف عالي السرعة. عندما يطلب مستخدم من نموذج التخطيط لخط سير رحلة، فإن النموذج لا ينظر إلى خريطة، بل يسترجع أنماط كيفية هيكلة خطط السفر عادةً. هذا التمييز مهم عندما تسوء الأمور. إذا اقترح النموذج رحلة طيران غير موجودة، فهو لا يكذب، بل يقدم ببساطة سلسلة من الأحرف المحتملة إحصائيًا ولكنها غير صحيحة واقعيًا. هذا الاختلاف بين التصور العام والواقع هو المكان الذي تعيش فيه معظم مخاطر الشركات. الشركات التي تثق في هذه الأنظمة للتعامل مع البيانات القانونية أو الطبية دون إشراف بشري تكتشف أن مشكلة “الهلوسة” ليست خطأً يمكن إصلاحه بسهولة، بل هي جزء أساسي من كيفية عمل التكنولوجيا.

أسئلة صعبة لمستقبل اصطناعي

بينما ندمج هذه الأنظمة بشكل أعمق في حياتنا، يجب أن نسأل: ما هي التكاليف الخفية لهذه الراحة؟ يتطلب كل استعلام يتم إرساله إلى نموذج كبير كمية كبيرة من الكهرباء والمياه لتبريد مراكز البيانات. إذا كان استعلام بحث بسيط يستهلك الآن عشرة أضعاف الطاقة التي كان يستهلكها قبل خمس سنوات، فهل التحسن الهامشي في الإجابة يستحق الضريبة البيئية؟ يجب أن نفكر أيضًا في خصوصية البيانات المستخدمة للتدريب. تم بناء معظم النماذج التي نستخدمها اليوم عن طريق كشط الإنترنت المفتوح دون موافقة صريحة من المبدعين. هل تفوق المصلحة العامة للذكاء الاصطناعي القوي الحقوق الفردية للفنانين والكتاب الذين جعل عملهم ذلك ممكنًا؟

سؤال صعب آخر يتعلق بطبيعة “الصندوق الأسود” للشبكات العصبية. إذا اتخذ الذكاء الاصطناعي قرارًا برفض قرض أو علاج طبي، ولم يستطع المطورون أنفسهم شرح سبب وصول النموذج إلى هذا الاستنتاج بالضبط، فهل يمكننا حقًا تسمية النظام بالعادل؟ نحن نستبدل الشفافية بالأداء. هل هذه مقايضة نحن مستعدون للقيام بها في أنظمتنا القانونية والقضائية؟ علينا أيضًا النظر إلى مركزية القوة. إذا كان بإمكان عدد قليل من الشركات فقط تحمل مليارات الدولارات المطلوبة لتدريب هذه النماذج، فماذا يحدث لمفهوم الإنترنت الحر والمفتوح؟ قد نكون نتجه نحو مستقبل تكون فيه “الحقيقة” هي ما يقوله النموذج الأكثر قوة. هذه ليست مشاكل تقنية يمكن حلها بمزيد من الكود، بل هي تحديات فلسفية ومجتمعية تتطلب تدخلًا بشريًا. كما أشار MIT Technology Review، فإن قرارات السياسة التي نتخذها الآن ستحدد توازن القوى في الخمسين عامًا القادمة.

تحت غطاء المنظومة الحديثة

بالنسبة للمستخدم المتقدم، انتقل التركيز إلى ما وراء واجهة الدردشة وإلى منطقة التنفيذ المحلي وتنسيق API. بينما توفر النماذج المستندة إلى السحابة أقوى قوة خام، فإن صعود التخزين والتنفيذ المحلي هو القصة الحقيقية لعام 2026. تسمح أدوات مثل Ollama و Llama.cpp للمستخدمين بتشغيل نماذج أصغر وقادرة للغاية على أجهزتهم الخاصة. هذا يحل مشكلة الخصوصية ويزيل زمن انتقال الرحلة ذهابًا وإيابًا إلى الخادم. قسم المهووسين في السوق مهووس حاليًا بـ **quantization**، وهي عملية تقليص النموذج بحيث يتناسب مع وحدة معالجة رسومات استهلاكية قياسية دون فقدان الكثير من الذكاء.

يتم الآن التعامل مع تكامل سير العمل من خلال خطوط أنابيب RAG (الاسترجاع المعزز بالتوليد) المتطورة. بدلاً من إرسال جميع بياناتك إلى النموذج، تقوم بتخزين مستنداتك في قاعدة بيانات متجهة. عندما تطرح سؤالاً، يجد النظام مقتطفات ذات صلة من بياناتك ويغذي تلك فقط للنموذج كسياق. هذا يتجاوز حدود نافذة السياق الصارمة التي لا تزال تعاني منها العديد من الأنظمة. تظل حدود API عنق زجاجة للتطبيقات ذات الحجم الكبير، مما يدفع العديد من المطورين إلى تنفيذ “توجيه النماذج”. هذه استراتيجية حيث يتعامل نموذج رخيص وسريع مع الاستعلامات السهلة، ولا يتم إرسال الأسئلة الصعبة إلا إلى النماذج باهظة الثمن وعالية المستوى. يقلل هذا النهج من التكاليف ويدير زمن الانتقال بشكل أكثر فعالية من الاعتماد على مزود واحد. نحن نشهد أيضًا تحركًا نحو “نماذج لغوية صغيرة” يتم تدريبها على مجموعات بيانات محددة وعالية الجودة بدلاً من الإنترنت بأكمله. غالبًا ما تتفوق هذه النماذج على نظيراتها الأكبر في مهام متخصصة مثل البرمجة أو التحليل القانوني بينما تتطلب جزءًا بسيطًا من قوة الحوسبة. أصبحت القدرة على تبديل هذه النماذج داخل وخارج سير العمل مطلبًا قياسيًا لهندسة البرمجيات الحديثة.

هل لديك قصة، أداة، اتجاه، أو سؤال عن الذكاء الاصطناعي تعتقد أنه يجب علينا تغطيته؟ أرسل لنا فكرتك للمقالة — نود أن نسمعها.

الأفق التالي

الطريق إلى عام 2026 ليس خطًا مستقيمًا من التقدم بل سلسلة من المقايضات. لقد اكتسبنا سرعة ومرونة لا تصدق على حساب الشفافية والقدرة على التنبؤ. جعلت ميزة التوزيع لعمالقة التكنولوجيا الذكاء الاصطناعي جزءًا موجودًا في كل مكان من الحياة اليومية، ومع ذلك لا يزال الواقع الأساسي لكيفية عمل هذه النماذج غير مفهوم من قبل عامة الناس. بالنظر إلى المستقبل، سيتحول التركيز من جعل النماذج أكبر إلى جعلها أكثر كفاءة واستقلالية. سيكون الأفراد والشركات الأكثر نجاحًا هم أولئك الذين يعاملون الذكاء الاصطناعي كشريك قوي ولكنه قابل للخطأ بدلاً من كونه عرافًا يعرف كل شيء. السؤال الحي الذي لا يزال قائمًا هو ما إذا كان بإمكاننا بناء نظام يمتلك منطق الأنظمة الخبيرة القديمة والسيولة اللغوية للشبكات العصبية الحديثة. حتى ذلك الحين، يظل الإنسان في الحلقة هو الجزء الأكثر أهمية في المعادلة.

ملاحظة المحرر: لقد أنشأنا هذا الموقع كمركز إخباري وإرشادي متعدد اللغات للذكاء الاصطناعي للأشخاص الذين ليسوا خبراء في الكمبيوتر، ولكنهم ما زالوا يرغبون في فهم الذكاء الاصطناعي، واستخدامه بثقة أكبر، ومتابعة المستقبل الذي بدأ بالفعل في الوصول.