AI-For-Beginners/translations/ar/lessons/1-Intro

مقدمة في الذكاء الاصطناعي

رسم توضيحي بواسطة Tomomi Imura

اختبار ما قبل المحاضرة

الذكاء الاصطناعي هو مجال علمي مثير يدرس كيفية جعل أجهزة الكمبيوتر تظهر سلوكًا ذكيًا، أي القيام بالأشياء التي يجيد البشر القيام بها.

في الأصل، تم اختراع أجهزة الكمبيوتر بواسطة تشارلز باباج للعمل على الأرقام باتباع إجراء محدد جيدًا - وهو الخوارزمية. أجهزة الكمبيوتر الحديثة، على الرغم من أنها أكثر تقدمًا بشكل كبير من النموذج الأصلي المقترح في القرن التاسع عشر، لا تزال تتبع نفس فكرة العمليات المحكومة. وبالتالي، من الممكن برمجة الكمبيوتر للقيام بشيء ما إذا كنا نعرف التسلسل الدقيق للخطوات التي نحتاج إلى القيام بها لتحقيق الهدف.

صورة بواسطة Vickie Soshnikova

✅ تحديد عمر الشخص من صورته هو مهمة لا يمكن برمجتها بشكل صريح، لأننا لا نعرف كيف نصل إلى الرقم داخل أذهاننا عندما نقوم بذلك.

---

هناك بعض المهام، مع ذلك، التي لا نعرف كيفية حلها بشكل صريح. فكر في تحديد عمر الشخص من صورته. نحن نتعلم القيام بذلك بطريقة ما لأننا رأينا العديد من الأمثلة لأشخاص بأعمار مختلفة، ولكن لا يمكننا شرح كيفية القيام بذلك بشكل صريح، ولا يمكننا برمجة الكمبيوتر للقيام بذلك. هذه هي بالضبط نوع المهام التي تهم الذكاء الاصطناعي (AI).

✅ فكر في بعض المهام التي يمكنك تفويضها لجهاز كمبيوتر والتي ستستفيد من الذكاء الاصطناعي. فكر في مجالات مثل التمويل، الطب، والفنون - كيف تستفيد هذه المجالات اليوم من الذكاء الاصطناعي؟

الذكاء الاصطناعي الضعيف مقابل الذكاء الاصطناعي القوي

الذكاء الاصطناعي الضعيف	الذكاء الاصطناعي القوي
يشير الذكاء الاصطناعي الضعيف إلى الأنظمة المصممة والمدربة لمهمة محددة أو مجموعة ضيقة من المهام.	يشير الذكاء الاصطناعي القوي، أو الذكاء الاصطناعي العام (AGI)، إلى الأنظمة التي تتمتع بذكاء وفهم على مستوى الإنسان.
هذه الأنظمة ليست ذكية بشكل عام؛ فهي تتفوق في أداء مهمة محددة مسبقًا ولكنها تفتقر إلى الفهم الحقيقي أو الوعي.	هذه الأنظمة لديها القدرة على أداء أي مهمة فكرية يمكن للإنسان القيام بها، والتكيف مع مجالات مختلفة، وتمتلك شكلاً من أشكال الوعي أو الإدراك الذاتي.
أمثلة على الذكاء الاصطناعي الضعيف تشمل المساعدين الافتراضيين مثل Siri أو Alexa، وخوارزميات التوصية المستخدمة في خدمات البث، والروبوتات المصممة لمهام خدمة العملاء المحددة.	تحقيق الذكاء الاصطناعي القوي هو هدف طويل الأمد لأبحاث الذكاء الاصطناعي وسيتطلب تطوير أنظمة قادرة على التفكير، التعلم، الفهم، والتكيف عبر مجموعة واسعة من المهام والسياقات.
الذكاء الاصطناعي الضعيف متخصص للغاية ولا يمتلك قدرات معرفية شبيهة بالبشر أو قدرات حل المشكلات العامة خارج نطاقه الضيق.	الذكاء الاصطناعي القوي هو حاليًا مفهوم نظري، ولم يصل أي نظام ذكاء اصطناعي إلى هذا المستوى من الذكاء العام.

للمزيد من المعلومات، راجع الذكاء الاصطناعي العام (AGI).

تعريف الذكاء واختبار تورينغ

إحدى المشكلات عند التعامل مع مصطلح الذكاء هي أنه لا يوجد تعريف واضح لهذا المصطلح. يمكن للمرء أن يجادل بأن الذكاء مرتبط بـ التفكير المجرد، أو بـ الوعي الذاتي، ولكن لا يمكننا تعريفه بشكل صحيح.

صورة بواسطة Amber Kipp من Unsplash

لرؤية غموض مصطلح الذكاء، حاول الإجابة على السؤال: "هل القطة ذكية؟". يميل الناس إلى إعطاء إجابات مختلفة لهذا السؤال، حيث لا يوجد اختبار مقبول عالميًا لإثبات صحة الادعاء أو عدمه. وإذا كنت تعتقد أن هناك - حاول إجراء اختبار ذكاء لقطتك...

✅ فكر لدقيقة في كيفية تعريفك للذكاء. هل الغراب الذي يمكنه حل متاهة للحصول على طعام ذكي؟ هل الطفل ذكي؟

---

عند الحديث عن الذكاء الاصطناعي العام (AGI)، نحتاج إلى طريقة لمعرفة ما إذا كنا قد أنشأنا نظامًا ذكيًا حقًا. اقترح آلان تورينغ طريقة تُعرف بـ اختبار تورينغ، والتي تعمل أيضًا كتعريف للذكاء. يقارن الاختبار النظام المعطى بشيء ذكي بطبيعته - إنسان حقيقي، ولأن أي مقارنة تلقائية يمكن أن يتم تجاوزها بواسطة برنامج كمبيوتر، نستخدم محققًا بشريًا. إذا لم يتمكن الإنسان من التمييز بين شخص حقيقي ونظام كمبيوتر في حوار نصي - يُعتبر النظام ذكيًا.

روبوت محادثة يُدعى Eugene Goostman، تم تطويره في سانت بطرسبرغ، اقترب من اجتياز اختبار تورينغ في عام 2014 باستخدام خدعة شخصية ذكية. أعلن في البداية أنه صبي أوكراني يبلغ من العمر 13 عامًا، مما يفسر نقص المعرفة وبعض التناقضات في النص. أقنع الروبوت 30% من الحكام بأنه إنسان بعد حوار استمر 5 دقائق، وهو معيار اعتقد تورينغ أن الآلة ستتمكن من اجتيازه بحلول عام 2000. ومع ذلك، يجب أن نفهم أن هذا لا يشير إلى أننا أنشأنا نظامًا ذكيًا، أو أن نظام الكمبيوتر قد خدع المحقق البشري - لم يخدع النظام البشر، بل خدعهم مبتكرو الروبوت!

✅ هل سبق لك أن خدعك روبوت محادثة لتعتقد أنك تتحدث إلى إنسان؟ كيف أقنعك؟

مناهج مختلفة للذكاء الاصطناعي

إذا أردنا أن يتصرف الكمبيوتر مثل الإنسان، نحتاج بطريقة ما إلى نمذجة طريقة تفكيرنا داخل الكمبيوتر. وبالتالي، نحتاج إلى محاولة فهم ما يجعل الإنسان ذكيًا.

لكي نتمكن من برمجة الذكاء في آلة، نحتاج إلى فهم كيفية عمل عمليات اتخاذ القرار لدينا. إذا قمت ببعض التأمل الذاتي، ستدرك أن هناك بعض العمليات التي تحدث بشكل لا واعٍ - مثل قدرتنا على التمييز بين قطة وكلب دون التفكير في ذلك - بينما تتطلب عمليات أخرى التفكير.

هناك نهجان محتملان لهذه المشكلة:

النهج من الأعلى إلى الأسفل (الاستدلال الرمزي)	النهج من الأسفل إلى الأعلى (الشبكات العصبية)
النهج من الأعلى إلى الأسفل يقوم بنمذجة طريقة تفكير الشخص لحل مشكلة. يتضمن استخراج المعرفة من الإنسان، وتمثيلها في شكل يمكن قراءته بواسطة الكمبيوتر. كما نحتاج إلى تطوير طريقة لنمذجة الاستدلال داخل الكمبيوتر.	النهج من الأسفل إلى الأعلى يقوم بنمذجة بنية الدماغ البشري، المكونة من عدد كبير من الوحدات البسيطة المسماة الخلايا العصبية. كل خلية عصبية تعمل كمتوسط مرجح لمدخلاتها، ويمكننا تدريب شبكة من الخلايا العصبية لحل مشاكل مفيدة من خلال تقديم بيانات تدريبية.

هناك أيضًا بعض المناهج الأخرى الممكنة للذكاء:

• النهج الناشئ، أو التآزري، أو نهج الوكلاء المتعددين يعتمد على حقيقة أن السلوك الذكي المعقد يمكن الحصول عليه من خلال تفاعل عدد كبير من الوكلاء البسيطة. وفقًا لـ السيبرنتيك التطوري، يمكن أن ينشأ الذكاء من سلوك أكثر بساطة وتفاعلية في عملية الانتقال إلى نظام أعلى.

• النهج التطوري، أو الخوارزمية الجينية هو عملية تحسين تعتمد على مبادئ التطور.

سنناقش هذه المناهج لاحقًا في الدورة، ولكن الآن سنركز على الاتجاهين الرئيسيين: من الأعلى إلى الأسفل ومن الأسفل إلى الأعلى.

النهج من الأعلى إلى الأسفل

في النهج من الأعلى إلى الأسفل، نحاول نمذجة استدلالنا. نظرًا لأننا نستطيع متابعة أفكارنا عندما نستدل، يمكننا محاولة صياغة هذه العملية وبرمجتها داخل الكمبيوتر. يُعرف هذا بـ الاستدلال الرمزي.

يميل الناس إلى وجود بعض القواعد في أذهانهم التي توجه عمليات اتخاذ القرار. على سبيل المثال، عندما يقوم الطبيب بتشخيص مريض، قد يدرك أن الشخص يعاني من حمى، وبالتالي قد يكون هناك التهاب داخل الجسم. من خلال تطبيق مجموعة كبيرة من القواعد على مشكلة معينة، قد يتمكن الطبيب من الوصول إلى التشخيص النهائي.

يعتمد هذا النهج بشكل كبير على تمثيل المعرفة والاستدلال. استخراج المعرفة من خبير بشري قد يكون الجزء الأكثر صعوبة، لأن الطبيب في كثير من الحالات قد لا يعرف بالضبط لماذا يتوصل إلى تشخيص معين. أحيانًا تأتي الحلول في ذهنه دون تفكير صريح. بعض المهام، مثل تحديد عمر الشخص من صورة، لا يمكن تقليلها على الإطلاق إلى معالجة المعرفة.

النهج من الأسفل إلى الأعلى

بدلاً من ذلك، يمكننا محاولة نمذجة أبسط العناصر داخل دماغنا – الخلية العصبية. يمكننا بناء ما يُعرف بـ الشبكة العصبية الاصطناعية داخل الكمبيوتر، ثم نحاول تعليمها حل المشاكل من خلال تقديم أمثلة لها. هذه العملية تشبه كيف يتعلم الطفل حديث الولادة عن محيطه من خلال الملاحظات.

✅ قم ببعض البحث حول كيفية تعلم الأطفال. ما هي العناصر الأساسية لدماغ الطفل؟

ماذا عن التعلم الآلي؟
جزء من الذكاء الاصطناعي يعتمد على تعلم الكمبيوتر لحل مشكلة بناءً على بعض البيانات يُعرف بـ التعلم الآلي. لن نناقش التعلم الآلي التقليدي في هذه الدورة - نحيلك إلى منهج منفصل التعلم الآلي للمبتدئين.

لمحة تاريخية عن الذكاء الاصطناعي

بدأ الذكاء الاصطناعي كمجال في منتصف القرن العشرين. في البداية، كان الاستدلال الرمزي هو النهج السائد، وقاد إلى عدد من النجاحات المهمة، مثل الأنظمة الخبيرة – برامج الكمبيوتر التي كانت قادرة على العمل كخبير في بعض المجالات المحدودة. ومع ذلك، سرعان ما أصبح واضحًا أن هذا النهج لا يتوسع بشكل جيد. استخراج المعرفة من خبير، وتمثيلها في الكمبيوتر، والحفاظ على قاعدة المعرفة دقيقة تبين أنه مهمة معقدة للغاية ومكلفة للغاية لتكون عملية في العديد من الحالات. أدى ذلك إلى ما يُعرف بـ شتاء الذكاء الاصطناعي في السبعينيات.

صورة بواسطة Dmitry Soshnikov

مع مرور الوقت، أصبحت موارد الحوسبة أرخص، وأصبحت البيانات أكثر توفرًا، وبدأت مناهج الشبكات العصبية تظهر أداءً رائعًا في منافسة البشر في العديد من المجالات، مثل رؤية الكمبيوتر أو فهم الكلام. في العقد الأخير، أصبح مصطلح الذكاء الاصطناعي يُستخدم في الغالب كمرادف للشبكات العصبية، لأن معظم النجاحات التي نسمع عنها في الذكاء الاصطناعي تعتمد عليها.

يمكننا ملاحظة كيف تغيرت المناهج، على سبيل المثال، في إنشاء برنامج كمبيوتر يلعب الشطرنج:

• البرامج الشطرنجية المبكرة كانت تعتمد على البحث – حيث يحاول البرنامج تقدير الحركات الممكنة للخصم لعدد معين من الحركات القادمة، ويختار الحركة المثلى بناءً على الوضع الأمثل الذي يمكن تحقيقه في بضع حركات. أدى ذلك إلى تطوير ما يُعرف بـ خوارزمية تقليم ألفا-بيتا.
• استراتيجيات البحث تعمل بشكل جيد نحو نهاية اللعبة، حيث تكون مساحة البحث محدودة بعدد صغير من الحركات الممكنة. ومع ذلك، في بداية اللعبة، تكون مساحة البحث ضخمة، ويمكن تحسين الخوارزمية من خلال التعلم من المباريات الموجودة بين اللاعبين البشر. التجارب اللاحقة استخدمت ما يُعرف بـ الاستدلال القائم على الحالات، حيث يبحث البرنامج عن حالات في قاعدة المعرفة تشبه جدًا الوضع الحالي في اللعبة.
• البرامج الحديثة التي تفوز على اللاعبين البشر تعتمد على الشبكات العصبية والتعلم المعزز، حيث تتعلم البرامج اللعب فقط من خلال اللعب لفترة طويلة ضد نفسها والتعلم من أخطائها – تمامًا كما يفعل البشر عند تعلم لعب الشطرنج. ومع ذلك، يمكن لبرنامج الكمبيوتر أن يلعب العديد من الألعاب في وقت أقل بكثير، وبالتالي يمكنه التعلم بشكل أسرع.

✅ قم ببعض البحث حول ألعاب أخرى تم لعبها بواسطة الذكاء الاصطناعي.

وبالمثل، يمكننا رؤية كيف تغير النهج نحو إنشاء "برامج تتحدث" (قد تجتاز اختبار تورينغ):

• البرامج المبكرة من هذا النوع مثل Eliza، كانت تعتمد على قواعد نحوية بسيطة وإعادة صياغة الجملة المدخلة إلى سؤال.
• المساعدات الحديثة، مثل Cortana، Siri أو Google Assistant هي جميعها أنظمة هجينة تستخدم الشبكات العصبية لتحويل الكلام إلى نص والتعرف على نوايانا، ثم تستخدم بعض الاستدلال أو الخوارزميات الصريحة لتنفيذ الإجراءات المطلوبة.
• في المستقبل، قد نتوقع نموذجًا كاملاً يعتمد على الشبكات العصبية للتعامل مع الحوار بنفسه. تُظهر العائلات الحديثة من الشبكات العصبية مثل GPT وTuring-NLG نجاحًا كبيرًا في هذا المجال.

الصورة بواسطة دميتري سوشنيكوف، الصورة بواسطة مارينا أبروسيموفا، Unsplash

أبحاث الذكاء الاصطناعي الحديثة

بدأ النمو الكبير في أبحاث الشبكات العصبية حوالي عام 2010، عندما بدأت مجموعات البيانات العامة الكبيرة تصبح متاحة. مجموعة ضخمة من الصور تُسمى ImageNet، تحتوي على حوالي 14 مليون صورة مشروحة، أدت إلى ظهور تحدي التعرف البصري واسع النطاق لـ ImageNet.

الصورة بواسطة دميتري سوشنيكوف

في عام 2012، تم استخدام الشبكات العصبية الالتفافية لأول مرة في تصنيف الصور، مما أدى إلى انخفاض كبير في أخطاء التصنيف (من حوالي 30% إلى 16.4%). وفي عام 2015، حققت بنية ResNet من Microsoft Research دقة بمستوى الإنسان.

منذ ذلك الحين، أظهرت الشبكات العصبية أداءً ناجحًا جدًا في العديد من المهام:

---

السنة	تحقيق التكافؤ مع الإنسان
2015	تصنيف الصور
2016	التعرف على الكلام المحادثي
2018	الترجمة الآلية التلقائية (من الصينية إلى الإنجليزية)
2020	وصف الصور

على مدار السنوات القليلة الماضية، شهدنا نجاحات كبيرة مع نماذج اللغة الضخمة، مثل BERT وGPT-3. حدث هذا بشكل رئيسي بسبب توفر كمية كبيرة من بيانات النصوص العامة التي تسمح لنا بتدريب النماذج لالتقاط بنية ومعنى النصوص، وتدريبها مسبقًا على مجموعات نصوص عامة، ثم تخصيص تلك النماذج لمهام أكثر تحديدًا. سنتعلم المزيد عن معالجة اللغة الطبيعية لاحقًا في هذه الدورة.

🚀 التحدي

قم بجولة على الإنترنت لتحديد المكان الذي تعتقد أن الذكاء الاصطناعي يُستخدم فيه بشكل أكثر فعالية. هل هو في تطبيق الخرائط، أو خدمة تحويل الكلام إلى نص، أو لعبة فيديو؟ ابحث عن كيفية بناء النظام.

اختبار ما بعد المحاضرة

المراجعة والدراسة الذاتية

راجع تاريخ الذكاء الاصطناعي وتعلم الآلة من خلال قراءة هذا الدرس. اختر عنصرًا من الرسم التوضيحي في بداية ذلك الدرس أو هذا الدرس وقم بالبحث عنه بعمق لفهم السياق الثقافي الذي أثر في تطوره.

التكليف: Game Jam

إخلاء المسؤولية:
تم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي Co-op Translator. بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية هو المصدر الموثوق. للحصول على معلومات حاسمة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.