ما وراء الضجّة: قراءة في تطور الذكاء الاصطناعي وتطبيقاته وحدوده

ما وراء الضجّة: قراءة في تطور الذكاء الاصطناعي وتطبيقاته وحدوده

• في عام 2010: أصبحت تقنيات التعليم العميق قابلة للتطبيق بفضل التحسينات في الأجهزة وتوافر البيانات والتمويل.
• في عام 2012: أُحرز تقدّم كبير في التعرّف على الصور، وهي التقنية المستخدمة الآن في العديد من تطبيقات عرض الصور لتمييز الحيوانات الأليفة، والوجوه، والأماكن، عبر تقنية (AlexNet). 
• في عام 2014: نشرت فيسبوك عملها على (DeepFace)، وهي تقنية للتعرّف على وجوه قادرة على تحديد الوجوه بدقة تصل إلى 97%.
• في عام 2016: أصبح (AlphaGo) من (Google) أول ذكاء اصطناعي يهزمُ إنساناً في لعبة "Go".
• في عام 2017: أصبح (AlphaGo Zero) من (Google) شائعاً في لعبة الشطرنج. كما طورّت في العام ذاته بنية (transformer) بواسطة (Google)، ونُشرت في الورقة البحثية الموسومة (Attention Is All You Need) أي "الانتباه هو كل ما تحتاجه".
• في عام 2018: قدمت ( OpenAI) أول نموذج GPT وهو (GPT-1) ، الذي دُرِّب على 7000 كتاب، بناءً على بنية (transformer). 
• في عام 2019 : قدمت (OpenAI) نموذج (GPT-2) الذي دُرِّب على 8 ملايين مستند و45 مليون صفحة ويب. 
• في عام 2020: قدمت (OpenAI) نموذج (GPT-3)، الذي دُرِّب على كامل محتوى ويكيبيديا الإنجليزية، ونصوص ويب متنوعة، ومجموعتين من الكتب. 
• 2022: قدمت (OpenAI) نموذج (GPT-3.5) مع بيانات تدريب غير معلنة، كما أصدر ( Stable Diffusion)، نموذج لتحويل النص إلى صورة. 
• 2023: أصدرت (Meta LLaMa)، أول منافس لــ (GPT-3.5) مع أوزان مفتوحة. كما قدمت (OpenAI) نموذج (GPT-4) مع بيانات تدريب غير معلنة. 

1. نافذة السياق: وهي نافذة للنموذج اللغوي الكبير، يتعلق بمدى قدرته على فهم محتوى الجلسة. قد يُلاحظ المستخدمون ذلك بعد التفاعل مع (ChatGPT) أو (Claude) لفترة من الوقت. إذ يبدو أن الذكاء الاصطناعي ينسى المعلومات التي ذُكرت في بداية الجلسة. هذا هو الحد الذي يجري الوصول إليه في نافذة السياق. تمنعنا هذه القيود من تحميل العديد من مستندات PDF إلى النموذج للحصول على تلخيص. وأكبر نافذة سياق جرى الوصول إليها كانت في نموذج جوجل (Gemini 1.5) في شباط 2024، حيث كانت تصل إلى مليون رمز (Token)، ممّا يمثل ساعة من الفيديو، 11 ساعة من الصوت، 30,000 سطر من الشفرة البرمجية، أو 700,000 كلمة. في المقابل، بعض النماذج الأخرى لا تتجاوز خمس 1/5 هذه السعة. تولد هذه القيود، حتى مع النماذج الأكبر، مشاكل في تطوير البرمجيات، حيث أن العديد من قواعد الشفرة البرمجية، خاصة في بيئات العمل الصناعية، تتجاوز بكثير حدود نافذة السياق لمعظم النماذج الحالية، ما يجعلها عرضة للفشل عند محاولة إضافة ميزة جديدة لتلك الشفرة. وهذا يعني أننا لن نصل إلى مستوى الأتمتة الذي "نغذّي فيه كل شيء إلى الآلة ونطلب إضافة أشياء جديدة" في المستقبل القريب. 
2. المعلومات الجديدة: تتجاوز الموارد التي نُشرت حديثاً نطاق العديد من النماذج، بما في ذلك المكتبات (الشفرة البرمجية المتاحة من المطورين الآخرين للمساعدة في التطوير التي حُدثت تحديثاً كبيراً. على سبيل المثال، مكتبة (React) لتطوير الويب التي حصلت على إصدار في أواخر 2024، ممّا يجعلها غير متاحة للاستخدام في العديد من النماذج مثل (Claude Sonnet 3.5). وتشمل الأمثلة أيضاً الأوراق البحثية التي أُصدرت حديثاً، والكتب، والمقالات الأكاديمية، والتطورات في مجالات مختلفة مثل: البحث الطبي والهندسة المعمارية. محاولة التلاعب في هذه الحالة عن طريق تزويد النموذج بالمواد المطلوبة يُعيدك إلى القيود الخاصة نافذة السياق بشكل أسرع. 
3. غرفة الصدى الكبرى : أحد الآثار الناجمة عن إنشاء المحتوى باستخدام النماذج اللغوية الكبيرة، ونشره على الإنترنت، هو أن نفس الزواحف (Crawlers) التي أُستخدمت لتدريب النموذج في البداية، ستعيد الآن تغذية النموذج بمخرجاته الخاصة. وغالباً ما يؤدي ذلك إلى مخرجات وأداء أقل جودة. 
4. الدقة وجودة المعلومات: إحدى المشكلات الحالية التي تواجه النماذج اللغوية الكبيرة هي البيانات التي تُدرب عليها، فجمع كل ما هو متاح من الانترنت العام واستخدامه لتغذية النموذج، قد يبدو فكرة جيدة في البداية، لكن العواقب تظهر بمرور الوقت. يُعرَف مفهوم "المدخلات السيئة تؤدي إلى مخرجات سيئة" (GIGO) في علم الحوسبة، والذي ينص على أن المعلومات الخاطئة أو المنحازة أو ذات الجودة الرديئة، تولّد نتيجة أو مخرجات من ذات الجودة. عندما تُستخدم الكثير من البيانات دون فحصها أو مراقبتها بشكل صحيح، ينتج عنها العديد من المعلومات الخاطئة التي تصل إلى النظام، ناهيك عن المحتوى المثير للجدل من المنتديات المتطرّفة الذي قد يوجّه النموذج في اتجاه غير مرغوب فيه. إحدى الطرق التي ساعدت في تحقيق شهرة لنموذج (Llama) من (Meta) ،هو أنه استخدم مجموعة بيانات أصغر فُحصت ودُقّقت لضمان أفضل جودة للمدخلات، ما أدى إلى أداء أفضل مقارنةً بنماذج أخرى في وقت إطلاقه.
5.  تعلم مواضيع جديدة: لا تُعد النماذج اللغوية الكبيرة أدوات فعّالة لتعلم موضوع جديد، خاصة إن لم يكن لدى الشخص خلفية سابقة في هذا الموضوع لتقييم المعلومات. العديد من النماذج اللغوية الكبيرة عرضة للهلوسة. بالإضافة إلى ذلك، فإن هذا النوع من التعلّم ليس مختلفاً كثيراً عن تلقّي المعلومات بشكل سطحي في الجامعة. قد يُساعد الاستفهام الذكي في شرح بعض الأمور، لكن لا شيء يضمن أن تلك الشروحات ستكون دقيقة أو صحيحة على أي مستوى. من جانب آخر هو أن التعلم والتطور يتطلبان التحدّي، فدائماً ما يوجد تحدّي يجب تجاوزه، وإلا فهذا يعني أنك بالفعل تعرف ما تحاول تعلّمه.
6. التعبير الشخصي: كما أُشير سابقاً، يُمكن أن يؤدي استخدام النماذج اللغوية الكبيرة إلى ما يقلل من حضورك وتأثيرك الشخصي وأسلوبك الكتابي الفريد. سيُقلص النموذج من حضورك وتأثيرك إلى ما يظنُ أنه النمط السائد، الأمر الذي يقلل من حضورك الشخصي وإبداعك. بالإضافة إلى ذلك، مع الاستخدام الشائع للنماذج اللغوية الكبيرة في هذا المجال، نواجه كمية كبيرة من المحتوى الذي يفتقر إلى الجوهر والقيمة واللمسة الشخصية. الاعتماد الكامل على الذكاء الاصطناعي في مهام الكتابة سيؤدي في النهاية إلى إعاقة القدرة على الكتابة والتفكير. يُمكن أن تكون النماذج اللغوية الكبيرة أدوات رائعة لإجراء التعديلات البسيطة والتغييرات، ولكن لا ينبغي الاعتماد عليها لإنتاج قطع كاملة من الكتابات التي تبدو مشابهة لما يكتبه الجميع، حتى لو لم يكن ذلك هو طابعك الشخصي بعد الآن.