تاريخ الذكاء الاصطناعي: من الفكرة الأولى إلى ثورة ChatGPT والذكاء التوليدي

تاريخ الذكاء الاصطناعي من الفكرة إلى الثورة التقنية الحديثة
المراحل التاريخية الفاصلة في تطور الذكاء الاصطناعي، متضمنة محطات مفصلية مثل مؤتمر دارتموث 1956، فوز Deep Blue، وتطور بنية المحولات (Transformer) حتى الوصول إلى الذكاء الاصطناعي التوليدي وChatGPT.

تاريخ الذكاء الاصطناعي لم يبدأ مع الروبوتات الحديثة ولا مع روبوتات المحادثة التي نراها اليوم. القصة بدأت قبل ذلك بعقود طويلة عندما حاول علماء الرياضيات والأعصاب والحوسبة فهم إمكانية بناء آلة تستطيع تنفيذ بعض المهام التي ارتبطت بالإنسان مثل الاستدلال والتعلم وحل المشكلات وفهم اللغة. ثم تحولت الفكرة تدريجياً إلى مجال علمي مستقل خلال خمسينيات القرن العشرين.

وتعد سنة 1956 محطة تأسيسية في تاريخ الذكاء الاصطناعي لأن مجموعة من الباحثين اقترحت إقامة مشروع بحثي في كلية دارتموث لدراسة إمكانية جعل الآلات تتعامل مع جوانب من الذكاء. أما جذور الفكرة نفسها فتعود إلى أعمال أقدم من ذلك مثل نموذج الخلايا العصبية الرياضي الذي نشره وارن مكولوتش ووالتر بيتس عام 1943 ومقالة آلان تورنغ عام 1950 التي ناقشت بصورة مباشرة سؤال إمكانية تفكير الآلات.

الإجابة أولاً. تاريخ الذكاء الاصطناعي هو سلسلة من التحولات العلمية بدأت من نماذج منطقية بسيطة وشبكات عصبية مبكرة ثم انتقلت إلى الأنظمة القائمة على القواعد والخبراء ثم إلى التعلم الآلي والتعلم العميق وصولاً إلى المحولات والنماذج اللغوية الكبيرة والذكاء الاصطناعي التوليدي. ولم يكن هذا الطريق مستقيماً. فقد شهد فترات حماس شديد وفترات تراجع عرفت باسم شتاءات الذكاء الاصطناعي.

قد يعجبك ايضاً✅هل التشابه يصنع علاقة أفضل أم الاختلاف؟ سر التوافق بين الشريكين

وفي هذا الدليل سنمر على المراحل الكبرى التي صنعت هذا التاريخ. سنبدأ من الأفكار التي سبقت ظهور اسم الذكاء الاصطناعي. ثم نصل إلى مؤتمر دارتموث. وبعد ذلك نتابع صعود الشبكات العصبية والأنظمة الخبيرة وفترات الشتاء ثم العودة القوية مع البيانات والتعلم العميق. وأخيراً سنفهم كيف قادت هذه التطورات إلى أنظمة قادرة على توليد النصوص والصور والصوت وغيرها من المحتوى.

الجذور الأولى قبل ظهور مصطلح الذكاء الاصطناعي

1943 ونموذج الخلايا العصبية الاصطناعية

في عام 1943 نشر وارن مكولوتش ووالتر بيتس عملاً أصبح من المحطات الأساسية في تاريخ الشبكات العصبية. قدم الباحثان نموذجاً رياضياً مبسطاً لطريقة يمكن بها تمثيل الخلايا العصبية من خلال وحدات منطقية وحسابية. لم يكن ذلك نظام ذكاء اصطناعياً بالمعنى الحديث. لكنه قدم فكرة شديدة الأهمية وهي أن بعض العمليات المرتبطة بالتفكير يمكن تمثيلها بطريقة رياضية قابلة للحساب.

أهمية هذه الخطوة لا تكمن في أن النموذج كان شبيهاً بالدماغ بشكل كامل. بل تكمن في أنه ساعد على فتح الباب أمام فكرة تحويل بعض الظواهر العصبية إلى نماذج حسابية. ومن هذا الاتجاه ظهرت لاحقاً أبحاث الشبكات العصبية والتعلم الآلي.

مرجع أكاديمي حول العمل الأصلي وسياقه التاريخي. PubMed.

1949 وفكرة التعلم العصبي

خلال الفترة نفسها تقريباً كانت الأبحاث في علم الأعصاب وعلم النفس تتجه نحو فهم كيفية تغير قوة الروابط بين الخلايا العصبية. وأصبح كتاب دونالد هب الذي صدر عام 1949 من الأعمال المؤثرة في هذا السياق. اشتهرت الفكرة المرتبطة به لاحقاً بصورة مبسطة مفادها أن الاتصال المتكرر بين الخلايا قد يقوي العلاقة بينها.

لم يكن كتاب هب كتاباً عن الذكاء الاصطناعي. لكنه ساهم في البيئة الفكرية التي سمحت للباحثين بالتفكير في التعلم باعتباره تغيراً في بنية العلاقات داخل شبكة من الوحدات.

هل كان الهدف تقليد الدماغ فعلاً

هنا تظهر نقطة مهمة في فهم تاريخ الذكاء الاصطناعي. لم يكن جميع الباحثين يرون أن أفضل طريقة لصنع آلة ذكية هي تقليد الدماغ حرفياً. بعضهم ركز على المنطق والقواعد والبحث في فضاء الاحتمالات. وبعضهم ركز على التعلم من البيانات. وبعضهم حاول الجمع بين أكثر من اتجاه.

ولهذا فإن تاريخ الذكاء الاصطناعي ليس تاريخ مسار واحد. بل هو تاريخ عدة مدارس علمية تنافست وتداخلت مع بعضها.

كلما عدنا إلى بدايات الذكاء الاصطناعي اكتشفنا أن المجال نشأ من تقاطع علوم متعددة. ولم يكن اختراعاً منفرداً قام به شخص واحد.

آلان تورنغ وسؤال هل تستطيع الآلة أن تفكر

مقالة عام 1950

في عام 1950 نشر عالم الرياضيات والحوسبة آلان تورنغ مقالته الشهيرة في مجلة Mind بعنوان Computing Machinery and Intelligence. بدأ تورنغ من سؤال مباشر حول إمكانية تفكير الآلات. لكنه لم يكتف بالدخول في مشكلة تعريف التفكير. وبدلاً من ذلك اقترح تغيير طريقة طرح السؤال من خلال ما أصبح معروفاً لاحقاً باسم لعبة المحاكاة أو اختبار تورنغ.

الفكرة الأساسية كانت البحث عن طريقة عملية لمقارنة السلوك اللغوي بين إنسان وآلة. وقد كان هذا تحولاً فكرياً مهماً لأن النقاش انتقل من سؤال فلسفي مجرد إلى سؤال يمكن تصميم تجربة حوله.

كما ناقش تورنغ فكرة الآلات القابلة للتعلم. وهذه الفكرة مهمة جداً عند النظر إلى تاريخ الذكاء الاصطناعي من منظور حديث. فالتعلم لم يكن فكرة ظهرت مع الثورة الرقمية الأخيرة. بل كان جزءاً من النقاش المبكر حول مستقبل الحوسبة.

النص الأصلي لمقالة آلان تورنغ متاح عبر Oxford Academic. Computing Machinery and Intelligence.

لماذا تعد أفكار تورنغ مهمة حتى اليوم

لأن كثيراً من النقاشات الحديثة حول الذكاء الاصطناعي تعود في جوهرها إلى أسئلة طرحها تورنغ مبكراً. هل يكفي أن تتصرف الآلة بطريقة تبدو ذكية. أم يجب أن نعرف كيف وصلت إلى النتيجة. وهل السلوك المقنع دليل على وجود فهم حقيقي.

هذه الأسئلة لم تختف. بل أصبحت أكثر أهمية مع ظهور الأنظمة التي تستطيع إجراء محادثات طويلة وتلخيص المعلومات وكتابة النصوص وتوليد الصور.

1955 و1956 وبداية الذكاء الاصطناعي كمجال علمي

الاقتراح الذي حمل اسم الذكاء الاصطناعي

في 31 أغسطس 1955 قدم جون مكارثي ومارفن مينسكي وناثانيال روتشستر وكلود شانون مقترحاً لمشروع بحثي صيفي في كلية دارتموث. حمل المقترح عنواناً يتضمن مصطلح الذكاء الاصطناعي بصورة مباشرة. وكان من المقرر أن يركز المشروع على جوانب مثل استخدام اللغة وبناء المفاهيم وحل المشكلات والتعلم.

أصبحت هذه الوثيقة واحدة من أهم الوثائق في تاريخ الذكاء الاصطناعي لأنها تعكس اللحظة التي بدأ فيها جمع عدد من المسائل تحت اسم علمي واحد. وأقيم مشروع دارتموث خلال صيف 1956 وأصبح لاحقاً نقطة مرجعية عند الحديث عن ولادة المجال الأكاديمي.

المقترح التاريخي محفوظ ومنشور في AI Magazine التابعة لـ AAAI. مقترح مشروع دارتموث.

من المهم التفريق بين ولادة الفكرة وولادة المجال. فالقول إن الذكاء الاصطناعي بدأ عام 1956 لا يعني أن العلماء لم يدرسوا الآلات الذكية قبل ذلك. سنة 1956 تشير أساساً إلى مرحلة التأسيس الرسمي للمجال تحت اسم الذكاء الاصطناعي.

ماذا أراد الباحثون في دارتموث

كان التفاؤل كبيراً. فقد تصور الباحثون أن عدداً من مسائل التفكير يمكن وصفه بدقة تسمح للآلة بمحاكاته. وكان الاعتقاد السائد بين بعض الباحثين أن التطور في البرمجة والمنطق والقدرة الحاسوبية قد يؤدي إلى تقدم سريع.

لكن التاريخ اللاحق أثبت أن الذكاء البشري أكثر تعقيداً مما بدا في البداية. فالإنسان لا يحل المسائل بالمنطق المجرد فقط. بل يستخدم الخبرة والسياق والمعرفة العامة واللغة والإدراك الحسي والتعلم المستمر.

الخمسينيات والستينيات وصعود البرامج الذكية الأولى

البرامج التي بدأت تتعلم

شهدت هذه الفترة تجارب كثيرة في الألعاب وحل المسائل وإثبات النظريات. ومن أهمها أعمال آرثر صموئيل في لعبة الداما. طور صموئيل برنامجاً يستطيع تحسين أدائه من خلال الخبرة وأصبح عمله من البدايات البارزة في التعلم الآلي.

وفي عام 1959 ارتبط اسم صموئيل بصورة قوية بمصطلح التعلم الآلي. كان الهدف الأساسي أن يتعلم البرنامج تحسين أداءه بدلاً من الاعتماد فقط على قواعد يضعها المبرمج مسبقاً.

مرجع تاريخي من IBM حول أعمال آرثر صموئيل وتطور مفهوم التعلم الآلي. Early Games and Machine Learning.

1958 والشبكات العصبية والبرسبترون

في أواخر الخمسينيات طور فرانك روزنبلات نموذجاً عرف باسم البرسبترون. كان النموذج من المحاولات المبكرة لبناء شبكة تستطيع التعلم من الأمثلة. وقد أصبح البرسبترون محطة مهمة في تاريخ الشبكات العصبية.

لكن هذه النماذج المبكرة كانت محدودة. ومع مرور الوقت ظهر أن بعض المشكلات يصعب حلها بواسطة بنية بسيطة ذات طبقة واحدة. ثم جاءت أعمال نقدية دفعت المجال إلى مرحلة من التراجع النسبي في الاهتمام بالشبكات العصبية.

اللغة الطبيعية وظهور ELIZA

في منتصف الستينيات ظهرت ELIZA التي طورها جوزيف فايزنباوم في معهد ماساتشوستس للتكنولوجيا. كانت ELIZA تجربة مبكرة في التفاعل اللغوي بين الإنسان والآلة. وقد استخدمت أنماطاً لغوية وقواعد لمعالجة مدخلات المستخدم وإنتاج ردود تبدو في بعض الحالات وكأنها جزء من حوار.

لم تكن ELIZA نموذجاً لغوياً بالمعنى الذي نعرفه اليوم. ولم تكن تفهم اللغة الإنسانية كما تفهمها النماذج الحديثة. لكنها كشفت مبكراً عن ظاهرة مهمة. يمكن لطريقة صياغة الردود أن تجعل المستخدم يشعر بأن النظام يفهمه بدرجة أكبر من قدرته الفعلية.

مرجع من MIT Press حول تاريخ ELIZA وتطورها بين 1965 و1968. تاريخ ELIZA.

ظهور ELIZA يذكرنا بأن الإقناع اللغوي ليس بالضرورة دليلاً على الفهم الحقيقي.

السبعينيات وبداية اتساع الفجوة بين الطموح والواقع

منطق قوي ومشكلات أكثر تعقيداً

واصل الباحثون في السبعينيات تطوير الأنظمة التي تعتمد على المنطق والقواعد والبحث. وظهرت مشاريع مهمة في التخطيط والروبوتات ومعالجة اللغة والنظم الخبيرة. إلا أن الواقع الحسابي والعملي فرض حدوداً لم تكن واضحة في البدايات.

كلما أصبحت المشكلة أكبر زاد عدد الحالات التي يمكن أن تواجهها الخوارزمية. وبعض المهام التي تبدو سهلة للإنسان مثل فهم جملة غامضة أو التعرف على الأشياء في مشهد معقد ليست سهلة بالضرورة للآلة.

الروبوت Shakey

كان مشروع Shakey في معهد ستانفورد للأبحاث من المشاريع المبكرة المهمة في الروبوتات الذكية. حاول النظام الجمع بين الإدراك والتخطيط وتنفيذ الأوامر. وكانت الفكرة أن يتعامل الروبوت مع العالم المحيط به بطريقة أكثر مرونة من مجرد تنفيذ حركة ميكانيكية ثابتة.

أهمية هذه المشاريع أنها كشفت مبكراً أن الذكاء الاصطناعي في العالم الحقيقي يحتاج إلى أكثر من برنامج يحل مسألة على شاشة. فهو يحتاج أيضاً إلى الإدراك والتخطيط والتعامل مع بيئة غير مثالية.

الشتاء الأول للذكاء الاصطناعي

ما المقصود بشتاء الذكاء الاصطناعي

مصطلح شتاء الذكاء الاصطناعي يستخدم لوصف فترات تراجع فيها التمويل والحماس والثقة بقدرة المجال على تحقيق وعوده. والسبب لم يكن أن الذكاء الاصطناعي توقف تماماً. بل إن بعض الأبحاث استمرت. لكن الفجوة بين التوقعات والنتائج أصبحت أكبر من قدرة التمويل والتسويق على تحملها.

كان تقرير Lighthill في المملكة المتحدة عام 1973 من الأحداث التاريخية التي ارتبطت بنقد بعض النتائج والتوقعات في ذلك الوقت. وفي الولايات المتحدة تراجعت بعض البرامج والتمويلات عندما لم تتحقق النتائج المتوقعة بالسرعة التي كان يأملها الباحثون.

يعرض تقرير Stanford AI100 تاريخ المجال وتحولاته الكبرى وفترات التراجع والتقدم. A Short History of AI.

لماذا فشلت بعض الوعود المبكرة

هناك عدة أسباب مترابطة. كانت القدرة الحاسوبية محدودة مقارنة بما يحتاجه كثير من الأساليب. وكانت البيانات أقل وفرة وتنظيماً. كما أن كثيراً من المشكلات الواقعية احتاج إلى معرفة سياقية واسعة يصعب إدخالها يدوياً في نظام قائم على القواعد.

كانت المشكلة في بعض الأحيان ليست في الخوارزمية وحدها. بل في محاولة استخدام أدوات محدودة لحل مشكلات أكبر بكثير من إمكاناتها المتاحة في ذلك الزمن.

الدرس التاريخي هنا مهم. فالتقنية قد تكون صحيحة من حيث المبدأ لكنها لا تصل إلى نتائج قوية إلا عندما تتوفر لها الخوارزميات المناسبة والبيانات المناسبة والقدرة الحاسوبية المناسبة.

الثمانينيات وصعود الأنظمة الخبيرة

المعرفة المتخصصة داخل الحاسوب

عادت موجة الاهتمام بالذكاء الاصطناعي بقوة خلال الثمانينيات عبر الأنظمة الخبيرة. بدلاً من محاولة جعل الحاسوب يتعلم كل شيء من الصفر كان الباحثون يبنون قواعد معرفة تستند إلى خبراء بشريين.

كان النظام الخبير يجمع عادة بين قاعدة معرفية ومحرك استدلال. ويمكن استخدامه في مجالات مثل الطب وتشخيص الأعطال والهندسة وتحليل الحالات.

MYCIN وتجارب الطب

كان MYCIN من الأنظمة المعروفة في تاريخ الذكاء الاصطناعي الطبي. طُور في ستانفورد خلال السبعينيات واستُخدم كنظام استشاري قائم على القواعد للمساعدة في التعامل مع بعض حالات العدوى واختيار العلاج المناسب ضمن نطاق المعرفة المبرمجة في النظام.

تكشف تجربة MYCIN شيئاً مهماً. الذكاء الاصطناعي يستطيع تقديم قيمة حقيقية في نطاق ضيق حتى عندما لا يكون نظاماً عاماً يشبه العقل البشري.

يمكن الرجوع إلى سجلات Stanford Computer Science حول أعمال MYCIN والأنظمة المرتبطة به. Stanford Computer Science Reports.

مشكلة المعرفة

رغم نجاح الأنظمة الخبيرة في بعض البيئات ظهرت مشكلة كبيرة. الحصول على المعرفة من الخبراء وتحويلها إلى قواعد دقيقة كان عملاً مكلفاً وصعباً. كما أن القواعد تحتاج إلى تحديث مستمر مع تغير الواقع.

يمكنك أن تتخيل نظاماً طبياً مبنياً على آلاف القواعد. ماذا يحدث إذا تغيرت الإرشادات أو ظهرت حالة لم يتوقعها مصممو النظام. هنا تظهر حدود الاعتماد الكبير على المعرفة اليدوية.

الثمانينيات أيضاً وعودة الاهتمام بالشبكات العصبية

الانتشار العكسي للخطأ

في عام 1986 نشر ديفيد روملهارت وجيفري هينتون ورونالد وليامز بحثاً مهماً حول طريقة الانتشار العكسي للخطأ. أصبحت هذه الطريقة من الأدوات الأساسية في تدريب الشبكات العصبية متعددة الطبقات.

الفكرة العامة هي حساب كيفية مساهمة الأوزان الداخلية للشبكة في مقدار الخطأ ثم استخدام هذه المعلومات لتعديل الأوزان تدريجياً. وسمحت هذه الآلية بتدريب شبكات أكثر تعقيداً من كثير من النماذج المبكرة.

البحث الأصلي منشور في Nature. Learning representations by back-propagating errors.

لماذا لم تبدأ ثورة التعلم العميق فوراً

لأن وجود خوارزمية تدريب قوية لا يكفي وحده. كانت هناك حاجة أيضاً إلى كميات أكبر من البيانات وقدرة حاسوبية أعلى وطرق أفضل لتهيئة الشبكات وتحسينها. ولهذا ظلت الإمكانات الكبيرة للشبكات العصبية محدودة لفترة من الزمن.

التسعينيات وبداية النجاح التجاري الواسع للتعلم الآلي

من القواعد إلى البيانات

شهدت التسعينيات تحولاً مهماً. أصبح التعلم الآلي الإحصائي أكثر حضوراً في معالجة اللغة والتعرف على الأنماط وتصنيف البيانات. بدلاً من كتابة كل قاعدة يدوياً أصبح ممكناً تدريب نماذج على أمثلة موجودة بالفعل.

هذه الفلسفة غيّرت شكل الذكاء الاصطناعي. لم يعد السؤال فقط كيف نكتب القواعد. بل أصبح السؤال كيف نجعل النظام يتعلم العلاقة بين المدخلات والمخرجات اعتماداً على البيانات.

Deep Blue والشطرنج

في عام 1997 فاز حاسوب IBM Deep Blue على بطل العالم غاري كاسباروف في مباراة من ست مباريات بنتيجة 3.5 مقابل 2.5. وكانت هذه أول مرة يهزم فيها نظام حاسوبي بطلاً عالمياً حاكماً في الشطرنج ضمن ضوابط البطولة القياسية.

كان Deep Blue مثالاً واضحاً على قوة البحث الحسابي المتخصص. لم يكن يعتمد على فهم بشري عام للشطرنج. بل استخدم قدرة حسابية ضخمة لتقييم عدد هائل من الوضعيات مع خوارزميات متخصصة.

تفاصيل المباراة وبنية Deep Blue متاحة عبر IBM. تاريخ Deep Blue.

فوز Deep Blue لم يكن دليلاً على أن الآلة أصبحت ذات ذكاء عام مماثل للإنسان. لقد كان إنجازاً هائلاً في مهمة محددة. وهذه نقطة أساسية لفهم الفرق بين الذكاء المتخصص والذكاء العام.

من 2000 إلى 2011 وتراكم الظروف التي صنعت الانفجار

البيانات أصبحت أكبر

مع انتشار الإنترنت والهواتف الرقمية ومحركات البحث والخدمات الإلكترونية أصبح العالم ينتج كميات ضخمة من الصور والنصوص والصوت والفيديو والبيانات السلوكية.

هذا التغير كان أساسياً في تاريخ الذكاء الاصطناعي الحديث. فالخوارزمية التي تعمل بصورة ضعيفة على آلاف الأمثلة قد تصبح أكثر فاعلية عندما تتوفر لها ملايين الأمثلة المنظمة بطريقة مناسبة.

الحوسبة المتوازية ووحدات معالجة الرسوميات

في الوقت نفسه تطورت العتاديات الحاسوبية. وأصبحت وحدات معالجة الرسوميات مناسبة بصورة متزايدة لبعض العمليات الرياضية المتوازية التي تحتاج إليها الشبكات العصبية.

عندما اجتمعت البيانات الأكبر مع قدرة حسابية أعلى وخوارزميات أكثر نضجاً أصبحت الشبكات العصبية العميقة مرشحة لتحقيق قفزة نوعية.

2012 واللحظة التي أعادت تعريف التعلم العميق

AlexNet وImageNet

في عام 2012 ظهر بحث AlexNet الذي قدم شبكة عصبية التفافية عميقة لتصنيف صور ImageNet. استخدم الباحثون شبكة عميقة لمعالجة نحو 1.2 مليون صورة تدريبية ضمن تجربة التصنيف التي شملت ألف فئة.

حقق النموذج نتيجة لافتة مقارنة بالأساليب السابقة في مسابقة ImageNet. وأصبح هذا الإنجاز محطة رئيسية في صعود التعلم العميق والرؤية الحاسوبية.

البحث الأصلي منشور في وقائع NeurIPS. ImageNet Classification with Deep Convolutional Neural Networks.

لماذا كانت سنة 2012 مهمة جداً

لأنها أثبتت عملياً أن الجمع بين الشبكات العميقة والبيانات الكبيرة والقدرة الحاسوبية المتاحة يمكن أن ينتج تحسناً واضحاً في مهام الرؤية الحاسوبية.

بعد ذلك دخل التعلم العميق بقوة إلى مجالات أخرى مثل الكلام واللغة والترجمة واللعب الآلي وتحليل الإشارات.

2016 وAlphaGo وتغيير صورة الذكاء الاصطناعي

اللعبة القديمة التي بدت صعبة على الآلات

في عام 2016 واجه AlphaGo لاعب غو الكوري لي سيدول في مباراة من خمس جولات وفاز النظام بأربع جولات مقابل جولة واحدة. كان الإنجاز مهماً لأن لعبة غو تتميز بفضاء هائل من الاحتمالات ويصعب التعامل معها باستخدام الأساليب التقليدية نفسها التي نجحت في الشطرنج.

اعتمد AlphaGo على الشبكات العصبية والتعلم من بيانات اللعب ثم البحث الشجري لاتخاذ القرارات. وأصبح مثالاً بارزاً على قدرة التعلم العميق مع أساليب البحث على الوصول إلى نتائج مبهرة في مهام معقدة.

البحث المنشور في Nature حول AlphaGo متاح عبر PubMed. Mastering the game of Go with deep neural networks and tree search.

هل تعلم AlphaGo التفكير البشري

ليس بهذه البساطة. النظام تعلم أنماطاً واستراتيجيات من البيانات واستخدم عمليات حسابية وبحثية واسعة. لكن نجاحه لا يعني أنه يمتلك وعياً بشرياً أو فهماً عاماً للحياة كما يفهمها الإنسان.

مرة أخرى يعود الفرق بين الأداء في مهمة محددة وبين الذكاء العام.

2017 وبداية عصر المحولات

بحث Attention Is All You Need

في عام 2017 نشر باحثون في Google ورقة بحثية بعنوان Attention Is All You Need. قدمت الورقة بنية جديدة عرفت باسم Transformer واعتمدت بصورة أساسية على آليات الانتباه بدلاً من الاعتماد على البنى التكرارية التقليدية في معالجة التسلسلات.

كانت هذه الخطوة شديدة الأهمية بالنسبة لتاريخ الذكاء الاصطناعي الحديث لأنها مهدت لبنية أصبحت لاحقاً أساساً لعدد كبير من النماذج اللغوية الكبيرة وتطبيقات معالجة اللغة الحديثة.

البحث منشور ضمن وقائع NeurIPS ومتاح أيضاً عبر ArXiv. Attention Is All You Need.

لماذا كان Transformer مهماً

سمحت بنية المحولات بالتعامل مع أجزاء كثيرة من التسلسل بطريقة أكثر قابلية للتوازي من الأساليب السابقة. كما أتاحت آلية الانتباه للنموذج أن يركز على العلاقات بين العناصر المختلفة داخل النص بصورة فعالة.

هذا التقدم كان مهماً بصورة خاصة للغة. وبعد عدة سنوات أصبحت هذه البنية أساساً لعدد ضخم من النماذج اللغوية التي تستطيع التعامل مع نصوص طويلة وإنشاء نصوص جديدة.

من النماذج اللغوية إلى الذكاء الاصطناعي التوليدي

ما الذي تغير

النماذج القديمة كانت في الغالب مصممة لتصنيف شيء أو توقع شيء أو اتخاذ قرار ضمن نطاق محدد. أما النماذج التوليدية الحديثة فتركز على إنتاج محتوى جديد استناداً إلى الأنماط التي تعلمتها أثناء التدريب.

يمكن للنموذج التوليدي إنتاج نصوص وصور وأصوات وأجزاء من الشيفرات البرمجية وغيرها. وهذه القدرة هي التي جعلت الذكاء الاصطناعي ينتقل من مختبرات متخصصة إلى تجربة مباشرة بالنسبة لملايين المستخدمين.

النماذج اللغوية الكبيرة

النموذج اللغوي الكبير يتعلم أنماط اللغة من كميات ضخمة من النصوص. وبعد التدريب يمكن استخدامه في مهام مثل إكمال النصوص والتلخيص والإجابة عن الأسئلة والترجمة وإعادة الصياغة وكتابة المحتوى.

لكن هذا لا يعني أن كل إجابة صحيحة. النموذج قد ينتج نصاً يبدو مقنعاً وهو غير دقيق. وهذه المشكلة أصبحت جزءاً أساسياً من النقاش العلمي والعملي حول الذكاء الاصطناعي التوليدي.

ظهور ChatGPT

في 30 نوفمبر 2022 قدمت OpenAI خدمة ChatGPT للعامة بوصفها نموذجاً تفاعلياً للمحادثة. وقدمت الشركة الخدمة باعتبارها تجربة بحثية تهدف إلى معرفة كيفية تفاعل الناس مع نظام محادثة قادر على متابعة الحوار والاستجابة للطلبات.

كان الانتشار الجماهيري لـ ChatGPT محطة مهمة في تاريخ الذكاء الاصطناعي لأنها جعلت نماذج اللغة المتقدمة متاحة مباشرة لعدد ضخم من المستخدمين خارج المؤسسات البحثية المتخصصة.

الإعلان الرسمي من OpenAI منشور بتاريخ 30 نوفمبر 2022. Introducing ChatGPT.

كيف تغير مفهوم الذكاء الاصطناعي عبر العقود

الفترة	الاتجاه الغالب	طريقة العمل	نقطة القوة	أبرز الحدود
الأربعينيات والخمسينيات	النماذج المنطقية والعصبية المبكرة	تمثيل العمليات الحسابية والمنطقية والشبكات البسيطة	تأسيس الأفكار الأساسية	قدرة حاسوبية محدودة
الستينيات والسبعينيات	البحث وحل المشكلات واللغة والروبوتات	قواعد وبحث واستراتيجيات محددة	إظهار إمكان التعامل مع مهام ذكية محددة	ضعف التعامل مع العالم المفتوح
السبعينيات والثمانينيات	الأنظمة الخبيرة	قواعد معرفة ومحركات استدلال	أداء قوي في المجالات الضيقة	صعوبة بناء المعرفة وتحديثها
الثمانينيات والتسعينيات	التعلم الآلي الإحصائي والشبكات العصبية	التعلم من البيانات والأمثلة	تقليل الاعتماد على القواعد اليدوية	الحاجة إلى بيانات وأساليب أفضل
من 2000 إلى 2011	البيانات الكبيرة والتعلم الآلي	نماذج تتعلم من كميات أكبر من البيانات	تحسن في التصنيف والتنبؤ والتعرف	الحاجة إلى كميات ضخمة من البيانات الجيدة
من 2012	التعلم العميق	شبكات متعددة الطبقات تتعلم تمثيلات معقدة	قفزات كبيرة في الرؤية والكلام واللغة	تكلفة التدريب والتفسير والاعتماد على البيانات
من 2017	المحولات والنماذج الأساسية	الانتباه والتدريب واسع النطاق	مرونة كبيرة عبر مهام متعددة	أخطاء واقعية واحتياجات حسابية مرتفعة
العصر التوليدي	النماذج اللغوية والنماذج متعددة الوسائط	توليد محتوى جديد من مدخلات بشرية	تفاعل طبيعي وإنتاج محتوى متنوع	الهلوسة والتحيز والخصوصية وقضايا الحقوق

المراحل الأساسية في تاريخ الذكاء الاصطناعي في خط زمني

1943. نشر نموذج مكولوتش وبيتس للخلايا العصبية المنطقية.
1950. نشر آلان تورنغ مقالته حول التفكير الآلي ولعبة المحاكاة.
1955. تقديم مقترح مشروع دارتموث الذي استخدم مصطلح الذكاء الاصطناعي بصورة مباشرة.
1956. عقد مشروع دارتموث الصيفي الذي أصبح محطة تأسيسية للمجال.
1958. تطوير البرسبترون بواسطة فرانك روزنبلات.
1959. ترسيخ مصطلح التعلم الآلي من خلال أعمال آرثر صموئيل.
1966 تقريباً. ظهور ELIZA كتجربة مبكرة في المحادثة بين الإنسان والآلة.
السبعينيات. توسع أبحاث الروبوتات والتخطيط والأنظمة الخبيرة.
الثمانينيات. صعود الأنظمة الخبيرة وانتشار أبحاث الشبكات العصبية من جديد.
1986. نشر البحث الشهير حول الانتشار العكسي للخطأ.
1997. فوز Deep Blue على غاري كاسباروف في مباراة الشطرنج.
2012. نجاح AlexNet البارز في مسابقة ImageNet.
2016. فوز AlphaGo على لي سيدول.
2017. ظهور بنية Transformer في بحث Attention Is All You Need.
2022. إطلاق ChatGPT للعامة وبداية مرحلة جماهيرية واسعة للذكاء الاصطناعي التوليدي.

لماذا شهد الذكاء الاصطناعي أكثر من موجة صعود وهبوط

عند قراءة تاريخ الذكاء الاصطناعي قد يبدو المشهد أحياناً وكأن المجال يتقدم ثم يتراجع ثم يتقدم مرة أخرى. وهذا صحيح جزئياً. لكن السبب ليس فشل العلم في كل مرة. بل لأن حجم التوقعات كان يرتفع أحياناً أسرع من القدرة التقنية المتاحة.

في مرحلة القواعد كان الاعتقاد أن زيادة عدد القواعد قد تقود إلى ذكاء أكثر عمومية. ثم اتضح أن المعرفة الواقعية شديدة التعقيد. وفي مرحلة الشبكات العصبية المبكرة ظهر أن النماذج البسيطة محدودة. ثم عاد الاهتمام بالشبكات عندما أصبحت البيانات والعتاد والخوارزميات أكثر نضجاً.

هذا النمط تكرر أكثر من مرة. ولذلك فإن تاريخ الذكاء الاصطناعي في جوهره هو تاريخ علاقة متغيرة بين ثلاثة عناصر. الخوارزميات. البيانات. القدرة الحاسوبية.

القفزات الكبرى لم تحدث عادة بسبب اختراع فكرة واحدة فقط. بل عندما اجتمعت عدة تقنيات كانت موجودة بدرجات مختلفة ثم أصبحت قادرة على العمل معاً.

هل الذكاء الاصطناعي الحديث أذكى من الأنظمة القديمة بكل معنى الكلمة

الإجابة تحتاج إلى دقة. الأنظمة الحديثة أقوى بكثير في عدد هائل من المهام التي كانت صعبة على الأنظمة القديمة. تستطيع النماذج الحديثة التعامل مع اللغة والصور والصوت والبرمجة وأنماط متعددة من البيانات.

لكن ذلك لا يعني أن كل نموذج حديث يمتلك فهماً عاماً للعالم يطابق الفهم البشري. كما أن النظام قد يكون ممتازاً في مهمة وضعيفاً في مهمة أخرى. ويمكن أن ينتج إجابة مفصلة ومقنعة لكنها خاطئة.

لا ينبغي قياس ذكاء النظام من خلال مدى سلاسة لغته فقط. اللغة المقنعة قد تخفي خطأً واقعياً أو استنتاجاً غير صحيح. لذلك تبقى مراجعة المعلومات البشرية مهمة في المجالات الحساسة.

ما الذي جعل الذكاء الاصطناعي الحديث مختلفاً

التعلم من البيانات على نطاق واسع

في الأنظمة القديمة كان جزء كبير من المعرفة يكتب يدوياً على شكل قواعد. أما النماذج الحديثة فتعتمد بدرجة كبيرة على استخراج الأنماط من البيانات.

القدرة الحاسوبية

أصبح تدريب النماذج الحديثة ممكناً بفضل بنى حاسوبية متخصصة وخدمات سحابية ومراكز بيانات كبيرة. وهو أمر لم يكن متاحاً بهذا الحجم للباحثين في بدايات المجال.

الخوارزميات الأكثر نضجاً

لم تكن الشبكات العصبية جديدة في القرن الحادي والعشرين. الفارق هو أن تقنيات التدريب والتحسين والبنية المعمارية أصبحت أكثر كفاءة مع تراكم عقود من البحث.

البيانات الرقمية الضخمة

الإنترنت وفر كمية هائلة من النصوص والصور والبيانات المختلفة. وهذه البيانات شكلت مادة تدريبية مهمة لعدد كبير من النماذج.

الإيجابيات التي ظهرت من رحلة الذكاء الاصطناعي

أظهر تاريخ الذكاء الاصطناعي أن الحوسبة قادرة على المساعدة في مجموعة واسعة من المهام. وقد استفادت مجالات مثل البحث العلمي والطب والهندسة وتحليل الصور والترجمة والتنبؤ والأتمتة من التطورات المتراكمة في المجال.

ومن المهم ألا ننظر إلى هذه الفوائد باعتبارها نتيجة لتقنية واحدة. كثير من تطبيقات الذكاء الاصطناعي الحالية هي نتيجة لعقود من التقدم في الإحصاء والبرمجة والعتاد والبيانات والاتصالات.

السلبيات والمخاطر التي ظهرت مع تطور الذكاء الاصطناعي

كل مرحلة تاريخية كشفت مشكلة جديدة. الأنظمة الخبيرة عانت من صعوبة تحديث المعرفة. نماذج التعلم الآلي احتاجت إلى بيانات جيدة. النماذج العميقة أصبحت أكثر تعقيداً في التفسير. والنماذج التوليدية يمكن أن تنتج معلومات غير صحيحة بثقة لغوية عالية.

كما ظهرت قضايا أخرى مثل التحيز في البيانات والخصوصية وأمن الأنظمة وحقوق المحتوى والتأثير على سوق العمل واستخدام الذكاء الاصطناعي في اتخاذ قرارات حساسة.

ولهذا فإن تاريخ الذكاء الاصطناعي ليس قصة نجاح تقني فقط. بل هو أيضاً تاريخ طويل من اكتشاف حدود التقنية ثم محاولة تجاوزها.

أهم الدروس التي يقدمها تاريخ الذكاء الاصطناعي

التوقعات الكبيرة لا تعني دائماً نتائج سريعة.
البيانات قد تكون مهمة بقدر أهمية الخوارزمية.
الذكاء المتخصص أسهل كثيراً من الذكاء العام.
نجاح نموذج في لعبة أو مهمة واحدة لا يثبت امتلاكه فهماً عاماً.
التطور التكنولوجي غالباً نتيجة تراكم طويل وليس قفزة مفاجئة فقط.
الأفكار القديمة قد تعود بقوة عندما تتغير الظروف التقنية.
اللغة السلسة ليست دليلاً كافياً على صحة المعلومات.
الإنجازات التاريخية في الذكاء الاصطناعي غالباً جاءت من تعاون علوم متعددة.

أسئلة شائعة عن تاريخ الذكاء الاصطناعي

متى بدأ تاريخ الذكاء الاصطناعي

يمكن الحديث عن جذور الذكاء الاصطناعي قبل ظهور اسمه بسنوات طويلة. أما عام 1956 فيعد محطة تأسيسية للمجال بوصفه مجالاً علمياً مستقلاً بسبب مشروع دارتموث. كما أن أعمال مكولوتش وبيتس عام 1943 ومقالة تورنغ عام 1950 سبقت هذه المرحلة ومهدت لها.

من اخترع الذكاء الاصطناعي

لا يوجد شخص واحد يمكن اعتباره مخترع الذكاء الاصطناعي كله. فقد شارك علماء رياضيات وحوسبة وأعصاب وفلسفة ولغة في بناء الأساس الفكري والتقني للمجال. ويعد جون مكارثي من أبرز الأسماء في تأسيس المجال وتسميته ضمن مشروع دارتموث مع مارفن مينسكي وناثانيال روتشستر وكلود شانون.

لماذا تعد سنة 1956 مهمة في تاريخ الذكاء الاصطناعي

لأن مشروع دارتموث الصيفي وضع مجموعة من المشكلات المتعلقة بالتعلم والاستدلال واللغة وحل المشكلات تحت مظلة بحثية واحدة حملت اسم الذكاء الاصطناعي. ولذلك أصبحت السنة مرجعاً أساسياً عند الحديث عن ولادة المجال الأكاديمي.

ما أول برنامج ذكاء اصطناعي

لا يوجد اتفاق بسيط على برنامج واحد باعتباره الأول على الإطلاق. فقد ظهرت في الخمسينيات برامج للعب الألعاب وحل المسائل وإثبات النظريات. والأدق تاريخياً هو الحديث عن سلسلة من البرامج المبكرة بدلاً من اختزال تاريخ المجال في برنامج واحد.

ما أول روبوت ذكي في التاريخ

يعد Shakey من أشهر المشاريع المبكرة في الروبوتات التي حاولت الجمع بين الإدراك والتخطيط والتنفيذ. لكنه لم يكن روبوتاً شبيهاً بالروبوتات الذكية التي تظهر في الأفلام. وكان مشروعاً بحثياً يختبر أفكار التخطيط والروبوتات المتحركة.

ما أول نظام محادثة في تاريخ الذكاء الاصطناعي

تعد ELIZA من أشهر الأنظمة المبكرة في هذا المجال. طُورت في الستينيات واستخدمت أساليب لغوية قائمة على القواعد لإنتاج استجابات حوارية. وكانت تجربة مهمة في دراسة التفاعل بين الإنسان والحاسوب.

متى ظهر التعلم الآلي

التعلم الآلي له جذور أقدم من الاسم نفسه. لكن آرثر صموئيل ارتبط بصورة مباشرة بترسيخ مصطلح Machine Learning في عام 1959 من خلال عمله على برنامج لعب الداما الذي يستطيع تحسين أدائه من خلال الخبرة.

متى بدأ التعلم العميق في الانتشار

الشبكات العصبية لها تاريخ طويل يعود إلى منتصف القرن العشرين. لكن الانتشار الواسع للتعلم العميق في صورته الحديثة تسارع بقوة في العقد الثاني من القرن الحادي والعشرين. وكان نجاح AlexNet عام 2012 محطة بارزة في هذا التحول.

لماذا يعد عام 2017 مهماً في تاريخ الذكاء الاصطناعي

لأن بحث Attention Is All You Need قدم بنية Transformer التي أصبحت لاحقاً أساساً للكثير من النماذج اللغوية الكبيرة والتطبيقات الحديثة لمعالجة اللغة.

هل ChatGPT هو أول ذكاء اصطناعي في التاريخ

بالتأكيد لا. ChatGPT هو نتيجة عقود طويلة من الأبحاث في الذكاء الاصطناعي والتعلم الآلي والشبكات العصبية ومعالجة اللغة والمحولات. أهم ما يميزه تاريخياً هو أنه جعل نموذج المحادثة التوليدي المتقدم تجربة جماهيرية واسعة.

هل الذكاء الاصطناعي الحالي هو نفسه الذكاء الاصطناعي القديم

المجال واحد من حيث الاسم العام لكنه تغير تقنياً بصورة هائلة. الذكاء الاصطناعي القديم استخدم القواعد والبحث والاستدلال الرمزي بصورة واسعة. أما الأنظمة الحديثة فتعتمد بدرجة أكبر على التعلم من البيانات والشبكات العصبية والتعلم العميق والمحولات والنماذج التوليدية.

هل وصل الذكاء الاصطناعي إلى ذكاء الإنسان الكامل

لا توجد إجابة علمية تسمح بالقول إن الأنظمة الحالية تساوي الإنسان في جميع جوانب الذكاء والفهم. الأنظمة الحديثة قوية جداً في مهام كثيرة لكنها لا تزال تعاني من أخطاء ومحدودية في بعض أنواع الاستدلال والموثوقية والفهم السياقي.

الخلاصة

تاريخ الذكاء الاصطناعي هو قصة بدأت قبل ظهور الاسم نفسه. من نموذج رياضي للخلايا العصبية عام 1943 إلى سؤال تورنغ عام 1950 ثم مشروع دارتموث عام 1956. ومن برامج الألعاب واللغة والروبوتات إلى الأنظمة الخبيرة. ومن فترات الشتاء إلى عودة الشبكات العصبية. ثم جاءت البيانات الضخمة والحوسبة الحديثة والتعلم العميق لتدفع المجال إلى مرحلة جديدة.

كان عام 2012 محطة بارزة مع نجاح AlexNet. وكان عام 2016 محطة لافتة مع AlphaGo. ثم جاء عام 2017 مع بنية Transformer التي غيرت مسار معالجة اللغة على نطاق واسع. وفي عام 2022 وصلت النماذج التوليدية الحوارية إلى الجمهور بصورة غير مسبوقة مع إطلاق ChatGPT.

وعندما ننظر إلى هذه الرحلة كاملة يظهر درس واضح. الذكاء الاصطناعي لم يظهر فجأة. ما نراه اليوم هو نتيجة تراكم أكثر من ثمانية عقود من الأفكار والتجارب والنجاحات والإخفاقات.

والسؤال الأهم الآن ليس متى بدأ الذكاء الاصطناعي فقط. بل ماذا يمكن أن نتعلم من تاريخه. الإجابة الواضحة هي أن التقدم الحقيقي لا يأتي من الانبهار وحده. بل من الجمع بين البحث العلمي والبيانات الجيدة والخوارزميات الفعالة والقدرة على فهم حدود التقنية.

كل نظام ذكاء اصطناعي حديث يحمل داخله شيئاً من تاريخ طويل بدأ بأفكار صغيرة حول المنطق والتعلم واللغة وكيف يمكن للآلة أن تتعامل مع العالم.

المراجع والمصادر

جميع حقوق النشر محفوظة لدى موقع بصمة غموض الاسرار.

Edit This Article