ما هي الذكاء الاصطناعي؟

تُستخدم الكلمة نفسها اليوم للإشارة إلى مدقّق إملائي، ومحرّك توصية، ونظام تشخيص طبي، ومولّد نصوص. هذه البرامج الأربعة لا تشترك تقريبًا في أي تقنية. عندما يغطي تعبيرٌ أشياء بهذا الاختلاف، ينتهي به الأمر إلى ألا يعني شيئًا — وهذه بالضبط المشكلة التي يواجهها من يحاول تقييم إعلان أو منتج أو عرض عمل يحتوي حروف «الذكاء الاصطناعي».

لهذا الالتباس تكلفة ملموسة. بلا مفردات دقيقة، يستحيل التمييز بين نظام يطبّق قواعد كتبها إنسان ونظام استنتج قواعده من آلاف الأمثلة. فالاثنان لا يخطئان بالطريقة نفسها، ولا يُصحَّحان بالطريقة نفسها، ولا يحملان المسؤولية نفسها. لا يصحّح المرء إحصائية كما يصحّح شرطًا if.

تثبّت هذه الدرس هذه المفردات. سنرى من أين جاء المصطلح، ولماذا تعارضت مدرستان بحثيتان ثلاثين عامًا قبل أن تتفوّق إحداهما، وكيف تتداخل التعبيرات الثلاثة الأكثر خلطًا — الذكاء الاصطناعي، وتعلّم الآلة، والتعلّم العميق — والأهم أين تقع اليوم الحدود الحقيقية لهذه الأنظمة.

هذه النقطة الأخيرة هي الأكثر فائدة. معرفة ما لا تستطيع تقنية فعله هو ما يميّز الممارس عن المتفرّج.

تعريف يصمد

لا يوجد تعريف وحيد ومتفق عليه للذكاء الاصطناعي. التعريف الذي يصمد أفضل أمام الاستخدام وظيفي: نتحدث عن ذكاء اصطناعي عندما ينجز برنامج مهمة لم يستطع أحد كتابة القاعدة الواجب تطبيقها لها، أو تكون تلك القاعدة أطول من أن تُحصى.

وُلد المصطلح عام 1956، في ورشة بحث صيفية نُظّمت في كلية دارتموث. جون مكارثي هو من صاغ عبارة artificial intelligence في مقترح التمويل المكتوب في السنة السابقة. قبل ست سنوات، عام 1950، نشر آلان تورنغ في مجلة Mind مقال «Computing Machinery and Intelligence»، الذي يتجاوز سؤال «هل تستطيع الآلة التفكير؟» ويستبدله ببروتوكول قابل للملاحظة: هل يستطيع محاور بشري التمييز كتابيًا بين آلة وشخص؟

هذا التحويل بارع لكن له أثرًا جانبيًا: يساوي الذكاء بإنتاج إجابات معقولة. وإنتاج المعقول أمر قابل للتحقيق تمامًا دون أي فهم.

# «وكيل محادثة» من عام 1966 في بضعة أسطر.
REGLES = {
    "bonjour": "Bonjour. De quoi voulez-vous parler ?",
    "je suis triste": "Depuis quand vous sentez-vous triste ?",
}

def repondre(phrase):
    return REGLES.get(phrase.lower().strip(), "Pouvez-vous reformuler ?")

print(repondre("Bonjour"))          # Bonjour. De quoi voulez-vous parler ?
print(repondre("je suis épuisé"))   # Pouvez-vous reformuler ?

التبادل الأول يبدو مقنعًا. والثاني يكشف الآلية: «je suis épuisé» قريبة جدًا من «je suis triste»، لكن القاموس لا يحتوي هذا المفتاح بالضبط، فيرتد البرنامج إلى عبارته الجاهزة. ليست لديه أي فكرة عن تقارب المعنى. هذا مبدأ ELIZA، البرنامج الذي كتبه جوزيف وايزنباوم في MIT عام 1966، والذي نسب إليه المستخدمون تلقائيًا فهمًا لم يكن لديه.

لهذا التعريف الوظيفي نتيجة طريفة تُعرف بـأثر الذكاء الاصطناعي: بمجرد حلّ مشكلة بشكل موثوق، نتوقف عن تسميتها ذكاءً اصطناعيًا. تعرّف الأحرف، وحساب المسارات، واكتشاف الاحتيال المصرفي أو لعبة الشطرنج كانت مواضيع ذكاء اصطناعي. وهي اليوم برمجيات. التعبير يشير دائمًا إلى الحدود المتحركة لما لا نعرف بعد فعله جيدًا.

مدرستان: كتابة القواعد أو التعلّم من الأمثلة

خلال الثلاثين سنة الأولى، كان الطريق السائد هو كتابة المعرفة صراحة. يُسمّى ذلك الذكاء الاصطناعي الرمزي: معرفة مجال تُرمَّز على شكل حقائق وقواعد منطقية، ومحرّك استدلال يسلسلها.

أنتجت هذه المقاربة نتائج حقيقية. الأنظمة الخبيرة في السبعينيات والثمانينيات، مثل MYCIN في ستانفورد لتشخيص العدوى البكتيرية، بلغت في مجالها الضيّق جودة مماثلة لمتخصصين بشريين. عام 1997، هزم برنامج Deep Blue بطل العالم غاري كاسباروف في الشطرنج، أساسًا باستكشاف شجرة اللعب ودالة تقييم مكتوبة يدويًا: بلا أي تعلّم.

عائقان أوقفا هذا الطريق. أولًا الانفجار التوافقي: عدد القواعد اللازمة ينمو أسرع بكثير من التغطية المحققة. ثم عنق زجاجة اكتساب المعرفة: يلزم خبير بشري متاح قادر على تصريح ما يعرفه. للتعرّف على قطّة في صورة، لم ينجح أحد قط في كتابة تلك القواعد — لأن أحدًا لا يعرف كيف يفعل ذلك بنفسه.

المدرسة الأخرى تعكس المشكلة: بدل كتابة القاعدة، نقدّم أمثلة ونترك خوارزمية تضبط القاعدة.

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

messages = [
    "gagnez 1000 euros maintenant",
    "cliquez ici pour recevoir votre cadeau",
    "reunion projet demain 14h",
    "compte rendu de la reunion en piece jointe",
]
etiquettes = [1, 1, 0, 0]          # 1 = غير مرغوب، 0 = مشروع

# كل رسالة تصبح متجهًا لعدّ الكلمات.
vectoriseur = CountVectorizer()
X = vectoriseur.fit_transform(messages)

modele = MultinomialNB().fit(X, etiquettes)

# جملة لم تُرَ من قبل، مكوَّنة من كلمات رُئيت في الرسائل غير المرغوبة.
nouveau = vectoriseur.transform(["gagnez votre cadeau maintenant"])
print(modele.predict(nouveau))     # [1]
print(len(vectoriseur.vocabulary_))  # 21

لم يكتب أحد القاعدة «إذا احتوت الرسالة على gagnez وcadeau فهي غير مرغوبة». استُنتجت من العدّ. الرقم الذي يُحفظ هو الأخير: أربع رسائل تنتج أصلًا 21 كلمة مفردات. على مجموعة واقعية من عشرات الآلاف من الرسائل، تبلغ المفردات عشرات الآلاف من المدخلات، والنموذج يوزّن كلًّا منها. كتابة هذه الأوزان يدويًا ليست صعبة: إنها مستحيلة.

سيكون من غير النزيه استنتاج أن المقاربة الرمزية قد دُحضت. فهي حيّة جدًا حيث الضمان أهم من المرونة: حلّال القيود، والتخطيط، والتحقق الشكلي من البرمجيات، ومحرّكات قواعد الأعمال. نظام إنتاج غالبًا ما يجمع الاثنين — نموذج متعلَّم للإدراك، وقواعد صريحة للقرارات الواجب تبريرها.

الذكاء الاصطناعي، تعلّم الآلة، التعلّم العميق

هذه التعبيرات الثلاثة ليست مرادفات. إنها تتداخل.

┌──────────────────────────────────────────────────────┐
│ INTELLIGENCE ARTIFICIELLE                            │
│ Faire accomplir à une machine une tâche dont la      │
│ règle n'est pas écrite. Inclut la logique, la        │
│ recherche dans un arbre, les systèmes experts.       │
│                                                      │
│   ┌──────────────────────────────────────────────┐   │
│   │ APPRENTISSAGE AUTOMATIQUE (machine learning) │   │
│   │ La règle est ajustée à partir de données.    │   │
│   │ Régression, arbres, forêts, SVM, bayésien.   │   │
│   │                                              │   │
│   │   ┌──────────────────────────────────────┐   │   │
│   │   │ APPRENTISSAGE PROFOND (deep learning)│   │   │
│   │   │ Réseaux de neurones à nombreuses     │   │   │
│   │   │ couches. Images, texte, son.         │   │   │
│   │   └──────────────────────────────────────┘   │   │
│   └──────────────────────────────────────────────┘   │
└──────────────────────────────────────────────────────┘

قراءة المخطط تُتحقق على حالات ملموسة:

السطر الأخير يستحق الانتباه: يمكن لبرنامج أن يكون معقّدًا ومؤتمتًا ومفيدًا دون أن يندرج تحت الذكاء الاصطناعي. إذا كانت القاعدة مكتوبة ومعروفة، فهو برمجية.

التحول نحو التعلّم العميق له تاريخ مرجعي: عام 2012، فازت شبكة التفافية تُدعى AlexNet بمسابقة تعرّف الصور ImageNet بمعدل خطأ top-5 حوالي 15٪، مقابل حوالي 26٪ لأفضل طريقة منافسة. فجوة بهذا الحجم، في مسابقة راسخة، أعادت توجيه المجال في أشهر قليلة. الأفكار لم تكن جديدة مع ذلك: بيرسبترون فرانك روزنبلات يعود إلى 1957، والانتشار العكسي شُهّر عام 1986. ما تغيّر هو كمية البيانات المُعلَّمة المتاحة وقوة حساب البطاقات الرسومية.

شتاءان، وما يعلّمانه

تاريخ الذكاء الاصطناعي ليس تقدّمًا مستمرًا. يتناوب بين مراحل حماس وتمويل وفير ووعود علنية، ومراحل خيبة تُسمّى شتاءات الذكاء الاصطناعي، حيث تنهار الميزانيات والاهتمام.

درسان ينبثقان من هذه الدورة، وهما مفيدان مباشرة اليوم.

الأول أن الشتاءات تلت وعودًا مؤرّخة لم تُوفَ، لا إخفاقات تقنية. استمرّت أعمال البحث خلال الشتاءين؛ ما انهار هو مصداقية إعلانات شديدة الدقة عن جداول زمنية. درس في النظافة الفكرية: الحذر يتعلق بالتواريخ والآجال، نادرًا بالاتجاه.

الثاني أن الصعوبة لا تتوزّع كما تقترح الحدس. المهام التي يجدها البشر صعبة ومرموقة — لعب الشطرنج، تكامل دالة، حفظ قاعدة بيانات — تبيّن أنها الأسهل للأتمتة. المهام التي يتقنها أي طفل — التعرّف على كائن مخفي جزئيًا، إمساك كوب، فهم تعليمات ضمنية — قاومت عقودًا. هذا الانعكاس، الذي يُسمّى غالبًا مفارقة مورافيك، يتنبّأ بإمكانية مشروع أفضل من أي حدس عن «تعقيد» ظاهر لمهمة.

ما لا يستطيع الذكاء الاصطناعي فعله

نموذج متعلَّم ليس لديه معرفة بالعالم: لديه انتظام إحصائي مستخرج من عيّنة. كل ما يخرج من هذه العيّنة خارج نطاق صلاحيته، ولا شيء في النموذج يشير إلى هذا التجاوز.

import numpy as np
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression

iris = load_iris()   # 150 زهرة، 4 قياسات، 3 أنواع
modele = LogisticRegression(max_iter=200).fit(iris.data, iris.target)

# أبعاد لا تطابق أي سوسن: أقرب إلى دوار الشمس.
absurde = np.array([[40.0, 25.0, 60.0, 15.0]])
print(modele.predict(absurde))                 # [2]
print(modele.predict_proba(absurde).round(3))  # [[0. 0. 1.]]

يجيب النموذج «virginica»، باحتمال مقّرب إلى 1. ليس لديه أي آلية للإجابة «هذا الشيء لا يشبه شيئًا مما رأيت». تعلّم تقسيم فضاء القياسات إلى ثلاث مناطق، وكل نقطة تقع بالضرورة في منطقة. احتمال مرتفع يقيس الموقع في هذا التقسيم، لا موثوقية الإجابة.

ثلاث حدود أخرى، بنيوية لا عرضية:

• لا سببية. النموذج يلتقط ارتباطات. إذا تعلّم أن وجود المظلات يتنبّأ بالمطر، فسيتنبّأ بشكل صحيح دون أن يستطيع القول إن إزالة المظلات لن تغيّر الطقس. التمييز بين الارتباط والسببية يطلب إما تدخلًا تجريبيًا أو فرضيات تُضاف من الخارج.
• لا هدف خاص به. النموذج يحسّن الكمية التي أُعطيت له لتحسينها. نظام توصية دُرّب على تعظيم الوقت المستغرق سيعظّم الوقت المستغرق، بما في ذلك بوسائل لم يتوقعها أحد.
• لا تحقق مما يُنتَج. نموذج لغة يُدرَّب على إنتاج سلسلة كلمات معقولة، لا سلسلة صحيحة. هذه آلية ما يُسمّى الهلوسة، التي سنفكّكها قطعة قطعة في درس معالجة اللغة.

وأخيرًا، الفجوة الأكثر شيوعًا في الممارسة ليست تقنية بل في الصياغة:

كل سطر في هذا الجدول مشروع حقيقي فشل. لا أحد منها عيب خوارزمية: إنها أخطاء هدف، وتُصحَّح قبل الكود.

ما يجب تذكّره

• نتحدث عن ذكاء اصطناعي عندما ينجز برنامج مهمة لم تُكتب قاعدتها صراحة. الحدود تتحرك: ما يعمل بشكل موثوق ينتهي باسم «برمجية».
• مدرستان تتعايشان: كتابة القواعد (ذكاء اصطناعي رمزي، أنظمة خبيرة، حلّالات) وجعلها تُستنتج من البيانات (تعلّم الآلة). الثانية تهيمن منذ التسعينيات، والأولى تبقى ضرورية عندما يلزم الضمان والتبرير.
• المصطلحات الثلاثة تتداخل: التعلّم العميق جزء من تعلّم الآلة، وهو نفسه جزء من الذكاء الاصطناعي. ليس كل نظام ذكاء اصطناعي يتعلّم، وليس كل برمجية مؤتمتة ذكاءً اصطناعيًا.
• نموذج متعلَّم لا يعرف إلا عيّنته. يجيب بنفس الثقة داخل نطاق صلاحيته وخارجه، واحتمال مرتفع ليس ضمانة للصحة.
• الفشل الأكثر شيوعًا يأتي من اختيار الكمية المحسَّنة، لا من الخوارزمية: الآلة تبلغ بالضبط الهدف الذي حُدّد لها، حتى عندما لم يكن ذلك ما أردناه.