أموالي منصة الناشرين أموالي منصة الناشرين Write · Publish · Grow
Business Automation

الذكاء الاصطناعي وتعلّم الآلة: شرح مبسّط للمبتدئين

الذكاء الاصطناعي مجال يجعل الحواسيب تنفذ مهامًا تتطلب عادةً قدرات بشرية، وتعلّم الآلة أحد أساليبه التي تتعلم من البيانات. قد يقترح هاتفك كلمة لإكمال رسالة، فيبدو كأنه يفهم مقصدك، لكنه يعالج أنماطًا تعلمها من أمثلة. الفرق الأساسي أن الذكاء الاصطناعي مجال أوسع،

FhjhfFhjhfAuthor 19 min read 0.00 reviews
الذكاء الاصطناعي وتعلّم الآلة: شرح مبسّط للمبتدئين

الذكاء الاصطناعي وتعلّم الآلة: شرح مبسّط للمبتدئين

الذكاء الاصطناعي وتعلّم الآلة

الذكاء الاصطناعي مجال يجعل الحواسيب تنفذ مهامًا تتطلب عادةً قدرات بشرية، وتعلّم الآلة أحد أساليبه التي تتعلم من البيانات. قد يقترح هاتفك كلمة لإكمال رسالة، فيبدو كأنه يفهم مقصدك، لكنه يعالج أنماطًا تعلمها من أمثلة. الفرق الأساسي أن الذكاء الاصطناعي مجال أوسع، بينما تعلّم الآلة طريقة تعتمد على البيانات.

هذا شرح مبسط للمبتدئين يساعدك على فهم مفاهيم تقنية أساسية من دون خلفية برمجية. ستتعرف إلى المصطلحات التي تصادفها في الأخبار والأدوات، وكيف تميّز بين مهمة يؤديها النظام والنتيجة التي ينتجها. النموذج هو ناتج تدريب خوارزمية على البيانات، ويُستخدم لإنتاج توقعات أو محتوى. هذا دليل للمبتدئين يضع الفكرة العملية قبل التفاصيل التقنية.

أهم النقاط

  • الذكاء الاصطناعي اسم لمجال أوسع من تعلّم الآلة.
  • تعلّم الآلة يستفيد من أمثلة البيانات لإنتاج نموذج.
  • التعلّم العميق يستخدم شبكات عصبية متعددة الطبقات.
  • الذكاء الاصطناعي التوليدي ينشئ محتوى جديدًا وفق أنماط تعلمها.
  • نتائج النظام تعتمد على المهمة والبيانات وطريقة تقييمه.

يكفي لفهم أي تطبيق أن تسأل ما المهمة التي يؤديها، وما البيانات التي يعتمد عليها.

الذكاء الاصطناعي في الحياة اليومية

قد يحسب برنامج شطرنج الحركات التالية وفق قواعد مبرمجة من دون أن يتعلم من المباريات السابقة. يدخل هذا النوع ضمن الذكاء الاصطناعي لأن النظام ينفذ مهمة ترتبط عادةً بالتفكير، لكن ذلك لا يعني أن كل نظام ذكي يتعلم من البيانات. التعلّم ليس شرطًا لكل تطبيق في هذا المجال.

الذكاء الاصطناعي يشمل أنظمة تتعلم وأنظمة تنفذ قواعد صممها البشر. صاغ جون مكارثي مصطلح الذكاء الاصطناعي في مقترح ورشة دارتموث عام 1955، ثم عُقدت الورشة في صيف 1956. ومن أمثلة البرامج التي تنفذ مهامًا ذكية وفق خطوات محددة:

  • برنامج شطرنج يبحث في الحركات المحتملة ويختار بينها.
  • نظام خبير يطبق قواعد معرفة لتقديم توصية في مجال محدد.
  • برنامج ملاحة يحسب أقصر طريق بين موقعين.

قد يكون البرنامج قائمًا على قواعد مكتوبة ويُعد ذكاءً اصطناعيًا، حتى إن لم يتعلم من المباريات أو الاستخدام.

تعمل الأنظمة الخبيرة وفق تعليمات صاغها أشخاص لمجال بعينه، وقد تكون نافعة حين تكون القواعد واضحة. أما الملاحة فتجمع بين بيانات الطريق وخوارزميات البحث لاختيار مسار مناسب. لذلك لا يكشف اسم التقنية وحده كيف يعمل النظام داخليًا.

عند وصف نظام بأنه ذكي، اسأل هل يتعلم من أمثلة أم يتبع قواعد محددة مسبقًا.

الفرق بين الذكاء الاصطناعي وتعلّم الآلة

https://www.youtube.com/watch?v=2V_TLEW34cg

تخيّل دوائر متداخلة: الذكاء الاصطناعي هو الدائرة الأوسع، وداخلها تعلّم الآلة، ثم التعلّم العميق. ليست المصطلحات مترادفة، بل يصف كل منها نطاقًا مختلفًا. كل حل يستخدم تعلّم الآلة يقع ضمن الذكاء الاصطناعي، لكن بعض حلول الذكاء الاصطناعي لا تستخدم تعلّم الآلة.

الخوارزمية هي خطوات الحل، أما النموذج فهو الناتج بعد تدريب الخوارزمية على البيانات. فإذا استخدمت الخوارزمية أمثلة لرسائل مصنفة، فقد تنتج نموذجًا يتوقع إن كانت رسالة جديدة مزعجة. هذه التفرقة تشرح لماذا لا تعني كلمة «خوارزمية» الشيء نفسه الذي تعنيه كلمة «نموذج».

المفهومموقعه في العلاقةهل يتعلم من البيانات؟مثال
الذكاء الاصطناعيالمجال الأوسعليس دائمًابرنامج شطرنج قائم على البحث
تعلّم الآلةفرع من الذكاء الاصطناعينعم، أثناء التدريبتصنيف الرسائل المزعجة
التعلّم العميقفرع من تعلّم الآلةنعم، عبر شبكات عصبية متعددة الطبقاتالتعرّف على عناصر في صورة

التعلّم العميق جزء من تعلّم الآلة، ويعتمد على شبكة عصبية ذات طبقات متعددة. وقد يُستخدم عندما تتطلب المهمة استخراج أنماط معقدة من البيانات. لا يلزم أن يتعلم كل جزء من المنتج بالطريقة نفسها، لأن المنتج الواحد قد يضم أدوات بحث وقواعد ونماذج مدرّبة.

لذلك يفيد السؤال عن الجزء الذي يتعلم من البيانات أكثر من إطلاق حكم واحد على منتج كامل. فقد يستخدم تطبيق الذكاء الاصطناعي نموذجًا لتوقع كلمة، وقواعد للتحقق من تنسيقها، ثم خطوات أخرى لعرضها للمستخدم.

إذا لم يتعلم جزء من النظام من البيانات، فلا تصفه بتعلّم الآلة لمجرد أنه ينفذ مهمة ذكية.

أنماط تعلّم الآلة من البيانات

يعتمد اختيار نمط تعلّم الآلة على نوع الأمثلة المتاحة وعلى الإشارة التي يتلقاها النموذج أثناء التدريب. إذا كانت المهمة تقدير كمية المطر، فالنموذج يتوقع رقمًا؛ أما فرز رسالة بريد إلى مزعجة أو غير مزعجة فيتوقع فئة. نوع النتيجة المطلوبة يساعد على تحديد الطريقة المناسبة.

الإجابات المصنفة تناسب التعلّم الخاضع للإشراف، والبيانات غير المصنفة تناسب البحث عن الأنماط. أما التعلّم المعزّز فيعتمد على نتائج الأفعال، مثل المكافآت أو العقوبات. لكل نمط استخداماته وحدوده، ولا يختار الفريق اسم الطريقة بمعزل عن طبيعة المهمة.

التعلّم الخاضع للإشراف والإجابات المعروفة

في التعلّم الخاضع للإشراف تكون بيانات التدريب مصنّفة، أي تحتوي أمثلة وإجابات صحيحة معروفة. يتعلم النموذج العلاقة بين خصائص المثال والنتيجة المطلوبة، ثم يستخدمها لتقدير نتيجة حالة جديدة. إذا كان الهدف توقع كمية المطر، يتدرب على بيانات مرتبطة بكميات سابقة.

يُسمى توقع قيمة رقمية انحدارًا، مثل تقدير كمية الأمطار. أما التصنيف فيختار فئة من فئات محددة، مثل «مزعجة» أو «غير مزعجة» لرسالة بريد. تعتمد جودة المثالين على صحة الإجابات التي أُرفقت ببيانات التدريب.

التعلّم غير الخاضع للإشراف واكتشاف المجموعات

في التعلّم غير الخاضع للإشراف لا تأتي البيانات مع إجابة مصنفة لكل مثال. يبحث النظام عن أوجه تشابه أو اختلاف تساعد على ترتيب العناصر في مجموعات. قد يحلل بيانات عملاء ليجمع أشخاصًا ذوي أنماط شراء متقاربة، أو يكتشف أنماطًا متكررة في بيانات الطقس.

من الأخطاء الشائعة الاعتقاد أن النموذج يعرف معنى المجموعة التي كوّنها. هو يميز أن أمثلة معينة تتشابه وفق البيانات والقياس المستخدم، لكنه لا يقرر وحده أن هذه المجموعة تمثل مثلًا «عملاء مهتمين بالخصومات». يحتاج الإنسان إلى تفسير النتيجة ضمن سياقها.

التعلّم المعزّز والتعلّم من نتائج الأفعال

يتعلم النظام في التعلّم المعزّز عبر اختيار أفعال وملاحظة نتائجها. تمنح بيئة التدريب مكافأة على نتيجة مرغوبة أو عقوبة على نتيجة غير مرغوبة، فيعدّل النظام اختياراته مع تكرار المحاولات. بهذه الطريقة تعلّم AlphaGo لعبة Go، مستخدمًا المكافآت والعقوبات لتحسين قراراته.

لا يقدم هذا النمط الإجابة الصحيحة لكل خطوة بالطريقة نفسها التي يقدمها التدريب المصنف. ما يتلقاه النظام هو إشارة إلى أثر قراراته، وقد يتطلب الوصول إلى نتيجة جيدة محاولات كثيرة. يحدد تصميم المكافأة ما إذا كان السلوك المتعلم يخدم الهدف المقصود.

اختر نوع التعلّم بناءً على توافر الإجابات الصحيحة أو المكافآت، لا على اسم الخوارزمية وحده.

التعلّم العميق والشبكات العصبية

شبكة عصبية تحلل حواف صورة وجه في التعلّم العميق

عند تمرير صورة وجه إلى شبكة عصبية، يمكن للطبقات أن تلتقط سمات بسيطة ثم تجمعها لتمثيل أكثر تركيبًا. المعالجة تتدرج من تفاصيل الصورة إلى نمط يمكن أن يساعد على التعرّف على وجه. التعلّم العميق يستخدم شبكات عصبية متعددة الطبقات لمعالجة هذا النوع من العلاقات.

تتكون الشبكة العصبية من طبقة إدخال وطبقة إخراج وطبقة مخفية واحدة أو أكثر. تنتقل البيانات بين هذه الطبقات، وتُضبط الأوزان التي تربطها خلال التدريب. هذا وصف مبسط لطريقة معالجة المعلومات، وليس دليلًا على أن الشبكة تفكر مثل الإنسان.

طبقات الشبكة العصبية

تستقبل طبقة الإدخال بيانات المهمة، مثل قيم البكسلات في صورة. قد تتعلم الطبقات المخفية اكتشاف اختلافات بسيطة في البداية، كالحواف والخطوط. ثم تجمع الطبقات التالية هذه السمات في أشكال أكثر تركيبًا، مثل أجزاء الوجه.

تنتج طبقة الإخراج النتيجة المطلوبة، كاختيار فئة أو إعطاء درجة احتمالية. في مثال التعرّف على الصور، قد تشير النتيجة إلى أن الصورة تحتوي وجهًا، أو إلى تطابقها مع صورة مرجعية. يحدد إعداد النموذج والبيانات ما يمكن للنتيجة التعبير عنه.

ما الذي تعنيه كلمة «عميق»؟

تعني كلمة «عميق» وجود طبقات مخفية متعددة ضمن الشبكة العصبية. هذه الطبقات تتيح للنموذج تمثيل علاقات أكثر تركيبًا، لكنها تحتاج إلى بيانات وحسابات مناسبة. زيادة الطبقات ليست هدفًا بحد ذاتها، ولا تجعل كل مهمة أفضل تلقائيًا.

وقد تتأثر النتيجة بجودة الصور، وبكيفية جمع أمثلة التدريب، وبالاختلاف بين صور التدريب والصور التي يواجهها النظام لاحقًا. لهذا قد ينجح النموذج مع صور واضحة ويفشل أمام إضاءة مختلفة أو زاوية غير مألوفة. فالتعرّف على الصور يظل قياسًا لمهمة محددة.

تذكّر أن زيادة عدد الطبقات لا تضمن وحدها نتيجة صحيحة أو فهمًا بشريًا.

مراحل بناء نموذج تعلّم الآلة

يبدأ مشروع توقع عملي بتحديد البيانات المتاحة والنتيجة التي يحتاج الفريق إلى توقعها. السؤال المحدد يمنع جمع بيانات لا تخدم المهمة، ويساعد على اختيار طريقة مناسبة. يتكون سير العمل عادةً من سبع مراحل، من جمع البيانات وصولًا إلى نشر النموذج ومراقبته.

اختبار النموذج على بيانات لم يرها من قبل ضروري لتقدير أدائه خارج التدريب. يبدأ الفريق بجمع البيانات، ثم يختار الخوارزمية، ويعد البيانات، ويدرّب النموذج، ويقيّم الأداء، ويضبط المعلمات، ثم ينشره. لا تعني هذه المراحل أن كل مشروع يحتاج النوع نفسه من البيانات أو الموارد.

إعداد البيانات واختيار الخوارزمية

تبدأ العملية بجمع بيانات مناسبة للسؤال، ثم فحصها وتنظيفها من الأخطاء والتكرار والقيم غير الملائمة. فإذا أراد فريق توقع الطلب، يجب أن تمثل البيانات ظروفًا قريبة من الحالات التي سيواجهها النموذج. البيانات الناقصة أو المنحازة قد تعطي صورة مضللة عن المهمة.

بعد ذلك يختار الفريق الخوارزمية بحسب نوع النتيجة المطلوبة والبيانات المتاحة. يختلف اختيار نموذج لتوقع رقم عن اختيار نموذج لتصنيف فئة. اختيار الخوارزمية لا يعوض عن بيانات ضعيفة، كما أن البيانات المنظمة تسهّل مقارنة النتائج.

التدريب والاختبار والتحسين

في مرحلة التدريب، يستخدم الفريق بيانات التدريب كي يضبط النموذج على الأنماط المطلوبة. ثم يقيس الأداء على بيانات منفصلة لم تدخل في التدريب. قد تشمل المقاييس الدقة والاستدعاء، ويعبر كل منهما عن جانب مختلف من جودة التوقعات.

الدقة تقيس نسبة التوقعات الإيجابية الصحيحة من جميع التوقعات الإيجابية، بينما يقيس الاستدعاء نسبة الحالات الإيجابية التي عثر عليها النموذج. يختار الفريق المقياس الأهم وفق تكلفة الخطأ في المهمة. وقد يضبط المعلمات، أي إعدادات التدريب، ثم يعيد التقييم لمقارنة النسخ.

تقييم النموذج على بيانات التدريب وحدها خطأ شائع، لأن النموذج قد يحفظ أمثلتها بدل أن يتعلم نمطًا قابلًا للتعميم. ولهذا لا تكفي نتيجة مرتفعة على تلك البيانات لإثبات نجاحه في مواقف جديدة. تظل مجموعة الاختبار منفصلة عن عملية التدريب.

النشر ومراقبة الأداء

بعد التقييم والتحسين، ينشر الفريق النموذج داخل خدمة أو تطبيق. عندها تبدأ مرحلة استخدامه مع بيانات واقعية، وقد تختلف هذه البيانات عن أمثلة التدريب. لذلك يراقب الفريق الأداء، ويراجع الأخطاء، ويحدد إن كان النموذج يحتاج إلى تحديث أو إعادة تدريب.

تساعد المراقبة على اكتشاف تغير ظروف المهمة، مثل اختلاف نوع المدخلات أو ظهور أنماط جديدة. وتوثيق نسخ النموذج ونتائج اختباره يجعل المقارنة بين التحديثات أوضح. لا ينتهي العمل لحظة إطلاق النموذج، لأن جودة التوقع تعتمد على ظروف الاستخدام أيضًا.

قبل الاعتماد على النموذج، اختبره على بيانات جديدة وراقب أداءه بعد نشره.

قدرات الذكاء الاصطناعي التوليدي وحدوده

ارتفع نجاح وكلاء الذكاء الاصطناعي في اختبار مهام حاسوبية منظّمة إلى نحو 66%، لكنهم ما زالوا يفشلون في نحو محاولة من كل 3. هذا الفرق مهم عند قراءة أخبار الأداء، لأن نتيجة اختبار محدد لا تثبت أن النظام ينجز كل مهمة في الواقع. النماذج التوليدية تتعلم أنماط بياناتها كي تنتج محتوى جديدًا.

درجة الاختبار تقيس أداءً في شروط معينة، لا قدرة مطلقة على إنجاز العمل. تُستخدم بنية Transformer على نطاق واسع في النماذج اللغوية الكبيرة، التي تتعامل مع اللغة وتولد نصوصًا. وقد تنتج النماذج أيضًا صورًا أو مقاطع فيديو أو رموزًا برمجية وفق صيغة المهمة.

إنشاء النصوص والصور والوسائط

تتعلم النماذج التوليدية انتظامات في أمثلة التدريب، ثم تنتج مخرجات جديدة استجابةً للمدخلات. يمكن أن تأخذ المدخلات أو المخرجات أشكالًا مختلفة:

  • نص إلى نص، مثل صياغة إجابة أو تلخيص فقرة.
  • نص إلى صورة، مثل إنشاء مشهد مرئي من وصف.
  • نص إلى فيديو، مثل إنتاج مقطع قصير من تعليمات.
  • نص إلى رمز، مثل كتابة مقطع برمجي.
  • صورة إلى نص، مثل وصف محتوى صورة.

تتغير القدرات بسرعة، لكن أداء المهام الواقعية لا يساوي دائمًا نتيجة المختبر. ارتفع أداء النماذج في SWE-bench Verified من 60% إلى ما يقارب 100% خلال سنة. يقيس هذا الاختبار حل مشكلات برمجية محددة، ولا يغطي وحده كل جوانب تطوير البرمجيات.

ما الذي تقيسه اختبارات النماذج؟

في مارس 2026، تقدم أفضل نموذج لدى Anthropic على أفضل نموذج أمريكي آخر بنسبة 2.7% على مقياس أداء النماذج الأمريكية والصينية. وفي OSWorld، ارتفع نجاح الوكلاء من 12% إلى نحو 66%، مع فشلهم في نحو محاولة واحدة من كل ثلاث محاولات منظّمة.

في نوفمبر 2026، سجلت النماذج التالية نتائج BenchAlign مع نطاقات عدم يقين مختلفة:

النموذجالدرجةنطاق عدم اليقين
Claude Fable 5.293.2فاصل 90% من 88.4 إلى 97.9
GPT-6.2 Astra91.1نطاق مشروط من 84.7 إلى 97.4
Gemini 4 Carbon88.1فاصل 90% من 84.0 إلى 92.1

يتتبع BenchLM أكثر من 1,033 نموذجًا عبر 819 اختبارًا، وصنّف 214 نموذجًا في نوفمبر 2026. كما أنتجت الصناعة أكثر من 90% من النماذج المتقدمة البارزة في 2025. تختلف الاختبارات في أهدافها وطريقة احتسابها، لذلك لا تقارن درجاتها كأنها مقياس واحد.

اقرأ كل درجة ضمن الاختبار والنطاق اللذين قِيست بهما، لا بوصفها ترتيبًا مطلقًا للقدرة.

تطبيقات عملية في العمل والاستخدام اليومي

حين يقترح متجر منتجًا بناءً على سلوك التصفح أو الشراء، فهو يستخدم نمطًا من تحليل البيانات لتخصيص التوصية. تبدأ المهمة بالمدخلات، مثل السجل أو الصورة، ثم تنتج توقعًا أو تصنيفًا أو محتوى. وتختلف التقنية الغالبة بحسب نوع البيانات والنتيجة المطلوبة.

تظهر تطبيقات الذكاء الاصطناعي في مهام محددة، لا في اسم التقنية وحده. يوضح الجدول أمثلة من العمل والاستخدام اليومي، مع المدخلات والمهمة الأساسية لكل تطبيق. قد يجمع التطبيق الواحد أكثر من طريقة لمعالجة البيانات.

التطبيقنوع المدخلاتالمهمة أو التقنية الغالبة
فلتر البريد المزعجنص الرسالة والمرسلتصنيف الرسالة مزعجة أو عادية
توصيات المنتجاتالتصفح والشراء والتقييماتتقدير المنتجات التي قد تهم المستخدم
توقع الطقسدرجات الحرارة والرياح والضغطتوقع قيمة أو حالة جوية
تحليل الصور الطبيةصور MRI والأشعة السينية وCTاكتشاف أنماط في الصور الطبية
مساعد توليدي للنصوصتعليمات مكتوبةتوليد نص باستخدام نموذج لغوي

قد تساعد أدوات تحليل الصور الطبية في ملاحظة أنماط داخل صور MRI والأشعة السينية وCT. لكنها لا تحل محل القرار الطبي، إذ يحتاج المختص إلى النظر في الصورة مع المعلومات السريرية وسياق المريض. تظل النتيجة دعمًا للتحليل، لا تشخيصًا مستقلًا.

تستطيع أدوات مثل ChatGPT وGemini وClaude توليد النصوص، بينما تستخدم تقنيات التعلّم العميق في التعرّف على الكلام والصور. وقد يظهر تعلّم الآلة في اكتشاف الاحتيال، حين يفحص النظام معاملات بحثًا عن أنماط غير معتادة. وتختلف دلالة النمط باختلاف البيانات والهدف.

في كل مثال، حدّد المدخل الذي يحلله النظام والنتيجة التي ينتجها قبل أن تسمي التقنية.

المخاطر والحوكمة وحقوق النشر

https://www.youtube.com/watch?v=0I9qt2YQlvM

ارتفعت حوادث الذكاء الاصطناعي الموثّقة إلى 362 في تقرير 2026، مقارنةً بـ233 في 2024، وهو ما يجعل إدارة المخاطر جزءًا عمليًا من استخدام هذه الأنظمة. التوثيق والمراجعة يساعدان على فهم مواضع الخطأ والمسؤولية. تختلف الأطر الطوعية عن التوجيهات الحكومية الملزمة أو التنفيذية.

وجود إطار لإدارة المخاطر لا يعني وحده أن كل استخدام آمن أو قانوني. صدر إطار NIST AI RMF 1.0 للاستخدام الطوعي في 26 يناير 2023، ثم صدر ملف مخاطر الذكاء الاصطناعي التوليدي NIST-AI-600-1 في 26 يوليو 2024. وفي 2026 كان الإطار قيد المراجعة.

إدارة المخاطر والمعايير الحكومية

أصدر NIST تقريرًا عن تقييم فاعلية معايير الذكاء الاصطناعي في 15 يناير 2026، ثم مذكرة مفاهيمية للبنية التحتية الحيوية في 7 أبريل 2026. وفي 29 يوليو 2026 أصدر مسودة إرشادات لتوثيق الذكاء الاصطناعي الموجّه للجمهور، وحدد 16 سبتمبر 2026 موعدًا للنظر في التعليقات.

وجّه الأمر التنفيذي الأمريكي 14409 الصادر في 2 يونيو 2026 إلى قياس القدرات السيبرانية المتقدمة وتحديد عتبة «النموذج المتقدم المشمول». لم ينشئ الأمر شرط ترخيص أو موافقة حكومية إلزامية لتطوير النماذج أو نشرها أو توزيعها. كما وجّه وزارات الخزانة والحرب والأمن الداخلي إلى إنشاء مركز لتنسيق فحص ثغرات البرمجيات والتحقق منها وترتيب إصلاحها بالتعاون الطوعي.

يمكن للفِرق تقليل المخاطر العملية عبر ممارسات واضحة:

  • التحقق من ملاءمة الاستخدام للمهمة والبيانات المتاحة.
  • مراجعة المخرجات عالية الأثر بشريًا قبل اتخاذ القرار.
  • توثيق حدود النظام والحالات التي قد يخطئ فيها.

التأليف البشري واستخدام الأعمال المحمية

في 2 مارس 2026، أبقت المحكمة العليا الأمريكية على اشتراط التأليف البشري لحماية العمل بحقوق النشر. وفي قضية Thomson Reuters ضد Ross Intelligence، لم يُعد استخدام ملاحظات Westlaw لتدريب أداة بحث قانوني استخدامًا عادلًا في ملخص الحكم، وكانت القضية قيد الاستئناف أمام الدائرة الثالثة.

في Bartz ضد Anthropic، عُدّ تدريب الذكاء الاصطناعي على كتب محمية استخدامًا عادلًا، بينما لم يُعد تخزين النسخ المقرصنة كذلك. ثم سُوّيت القضية مقابل 1.5 مليار دولار، مع دفعة مقدّرة بنحو 3,000 دولار لكل عمل. يوضح ذلك أهمية التمييز بين استعمال العمل في التدريب والاحتفاظ بنسخة مقرصنة.

في Kadrey ضد Meta، رُفضت جزئيًا مطالبات الاستخدام العادل المتعلقة بتدريب Llama، بينما ظلت مطالبات إعادة إنتاج أعمال مقرصنة خلال التورنت قائمة. تختلف الوقائع والطلبات القانونية بين القضايا، ولا تنتج منها قاعدة واحدة تغطي كل استخدام للمواد المحمية.

في المسائل عالية الأثر أو المرتبطة بحقوق النشر، لا تستنتج قاعدة قانونية عامة من قضية واحدة.

انتشار الذكاء الاصطناعي وأثره الاقتصادي

تعطي استطلاعات الشركات والعاملين صورًا مختلفة لمدى انتشار الذكاء الاصطناعي، لأن كل مقياس يصف فئة وتعريفًا مختلفين. السياق مهم عند مقارنة النسب، خصوصًا بعد تعديل صياغة سؤال المسح. فمعدل الشركات المستخدمة ليس هو نفسه معدل العاملين الذين يستعملون أداة في وظائفهم.

نسبة 18% تقيس الشركات الأمريكية وفق تعريف موسع، بينما نسبة 88% تقيس تبنّيًا تنظيميًا في مؤشر مختلف. في نهاية 2025، استخدمت نحو 18% من الشركات الأمريكية الذكاء الاصطناعي، بعد أن وسّع مكتب الإحصاء سؤال المسح في نوفمبر ليشمل أي وظيفة.

استخدام الشركات والعاملين

قبل تعديل السؤال، ارتفع تبنّي الشركات 68%، أي 3.9 نقاط مئوية، خلال السنة المنتهية في سبتمبر 2025. لا تُقارن هذه الزيادة مباشرةً بالتقدير اللاحق، لأن صياغة السؤال الموسعة شملت استخدامًا أوسع. وتوقعت أكثر من 20% من الشركات الأمريكية استخدام الذكاء الاصطناعي في النصف الأول من 2026.

في نوفمبر 2025، قال نحو 41% من العاملين الأمريكيين إنهم يستخدمون الذكاء الاصطناعي التوليدي في العمل. هذا مقياس للأفراد العاملين، لا لنسبة الشركات التي تستخدم التقنية. وقدّرت نسب العاملين لدى شركات تتبنى الذكاء الاصطناعي بنحو 78%، وبنحو 54% لدى شركات تستخدم نماذج اللغة الكبيرة؛ وهما تقديران موزونان بحسب التوظيف.

يعني الوزن بحسب التوظيف أن الشركات الأكبر تؤثر في النسبة وفق عدد العاملين لديها. لذلك تختلف هذه التقديرات عن عدّ الشركات بالتساوي. وتظل صياغة السؤال والفئة التي شملها المسح أساسيتين لفهم أي تغير زمني.

الاستخدام الاستهلاكي والاستثمار

بلغ التبنّي التنظيمي 88% في تقرير Stanford AI Index لعام 2026، وهو مقياس يصف المؤسسات ضمن منهج التقرير. أما تبنّي الذكاء الاصطناعي التوليدي بين سكان الولايات المتحدة فبلغ 28.3%، وجاءت البلاد في المرتبة 24. لا تقيس النسبتان المجموعة نفسها ولا التعريف نفسه.

وصلت القيمة المقدّرة لأدوات الذكاء الاصطناعي التوليدي للمستهلكين الأمريكيين إلى 172 مليار دولار سنويًا بحلول أوائل 2026. وبلغ الاستثمار الخاص الأمريكي في الذكاء الاصطناعي 285.9 مليار دولار في 2025. يصف الرقم الأول قيمة أدوات للمستهلكين، بينما يصف الثاني تدفق استثمار خاص، فلا ينبغي جمعهما كمؤشر واحد.

اقرأ نسبة التبنّي مع تعريف المستخدم والسكان والسنة التي تقيسها.

الوظائف والمهارات في عصر الذكاء الاصطناعي

متعلم يدرس البيانات وPython لتطوير مهارات الذكاء الاصطناعي

تتباين توقعات التوظيف بين المهن، إذ تختلف آفاق علماء البيانات ومطوري البرمجيات عن بعض الوظائف الإدارية وخدمة العملاء. المهنة تحدد الصورة، لا مجرد انتشار التقنية. توقع مكتب إحصاءات العمل الأمريكي نمو توظيف علماء البيانات 33.5% بين 2024 و2034، ونمو مطوري البرمجيات 15.8%، أي أكثر من 267,000 وظيفة.

توقع نمو بعض المهن يتزامن مع توقع تراجع وظائف أخرى، ولا يعني ذلك اختفاء مجال كامل. تشمل الوظائف المتوقع تراجعها كتبة المشتريات وموظفي التفويض الائتماني والتحقق والكتابة والسكرتارية القانونية والمساعدين الإداريين وممثلي خدمة العملاء.

بلغت البطالة بين الخريجين الجدد 5.6% في أوائل 2026، بزيادة 1.6 نقطة مئوية عن مستواها قبل ثلاث سنوات. ومنذ 2022 ارتفعت البطالة 0.77 نقطة مئوية لدى العاملين في الخُمس الأكثر تعرضًا للذكاء الاصطناعي، و0.85 نقطة لدى الخُمس الأقل تعرضًا.

لا تثبت مقارنة البطالة بين فئتي التعرض وحدها أن الذكاء الاصطناعي تسبب في تغير التوظيف.

يمكنك بناء مهارات مناسبة بالتدرج، من المفاهيم إلى التطبيق:

  • فهم المفاهيم الأساسية للذكاء الاصطناعي.
  • تعلم أساسيات البيانات والإحصاء.
  • تعلم Python إذا أردت بناء تطبيقات.
  • التدرج إلى تعلّم الآلة ثم التعلّم العميق.

اختر مهارة واحدة مرتبطة بعملك الحالي وطبّقها على مهمة محددة قبل الانتقال إلى موضوع أكثر تقدمًا.

الخلاصة

لا تحتاج إلى بناء نظام متقدم كي تحكم إن كان الذكاء الاصطناعي مفيدًا لمهمة محددة. ابدأ بتحديد العمل الذي تريد إنجازه، ثم لاحظ البيانات المتاحة والنتيجة التي تحتاج إليها. المهمة أولًا، وبعدها يأتي اختيار النموذج أو الأداة.

اسم التقنية وحده لا يكفي للحكم على جودة النتيجة. قد يتعلم نظام من أمثلة، أو يتبع قواعد، أو يولد محتوى، وتختلف طريقة تقييمه بحسب استخدامه. اقرأ نتائج النماذج ضمن شروط الاختبار والبيانات التي عملت عليها.

التجربة الصغيرة تكشف إن كانت الأداة نافعة قبل إدخالها في عمل أوسع. اختر نتيجة يمكن فحصها، واحتفظ بأمثلة على المخرجات الجيدة والأخطاء. بهذا تصبح المقارنة بين الأدوات عملية بدل أن تعتمد على الانطباع.

اختر مهمة صغيرة، واكتب مدخلاتها ومخرجها المطلوب، ثم اختبر أداة مناسبة قبل الاعتماد على نتيجتها.

FAQ

هل كل نظام ذكاء اصطناعي يتعلم من البيانات؟

لا، فبعض أنظمة الذكاء الاصطناعي تتبع قواعد مبرمجة مسبقًا ولا تستخدم تعلّم الآلة. قد يبحث برنامج شطرنج في الحركات الممكنة وفق قواعد محددة من دون التعلم من مباريات سابقة. وجود مهمة تبدو ذكية لا يثبت وحده أن النظام تعلم من البيانات، لذا افحص طريقة عمل الجزء الذي يؤدي المهمة.

ما الفرق بين الخوارزمية والنموذج؟

الخوارزمية هي خطوات الحل، والنموذج هو الناتج الذي يتكون عندما تُدرّب الخوارزمية على البيانات. يمكن استخدام الخوارزمية نفسها على بيانات تدريب مختلفة لإنتاج نماذج مختلفة. مثلًا، تتعلم خوارزمية تصنيف البريد من أمثلة رسائل موسومة، ثم يستخدم النموذج الناتج لتقدير فئة رسالة جديدة.

هل يتعلم نموذج تعلّم الآلة أثناء كل مرة أستخدمه؟

لا، غالبًا يتعلم النموذج في مرحلة التدريب، ثم يستخدم ما تعلمه عند تقديم توقعات جديدة. وقد يُحدّث الفريق النموذج في دورات لاحقة باستخدام بيانات إضافية أو أمثلة أحدث. هذا التحديث المنفصل يختلف عن تغيير النموذج تلقائيًا مع كل استخدام، وهو ليس الطريقة المعتادة في كثير من التطبيقات.

هل يستطيع الذكاء الاصطناعي التوليدي إنشاء الصور والصوت والفيديو؟

نعم، تستطيع نماذج توليدية التعامل مع النصوص والصور والصوت والفيديو، بحسب تصميمها. قد تنشئ صورة من وصف مكتوب، أو تنتج نصًا من صورة أو تسجيل صوتي. ويمكن لبعض الأنظمة قبول أكثر من صيغة للمدخلات وإنتاج مخرجات بصيغ متعددة، لكن ذلك لا ينطبق على كل نموذج.

هل أحتاج إلى تعلم البرمجة كي أفهم الذكاء الاصطناعي؟

لا تحتاج إلى البرمجة لفهم المفاهيم الأساسية أو تقييم استخدام يومي. لكن معرفة البيانات والإحصاء تساعدك على فهم كيفية تدريب النماذج وقياس أدائها. إذا أردت بناء تطبيقات، فتعلّم Python خطوة عملية، ثم انتقل إلى تعلّم الآلة بعد فهم أساسيات التعامل مع البيانات.

هل تثبت زيادة البطالة في المهن الأكثر تعرضًا أن الذكاء الاصطناعي ألغى وظائفها؟

لا، فالمقارنة وحدها لا تثبت أن الذكاء الاصطناعي تسبب في إلغاء وظائف. منذ 2022 ارتفعت البطالة 0.77 نقطة مئوية لدى العاملين في الخُمس الأكثر تعرضًا، و0.85 نقطة لدى العاملين في الخُمس الأقل تعرضًا. تتأثر البطالة بعوامل متعددة، لذلك لا تكفي هذه الأرقام وحدها لإثبات علاقة سببية.

Keep up with Fhjhf

Choose site notifications, email, or both. Guests can subscribe by email without an account.

Enjoyed this article?

Share it with someone who will value it

More
Report this article

Tell our review team about a problem with this content. Your details will not be shown to the author or other readers.

Sign in to report an article

Discussion

comments (0)

Share a perspective. Start a thoughtful conversation.

add comment
loading...

please login to be able to comment