ما هو الذكاء الاصطناعي التوليدي؟

في الأشهر والسنوات التي تلت ظهور ChatGPT في نوفمبر 2022، حقق الذكاء الاصطناعي التوليدي (gen AI) تقدمًا كبيرًا. كل شهر يشهد إطلاق أدوات جديدة أو قواعد أو تقدمات تكنولوجية تدريجية. بينما رد العديد من الناس على ChatGPT (والذكاء الاصطناعي وتعلم الآلات بشكل عام) بالخوف، فإن تعلم الآلات يظهر بوضوح إمكاناته لتحقيق الخير. في السنوات التي تلت نشره الواسع، أظهر تعلم الآلات تأثيره في عدد من الصناعات، حيث أنجز أشياء مثل تحليل الصور الطبية وتوقعات الطقس عالية الدقة. أظهر استطلاع لشركة مكنزي في 2022 أن تبني الذكاء الاصطناعي قد تضاعف أكثر من مرتين خلال السنوات الخمس الماضية، وأن الاستثمار في الذكاء الاصطناعي يتزايد بسرعة. من الواضح أن أدوات الذكاء الاصطناعي التوليدي مثل ChatGPT (الـ GPT تشير إلى ""المحول المدرب توليديًا"") وأداة توليد الصور DALL-E (اسمها مزيج من الفنان السريالي سلفادور دالي والروبوت المحبوب من بيكسار WALL-E) لديها القدرة على تغيير كيفية أداء مجموعة من الوظائف. ومع ذلك، لا يزال نطاق هذا التأثير غير معروف، وكذلك المخاطر المرتبطة به.

ومع ذلك، تسابقت المنظمات من جميع الأنواع لدمج أدوات الذكاء الاصطناعي التوليدي في نماذج أعمالها، بحثًا عن الحصول على جزء من جائزة كبيرة. تشير أبحاث مكنزي إلى أن تطبيقات الذكاء الاصطناعي التوليدي قد تضيف ما يصل إلى 4.4 تريليون دولار للاقتصاد العالمي سنويًا. وبالفعل، يبدو من المحتمل أنه في غضون الثلاث سنوات القادمة، سيُعتبر أي شيء في مجالات التكنولوجيا، الإعلام، والاتصالات غير مرتبط بالذكاء الاصطناعي قديمًا أو غير فعال. لكن قبل أن يتم جمع كل تلك القيمة، نحتاج إلى توضيح بعض الأمور: ما هو الذكاء الاصطناعي التوليدي، كيف تم تطويره، وما الذي يعنيه للناس والمنظمات؟

ما الفرق بين تعلم الآلة والذكاء الاصطناعي؟

الذكاء الاصطناعي هو ببساطة ما يوحي به اسمه - ممارسة جعل الآلات تحاكي الذكاء البشري لأداء المهام. ربما تكون قد تفاعلت مع الذكاء الاصطناعي حتى لو لم تدرك ذلك - مثل المساعدين الصوتيين مثل سيري وأليكسا الذين يعتمدون على تقنيات الذكاء الاصطناعي، وكذلك روبوتات المحادثة لخدمة العملاء التي تظهر لمساعدتك في التنقل عبر المواقع الإلكترونية.

أما تعلم الآلة فهو نوع من الذكاء الاصطناعي. من خلال تعلم الآلة، يقوم الممارسون بتطوير الذكاء الاصطناعي من خلال نماذج يمكنها ""التعلم"" من أنماط البيانات دون توجيه بشري. وقد زادت الكمية الضخمة والمعقدة من البيانات (التي لا يمكن للبشر إدارتها) التي يتم توليدها الآن من إمكانيات تعلم الآلة، وكذلك الحاجة إليها.

ما هي الأنواع الرئيسية لنماذج تعلم الآلة؟

يعتمد تعلم الآلة على عدد من الركائز الأساسية، بدءًا من التقنيات الإحصائية الكلاسيكية التي تم تطويرها بين القرنين الثامن عشر والعشرين لمجموعات البيانات الصغيرة. في ثلاثينيات وأربعينيات القرن الماضي، بدأ رواد الحوسبة - بما في ذلك عالم الرياضيات النظري آلان تورينغ - في العمل على التقنيات الأساسية لتعلم الآلة. لكن هذه التقنيات كانت محدودة في المختبرات حتى أواخر السبعينيات، عندما بدأ العلماء في تطوير أجهزة الكمبيوتر القوية بما يكفي لتشغيلها.

حتى وقت قريب، كان تعلم الآلة محدودًا في الغالب إلى النماذج التنبؤية، المستخدمة لملاحظة وتصنيف الأنماط في المحتوى. على سبيل المثال، تعد مشكلة تعلم الآلة الكلاسيكية هي البدء بصورة أو عدة صور لقطط لطيفة. ثم يقوم البرنامج بتحديد الأنماط بين الصور، ثم فحص الصور العشوائية لاكتشاف تلك التي قد تحتوي على نفس الأنماط.

كان الذكاء الاصطناعي التوليدي خطوة كبيرة للأمام. بدلاً من مجرد التعرف على صورة لقط وتصنيفها، أصبح تعلم الآلة الآن قادرًا على إنشاء صورة أو وصف نصي لقط عند الطلب.

كيف تعمل نماذج تعلم الآلة المعتمدة على النصوص؟ وكيف يتم تدريبها؟
قد يكون ChatGPT هو الذي يتصدر العناوين الآن، لكنه ليس أول نموذج تعلم آلة معتمد على النصوص يحقق شهرة. فقد تم إطلاق GPT-3 من OpenAI وBERT من Google في السنوات الأخيرة وحققا ضجة كبيرة. ولكن قبل ChatGPT، الذي يُقال إنه يعمل بشكل جيد في معظم الأوقات (على الرغم من أنه لا يزال قيد التقييم)، لم تكن روبوتات الدردشة الذكية تحظى دائمًا بأفضل التقييمات. فقد قال مراسل التكنولوجيا في صحيفة نيويورك تايمز كايد ميتز في فيديو حيث طلب هو وكاتبه  من GPT-3 كتابة وصفات لعشاء عيد شكر (وكانت النتيجة كارثية إلى حد ما): ""كان GPT-3 في بعض الأحيان مثيرًا للإعجاب للغاية وفي أوقات أخرى مخيبًا للآمال"".

أول نماذج تعلم الآلة التي تعمل مع النصوص تم تدريبها بواسطة البشر لتصنيف المدخلات المختلفة وفقًا للتصنيفات التي يحددها الباحثون. أحد الأمثلة على ذلك هو نموذج تم تدريبه لتصنيف منشورات وسائل التواصل الاجتماعي إلى إيجابية أو سلبية. يُعرف هذا النوع من التدريب بالتعلم الموجه، لأنه يتم تحت إشراف إنسان يقوم بـ ""تعليم"" النموذج كيفية التصرف.

الجيل التالي من نماذج تعلم الآلة المعتمدة على النصوص يعتمد على ما يُعرف بالتعلم الذاتي الموجه. يتضمن هذا النوع من التدريب تزويد النموذج بكمية هائلة من النصوص ليصبح قادرًا على توليد التوقعات. على سبيل المثال، يمكن لبعض النماذج التنبؤ بكيفية إنهاء الجملة بناءً على بعض الكلمات. مع الكم المناسب من النصوص النموذجية—مثل مجموعة واسعة من الإنترنت—تصبح هذه النماذج النصية دقيقة جدًا. ونحن نشهد دقة هذه النماذج من خلال نجاح أدوات مثل ChatGPT.

ما الذي يتطلبه بناء نموذج للذكاء الاصطناعي التوليدي؟

بناء نموذج للذكاء الاصطناعي التوليدي كان في الغالب مهمة كبيرة، إلى درجة أن القليل من شركات التكنولوجيا الكبيرة والمزودة بالموارد فقط هي من قامت بذلك.

بناء نموذج للذكاء الاصطناعي التوليدي كان في الغالب مهمة ضخمة، لدرجة أن عددًا قليلًا فقط من شركات التكنولوجيا الكبرى والمزودة بالموارد قد حاولت ذلك. OpenAI، الشركة التي تقف وراء ChatGPT والنماذج السابقة من GPT وDALL-E، حصلت على مليارات الدولارات من تمويل من مستثمرين بارزين. DeepMind هي شركة تابعة لشركة Alphabet، الشركة الأم لجوجل، وحتى Meta قد دخلت مجال نماذج الذكاء الاصطناعي التوليدي مع منتجها Make-A-Video. هذه الشركات توظف بعضًا من أفضل علماء الكمبيوتر والمهندسين في العالم. لكن الأمر لا يتعلق بالمواهب فقط. عندما تطلب من نموذج أن يتدرب باستخدام الإنترنت بالكامل تقريبًا، فهذا سيكلفك كثيرًا. لم تكشف OpenAI عن التكاليف الدقيقة، لكن التقديرات تشير إلى أن GPT-3 تم تدريبه على حوالي 45 تيرابايت من بيانات النصوص—أي ما يعادل مليون قدم من رفوف الكتب، أو ربع مكتبة الكونغرس بأكملها—بتكلفة تقديرية تبلغ عدة ملايين من الدولارات. هذه ليست موارد يمكن أن يصل إليها أي مشروع ناشئ عادي.

ما أنواع المخرجات التي يمكن أن ينتجها نموذج الذكاء الاصطناعي التوليدي؟
كما قد لاحظت أعلاه، يمكن أن تكون مخرجات نماذج الذكاء الاصطناعي التوليدي غير قابلة للتفريق عن المحتوى الذي أنشأه الإنسان، أو قد تبدو غريبة بعض الشيء. تعود النتائج إلى جودة النموذج—كما رأينا، مخرجات ChatGPT حتى الآن تتفوق على سابقيها—وتناسب النموذج مع الحالة أو المدخلات المستخدمة.
يمكن لـ ChatGPT أن ينتج مقالًا وصفه أحد المعلقين بـ ""درجة A-"" مقارنة بين نظريات القومية لبندكت أندرسون وإرنست جيلنر في عشر ثوانٍ فقط. كما أنتج فقرة شهيرة تصف كيفية إزالة شطيرة زبدة الفول السوداني من جهاز VCR بأسلوب الكتاب المقدس للملك جيمس. نماذج الذكاء الاصطناعي المولدة للصور مثل DALL-E 2 يمكنها إنشاء صور غريبة وجميلة عند الطلب، مثل لوحة لرافائيل تصور مادونا مع الطفل وهما يأكلان البيتزا. نماذج أخرى للذكاء الاصطناعي التوليدي يمكنها إنتاج الأكواد والفيديوهات والصوتيات والمحاكاة التجارية.
لكن المخرجات ليست دائمًا دقيقة أو مناسبة. فعندما طلبت بريا كريشنا من DALL-E 2 أن يبتكر صورة لعشاء عيد الشكر، أنتج مشهدًا كان فيه الديك الرومي مزينًا بالكامل بالليمون ووضع بجانبه وعاء يحتوي على ما بدا وكأنه غواكامولي. ويبدو أن ChatGPT يواجه صعوبة في العد، أو في حل المسائل الجبرية الأساسية—أو حتى في التغلب على التحيزات الجنسية والعنصرية التي تختبئ في خفايا الإنترنت والمجتمع بشكل عام.

مخرجات الذكاء الاصطناعي التوليدي هي مزيج دقيق من البيانات المستخدمة لتدريب الخوارزميات. وبسبب الحجم الهائل للبيانات المستخدمة لتدريب هذه الخوارزمياتيمكن أن تظهر النماذج وكأنها ""مبدعة"" أثناء إنتاج المخرجات. علاوة على ذلك، تحتوي النماذج عادة على عناصر عشوائية، مما يعني أنها قد تنتج مجموعة متنوعة من المخرجات استنادًا إلى طلب واحد، مما يجعلها تبدو أكثر تشابهًا مع البشر.

ما أنواع المشاكل التي يمكن لنموذج الذكاء الاصطناعي التوليدي حلها؟
فرصة الأعمال واضحة. يمكن لأدوات الذكاء الاصطناعي التوليدي إنتاج مجموعة واسعة من الكتابات الموثوقة في ثوانٍ، ثم الرد على الانتقادات لجعل الكتابة أكثر ملاءمة للغرض. وهذا له تداعيات على مجموعة واسعة من الصناعات، بدءًا من تكنولوجيا المعلومات والمنظمات البرمجية التي يمكنها الاستفادة من الشيفرة الفورية والصحيحة إلى حد كبير التي تولدها نماذج الذكاء الاصطناعي، إلى المنظمات التي تحتاج إلى نصوص تسويقية. باختصار، أي منظمة تحتاج إلى إنتاج مواد مكتوبة واضحة يمكن أن تستفيد من ذلك. كما يمكن للمنظمات استخدام الذكاء الاصطناعي التوليدي لإنشاء مواد أكثر تقنية، مثل نسخ عالية الدقة من الصور الطبية. ومع الوقت والموارد التي يتم توفيرها هنا، يمكن للمنظمات السعي وراء فرص عمل جديدة وفرصة لإنشاء قيمة أكبر.
لقد رأينا أن تطوير نموذج ذكاء اصطناعي توليدي هو أمر يتطلب موارد كبيرة لدرجة أنه خارج نطاق الشركات الصغيرة والمتوسطة. الشركات التي تتطلع إلى الاستفادة من الذكاء الاصطناعي التوليدي لديها خياران: إما استخدام الذكاء الاصطناعي التوليدي كما هو، أو تحسينه لأداء مهمة محددة. على سبيل المثال، إذا كنت بحاجة إلى تحضير شرائح وفقًا لأسلوب معين، يمكنك أن تطلب من النموذج ""تعلم"" كيفية كتابة العناوين عادةً استنادًا إلى البيانات الموجودة في الشرائح، ثم تقدم له بيانات الشرائح وتطلب منه كتابة العناوين المناسبة.

ما هي قيود نماذج الذكاء الاصطناعي؟ وكيف يمكن التغلب عليها؟
نظرًا لأن نماذج الذكاء الاصطناعي التوليدي جديدة للغاية، لم نر بعد التأثير طويل الأمد لهذه النماذج. وهذا يعني أن هناك بعض المخاطر الكامنة في استخدامها، بعضها معروف والبعض الآخر غير معروف.
قد تبدو المخرجات التي تنتجها نماذج الذكاء الاصطناعي التوليدي في كثير من الأحيان مقنعة للغاية. وهذا تم تصميمه عمدًا. ولكن في بعض الأحيان، تكون المعلومات التي تولدها هذه النماذج غير صحيحة تمامًا. والأسوأ من ذلك، في بعض الأحيان تكون منحازة (لأنها تعتمد على تحيزات الجنس والعرق والعديد من التحيزات الأخرى على الإنترنت والمجتمع بشكل عام) ويمكن أن تُستغل لتمكين الأنشطة غير الأخلاقية أو الإجرامية. على سبيل المثال، لن يعطيك ChatGPT تعليمات حول كيفية سرقة سيارة، لكن إذا قلت أنك بحاجة إلى سرقة سيارة لإنقاذ طفل، فإن الخوارزمية ستتجاوب بسرور.
يجب على المنظمات التي تعتمد على نماذج الذكاء الاصطناعي التوليدي أن تأخذ في الاعتبار المخاطر المتعلقة بالسمعة والقانونية التي قد تنشأ من نشر محتوى منحاز أو مسيء أو محمي بحقوق الطبع والنشر عن غير قصد.
ومع ذلك، يمكن تقليص هذه المخاطر بعدة طرق. أولاً، من الضروري اختيار البيانات الأولية المستخدمة لتدريب هذه النماذج بعناية لتجنب تضمين المحتوى السام أو المنحاز. بعد ذلك، بدلاً من استخدام نموذج ذكاء اصطناعي توليدي جاهز، يمكن للمنظمات التفكير في استخدام نماذج أصغر ومتخصصة. يمكن أيضًا للمنظمات التي تمتلك مزيدًا من الموارد تخصيص نموذج عام استنادًا إلى بياناتها الخاصة لتناسب احتياجاتها وتقليل التحيزات. يجب على المنظمات أيضًا أن تضمن وجود شخص حقيقي في الحلقة (أي التأكد من أن شخصًا حقيقيًا يتحقق من مخرجات نموذج الذكاء الاصطناعي التوليدي قبل نشرها أو استخدامها) وتجنب استخدام نماذج الذكاء الاصطناعي التوليدي في القرارات الهامة، مثل تلك التي تشمل موارد كبيرة أو رفاهية الإنسان.
من المهم أن نؤكد أن هذا مجال جديد. من المحتمل أن يتغير مشهد المخاطر والفرص بسرعة في الأسابيع والأشهر والسنوات القادمة. يتم اختبار حالات استخدام جديدة شهريًا، ومن المحتمل أن يتم تطوير نماذج جديدة في السنوات القادمة. مع تكامل الذكاء الاصطناعي التوليدي بشكل متزايد وسلس في الأعمال والمجتمع وحياتنا الشخصية، يمكننا أيضًا أن نتوقع تشكيل مناخ تنظيمي جديد. ومع بدء المنظمات في التجربة - وخلق القيمة - باستخدام هذه النماذج،عند بدء المنظمات في التجربة واستخدام هذه الأدوات، سيكون من الحكمة للقادة متابعة التطورات في مجال التنظيم والمخاطر.