نموذج ذهني مفيد
فكّر في الذكاء الاصطناعي التوليدي باعتباره خريطة متعلَّمة لما يمكن أن يأتي لاحقًا بصورة معقولة.
بالنسبة إلى النص، تصف الخريطة أيّ الاستكمالات ينسجم مع المدخل والنص الذي أُنتج حتى الآن. وبالنسبة إلى الصورة، يمكنها أن تصف التغييرات البصرية التي تحوّل الضوضاء إلى صورة تناسب وصفًا نصيًا. وتُخزَّن الخريطة في المعلمات المتعلَّمة لنموذج الذكاء الاصطناعي، لا في صورة فهرس للإجابات الجاهزة.
تضيّق المطالبة نطاق الاحتمالات. فعبارة «اكتب جملة» تترك مجالًا هائلًا من النواتج الصحيحة. أما عبارة «اكتب ملصق تحذير من ست كلمات لأرضية مبللة» فتجعل منطقة أصغر بكثير من ذلك المجال مناسبة.
بعد ذلك يأخذ النموذج عينات من الاحتمالات التي تعلّمها. ويعني أخذ العينات اختيار خطوة تالية محتملة، وغالبًا ما يتضمن قدرًا من العشوائية المضبوطة. ويصبح الاختيار جزءًا من مدخل الخطوة التالية. ويؤدي تكرار هذه العملية إلى إنتاج النتيجة النهائية.
وهذا هو الجسر الأساسي بين تعلّم الأنماط وإنشاء المحتوى:
Training examples -> learning objective -> learned pattern model
|
Prompt + initial state -> repeated sampling --+-> generated outputالمخطط عامٌّ عمدًا. فقد تكون «الحالة الأولية» تسلسلًا نصيًا افتتاحيًا، أو رقعةً من الضوضاء، أو صورةً موجودةً يراد تحريرها، أو شكلًا آخر من البيانات. وقد يعني «أخذ العينات المتكرر» إضافة الوحدة النصية التالية أو إزالة قليل من الضوضاء في كل خطوة.
كيف يعمل الذكاء الاصطناعي التوليدي
تمر معظم الأنظمة التوليدية بمرحلتين متميزتين.
1. تعلّم توزيع البيانات
أثناء التدريب، يرى النموذج أمثلة كثيرة من نوع البيانات الذي يحتاج إلى تمثيله. ويقيس هدفٌ تعلّمي مدى نجاح النموذج في أداء مهمة تكشف بنية تلك البيانات. ثم تُعدَّل معلمات النموذج لتحسين نتيجته.
وتعتمد المهمة الدقيقة على عائلة النموذج:
- يتنبأ النموذج الانحداري الذاتي بالوحدة التالية في تسلسل استنادًا إلى الوحدات السابقة.
- يتعلم نموذج الانتشار عكس عملية تضيف الضوضاء تدريجيًا.
- يتعلم المشفّر التلقائي التغايري فضاءً منظمًا للبيانات الممكنة وطريقةً لفك ترميز عينات من ذلك الفضاء.
- يدرّب الشبكة التوليدية الخصمية، أو GAN، مولّدًا لإنتاج عينات لا يستطيع نموذج ثانٍ، هو المُميِّز، تمييزها بشكل موثوق من أمثلة التدريب.
تختلف هذه الأساليب، لكن كلًّا منها يمنح النظام طريقةً لإنتاج عينات تشبه الأنماط الموجودة في بيانات التدريب. وبالمعنى الرسمي في تعلّم الآلة، هذا هو ما يجعل النموذج توليديًا.
2. أخذ عينة من الناتج
عند استخدام النموذج المدرَّب، تكيّف مدخلاتك عملية التوليد. وتعني «التهيئة» ببساطة أن المدخل يغيّر النواتج التي يعدّها النموذج معقولة.
يبدأ التوليد عادةً بحالة ابتدائية. فلدى نموذج النص المطالبة والنص المُنتَج حتى تلك اللحظة. ويبدأ نموذج انتشار الصور غالبًا بالضوضاء. ويتنبأ النموذج بالخطوة التالية، ثم يختارها أو يحسبها، ويحدّث الحالة، ويكرر ذلك حتى يصل إلى نقطة التوقف.
وتهم هذه العملية المتكررة. فالمولّد غير ملزم باختيار الإجابة الكاملة الوحيدة الأكثر احتمالًا، ولا يسترجع عادةً عنصرًا مكتملًا من التخزين. إذ تتراكم الاختيارات الصغيرة، ويمكن لاختيارات مختلفة أن تنتج نواتج صحيحة مختلفة من المطالبة نفسها.
مثال نصي عملي
لنفترض أن مولّدًا نصيًا تلقّى:
أُغلق المسار لأن النهر كان قد
في الخطوة التالية، تخيّل أن النموذج أسند الاحتمالات الآتية:
- ارتفع — 54٪
- فاض — 21٪
- تجاوز ضفتيه — 12٪
- جميع الاستكمالات الأخرى — 13٪
هذه الأرقام توضيحية، ولا تصف نموذجًا محددًا.
إذا اختار النموذج «ارتفع»، يصبح النص قيد العمل:
أُغلق المسار لأن النهر كان قد ارتفع
يحسب النموذج الآن مجموعة جديدة من الاحتمالات استنادًا إلى المطالبة وإلى كلمة «ارتفع». وقد يرجّح بعد ذلك كلمات مثل «ليلًا» أو «فوق» أو علامة ترقيم. ويستمر ذلك حتى تكتمل الاستجابة.
يفسّر تفصيلان قدرًا كبيرًا من سلوك الذكاء الاصطناعي التوليدي.
أولًا، التوليد مشروط. فتغيير كلمة «المسار» إلى «المطار» يغيّر الاستكمال المرجح. ثانيًا، المعقول ليس مرادفًا للواقعي. يمكن للنموذج أن يبني جملة سلسة عن إغلاق ما حتى لو لم يوجد أي مسار أو نهر. فعملية التوليد وحدها لا تتحقق من صحة الادعاء بمقارنته بالعالم.
للمصطلح معنى واسع وآخر ضيق
في تعلّم الآلة، النموذج التوليدي هو أي نموذج يمثّل كيفية توزّع البيانات بدرجة تكفي لتقدير أمثلة محتملة أو إنتاجها. وغالبًا ما تُقابَل هذه الفئة بالنموذج التمييزي، الذي يركّز على التنبؤ بتصنيف أو الفصل بين الفئات. فالنموذج الذي يتعلم شكل الأرقام المكتوبة بخط اليد توليدي؛ أما النموذج الذي يقرر فقط ما إذا كانت الصورة تعرض صفرًا أم واحدًا فهو تمييزي.
في لغة المنتجات اليومية، يعني «الذكاء الاصطناعي التوليدي» عادةً معنى أضيق: أنظمة موجّهة بالمطالبات تنشئ محتوى رقميًا معقدًا. وغالبًا ما تستخدم هذه الأنظمة نماذج كبيرة عامة الغرض، لكن الحجم والعمومية ليسا شرطين للتعريف التقني الواسع. وكما تشير NIST، لا يأتي كل الذكاء الاصطناعي التوليدي من نماذج الأساس.
ولهذا قد تبدو التعريفات متناقضة. فبعضها يصف فئة من النماذج الإحصائية، بينما يصف بعضها الآخر الجيل الحالي من المنتجات المبنية على تلك الفئة.
لماذا يهم الذكاء الاصطناعي التوليدي؟
غالبًا ما يعيد نظام التنبؤ التقليدي أحد تصنيفات ثابتة أو رقمًا. أما النظام التوليدي فيستطيع بناء ناتج لم تُحدَّد تفاصيله الدقيقة مسبقًا.
وهذا يجعل النموذج الواحد مفيدًا في مهام كثيرة يمكن التعبير عنها بوصفها توليدًا. إذ يستطيع النموذج النصي الصياغةَ والتلخيصَ والترجمةَ وإعادةَ التنسيقَ وكتابةَ التعليمات البرمجية، لأن كل مهمة يمكن صياغتها على أنها إنتاج تسلسل مناسب. كما يستطيع نموذج الصور إنشاء صورة أو توسيعها أو تحريرها، لأن كل مهمة يمكن صياغتها على أنها توليد بيانات بصرية في ظل شروط مختلفة.
وتنشئ المرونة نفسها مشكلة الموثوقية الأساسية. فهناك نواتج كثيرة تبدو معقولة، لكن بعضها فقط يلبّي احتياجات المستخدم غير المعلنة، أو يطابق الحقائق الخارجية، أو يتجنب المواد الضارة، أو يحترم القيود القانونية والاجتماعية. ولا تضمن قدرة النموذج على إنتاج صياغة مقنعة صحة المحتوى الذي تتضمنه تلك الصياغة.
مفاهيم خاطئة شائعة
«إنه يبحث في قاعدة بيانات ويلصق الإجابة معًا»
ينشئ النموذج التوليدي عادةً الناتج من خلال تطبيق المعلمات المتعلَّمة بصورة متكررة، لا من خلال اختيار استجابة مخزنة واحدة. وهذا لا يعني استحالة الحفظ. فقد تعيد النماذج إنتاج أجزاء من بيانات التدريب، ولا سيما المواد التي تكررت أو كانت مميزة. فعبارتا «ليس بحثًا في قاعدة بيانات» و«لا يعيد أبدًا إنتاج مواد التدريب» ادعاءان مختلفان.
«المحتوى المُولَّد صحيح»
يكافئ التوليدَ مدى التوافق مع الأنماط المتعلَّمة وظروف المدخل. أما الحقيقة فتتطلب معيارًا آخر: دليلًا أو حسابًا أو ملاحظة أو مصدرًا موثوقًا. فقد تحتوي إجابة سلسة على أسماء أو اقتباسات أو أحداث أو تفسيرات سببية مختلقة.
«لا بد أن يكون المحتوى المُولَّد أصليًا»
قد يكون الناتج جديدًا بالمعنى المحدود، أي إن النظام ركّبه أثناء هذه العملية بدلًا من استرجاع سجل مكتمل مخزّن. لكن ذلك لا يحسم ما إذا كان أصليًا إبداعيًا، أو قابلًا للحماية القانونية، أو مشتقًا من عمل قائم، أو متأثرًا بالحفظ. وتعتمد هذه الأسئلة على الناتج وعملية التدريب والقواعد المنطبقة.
«الذكاء الاصطناعي التوليدي يعني روبوتات المحادثة»
روبوت المحادثة هو واجهة ونمط لتطبيق. أما الذكاء الاصطناعي التوليدي فهو الفئة الأساسية من النماذج والأنظمة التي تنتج المحتوى. ويشمل أيضًا مولدات الصور والصوت والفيديو والتعليمات البرمجية والبيانات المتخصصة.
«كل نظام ذكاء اصطناعي توليدي هو النوع نفسه من النماذج»
تستخدم الأساليب الانحدارية الذاتية والانتشارية والتغايرية والخصمية وغيرها أهدافًا تعلّمية وعمليات أخذ عينات مختلفة. وهي تشترك في الغرض، لا في بنية موحّدة واحدة.
كيف يندرج ضمن نظام أوسع
النموذج ليس سوى جزء واحد من منتج الذكاء الاصطناعي التوليدي. فقد يضيف التطبيق الكامل تعليماتٍ وعناصر تحكم للمستخدم ومعلومات خارجية وفحوصات أمان ومرشحات للمحتوى وأدوات وتحققًا من المخرجات.
يمكن لهذه الأجزاء المحيطة أن تغيّر السلوك من دون تغيير التعريف الأساسي. فقد يزوّد اتصال البحث مولّدَ النصوص بأدلة حديثة، وقد يحظر مرشحٌ صورًا معينة، وقد تُجري أداة برمجية اختبارات على التعليمات البرمجية المُولَّدة. ويظل المولّد يقدّم محتوى مرشحًا؛ أما بقية النظام فتوفّر السياق والقدرات وعمليات التحقق.
إلى أين تتابع؟
ابدأ بقراءة ما نموذج الذكاء الاصطناعي؟ إذا أردت فهم ما يتضمنه النموذج المتعلَّم نفسه. ثم اقرأ ما نموذج الأساس؟ للتعرّف إلى النماذج الواسعة القابلة لإعادة الاستخدام التي تقف وراء كثير من المنتجات التوليدية الحالية، أو ما الذكاء الاصطناعي متعدد الوسائط؟ للتعرّف إلى الأنظمة التي تعمل عبر النصوص والصور والصوت والفيديو.