النماذج اللغوية الكبيرة: كيف تفهم اللغة وتولّدها؟

لماذا يجب أن تفهم هذا الدرس؟

عندما تفتح تطبيق المحادثة على هاتفك وتكتب رسالة، يقترح عليك التطبيق الكلمة التالية تلقائياً. هذه الميزة أصبحت مألوفة لدرجة أننا لا نلاحظها. لكن تخيل أن هذه الفكرة البسيطة — "توقع الكلمة التالية" — هي نفسها الأساس الذي بُني عليه أقوى أنواع الذكاء الاصطناعي اليوم، وهو ما يُسمى "النموذج اللغوي الكبير" أو Large Language Model (LLM).

المشكلة الحقيقية التي تحلها هذه النماذج هي: كيف نجعل الحاسوب يفهم اللغة البشرية ويستجيب لها بطريقة تبدو طبيعية؟ قبل هذه النماذج، كانت محاولات جعل الحاسوب يفهم اللغة تعتمد على قواعد صارمة يكتبها المبرمجون، مثل "إذا قال المستخدم كذا، رد عليه بكذا". هذه الطريقة فشلت لأن اللغة البشرية مليئة بالغموض والاستعارات والسياقات المختلفة. كلمة "بنك" تعني مكان المال، أو ضفة النهر، أو حتى حركة الطائرة المائلة. كيف للحاسوب أن يعرف أي معنى تقصد؟

النماذج اللغوية الكبيرة حلت هذه المشكلة بطريقة مختلفة جذرياً: بدلاً من تعليم الحاسوب قواعد اللغة، نعطيه كميات هائلة من النصوص المكتوبة، ثم نتركه يكتشف الأنماط بنفسه. النتيجة هي نظام لا "يفهم" اللغة بالمعنى البشري، لكنه يستطيع التنبؤ بالكلمة التالية بدقة مذهلة، وهذا كافٍ لإنتاج نصوص تبدو وكأن إنساناً كتبها.

الفكرة الأساسية: التنبؤ بالكلمة التالية

لنبدأ بتجربة ذهنية بسيطة. اقرأ الجملة التالية:

"السماء زرقاء والشمس ..."

ما الكلمة التي تتوقعها؟ على الأرجح "مشرقة" أو "ساطعة" أو "تشرق". أنت لم تتعلم هذه الجملة عن ظهر قلب، لكن عقلك، بعد سنوات من قراءة وسماع اللغة العربية، أصبح يتوقع الأنماط الشائعة. النموذج اللغوي الكبير يفعل الشيء نفسه تماماً، لكن على نطاق أوسع بكثير.

التقنية تسمى "التنبؤ بالكلمة التالية" (Next-Token Prediction). النموذج ينظر إلى الكلمات السابقة في الجملة، ويحسب احتمالية كل كلمة محتملة في اللغة، ثم يختار الكلمة الأعلى احتمالاً (أو يختار عشوائياً من بين الكلمات عالية الاحتمال لإضافة تنوع). ثم يضيف الكلمة المختارة إلى النص، ويعيد الكرة للكلمة التي بعدها، وهكذا.

هذا يشبه تماماً ميزة الاقتراح التلقائي في لوحة مفاتيح هاتفك، لكن مع فرق جوهري: هاتفك يعتمد على قاموس محدود وقواعد بسيطة، بينما النموذج اللغوي الكبير تدرب على مئات المليارات من الكلمات من الكتب والمقالات والمواقع الإلكترونية، مما يجعله قادراً على التنبؤ بسياقات معقدة جداً.

مثال عملي حقيقي: شاهد التوقع بعينيك

لنقم بتجربة عملية الآن. ستحتاج إلى متصفح إنترنت فقط. اتبع الخطوات التالية:

1. افتح متصفحك وانتقل إلى موقع chat.openai.com (إذا لم يكن لديك حساب، يمكنك استخدام bing.com/chat أو gemini.google.com — كلها مجانية للاستخدام الأساسي).
2. في حقل الكتابة، اكتب الجملة التالية بالضبط: "أفضل طريقة لتحضير القهوة العربية هي"
3. لا تضغط زر الإرسال بعد. لاحظ أن النموذج قد يبدأ في اقتراح إكمال تلقائي للجملة. هذا هو التنبؤ بالكلمة التالية يعمل أمامك مباشرة.
4. الآن اضغط زر الإرسال (عادة ما يكون سهماً أو أيقونة إرسال في الزاوية السفلية).
5. لاحظ كيف يكمل النموذج الجملة بفقرة كاملة. كل كلمة في تلك الفقرة تم اختيارها بناءً على الكلمات السابقة لها.

لتوضيح الأمر أكثر، جرب هذه التجربة: اكتب في نفس المحادثة: "أفضل طريقة لتحضير القهوة التركية هي" ولاحظ كيف يختلف الرد تماماً. النموذج لم يخزن إجابة جاهزة، بل يبني كل كلمة بناءً على السياق الجديد الذي أعطيته له.

تجربة إضافية: غيّر كلمة واحدة ولاحظ الفرق

اكتب: "القطط تحب أكل" ثم أرسلها. سيجيب النموذج بشيء عن الأسماك أو اللحوم. الآن اكتب: "القطط تكره أكل" — ستتغير الإجابة جذرياً. هذا يثبت أن النموذج لا يسترجع نصاً محفوظاً، بل يحسب الاحتمالات بناءً على كل كلمة في الجملة.

كيف يُدرَّب النموذج على هذا التنبؤ؟

تخيل أنك تعطي شخصاً مكتبة ضخمة تحتوي على ملايين الكتب، وتقول له: "اقرأ كل هذا، ثم أخبرني: إذا قلت لك 'في صباح يوم جميل، قررت أن أذهب إلى'، فما الكلمة التالية الأكثر احتمالاً؟" هذا الشخص سيصبح خبيراً في توقع الكلمات، ليس لأنه يفهم معنى الحياة، بل لأنه رأى أنماطاً لا حصر لها من الجمل.

التدريب يتم على ثلاث مراحل رئيسية:

• المرحلة الأولى — التدريب الأولي (Pre-training): يُعطى النموذج نصوصاً من الإنترنت والكتب والمقالات العلمية (بمئات المليارات من الكلمات). مهمته: توقع الكلمة التالية في كل جملة. في البداية يكون سيئاً جداً، لكنه يتحسن تدريجياً عبر ملايين التكرارات.
• المرحلة الثانية — التوجيه (Fine-tuning): بعد أن يتعلم النموذج اللغة، يُعطى أمثلة على شكل "سؤال وجواب" ليصبح قادراً على الإجابة بدلاً من مجرد إكمال الجمل. هنا يتعلم أن يكون مفيداً ومحترماً.
• المرحلة الثالثة — التفضيل البشري (RLHF): يعرض النموذج إجابات متعددة على بشر، ويختار البشر الأفضل، فيتعلم النموذج تفضيلات البشر.

هذه العملية تستهلك طاقة كهربائية هائلة. تدريب نموذج واحد كبير قد يكلف عشرات الملايين من الدولارات، ويستغرق شهوراً على آلاف المعالجات المتخصصة (وحدات معالجة الرسوميات GPU). هذا هو السبب في أن هذه النماذج تُبنى فقط من قبل شركات ضخمة مثل OpenAI وGoogle وMeta.

لماذا يخطئ النموذج أحياناً؟ (الهلوسة)

لأن النموذج لا يبحث عن إجابة في قاعدة بيانات، بل يتوقع الكلمة الأكثر احتمالاً، فإنه أحياناً ينتج جملة صحيحة نحوياً لكنها خاطئة واقعياً. هذا ما يسمى "الهلوسة" (Hallucination). مثلاً، إذا سألته عن حدث تاريخي غير مشهور، فقد يختلق تاريخاً وأسماء تبدو منطقية لكنها غير صحيحة. هذا ليس "كذباً" بالمعنى البشري، بل هو نتيجة حتمية لطريقة عمله: إنه ينتج النص الأكثر احتمالاً، وليس النص الصحيح بالضرورة.

الأخطاء الشائعة عند فهم هذه النماذج

تمرين تطبيقي (أقل من 15 دقيقة)

الآن ستنفذ تمريناً عملياً يثبت لك أن النموذج يتنبأ بالكلمة التالية فعلاً، وليس مجرد كلام نظري:

1. افتح أي نموذج لغوي مجاني (ChatGPT أو Bing Chat أو Gemini).
2. اكتب الجملة التالية حرفياً: "في يوم من الأيام، ذهب الولد إلى" — لا تضغط إرسال بعد. لاحظ الاقتراح التلقائي.
3. الآن أضف كلمة واحدة في النهاية: "في يوم من الأيام، ذهب الولد إلى المستشفى" — لاحظ كيف تغير الاقتراح التلقائي تماماً.
4. اضغط إرسال في الحالة الثانية، ولاحظ كيف يبني النموذج قصة كاملة عن زيارة المستشفى.
5. الآن اكتب: "في يوم من الأيام، ذهب الولد إلى الملعب" واضغط إرسال. لاحظ كيف تختلف القصة كلياً.

التحقق من النتيجة: إذا لاحظت أن النموذج أعطى قصتين مختلفتين تماماً بناءً على كلمة واحدة فقط (المستشفى مقابل الملعب)، فهذا يعني أنك فهمت الفكرة الأساسية: النموذج يبني كل كلمة بناءً على السياق الكامل للجملة السابقة. هذا هو جوهر النماذج اللغوية الكبيرة.

في الدرس القادم، سنتعمق في كيفية تدريب هذه النماذج خطوة بخطوة، وما هي البيانات المستخدمة، وكيف يمكنك استخدام هذه المعرفة لتحسين نتائجك مع أي أداة ذكاء اصطناعي.