كيف «يفهم»«يحسب»«يتنبّأ» الذكاء الاصطناعي لغتنا البشرية؟
من كلمة تكتبها أنت… إلى أرقام ومتجهات تسبح في فضاء رياضي. اليوم نفكّك الرحلة كاملة: الفرق بين الـ LLM والـ Agent، التوكنز وحسابها، ورحلة النص من توكن إلى ID إلى Vector — وأين تتفوّق الآلة علينا، وأين تظلّ أضعف منّا.
ابدأ الرحلةست محطّات نمرّ بها اليوم
كل محطة فيها شرح مبسّط + مثال بصري + تجربة تفاعلية تلعب بها بنفسك + مصادر موثّقة تقدر ترجع لها بعد المحاضرة.
LLM أم Agent؟
الفرق بين «العقل» الذي يتنبّأ بالكلمة، و«الموظّف» الذي يخطّط ويتصرّف.
02التوكنز وحسابها
الوحدة التي تُقاس بها لغة الآلة — ولماذا العربية «أغلى» من الإنجليزية.
03IDs · Embed · Vector
نفق التحويل الحيّ + فضاء متجهات ثلاثي الأبعاد تلفّه بيدك.
04قوّة وضعف الآلة
سباق حيّ: آلة ضد إنسان — أين تكتسح، وأين تسقط بصدق.
05اقتصاد الذكاء الاصطناعي
مئات المليارات، سباق الشركات، ومقاييس قوّة النماذج بأرقام حقيقية.
الـ LLM ليس هو الـ Agent
أشهر خلط في المجال. الـ LLM «عقلٌ» وظيفته الوحيدة أن يتنبّأ بالكلمة (التوكن) التالية. أمّا الـ Agent فهو نظامٌ يضع هذا العقل في حلقة: يخطّط، يستخدم أدوات، يلاحظ النتيجة، ثم يقرّر خطوته التالية حتى يُنجز هدفًا.
الـ LLM — نموذج اللغة
محرّك تنبّؤ إحصائي. يستقبل نصًّا، ويُخرج التوكن الأرجح تاليًا… ثم يكرّر. لا ذاكرة دائمة، لا أدوات، لا أفعال في العالم الخارجي. عقلٌ بلا يدين.
- المُدخل نص، والمُخرج نص فقط
- يعمل «دفعة واحدة» بلا حلقة تكرار ذاتية
- لا يستدعي بريدًا ولا يبحث في الويب ولا يشغّل كودًا بذاته
- أمثلة: النموذج الخام قبل ربطه بأي أداة
الـ Agent — الوكيل
الـ LLM نفسه، لكن داخل حلقة عمل: يفكّر في خطوة، ينفّذها عبر أداة، يقرأ النتيجة، ثم يقرّر التالي — ويعيد الكرّة حتى يصل للهدف. عقلٌ + يدان + خطّة.
- يخطّط ويقسّم المهمّة لخطوات
- يستخدم أدوات: بحث، كود، قواعد بيانات، APIs
- يلاحظ النتيجة ويصحّح مساره (Observe → Act)
- أمثلة: مساعد يحجز، يترجم ملفًّا كاملًا، يراجع عقدًا آليًّا
اسأل نموذجًا خامًّا (LLM): «كم سعر صرف الدولار اليوم؟» — سيُخمّن رقمًا من بيانات تدريبه القديمة. أمّا الـ Agent فسيفعل ما يفعله مترجم محترف: يفتح أداة بحث، يجلب السعر الآن، ثم يجيبك. نفس «العقل» — لكن الفرق هو الأدوات والحلقة حوله.
- Anthropic (2024). «Building Effective Agents». يعرّف الوكيل بأنه نموذج يقود حلقته الخاصة من الأدوات والخطوات. anthropic.com/engineering/building-effective-agents
- Jurafsky, D. & Martin, J. H. «Speech and Language Processing» (3rd ed. draft). فصول نماذج اللغة الكبيرة والتنبّؤ بالتوكن التالي. web.stanford.edu/~jurafsky/slp3
- Wei et al. (2022). «Chain-of-Thought Prompting». أساس تقسيم المهمّة لخطوات استدلالية داخل النموذج. arXiv:2201.11903
التوكن: الوحدة التي تُقاس بها لغة الآلة
النموذج لا يرى «كلمات» بالمعنى الذي نعرفه. يقطّع النص إلى وحدات صغيرة تُسمّى «توكنز» — قد تكون كلمة، أو جزء كلمة، أو حتى حرفًا واحدًا. التوكن هو ما يُحسب عليه السعر، وما يحدّ طول ما يقرأه ويكتبه النموذج.
⚠️ هذا مُقطِّع تعليمي مبسّط، وليس خوارزمية BPE الحقيقية — والـ IDs المعروضة توضيحية وليست من قاموس نموذج فعلي. الفكرة الصحيحة المُوصَلة: نفس التوكن يأخذ نفس الرقم دائمًا. للحساب الدقيق استخدم الأداة الرسمية:
جرّب على الأداة الحقيقية: Tokenizer من OpenAI يوريك التقطيع الفعلي (BPE) والعدد الدقيق للتوكنز لأي نص عربي أو إنجليزي — قارن نتيجته بالمحاكاة فوق.
افتح OpenAI Tokenizer ↗لماذا العربية «أغلى» في التوكنز؟
أغلب المُقطِّعات دُرِّبت على بيانات إنجليزية بالأساس، فتقطّع العربية إلى وحدات أصغر وأكثر عددًا. النتيجة: نفس المعنى قد يكلّف في العربية ضعف عدد توكنز الإنجليزية أو أكثر — وهذا يهمّك مباشرةً في التكلفة وحدود الطول عند بناء أدوات الترجمة.
النِّسَب توضيحية للاتجاه العام وتختلف حسب النموذج والمُقطِّع؛ القاعدة الثابتة: العربية تستهلك توكنز أكثر لنفس المعنى.
في الإنجليزية: التوكن الواحد ≈ ٤ حروف ≈ ثلاثة أرباع الكلمة وسطيًّا. أي أن ١٠٠٠ توكن ≈ ٧٥٠ كلمة إنجليزية تقريبًا. في العربية توقّع عددًا أكبر بوضوح لنفس النص.
- Sennrich, Haddow & Birch (2016). «Neural Machine Translation of Rare Words with Subword Units». الورقة التأسيسية لتقطيع BPE إلى وحدات دون-الكلمة. arXiv:1508.07909
- Jurafsky & Martin, SLP (3rd ed.), فصل Tokenization / Byte-Pair Encoding. شرح منهجي لكيفية بناء المفردات وتقطيع النص. web.stanford.edu/~jurafsky/slp3
- OpenAI — tiktoken & Tokenizer tool. أداة وحساب رسمي لعدد التوكنز وقاعدة «٤ حروف ≈ توكن». platform.openai.com/tokenizer
من الكلمة إلى المتجه: كيف يتحوّل النص إلى رياضيات
النموذج لا يفهم الحروف، يفهم الأرقام. رحلة أي نص تمرّ بأربع محطّات متسلسلة: تقطيع إلى توكنز، ثم تحويل كل توكن إلى رقم مُعرِّف (ID)، ثم استبدال الرقم بمتجه من أعداد (Embedding)، وأخيرًا وضع هذا المتجه في فضاء رياضي يحمل «المعنى» على هيئة مواقع.
التقطيع Tokenization
يُقسَّم النص إلى توكنز كما رأينا في المحطّة السابقة. هذه هي «الحروف الأبجدية» التي يقرأ بها النموذج.
المُعرِّفات Token IDs
لكل توكن رقمٌ ثابت في «قاموس» النموذج (المفردات / Vocabulary). كلمة «قانون» مثلًا قد تحمل الرقم 8421 دائمًا. النموذج الآن يرى قائمة أرقام صحيحة، لا نصًّا.
التضمين Embedding
كل ID يُستبدل بمتجه من مئات الأعداد العشرية (مثلًا 768 أو 1536 بُعدًا). هذا المتجه ليس عشوائيًّا: يتعلّمه النموذج بحيث تحمل قيمُه ملامحَ معنى الكلمة.
الفضاء المتجهي Vector Space
كل متجه = نقطة في فضاء عالي الأبعاد. الكلمات المتقاربة في المعنى تقع متجاورة هندسيًّا. «القرب» هنا = «تشابه المعنى». وهنا يسكن ذكاء النموذج فعلًا.
🛰️ نفق التحويل — شاهد الرحلة تحدث أمام عينيك
اكتب جملتك (حتى ٦ كلمات تظهر) ثم شغّل الخطّ: تتقطّع لتوكنز، تنقلب الرقائق لتكشف الـ IDs، تتمدّد لمتجهات، ثم تنطلق نقاطًا مضيئة نحو الفضاء بالأسفل. القيم توضيحية وثابتة لنفس التوكن.
المتجهات انطلقت نحو الفضاء ↓🌌 فضاء المعنى ثلاثي الأبعاد — اسحب لتدويره، واضغط أي كلمة
يدور تلقائيًّا · اسحبه بيدك · اضغط كلمةلأن المعنى صار هندسة، صارت العلاقات عملياتٍ حسابية. المتّجه الرابط بين «رجل» و«امرأة» يشبه الرابط بين «ملك» و«ملكة». فإذا أخذت متّجه «ملك» وطرحت منه «رجل» وأضفت «امرأة»، تصل تقريبًا إلى موقع «ملكة». جرّبها بنفسك بزرّ «معادلة الملكة» فوق — هذه ليست حيلة، إنها نتيجة مباشرة لكون المعاني مواقعَ في الفضاء.
👁️ لمحة مبكّرة: آلية الانتباه (Attention)
كيف يعرف النموذج أن الضمير «راجعه» يعود على «العقد» لا على «المحامي»؟ عبر «الانتباه»: كل كلمة توزّع تركيزها على الكلمات الأخرى بأوزان مختلفة. مرّر (أو اضغط) على الكلمتين الذهبيتين وشاهد خيوط التركيز — سمك الخيط = قوّة الانتباه. تفصيلها الكامل في محاضرة الـ Transformer قادمًا.
- Jurafsky & Martin, SLP (3rd ed.), فصل «Vector Semantics and Embeddings». المرجع المنهجي لتمثيل الكلمات كمتجهات والقرب الدلالي. web.stanford.edu/~jurafsky/slp3
- Mikolov et al. (2013). «Efficient Estimation of Word Representations in Vector Space» (word2vec). أصل مثال king − man + woman ≈ queen. arXiv:1301.3781
- Bahdanau, Cho & Bengio (2015). «Neural Machine Translation by Jointly Learning to Align and Translate». الورقة التي قدّمت آلية الانتباه في الترجمة الآلية. arXiv:1409.0473
- Vaswani et al. (2017). «Attention Is All You Need». بنية الـ Transformer التي جعلت الانتباه أساس كل شيء. arXiv:1706.03762
أين تسحقنا الآلة… وأين تظلّ أضعف منّا؟
حتى نستخدم الأداة بنُضج مهني، لازم نعرف حدودها بصدق. الآلة ليست ساحرة ولا غبية — لها منطقة تتفوّق فيها بوضوح، ومنطقة تظلّ فيها — واقعيًّا — أضعف من مترجم أو خبير بشري.
🏁 سباق حيّ: ترجمة ١٠٠٠ صفحة
سباق توضيحي لتقريب الفكرة — الأرقام رمزية وليست قياسًا معياريًّا.
تتفوّق فيه MACHINE > HUMAN
تظلّ أضعف فيه HUMAN > MACHINE
الآلة مُضخِّم قدرة، لا بديل عن الحكم البشري. أنجح مترجم في السنوات القادمة ليس من يرفض الأداة ولا من يسلّمها كل شيء — بل من يعرف بالضبط أين يثق بها (السرعة والاتّساع والاتّساق) وأين يمسك الزمام بنفسه (الدقّة الملزِمة، الحكم، المسؤولية).
- Bender, Gebru et al. (2021). «On the Dangers of Stochastic Parrots». نقد فكرة «الفهم» ومحدوديّة النماذج اللغوية. FAccT 2021
- Bommasani et al. (2021). «On the Opportunities and Risks of Foundation Models». مسح شامل لقدرات النماذج الأساسية ومخاطرها. Stanford CRFM · arXiv:2108.07258
- Ji et al. (2023). «Survey of Hallucination in Natural Language Generation». مرجع منهجي لظاهرة الهلوسة وأسبابها. ACM Computing Surveys · arXiv:2202.03629
اقتصاد الذكاء الاصطناعي: سباق المليارات وموازين القوّة
حتى تفهم لماذا تتطوّر هذه الأدوات بهذه السرعة — ولماذا صار «مهندس اللغويات» وظيفة المستقبل — انظر لحجم الأموال. ما يحدث الآن هو أكبر دورة استثمار في تاريخ التكنولوجيا، والأرقام التالية حقيقية وموثّقة حتى يوليو 2026 (وتتغيّر بسرعة، فتحقّق دائمًا من الأحدث).
💰 كم تنفق الشركات الكبرى على بنية الذكاء الاصطناعي؟ (خطط 2026)
الإنفاق الرأسمالي (Capex): مراكز بيانات، شرائح GPU، وطاقة — الجزء الأكبر منه للذكاء الاصطناعي.
مختبرات النماذج نفسها: تقييمات تقترب من التريليون
في النصف الأول من 2026، التهمت شركتان وحدهما (OpenAI وAnthropic) نحو 43% من كل تمويل الشركات الناشئة على كوكب الأرض ($217 من $510 مليار).
حسب تقديرات Epoch AI ومؤشر ستانفورد: تدريب GPT-4 كلّف نحو $78 مليون حوسبةً فقط، وGemini Ultra نحو $191 مليون، وLlama 3.1 (405B) نحو $170 مليون — والتكلفة تتضاعف ~2.4x سنويًّا، والحوسبة المستخدمة في التدريب تتضاعف كل ~5 شهور، وأكبر جولات التدريب تتّجه لتجاوز مليار دولار. (وحين أعلنت DeepSeek تدريب V3 بـ $5.6 مليون فقط، كان الرقم لجولة التدريب النهائية دون البنية التحتية والتجارب — لكنه أثبت أن الكفاءة الهندسية قد تغيّر المعادلة.)
📏 بماذا نقيس «قوّة» نموذج لغوي؟ أشهر المقاييس (Benchmarks)
لا يوجد رقم واحد سحري — كل مقياس يختبر قدرة مختلفة:
⚔️ فأيّ النماذج أقوى؟ مقارنة موثّقة (يوليو 2026)
SWE-bench Verified — نسبة الأعطال البرمجية الحقيقية التي أصلحها النموذج:
GPQA Diamond — الاستدلال العلمي بمستوى الدكتوراه:
الإجابة الصادقة عن «أيّهم الأقوى؟»
لا يوجد نموذج واحد يكسب كل شيء. القمّة متقاربة جدًّا، والترتيب يتغيّر كل بضعة أسابيع مع كل إصدار. القرار المهني الصحيح: اختر النموذج حسب المهمّة (برمجة؟ بحث علمي؟ سياق طويل؟ تكلفة؟) وحسب ميزانيتك — وأعد التقييم دوريًّا من لوحات القياس الحيّة مثل LMArena وArtificial Analysis بدل الاعتماد على أي قائمة ثابتة… بما فيها هذه.
وعلى أي تكنولوجيا تقوم كل هذه النماذج؟
كلها تشترك في نفس الأساس الذي درسناه اليوم — توكنز ومتجهات وانتباه — مضافًا إليه طبقات حديثة:
- CNBC (فبراير 2026) + Yahoo Finance/FT (أبريل–يونيو 2026). خطط الإنفاق الرأسمالي 2026: أمازون ~$200، مايكروسوفت ~$190، ألفابت $175–185، ميتا $115–135 مليار؛ الإجمالي ~$725 مليار (+77%). cnbc.com · finance.yahoo.com
- CNBC وThe Hill وMorningstar (28–29 مايو 2026). تقييم Anthropic $965 مليار (جولة $65 مليار) وإيراد معدَّل $47 مليار؛ تقييم OpenAI $852 مليار (جولة $122 مليار). cnbc.com/2026/05/28
- Crunchbase — تقرير النصف الأول 2026. تمويل عالمي قياسي $510 مليار؛ OpenAI + Anthropic أخذتا $217 مليارًا (43%). news.crunchbase.com
- Cottier et al. / Epoch AI (2024). «How much does it cost to train frontier AI models?» تكلفة GPT-4 ~$78م وGemini Ultra ~$191م؛ نموّ 2.4x سنويًّا نحو تجاوز المليار. arXiv:2405.21015 · epoch.ai
- Stanford AI Index 2026 (عرض IEEE Spectrum، يونيو 2026). حوسبة الذكاء الاصطناعي العالمية ×30 منذ 2021؛ شرائح Nvidia أكثر من 60% منها. spectrum.ieee.org
- لوحات قياس حيّة (يوليو 2026): Vellum · LLM-Stats · Artificial Analysis · LMArena. أرقام SWE-bench Verified وGPQA Diamond وHLE المعروضة أعلاه. vellum.ai/llm-leaderboard · llm-stats.com
اختبر فهمك
جاوب في ذهنك أولًا، ثم اضغط «أظهر الإجابة النموذجية» للمقارنة. الهدف أن تصوغ الفكرة بكلماتك، لا أن تحفظها.