ما هو الذكاء الاصطناعي؟ تعريف عملي دقيق بلا مبالغة

عندما تفتح خرائط جوجل وتقرأ «الوصول بعد ٢٤ دقيقة»، فأنت تنظر إلى مخرَج نظام ذكاء اصطناعي. النظام قسّم شبكة الطرق إلى مقاطع كبرى (Supersegments)، ومثّل كل مقطع عقدةً في مخطط، ثم درّب شبكة عصبية بيانية (Graph Neural Network) على تقدير زمن العبور، بما في ذلك التأخير عند الانعطاف والاندماج وحركة المرور المتقطّعة (DeepMind). لا يوجد في هذا الوصف «فهم» للمدينة ولا «حدس» بالزحام؛ يوجد تقدير رقمي لكمية واحدة محددة.

هذا هو المدخل الصحيح للسؤال. «ما هو الذكاء الاصطناعي؟» سؤال يُجاب عليه بوصف ما يستقبله النظام، وما يُنتجه، وبأي درجة استقلالية — لا بوصف ما يشبهه من الصفات البشرية. وهذا الفرق بين الوصف والتشبيه هو موضع أكثر الالتباس في الحديث العام.

التعريف المعياري: ماذا تقول الجهات التي تكتب المعايير

راجعت منظمة التعاون الاقتصادي والتنمية تعريفها عام ٢٠٢٣، وصار نصّه: «نظام الذكاء الاصطناعي هو نظام قائم على الآلة، يستدلّ — لأهداف صريحة أو ضمنية — من المدخلات التي يتلقّاها، كيف يُنتج مخرجات مثل التنبؤات أو المحتوى أو التوصيات أو القرارات، التي يمكن أن تؤثر في بيئات مادية أو افتراضية. وتتفاوت أنظمة الذكاء الاصطناعي في درجات استقلاليتها وقابليتها للتكيّف بعد النشر» (OECD). وتبنّى المعهد الوطني الأمريكي للمعايير والتقانة صيغة قريبة في إطاره لإدارة مخاطر الذكاء الاصطناعي، مستندًا إلى التعريف السابق للمنظمة وإلى معيار ISO/IEC 22989 للمصطلحات (NIST AI 100-1).

انظر إلى ما غاب عن النص. لا ذكر للوعي ولا للفهم ولا للإرادة. الكلمة المحورية هي «يستدلّ» (infers): النظام يستخرج من المدخلات دالةً تُنتج المخرَج، ثم يطبّقها. والكلمة الثانية المحورية هي «مخرجات»، وهي مُعدّدة بأنواعها: تنبؤ، تصنيف، توصية، محتوى، قرار. أي نظام تلقاه في العمل يقع تحت أحد هذه الأنواع، ومعرفة النوع تحدّد ما يصلح له.

يضيف الإطار المعياري ملاحظتين تُهمَلان كثيرًا: أن هذه الأنظمة اجتماعية-تقنية بطبعها، فسلوكها يتأثر بمن يشغّلها وبسياق استخدامها؛ وأنها قد تُدرَّب على بيانات تتغير مع الزمن تغيّرًا كبيرًا وغير متوقَّع، فتتغير وظيفتها بطرق يصعب تفسيرها (NIST AI 100-1). أي أن جودة النظام ليست خصيصةً ثابتة فيه، بل حالة تحتاج مراقبة.

أنظمة تستعملها اليوم، وما تفعله بالضبط

مرشّح البريد مثال نافع للمقايضة. أعلنت جوجل أنها أضافت حمايات مبنية على TensorFlow تحجب أكثر من ١٠٠ مليون رسالة مزعجة إضافية يوميًّا، وأن المرشّح يوازن آلاف الإشارات معًا لا إشارةً واحدة، ويُخصّص التصنيف لكل مستخدم لأن ما يعدّه أحدهم إزعاجًا يعدّه غيره مهمًّا (Google Workspace). المخرَج هنا حكم إحصائي على عتبة، لا قراءة لنيّة. ولهذا تُحجَب رسائل مشروعة أحيانًا: هذا ليس عطلًا، بل الوجه الآخر لضبط العتبة.

أين تنشأ الفجوة بين الوصف والدعاية

في ورقة FAccT عام ٢٠٢١، يعرّف الباحثون نموذج اللغة بأنه نظام مُدرَّب على مهمة التنبؤ بالنصّ: تقدير احتمال الرمز التالي بناءً على سياقه، ويصرّحون بأن هذه النماذج «لا تؤدي فهمًا للغة الطبيعية»، وأن نجاحها يقع في المهام التي يمكن مقاربتها بمعالجة الشكل اللغوي وحده (Bender وآخرون). الجدل حول هذا الحدّ ما زال مفتوحًا، لكن نقطة الورقة الوصفية دقيقة: هدف التدريب المُعلَن هو التنبؤ بالشكل، ولا شيء في الهدف يضمن إسناد المخرَج إلى العالم.

وتتبع ذلك نتيجة عملية. في ورقة عام ٢٠٢٥، يُفسّر باحثون «الهلوسة» — إنتاج جُمل معقولة لكنها خاطئة — بأنها ناتجة عن أن إجراءات التدريب والتقييم تكافئ التخمين وتعاقب الإقرار بعدم المعرفة؛ فالنموذج مُحسَّن ليكون مؤدّيًا جيدًا في الاختبارات، والتخمين عند الشكّ يرفع الدرجة. ويقترحون تعديل طريقة تقييم المقاييس القائمة بدلًا من إضافة اختبارات جديدة للهلوسة (Kalai وآخرون). أي أن الخطأ الأشهر في هذه الأنظمة أثرٌ لدالة الهدف، لا عيب عارض يُرقَّع لاحقًا. وتفصيل ذلك في لماذا يخطئ الذكاء الاصطناعي؟.

هذه التمييزات تصير أوضح إذا فصلت بين الحقل والطريقة والمعمارية، وهو موضوع مقال الفرق بين الذكاء الاصطناعي والتعلم الآلي والتعلم العميق.

سؤالان يكشفان أي نظام

اسأل عن نوع المخرَج أولًا: تصنيف، أم رقم، أم ترتيب، أم نصّ حرّ؟ ثم اسأل عن درجة الاستقلالية والتكيّف بعد النشر، وهما بُعدان صريحان في التعريف المعياري (OECD). نظام يُصنّف رسائل ويعمل بلا مراجعة بشرية يحتاج مراقبة لمعدّل الأخطاء الموجبة. ونظام يقترح صياغة نصّية على محرّر بشري يحتاج مراجعةً واحدة قبل النشر. الاسم التجاري نفسه لا يفرّق بين الحالتين؛ الجواب عن السؤالين يفرّق.

متى لا تحتاج هذا التعريف

إن كانت مسألتك محسومة بقاعدة صريحة — حدّ للصرف، أو تحقّق من صيغة رقم هوية، أو جدول أسعار — فلا حاجة إلى نظام يستدلّ من البيانات. القاعدة أدقّ وأرخص وقابلة للتدقيق سطرًا بسطر، ولا تتدهور حين تتغير البيانات. والتعريف المعياري نفسه لا يُغنيك عن تقييم نظام محدد: إطار NIST يذكر صراحةً أن الأنظمة وسياقات نشرها معقّدة، فيصعب كشف الأعطال والاستجابة لها (NIST AI 100-1) — أي أن التصنيف مدخل، والقياس على بياناتك هو الحكم. وإن كنت تحتاج ضمانًا قاطعًا لصحة كل مخرَج، فالأنظمة الاحتمالية ليست الأداة، أو تحتاج طبقة تحقّق حتمية فوقها.

الأسئلة الشائعة

هل الذكاء الاصطناعي مصطلح تسويقي فقط؟

لا. له تعريف معياري متفق عليه بين منظمة التعاون الاقتصادي والتنمية وNIST ومعيار ISO/IEC 22989، ونصّه وصفيّ يتحدث عن استدلال ومخرجات ودرجات استقلالية (OECD). المشكلة في الاستخدام الدعائي الذي يستعير الكلمة ويُسقِط شروطها.

هل يعني «يستدلّ» في التعريف أن النظام يفكّر؟

لا. «الاستدلال» هناك مصطلح تقني: استخراج دالة من المدخلات إلى المخرجات ثم تطبيقها. التعريف المُحدَّث اختار هذه الكلمة ليشمل التنبؤ وتوليد المحتوى معًا، لا ليصف عملية ذهنية.

لماذا يخطئ النموذج بثقة عالية؟

لأن معظم إجراءات التقييم تُصحّح الجواب صوابًا أو خطأً، فلا تكافئ الامتناع. فيصير التخمين عند الشكّ استراتيجيةً رابحة في الدرجة، وخاسرة في الموثوقية (Kalai وآخرون).

هل كل نظام يستعمل التعلم الآلي يُعدّ ذكاءً اصطناعيًّا؟

عمليًّا نعم، إذ يقع تحت التعريف المعياري ما دام يستدلّ من مدخلاته وينتج تنبؤًا أو تصنيفًا أو توصية. لكن التسمية لا تخبرك بالمعمارية ولا بجودة النظام؛ لذلك يُفضَّل وصف الطريقة صراحةً عند التوثيق.

المراجع

1. OECD. Explanatory Memorandum on the Updated OECD Definition of an AI System, OECD AI Papers No. 8, March 2024. oecd.org
2. NIST. Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1, January 2023. nvlpubs.nist.gov
3. ISO/IEC. ISO/IEC 22989:2022 — Artificial intelligence: concepts and terminology. iso.org
4. Bender, Gebru, McMillan-Major, Shmitchell. On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? FAccT '21. dl.acm.org
5. Kalai, Nachum, Vempala, Zhang. Why Language Models Hallucinate. arXiv:2509.04664
6. DeepMind. Traffic prediction with advanced Graph Neural Networks. deepmind.google
7. Google Workspace. Ridding Gmail of 100 million more spam messages with TensorFlow. workspace.google.com