قاموس مصطلحات الذكاء الاصطناعي (نسخة مارس 2026)، يُنصح بالاحتفاظ به

المؤلف｜Golem (@web 3_golem)

الآن، إذا لم يهتم شخص ما في عالم العملات الرقمية بالذكاء الاصطناعي، فسيكون عرضة للسخرية الجماعية بسهولة (نعم، يا أصدقائي، فكروا في سبب دخولكم هنا).

هل أنت تجهل المفاهيم الأساسية للذكاء الاصطناعي، وتستفسر عن معنى الاختصارات الموجودة في كل جملة؟ وهل أنت أيضًا في فعاليات الذكاء الاصطناعي غير قادر على فهم المصطلحات المتخصصة، وتتصنع عدم الانقطاع عن الاتصال؟

على الرغم من أن الدخول المفاجئ إلى صناعة الذكاء الاصطناعي في فترة قصيرة غير واقعي، إلا أن معرفة بعض المصطلحات الأساسية التي تتكرر بكثرة في المجال لن يضر أبدًا. ولحسن الحظ، فإن هذه المقالة معدة خصيصًا لك ↓ أنصحك بصدق أن تدرسها جيدًا وتحتفظ بها.

المفردات الأساسية (12)

LLM (نماذج اللغة الكبيرة)

الجوهر في نماذج اللغة الكبيرة هو أنها نماذج تعلم عميق تم تدريبها على كميات هائلة من البيانات، وتتميز بقدرتها على فهم وتوليد اللغة، ويمكنها الآن معالجة النصوص، وأصبحت أكثر قدرة على التعامل مع أنواع أخرى من المحتوى.

وعلى النقيض منها يوجد SLM (نماذج اللغة الصغيرة) — والتي غالبًا ما تركز على تقليل التكلفة، وخفة النشر، وسهولة التوطين.

AI Agent (الوكيل الذكي)

الوكيل الذكي لا يشير فقط إلى “نموذج الدردشة”، بل هو نظام قادر على فهم الأهداف، واستدعاء الأدوات، وتنفيذ المهام خطوة بخطوة، ويمكنه عند الضرورة أيضًا التخطيط والتحقق. تعرف جوجل الوكيل بأنه برنامج يمكنه استنتاج استنتاجات متعددة الوسائط بناءً على المدخلات، وتنفيذ الأفعال نيابة عن المستخدم.

Multimodal (متعدد الوسائط)

نماذج الذكاء الاصطناعي ليست مقتصرة على النصوص فقط، بل يمكنها معالجة وتوليد أشكال متعددة من المدخلات والمخرجات مثل النصوص، الصور، الصوت، الفيديو وغيرها. حددت جوجل بوضوح أن القدرة على التعامل مع أنواع مختلفة من المحتوى وإنتاجها تُعرف باسم “متعدد الوسائط”.

Prompt (موجه الإدخال)

هو الأمر الذي يقدمه المستخدم للنموذج، وهو أبسط وسيلة للتفاعل بين الإنسان والآلة.

Generative AI (الذكاء الاصطناعي التوليدي / AIGC)

يؤكد على أن الذكاء الاصطناعي “يولد” المحتوى، وليس مجرد تصنيف أو تنبؤ. يمكن للنماذج التوليدية أن تنتج نصوص، أكواد، صور، ملصقات، فيديوهات وغيرها استنادًا إلى الموجه.

Token (رمز)

هو أحد المفاهيم الأكثر تشابهًا مع “وحدة الغاز” في عالم الذكاء الاصطناعي. النموذج لا يفهم المحتوى على أساس “عدد الأحرف”، بل يعالجه على أساس الرموز، ويؤثر ذلك على تكلفة الاستخدام، وطول السياق، وسرعة الاستجابة، وغالبًا ما يكون مرتبطًا بقوة بالرموز.

Context Window (نافذة السياق / طول السياق)

يشير إلى إجمالي عدد الرموز التي يمكن للنموذج أن يراها ويستخدمها مرة واحدة، ويمكن أيضًا تسميتها بعدد الرموز التي يمكن للنموذج أن يأخذها في الاعتبار أو “يتذكرها” في عملية واحدة.

Memory (الذاكرة)

تمكن النموذج أو الوكيل من الاحتفاظ بتفضيلات المستخدم، وسياق المهمة، والحالة التاريخية.

Training (التدريب)

هو عملية تعلم النموذج للمعلمات من البيانات.

Inference (الاستنتاج / تنفيذ التنبؤ)

على عكس التدريب، هو عملية استلام النموذج للمدخلات وإنتاج المخرجات بعد إطلاقه. يُقال في الصناعة غالبًا “التدريب مكلف جدًا، والاستنتاج أكثر تكلفة”، لأن العديد من التكاليف الحقيقية تحدث أثناء مرحلة الاستنتاج عند التطبيق التجاري. ويُعد التمييز بين التدريب والاستنتاج إطارًا أساسيًا عند مناقشة تكاليف النشر من قبل الشركات الكبرى.

Tool Use / Tool Calling (استخدام الأدوات / استدعاء الأدوات)

يعني أن النموذج لا يقتصر على إخراج النصوص فقط، بل يمكنه استدعاء أدوات مثل البحث، وتنفيذ الأكواد، وقواعد البيانات، وواجهات برمجة التطبيقات الخارجية، ويُعتبر ذلك أحد القدرات الأساسية للوكيل.

API (واجهة برمجة التطبيقات)

البنية التحتية التي تربط منتجات الذكاء الاصطناعي، والتطبيقات، والوكيلات مع خدمات الطرف الثالث.

المفردات المتقدمة (18)

transformer (هيكلية المحول)

هي بنية نماذج تُمكن الذكاء الاصطناعي من فهم العلاقات السياقية بشكل أفضل، وتُعد الأساس التقني لمعظم نماذج اللغة الكبيرة اليوم، وتتميز بقدرتها على النظر إلى كل كلمة في النص في سياق الكلمات الأخرى في نفس المحتوى.

Attention (آلية الانتباه)

هي العنصر الأهم في بنية المحول، وتتمثل وظيفتها في جعل النموذج يحدد تلقائيًا “أي الكلمات تستحق التركيز أكثر” أثناء قراءة جملة.

Agentic / Agentic Workflow (سير عمل الوكيل / سير عمل الوكيل الذكي)

هو مصطلح حديث جدًا، ويعني أن النظام لم يعد مجرد “سؤال وجواب”، بل يمتلك نوعًا من الاستقلالية في تفكيك المهام، وتحديد الخطوة التالية، واستدعاء القدرات الخارجية. يعتبر العديد من الشركات هذا بمثابة علامة على الانتقال من روبوت الدردشة إلى نظام قابل للتنفيذ.

Subagents (الوكيلات الفرعية)

نموذج يتفرع من الوكيل الرئيسي ليشمل عدة وكلاء متخصصين لمعالجة مهام فرعية.

Skills (مهارات قابلة لإعادة الاستخدام)

مع انتشار OpenClaw، أصبح هذا المصطلح أكثر شيوعًا، ويشير إلى وحدات أو أوامر القدرات التي يمكن تثبيتها، وإعادة استخدامها، وتكوينها في الوكيل الذكي، مع تحذير من مخاطر سوء الاستخدام أو كشف البيانات.

Hallucination (هلوسة الآلة)

يعني أن النموذج يتحدث بشكل جدي عن أشياء غير موجودة، ويُعرف أيضًا بـ “الأنماط التي يكتشفها ويولدها بشكل خاطئ”، مما يؤدي إلى إنتاج مخرجات خاطئة أو سخيفة، وهو ناتج عن ثقة زائدة في مخرجات النموذج التي تبدو معقولة لكنها في الواقع خاطئة.

Latency (الكمون / التأخير)

هو الوقت الذي يستغرقه النموذج من استلام الطلب إلى إخراج النتيجة، وهو أحد المصطلحات الهندسية الأكثر شيوعًا، ويظهر بكثرة عند الحديث عن التطبيق والتنفيذ.

Guardrails (حواجز الأمان)

هي أدوات تُستخدم لتقييد ما يمكن أن يفعله النموذج أو الوكيل، ومتى يتوقف، وما المحتوى الذي لا يُسمح بإخراجه.

Vibe Coding (برمجة الأجواء)

هو مصطلح من أكثر المصطلحات شعبية في الذكاء الاصطناعي حاليًا، ويعني أن المستخدم يعبر عن طلباته مباشرة من خلال الحوار، ويقوم الذكاء الاصطناعي بكتابة الكود، دون أن يحتاج المستخدم إلى معرفة كيفية البرمجة بشكل تفصيلي.

Parameters (المعلمات)

هي الأرقام التي تخزن قدرات ومعرفة النموذج، وغالبًا ما تُستخدم كمقياس تقريبي لحجم النموذج، وتُقال عادة “مائة مليار معلمة” أو “تريليون معلمة” كعبارات مبهرة في عالم الذكاء الاصطناعي.

Reasoning Model (نموذج الاستنتاج القوي)

هو النموذج الذي يكون أكثر قدرة على إجراء استنتاجات متعددة الخطوات، والتخطيط، والتحقق، وتنفيذ المهام المعقدة.

MCP (بروتوكول سياق النموذج)

هو مصطلح حديث جدًا، ويشبه إنشاء واجهة عامة بين النموذج والأدوات أو مصادر البيانات الخارجية.

Fine-tuning / Tuning (التخصيص / التعديل الدقيق)

هو عملية استكمال تدريب النموذج الأساسي ليصبح أكثر ملاءمة لمهام أو أساليب أو مجالات محددة. وتُعتبر مصطلحات “تعديل” و"تخصيص" مترادفة في قاموس جوجل.

Distillation (التقطير)

هي عملية ضغط قدرات النموذج الكبير إلى نموذج أصغر، كأن يُعلم “المعلم” “الطالب”.

RAG (التوليد المعزز بالبحث)

أصبح تقريبًا المعيار الأساسي في تطبيقات الذكاء الاصطناعي للشركات. تعرفه مايكروسوفت بأنه نمط “البحث + نماذج اللغة الكبيرة”، حيث يُستخدم البيانات الخارجية لإعطاء إجابات أساسها التحقق من المعلومات، وحل مشكلة أن بيانات التدريب قد تكون قديمة أو غير معروفة بالمعلومات الخاصة. الهدف هو بناء الإجابات على مستندات حقيقية ومعرفة خاصة، بدلاً من الاعتماد فقط على استرجاع النموذج للمعلومات.

Grounding (تطابق الحقائق)

غالبًا ما يُذكر مع RAG، ويعني أن إجابات النموذج تعتمد على مستندات، قواعد بيانات، صفحات ويب، وغيرها من المصادر الخارجية، بدلاً من الاعتماد فقط على الذاكرة الداخلية للمعلمات. وتؤكد مايكروسوفت في وثائق RAG أن Grounding هو قيمة أساسية.

Embedding (التمثيل الشعاعي / التضمين الدلالي)

هو تحويل النصوص، الصور، الصوتيات، وغيرها إلى متجهات رقمية عالية الأبعاد، بهدف حساب التشابه الدلالي بينها.

Benchmark (اختبار المقارنة)

هو تقييم قدرة النموذج باستخدام معيار موحد، ويُعد من أكثر الطرق التي تستخدمها الشركات لعرض تفوقها في الأداء، ويُعرف أيضًا بترتيب التصنيفات.

قراءة موصى بها

11 سؤالًا رئيسيًا عن الروبيان: تحليل مبسط وواضح جدًا لمبدأ OpenClaw