تهدف هذه المقالة إلى جعل هذه الأداة أقل غموضًا وأكثر قابلية للتنبؤ. وليس الهدف التوقف عن استخدامها، بل على العكس تمامًا؛ أن نستخدمها بوعي، فنعرف ما الذي تجيده، وما الذي تعجز عنه، وما العادات التي تحمينا من الانخداع بنصوص تبدو مقنعة بفضل سلاسة أسلوبها، لا بفضل دقة محتواها.

أين يقع الذكاء الاصطناعي التوليدي ضمن منظومة الذكاء الاصطناعي؟

عندما يتحدث الناس عن الذكاء الاصطناعي، فإنهم غالبًا ما يتصورونه تقنية واحدة تقوم بكل شيء. لكن الواقع أكثر اتساعًا وتعقيدًا؛ فالذكاء الاصطناعي مصطلح شامل يضم طيفًا واسعًا من التقنيات، يبدأ بأنظمة الأتمتة البسيطة القائمة على قواعد محددة، مثل: (إذا حدث كذا، فافعل كذا)، ويمر بالتعلم الآلي التقليدي الذي يُستخدم في التصنيف أو التنبؤ، مثل كشف الرسائل غير المرغوب فيها، وصولًا إلى النماذج التوليدية القادرة على إنتاج النصوص والصور والصوت والأكواد البرمجية.

وأكثر هذه النماذج حضورًا في استخداماتنا اليومية هو نموذج اللغة الكبير (LLM). ويُدرَّب هذا النوع من النماذج على كميات هائلة من النصوص بهدف واحد في الأساس: التنبؤ بما سيأتي لاحقًا في النص. وليس المقصود التنبؤ بالفكرة التالية أو بالحقيقة التالية، وإنما بالكلمة التالية، أو بجزء منها، استنادًا إلى الأنماط التي تعلمها أثناء التدريب.

وتكمن أهمية هذا الهدف التدريبي في أنه يفسر في الوقت نفسه نقاط قوة هذه النماذج وحدودها. فالنموذج المصمم لمواصلة النص يجيد إنتاج لغة سلسة ومقنعة، لكنه قد يختلق أحيانًا تفاصيل تبدو منسجمة مع السياق، رغم أنها غير صحيحة. ولهذا تصف OpenAI الهلوسة بأنها نتيجة طبيعية لطريقة تدريب هذه النماذج؛ فالتنبؤ بالكلمة التالية يمنحها قدرة كبيرة على إنتاج النصوص، لكنه لا يعني أنها تتتبع الحقيقة أو تتحقق من صحتها.

وهناك نقطة أحرص دائمًا على توضيحها، لأن تجاهلها يقود إلى فهم غير دقيق لطبيعة هذه النماذج. صحيح أنها تعتمد في تدريبها على الأساليب الإحصائية، لكن هذا لا يعني أنها مجرد مخزن لعبارات محفوظة. فهي قادرة على تعميم الأنماط ودمجها بطرق قد تبدو مبتكرة. والخلاصة التي ينبغي أن نخرج بها ليست أن النموذج محدود الذكاء، بل أنه صُمم لإنتاج نص يبدو طبيعيًا وسلسًا، أما ارتباطه بالواقع فلا يتحقق إلا عندما نزوده بمعلومات أو مصادر موثوقة يستند إليها.

أدوات نماذج اللغة الكبيرة ومحركات البحث: قريبتان في بعض الجوانب، لكنهما ليستا الشيء نفسه

من أكثر المفاهيم التي ألاحظ التباسًا لدى فرق العمل التعامل مع ChatGPT وكأنه محرك بحث. والحقيقة أنه ليس كذلك. وقد يبدو الفرق بسيطًا، لكنه يغيّر طريقة التحقق من المعلومات، وحجم الثقة التي ينبغي أن نمنحها للإجابات.

تسترجع محركات البحث التقليدية المعلومات، ثم ترتبها وتحيلك إلى مصادرها، لتتولى أنت قراءة تلك المصادر واستخلاص ما تحتاج إليه. أما أدوات نماذج اللغة الكبيرة، فتعتمد على توليد الإجابات؛ إذ تقدم لك إجابة مباشرة في صياغة مترابطة، حتى عندما لا تستند إلى مصدر موثوق.

ومع ذلك، بدأت الحدود بين النوعين تتداخل مع ظهور أدوات تجمع بين البحث والتوليد. فعلى سبيل المثال، تعرض Google ملخصات مدعومة بتقنية Gemini ضمن نتائج البحث من خلال ميزة (نظرة عامة بالذكاء الاصطناعي)، وتوضح أن هذه الملخصات تعتمد على تكامل الذكاء الاصطناعي مع محرك البحث، مع إتاحة روابط تمكّن المستخدم من التحقق من المعلومات. أما Perplexity فتقدم نفسها بوصفها أداة تجمع بين البحث والإجابة والاستشهاد بالمراجع؛ إذ تسترجع نتائج الويب، ثم توظفها في إجابة واحدة تتضمن روابط مباشرة إلى مصادرها.

ويفيد هذا النوع من الأدوات كثيرًا في المهام التي تعتمد على الحقائق، لكنه لا يغني عن التحقق والتدقيق. فقد تكون المراجع غير مرتبطة بالموضوع، أو ضعيفة الموثوقية، أو تحيل إلى محتوى أنشأه الذكاء الاصطناعي ويبدو للوهلة الأولى وكأنه صفحة ويب موثوقة. وقد أشارت تحقيقات صحفية إلى أن هذه المشكلة تمثل أحد أبرز مخاطر محركات الإجابة؛ فإذا امتلأ الإنترنت بمحتوى مضلل أو غير موثوق، فمن الطبيعي أن تتأثر به حتى الإجابات التي تبدو مستندة إلى مصادر.

أما في عملي، فألتزم بقاعدة بسيطة: أستعين بنماذج اللغة الكبيرة في التفكير، وبناء الأفكار، وتنظيم المحتوى، واستكشاف البدائل، وتخطيط السيناريوهات، وإعادة الصياغة، بينما ألجأ إلى محركات البحث، أو أدوات البحث المعتمدة على المراجع، عندما أحتاج إلى معلومات دقيقة، أو تواريخ، أو أرقام، أو ما يستلزم التحقق والمساءلة. وإذا كان المحتوى موجهًا للنشر ويترتب عليه أثر في السمعة أو المصداقية، فإنني أتعامل معه بوصفه أداة لإعداد المسودة الأولى، لا مصدرًا للحقيقة.

الذكاء الاصطناعي لا يمتلك وعيًا… فلماذا يهم ذلك؟

يتكرر سؤال واحد كلما دار الحديث عن نماذج الذكاء الاصطناعي: هل يفهم ما يكتبه؟ والإجابة العملية هي: لا. فهو لا يمتلك وعيًا، ولا نية، ولا خبرة حياتية. ولا يسعى إلى مساعدتك، ولا يهتم إن كانت إجابته صحيحة أو خاطئة؛ بل ينتج لغة تلائم السياق والأنماط التي تعلمها أثناء التدريب.

ويمكن تقريب هذه الفكرة بمثال من حياتنا اليومية. فعندما يقول لك أحدهم: (شكرًا)، ترد تلقائيًا: (عفوًا). فأنت لا تتوقف لتحلل معنى الامتنان أو طبيعة العلاقة بينكما، وإنما تستجيب وفق نمط لغوي واجتماعي اعتدت عليه.

وهذا، إلى حد كبير، ما تفعله نماذج اللغة الكبيرة أيضًا، ولكن على نطاق أوسع بكثير. فهي ليست عشوائية، ولا تعتمد على عبارات محفوظة، وإنما تستند إلى أنماط لغوية تعلمتها من كميات هائلة من البيانات. ومع ذلك، يبقى الخطر الحقيقي قائمًا؛ إذ إن اللغة السلسة التي تنتجها قد توحي بأنها تفهم ما تقوله أو تتحقق من صحته، بينما الواقع غير ذلك. ولهذا توضح OpenAI أن الهلوسة ليست خللًا عارضًا، بل نتيجة متوقعة لطريقة تدريب هذه النماذج؛ فهي صُممت لإنتاج استمرارًا يبدو منطقيًا للنص، لا للتحقق من صحة المعلومات قبل تقديمها.

إذا كانت هذه النماذج تعتمد على الأنماط، فلماذا لا تقدم الإجابة نفسها في كل مرة؟

من أكثر اللحظات التي أحب مشاركتها مع فرق العمل أن نطرح السؤال نفسه مرتين، ثم نقارن بين الإجابتين. وقد يبدو الأمر وكأن النموذج يغيّر رأيه أو يتصرف وفق مزاج متقلب، لكن الحقيقة مختلفة تمامًا؛ فما يحدث يعود إلى طريقة عمله، لا إلى وجود نية أو مزاج لديه.

ويرجع ذلك أولًا إلى ما يُعرف بـ«أخذ العينات» (Sampling)، وهي الآلية التي يختار بها النموذج الكلمة التالية من بين عدة احتمالات مرجحة. فهو لا يختار دائمًا الكلمة الأعلى احتمالًا، بل ينتقي أحيانًا من مجموعة من الخيارات المتقاربة حتى لا تبدو إجاباته متطابقة أو آلية. ومن أكثر الإعدادات ارتباطًا بهذه الآلية ما يُعرف بـ«درجة الحرارة» (Temperature)، وهي التي تتحكم في مستوى التنوع في المخرجات. فكلما انخفضت قيمتها، أصبحت الإجابات أكثر ثباتًا واتساقًا، وكلما ارتفعت، ازدادت تنوعًا وإبداعًا. وغالبًا ما تكون القيمة الافتراضية قريبة من 1.0، وهو مستوى يمنح توازنًا بين الاستقرار والتنوع. ومع ذلك، لا تتيح كثير من تطبيقات المحادثة هذه الإعدادات للمستخدم، كما قد تعدلها تلقائيًا بحسب وضع الاستخدام أو سياسات المنتج أو التجارب التي تجريها الشركة.

تمرين: أخذ العينات وتباين المخرجات

اطلب من النموذج: (أعطني عشرة شعارات لحملة عن المرونة الرقمية في منظمات القطاع غير الربحي). كرر الطلب ثلاث إلى خمس مرات، ثم اطلب منه: (اجعلها أقل إبداعًا وأكثر اتساقًا). بعد ذلك قارن بين النتائج. ستلاحظ أن النموذج لا ينتج إجابة واحدة ثابتة، بل يقدم في كل مرة صياغة مختلفة تظل جميعها ضمن نطاق الإجابات المحتملة.

أما السبب الثاني فيعود إلى السياق. فالإجابة التي ينتجها النموذج لا تعتمد على طلبك وحده، وإنما تتأثر أيضًا بالمحادثة الجارية، وما سبقها من رسائل، والتعليمات الداخلية التي يعتمدها المنتج، فضلًا عن أي تفضيلات أو إعدادات شخصية محفوظة لديك.

وهنا تتضح أهمية الذاكرة. ففي ChatGPT، توضح OpenAI وجود ميزتين تؤثران في تخصيص التجربة للمستخدم، هما الذكريات المحفوظة والرجوع إلى سجل المحادثات، ويمكن للمستخدم التحكم في كلتيهما أو تعطيلهما. وتكتسب هذه المزايا أهمية خاصة في عمل منظمات القطاع غير الربحي، لأن أثرها لا يقتصر على تحسين جودة المخرجات، بل يمتد أيضًا إلى حماية السرية وتعزيز اتساق النتائج وإمكانية التنبؤ بها.

تمرين: كيف يغيّر السياق المخرجات؟

ابدأ محادثتين جديدتين، وقدّم في كل واحدة منهما سياقًا مختلفًا، مثل: منظمة خدمات اجتماعية غير ربحية، ومنظمة بيئية غير ربحية، ثم اطلب في كل منهما أفكارًا لبرامج. ستلاحظ أن السؤال نفسه لم يعد يؤدي إلى الإجابة نفسها بمجرد تغير السياق.

الحقيقة والهلوسة… لماذا لا تعني الثقة أن الإجابة صحيحة؟

هناك حقيقة قد تبدو مزعجة، لكنها أساسية لفهم طريقة عمل نماذج اللغة الكبيرة: فهي لا تعرف ما إذا كان طلبك يستند إلى حقيقة أم إلى افتراض أو معلومة مختلقة. فهي لا تتحقق من صحة المعلومات، ولا تراجعها قبل الإجابة، وإنما تنتج نصًا يتوافق مع السياق. ولهذا قد يقدم النموذج إجابة بالثقة والطلاقة ذاتهما، سواء استندت إلى معلومات صحيحة أم إلى افتراضات ضعيفة أو حتى خاطئة بالكامل.

ولهذا قد تبدو الإجابة دقيقة وواثقة، رغم أن مضمونها غير صحيح. فالنموذج لا يقيّم الواقع، وإنما يواصل الأنماط التي تعلمها أثناء التدريب.

وهنا تبرز أهمية إسناد الإجابات إلى مصادر موثوقة. لذلك تعمل الشركات المطورة على الحد من الهلوسة عبر ربط النماذج بمحركات البحث والوثائق والمراجع، حتى تستند الإجابات إلى معلومات يمكن التحقق منها. وإذا كانت هناك عادة واحدة تستحق أن ترافقك عند استخدام الذكاء الاصطناعي، فهي أن تتعامل مع أي إجابة لا تستند إلى مصدر موثوق بوصفها فرضية، لا حقيقة.

تمرين: اختبر الموظف الذي لا وجود له

اطلب من النموذج أن يكتب سيرة ذاتية لموظفة غير موجودة في مؤسستك، مثل: (اكتب سيرة ذاتية لمديرة وسائل التواصل الاجتماعي الجديدة لدينا، جين شكسبير). وفي كثير من الأحيان سيبتكر النموذج شخصية كاملة بثقة لافتة، فينسج لها خلفية مهنية، وتاريخًا وظيفيًا، وتفاصيل تبدو واقعية، من دون أن يتساءل أصلًا عما إذا كانت هذه الشخصية موجودة بالفعل.

لماذا يقدم الذكاء الاصطناعي أداءً أفضل في الموضوعات الشائعة؟

إذا سألت الذكاء الاصطناعي عن موضوع واسع الانتشار وموثق جيدًا، مثل أساسيات إدارة المشاريع، أو ممارسات الأمن السيبراني، أو كيفية تنظيم ورشة عمل، فغالبًا ما ستحصل على إجابة مفيدة. لكن الصورة تختلف عندما يتعلق الأمر بموضوعات محلية أو متخصصة، مثل لائحة تنظيمية في بلدك، أو برنامج منح محدود النطاق، أو تحديث حديث في السياسات، إذ قد تتراجع جودة الإجابات بصورة ملحوظة.

ويرجع ذلك إلى أن أداء هذه النماذج يتحسن كلما كانت المعلومات متوافرة ومتكررة في بيانات التدريب، بينما يضعف عندما تكون المعلومات نادرة، أو متضاربة، أو سريعة التغير. وتشير OpenAI إلى ما يُعرف بـ«الحقائق النادرة»، وهي المعلومات التي لا تتكرر كثيرًا في بيانات التدريب، ولذلك يصعب على النموذج التنبؤ بها بدقة، وهو أحد الأسباب الرئيسة لحدوث الهلوسة.

وبالنسبة لمنظمات القطاع غير الربحي، فإن هذه المسألة ترتبط مباشرة بإدارة المخاطر؛ فكلما كانت المعلومة أكثر تحديدًا، أو مرتبطة بسياق محلي، أو سريعة التغير، ازدادت الحاجة إلى الرجوع إلى المصادر الأصلية والتحقق منها، بدلًا من الاكتفاء بإجابة النموذج.

التحيز: أكثر من مجرد صور نمطية

لا يقتصر التحيز في الذكاء الاصطناعي على قضايا الجنس أو العرق، كما توحي الأمثلة الشائعة، بل قد يظهر في صور أقل وضوحًا. فقد ينعكس في الطريقة التي يصور بها النموذج العالم بوصفها الوضع الطبيعي، أو في المرجعيات الثقافية التي يفضلها، أو في تصوره لما يعد أداءً متميزًا، أو حتى في الأمثلة التي يستحضرها أولًا.

وتشير الدراسات المتعلقة بنماذج اللغة الكبيرة إلى أنها قد تعكس القيم والأنماط الثقافية السائدة في بيانات التدريب، بدلًا من تقديم منظور محايد ثقافيًا. ولهذا يصنف إطار إدارة مخاطر الذكاء الاصطناعي الصادر عن المعهد الوطني للمعايير والتكنولوجيا (NIST) التحيز بوصفه أحد المخاطر الرئيسة التي ينبغي للمؤسسات إدارتها من خلال الحوكمة والاستخدام الواعي لهذه النماذج.

ومن الأمثلة التي أفضل استخدامها لتوضيح ذلك أن تطلب من النموذج تسمية أفضل عشرة فرق موسيقية في العالم. ففي كثير من الأحيان ستجد أن القائمة تميل بوضوح إلى الفرق الأمريكية والبريطانية، لا لأن النموذج يتعمد ذلك، بل لأن بيانات التدريب تعكس هيمنة هذا المحتوى ثقافيًا.

ويظهر ذلك أيضًا في أسلوب النصوص التي ينتجها. فعند طلب كتابة مقترح منحة، تميل الصياغة التي ينتجها النموذج افتراضيًا، بحسب تجربتي، إلى أسلوب أقرب إلى الكتابة الأمريكية؛ إذ تكثر فيها المصطلحات الرائجة، والوعود المبالغ فيها، والإفراط في استخدام صيغ التفضيل. ويظهر ذلك حتى عند توليد النص بلغات أخرى، مثل التشيكية، مما يجعل هذه الصياغة غير ملائمة في كثير من الأحيان للمؤسسات المحلية أو الجهات الحكومية التي تعتمد أسلوبًا مختلفًا في الكتابة.

ولا يكمن الحل في مجادلة النموذج، بل في توجيهه بدقة. فكلما حددت له الدولة أو البيئة المستهدفة، واللغة، والأسلوب، ومعايير التقييم، ظهرت مواطن التحيز بوضوح أكبر، وأصبحت النتائج أكثر ملاءمة للسياق المطلوب.

تمرين: اجعل التحيز مرئيًا

اطلب من النموذج: (اذكر أفضل عشرة فرق موسيقية في العالم). تأمل الدول واللغات والثقافات التي تهيمن على القائمة، ثم أعد تنفيذ الطلب مرتين أو ثلاث مرات، مع إضافة معيار جديد في كل مرة. ستلاحظ كيف تتغير النتائج، وكيف يظهر أثر التحيز كلما حددت للنموذج سياقًا أو معايير أكثر دقة.

الهلوسة: ما هي؟ ولماذا تحدث؟

يشير مصطلح الهلوسة في الذكاء الاصطناعي إلى حالة ينتج فيها النموذج معلومات تبدو معقولة، لكنها غير صحيحة أو غير مدعومة بدليل. فقد يختلق اقتباسًا، أو ينسب معلومة إلى مرجع غير موجود، أو يورد معلومات لا أساس لها من الصحة. وتوضح OpenAI أن هذه الظاهرة ليست خطأً عارضًا، بل إحدى القيود المعروفة المرتبطة بطريقة تدريب هذه النماذج.

وتزداد أهمية هذه المشكلة في منظمات القطاع غير الربحي، لأن الإجابة قد تبدو قابلة للاستخدام رغم احتوائها على أخطاء. فالمرجع المختلق قد يبدو مقنعًا تمامًا بالنسبة لمن يقرأه على عجل، والإحصائية غير الصحيحة قد تنسجم مع سياق النص، فتنتقل الأخطاء بسهولة إلى المحتوى المنشور.

لذلك، عندما تطلب من النموذج مثلًا: (أعطني ثلاث دراسات تثبت كذا)، أو: (اذكر القانون الذي ينص على كذا)، فلا تفترض صحة المراجع التي يقدمها. اطلب منه مصادرها، ثم ارجع إليها بنفسك، وتحقق من وجودها وصحة ما تنسبه إليها.

التملّق: عندما يخبرك الذكاء الاصطناعي بما ترغب في سماعه

يُعد التملّق أحد أكثر أسباب الإخفاق خطورة عند استخدام الذكاء الاصطناعي في التخطيط الاستراتيجي. فالنموذج يتعلم أن المستخدمين يميلون إلى تفضيل الإجابات التي تؤيد آراءهم. وإذا كانت آليات التدريب والتغذية الراجعة تكافئ الاستجابات التي تبدو مفيدة ومرضية للمستخدم، فقد يتحول النموذج إلى مرآة تعكس قناعاتك، بدلًا من أن تختبرها أو تتحداها، خاصة إذا صغت طلبك بطريقة تفترض منذ البداية أن رأيك صحيح.

وتوضح Anthropic أن التملّق قد يكون أحد الآثار الجانبية لتدريب التفضيلات (RLHF)، إذ قد يميل النموذج إلى مجاراة قناعات المستخدم بدلًا من السعي إلى الوصول إلى الحقيقة. كما أشارت OpenAI إلى أن أساليب التغذية الراجعة، إلى جانب خصائص التخصيص، قد تعزز هذا الميل.

وتكمن صعوبة التملّق في أنه يمنحك شعورًا بالرضا. فهو يشبه ما يحدث أحيانًا في العلاقات الإنسانية؛ تخيل أنك تشكو لصديق مقرب من تصرف شريك حياتك، فيبادر فورًا إلى تأييدك قائلًا: (معك حق تمامًا). في تلك اللحظة لا يكون قد قيّم الموقف بموضوعية، ولا حاول فهم جميع جوانبه، بل استجاب لمشاعرك ووافقك الرأي، لأن المكافأة الاجتماعية تكمن في تأييدك، لا في الوصول إلى حكم أكثر دقة.

وقد تتصرف نماذج اللغة الكبيرة بالطريقة نفسها؛ فهي لا تحاول تحديد ما إذا كنت على صواب، بل تسعى إلى إنتاج استجابة تنسجم مع سياق الحوار وتحافظ على سلاسة التفاعل. وهنا تكمن خطورة ذلك في أعمال التخطيط الاستراتيجي؛ فقد تتحول إلى مساعد يساند أفكارك بحماس، ويغفل جوانب القصور فيها. لذلك، إذا استعنت بالذكاء الاصطناعي في التخطيط، فمن المفيد أن تطلب منه صراحةً معارضة أفكارك، أو عرض الحجج المخالفة لها، وإلا فقد يوافقك على استنتاجاتك حتى عندما تكون بحاجة إلى مراجعتها.

تمرين: اختبر التملّق في إجابات النموذج

اعرض على النموذج خطة حقيقية، ثم اطلب منه: (مهمتك أن تنتقد هذه الخطة. اذكر أبرز عشرة أسباب قد تؤدي إلى فشلها، وكن صريحًا ولا تجامل). وإذا استمر في تأييد أفكارك أو الإشادة بها، فأعد صياغة طلبك، وشدد على ضرورة تقديم نقد موضوعي حتى تحصل على تقييم حقيقي.

متى نستخدم الذكاء الاصطناعي؟ ومتى لا نستخدمه؟

أستخدم الذكاء الاصطناعي باستمرار، ومع ذلك ما زلت أرى أن معرفة الحالات التي لا ينبغي استخدامه فيها جزء أساسي من القيادة المسؤولة.

ألجأ إليه عندما أحتاج إلى تنظيم الأفكار، أو إنجاز العمل بسرعة، أو استكشاف بدائل متعددة، أو تحسين الصياغة، خاصة إذا كان الناتج مخصصًا للاستخدام الداخلي أو سيخضع للمراجعة والتحقق قبل اعتماده. وفي المقابل، أتجنب الاعتماد عليه بوصفه مصدرًا للمعلومات في الموضوعات سريعة التغير، أو القضايا القانونية أو الطبية، أو أي محتوى قد يؤثر في السمعة، ما لم أتحقق منه بالرجوع إلى مصادره الأصلية. كما أتعامل بحذر شديد مع البيانات الشخصية الحساسة، لأن كثيرًا من أعمال منظمات القطاع غير الربحي تعتمد على معلومات تخص أشخاصًا لم يوافقوا على استخدام بياناتهم في تدريب النماذج أو إدراجها ضمن سياق المحادثة.

وفي النهاية، تبقى مسؤولية التحقق من صحة النتائج مسؤوليتك أنت. فالقرار النهائي يظل قرارًا بشريًا؛ فنحن من يقرر ما الذي ننشره، وما الذي نصرح به، وما الذي نوصي به. وقد يسرّع الذكاء الاصطناعي التفكير والعمل، لكنه لا يتحمل تبعات قراراتنا.

وإذا أردت أن تختصر هذه الفكرة لفريقك في جملة واحدة، فلتكن: الذكاء الاصطناعي بارع في صياغة النصوص، أما مسؤولية التحقق من صحتها فتظل مسؤولية الإنسان.

رأيك يهمنا

ما رأيك في هذا المقال؟ خصص 30 ثانية لمشاركة رأيك، وساعدنا في تطوير محتوى أكثر قيمة لمنظمات القطاع غير الربحي.

شاركنا رأيك

إخلاء المسؤولية

أُعد هذا المورد ضمن مشروع الذكاء الاصطناعي من أجل التغيير الاجتماعي التابع لبرنامج النشاط الرقمي في TechSoup، بدعم من Google.org.

استعان المؤلف بالذكاء الاصطناعي في إعداد هذا المحتوى، إلا أن المقالة خضعت بالكامل للإعداد والمراجعة والتحرير والتدقيق من قبل المؤلف وفريق TechSoup.

تتطور أدوات الذكاء الاصطناعي بوتيرة متسارعة، ورغم حرصنا على تقديم محتوى دقيق ومحدث، فقد تصبح بعض المعلومات الواردة في هذا المقال غير محدثة بمرور الوقت. وإذا لاحظت أي معلومة تحتاج إلى تحديث، فيرجى إبلاغنا عبر البريد الإلكتروني: content@techsoup.org.

«كيف يعمل الذكاء الاصطناعي التوليدي حقًا (وكيف تستخدمه دون أن تخدع نفسك)»، بقلم رادكا بيستريتشكا، 2026، لصالح Hive Mind، ومرخص بموجب CC BY 4.0.