الدرس الثامن: حين تتحوّل البيانات إلى وعي: كيف تُعيد المعلومة تشكيل فهم النموذج البيانات لا تقتصر على كونها مدخلات رقمية، بل تعمل كمنظومة خفية تُعيد تشكيل طريقة تفكير النموذج واستجابته للعالم. في كل مرة يتعرّض فيها النموذج لدفعة جديدة من البيانات، يتبدّل شيء في داخله. تُعاد صياغة علاقاته بين الكلمات والمعاني، وتتغيّر احتمالاته في التوقّع والاستجابة. ومع كثرة التعرّض، يبدأ النموذج في إظهار سلوكٍ أقرب إلى الحدس، كأنه يقرأ بين السطور لا عبرها. هذه القدرة لم تُزرع فيه جاهزة، بل نمت بالتكرار، تمامًا كما يتشكّل الإدراك البشري عبر الخبرة والملاحظة. حين تتغيّر البيانات، يتغيّر سلوك النموذج. فإذا درّبناه على نصوص يغلب عليها التفاؤل، أصبحت لغته أكثر إشراقًا وتسامحًا، وإذا غذّيناه بمصادر تميل إلى التشاؤم أو الجدل، انعكست هذه الطباع على مخرجاته. إنه لا يملك نية أو موقفًا، لكنه يعكس ما تربّى عليه. لذلك لا يمكن القول إن النموذج محايد تمامًا، لأن حياده مرهون بتوازن البيانات التي نشأ عليها. ولهذا يعمل الباحثون باستمرار على تنقية البيانات وموازنتها حتى لا يتحوّل الانحياز البشري إلى انحياز رقمي. في بدايات التعلم، يكتفي النموذج بالتقليد، يكرّر ما شاهده ويحاول استنساخ الأنماط التي تعلّمها. لكنه مع التعرّض المتكرر يبدأ في تكوين ما يشبه التوقّع. لم يعد يردّد الجمل كما هي، بل يحسب احتمالات لما يجب أن يأتي بعد كل كلمة. فإذا قرأ عبارة تبدأ بـ"إذا تأخرت عن العمل"، فإنه لا يبحث عن نص محفوظ، بل يتوقّع ختامًا منطقيًا استنادًا إلى آلاف الحالات المشابهة التي مرّت عليه في التدريب. هذه القدرة على التوقّع الإحصائي هي نواة ما يشبه "الحدس الرقمي"، لأنها تمثل لحظة انتقال النموذج من الحفظ إلى التنبؤ، من الاستجابة الآلية إلى الفهم السياقي. هذا الحدس لا يقوم على الغموض، بل على رياضيات دقيقة. فالنموذج لا "يخمّن" كما يفعل الإنسان، بل يُجري عمليات احتمالية معقدة لتحديد أكثر الإجابات منطقية. يقرأ الأنماط ويوازن بين الاحتمالات، فيُنتج عبارة تبدو طبيعية لأنها أقرب إلى الطريقة التي يتحدث بها البشر. ومع الوقت، تتحوّل هذه الاحتمالات إلى تفسيرات ضمنية، فيبدأ النموذج بتمييز المقاصد من خلف الكلمات، لا من ظاهرها فقط. عندما يرى جملة مثل "السماء غائمة"، يدرك من الخبرة أن الحديث قد يتعلّق بالمزاج أو التخطيط للخروج، لا بمجرد حالة الطقس. هذا التحوّل من التكرار إلى التفسير هو ما يجعل النموذج يبدو كأنه يفهم.

الدرس السابع: وجوه البيانات: كيف تصنع تنوّعات المعلومة ملامح الذكاء الاصطناعي البيانات ليست وجهًا واحدًا، بل عالم متعدّد الأشكال، يشبه الوجوه البشرية في تنوعها وملامحها ودلالاتها. حين نسمع كلمة "بيانات"، قد نتخيل جدولًا رقميًا منظمًا أو ملفًا نصيًا بسيطًا، لكن الواقع أوسع من ذلك بكثير. فكل صورة تراها، وكل جملة تُكتب، وكل حركة تسجّلها الأنظمة، هي نوع من البيانات، لكنها تختلف في البنية والمعنى وطريقة المعالجة. إدراك هذا التنوّع هو ما يميز الفهم السطحي للذكاء الاصطناعي عن الفهم العميق له، لأن كل نوع من البيانات يفتح أمام النموذج طريقًا مختلفًا للتعلّم. أحد التقسيمات الأولى في عالم البيانات هو ما يُعرف بالبيانات المهيكلة وغير المهيكلة. البيانات المهيكلة هي البيانات المرتّبة في جداول وأعمدة وأرقام محددة، مثل جداول البنوك التي تحتوي على أسماء العملاء، وأرصدة الحسابات، وتواريخ المعاملات. هذه البيانات واضحة وسهلة المعالجة، لأنها تسير وفق نظام ثابت يمكن للآلة التعامل معه بسهولة عبر قواعد رياضية وإحصائية. على النقيض منها تأتي البيانات غير المهيكلة، وهي النصوص والمقالات والصور ومقاطع الفيديو والتسجيلات الصوتية، أي كل ما لا يمكن وضعه في جدول بسهولة. هذا النوع من البيانات هو الأكثر انتشارًا في عصرنا الرقمي، وهو الذي غذّى النماذج الحديثة مثل GPT، لأن اللغة والصور تحمل المعاني في شكلها الطبيعي غير المنتظم. فبينما تعلّمت الآلات القديمة من الأرقام، تتعلم النماذج الحديثة من الكلمات والأصوات والصور، أي من الواقع بكل تعقيده. لكن التنوع لا يقف عند الشكل، بل يمتد إلى طبيعة المعلومة ذاتها. فهناك بيانات صريحة وأخرى ضمنية. الصريحة هي ما يقوله المستخدم بوضوح: اسمه، عمره، رأيه، أو تقييـمه لتجربة ما. أما البيانات الضمنية فهي ما يُفهم من أفعاله دون أن يقولها مباشرة، مثل المدة التي يقضيها على صفحة، أو نوع المقالات التي يقرأها، أو الأوقات التي يتفاعل فيها. هذا النوع من البيانات هو الأكثر دقة في فهم السلوك الإنساني، لأنه يعكس الأفعال لا الأقوال. فبينما قد يكتب الإنسان تعليقًا إيجابيًا مجاملة، يكشف سلوكه في التصفح عن اهتماماته الحقيقية. لذلك أصبحت البيانات الضمنية منجمًا خفيًا للتعلّم الآلي، فهي تزوّد النماذج برؤية واقعية لكيفية تصرف الناس في العالم الرقمي. ثم تأتي الفئة الثالثة من التصنيف: البيانات المصنّفة وغير المصنّفة. البيانات المصنّفة هي التي أُضيفت إليها تسميات تشرح محتواها، مثل صورة مرفقة بكلمة "قطة" أو "كلب"، أو ملف صوتي مميز بعلامة "موسيقى" أو "كلام". هذه البيانات هي حجر الأساس في التعلّم الموجّه، لأن النموذج يتعلم منها من خلال الربط بين المثال والنتيجة. في المقابل، البيانات غير المصنّفة هي تلك التي لا تحمل أي دلالة جاهزة، فهي خام وغير مفسّرة. التعامل معها يتطلب من النموذج أن يستنتج بنفسه الأنماط والعلاقات، أي أن يمارس شكلًا من أشكال التعلّم الذاتي. في المراحل الأولى من التدريب يحتاج النموذج إلى بيانات مصنّفة، مثل الطفل الذي يتعلم عبر التكرار والتوجيه المباشر، ثم بعد ذلك يستطيع التعامل مع البيانات غير المصنّفة كمتعلمٍ ناضج يكتشف العلاقات بنفسه.

الدرس السادس: حين نطقت البيانات: كيف أعادت المعلومة رسم خريطة الذكاء الاصطناعي في البداية، حين كان الإنسان يكتب القواعد يدويًا، كان الذكاء الاصطناعي محدودًا بحدود ما يُكتب له. لم يكن يعرف أكثر مما أُخبر به، ولا يستطيع تجاوز ما خُطَّ في كوده. لكن حين بدأ العلماء يُقدّمون له أمثلة بدل الأوامر، تغيّر كل شيء. صارت البيانات هي المعلم الفعلي، وصار النموذج طالبًا يتعلّم من التجربة. كل مثال جديد يُضاف إلى ذاكرته يصبح درسًا جديدًا، وكل خطأ يقع فيه يتحوّل إلى تصحيح في المرات القادمة. بهذه الطريقة تحوّل الذكاء الاصطناعي من نظام جامد إلى نظام قابل للتعلّم، ومن آلة تنفّذ إلى آلة تستنتج. ومع ازدياد حجم البيانات التي تُغذّى بها النماذج، بدأت الدقة ترتفع والقدرة على التعميم تتحسّن. لم تعد الآلة تحتاج إلى أن تشرح لها كل حالة ممكنة، بل أصبحت قادرة على استخلاص القواعد العامة من آلاف الحالات المختلفة. حين ترى نماذج كثيرة من القطط مثلًا، في أوضاع وألوان وخلفيات متعددة، تستنتج القاعدة بنفسها: ما الذي يجعل القطة قطة، بغضّ النظر عن شكلها الظاهري. هذه القدرة على التعميم لم تكن لتحدث لولا وفرة البيانات وتنوعها، وهو ما جعلنا ننتقل من ذكاءٍ محدود إلى ذكاءٍ أكثر مرونة وواقعية. لكن ازدياد حجم البيانات لم يكن وحده كافيًا. فمع تضخم الكميات، ظهرت الحاجة إلى نوعية أفضل. الكثرة قد تُخفي الأخطاء بدل أن تصحّحها، لأن النموذج يتعلّم من كل ما يُقدَّم له دون تمييز. فإذا كانت البيانات مشوّشة أو متحيّزة، سينسخ التحيّز نفسه في نتائجه. لهذا أصبح شعار الباحثين واضحًا: البيانات الجيدة تخلق ذكاءً جيدًا، والبيانات السيئة تخلق ذكاءً منحرفًا. فالذكاء الاصطناعي لا يملك بوصلته الأخلاقية الخاصة، بل يستمد اتجاهه من البيانات التي يراها. إن كانت هذه البيانات تمثّل العالم بعدلٍ وتنوّع، سيعكس فهمًا متوازنًا، وإن كانت منحازة لجانب دون آخر، سيصبح منحازًا بدوره. هكذا تحوّلت البيانات من مجرد مدخلات خام إلى عنصرٍ يصوغ الوعي الاصطناعي نفسه. فكل معلومة تُقدَّم له تحدد طريقته في النظر إلى الواقع. النموذج اللغوي الذي يُدرّب على نصوص أدبية يتعلّم أن يكتب ببلاغة، والذي يُدرّب على لغة علمية يكتسب أسلوبًا تحليليًا دقيقًا، والذي يُدرّب على مقالات مليئة بالأخطاء يصبح بدوره مُشوّش الفهم. حتى في المجالات الطبية، أثبتت الدراسات أن دقّة النماذج في تشخيص الأمراض تعتمد على تنوع الصور الطبية التي تتلقاها وعددها. فالنموذج الذي يرى صورًا كثيرة لمرضٍ نادر سيتعرّف عليه بسرعة، بينما الذي لم يرها من قبل سيخفق في تمييزها.

الدرس الخامس: من الأوامر إلى الأمثلة: كيف علّم الإنسان الآلة أن تتعلّم كان التحوّل من البرمجة اليدوية إلى التعلّم الآلي أشبه بانقلابٍ في طريقة فهم الإنسان للذكاء ذاته. في البدايات، كانت الآلة مجرد تابع مطيع، لا تفعل شيئًا إلا بأمر مكتوب بدقة. كانت كل خطوة فيها مرسومة بالحروف، وكل احتمال محدد مسبقًا. كانت تشبه كاتبًا لا يملك رأيًا، يكرّر ما أُملي عليه حرفيًا دون أن يسأل لماذا. هذا النمط من العمل كان كافيًا في زمن المهام البسيطة، حين كانت الحواسيب تُستخدم للحسابات والمحاسبة والتحليل الإحصائي المحدود، لكنه سرعان ما واجه استحالة التطبيق حين اصطدم بتعقيد الحياة. ومع ازدياد الحاجة إلى أنظمة تتعامل مع الواقع المتغير، بدأ يظهر الخلل في فلسفة “الأوامر الدقيقة”. كان على المبرمج أن يكتب آلاف الشروط لتغطية كل حالة محتملة، وكلما زاد التعقيد تضاعفت الأخطاء. لم يكن ممكنًا أن نَصِف للآلة كل ما يمكن أن تراه أو تسمعه أو تواجهه. ومع هذا العجز ظهرت فكرة بَدَت حينها خيالية: لماذا لا نعلّم الآلة بدلًا من أن نأمرها؟ لماذا لا نتركها تكتشف العلاقات كما يفعل العقل البشري حين يرى مئات الأمثلة فيستنتج القاعدة بنفسه؟ كانت هذه هي لحظة التحوّل من البرمجة إلى المحاكاة، من التنفيذ إلى التعلّم. وفي سبعينيات القرن الماضي بدأ هذا التحوّل يأخذ شكله العلمي مع ظهور ما سُمّي بالتعلّم الآلي. كان الهدف بسيطًا في بدايته: جعل الحاسوب يكتشف العلاقات داخل البيانات دون أن نخبره بها. ظهرت أولى النماذج التي تتعلّم من التجربة، مثل الأنظمة التي تُفرّق بين الرسائل المزعجة وغير المزعجة في البريد الإلكتروني، أو تلك التي تتعرف على الأرقام المكتوبة يدويًا، أو تقدّر أسعار البيوت بناءً على مساحة وموقع وخصائص كل منزل. لم يكن في هذه النماذج وعي أو إدراك، لكنها كانت تبني أساسًا جديدًا للعقل الاصطناعي: القدرة على التعلّم من المثال لا من الإملاءات المتكررة. الفكرة الجوهرية بسيطة لكنها ثورية: بدلًا من كتابة القواعد يدويًا، نقدّم للآلة بيانات كافية لتستنتج القواعد بنفسها. هي ترى الأمثلة وتحاول إيجاد العلاقات بينها. فإذا نجحت في اكتشاف النمط الصحيح استطاعت التنبؤ بما سيحدث لاحقًا. تمامًا كما يتعلّم الطفل معنى كلمة “كرسي” بعد أن يرى مئات المقاعد في أوضاع وأشكال مختلفة، فتتشكل لديه فكرة عامة لا تتعلق بلونه أو حجمه، بل بالجوهر المشترك بين كل تلك الأشياء.

الدرس الرابع: البيانات التي تصنع الوعي: كيف تتكوّن معرفة الآلة من أثر الإنسان في جوهر كل ذكاء اصطناعي، هناك سر بسيط لكنه جوهري وهو: البيانات. لا يمكن لأي نموذج أن يتعلّم أو يفهم أو يتوقّع أو يبدع ما لم يُغذَّ بالبيانات أولًا. هي ذاكرته الأولى وبيئته التي ينشأ فيها ومصدر وعيه بالعالم، فالعقل لا يصنع نفسه من العدم، والآلة لا يمكن أن تبني معرفتها دون مادة تتعلّم منها. البيانات هي كل ما ينتجه الإنسان في يومه من أثر رقمي، سواء أكان كلمة مكتوبة في محادثة، أو صورة على موقع، أو تسجيلًا لصوت، أو موقعًا جغرافيًا. هذه المواد المتناثرة من حياتنا اليومية تُجمع وتُنظَّم وتُعاد صياغتها لتصبح المادة الخام التي تنمو منها عقول الآلات. وكما يتعلم الطفل من العالم حوله عبر الملاحظة والتكرار والربط بين الأشياء، تتعلم الآلة بالطريقة نفسها لكنها بطريقة رقمية بحتة. كل صورة، كل جملة، كل صوت، هو تجربة تعليمية جديدة تضيف للنموذج نقطة في خريطته الإدراكية، فيتوسع وعيه الحسابي كلما زادت خبراته. لكن ليست كل البيانات متساوية في القيمة، فكما أن الطفل لا يكوّن فهمًا سليمًا من مشاهد مشوّشة أو معلومات مضلّلة، كذلك الآلة. إن جودة البيانات تحدد مستوى ذكاء النموذج، لأن الآلة لا تملك حدسًا أو وعيًا يصحّح لها أخطاءها، بل تتعلم مما يُقدَّم لها كما هو. فإذا كانت الصور مشوشة أو التوصيفات خاطئة فإنها ستتعلّم الخطأ. وهذا ما يجعل فحص البيانات وتدقيقها ونزع ما يشوبها من أخطاء وسَقْطات مرحلة حاسمة في بناء أي نموذج. فلو وُضِعت صورة كلب في مجموعة صور القطط، فإن النموذج قد يربط شكل الكلب بصفة "قطة"، وحين يرى لاحقًا قطة حقيقية سيتردد في تصنيفها. من هنا تولد الأخطاء التي تبدو لنا "ساذجة" لكنها في الواقع نتيجة مباشرة لسوء التغذية المعرفية. الذكاء الاصطناعي يشبه الطالب الذي يعتمد على التكرار دون فهم، فإذا كررت عليه نفس الأمثلة مرات عدة فسيحفظها بدقة، لكنه سيعجز عن التعامل مع مثال جديد لم يره من قبل. هذا ما يُعرف في علم النماذج بـ"الانحياز للتكرار"، أو الإفراط في التعلّم من بيانات محدودة. هو انحراف يحدث حين يبالغ النموذج في التركيز على تفاصيل الأمثلة التي تكررت أمامه بدل أن يستوعب القاعدة العامة وراءها. النتيجة أن النموذج يصبح بارعًا في تكرار ما عرفه لكنه ضعيف في التعميم على ما لم يعرفه. الذكاء ليس في الحفظ، بل في التمييز، والآلة لا تستطيع التمييز ما لم تتعرض لتجارب متنوعة ومتوازنة. فإذا دُرّبت على صور لقطة واحدة في نفس المكان والإضاءة، ستربط مفهوم "القطة" بلون الخلفية أو ظل الإضاءة لا بالهيئة الحيوانية نفسها. لكنها إذا رأت ألف قطة في أوضاع مختلفة وسياقات عدة ستتعلّم الجوهر المشترك بينها، أي الفكرة العامة التي تميّز القطة عن غيرها. هكذا يُبنى الفهم في العقل الاصطناعي: ليس من التكرار بل من التنوع.