كيف تسمح الشبكات العصبية والتعلم العميق لأنظمة الذكاء الاصطناعي بالتعلم والقرار

ما هي الشبكة العصبية فعلاً

وفقاً لـ IBM، الشبكة العصبية هي نموذج تعلم آلي مبني من وحدات معالجة بسيطة تسمى الخلايا العصبية، مرتبة في طبقات، تتعلم الأوزان والانحيازات التي تتعرف على الأنماط من البيانات من أجل ربط المدخلات بالمخرجات. لكل شبكة طبقة إدخال تستقبل البيانات الخام، وطبقة أو أكثر مخفية تحول تلك البيانات، وطبقة إخراج تنتج النتيجة النهائية، مثل تسمية أو تنبؤ.

تضرب كل خلية عصبية قيمها الواردة بأرقام تسمى الأوزان، وتضيف مصطلح انحياز، وتمرر النتيجة من خلال دالة تفعيل غير خطية. تقارن IBM الأوزان بمقابض تحدد مقدار تأثير كل إدخال على النتيجة، بينما تضبط الانحيازات النقطة التي تصبح عندها الخلية العصبية نشطة.

كيف يعمل التدريب: الممرات الأمامية والخلفية

تتتبع MIT News الفكرة إلى عام 1944، عندما اقترح وارين ماكولوك وولتر بيتس، اللذان انتقلا لاحقاً إلى MIT، مفهوم العقد المعالجة المترابطة. في التصميم الأصلي، تجمع كل عقدة مدخلاتها المرجحة و'تطلق النار' إذا تجاوزت المجموع حداً معيناً، مرسلة إشارة إلى الطبقة التالية في ما تسميه MIT هندسة التغذية الأمامية.

يبدأ التدريب بأوزان عشوائية. تشرح IBM أن الشبكة تقوم أولاً بتشغيل خطوة 'الانتشار الأمامي'، وتمرير بيانات الإدخال عبر الطبقات لإنتاج تنبؤ. تقيس دالة الخسارة بعد ذلك الفجوة بين ذلك التنبؤ والإجابة الصحيحة، باستخدام صيغ مثل متوسط الخطأ المربع للتنبؤات الرقمية أو الإنتروبيا المتقاطعة لمهام التصنيف، وفقاً لـ IBM.

تقوم الشبكة بعد ذلك بتشغيل 'الانتشار العكسي'، وتحسب، طبقة تلو طبقة، مقدار مساهمة كل وزن فردي في الخطأ، باستخدام قاعدة حساب تفاضل وتكامل تسمى قاعدة السلسلة. خطوة التحسين تسمى انحدار التدرج تستخدم بعد ذلك تلك الحسابات لتحريك كل وزن قليلاً في الاتجاه الذي يقلل الخطأ. تكرار هذه الدورة آلاف أو ملايين المرات على أمثلة التدريب هو ما تصفه IBM و MIT معاً بأنه كيفية 'تعلم' الشبكة.

لماذا انطلق التعلم العميق

يشير 'التعلم العميق' إلى الشبكات ذات الطبقات المخفية المكدسة العديدة وليس واحدة فقط. تلاحظ MIT News أن الشبكات أحادية الطبقة من الستينيات قد فسحت المجال للشبكات الحديثة التي تحتوي على 10 إلى 50 طبقة أو أكثر. انهار زخم البحث بعد أن نشرت Marvin Minsky و Seymour Papert في MIT كتاباً عام 1969 يظهر حدود الشبكات أحادية الطبقة، وفقاً لـ MIT News، واستعاد جزئياً فقط في الثمانينيات قبل انخفاض ثان في أوائل العقد الأول من القرن الحادي والعشرين.

يعود النهوض الحديث للمجال، الذي تؤرخه MIT حول عام 2010، إلى وحدات معالجة الرسومات (GPUs) التي تم بناؤها في الأصل لألعاب الفيديو، والتي جعلت من العملي تشغيل العدد الضخم من الحسابات التي تتطلبها الشبكات العميقة. تضيف IBM أن هذه القوة الحسابية، مقترنة مع مجموعات بيانات أكبر بكثير، سمحت للمعاملات في نماذج اليوم الكبيرة بأن تصل إلى المليارات.

مشكلة 'الصندوق الأسود': لماذا يصعب شرح القرارات

حتى الشبكة المدربة بالكامل يمكن أن يكون من الصعب تفسيرها. تشير MIT News إلى أنه بعد التدريب، غالباً ما يكون من غير الواضح ما تمثله إعدادات الوزن النهائية فعلاً، أو ما هي ميزات الصورة التي يعتمد عليها النظام المدرب وكيف يجمعها. هذا الغموض، الذي يُسمى أحياناً مشكلة 'الصندوق الأسود'، يختلف عن كيفية بناء الشبكة — فهو يتعلق بفهم سبب إنتاج شبكة معينة مدربة بالفعل قراراً محدداً.

لماذا يهم هذا الشرح الآن

تقع الآليات أعلاه خلف التوسع السريع في استخدام الذكاء الاصطناعي في الحياة اليومية. وجدت تقرير Stanford HAI 2026 AI Index أن اعتماد المنظمات على الذكاء الاصطناعي التوليدي وصل إلى 88% في 2025، وأن الذكاء الاصطناعي التوليدي وصل إلى 53% من اعتماد السكان في غضون ثلاث سنوات من إدخاله إلى السوق الجماهيري — وهذا أسرع مما وصلت إليه أجهزة الكمبيوتر الشخصية أو الإنترنت إلى نفس المستوى. أشار نفس التقرير إلى أن الاستثمار الخاص في الذكاء الاصطناعي في الولايات المتحدة في 2025 بلغ 285.9 مليار دولار، أكثر من 23 مرة من 12.4 مليار دولار المستثمرة في الصين تلك السنة.

وجدت تقرير Stanford أيضاً أن أداء نموذج الذكاء الاصطناعي على معايير الترميز مثل SWE-bench Verified ارتفعت من حوالي 60% إلى ما يقرب من 100% في غضون سنة واحدة، وأن عدة نماذج تحقق الآن أو تتجاوز خطوط الأساس البشرية على أسئلة العلوم على مستوى الدكتوراه والرياضيات التنافسية. لا تغير أي من هذه الكسب في القدرات الآلية الأساسية الموصوفة أعلاه — الاتصالات المرجحة المعدلة من خلال الانتشار العكسي وانحدار التدرج — فقط النطاق الذي يتم تطبيقها عليه.