ما هو LLM؟ شرح مبسط لنماذج اللغة الكبيرة وكيف تعمل

عندما تكتب سؤالًا إلى ChatGPT وتحصل بعد ثوانٍ على جواب مرتب، من الطبيعي أن تتساءل: من أين جاء هذا الجواب أصلًا؟ هل ChatGPT يبحث داخل قاعدة بيانات ضخمة ثم يعيد لك المعلومة؟ هل يحفظ كل النصوص التي قرأها؟ أم أنه يفهم اللغة بالطريقة نفسها التي نفهمها نحن؟

في قلب كثير من أدوات الذكاء الاصطناعي التي نستخدمها اليوم توجد تقنية تسمى نموذج اللغة الكبير (Large Language Model — LLM). وهو، ببساطة، نموذج ذكاء اصطناعي يتم تدريبه على كميات ضخمة من البيانات اللغوية حتى يتعلم الأنماط والعلاقات داخل اللغة، ثم يستخدم ما تعلمه لتوليد النصوص، التلخيص، الترجمة، الإجابة عن الأسئلة، وإنجاز مهام أخرى مرتبطة باللغة.

لكن كلمة “يتعلم” هنا تحتاج قليلًا من التوضيح، لأن LLM لا يتعلم بالطريقة نفسها التي يتعلم بها الإنسان.

ما هو LLM بالضبط؟

تخيل أنك أعطيت شخصًا مكتبة ضخمة جدًا ليقرأها، ليس لكي يحفظ كل الكتب حرفيًا، بل لكي يلاحظ كيف تُستخدم الكلمات، وما الذي يأتي عادة بعد ماذا، وكيف تُبنى الجمل، وكيف ترتبط الأفكار ببعضها.

هذا التشبيه ليس وصفًا تقنيًا دقيقًا، لكنه يقرب الفكرة.

أثناء التدريب، يتعرض نموذج اللغة لكمية هائلة من النصوص والبيانات، ويحاول اكتشاف الأنماط الموجودة فيها. مع الوقت يصبح قادرًا على توقع ما يمكن أن يأتي بعد جزء معين من النص، ثم يبني الجواب تدريجيًا اعتمادًا على هذه التوقعات.

لهذا، عندما تسأله سؤالًا، لا يعني ذلك بالضرورة أنه فتح صفحة مخزنة داخله ونسخ الجواب منها. هو يولد استجابة جديدة اعتمادًا على الأنماط والعلاقات التي تعلمها أثناء التدريب.

وهنا توجد نقطة مهمة: الجواب الذي يبدو ذكيًا جدًا قد يكون في الأساس نتيجة عملية توقع متقدمة جدًا، وليس دليلًا على أن النموذج يفكر بالطريقة البشرية.

ماذا تعني كلمة “Large” في LLM؟

كلمة “Large” أو “كبير” لا تعني فقط أن النموذج قرأ الكثير من النصوص.

عادة نتحدث عن نماذج كبيرة من حيث حجم التدريب، وكمية البيانات، وعدد المعاملات الداخلية أو Parameters التي يستخدمها النموذج لتمثيل الأنماط التي تعلمها.

لكن لا توجد قاعدة واحدة تقول مثلًا: إذا تجاوز النموذج عددًا معينًا من المعاملات فإنه يصبح رسميًا LLM.

المصطلح يُستخدم بشكل عام لوصف نماذج لغوية كبيرة ومتقدمة تم تدريبها على نطاق واسع وقادرة على تنفيذ مجموعة كبيرة من مهام اللغة. Google Cloud، مثلًا، يصف LLM بأنه نموذج لغوي إحصائي تم تدريبه على كمية ضخمة من البيانات ويمكن استخدامه لتوليد النصوص والترجمة والتلخيص والإجابة عن الأسئلة وغيرها من مهام معالجة اللغة الطبيعية.

كيف يعمل LLM بطريقة مبسطة؟

قبل أن يفهم النموذج النص الذي كتبته، يتم تقسيمه إلى أجزاء صغيرة تسمى Tokens.

الـToken قد يكون كلمة كاملة، أو جزءًا من كلمة، أو رقمًا، أو علامة ترقيم، حسب طريقة تقسيم النص داخل النموذج.

بعد ذلك ينظر النموذج إلى السياق ويحاول توقع الـToken الأكثر احتمالًا الذي يمكن أن يأتي بعده. ثم يكرر العملية مرة بعد مرة حتى يبني الجواب.

لنأخذ مثالًا شديد البساطة:

إذا كتبنا:

“عاصمة المغرب هي…”

فإن كلمة “الرباط” ستكون من الاحتمالات القوية جدًا التي قد يتوقعها النموذج.

لكن بالطبع ما يحدث داخل نموذج حديث أكثر تعقيدًا بكثير من هذا المثال. النموذج يتعامل مع عدد كبير جدًا من العلاقات داخل النص، ويستخدم بنية رياضية تسمح له بالنظر إلى أجزاء مختلفة من السياق وفهم العلاقات بينها.

إحدى أهم التقنيات التي جعلت هذا النوع من النماذج ممكنًا هي بنية Transformer.

من أين جاء Transformer؟

في سنة 2017، نشر فريق من باحثي Google ورقة بحثية بعنوان Attention Is All You Need، قدموا فيها بنية جديدة أطلقوا عليها Transformer.

الفكرة الأساسية كانت استخدام آليات Attention بدل الاعتماد بالكامل على الشبكات المتسلسلة التي كانت شائعة في معالجة اللغة في ذلك الوقت. هذه البنية سمحت بالتعامل مع العلاقات داخل النص بكفاءة أكبر، وأصبحت لاحقًا أساسًا مهمًا للكثير من نماذج اللغة الحديثة.

هذه اللحظة لا تعني أن الذكاء الاصطناعي اللغوي بدأ سنة 2017؛ المجال أقدم بكثير. لكنها كانت نقطة تحول مهمة في الطريق نحو النماذج الكبيرة التي نستخدمها اليوم.

ماذا يستطيع LLM أن يفعل؟

عندما تفهم أن LLM يتعامل مع أنماط اللغة، يصبح من السهل فهم سبب قدرته على تنفيذ مهام مختلفة.

يمكنه مثلًا كتابة نص، تلخيص وثيقة طويلة، ترجمة محتوى من لغة إلى أخرى، الإجابة عن الأسئلة، إعادة صياغة فقرة، المساعدة في البرمجة، أو المشاركة في محادثة طويلة.

هذه من بين الاستخدامات الأساسية التي تذكرها Google Cloud أيضًا عند تعريفها لنماذج اللغة الكبيرة.

لكن نفس النموذج قد يؤدي هذه المهام بدرجات مختلفة من الجودة. أن يكون النموذج قادرًا على تنفيذ مهمة لا يعني بالضرورة أنه يؤديها دائمًا بشكل صحيح.

هل ChatGPT هو LLM؟

ليس بالضبط.

ChatGPT هو منتج أو تطبيق يستخدم نماذج ذكاء اصطناعي خلفه.

أما LLM فهو نوع من النماذج نفسها.

يمكن أن نفكر في الأمر مثل السيارة والمحرك. السيارة هي المنتج الذي تتعامل معه، بينما المحرك هو أحد الأنظمة الأساسية التي تجعلها تعمل. التشبيه ليس كاملًا من الناحية التقنية، لكنه يساعد على فهم الفرق.

لهذا من الأدق أن نقول إن ChatGPT يعتمد على نماذج ذكاء اصطناعي من OpenAI، بدل القول إن “ChatGPT هو اسم الـLLM”.

ما الفرق بين AI وGenerative AI وLLM؟

هذه المصطلحات تُستخدم أحيانًا كأنها الشيء نفسه، لكنها ليست كذلك.

Artificial Intelligence أو AI هو المجال الأوسع. يشمل مجموعة كبيرة من الأنظمة والتقنيات التي تحاول تنفيذ مهام نربطها عادة بالذكاء البشري.

Generative AI يشير إلى الأنظمة القادرة على إنشاء محتوى جديد مثل النصوص، الصور، الصوت أو الفيديو.

أما LLM فهو نوع من النماذج يركز أساسًا على اللغة والنصوص، رغم أن بعض النماذج الحديثة أصبحت متعددة الوسائط ويمكنها التعامل مع صور أو صوت إلى جانب النص.

ولهذا ليس كل AI هو LLM، وليس كل Generative AI هو LLM أيضًا. Google Cloud يوضح كذلك أن LLMs مرتبطة بالنماذج الأساسية Foundation Models، لكن النماذج الأساسية يمكن أن تمتد إلى وسائط أخرى مثل الصور والصوت والفيديو.

إذا كان LLM ذكيًا لهذه الدرجة، لماذا يخطئ؟

هذه من أهم الأشياء التي يجب فهمها.

النموذج يحاول توليد إجابة تبدو منطقية ومناسبة للسياق، لكن ذلك لا يضمن أن كل معلومة داخل الجواب صحيحة.

أحيانًا ينتج النموذج معلومة تبدو مقنعة جدًا لكنها غير صحيحة. في عالم الذكاء الاصطناعي يُطلق على هذا غالبًا Hallucination أو “هلوسة النموذج”.

Google Cloud يصف Hallucination بأنها حالة يولد فيها النموذج محتوى غير واقعي أو غير قائم على حقائق، حتى لو بدا الجواب واثقًا ومقنعًا.

وهذا هو السبب في أن استخدام LLM لا يلغي الحاجة إلى التحقق من المعلومات، خصوصًا في المواضيع الطبية، القانونية، المالية، العلمية، أو أي مجال تكون فيه الدقة مهمة.

مصطلحان ستراهما كثيرًا: Token وContext Window

كلما تعمقت قليلًا في نماذج اللغة، ستصادف هذين المصطلحين باستمرار.

Token هو الوحدة الصغيرة التي يقسم إليها النموذج النص قبل معالجته.

أما Context Window فهي، بشكل مبسط، كمية المعلومات التي يستطيع النموذج التعامل معها داخل السياق الحالي في وقت واحد.

يمكن تشبيهها بمساحة العمل المؤقتة أمام النموذج. كلما كانت أكبر، استطاع التعامل مع محادثة أو وثيقة أطول داخل نفس السياق.

سنخصص لكل واحد منهما صفحة مستقلة لأن شرحهما يستحق أكثر من بضعة أسطر.

إذن، ما الذي يجب أن تتذكره عن LLM؟

LLM ليس قاعدة بيانات تحفظ الأجوبة، وليس إنسانًا رقميًا يفهم العالم بالطريقة نفسها التي نفهمها نحن.

هو نموذج تم تدريبه على كميات ضخمة من البيانات حتى يتعلم أنماط اللغة والعلاقات داخلها، ثم يستخدم هذه الأنماط لتوليد استجابات جديدة.

قوته تأتي من قدرته على التعامل مع اللغة بشكل مرن جدًا، وهذا ما جعل من الممكن بناء أدوات قادرة على الكتابة، الترجمة، التلخيص، البرمجة، البحث، والمحادثة بطريقة كانت تبدو قبل سنوات قليلة أقرب إلى الخيال.

لكن أهم شيء في فهم LLM ليس الانبهار بما يستطيع فعله.

بل معرفة كيف يفعل ذلك، وأين يمكن أن يخطئ، ومتى يجب ألا نثق في الجواب بدون تحقق.

أسئلة شائعة

ماذا تعني LLM؟

LLM اختصار لـ Large Language Model، وتُترجم عادة إلى نموذج اللغة الكبير أو نموذج لغوي كبير. وهي نماذج ذكاء اصطناعي يتم تدريبها على كميات ضخمة من البيانات من أجل التعامل مع اللغة وتنفيذ مهام مثل الكتابة، التلخيص والترجمة.

هل ChatGPT هو LLM؟

ChatGPT هو منتج ذكاء اصطناعي، وليس اسم نموذج LLM بحد ذاته. التطبيق يستخدم نماذج ذكاء اصطناعي خلفه لتوليد الردود وتنفيذ المهام.

هل كل ذكاء اصطناعي هو LLM؟

لا. LLM هو نوع واحد فقط من نماذج الذكاء الاصطناعي. توجد أنظمة AI للرؤية الحاسوبية، التنبؤ، الروبوتات، الصوت، الصور، الفيديو ومجالات أخرى لا تعتمد بالضرورة على نموذج لغة كبير.

هل LLM يفهم اللغة مثل الإنسان؟

ليس لدينا أساس جيد للقول إنه يفهم اللغة بالطريقة نفسها التي يفهمها الإنسان. النموذج يتعلم أنماطًا وعلاقات معقدة داخل البيانات ويستخدمها لتوليد استجابات، لكنه لا ينبغي أن يُعامل تلقائيًا على أنه يملك فهمًا بشريًا أو وعيًا.