قاموس مصطلحات الذكاء الاصطناعي

الدرس 1 – مقدمة في الذكاء الاصطناعي: مصطلحات عامة

الذكاء الاصطناعي (AI – Artificial Intelligence)

مجال في علوم الحاسوب يهتم بإنشاء أنظمة تؤدّي مهاماً تتطلّب عادةً ذكاءً بشرياً: التعلّم، الفهم، حل المشكلات، واتخاذ القرارات.

الخوارزمية (Algorithm)

تسلسل محدّد من الخطوات لحل مشكلة أو أداء مهمة. في الذكاء الاصطناعي: القواعد والحسابات التي يستخدمها النموذج.

النموذج (Model)

تمثيل رياضي/حسابي يُنشأ أثناء التدريب ويُستخدم للتنبؤات أو الاستدلال على بيانات جديدة.

التدريب (Training)

العملية التي تتعلّم فيها الخوارزمية من البيانات: تعدّل المعلمات حتى يتحسّن أداء النموذج في مهمة معيّنة.

الاستدلال (Inference)

استخدام نموذج مدرَّب لإعطاء تنبؤ أو إجابة لمدخل جديد، دون تحديث المعلمات.

البيانات (Data)

المعلومات التي يتعلّم منها النظام أو يعالجها – نص، صور، أرقام، مدخلات مستخدم، إلخ.

المعلمة (Parameter)

قيمة يتعلّمها النموذج أثناء التدريب (مثل الأوزان في الشبكة العصبية). النماذج الكبيرة تحتوي مليارات المعلمات.

الذكاء الاصطناعي الضيّق (Narrow AI)

أنظمة ذكاء اصطناعي تتفوّق في مهمة واحدة أو مجال محدود (التعرّف على الوجوه، الترجمة، الألعاب) – بخلاف AGI.

الذكاء الاصطناعي العام (AGI – Artificial General Intelligence)

ذكاء بمستوى بشري – القدرة على الفهم والتعلّم والأداء عبر نطاق واسع من المهام والمجالات مثل الإنسان.

الذكاء الاصطناعي الفائق (ASI – Artificial Superintelligence)

نظري: نظام أذكى من البشرية في كل مجال ذي صلة. غير موجود اليوم.

الأتمتة (Automation)

أداء المهام دون تدخل بشري. يُستخدم الذكاء الاصطناعي لأتمتة العمليات المتكرّرة وإنشاء المحتوى.

الدرس 2 – تاريخ الذكاء الاصطناعي

الجدول الزمني والتواريخ والمفاهيم التاريخية (اختبار تورينغ، مؤتمر دارتموث، آلة تورينغ، إلخ) تظهر في صفحة تاريخ الذكاء الاصطناعي.

الدرس 3 – تعلّم الآلة

تعلّم الآلة (ML – Machine Learning)

فرع من الذكاء الاصطناعي تتعلّم فيه الحواسيب من أمثلة وبيانات وتتحسّن دون برمجة صريحة لكل حالة.

التعلّم الموجّه (Supervised Learning)

تدريب على أمثلة موسومة بوسم: يتعلّم النموذج ربط المدخل بالمخرج المرغوب.

التعلّم غير الموجّه (Unsupervised Learning)

تدريب على بيانات غير موسومة – الهدف إيجاد أنماط أو تجمّعات أو بنية في البيانات.

التعلّم المعزّز (RL – Reinforcement Learning)

تعلّم عبر التفاعل مع بيئة: يحصل الوكيل على مكافآت ويحسّن سياسته.

الوسم (Label)

الإجابة الصحيحة أو التصنيف الملحق بمثال في التدريب الموجّه (مثل «قطة» لصورة).

الميزة (Feature)

خاصية أو مقياس يُستخرج من البيانات ويُستخدم كمدخل للنموذج (لون، حجم، تكرار كلمة، إلخ).

الانحدار (Regression)

مهمة التنبؤ بقيمة رقمية مستمرّة (سعر، درجة حرارة، زمن) بناءً على ميزات المدخل.

التصنيف (Classification)

مهمة تعيين المدخل إلى واحدة من مجموعة فئات ثابتة (مزعج/غير مزعج، نوع حيوان، إلخ).

التجميع (Clustering)

تجميع العناصر في مجموعات متشابهة دون وسوم مسبقة – طريقة نموذجية في التعلّم غير الموجّه.

فرط الملاءمة (Overfitting)

عندما «يحفظ» النموذج بيانات التدريب ويعمّم أقل جيداً على بيانات جديدة.

نقص الملاءمة (Underfitting)

عندما يكون النموذج بسيطاً جداً ولا يلتقط أنماط البيانات جيداً.

التحقق المتقاطع (Cross-Validation)

طريقة تقييم: تقسيم البيانات إلى أجزاء، التدريب على بعضها والاختبار على الباقي، ومتوسط النتائج.

بيانات التدريب (Training Data)

الأمثلة المستخدمة لتحديث معلمات النموذج أثناء التدريب.

بيانات الاختبار (Test Data)

بيانات تُحجز جانباً ولا تُستخدم في التدريب، لتقييم أداء النموذج.

معدّل التعلّم (Learning Rate)

حجم الخطوة عند تحديث المعلمات في التحسين. كبير جداً – عدم استقرار؛ صغير جداً – تدريب بطيء.

الدفعة (Batch)

مجموعة فرعية من الأمثلة تُعالج معاً في تحديث معلمات واحد أثناء التدريب.

الحقبة (Epoch)

مرور واحد على كل بيانات التدريب أثناء التدريب. عادةً يتضمّن التدريب عدة حقب.

دالة الخسارة (Loss Function)

مقياس لمدى بُعد التنبؤ عن القيمة الصحيحة. يحاول التحسين تقليل الخسارة.

الانتشار الخلفي (Backpropagation)

خوارزمية لحساب تدرّج الخسارة بالنسبة للمعلمات، حتى يمكن تحديثها بالنزول التدرّجي.

التدرّج (Gradient)

اتجاه أكبر تغيّر لدالة. في التدريب – الاتجاه الذي تُحدَّث فيه المعلمات لتقليل الخسارة.

النزول التدرّجي (Gradient Descent)

طريقة تحسين: تحديث المعلمات في الاتجاه المعاكس للتدرّج لتقليل الخسارة.

الدرس 3 – الشبكات العصبية والتعلّم العميق

الشبكة العصبية (Neural Network)

بنية من عقد (عصبونات) وطبقات تحسب دوالاً معقّدة. أساس معظم نماذج التعلّم العميق.

التعلّم العميق (Deep Learning)

تعلّم آلة باستخدام شبكات عصبية بطبقات متعدّدة؛ يمكّن تمثيلات معقّدة ومهاماً متقدّمة.

الشبكة العصبية الالتفافية (CNN – Convolutional Neural Network)

شبكة مناسبة خاصة للصور: تستخدم طبقات التفافية لاكتشاف أنماط محلية.

الشبكة العصبية المتكرّرة (RNN – Recurrent Neural Network)

شبكة تتعامل مع المتتاليات (نص، زمن) باستخدام ذاكرة داخلية؛ LSTM وGRU تنويعات شائعة.

المحوّل (Transformer)

بنية تعتمد على آلية الانتباه، بدون تكرار. أساس GPT وBERT ومعظم نماذج اللغة الكبيرة.

آلية الانتباه (Attention Mechanism)

تسمح للنموذج بـ«النظر» إلى أجزاء ذات صلة من المدخل (مثل كلمات سابقة) عند إنتاج المخرج.

دالة التفعيل (Activation Function)

دالة غير خطية بعد طبقة عصبونات (ReLU، Sigmoid، Softmax) تسمح للشبكة بتعلّم أنماط معقّدة.

Dropout

تقنية تنظيم: «إيقاف» بعض العصبونات عشوائياً أثناء التدريب لتقليل فرط الملاءمة.

التطبيع (Normalization)

توحيد قيم الطبقات الوسيطة (مثل Layer Norm) لاستقرار التدريب وتقارب أسرع.

نموذج الانتشار (Diffusion Model)

نموذج لإنشاء الصور (والفيديو/الصوت): يتعلّم إزالة الضوضاء تدريجياً وبناء صورة من الصفر.

الشبكة التوليدية التنافسية (GAN – Generative Adversarial Network)

شبكتان: مولّد ينشئ أمثلة، ومميّز يحاول التمييز بين الحقيقي والمزيّف. يتنافسان حتى تتحسّن الجودة.

المشفّر التلقائي التبايني (VAE – Variational Autoencoder)

نموذج توليدي يأخذ مدخلاً، يضغطه إلى «فضاء كامن»، ثم يعيد البناء؛ جيد للتوليد والضغط معاً.

الدروس 4–5 – اللغة والنص ونماذج اللغة

معالجة اللغة الطبيعية (NLP – Natural Language Processing)

فرع من الذكاء الاصطناعي يهتم بفهم وتحليل وإنتاج النص واللغة البشرية.

فهم اللغة الطبيعية (NLU – Natural Language Understanding)

حقل فرعي من NLP: تفسير النية والمشاعر والكيانات والبنية في اللغة المكتوبة أو المنطوقة.

توليد اللغة الطبيعية (NLG – Natural Language Generation)

إنتاج نص جديد بواسطة نظام – إجابات، ملخّصات، ترجمات، تسويق، والمزيد.

نموذج اللغة الكبير (LLM – Large Language Model)

نموذج نص كبير جداً (مثل GPT-5، Claude، Gemini) دُرّب على كميات هائلة من النص، قادر على الإكمال والأسئلة والأجوبة والتوليد.

GPT – Generative Pre-trained Transformer

اسم سلسلة نماذج OpenAI (GPT-3، GPT-4، GPT-5، GPT-5.2) – نماذج لغة كبيرة تعتمد على المحوّلات. اعتباراً من 2026 العلم هو GPT-5.2 مع استدلال مدمج.

الرمز (Token)

الوحدة الأساسية للنص التي يعمل بها النموذج – كلمة أو جزء كلمة أو حرف. التجزئة تقسم النص إلى رموز.

التجزئة (Tokenization)

عملية تقسيم النص إلى وحدات (رموز) يستلمها النموذج كمدخل.

نافذة السياق (Context Window)

الحد الأقصى لعدد الرموز التي يمكن للنموذج الانتباه إليها – النص الأطول يُقطع أو يُلخَّص.

التضمين (Embedding)

تمثيل متّجهي (مصفوفة أرقام) لكلمة أو جملة أو عنصر – بحيث يكون المعنى المتشابه قريباً في الفضاء.

المتّجه (Vector)

قائمة مرتّبة من الأرقام. في الذكاء الاصطناعي تُستخدم لتمثيل التضمينات والميزات والحالة الداخلية للنماذج.

تشابه جيب التمام (Cosine Similarity)

مقياس تشابه بين متّجهين حسب الزاوية بينهما؛ شائع لمقارنة التضمينات والبحث الدلالي.

التعلّم بأمثلة قليلة (Few-Shot Learning)

عرض أمثلة قليلة في الأمر حتى يتبنّى النموذج أسلوباً أو تنسيقاً دون تدريب إضافي.

بدون أمثلة (Zero-Shot)

أداء مهمة بلا أمثلة في الأمر – فقط شرح أو تعليمات. نماذج اللغة الكبيرة تستطيع ذلك.

نقل التعلّم (Transfer Learning)

استخدام نموذج دُرّب على مهمة كنقطة انطلاق لتدريب أو تكييف لمهمة أخرى، عادةً ببيانات أقل.

الضبط الدقيق (Fine-tuning)

تدريب إضافي على نموذج موجود ببيانات محدّدة، عادةً بمعدّل تعلّم منخفض، لتكييفه لمهمة أو مجال.

نموذج الأساس (Base Model)

نموذج عام الغرض دُرّب على بيانات واسعة قبل الضبط الدقيق أو الاستخدام المباشر عبر الأوامر.

تحليل المشاعر (Sentiment Analysis)

تحديد النبرة أو العاطفة في النص – إيجابي، سلبي، محايد – غالباً كتصنيف أو تسجيل نقاط.

الدرس 4 – الذكاء الاصطناعي في الحياة اليومية: صور وفيديو ورؤية

الرؤية الحاسوبية (Computer Vision)

مجال في الذكاء الاصطناعي يهتم بفهم الصور والفيديو: تعرّف على الأشياء، تقسيم، وصف، OCR، والمزيد.

تصنيف الصور (Image Classification)

تعيين صورة إلى فئة واحدة من مجموعة معطاة (مثل «كلب»، «سيارة»).

كشف الأشياء (Object Detection)

تحديد موقع الأشياء في صورة وإرجاع الموضع (مربعات إحاطة) والفئة لكل شيء.

التقسيم (Segmentation)

تقسيم الصورة إلى مناطق – كل بكسل أو منطقة يُعيَّن لفئة (شخص، خلفية، مركبة، إلخ).

من نص إلى صورة (Text-to-Image)

إنشاء صورة من وصف نصي؛ أمثلة: DALL-E، Midjourney، Stable Diffusion.

إنشاء الفيديو (Video Generation)

إنشاء فيديوهات بالذكاء الاصطناعي من نص أو صور أو كليهما – مثل Sora وRunway.

من كلام إلى نص (STT – Speech-to-Text)

تحويل صوت الكلام إلى نص مكتوب.

من نص إلى كلام (TTS – Text-to-Speech)

تحويل النص إلى صوت يشبه الإنسان – سرد، مساعدات صوتية، إتاحة.

متعدّد الوسائط (Multimodal)

نموذج أو نظام يتعامل مع أنواع متعدّدة من المدخل/المخرج: نص، صور، صوت، فيديو.

الوسيلة (Modality)

نوع المعلومات التي يعالجها النظام – نص، صورة، صوت، فيديو – كل منها وسيلة مختلفة.

الدروس 5–6 – الأوامر والأدوات

هندسة الأوامر (Prompt Engineering)

فن ومهارة صياغة التعليمات (الأوامر) للذكاء الاصطناعي للحصول على إجابات دقيقة وذات صلة.

الأمر (Prompt)

النص الذي يقدّمه المستخدم للنموذج – سؤال أو تعليمات أو سياق – الذي يبني عليه النموذج استجابته.

أمر النظام (System Prompt)

تعليمات داخلية تحدّد «دور» النموذج أو أسلوبه (مثل «أنت مساعد مهني»). عادةً لا تُعرض للمستخدم.

سلسلة التفكير (CoT – Chain of Thought)

طلب من النموذج شرح خطوات استدلاله قبل الإجابة النهائية – يحسّن الدقة في المهام المعقّدة.

درجة الحرارة (Temperature)

معلمة في نماذج اللغة: عالية – إجابات أكثر تنوّعاً/إبداعاً؛ منخفضة – أكثر استقراراً و«أماناً».

Top-p / Nucleus Sampling

طريقة عيّنة: الاختيار من كلمات احتمالها التراكمي يصل إلى p. تؤثّر على تنوّع الاستجابات.

روبوت المحادثة (Chatbot)

نظام محادثة آلي مع المستخدمين – عادةً يعتمد على نموذج لغة، مثل ChatGPT.

وكيل الذكاء الاصطناعي (AI Agent)

نظام يستلم هدفاً، يخطّط خطوات، يستخدم أدوات (بحث، كود، آلة حاسبة)، وينفّذ مهاماً معقّدة.

حقن الأمر (Prompt Injection)

استغلال أمر خبيث يحاول جعل النموذج يتجاهل التعليمات أو يؤدّي إجراءات غير مرغوبة.

التوليد المعزّز بالاسترجاع (RAG – Retrieval-Augmented Generation)

دمج البحث في مستودع (مستندات، قاعدة بيانات) مع نموذج لغة – استرجاع مقاطع ذات صلة وإضافتها للأمر لتحسين الدقة والحداثة.

قاعدة المعرفة (Knowledge Base)

مستودع منظّم للمعلومات (مستندات، أسئلة وأجوبة، حقائق) يمكن لأنظمة الذكاء الاصطناعي البحث فيه أو الاعتماد عليه.

حدّ المعرفة (Knowledge Cutoff)

التاريخ حتى تحديث تدريب النموذج أو معرفته – بعد ذلك قد لا «يعرف» النموذج أحداثاً جديدة.

الهلوسة (Hallucination)

عندما ينتج النموذج معلومات تبدو معقولة لكنها غير صحيحة أو غير موجودة – قضية أساسية عند استخدام نماذج اللغة.

الدرس 7 – الأخلاقيات والسلامة والأثر

التحيّز (Bias)

ميل منهجي في نموذج أو بيانات يؤدّي إلى فروقات غير عادلة في المعاملة (جنس، عرق، عمر، إلخ).

الشفافية (Transparency)

درجة معرفتنا كيف يعمل النظام، وما البيانات التي يستخدمها، وكيف تُتَّخذ القرارات.

قابلية التفسير (Explainability)

القدرة على شرح لماذا وصل النموذج إلى استنتاج أو قرار معيّن.

المساءلة (Accountability)

تحديد من المسؤول عندما يخطئ نظام ذكاء اصطناعي أو يسبّب ضرراً – المطوّرون، المشغّلون، المنظّمون.

سلامة الذكاء الاصطناعي (AI Safety)

بحث وممارسة تهدف إلى ضمان تصرّف الذكاء الاصطناعي كما هو مقصود وتقليل المخاطر والأضرار غير المقصودة.

المحاذاة (Alignment)

محاذاة أهداف النظام مع القيم والرغبات البشرية – منع سلوك خطير أو غير مرغوب.

التزييف العميق (Deepfake)

محتوى (فيديو/صوت/صورة) أنشئ أو عُدّل بالذكاء الاصطناعي ليبدو أصيلاً – يحمل مخاطر احتيال وخداع.

محتوى مُنشأ بالذكاء الاصطناعي (AIGC – AI-Generated Content)

أي محتوى – نص، صورة، فيديو، صوت – أُنشئ بأدوات ذكاء اصطناعي.

كشف الذكاء الاصطناعي (AI Detection)

محاولات اكتشاف إن كان نص أو محتوى أُنشئ بالذكاء الاصطناعي – توجد أدوات وأفكار لكنها ليست دائماً موثوقة.

العلامة المائية (Watermarking)

تضمين علامة مخفية أو ظاهرة تُعلّم أو تحدّد المحتوى المُنشأ بالذكاء الاصطناعي.

التفرّد التكنولوجي (Technological Singularity)

سيناريو افتراضي يتطوّر فيه الذكاء الاصطناعي بسرعة تجعل آثاره على البشرية غير قابلة للتنبّؤ.

الاستقلالية (Autonomy)

درجة تصرّف النظام بشكل مستقل – قرارات وإجراءات دون تدخل بشري في كل خطوة.

الدرس 8 – المستقبل وتقنيات إضافية

التنبّؤ (Prediction)

تقدير أو توقّع ينتجه النموذج لمدخل جديد – قيمة، فئة، متتالية نص، إلخ.

تسريب البيانات (Data Leakage)

عندما «تتسرّب» معلومات من بيانات الاختبار أو من المستقبل إلى مرحلة التدريب وتعطي تقديراً غير واقعي للأداء.

بيانات التحقق (Validation Data)

بيانات تُحجز أثناء التدريب لاختيار نماذج أو معلمات أو التوقّف – لا تُستخدم مباشرة لتحديث المعلمات النهائي.

التحسين (Optimization)

عملية البحث عن معلمات أو قرارات تحقّق قيمة مثلى (مثل حدّ أدنى للخسارة) – في التدريب عادةً تعتمد على التدرّج.

الفضاء المتّجهي (Vector Space)

فضاء يُمثَّل فيه كل عنصر كمتّجه؛ يُستخدم للمقارنات والبحث والتضمينات.

لعب الأدوار (Role Playing)

في الأوامر: توجيه النموذج للتصرّف كـ«شخصية» أو خبير معيّن (طبيب، محامٍ، معلّم).

القيود (Constraints)

في التعليمات: حدود على الإجابة – طول، لغة، أسلوب، ما يجب عدم ذكره، إلخ.

تكلفة الرموز (Token Cost)

الرسوم أو وحدات الاستخدام بناءً على عدد الرموز المُرسلة و/أو المُولَّدة في واجهة برمجة النموذج.

تسلسل التوقّف (Stop Sequence)

سلسلة عندما يولّدها النموذج يتوقّف التوليد – مثل نهاية فقرة أو تنسيق محدّد.

تصفية المحتوى (Content Filtering)

اكتشاف وحظر أو تعديل محتوى ضار أو غير قانوني أو غير لائق قبل عرضه للمستخدم.

واجهة البرمجة (API – Application Programming Interface)

واجهة تسمح لبرامج أخرى بإرسال طلبات للنموذج (مثل محادثة، إكمال) واستلام استجابات.

النموذج مفتوح المصدر (Open-Source Model)

نموذج كوده و/أو أوزانه متاحة للجمهور للاستخدام والبحث والتكييف.

النموذج المغلق (Proprietary Model)

نموذج تملكه شركة ويُتاح فقط عبر خدمات وواجهات برمجة تقدّمها الشركة.

القدرة الحاسوبية (Compute)

موارد الحوسبة (وحدات معالجة، ذاكرة، وقت) المطلوبة لتدريب أو تشغيل النماذج.

النية (Intent)

في أنظمة الحوار: القصد أو الهدف الذي يحاول المستخدم تحقيقه (طلب، إصلاح، تعلّم، إلخ).

الوقت الحقيقي (Real-Time)

معالجة تستجيب بعد وقت قصير جداً من استلام البيانات – مهمة في المحادثة والتعرّف على الكلام والمركبات ذاتية القيادة.