ما هو LLM؟ شرح النماذج اللغوية الكبيرة ببساطة
نموذج LLM، أو النموذج اللغوي الكبير، نوع من الذكاء الاصطناعي مُدرَّب على كميات هائلة من النصوص حتى يفهم اللغة ويولّدها. فإذا أعطيته نصًا، تنبأ بما يجب أن يأتي بعده، قطعةً صغيرة في كل مرة، وهذه القدرة البسيطة تكفي للإجابة عن الأسئلة، والكتابة، والتلخيص، والترجمة، وكتابة الكود. والنماذج التي تعمل خلف ChatGPT وClaude وGemini كلها نماذج LLM.
لماذا يهم عند البناء بالذكاء الاصطناعي
إذا كنت تبني بمنشئ تطبيقات بالذكاء الاصطناعي، فأنت تتعامل مع نموذج LLM من جهتين. أولًا، نموذج LLM هو من يبني: يقرأ طلبك، ويخطط للتغييرات، ويكتب الكود. وثانيًا، قد تريد نموذج LLM داخل تطبيقك — روبوت دردشة، أو زر تلخيص، أو مساعد كتابة.
وفهم الأساسيات يفيدك في الحالتين. فهو يفسّر لماذا قد يسيء الذكاء الاصطناعي فهم طلب غامض، ولماذا قد ينتج شيئًا خاطئًا بثقة، ولماذا قد تفقد المحادثات الطويلة تتبع التفاصيل السابقة، ولماذا تكلّف ميزات الذكاء الاصطناعي في تطبيقك مالًا عند كل استخدام. ولا تحتاج إلى الرياضيات — فقط إلى نموذج ذهني سليم.
تشبيه من الحياة اليومية
تخيّل شخصًا قرأ مكتبة ضخمة لا تُتصوَّر — كتبًا وموسوعات ومواقع وأدلة وشيفرات ومنتديات — وأصبح بارعًا جدًا في إكمال أي نص بطريقة تناسبه. تعطيه بداية رسالة بريد إلكتروني فينهيها بنبرتك. تسأله سؤالًا فيكتب الإجابة التي عادةً ما تأتي بعد هذا النوع من الأسئلة.
لكنه لا يملك ملاحظات يراجعها، والمكتبة أُغلقت عند تاريخ معين. إنه يستعيد أنماطًا، لا يبحث عن معلومات. ومعظم الوقت تكون الأنماط صحيحة. لكن أحيانًا يملأ فجوة بشيء يبدو صحيحًا فحسب، وبالثقة نفسها.
هذا هو نموذج LLM: كاتب بارع جدًا وطليق، بذاكرة غير كاملة، ومن دون مدقق حقائق مدمج.
كيف يعمل نموذج LLM بعبارات بسيطة
- التدريب. يُعرض على النموذج كم هائل من النصوص، فيتعلم — بضبط مليارات من أرقامه الداخلية (المعاملات parameters) — أن يتنبأ بالجزء التالي من النص. والتصميم الذي تستخدمه معظم نماذج LLM يُسمى المحوّل transformer، وقدّمه باحثو Google عام 2017.
- الضبط. ثم يُصقل النموذج الخام ليتبع التعليمات، ويحافظ على المحادثة، ويتجنب المخرجات الضارة، وغالبًا باستخدام تغذية راجعة من البشر.
- الاستخدام (الاستدلال inference). عندما ترسل مطالبة، يقرؤها النموذج ويولّد الرد رمزًا تلو الآخر، ويختار في كل مرة الرمز التالي الأرجح بناءً على كل ما سبق.
ولا يحتوي النموذج على قاعدة بيانات حقائق داخله، ولا يتعلم من محادثتك. وكل ما "يعرفه" في المحادثة إما من التدريب، أو مما هو أمامه الآن — أي نافذة السياق الخاصة به.
مثال تطبيقي: رد دعم فني
لنفترض أنك تدير متجر نباتات عبر الإنترنت، وتلصق في نموذج LLM هذا:
كتب عميل: "وصلت طلبي رقم 4412 وكان أصيص النبات مكسورًا. ماذا يمكنكم أن تفعلوا؟" سياستنا: نستبدل الأصناف التالفة مجانًا خلال 14 يومًا إذا أرسل العميل صورة. اكتب ردًا وديًا.
وهذا ما يحدث:
- يُقسَّم النص إلى رموز، ربما مئة رمز تقريبًا.
- يقرأ النموذج النص كله: رسالة العميل، وسياستك، وتعليمتك.
- يولّد ردًا رمزًا تلو الآخر: "أهلًا! أنا آسف جدًا لأن الأصيص وصل مكسورًا…" ويطلب صورة، ويذكر الاستبدال المجاني.
الآن جرّب الطلب نفسه دون السياسة. سيكتب النموذج ما يزال ردًا واثقًا وودودًا — لكنه قد يعد باسترداد المال، أو بمهلة 30 يومًا، لأن هذه أنماط شائعة في رسائل الدعم التي رآها. وهذه هلوسة، وهي تُظهر الدرس العملي الأهم عن نماذج LLM: دقتها لا تتجاوز المعلومات التي تزوّدها بها. والتطبيقات التي تحتاج إلى إجابات موثوقة تزوّد النموذج بمادة المصدر الصحيحة في كل مرة، وهي تقنية تُسمى RAG.
مصطلحات رئيسية مشروحة
| المصطلح | معناه |
|---|---|
| Token (رمز) | قطعة من النص — غالبًا كلمة أو جزء من كلمة. تُحسب الحدود والأسعار بالرموز. |
| Context window (نافذة السياق) | مقدار النص الذي يستطيع النموذج النظر إليه دفعة واحدة: مطالبتك والمحادثة وأي مستندات. |
| Prompt (المطالبة) | المدخل الذي تعطيه للنموذج. انظر ما هي هندسة المطالبات. |
| Parameters (المعاملات) | الأرقام الداخلية التي يتعلمها النموذج في التدريب. الأكثر ليس أفضل بالضرورة. |
| Training data (بيانات التدريب) | النصوص التي تعلّم منها النموذج. |
| Knowledge cutoff (تاريخ انقطاع المعرفة) | التاريخ الذي لا توجد بعده بيانات تدريب، لذلك لا يعرف النموذج الأحداث الحديثة ما لم تخبره بها. |
| Hallucination (الهلوسة) | مخرجات طليقة وواثقة لكنها خاطئة. |
| Temperature (درجة الحرارة) | إعداد يحدد مدى تنوع المخرجات أو قابليتها للتوقع. |
| Inference (الاستدلال) | تشغيل النموذج للحصول على إجابة. وهذا ما تدفع ثمنه عند كل استخدام. |
| Multimodal (متعدد الوسائط) | نماذج تستطيع معالجة الصور أو الصوت أو مدخلات أخرى، لا النص فقط. |
| API | طريقة إرسال المطالبات إلى نموذج LLM برمجيًا من تطبيق. انظر كيفية استخدام واجهات LLM. |
أخطاء شائعة ومفاهيم خاطئة
- "إنه يبحث عن المعلومات." النموذج العادي لا يفعل ذلك. بعض التطبيقات تضيف بحثًا في الويب أو استرجاعًا للمستندات، لكن النموذج نفسه يولّد من الأنماط.
- "إذا بدا واثقًا فهو على صواب." الثقة والدقة لا علاقة بينهما. تحقق من الأسماء والأرقام والتواريخ والأسعار وكل ما يتعلق بالقانون أو الطب.
- "يتذكر كل ما قلته." يتذكر فقط ما يتسع في نافذة السياق. وفي المحادثات الطويلة جدًا، قد تسقط التفاصيل المبكرة أو تحظى باهتمام أقل. أعد ذكر ما هو مهم.
- "إنه يفكر مثل الإنسان." يستطيع أن يستدل على المشكلات بإتقان مبهر، لكن ليس لديه أهداف أو معتقدات أو وعي بالعواقب. تعامل مع مخرجاته كمسودة تحتاج إلى مراجعة.
- "الأكبر أو الأحدث دائمًا أفضل." في مهمة بسيطة كثيفة الاستخدام، يكون نموذج أصغر وأرخص وأسرع هو الخيار الصحيح غالبًا.
- إرسال بيانات خاصة دون تحقق. قبل أن تلصق بيانات العملاء في أي خدمة ذكاء اصطناعي أو تدمجها في تطبيق، تحقق من شروط الاستخدام والاحتفاظ بالبيانات لدى المزود.
ماذا تطلب من منشئ التطبيقات بالذكاء الاصطناعي
عندما يكون نموذج LLM هو من يبني تطبيقك:
- "قبل أن تغيّر أي شيء، أخبرني بما فهمته وما الذي ستفعله."
- "هذا نص السياسة الدقيق؛ استخدمه حرفيًا بدلًا من اختراع تفاصيل."
- "لا تخمّن حقائق مثل الأسعار أو التواريخ. اترك عنصرًا نائبًا واذكرها لي في قائمة."
وعندما تريد نموذج LLM داخل تطبيقك:
- "أضف زر [تلخيص] يستدعي واجهة [المزود] من الخادم. احفظ مفتاح API في سر، لا في المتصفح أبدًا."
- "ضع سياستنا داخل المطالبة حتى تلتزم الإجابات بها، وقل "لا أعرف" عندما لا تكون متأكدًا."
- "حدّد طول الإجابات، وحدّد عدد الطلبات التي يستطيع المستخدم الواحد إرسالها يوميًا."
- "سجّل تكلفة كل طلب حتى أرى الاستخدام."
ولدليل خطوة بخطوة، اطلع على كيفية إضافة ميزات الذكاء الاصطناعي إلى تطبيقك.
نماذج LLM في Mythex
يعمل وكيل البناء في Mythex على نموذج LLM. يحصل الجميع على وكيل Standard نفسه — لا يوجد محدد للنموذج — وتُستخدم اعتمادات Mythex في البناء. أما ميزات الذكاء الاصطناعي داخل التطبيق الذي تبنيه فهي منفصلة: تحضر مفتاح API الخاص بك من مزود مثل OpenAI أو Anthropic، وتحفظه كسر للمشروع، ويفوترك المزود على هذا الاستخدام مباشرة. ووصفة الوثائق إضافة الذكاء الاصطناعي إلى تطبيقك تُظهر المطالبة التي تستخدمها.
الأسئلة
ماذا تعني كلمة LLM؟
LLM تعني النموذج اللغوي الكبير (Large Language Model): نموذج ذكاء اصطناعي مدرَّب على كميات ضخمة جدًا من النصوص ليفهم اللغة ويولّدها. والنماذج التي تعمل خلف ChatGPT وClaude وGemini هي نماذج LLM.
هل ChatGPT نموذج LLM؟
ChatGPT تطبيق دردشة مبني فوق نماذج LLM الخاصة بشركة OpenAI. أما LLM فهو النموذج الأساسي الذي يولّد النص؛ والتطبيق يضيف واجهة الدردشة وميزات الذاكرة والأدوات وطبقات الأمان من حوله.
لماذا تختلق نماذج LLM معلومات؟
نموذج LLM يولّد الكلمات التالية الأرجح بناءً على الأنماط التي تعلّمها، ولا يبحث عن الحقائق في قاعدة بيانات. وعندما تنقصه المعلومة الصحيحة، يستطيع أن يُنتج نصًا طليقًا وواثقًا لكنه خاطئ، وهذا ما يُسمى الهلوسة (hallucination). ويقلل تزويده بمواد مصدر والتحقق من إجاباته من هذا الخطر.
هل تتعلم نماذج LLM من محادثاتي؟
لا يتغير النموذج أثناء المحادثة؛ بل يرى فقط ما هو موجود في نافذة السياق الخاصة به. أما ما إذا كانت محادثاتك ستُستخدم لاحقًا في تدريب النماذج المستقبلية، فيعتمد ذلك على سياسة المزود وإعداداتك، لذا تحقق من شروط الخدمة التي تستخدمها.
ما هو الرمز (token) في نموذج LLM؟
الرمز قطعة من النص يقرؤها النموذج ويكتبها — وغالبًا ما تكون كلمة أو جزءًا من كلمة. وتُقاس حدود السياق وأسعار الـ API بالرموز، لذلك تكلّف المطالبات والإجابات الأطول أكثر.