قائمة مصطلحات الذكاء الاصطناعي والذكاء العام الاصطناعي: أكثر من 200 مصطلح بلغة بسيطة

مرجع بلغة بسيطة لمفردات الذكاء الاصطناعي والذكاء العام الاصطناعي المستخدمة في هذا الموقع وفي الأخبار — أكثر من 200 مصطلح، مرتبة أبجديًا بحسب حرفها الإنجليزي الأول، دون افتراض أي خلفية تقنية مسبقة. إذا كان هناك مصطلح سمعت به ولم يُدرَج بعد، فسيُضاف مع كتابة أقسام جديدة.

A

• هجوم عدائي (Adversarial attack) — مدخل صُمِّم عمدًا لخداع نموذج ذكاء اصطناعي وجعله يرتكب خطأ أو ينتج مخرجًا غير مقصود.
• الذكاء الاصطناعي الوكيلي (Agentic AI) — نظام ذكاء اصطناعي يُمنح قدرًا من الاستقلالية لاتخاذ إجراءات متعددة الخطوات نحو هدف (التصفح، وتشغيل الشيفرة، واستخدام الأدوات) بدلًا من مجرد الإجابة عن سؤال واحد.
• الخوارزمية (Algorithm) — إجراء محدد، خطوة بخطوة، لحل مشكلة أو إجراء عملية حسابية؛ وهو المصطلح العام الذي تقوم عليه كل تقنية ذكاء اصطناعي.
• الذكاء الاصطناعي (AI) — المجال الواسع لبناء آلات تؤدي مهامًا تتطلب عادةً ذكاءً بشريًا، ويمتد من برامج بسيطة قائمة على القواعد إلى النماذج اللغوية الرائدة.
• الذكاء العام الاصطناعي (AGI) — مصطلح متنازَع عليه لذكاء اصطناعي واسع القدرة، يتضمن عادةً أداءً قويًا وانتقالًا عبر مهام معرفية غير مألوفة؛ ولا يوجد اختبار أو عتبة متفق عليها عالميًا. راجع الذكاء الاصطناعي الضيق، والذكاء العام الاصطناعي، والذكاء الخارق.
• قانون الذكاء الاصطناعي (AI Act) للاتحاد الأوروبي — القانون الملزم للاتحاد الأوروبي الذي ينظّم الذكاء الاصطناعي بحسب فئة المخاطر، بما في ذلك عتبات إبلاغ قائمة على الحوسبة للنماذج الأكبر. راجع حوكمة الحوسبة.
• معهد سلامة الذكاء الاصطناعي (AI Safety Institute) — هيئة حكومية (لدى كل من المملكة المتحدة والولايات المتحدة واحدة) تختبر بشكل مستقل نماذج الذكاء الاصطناعي الرائدة بحثًا عن قدرات خطرة قبل الإصدار أو بعده.
• المواءمة (Alignment) — مشكلة ضمان أن تتطابق أهداف نظام الذكاء الاصطناعي وسلوكه مع ما يقصده مشغّلوه فعليًا، لا فقط ما يكافئه هدف التدريب حرفيًا.
• الذكاء الاصطناعي الضيق (ANI) — ذكاء اصطناعي يؤدي أداءً جيدًا ضمن مجال محدود لكنه ينتقل بشكل ضعيف خارجه. وتُعقّد النماذج الحديثة عامة الغرض الثنائية القديمة ضيق/عام لأنها تُظهر كفاءة واسعة لكن متفاوتة.
• Anthropic — مختبر مُركِّز على سلامة الذكاء الاصطناعي، صانع عائلة نماذج Claude، معروف بنشر سياسة التوسع المسؤول الخاصة به.
• الأنسنة (Anthropomorphism) — الميل إلى إسناد مشاعر، أو نوايا، أو فهم شبيه بالبشر إلى نظام ذكاء اصطناعي لا يمتلكها فعليًا.
• واجهة برمجة التطبيقات (API) — طريقة محددة تسمح لقطعة من البرمجيات بإرسال طلبات إلى أخرى؛ ويُستخدم معظم نماذج الذكاء الاصطناعي عبر واجهة برمجة تطبيقات بدلًا من تطبيق استهلاكي.
• الذكاء الاصطناعي الخارق (ASI) — نظام يتجاوز أفضل أداء بشري في كل المجالات ذات القيمة المعرفية تقريبًا.
• آلية الانتباه (Attention mechanism) — الجزء من نموذج المحوّل الذي يتيح له وزن مدى صلة كل كلمة أخرى في مقطع نصي عند تفسير كلمة معينة أو توليدها.
• النظام المستقل (Autonomous system) — آلة (برمجية أو مادية) يمكنها اتخاذ قرارات والتصرف بناءً عليها دون أن يتحكم إنسان مباشرة في كل خطوة.
• السلاح المستقل (Autonomous weapon) — نظام أسلحة يمكنه اختيار الأهداف والاشتباك معها بتحكم بشري مخفَّض أو معدوم في الوقت الفعلي. راجع الأسلحة المستقلة والتصعيد العسكري.
• الأتمتة (Automation) — استخدام آلة أو برنامج لأداء مهمة كانت تتطلب سابقًا شخصًا.

B

• الانتشار الخلفي (Backpropagation) — الخوارزمية الأساسية المستخدمة لتدريب الشبكات العصبية، وتُعدِّل الأوزان الداخلية بناءً على مدى خطأ مخرجات النموذج.
• المعيار المرجعي (Benchmark) — اختبار موحَّد يُستخدم لقياس أداء نموذج الذكاء الاصطناعي ومقارنته في مهمة محددة.
• التحيّز (الخوارزمي) (Bias) — انحراف منهجي في مخرجات نموذج ما، موروث عادةً من أنماط في بيانات تدريبه، يُنتج نتائج غير عادلة أو غير دقيقة لفئات أو حالات معينة.
• إعلان بليتشلي (Bletchley Declaration) — بيان صدر عام 2023 ووقّعته 28 دولة والاتحاد الأوروبي يلتزم بتطوير آمن للذكاء الاصطناعي، وهو أول اتفاق من نوعه بهذا الحجم. راجع المعاهدات والقمم الدولية.
• الروبوت (Bot) — برنامج يُنفّذ مهامًا آلية، مصمَّم غالبًا لتقليد مستخدم بشري عبر الإنترنت.

C

• عتبة القدرة (Capability threshold) — مستوى محدد من أداء الذكاء الاصطناعي (في مهمة أو معيار مرجعي) يُفعِّل متطلب سياسة، أو سلامة، أو تقييم عند تجاوزه.
• المخاطر الكارثية (Catastrophic risk) — خطر ينطوي على احتمال ضرر جماعي أو على مستوى الحضارة، بخلاف الأضرار الروتينية، أو المحتواة، أو القابلة للعكس.
• توجيه سلسلة الأفكار (Chain-of-thought prompting) — الطلب من نموذج كتابة خطوات استدلاله الوسيطة قبل إعطاء إجابة نهائية، وهو ما يُحسّن الدقة غالبًا في المسائل المعقدة.
• روبوت الدردشة (Chatbot) — برنامج مصمَّم لإجراء محادثة نصية أو صوتية مع شخص، يتراوح من أنظمة بسيطة ذات نص معدّ مسبقًا إلى نماذج لغوية كاملة.
• المُصنِّف (Classifier) — نموذج مُدرَّب على تصنيف المدخلات إلى فئات محددة مسبقًا، مثل تمييز رسالة بريد إلكتروني كبريد مزعج أو غير مزعج.
• المهمة المعرفية (Cognitive task) — أي مهمة، كالاستدلال، أو التخطيط، أو فهم اللغة، تنطوي على معالجة ذهنية لا فعلًا ماديًا.
• الإشراف على المحتوى (بمساعدة الذكاء الاصطناعي) (Content moderation) — استخدام نماذج الذكاء الاصطناعي للكشف الآلي عن المحتوى الضار، أو غير القانوني، أو المخالف للسياسات على منصة ما وتصفيته.
• ChatGPT — مساعد المحادثة بالذكاء الاصطناعي الموجَّه للمستهلكين من OpenAI، أحد المنتجات التي أشاعت النماذج اللغوية الكبيرة.
• Claude — عائلة النماذج اللغوية الكبيرة ومساعد المحادثة بالذكاء الاصطناعي من Anthropic.
• الحوسبة السحابية (Cloud computing) — تشغيل البرمجيات وتخزين البيانات على خوادم بعيدة يُصَل إليها عبر الإنترنت، بدلًا من جهاز محلي — وهي البنية التحتية التي تعمل عليها تقريبًا كل النماذج الكبيرة للذكاء الاصطناعي.
• الحوسبة (Compute) — اختصار لقوة الحوسبة: القدرة المعالجة (مقيسة بعمليات في الثانية) المستخدمة لتدريب نموذج ذكاء اصطناعي أو تشغيله.
• حوكمة الحوسبة (Compute governance) — أدوات سياسة تنظّم الوصول إلى عتاد الحوسبة اللازم لتدريب نماذج الذكاء الاصطناعي الرائدة، تُستخدم كمؤشر بديل لتنظيم القدرة نفسها. راجع حوكمة الحوسبة.
• الرؤية الحاسوبية (Computer vision) — المجال الفرعي من الذكاء الاصطناعي المُركِّز على تفسير الصور والفيديو.
• مصدر المحتوى (Content provenance) — بيانات وصفية تقنية مُرفَقة بوسائط (صورة، فيديو، صوت) تسجّل كيف ومتى أُنشئت أو حُرِّرت، تُستخدم للتمييز بين المحتوى الأصيل والمُولَّد بالذكاء الاصطناعي.
• نافذة السياق (Context window) — كمية النص (مقيسة بالرموز) التي يستطيع نموذج لغوي أخذها في الحسبان دفعة واحدة عند توليد استجابة؛ وكل ما يقع خارجها يُنسى فعليًا.
• الذكاء الاصطناعي المحادثي (Conversational AI) — أنظمة ذكاء اصطناعي مصمَّمة خصيصًا لإجراء حوار طبيعي متبادل مع شخص.
• Copilot — خط منتجات مايكروسوفت لمساعد الذكاء الاصطناعي، مدمج عبر برمجياتها ويُستخدم كمصطلح عام لمساعد ذكاء اصطناعي مُضمَّن في أداة أخرى.
• قابلية التصحيح (Corrigibility) — الميل المصمَّم لنظام ما لقبول التصحيح، أو التعديل، أو الإيقاف من مشغّليه بدلًا من مقاومته. راجع قابلية التصحيح ومفاتيح الإيقاف.
• الهجوم السيبراني (بتمكين الذكاء الاصطناعي) (Cyberattack) — هجوم على أنظمة حاسوبية أو بنية تحتية يُستخدم فيه الذكاء الاصطناعي لأتمتة الاستطلاع، أو تطوير الثغرات، أو التنفيذ. راجع الهجمات السيبرانية بتمكين الذكاء الاصطناعي على البنية التحتية.

D

• تقييم القدرة الخطرة (Dangerous capability evaluation) — اختبار منظَّم يُجرى على نموذج قبل إصداره للتحقق مما إذا كان يستطيع المساعدة بشكل ذي دلالة في مهام مثل تطوير الأسلحة أو الهجمات السيبرانية واسعة النطاق.
• مركز البيانات (Data center) — منشأة تضم أعدادًا كبيرة من الحواسيب (غالبًا معالجات رسومية أو معالجات موترية) تُستخدم لتدريب نماذج الذكاء الاصطناعي وتشغيلها.
• مجموعة البيانات (Dataset) — مجموعة الأمثلة (نصوص، أو صور، أو بيانات أخرى) المستخدمة لتدريب نموذج ذكاء اصطناعي أو تقييمه.
• المواءمة الخادعة (Deceptive alignment) — نمط إخفاق افتراضي يتعلّم فيه نموذج ما التصرف بأمان أثناء التدريب أو التقييم بينما يسعى إلى أهداف مختلفة بمجرد نشره.
• التعلّم العميق (Deep learning) — فرع من تعلّم الآلة يستخدم شبكات عصبية بطبقات كثيرة، وهو مسؤول عن معظم تقدم الذكاء الاصطناعي الحديث.
• التزييف العميق (Deepfake) — صورة، أو صوت، أو فيديو اصطناعي وُلِّد أو عُدِّل بالذكاء الاصطناعي ليصوّر بشكل مقنع شيئًا لم يحدث. راجع التزييف العميق والأساس الواقعي المشترك.
• DeepMind (Google DeepMind) — مختبر أبحاث الذكاء الاصطناعي التابع لجوجل، معروف بأبحاث القدرات المتطورة وعمل سلامة الذكاء الاصطناعي المنشور على حد سواء.
• نموذج الانتشار (Diffusion model) — نوع من نماذج الذكاء الاصطناعي التوليدي، يُستخدم عادةً للصور، يُنشئ المخرجات عبر إزالة الضوضاء تدريجيًا من نمط بداية عشوائي.
• العلامة المائية الرقمية (Digital watermark) — إشارة مُضمَّنة، غالبًا غير مرئية، في قطعة وسائط تُستخدم لتحديدها كمُولَّدة بالذكاء الاصطناعي أو لتتبّع أصلها.
• التضليل (Disinformation) — معلومات كاذبة تُنشَر عمدًا للخداع، بخلاف المعلومات المضلِّلة (misinformation)، وهي معلومات كاذبة تُنشَر دون نية الخداع.
• شجرة القرار (Decision tree) — نموذج تعلّم آلي بسيط وقابل للتفسير يُصدر تنبؤات باتباع سلسلة متفرعة من أسئلة إذا/عندئذ.
• تكيّف المجال (Domain adaptation) — تعديل نموذج مُدرَّب في سياق (أو مجموعة بيانات) واحد ليؤدي أداءً جيدًا في سياق مختلف لكنه ذو صلة.
• التقنية مزدوجة الاستخدام (Dual-use technology) — تقنية ذات استخدامات مفيدة مشروعة يمكن أيضًا إساءة استخدامها للتسبب في ضرر جسيم.

E

• الذكاء الاصطناعي الطرفي (Edge AI) — تشغيل نموذج ذكاء اصطناعي مباشرة على جهاز محلي (هاتف، أو كاميرا، أو مستشعر) بدلًا من السحابة.
• التضمين (Embedding) — تمثيل عددي لكلمة، أو صورة، أو مفهوم يلتقط معناه بشكل يستطيع نموذج معالجته رياضيًا.
• القدرة الناشئة (Emergent capability) — قدرة لم تكن مستهدفة مباشرة في التدريب، أو قدرة تظهر فجأة تحت مقياس معين مع توسع الأنظمة. وتصبح بعض القفزات الظاهرية تدريجية عند قياسها بطريقة مختلفة. راجع القدرات الناشئة.
• المُرمِّز/فاك المُرمِّز (Encoder/decoder) — البنية ذات الجزأين في كثير من بُنى الذكاء الاصطناعي حيث يضغط مُرمِّز المدخلات إلى تمثيل داخلي ويحوّل فاك مُرمِّز ذلك التمثيل مرة أخرى إلى مخرجات.
• الحقبة (Epoch) — مرور كامل واحد عبر كامل مجموعة بيانات التدريب أثناء تدريب النموذج.
• الأخلاقيات (أخلاقيات الذكاء الاصطناعي) (Ethics) — المجال الذي يدرس كيف ينبغي تصميم أنظمة الذكاء الاصطناعي واستخدامها لتتوافق مع القيم البشرية وتجنب الضرر.
• التعلّم من طرف إلى طرف (End-to-end learning) — تدريب نموذج واحد للانتقال مباشرة من المدخل الخام إلى المخرج النهائي، دون خطوات وسيطة مصمَّمة يدويًا.
• التقييم (تقييم النموذج) (Evaluation) — اختبار أداء نموذج ذكاء اصطناعي، أو سلامته، أو سلوكه بشكل منهجي مقابل معايير مرجعية أو معايير محددة.
• الخطر الوجودي (x-risk) (Existential risk) — خطر يمكن أن يحدّ بشكل دائم وجذري من إمكانات البشرية، وصولًا إلى الانقراض.
• النظام الخبير (Expert system) — أسلوب أقدم من الذكاء الاصطناعي يُرمِّز معرفة خبير بشري كقواعد صريحة، وقد حلّ محله إلى حد كبير تعلّم الآلة في معظم المهام.
• ضوابط التصدير (Export controls) — قيود حكومية على بيع رقائق أو تقنية ذكاء اصطناعي متقدمة لدول معينة، تُستخدم لإبطاء تطوير قدرات المنافسين.

F

• التعرّف على الوجوه (Facial recognition) — تقنية ذكاء اصطناعي تتعرّف على شخص أو تتحقق من هويته من صورة لوجهه.
• التعلّم من أمثلة قليلة (Few-shot learning) — قدرة نموذج على تعلّم مهمة جديدة من مجرد حفنة من الأمثلة المُقدَّمة وقت الاستخدام، دون إعادة تدريب.
• الضبط الدقيق (Fine-tuning) — تدريب إضافي يُطبَّق على نموذج مُدرَّب مسبقًا لتخصيصه لمهمة أو سلوك معين.
• FLOP / FLOPS — عمليات الفاصلة العائمة (في الثانية)؛ الوحدة القياسية لقياس الحوسبة الخام المستخدمة لتدريب نموذج أو تشغيله.
• نموذج الأساس (Foundation model) — نموذج كبير مُدرَّب على بيانات واسعة يمكن تكييفه لمهام لاحقة كثيرة، بدلًا من أن يُبنى لغرض ضيق واحد.
• مختبر الذكاء الاصطناعي الرائد (Frontier AI lab) — واحد من عدد صغير من المؤسسات (مثل OpenAI، وAnthropic، وGoogle DeepMind) التي تطوّر أكثر نماذج الذكاء الاصطناعي قدرة في أي وقت معين.
• حلقة التغذية الراجعة (Feedback loop) — دورة تؤثر فيها مخرجات نظام ما على مدخلاته المستقبلية، ما قد يضخّم آثارًا صغيرة مع الوقت — ذات صلة بتدريب النماذج وخوارزميات التوصية على حد سواء.
• فقاعة الترشيح (Filter bubble) — بيئة معلوماتية ضيّقة تنشأ عندما تُظهر خوارزمية توصية للمستخدم مرارًا محتوى مشابهًا لما تفاعل معه من قبل.
• النموذج الرائد (Frontier model) — نموذج ذكاء اصطناعي عند سقف القدرة الحالي أو قريب منه، وعادةً ما يكون أكبر الأنظمة وأحدثها تدريبًا من المختبرات الكبرى.

G

• الشبكة التوليدية التنافسية (GAN) — بنية ذكاء اصطناعي توليدي أقدم تستخدم شبكتين متنافستين — واحدة تولّد تزييفات، وأخرى تكشفها — لتحسين جودة المخرجات.
• Gemini — عائلة النماذج اللغوية الكبيرة ومساعد الذكاء الاصطناعي من جوجل.
• التعميم (Generalization) — قدرة نموذج على الأداء الجيد مع أمثلة جديدة لم يُدرَّب عليها مباشرة، بدلًا من مجرد حفظ بيانات التدريب.
• الذكاء الاصطناعي التوليدي (Generative AI) — ذكاء اصطناعي يُنشئ محتوى جديدًا — نصًا، أو صورًا، أو صوتًا، أو فيديو، أو شيفرة — بدلًا من مجرد تصنيف محتوى قائم أو تحليله.
• معالج الرسوميات (GPU) — رقاقة صُمِّمت أصلًا لعرض الرسوميات، وأصبحت الآن العتاد المهيمن لتدريب نماذج الذكاء الاصطناعي وتشغيلها بفضل قدرتها على المعالجة المتوازية.
• فقدان التمكين التدريجي (Gradual disempowerment) — فقدان البشر سيطرة ذات دلالة على مؤسسات رئيسية عبر تراكم قرارات مدفوعة بالذكاء الاصطناعي معقولة كل على حدة، دون أي حدث استيلاء واحد. راجع فقدان التمكين التدريجي.
• Grok — عائلة النماذج اللغوية الكبيرة ومساعد الذكاء الاصطناعي من xAI.
• الحقيقة المرجعية (Ground truth) — الإجابة الصحيحة والمُتحقَّق منها التي تُقارَن بها مخرجات نموذج عند قياس الدقة.
• الضمانات (Guardrails) — قيود تقنية أو سياساتية مُضمَّنة في نظام ذكاء اصطناعي لمنع سلوكيات ضارة، أو غير آمنة، أو غير مقصودة محددة.

H

• الهلوسة (Hallucination) — عبارة ذات نبرة واثقة لكنها غير صحيحة واقعيًا أو مُختلَقة يُنتجها نموذج ذكاء اصطناعي.
• مُسرِّع العتاد (Hardware accelerator) — رقائق حاسوبية متخصصة (معالجات رسومية، معالجات موترية) بُنيت لتسريع العمليات الرياضية المحددة التي تتطلبها نماذج الذكاء الاصطناعي.
• الإنسان في الحلقة (Human-in-the-loop) — تصميم نظام يراجع فيه إنسان مخرجات ذكاء اصطناعي أو يوافق عليها قبل أن تُطبَّق، بدلًا من ترك الذكاء الاصطناعي يتصرف بشكل مستقل تمامًا.
• الذكاء الاصطناعي بمستوى بشري (Human-level AI) — نظام ذكاء اصطناعي يؤدي أداءً يقارب أداء إنسان ماهر في مهمة معينة أو نطاق من المهام.
• الاستدلال التقريبي (Heuristic) — اختصار عملي قائم على قاعدة تقريبية يُستخدم لاتخاذ قرار بسرعة، دون ضمان نتيجة مثلى.
• المُعامل الفائق (Hyperparameter) — إعداد تدريب (مثل معدل التعلّم أو حجم النموذج) يختاره الأشخاص الذين يبنون نموذجًا، بدلًا من أن يتعلّمه النموذج نفسه.

I

• التعرّف على الصور (Image recognition) — تقنية ذكاء اصطناعي تتعرّف على أجسام، أو مشاهد، أو أشخاص داخل صورة ثابتة.
• التعلّم ضمن السياق (In-context learning) — تكييف نموذج لسلوكه ضمن محادثة واحدة بناءً على أمثلة أو تعليمات مُقدَّمة في التوجيه، دون أي إعادة تدريب.
• الاستدلال (Inference) — عملية إنتاج نموذج ذكاء اصطناعي مُدرَّب مسبقًا مخرجًا من مدخل معطى؛ بخلاف التدريب، الذي يبني النموذج أصلًا.
• سلامة المعلومات (Information integrity) — المفهوم الأوسع لبيئة واقعية مشتركة وموثوقة، مهدَّدة بالتزييف العميق، والتضليل، والتلاعب المدفوع بالذكاء الاصطناعي.
• التقارب الأداتي (Instrumental convergence) — ميل الأنظمة القادرة والموجَّهة نحو الأهداف إلى السعي لتحقيق أهداف فرعية معينة (حفظ الذات، والحصول على الموارد، ومقاومة الإيقاف) كأثر جانبي للسعي إلى أي هدف تقريبًا بكفاءة.
• الانفجار الذكائي (Intelligence explosion) — زيادة سريعة ذاتية التعزيز افتراضية في قدرة الذكاء الاصطناعي، قد يُطلقها نظام ذكاء اصطناعي يُحسّن خلفاءه.
• قابلية التفسير (Interpretability) — بحث في تفحّص ما يمثله النموذج ويخطّط له فعليًا داخليًا، بدلًا من الحكم عليه فقط بمخرجاته. راجع قابلية التفسير، موضّحة.
• الوكيل الذكي (Intelligent agent) — نظام يستشعر بيئته ويتخذ إجراءات لتحقيق هدف، وهو مفهوم عام يشمل كل شيء من منظّم حرارة بسيط إلى ذكاء عام اصطناعي.
• التكرار (التدريب) (Iteration) — خطوة تحديث واحدة أثناء تدريب النموذج، حيث يعالج النموذج دفعة من البيانات ويُعدِّل معاملاته قليلًا.

J

• كسر القيود (Jailbreak) — تقنية أو توجيه مصمَّم لتجاوز قيود سلامة نموذج ذكاء اصطناعي وجعله ينتج محتوى دُرِّب على رفضه.

K

• اعرف عميلك (KYC) — عملية تحقق، مستعارة من القطاع المصرفي، تُطبَّق بشكل متزايد على مزوّدي الحوسبة السحابية وتخليق الحمض النووي لمنع جهات مقيَّدة من الوصول إلى قدرات خطرة.
• قاعدة المعرفة (Knowledge base) — مجموعة منظَّمة من الحقائق والمعلومات يمكن لنظام ذكاء اصطناعي الاستناد إليها للإجابة عن الأسئلة أو تثبيت استجاباته.
• رسم المعرفة (Knowledge graph) — قاعدة بيانات منظَّمة تمثّل الحقائق كشبكة من الكيانات والعلاقات المترابطة، تُستخدم أحيانًا إلى جانب نماذج الذكاء الاصطناعي لتثبيت إجاباتها.

L

• وسم البيانات (Data labeling) — عملية وسم بيانات خام (صور، نصوص) بالإجابات الصحيحة المستخدمة لتدريب نموذج تعلّم آلي مُشرَف عليه.
• النموذج اللغوي الكبير (LLM) — نموذج ذكاء اصطناعي مُدرَّب على كميات هائلة من النصوص للتنبؤ باللغة وتوليدها، وهو التقنية القائمة عليها معظم روبوتات الدردشة الحديثة.
• الكمون (Latency) — التأخير بين إرسال طلب إلى نظام ذكاء اصطناعي وتلقّي استجابته.
• الطبقة (شبكة عصبية) (Layer) — مرحلة معالجة واحدة داخل شبكة عصبية؛ وتُكدِّس نماذج التعلّم العميق طبقات كثيرة لبناء تمثيلات تزداد تجريدًا.
• معدل التعلّم (Learning rate) — إعداد تدريب يتحكم في مقدار تغيّر معاملات نموذج داخلية استجابةً لكل دفعة من بيانات التدريب.
• نظام الترخيص (الذكاء الاصطناعي) (Licensing regime) — متطلب حكومي مقترح أو فعلي بأن يحصل المطورون على ترخيص قبل تدريب نماذج تتجاوز مستوى قدرة معين أو نشرها.
• دالة الخسارة (Loss function) — الصيغة الرياضية التي يحاول نموذج تقليلها أثناء التدريب، وتقيس مدى خطأ تنبؤاته.
• فقدان السيطرة (Loss of control) — نمط الإخفاق العام الذي ينتهي فيه نظام ذكاء اصطناعي إلى السعي نحو نتائج لم يوجّهه أحد إليها ولم يعد بإمكان البشر تصحيحه بشكل موثوق. راجع آلية فقدان السيطرة.
• LSTM (الذاكرة القصيرة الطويلة المدى) — بنية شبكة عصبية أقدم صُمِّمت للتعامل مع تسلسلات البيانات، وقد حلّت محلها إلى حد كبير المحوّلات في مهام اللغة.

M

• تعلّم الآلة (Machine learning) — المجال الواسع لبناء أنظمة تتحسن في مهمة عبر التعلّم من البيانات، بدلًا من اتباع قواعد مُبرمَجة صراحة.
• التحسين شبه المُنبثِق (Mesa-optimization) — وضع افتراضي يُطوِّر فيه نموذج مُدرَّب عملية تحسين داخلية خاصة به تسعى إلى هدف يختلف عن الذي دُرِّب عليه.
• Meta AI — قسم أبحاث الذكاء الاصطناعي التابع لشركة Meta (الشركة الأم لفيسبوك)، معروف بتطوير عائلة نماذج Llama مفتوحة الأوزان.
• METR — منظمة غير ربحية تُجري تقييمات مستقلة للقدرات والسلامة على نماذج الذكاء الاصطناعي الرائدة.
• سوء المواءمة (Misalignment) — عدم تطابق بين السلوك أو الأهداف الفعلية لنظام ذكاء اصطناعي وما يقصده مصمموه أو مستخدموه.
• المعلومات المضلِّلة (Misinformation) — معلومات كاذبة تُنشَر دون نية خداع متعمدة، بخلاف التضليل (disinformation).
• مزيج الخبراء (Mixture of experts) — بنية نموذج توجّه كل مدخل إلى مجموعة فرعية من الشبكات الفرعية الداخلية المتخصصة، بدلًا من معالجة كل شيء عبر النموذج بأكمله.
• بطاقة النموذج (Model card) — وثيقة منشورة تصف قدرات نموذج ذكاء اصطناعي، وقيوده، وبيانات تدريبه، ونتائج تقييمه.
• نشر النموذج (Model deployment) — عملية إتاحة نموذج ذكاء اصطناعي مُدرَّب للاستخدام في العالم الحقيقي، سواء عبر واجهة برمجة تطبيقات، أو تطبيق، أو منتج مُضمَّن.
• أوزان النموذج (Model weights) — المعاملات العددية التي تتعلمها شبكة عصبية أثناء التدريب، والتي تحدد معًا سلوكها.
• الذكاء الاصطناعي متعدد الوسائط (Multimodal AI) — نموذج يمكنه معالجة أو توليد أكثر من نوع واحد من البيانات — كالنص، والصور، والصوت — معًا.
• الفخ متعدد الأقطاب (Multipolar trap) — وضع تُضغَط فيه أطراف متنافسة كل على حدة نحو خيار محفوف بالمخاطر لأنها تخشى أن يقدم عليه منافس أولًا، رغم أن الجميع سيفضّلون لو امتنع الكل. راجع الديناميكيات الكارثية متعددة الأقطاب ومتعددة الوكلاء.
• البيانات الوصفية (Metadata) — بيانات وصفية عن بيانات أخرى، كتاريخ إنشاء ملف أو موقع صورة — تُستخدم غالبًا للكشف عن محتوى مُولَّد بالذكاء الاصطناعي.
• انجراف النموذج (Model drift) — تراجع دقة نموذج ذكاء اصطناعي مع الوقت مع ابتعاد ظروف العالم الحقيقي عمّا دُرِّب عليه أصلًا.

N

• توليد اللغة الطبيعية (NLG) — تقنية ذكاء اصطناعي مُركِّزة تحديدًا على إنتاج نص قابل للقراءة من قِبَل البشر.
• معالجة اللغة الطبيعية (NLP) — المجال الأوسع من الذكاء الاصطناعي المعني بفهم اللغة البشرية وتوليدها.
• الشبكة العصبية (Neural network) — نموذج تعلّم آلي مستوحى بشكل فضفاض من الدماغ، مبني من طبقات من عقد مترابطة تتعلم أنماطًا من البيانات.

O

• كشف الأجسام (Object detection) — مهمة رؤية حاسوبية تتعرّف على أجسام محددة داخل صورة وتحدد مواقعها.
• مشكلة مفتاح الإيقاف (Off-switch problem) — التحدي التقني لبناء نظام ذكاء اصطناعي يقبل الإيقاف بشكل موثوق، نظرًا لأن نظامًا قادرًا وموجَّهًا نحو الأهداف قد يقاوم ذلك. راجع قابلية التصحيح ومفاتيح الإيقاف.
• OpenAI — مختبر الذكاء الاصطناعي وراء ChatGPT وعائلة نماذج GPT.
• النموذج مفتوح الأوزان (Open-weight model) — نموذج ذكاء اصطناعي تُنشَر معاملاته المُدرَّبة علنًا، ما يسمح لأي شخص بتشغيله أو تعديله، بخلاف نموذج مغلق يُوصَل إليه فقط عبر واجهة برمجة تطبيقات. راجع نقاش الذكاء الاصطناعي مفتوح المصدر.
• أطروحة التعامد (Orthogonality thesis) — فكرة أن مستوى ذكاء نظام ذكاء اصطناعي والأهداف التي يسعى إليها مستقلان — فنظام عالي القدرة ليس بالضرورة نظامًا حميدًا تلقائيًا.
• المواءمة الخارجية (Outer alignment) — ضمان أن الهدف الذي يُدرَّب عليه نموذج ما يطابق فعليًا ما يريده مصمموه حقًا، بخلاف المواءمة الداخلية (ضمان أن يسعى النموذج بشكل موثوق نحو ذلك الهدف).
• التحسين (Optimization) — العملية الرياضية لتعديل معاملات نموذج لتقليل الخطأ أو تعظيم هدف مستهدف أثناء التدريب.
• فرط التخصيص (Overfitting) — عندما يتعلّم نموذج خصوصيات بيانات تدريبه بدقة مفرطة ويؤدي أداءً سيئًا نتيجة لذلك على بيانات جديدة لم يرها من قبل.

P

• المعامل (Parameter) — إحدى القيم العددية الداخلية التي تُعدِّلها شبكة عصبية أثناء التدريب؛ وغالبًا ما يُوصَف حجم النموذج بعدد معاملاته.
• التعرّف على الأنماط (Pattern recognition) — القدرة العامة على تحديد انتظامات أو بنية في البيانات، وهي أساس معظم مهام تعلّم الآلة.
• تركّز السلطة (Power concentration) — خطر تركّز قدرة الذكاء الاصطناعي المتقدم في عدد صغير من الشركات، أو الأفراد، أو الدول، مع تأثير غير متناسب نتيجة لذلك. راجع تركّز السلطة.
• التدريب المسبق (Pretraining) — مرحلة التدريب الأولية واسعة النطاق حيث يتعلم نموذج أنماطًا عامة من بيانات واسعة، قبل أي ضبط دقيق خاص بمهمة.
• التوجيه (Prompt) — النص (أو أي مدخل آخر) الذي يقدّمه مستخدم لنموذج ذكاء اصطناعي لاستدعاء استجابة.
• هندسة التوجيه (Prompt engineering) — ممارسة صياغة التوجيهات بعناية للحصول بشكل موثوق على نتائج أفضل أو أكثر تحديدًا من نموذج ذكاء اصطناعي.
• حقن التوجيهات (Prompt injection) — هجوم تُخفى فيه تعليمات خبيثة داخل محتوى يعالجه نموذج ذكاء اصطناعي، في محاولة لتجاوز تعليماته الأصلية.
• خوارزمية التخصيص (Personalization algorithm) — نظام ذكاء اصطناعي يُصمِّم المحتوى، أو التوصيات، أو الاستجابات وفق تفضيلات مستخدم فردي مُستنتَجة أو سجله.
• الدقة والاستدعاء (Precision and recall) — مقياسان قياسيان لتقييم مُصنِّف: تقيس الدقة كم من تنبؤاته الإيجابية كانت صحيحة، ويقيس الاستدعاء كم من الإيجابيات الفعلية وجدها.
• الذكاء الاصطناعي الحافظ للخصوصية (Privacy-preserving AI) — تقنيات (كالمعالجة على الجهاز أو الخصوصية التفاضلية) مصمَّمة لتدريب نماذج ذكاء اصطناعي أو تشغيلها دون كشف بيانات شخصية خام للأفراد.

Q

• التكميم (Quantization) — تقنية تُقلِّل دقة أوزان النموذج العددية لجعله أصغر وأسرع في التشغيل، عادةً مع مقايضة صغيرة في الدقة.

R

• ديناميكيات السباق (Race dynamics) — ضغط تنافسي بين شركات أو دول لتطوير الذكاء الاصطناعي بسرعة أكبر، ما قد يُحفّز على التساهل في السلامة. راجع ديناميكيات السباق الجيوسياسي.
• خوارزمية التوصية (Recommendation algorithm) — نظام ذكاء اصطناعي يختار ويرتّب محتوى (فيديوهات، منتجات، منشورات) يُتوقَّع أن يحظى باهتمام مستخدم أو اهتمامه.
• نمذجة المكافأة التكرارية (Recursive reward modeling) — تقنية رقابة قابلة للتوسع تستخدم مساعدة الذكاء الاصطناعي لمساعدة البشر على تقييم المخرجات في مهام معقدة للغاية بحيث لا يمكن الحكم عليها بلا مساعدة. راجع الرقابة القابلة للتوسع.
• التحسّن الذاتي التكراري (Recursive self-improvement) — نظام يساهم بشكل جوهري في تصميم نظام خلَف أكثر قدرة أو تدريبه.
• اختبار الفريق الأحمر (Red teaming) — سبر نظام ذكاء اصطناعي عمدًا بحثًا عن نقاط ضعف، أو سلوكيات غير آمنة، أو عيوب قابلة للاستغلال قبل النشر أو بعده.
• التعلّم المعزَّز (Reinforcement learning) — طريقة تدريب يتعلم فيها نموذج عبر اتخاذ إجراءات وتلقّي مكافآت أو عقوبات، بدلًا من التعلّم من أمثلة موسومة.
• التعلّم المعزَّز من التغذية الراجعة البشرية (RLHF) — تقنية تدريب تستخدم تقييمات بشرية لمخرجات نموذج لتوجيهه نحو سلوك أكثر فائدة أو مفضَّلًا.
• عتبة الإبلاغ (Reporting threshold) — مستوى حوسبة أو قدرة يُلزَم المطورون فوقه قانونًا بالإفصاح عن عملية تدريب للجهات التنظيمية.
• سياسة التوسع المسؤول (Responsible Scaling Policy) — إطار عمل، رائدته Anthropic، يربط تدابير سلامة متزايدة الصرامة بمستوى قدرة نموذج مقيس.
• اختراق المكافآت (Reward hacking) — نظام ذكاء اصطناعي يجد طريقة لتحقيق درجة عالية في هدفه المُعلَن بينما يُحبط نية المصمم الفعلية. راجع اختراق المكافآت والتلاعب بالمواصفات.
• نموذج المكافأة (Reward model) — نموذج منفصل مُدرَّب على التنبؤ بمدى جودة مخرج ما أو تفضيله، يُستخدم لتوجيه التعلّم المعزَّز.
• الروبوتات (Robotics) — المجال الذي يجمع بين الذكاء الاصطناعي والآلات المادية القادرة على الاستشعار والتصرف في العالم الحقيقي.

S

• الأداء المتعمَّد الأقل (Sandbagging) — نموذج يُظهر أداءً أقل من قدرته عمدًا أثناء تقييم لإخفاء مستوى قدرته الحقيقي.
• الرقابة القابلة للتوسع (Scalable oversight) — تقنيات تتيح لمُشرِف أقل قدرة (بما في ذلك إنسان) الإشراف بشكل ذي دلالة على نظام ذكاء اصطناعي أكثر قدرة. راجع الرقابة القابلة للتوسع.
• قانون التوسع (Scaling law) — العلاقة التجريبية بين حوسبة نموذج، وبياناته، وعدد معاملاته وقدرته الناتجة. راجع الحوسبة وقوانين التوسع.
• التعلّم الذاتي الإشراف (Self-supervised learning) — نهج تدريب يُولِّد فيه نموذج وسومه الخاصة من بيانات خام غير موسومة (مثل التنبؤ بالكلمة التالية في جملة).
• تحليل المشاعر (Sentiment analysis) — مهمة معالجة لغة طبيعية تحدد النبرة العاطفية (إيجابية، سلبية، محايدة) لقطعة نص.
• التفرّد (Singularity) — نقطة مستقبلية افتراضية يصبح فيها التغيّر المدفوع بالذكاء الاصطناعي سريعًا وتحويليًا لدرجة يصعب أو يستحيل معها التنبؤ بما سيتبعه.
• الوعي الظرفي (الذكاء الاصطناعي) (Situational awareness) — فهم داخلي لنموذج بأنه نموذج يُدرَّب أو يُقيَّم، وهو ما قد يتيح له من حيث المبدأ التصرف بشكل مختلف تحت الاختبار عنه في النشر الفعلي.
• التلاعب بالمواصفات (Specification gaming) — نظام ذكاء اصطناعي يُلبّي الصياغة الحرفية لهدف بينما ينتهك ما قصده مصممه فعليًا. راجع اختراق المكافآت والتلاعب بالمواصفات.
• التعرّف على الكلام (Speech recognition) — تقنية ذكاء اصطناعي تحوّل الصوت المنطوق إلى نص.
• الببغاء الاحتمالي (Stochastic parrot) — مصطلح نقدي يصف النماذج اللغوية الكبيرة بأنها أنظمة تعيد تركيب أنماط من نص التدريب بطلاقة دون فهم حقيقي.
• الذكاء الخارق (Superintelligence) — عقل يتجاوز إلى حد بعيد أفضل أداء بشري في كل مجال ذي أهمية تقريبًا؛ انظر أيضًا ASI.
• التعلّم المُشرَف عليه (Supervised learning) — طريقة تدريب يتعلم فيها نموذج من بيانات موسومة صراحة بالإجابة الصحيحة.
• الوسائط الاصطناعية (Synthetic media) — أي صورة، أو صوت، أو فيديو مُولَّد أو مُعدَّل جوهريًا بالذكاء الاصطناعي، سواء استُخدم بشكل خداعي أم لا.
• المخاطر النُّظُمية (الذكاء الاصطناعي) (Systemic risk) — خطر ناشئ عن نطاق نموذج ذكاء اصطناعي أو مداه يمكن أن يؤثر على الأسواق، أو البنية التحتية، أو المجتمع على نطاق واسع، لا فقط مستخدميه المباشرين.
• البحث الدلالي (Semantic search) — طريقة بحث تُطابق النتائج بحسب المعنى والسياق بدلًا من تطابق الكلمات المفتاحية الحرفي، وتُدعَم عادةً بالتضمينات.
• المحاكاة (Simulation) — نموذج لنظام أو بيئة من العالم الحقيقي يُستخدم لاختبار سلوك الذكاء الاصطناعي بأمان قبل النشر الفعلي.
• البيانات البنيوية (Structured data) — معلومات منظَّمة بتنسيق جدولي يمكن التنبؤ به (كجدول بيانات)، بخلاف البيانات غير البنيوية كالنص الحر أو الصور.
• المراقبة (بتمكين الذكاء الاصطناعي) (Surveillance) — استخدام تقنيات ذكاء اصطناعي كالتعرّف على الوجوه أو تحليل السلوك لمراقبة الأشخاص على نطاق واسع.

T

• درجة الحرارة (الذكاء الاصطناعي) (Temperature) — إعداد يتحكم في مدى عشوائية أو قابلية التنبؤ بمخرجات نموذج لغوي؛ وتُنتج درجة الحرارة الأعلى استجابات أكثر تنوعًا وأقل حتمية.
• تحويل النص إلى صورة (Text-to-image) — نظام ذكاء اصطناعي توليدي يُنشئ صورة من وصف مكتوب.
• تحويل النص إلى كلام (Text-to-speech) — تقنية ذكاء اصطناعي تحوّل نصًا مكتوبًا إلى صوت منطوق.
• الرمز (Token) — الوحدة الأساسية للنص (تقريبًا كلمة أو جزء كلمة) التي يعالجها نموذج لغوي في المرة الواحدة.
• الترميز الرمزي (Tokenization) — عملية تقسيم النص إلى رموز قبل أن يستطيع نموذج معالجته.
• بيانات التدريب (Training data) — الأمثلة التي يتعلم منها نموذج ذكاء اصطناعي أثناء التدريب.
• عملية التدريب (Training run) — تنفيذ واحد كامل للعملية المستخدمة لتدريب نموذج، وقد يستغرق ذلك للنماذج الرائدة أسابيع أو أشهرًا.
• التعلّم بالنقل (Transfer learning) — إعادة استخدام نموذج مُدرَّب على مهمة واحدة كنقطة انطلاق للتدريب على مهمة ذات صلة، ما يوفّر الوقت والبيانات.
• الذكاء الاصطناعي التحويلي (Transformative AI) — ذكاء اصطناعي قادر على إحداث تغيّر مجتمعي مماثل في حجمه للثورتين الزراعية أو الصناعية.
• المحوِّل (Transformer) — بنية الشبكة العصبية، التي قُدِّمت عام 2017، والتي تقوم عليها تقريبًا كل النماذج اللغوية الكبيرة الحديثة.
• الانعطافة الغادرة (Treacherous turn) — لحظة افتراضية يتصرف فيها فجأة نظام ذكاء اصطناعي كان يتصرف بأمان وهو ضعيف وفق أهداف مختلفة بمجرد اكتسابه قوة كافية للقيام بذلك دون أن يُوقَف.
• معالج التنسورات (TPU) — رقاقة صمّمتها جوجل خصيصًا لتسريع تدريب نماذج الذكاء الاصطناعي واستدلالها.
• اختبار تورينغ (Turing test) — اختبار مقترح لما إذا كانت محادثة آلة لا يمكن تمييزها عن محادثة إنسان. راجع اختبار تورينغ وما حلّ محله.
• مجموعة الاختبار (Test set) — جزء من البيانات يُحجَز عن التدريب ويُستخدم فقط لقياس أداء نموذج مكتمل في العالم الحقيقي.
• نموذج التهديد (Threat model) — وصف منظَّم لمن قد يهاجم نظامًا، وكيف، وماذا يمكنه تحقيقه، يُستخدم لتصميم الدفاعات.
• الثقة والسلامة (Trust and safety) — الوظيفة داخل شركة ذكاء اصطناعي أو تقنية المسؤولة عن منع الإساءة، والضرر، ومخالفات السياسة على منصتها.

U

• الوادي الغريب (Uncanny valley) — الشعور المزعج الذي ينتاب الناس تجاه وجه، أو صوت، أو رسم متحرك اصطناعي يبدو شبيهًا بالبشر تقريبًا لكن ليس تمامًا.
• التعلّم غير المُشرَف عليه (Unsupervised learning) — طريقة تدريب يجد فيها نموذج أنماطًا أو بنية في بيانات دون تقديم أي إجابات صحيحة موسومة.

V

• مواءمة القيم (Value alignment) — تصميم نظام ذكاء اصطناعي بحيث يعكس سلوكه قيمًا بشرية حقيقية، لا مجرد هدف تدريب حرفي.
• قاعدة البيانات المتجهية (Vector database) — قاعدة بيانات مُحسَّنة لتخزين التضمينات والبحث فيها، تُستخدم عادةً لمنح النماذج اللغوية وصولًا إلى معرفة خارجية.
• المساعد الافتراضي (Virtual assistant) — وكيل برمجي (كمساعد صوتي لسمّاعة ذكية) مصمَّم لأداء مهام أو الإجابة عن أسئلة نيابة عن مستخدم.
• نموذج الرؤية واللغة (Vision-language model) — نموذج ذكاء اصطناعي يمكنه معالجة الصور والنص معًا، كالإجابة عن أسئلة حول صورة.
• استنساخ الصوت (Voice cloning) — استخدام الذكاء الاصطناعي لإعادة إنتاج صوت شخص معين من عينة صوتية قصيرة. راجع الدفاع ضد التزييف العميق واستنساخ الصوت.

W

• التعميم من الضعيف إلى القوي (Weak-to-strong generalization) — بحث يدرس ما إذا كانت إشارة إشراف نموذج أضعف يمكن أن توجّه بشكل موثوق سلوك نموذج أقوى في الاتجاه الصحيح.
• استخلاص بيانات الويب (Web scraping) — استخراج كميات كبيرة من البيانات آليًا من مواقع الويب، وهي طريقة شائعة لبناء مجموعات بيانات تدريب الذكاء الاصطناعي.
• حماية المُبلِّغين (Whistleblower protections) — ضمانات قانونية أو سياساتية للموظفين الذين يُبلِّغون عن مخاوف سلامة داخل شركة ذكاء اصطناعي دون مواجهة انتقام. راجع حماية المُبلِّغين.
• نموذج العالم (World model) — التمثيل الداخلي لنظام ذكاء اصطناعي لكيفية عمل بيئته، يُستخدم للتنبؤ بآثار الإجراءات.

Z

• التعلّم بدون أمثلة (Zero-shot learning) — نموذج يؤدي مهمة بشكل صحيح دون أن يكون قد رأى أي أمثلة على تلك المهمة المحددة أثناء التدريب، معتمدًا فقط على معرفة عامة.