مقدمة إلى نماذج اللغة الكبيرة (LLMs)

1. الفكرة الأساسية: آلة تنبؤ بالكلمة التالية فائقة الذكاء

في أبسط صورها، يمكن اعتبار نموذج اللغة الكبير (LLM) نظام "إكمال تلقائي" (Auto-complete) متطور للغاية. وظيفته الأساسية هي التنبؤ بالكلمة (أو بشكل أدق، "الرمز") الأكثر احتمالاً لتأتي بعد سلسلة من الكلمات التي أُعطيت له.

لكن ما يجعله قوياً هو أنه لا يتنبأ بناءً على تكرار الكلمات فقط، بل بناءً على فهم عميق للسياق والمعنى والعلاقات بين الكلمات، وهو ما تعلمه من خلال تدريبه على كمية هائلة من النصوص.

لتبدأ في تصور هذه الفكرة، شاهد المقطع التالي الذي يشرح هذا المفهوم بطريقة مبسطة وممتازة.

كما رأيت، المهمة الأساسية هي التنبؤ بالكلمة التالية. لكن كيف ينتقل النموذج من مجرد توقع كلمة واحدة إلى كتابة فقرات كاملة ومترابطة؟ هذا ما سنكتشفه في الخطوات التالية.

2. رحلة المعلومة داخل النموذج: من النص إلى النص

عندما ترسل طلباً (Prompt) إلى نموذج لغوي كبير، يمر هذا الطلب بسلسلة من العمليات قبل أن تحصل على إجابة. يمكننا تلخيص هذه الرحلة في خمس خطوات رئيسية:

دعنا نستعرض هذه الخطوات واحدة تلو الأخرى.

الخطوة الأولى: تقسيم النص إلى رموز (Tokenization)

أولاً، الكمبيوتر لا يفهم الكلمات أو الجمل كما نفهمها. إنه يفهم الأرقام فقط. لذلك، يجب تحويل النص الذي تدخله إلى صيغة رقمية. الخطوة الأولى في هذه العملية هي تقسيم النص إلى وحدات أصغر تسمى الرموز (Tokens).

الرمز قد يكون كلمة كاملة ("سيارة")، أو جزءاً من كلمة ("سيار" ، "ة")، أو حتى علامة ترقيم (.).

على سبيل المثال، جملة "الذكاء الاصطناعي مذهل." قد تتحول إلى رموز مثل: ["الذ", "كاء"]، ["الاصطناعي"]، ["مذهل"]، ["."]

هذه العملية مهمة جداً لأنها تسمح للنموذج بالتعامل مع عدد هائل من الكلمات، بما في ذلك الكلمات النادرة أو الجديدة، بكفاءة.

الخطوة الثانية: تحويل الرموز إلى معنى رقمي (Embeddings)

بعد تحويل النص إلى رموز، لا تزال هذه الرموز مجرد أرقام تعريفية ليس لها معنى. هنا تأتي الخطوة الثانية: تحويل كل رمز إلى قائمة طويلة من الأرقام تسمى المتّجه (Vector). هذه العملية تسمى التضمين (Embedding).

هذا المتّجه ليس مجرد أرقام عشوائية؛ بل هو تمثيل رقمي لمعنى الرمز. الفكرة المذهلة هنا هي أن الرموز ذات المعاني المتشابهة أو العلاقات المترابطة يكون لها متّجهات متشابهة رياضياً.

تخيل الأمر كخريطة ثلاثية الأبعاد للمعاني، حيث:

• كلمة "ملك" ستكون قريبة من كلمة "ملكة".
• كلمة "تفاحة" ستكون قريبة من "برتقالة".
• كلمة "يمشي" ستكون قريبة من "يركض".

هذه "التضمينات" هي ما يسمح للنموذج بفهم العلاقات الدلالية بين الكلمات. لمزيد من التوضيح، شاهد كيف يشرح الفيديو التالي هذا المفهوم.

الخطوة الثالثة: المعالجة عبر المحوّل وآلية الانتباه (Transformer & Attention)

الآن بعد أن أصبح لدينا متّجهات تمثل معنى كل رمز، تدخل هذه المتّجهات إلى "عقل" النموذج، وهو عبارة عن بنية شبكة عصبية تسمى المحوّل (Transformer).

أهم ابتكار في بنية المحوّل هو آلية الانتباه الذاتي (Self-Attention Mechanism). هذه الآلية تسمح للنموذج، أثناء معالجته لكل رمز، بأن يمنح "انتباهاً" أو وزناً أكبر للرموز الأخرى الأكثر أهمية في تحديد معنى الجملة وسياقها.

مثال: في جملة "القطة جلست على السجادة لأنها كانت متعبة"، عندما يعالج النموذج كلمة "لأنها"، آلية الانتباه ستجعله يركز بشكل أكبر على كلمة "القطة" وليس "السجادة"، لأنه تعلم من خلال تدريبه أن الكائنات الحية هي التي تشعر بالتعب، وليس الجمادات.

هذه القدرة على ربط الكلمات البعيدة عن بعضها في النص وفهم العلاقات المعقدة هي سر قوة نماذج اللغة الحديثة.

الخطوة الرابعة: التنبؤ بالرمز التالي

بعد أن عالج المحوّل جميع رموز المدخلات وفهم سياقها بعمق، تأتي مهمته الأساسية: التنبؤ بالرمز التالي.

النموذج لا "يقرر" الكلمة التالية بشكل حاسم. بدلاً من ذلك، يقوم بتوليد قائمة من الاحتمالات لكل رمز ممكن في مفرداته (والتي قد تصل إلى عشرات الآلاف من الرموز).

مثال: إذا كان المدخل هو "أفضل لون في العالم هو"، قد تكون مخرجات النموذج شيئاً كهذا:

• الأزرق: 25% احتمال
• الأخضر: 18% احتمال
• الأحمر: 12% احتمال
• ... وهكذا لكل الرموز الأخرى.

الخطوة الخامسة: اختيار الرمز وتكرار العملية

أخيراً، يتم اختيار رمز واحد من قائمة الاحتمالات هذه. أبسط طريقة هي اختيار الرمز صاحب أعلى احتمال، ولكن هناك طرق أخرى تسمح بإجابات أكثر إبداعاً أو تنوعاً.

بمجرد اختيار الرمز (لنقل أنه "الأزرق")، تحدث خطوة حاسمة: يتم إلحاق هذا الرمز الجديد بالمدخل الأصلي. فتصبح السلسلة الآن "أفضل لون في العالم هو الأزرق". ثم تتكرر العملية بأكملها مرة أخرى (الخطوات 3، 4، 5) للتنبؤ بالرمز الذي سيأتي بعد كلمة "الأزرق".

تستمر هذه الحلقة - معالجة، تنبؤ، اختيار، إلحاق - في تكرار نفسها، رمزاً تلو الآخر، حتى يولد النموذج رمزاً خاصاً يعني "نهاية الجملة"، أو يصل إلى الحد الأقصى للطول المسموح به.

وهذا يفسر لماذا:

• تظهر الإجابات بشكل تدريجي كلمة بكلمة.
• لا "يعرف" النموذج الإجابة الكاملة مسبقاً، بل يبنيها خطوة بخطوة.
• تستغرق الإجابات الطويلة وقتاً أطول، لأن كل رمز جديد يتطلب دورة معالجة كاملة.

للحصول على شرح وافٍ لهذه المفاهيم الأساسية، يمكنك قراءة المقال التالي الذي يقدم تعريفات موجزة وواضحة.

ملخص وأهم النقاط

لقد قمنا اليوم برحلة داخل عقل النموذج اللغوي الكبير. لنلخص ما تعلمناه:

• الفكرة الجوهرية: نماذج اللغة الكبيرة هي أنظمة تنبؤ بالكلمة التالية فائقة التطور، تفهم السياق والمعنى.
• العملية متسلسلة: لا يتم إنشاء الإجابة دفعة واحدة، بل رمزاً برمز في حلقة متكررة.
• الخطوات الخمس الرئيسية للعملية هي:
  1. الترميز (Tokenization): تقسيم النص إلى وحدات صغيرة (رموز).
  2. التضمين (Embedding): تحويل كل رمز إلى متّجه رقمي يمثل معناه.
  3. المعالجة (Transformer): استخدام بنية المحوّل وآلية الانتباه لفهم العلاقات والسياق.
  4. التنبؤ (Prediction): حساب احتمالات لكل رمز تالٍ ممكن.
  5. الاختيار والتكرار (Sampling & Loop): اختيار رمز واحد، إضافته للمدخل، وتكرار العملية.

ما التالي؟

الآن بعد أن أصبحت لديك صورة كبيرة عن كيفية عمل النموذج، سنبدأ في الدرس القادم بالتعمق في الخطوة الأولى والأكثر أهمية في هذه العملية: تقسيم النص إلى رموز (Tokenization). سنكتشف لماذا هذه الخطوة ليست بالبساطة التي تبدو عليها، وكيف تؤثر بشكل مباشر على قدرات النموذج وتكاليف استخدامه. استعد للغوص في التفاصيل الأولى التي تجعل كل هذا السحر ممكناً.