مسرد مصطلحات الذكاء الاصطناعي

كل مصطلح هنا مشروح بزاوية واحدة: فيمَ يُستخدم عملياً، لا تعريف قاموسي. استخدم البحث أو صفِّ حسب الفئة. البحث يتجاهل التشكيل ويطابق العربية والإنجليزية معاً.

المصطلح	الفئة	فيمَ يُستخدم
الذكاء الاصطناعي Artificial Intelligence — AI	أساسيات	المظلة الكبرى لكل نظام يحاكي قدرة ذهنية بشرية: الفهم، الاستنتاج، التعلّم، أو اتخاذ القرار.
الخوارزمية Algorithm	أساسيات	مجموعة قواعد رياضية ومنطقية يتبعها الحاسوب لمعالجة المدخلات والوصول إلى مخرَج. هي «الوصفة» لا «الطبخة».
النموذج Model	أساسيات	الناتج النهائي بعد تدريب خوارزمية على بيانات. هو ما يُستخدم فعلياً عند طرح سؤال أو طلب مهمة.
مجموعة البيانات Dataset	أساسيات	المادة الخام (نصوص، صور، أرقام، أصوات) التي يتعلّم منها النموذج. جودتها تحدّد سقف جودة النموذج مهما بلغت قوة الحوسبة.
تعلم الآلة Machine Learning — ML	أساسيات	فرع يُمكّن الأنظمة من التعلّم من البيانات بدل البرمجة الصريحة لكل قاعدة. يُستخدم في التنبؤ والتصنيف والتوصية.
التعلم العميق Deep Learning — DL	أساسيات	تعلّم آلة يعتمد على شبكات عصبية متعددة الطبقات. يُستخدم حين تكون البيانات معقدة جداً (صورة، صوت، لغة).
الشبكة العصبية Neural Network	أساسيات	بنية رياضية من عُقد مترابطة بأوزان، تمرّر الإشارة طبقةً بعد طبقة. هي المحرّك تحت كل نماذج التعلّم العميق.
معالجة اللغات الطبيعية Natural Language Processing — NLP	أساسيات	تمكين الآلة من قراءة اللغة البشرية وفهمها وتوليدها. يُستخدم في الترجمة، التلخيص، تحليل المشاعر، والمحادثة.
الرؤية الحاسوبية Computer Vision — CV	أساسيات	استخلاص معنى من الصور والفيديو. يُستخدم في التشخيص الطبي، ضبط الجودة، المراقبة، والقيادة الذاتية.
الذكاء الاصطناعي التوليدي Generative AI	أساسيات	فئة تُنتج محتوى جديداً (نص، صورة، صوت، كود) بدل تصنيف محتوى قائم. هي ما يقصده الإعلام غالباً بكلمة «AI» اليوم.
التعلّم الخاضع للإشراف Supervised Learning	أساسيات	تدريب النموذج على بيانات موسومة (مدخل ومعه الجواب الصحيح). يُستخدم في التصنيف والتنبؤ، وهو أكثر الأنواع استخداماً تجارياً.
التعلّم غير الخاضع للإشراف Unsupervised Learning	أساسيات	تدريب على بيانات بلا وسوم، ليكتشف النموذج التجمّعات والأنماط بنفسه. يُستخدم في تقسيم العملاء وكشف الشذوذ.
التعلّم المعزّز Reinforcement Learning — RL	أساسيات	تعلّم بالمحاولة والمكافأة بدل الأمثلة الجاهزة. يُستخدم في الروبوتات والألعاب وضبط سلوك النماذج اللغوية.
التصنيف والانحدار Classification & Regression	أساسيات	مهمتا التعلّم الخاضع للإشراف: التصنيف يتنبأ بفئة (محتال / غير محتال)، والانحدار يتنبأ برقم (سعر، كمية، مدة).
الذكاء الاصطناعي الرمزي Symbolic AI	أساسيات	المدرسة التي تُبرمَج فيها القواعد صراحةً بدل استنتاجها من البيانات. قابل للتفسير بالكامل، لكنه يعجز أمام الحالات غير المتوقّعة.
النموذج اللغوي الكبير Large Language Model — LLM	النماذج	نموذج ضخم مُدرَّب على كميات هائلة من النصوص للتنبؤ بالكلمة التالية. هو أساس ChatGPT وClaude وGemini وغيرها.
بنية المحوّلات Transformer	النماذج	البنية التقنية التي أطلقت الثورة الحالية منذ ٢٠١٧، وتقوم على آلية الانتباه. كل النماذج الكبرى اليوم مبنية عليها.
آلية الانتباه Attention Mechanism	النماذج	تقنية تُقيّم أهمية كل كلمة بالنسبة لبقية الكلمات دفعةً واحدة بدل المعالجة المتسلسلة — وهي سبب قفزة الفهم السياقي.
نموذج الانتشار Diffusion Model	النماذج	يبدأ من ضوضاء عشوائية ويزيلها تدريجياً حتى تظهر صورة. هو التقنية وراء معظم أدوات توليد الصور والفيديو.
نموذج الاستدلال Reasoning Model	النماذج	فئة أحدث تُطيل «التفكير» قبل الإجابة لحل مسائل منطقية ورياضية وبرمجية معقدة. أبطأ وأغلى لكنها أدق في المهام الصعبة.
النموذج متعدد الوسائط Multimodal Model	النماذج	يفهم أكثر من نوع بيانات في آنٍ واحد: نص وصورة وصوت وفيديو، ويربط بينها دلالياً.
المعاملات Parameters	النماذج	القيم الداخلية التي يضبطها النموذج أثناء التدريب. عددها (بالمليارات) مؤشر تقريبي — لا نهائي — على قدرة النموذج.
مفتوح المصدر Open Source / Open Weights	النماذج	نموذج يمكن تحميله وتشغيله وتعديله محلياً (مثل Llama وQwen وFalcon). يمنح خصوصية كاملة وتحكماً، مقابل عبء تشغيل تقني.
مغلق المصدر Closed Source / Proprietary	النماذج	نموذج يُستخدم فقط عبر واجهة الشركة المالكة (مثل GPT وClaude وGemini). أسهل استخداماً، لكن بياناتك تمرّ بخوادم خارجية.
النموذج المقطّر Distilled Model	النماذج	نسخة أصغر وأسرع من نموذج كبير، تحتفظ بمعظم قدرته. تُستخدم لخفض التكلفة أو للتشغيل على أجهزة محدودة.
النموذج الأساس Foundation Model	النماذج	نموذج ضخم عام الغرض يُدرَّب مرة واحدة ثم يُبنى فوقه عشرات التطبيقات بالضبط الدقيق أو بالأوامر — بدل تدريب نموذج لكل مهمة.
خليط الخبراء Mixture of Experts — MoE	النماذج	بنية تُفعِّل جزءاً من معاملات النموذج فقط في كل طلب. تعطي قدرة نموذج ضخم بتكلفة تشغيل أقل بكثير.
النموذج اللغوي الصغير Small Language Model — SLM	النماذج	نموذج بحجم يسمح بتشغيله على جهاز عادي أو خادم متواضع. أقل قدرة، لكنه أسرع وأرخص وأكثر خصوصية.
شجرة القرار والغابة العشوائية Decision Tree & Random Forest	النماذج	خوارزميات كلاسيكية تُصنِّف بسلسلة أسئلة متفرّعة. ما تزال الخيار الأفضل للبيانات الجدولية، وتتفوّق فيها كثيراً على الشبكات العصبية.
التدريب Training	التدريب	تغذية النموذج بالبيانات وتعديل معاملاته لتقليل الخطأ. أغلى مرحلة على الإطلاق، وتُنفَّذ مرة واحدة على عتاد ضخم.
الضبط الدقيق Fine-tuning	التدريب	تخصيص نموذج مدرَّب مسبقاً على بيانات أضيق لمهمة أو نبرة أو مجال معيّن. أرخص بكثير من التدريب من الصفر.
التعلم المعزّز من التغذية البشرية RLHF	التدريب	استخدام تقييمات بشرية لتوجيه سلوك النموذج نحو إجابات أنفع وأأمن. هو ما حوّل النماذج الخام إلى مساعدين قابلين للاستخدام.
التعلّم بلا أمثلة Zero-shot Learning	التدريب	قدرة النموذج على أداء مهمة لم يُدرَّب عليها تحديداً، اعتماداً على ما تعلّمه عموماً.
التعلّم بأمثلة قليلة Few-shot Learning	التدريب	إعطاء النموذج مثالين أو ثلاثة داخل الأمر ليلتقط النمط المطلوب — أقوى تقنية عملية في هندسة الأوامر.
فرط التخصيص Overfitting	التدريب	حين يحفظ النموذج بيانات التدريب حرفياً بدل تعلّم النمط العام، فينهار أداؤه على أي بيانات جديدة.
قصور التعلّم Underfitting	التدريب	العكس: النموذج بسيط أو مدرَّب بشكل غير كافٍ فيفشل حتى على بيانات التدريب نفسها.
البيانات الاصطناعية Synthetic Data	التدريب	بيانات يولّدها نموذج لتدريب نموذج آخر، تُستخدم حين تكون البيانات الحقيقية نادرة أو حساسة الخصوصية.
الانتشار العكسي Backpropagation	التدريب	الآلية التي يوزّع بها النموذج مقدار الخطأ على أوزانه ليصحّحها. هي المحرّك الرياضي لكل تدريب شبكة عصبية.
الانحدار التدرّجي Gradient Descent	التدريب	طريقة تحديث الأوزان خطوة بخطوة في اتجاه تقليل الخطأ. تخيّلها نزولاً تدريجياً في وادٍ بحثاً عن أخفض نقطة.
دالة الخسارة Loss Function	التدريب	المعادلة التي تقيس بُعد إجابة النموذج عن الصواب. اختيارها يحدّد ما «يهتم» النموذج بتحسينه فعلياً.
المعاملات الفائقة Hyperparameters	التدريب	إعدادات تضبطها أنت قبل التدريب (معدّل التعلّم، حجم الدفعة، عدد الطبقات) — لا يتعلّمها النموذج بنفسه.
التحقّق المتقاطع Cross-validation	التدريب	تقسيم البيانات لعدة أجزاء والتدريب والاختبار عليها بالتناوب، لتقييم أمين بدل رقم متفائل من تقسيم واحد محظوظ.
وسم البيانات Data Labeling / Annotation	التدريب	إضافة الجواب الصحيح لكل عيّنة يدوياً. أكثر بند مكلف ومهمَل في مشاريع التعلّم الخاضع للإشراف — وجودته سقف جودة النموذج.
التعلّم بالنقل Transfer Learning	التدريب	الانطلاق من نموذج مدرَّب على مهمة عامة وتكييفه لمهمتك. يقلّل البيانات والتكلفة المطلوبة بأضعاف.
الضبط الفعّال للمعاملات PEFT / LoRA	التدريب	تقنية تُدرِّب طبقة صغيرة إضافية بدل كل معاملات النموذج. تخصيص شبه كامل بجزء يسير من العتاد والتكلفة.
الدقة والاستدعاء Precision & Recall	التدريب	مقياسا التقييم الحقيقيان. الدقة: كم من إنذاراتك كانت صحيحة. الاستدعاء: كم من الحالات الحقيقية التقطتها. رفع أحدهما يخفض الآخر عادةً، والقرار بينهما إداري لا تقني.
الاستدلال Inference	التشغيل والاستخدام	لحظة استخدام النموذج المدرَّب فعلياً لإنتاج إجابة. هي ما تدفع مقابله في كل طلب عبر واجهة برمجية.
الرمز Token	التشغيل والاستخدام	الوحدة التي يُقسَّم إليها النص (كلمة أو جزء منها). التسعير وحدود الطول تُحسب بالرموز لا بالكلمات — والنص العربي يستهلك رموزاً أكثر من الإنجليزي.
نافذة السياق Context Window	التشغيل والاستخدام	أقصى كمية نص يستطيع النموذج «تذكّرها» في المحادثة الواحدة. تجاوزها يعني نسيان بداية الحوار.
الأمر / الطلب Prompt	التشغيل والاستخدام	النص الذي تُدخله لتوجيه النموذج. الفرق بين مخرَج رديء وآخر قابل للنشر يكمن هنا غالباً لا في النموذج.
هندسة الأوامر Prompt Engineering	التشغيل والاستخدام	مهارة صياغة الأوامر: تحديد الدور والسياق، تجزئة المهمة، إعطاء أمثلة، وضبط القيود والتنسيق.
موجّه النظام System Prompt	التشغيل والاستخدام	تعليمات ثابتة تُحدَّد مسبقاً لتحكم سلوك النموذج في كل محادثة، تُستخدم لبناء المساعدين المخصصين.
سلسلة التفكير Chain of Thought — CoT	التشغيل والاستخدام	مطالبة النموذج بتفصيل خطوات تفكيره بدل القفز للإجابة. ترفع الدقة في المسائل المنطقية والحسابية بشكل ملحوظ.
التوليد المعزّز بالاسترجاع RAG	التشغيل والاستخدام	ربط النموذج بمستندات أو قاعدة بيانات خارجية ليسترجع المعلومة قبل الإجابة. أهم تقنية عملية لتقليل الهلوسة والاعتماد على مصادرك أنت.
الوكيل الذكي AI Agent	التشغيل والاستخدام	نظام يخطّط وينفّذ سلسلة مهام باستخدام أدوات فعلية (تصفّح، تشغيل كود، ملفات) للوصول إلى هدف، بدل مجرد الإجابة.
استدعاء الأدوات Tool Use / Function Calling	التشغيل والاستخدام	قدرة النموذج على استدعاء برامج وواجهات خارجية بنفسه — الأساس التقني الذي جعل الوكلاء ممكنين.
واجهة برمجة التطبيقات API	التشغيل والاستخدام	البوابة التي تسمح للمطوّر بدمج نموذج داخل تطبيقه الخاص، بدل استخدامه عبر موقع الشركة.
بروتوكول سياق النموذج MCP	التشغيل والاستخدام	معيار مفتوح لربط النماذج بمصادر بيانات وأدوات خارجية بطريقة موحّدة، بدل تكامل مخصّص لكل خدمة.
درجة الحرارة Temperature	التشغيل والاستخدام	معامل يضبط عشوائية المخرجات. قيمة منخفضة لإجابات ثابتة ودقيقة (تقارير، كود)، ومرتفعة للتنويع الإبداعي.
البحث الدلالي Semantic Search	التشغيل والاستخدام	بحث بالمعنى لا بمطابقة الحروف. يجد النتيجة الصحيحة رغم اختلاف الصياغة أو الإملاء — وهو مكسب كبير للنص العربي تحديداً.
التقييم Evaluation / Evals	التشغيل والاستخدام	مجموعة اختبارات ثابتة تقيس عليها جودة النموذج أو الأمر قبل وبعد أي تغيير. بلا مجموعة تقييم، كل «تحسين» مجرد انطباع.
التمثيل المتجهي Embedding	البنية التحتية	تحويل النص أو الصورة إلى متجه أرقام يقيس التشابه الدلالي. أساس البحث الدلالي وأنظمة التوصية وRAG.
قاعدة البيانات المتجهية Vector Database	البنية التحتية	قاعدة متخصصة في تخزين المتجهات والبحث السريع فيها. مكوّن أساسي في أي نظام RAG جاد.
وحدة المعالجة الرسومية GPU	البنية التحتية	المعالج الذي يُنفّذ عمليات المصفوفات بالتوازي. هو العنق الحقيقي للزجاجة في صناعة الذكاء الاصطناعي عالمياً.
وحدة المعالجة الموتّرة TPU	البنية التحتية	معالج مصمّم خصيصاً من جوجل لأحمال التعلّم العميق كبديل عن GPU.
الذكاء على الحافة Edge AI	البنية التحتية	تشغيل النموذج على الجهاز نفسه (هاتف، سيارة، كاميرا) بلا إنترنت — أسرع استجابةً وأفضل خصوصيةً وأقل قدرةً.
الحوسبة السحابية للذكاء Cloud AI	البنية التحتية	تشغيل النماذج على خوادم بعيدة. قدرة شبه غير محدودة، مقابل تكلفة متكررة واعتماد على مزوّد خارجي.
زمن الاستجابة Latency	البنية التحتية	الوقت بين إرسال الطلب واستلام الإجابة. عامل حاسم في التطبيقات الحيّة كالمحادثة الصوتية والقيادة الذاتية.
عمليات تعلّم الآلة MLOps	البنية التحتية	الممارسات التي تنقل النموذج من دفتر تجارب إلى نظام إنتاجي: النشر، والإصدارات، والمراقبة، وإعادة التدريب الدوري.
التكميم Quantization	البنية التحتية	خفض دقة أرقام النموذج (من 16 بت إلى 8 أو 4) لتصغير حجمه وتسريعه — بخسارة طفيفة في الجودة. هو ما يجعل تشغيل نموذج كبير على جهاز شخصي ممكناً.
خط أنابيب البيانات Data Pipeline / ETL	البنية التحتية	المسار الآلي الذي يسحب البيانات من مصادرها، ينظّفها، ويضعها في وجهتها. لا يوجد مشروع ذكاء اصطناعي جادّ بلا خط بيانات موثوق.
مستودع البيانات وبحيرتها Data Warehouse & Data Lake	البنية التحتية	المستودع يخزّن بيانات منظّمة جاهزة للتحليل، والبحيرة تخزّن كل شيء بصيغته الخام. معظم المؤسسات تحتاج الاثنين لا أحدهما.
الهلوسة Hallucination	المخاطر والحوكمة	أن يُنتج النموذج معلومة غير صحيحة بثقة تامة وكأنها حقيقة. أخطر سلوك عملياً، ويُعالَج بـRAG والتحقق البشري لا بالثقة.
التحيّز Bias	المخاطر والحوكمة	انحياز غير مقصود في المخرجات ناتج عن انحياز في بيانات التدريب — قد يظهر ثقافياً أو لغوياً أو جندرياً.
محاذاة القيم AI Alignment	المخاطر والحوكمة	ضمان أن يتصرّف النظام وفق نوايا وقيم مستخدميه، وتزداد أهميته كلما زادت قدرة النموذج واستقلاليته.
حقن الأوامر Prompt Injection	المخاطر والحوكمة	هجوم يُخفي فيه المهاجم تعليمات داخل محتوى يقرأه النموذج (صفحة، ملف، بريد) ليجعله يتجاهل تعليماتك الأصلية.
التزييف العميق Deepfake	المخاطر والحوكمة	محتوى مُفبرك واقعي المظهر لشخص حقيقي. التحدي الأكبر أمام مصداقية الصورة والصوت كدليل.
الشفافية والتفسيرية Explainable AI — XAI	المخاطر والحوكمة	قدرة تفسير سبب وصول النموذج لقرار معيّن — شرط تنظيمي في القطاعات الحساسة كالائتمان والتوظيف والطب.
الإنسان في الحلقة Human-in-the-loop	المخاطر والحوكمة	تصميم يُبقي القرار النهائي بيد إنسان في المهام الحرجة، ويستخدم الآلة للفرز والاقتراح لا للحسم.
حوكمة الذكاء الاصطناعي AI Governance	المخاطر والحوكمة	إطار السياسات والضوابط الذي ينظّم بناء الأنظمة واستخدامها، ويحدّد المسؤولية عند الخطأ.
الذكاء الاصطناعي العام AGI	المخاطر والحوكمة	ذكاء اصطناعي يضاهي الإنسان في أي مهمة معرفية عامة. لا يوجد اليوم نظام مصنّف كذلك، لكنه هدف معلن لكبرى الشركات.
الذكاء الفائق ASI	المخاطر والحوكمة	مستوى افتراضي يتجاوز الذكاء البشري في كل المجالات — محور نقاش السلامة طويل المدى.
انحراف البيانات Data Drift / Concept Drift	المخاطر والحوكمة	تغيّر بيانات الواقع عن بيانات التدريب مع الزمن، فيتآكل أداء النموذج تدريجياً بلا خطأ برمجي واحد. أهم سبب لفشل النماذج الإنتاجية.
بطاقة النموذج Model Card	المخاطر والحوكمة	وثيقة تُرفق بالنموذج تشرح بيانات تدريبه واستخداماته المقصودة وحدوده المعروفة. صارت متطلباً في المشتريات المؤسسية.
الاختبار العدائي Red Teaming	المخاطر والحوكمة	محاولة كسر النموذج عمداً قبل إطلاقه: استخراج محتوى ضار، أو تجاوز قيوده، أو استدراجه لكشف بيانات. اختبار اختراق للنماذج.
قانون الذكاء الاصطناعي الأوروبي EU AI Act	المخاطر والحوكمة	أول إطار تشريعي شامل يصنّف الأنظمة حسب درجة الخطورة ويفرض التزامات متدرّجة عليها. يؤثر على أي جهة تخدم مستخدمين في أوروبا.
العلامة المائية الرقمية Watermarking / Provenance	المخاطر والحوكمة	إشارة مضمّنة في المحتوى المولَّد لإثبات مصدره. أداة أساسية في مواجهة التزييف، لكنها ما تزال قابلة للإزالة عملياً.

⚠

ثلاثة مصطلحات يُخلط بينها كثيراً

التدريب (Training) يحدث مرة واحدة على عتاد ضخم، بينما الاستدلال (Inference) يحدث في كل طلب — ولهذا تُحسب التكلفة بالرموز لا بالاشتراك عند استخدام الواجهة البرمجية. والضبط الدقيق (Fine-tuning) ليس تدريباً من الصفر، بل تعديل على نموذج قائم. كذلك: RAG ليس بديلاً عن الضبط الدقيق — الأول يضيف معرفة، والثاني يضبط سلوكاً وأسلوباً. وأخيراً: المعاملات (Parameters) يضبطها النموذج أثناء التدريب، أما المعاملات الفائقة (Hyperparameters) فتضبطها أنت قبله — والخلط بينهما شائع جداً في المحتوى العربي.

الخطوة التالية

المسرد مرجع تعود إليه، لا مادة تُحفظ. طبّق المصطلحات على سياق حقيقي عبر الصفحات التالية.

المفاهيم الأساسية الاستخدامات ابدأ رحلتك

تصفّح حسب الفئة

كل فئة في صفحة مستقلة مع شرح موسّع وترابط داخلي.

أساسيات 15 النماذج 14 التدريب 17 التشغيل والاستخدام 15 البنية التحتية 11 المخاطر والحوكمة 15

⚡جرّبها الآنخطوة واحدة · خمس دقائق

خذ أي مصطلح استوقفك، واطلب من النموذج امتحانك فيه بثلاثة أسئلة بدل أن يشرحه لك مرة أخرى.

إعادة القراءة تعطي شعوراً بالفهم لا الفهم نفسه. الاسترجاع النشط — أن تُسأل وتجيب — هو ما يثبّت المصطلح فعلاً.

أمر جاهز — عدّل ما بين الأقواس

اعمل كممتحِن ودود يختبر فهمي لا يشرح لي. السياق: قرأت للتو تعريف [اسم المصطلح] وأظن أنني فهمته. المهمة: اطرح عليّ ثلاثة أسئلة تدريجية الصعوبة عن هذا المصطلح، سؤالاً واحداً في كل مرة، وانتظر إجابتي قبل التالي. الصيغة: سؤال واحد فقط في كل رسالة، ثم تقييم إجابتي في سطرين وتصحيح ما أخطأت فيه. القيود: لا تعطني الإجابة قبل أن أحاول، ولا تجامل — إن كانت إجابتي ناقصة فقل ذلك بوضوح.

افتح مُحوّل الأوامر ← الصقه في أي نموذج لغوي