الذكاء الاصطناعي التوليدي

كيف يعمل الذكاء الاصطناعي التوليدي

الفكرة الأساسية وراء معظم النماذج التوليدية هي تعلم تمثيل توزيع البيانات. وبمجرد تعلم هذا التوزيع، يمكن للنموذج أخذ عينة منه لتوليد نقاط بيانات جديدة مشابهة إحصائيًا للبيانات التي تم تدريبه عليها. يتضمن ذلك بنى معقدة للشبكات العصبية (NN) وتقنيات تدريب متطورة. تتضمن بعض البنى البارزة ما يلي:

• شبكات الخصومة التوليدية (GANs): تستخدم هذه النماذج شبكتين عصبيتين متنافستين - مولد ينشئ البيانات ومميّز يحاول التمييز بين البيانات الحقيقية والمولدة - لتحسين جودة المخرجات المولدة بشكل متكرر.
• أجهزة الترميز التلقائي التغييري (VAEs): تتعلم برامج VAEs تمثيلًا مضغوطًا (الفضاء الكامن) للبيانات ويمكنها بعد ذلك توليد بيانات جديدة عن طريق أخذ عينات من نقاط من هذا الفضاء الكامن وفك تشفيرها.
• المحولات: تم تطوير بنية المحولات في الأصل لمعالجة اللغات الطبيعية (NLP)، وقد أثبتت بنية المحولات، وخاصةً آلية الانتباه الذاتي، فعاليتها العالية في مختلف المهام التوليدية، وشكلت أساسًا لنماذج اللغات الكبيرة (LLMs) مثل GPT-4.
• نماذج الانتشار: تعمل هذه النماذج عن طريق إضافة ضوضاء تدريجيًا إلى بيانات التدريب ثم تعلم عكس هذه العملية، بدءًا من الضوضاء لتوليد عينات بيانات نظيفة ومتماسكة. تُعدّ نماذج مثل نموذج الانتشار المستقر من الأمثلة البارزة المستخدمة في توليد تحويل النص إلى صورة.

الذكاء الاصطناعي التوليدي مقابل الرؤية الحاسوبية

على الرغم من أن كلاهما مجالان فرعيان للذكاء الاصطناعي، إلا أن الذكاء الاصطناعي التوليدي والرؤية الحاسوبية لهما أهداف مختلفة جوهريًا. حيث تركز السيرة الذاتية على تمكين الآلات من تفسير وفهم المعلومات المرئية من العالم، وأداء مهام مثل تصنيف الصور واكتشاف الأشياء وتجزئة النماذج. وعلى العكس من ذلك، يركز الذكاء الاصطناعي التوليدي على إنشاء محتوى مرئي جديد (أو غيره).

تشمل الاختلافات الرئيسية التي تم تسليط الضوء عليها خلال المناقشات مثل تلك التي دارت في مؤتمر YOLO Vision 2024 ما يلي:

1. حجم النموذج: غالبًا ما تحتوي النماذج التوليدية، وخاصة نماذج LLMs ونماذج الصور الكبيرة، على مليارات أو حتى تريليونات من المعلمات. نماذج السيرة الذاتية المصممة للتحليل في الوقت الحقيقي، مثل Ultralytics YOLO11عادةً ما تكون أصغر بكثير وأكثر كفاءة، حيث تحتوي بعض المتغيرات على بضعة ملايين من المعلمات فقط(مقارنةً بنماذج YOLO ).
2. الموارد الحاسوبية: يتطلب تدريب النماذج التوليدية الكبيرة وتشغيلها طاقة حاسوبية كبيرة، وغالباً ما تتضمن مجموعات موزعة من وحدات معالجة الرسومات. وقد تم تحسين العديد من نماذج السيرة الذاتية، بما في ذلك نماذج Ultralytics لتحقيق الكفاءة ويمكن نشرها على أجهزة قياسية أو أجهزة متطورة متخصصة باستخدام أطر عمل مثل ONNX أو TensorRT.
3. الهدف: تقوم السيرة الذاتية بتحليل البيانات الموجودة؛ بينما يقوم الذكاء الاصطناعي التوليدي بتجميع بيانات جديدة.

وعلى الرغم من هذه الاختلافات، فإن المجالات مترابطة بشكل متزايد. يثبت الذكاء الاصطناعي التوليدي قيمته للسيرة الذاتية من خلال توليد بيانات تركيبية عالية الجودة. يمكن لهذه البيانات الاصطناعية أن تزيد من مجموعات بيانات العالم الحقيقي، مما يساعد على تدريب نماذج أكثر قوة ودقة للسيرة الذاتية، خاصةً في السيناريوهات التي تكون فيها البيانات الحقيقية نادرة أو يصعب الحصول عليها، كما هو الحال في محاكاة القيادة الذاتية أو تصوير الحالات الطبية النادرة(الذكاء الاصطناعي في مجال الرعاية الصحية).

التطبيقات الواقعية

يعمل الذكاء الاصطناعي التوليدي على تغيير العديد من الصناعات:

• إنشاء المحتوى: أتمتة إنشاء المقالات والنسخ التسويقية والنصوص(GPT-3)، وإنشاء صور وأعمال فنية فريدة(Midjourney، DALL-E 3)، وتأليف الموسيقى، وإنشاء محتوى فيديو(OpenAI Sora).
• توليد البيانات الاصطناعية: إنشاء مجموعات بيانات واقعية لتدريب نماذج التعلم الآلي في مجالات مثل الروبوتات والتمويل(نماذج الرؤية الحاسوبية في مجال التمويل) والرعاية الصحية، وتحسين أداء النموذج ومعالجة قضايا خصوصية البيانات. على سبيل المثال، توليد صور طبية اصطناعية لتدريب أدوات التشخيص دون استخدام بيانات المريض الحقيقية.
• اكتشاف الأدوية وعلوم المواد: تصميم تراكيب جزيئية جديدة والتنبؤ بخصائصها، وتسريع البحث والتطوير كما يتضح من مؤسسات مثل Google DeepMind.
• التخصيص: تعزيز تجارب المستخدمين المخصصة للغاية من خلال إنشاء محتوى ديناميكي في روبوتات الدردشة الآلية والمساعدين الافتراضيين ومحركات التوصيات.
• تطوير البرمجيات: مساعدة المطورين من خلال إنشاء مقتطفات من التعليمات البرمجية، واقتراح إصلاحات للأخطاء، وحتى إنشاء وظائف كاملة بناءً على أوصاف اللغة الطبيعية(GitHub Copilot).

التحديات والاعتبارات الأخلاقية

كما أن التقدم السريع للذكاء الاصطناعي التوليدي يجلب معه تحديات أيضاً. إن ضمان الاستخدام الأخلاقي لهذه الأدوات القوية أمر بالغ الأهمية، لا سيما فيما يتعلق بالتزييف العميق، والمعلومات المضللة، وحقوق الملكية الفكرية، والتحيزات المتأصلة المستفادة من بيانات التدريب. وتتطلب معالجة هذه الأمور تطوير نموذج دقيق، وأساليب كشف قوية، وإرشادات واضحة مبينة في مبادئ أخلاقيات الذكاء الاصطناعي. وعلاوة على ذلك، فإن الموارد الحاسوبية الكبيرة اللازمة تشكل مخاوف تتعلق بالبيئة وإمكانية الوصول. تهدف منصات مثل Ultralytics HUB إلى تبسيط سير العمل وربما خفض الحواجز التي تحول دون دخول بعض مهام الذكاء الاصطناعي.