اتجاهات الذكاء الاصطناعي التي تستحق المتابعة في 2025
هذا عامنا الثالث في استشراف مستقبل الذكاء الاصطناعي! تابع معنا استكشاف الاتجاه الذي يسير فيه تقدم الذكاء الاصطناعي في 2025.
شهد الذكاء الاصطناعي عاماً مضطرباً في 2024. فقد أصبح ChatGPT من OpenAI جزءاً أكبر من حياة الناس اليومية، وتتحول عبارة «لنبحث في Google» المألوفة تدريجياً إلى «دعني أتحقق في ChatGPT». وفي الوقت نفسه، تعتمد أدوات كثيرة على عرض منافسه الرئيسي – Claude.ai من Anthropics (لأنه يؤدي بشكل أفضل في مهام البرمجة).
وشهدنا أيضاً تقدماً في الرؤية (Vision)، مع توليد فيديو سلس من OpenAI Sora وRunway، وكذلك Segment Anything-2 المعتمد على الفيديو، الذي حسّن بشكل كبير التتبع ووضع التسميات في تطبيقات الرؤية الحاسوبية.
هذا هو العام الثالث على التوالي الذي نستشرف فيه مستقبل الذكاء الاصطناعي! تابع معنا استكشاف الاتجاه الذي يسير فيه تقدم الذكاء الاصطناعي في 2025.
انتشار صور الذكاء الاصطناعي الرمزية (avatars) في العالم الأوسع
لقد اندفعنا بالكامل نحو GenAI في الذكاء الاصطناعي وسلّمنا مهام معينة له بالكامل (مثل نقطة الاتصال الأولى في دعم العملاء). ومع ذلك ما زلنا نتفاعل معه عبر النص أو الصوت. وتوقعي أن تنمو الصور الرمزية بشكل كبير، مما يحسّن تجربة المستخدم.
وSynthesia مثال جيد: فهي توفر صوراً رمزية جاهزة بتجربة سلسة وأكثر من 80 لغة، وترفع الجودة البصرية بشكل ملحوظ من حيث تعابير الوجه ومزامنة الشفاه مع الصوت وإيماءات اليدين.
بناء وكلاء LLM لجمهور أوسع
Flowrise، أداة بدون كتابة شيفرة (no-code) لإنشاء سير عمل الوكلاء.
جلب عام 2024 عدداً كبيراً من نماذج الإثبات (PoCs) والمنتجات الأولية (MVPs) (غالباً ما تُطلق كنسخ تجريبية) المبنية على سير عمل الوكلاء، مثل تحرير الملفات في chatGPT (حيث تكون إحدى الخطوات المرئية توليد شيفرة تحمّلها وتعدّلها) أو مساعدو الذكاء الاصطناعي مثل Devin. ومن المؤسف أن بناء مثل هذه الأدوات يتطلب عادةً مبرمجاً، بينما لم ير كثير من «مهندسي المطالبات» شيفرة Python متعددة الخيوط قط.
وأولى علامات هذا الاتجاه ظاهرة بالفعل، مع إطلاق Microsoft وكيل Copilot في SharePoint وعرض no-code من Flowrise. وكلاهما لا يزال في مرحلة مبكرة، لكنهما قد يساعدان الوكلاء على أن يصبحوا بشعبية حلول SaaS في العقدين الأولين من الألفية.
نماذج LLM مفتوحة المصدر تلحق بالمملوكة
في العام القادم، قد يتقلص فارق الأداء بين النماذج مفتوحة المصدر والخدمات التي يقدمها كبار اللاعبين في LLM، مثل OpenAI وAntrophic. وقد تكون إحدى العلامات المبكرة على ذلك نموذج Qwen/Qwen2.5-Coder-32B-Instruct الأخير، الذي تفوق على GPT4-o في مهام البرمجة.
نضج الأنظمة القائمة على الوكلاء
وعد عام 2024، بقفزاته غير المتوقعة في نماذج الذكاء الاصطناعي التوليدي، الجميع بمطورين وكلاء ذكاء اصطناعي مستقلين على شكل مشروع Devin. وألهم ذلك مشاريع مفتوحة المصدر جديدة تهدف إلى محاكاة وظائف المساعد المعروض، مثل devika وOpenHands (سابقاً OpenDevin). وعندما جربت هذه الأدوات (في النصف الأول من 2024)، أظهرت كثيراً من مشكلات المراحل المبكرة: أخطاء كثيرة، وعدم عمل مباشر بعد التثبيت، وغياب القدرة الموعودة على حل مهام البرمجة المعقدة بشكل مستقل.
ومع الوقت، ستصبح هذه الحلول أكثر استقراراً وستقدم ميزات مفيدة أكثر فأكثر. إنها مسألة وقت فقط قبل أن تتحول إلى رفيق أساسي لكل مهندس في تقنية المعلومات. وقد لا يحدث ذلك في 2025، لكن قد يكون هذا العام الذي تصل فيه هذه المشاريع إلى نقطة تصبح فيها مفيدة وتبدأ، بفضل تأثير كرة الثلج، في التحسن بسرعة.
التحرك نحو نماذج LLM أكثر كفاءة في استخدام البيانات
على مدى السنوات القليلة الماضية، اعتدنا على المساعدين (Copilots) وروبوتات المحادثة وكل تطبيق آخر مبني فوق LLMs. وحتى الآن، مرّت كلها بالدورة من «سيأخذون وظائفنا» إلى «إنهم عديمو الفائدة». وانطباعي أن التقدم في هذه النماذج توقف إلى حد ما، وأن تغذيتها بمزيد من البيانات لا تضمن نتائج أفضل. وحتى لو حاولنا، فإن البيانات المتاحة لنا مجموعة محدودة. ولتحقيق نتائج أفضل، علينا ابتكار بنية أفضل.
نعلم أن ذلك ممكن، لأن أدمغتنا تحققه بكمية بيانات أقل بكثير. نحن فقط لا نعرف بعد الطريقة الصحيحة لفعله، لكننا نعمل على ذلك. ومعرفتنا بكيفية بنية الدماغ تتوسع باستمرار، ويمكن للمهندسين الاستفادة منها لتحسين الأمور وابتكار أفكار جديدة. وأتوقع أن يقدم عام 2025 والأعوام التي تليه نماذج أكثر كفاءة تتعلم أسرع من بيانات أقل، معلنة بداية الجيل التالي من الذكاء الاصطناعي (NEXT-GEN AI).
أطباء شخصيون في الوقت الفعلي لنمط حياة صحي
Garmin Connect، إحصاءات الصحة.
يستمتع معظمنا بجمع البيانات عن أنفسنا. نرتدي ساعات ذكية وخواتم وأساور وأجهزة أخرى كثيرة تسجل بيانات نمط حياتنا وبياناتنا الطبية. ويمكن تحليل هذه البيانات في الوقت الفعلي لاستخلاص رؤى عن صحتنا. وفي عصر أنماط الحياة الصحية والأجهزة المدعومة بالذكاء الاصطناعي، فإن طبيباً شخصياً يراقب صحتنا وينبهنا فوراً إلى أي مشكلة هو ما يحتاجه السوق.
وفي الوقت نفسه، تواصل نماذج تعلّم الآلة في الأجهزة الطبية المهنية التحسن والتفوق على البشر. ولذلك سيستمر استخدام الذكاء الاصطناعي في تحليل الصور الطبية، وستُضاف إليه نماذج تحلل الفحوصات وتصفها.
تبني أوسع للأدوات المعتمدة على الذكاء الاصطناعي: ليس LLMs فقط
سيتشكل العام القادم بتبني نماذج الذكاء الاصطناعي على نطاق واسع في كل مجال أعمال. ستركز الشركات في الغالب على حلول مبنية على النماذج اللغوية الكبيرة، لكننا سنرى أيضاً حلولاً تجمع بين LLMs والرؤية الحاسوبية، مثل برمجيات فهم المستندات. توقع مجموعة واسعة من تطبيقات تحليل المحتوى المدعومة بالذكاء الاصطناعي – مثلاً تحليل ملاحظات العملاء، والاستدلال على كميات كبيرة من بيانات العملاء، واقتراحات تحسين المنتجات، والمعالجة الآلية للبريد الإلكتروني، واكتشاف المشكلات، وترتيب أولويات القضايا، والتواصل الأول مع العملاء، وتخطيط الحملات التسويقية، وإنشاء المحتوى وغير ذلك.
وقد نرى أيضاً تقدماً في مطوري الروبوتات (Bot-developers). قد تحل نماذج الذكاء الاصطناعي تدريجياً محل أصغر مطوري تقنية المعلومات وأرخصهم. فالذكاء الاصطناعي يتجاوز بالفعل مهام تقنية المعلومات البسيطة وهو قادر على كتابة شيفرة جيدة الجودة.
خيبة الأمل من LLMs
في 2025، ستُعاد دراسة وتعريف مناهج التطبيقات المبنية على LLM. فبعد أن يخبو الحماس الأولي، سنختتم نماذج الإثبات بتأملات في تكاليف التشغيل وخصوصية البيانات ومدى العمومية التي يمكن أن تحققها هندسة المطالبات وحدها. وسيطلق ذلك تطوير نماذج أصغر باستخدام التكميم (quantization) أو تقطير المعرفة (knowledge distillation)، مما يتيح ضبطاً دقيقاً أكثر تخصيصاً لنماذج تحافظ على الخصوصية دون إرسال أي بيانات إلى نقاط API خارجية. وسيصاحب ذلك إدراك أن LLMs – خاصة الخارجية منها مثل ChatGPT أو Claude – ليست الجواب الأمثل لكل مشكلة حرفياً.
الأمن السيبراني في الذكاء الاصطناعي، والذكاء الاصطناعي في الأمن السيبراني
بعد الذكاء الاصطناعي، ثاني أكثر المجالات سخونة في تقنية المعلومات حالياً هو كل ما يندرج تحت المصطلح الواسع للأمن السيبراني. وطبيعي أن يقود ذلك إلى اهتمام متزايد باستخدام الذكاء الاصطناعي للأمن السيبراني – وللذكاء الاصطناعي استخدامات محتملة كثيرة هناك، من الكشف غير الخاضع للإشراف عن السلوك الشاذ إلى نماذج عالية التخصص تكتشف نواقل هجوم معينة. ومع ذلك، أتوقع اهتماماً قوياً أيضاً بحماية نماذج الذكاء الاصطناعي من الاستخدام الخبيث. وسيكون عاماً جيداً لفرق AI Red Teams لاكتشاف ثغرات النماذج وتنفيذ الهجمات العدائية واستخراج المعلومات من مجموعات بيانات التدريب. وآمل أن يتصدى لهم مهندسو ML بتحصين حلول الذكاء الاصطناعي وجعل النماذج أكثر مقاومة للمدخلات العدائية.
الخلاصة
لنرَ ما يخبئه العام القادم ومدى قرب توقعاتنا من الواقع! ولا تنسَ أن الذكاء الاصطناعي ليس سوى قطعة واحدة من أحجية التقنية.