الذكاء الاصطناعي الضيق (ANI). رغم إبهار قدراتها، كل منها متخصص في مهمة واحدة محددة — تطبيق تعريف النباتات لا يستطيع لعب الشطرنج والعكس صحيح. AGI لو وُجد لأتقن الثلاثة بنفس النظام تلقائيًا دون تدريب منفصل لكل مهمة.

(1) البيانات: يحتاج ملايين صور موصوفة بالعربية — التحدي: ندرة هذه البيانات بالعربية تحديدًا. (2) الخوارزمية: نماذج متعددة الوسائط — التحدي: التعامل مع دقة اللغة العربية وتصريفاتها. (3) النموذج: تدريبه يستهلك وقتًا وموارد ضخمة. (4) الحوسبة: GPUs مكلفة — التحدي: تقليل التكلفة مع الحفاظ على الأداء.

القواعد الصريحة: المبرمج يكتب كل حالة (إذا تضمن الرسالة ‘اربح جائزة’ احجبها). التعلم الآلي: النظام يستخرج الأنماط بنفسه من آلاف الأمثلة دون برمجتها واحدة واحدة. تصفية البريد العشوائي تناسب ML لأن أساليب السبام تتطور يوميًا — يستحيل كتابة قواعد تواكبها، بينما يتكيّف النموذج المدرب مع أنماط جديدة.

تبحث عن: (1) قدرة النظام على التعامل مع مهام لم يتدرب عليها مسبقًا في مجالات متعددة دون إعادة تدريب. (2) التعلم من تجربة واحدة (few-shot أو zero-shot عبر مجالات مختلفة تمامًا). (3) الفهم السياقي العميق وليس مجرد تطابق أنماط. (4) القدرة على التفكير المجرد وحل مشكلات جديدة كليًا بمنطق استنتاجي.

البيانات وقود لأن النموذج يتعلم الأنماط منها حصريًا — بدون بيانات لا تعلم. إذا كانت منحازة: النموذج يتعلم الانحياز ويُعيد إنتاجه. مثال: نظام تعيين موظفين دُرّب على بيانات توظيف تاريخية ذكورية — سيفضّل الرجال تلقائيًا حتى لو التعليمات تقول ‘كن محايدًا’.

ChatGPT نموذج لغوي ضيق ANI متخصص في معالجة النصوص. تبدو قدراته شاملة لأن اللغة تمتد لمجالات عديدة، لكنه لا يتعلم من تجاربه كالإنسان، ولا يملك وعيًا أو فهمًا حقيقيًا، ويفشل في مهام بسيطة خارج نطاق اللغة. AGI يستلزم نظامًا يتكيف مع كل بيئة ومهمة جديدة بمرونة إنسانية حقيقية.

الشركة ذات البيانات الضخمة في وضع أفضل نسبيًا. البيانات تُشترى ويصعب تصنيعها، بينما الكادر التقني يُستأجر أو يتشارك مع الشركات. أشهر أنجح نماذج AI بُنيت من شركات ملكت بيانات استثنائية (Google بيانات البحث، Meta بيانات التواصل). لكن المثالي: الاثنان معًا.

AI المجال الأشمل، ML نهج لتحقيقه (التعلم من البيانات)، DL تقنية متخصصة في ML تستخدم شبكات عصبية عميقة. مثال: AI = هدف التعرف على الكلام، ML = نهج تدريب نموذج على تسجيلات صوتية، DL = استخدام شبكة عصبية عميقة بدلًا من استخراج الميزات يدويًا.

GPU مصممة للحوسبة المتوازية — تحتوي آلاف النوى الصغيرة تُنفذ عمليات رياضية بسيطة في وقت واحد. تدريب نماذج AI يتطلب مليارات عمليات ضرب وجمع المصفوفات (Matrix Multiplication) في آنٍ واحد — وهو ما يفعله GPU بكفاءة. CPU لها نوى أقل لكن أقوى، مناسبة للمهام المتسلسلة المعقدة.

الدقة وحدها لا تكفي للاستبدال. ما لا تقيسه: (1) التعامل مع الحالات النادرة خارج بيانات التدريب. (2) الجانب الإنساني — إخبار مريض بتشخيص صعب. (3) المسؤولية القانونية والأخلاقية عند الخطأ. (4) السياق الكامل للمريض (تاريخه، مشاعره، ظروفه). AI أداة دعم قرار لا بديل.

البيانات: ملايين صور موسومة (صورة + اسم الشخص). الخوارزمية: شبكة عصبية عميقة تتعلم استخراج سمات الوجه (بعد العينين، شكل الأنف…). الحوسبة: GPUs تُسرّع حساب ملايين الأوزان. النموذج: الملف الناتج الذي إذا أُدخلت إليه صورة جديدة يعيد المقارنة بالأنماط التي تعلمها ويُعطي الاسم بأعلى احتمالية.

الإعلامي: أي تقنية ذكية مذهلة تبدو كأنها تفكر — مبالغة شائعة. الأكاديمي: أنظمة حاسوبية تؤدي مهام تتطلب تقليديًا ذكاءً إنسانيًا، بآليات محددة (ML, DL, Expert Systems). الفرق يهم لأن المبالغة الإعلامية تُفرز توقعات غير واقعية (خوف من AGI الآن) وتُضلل القرارات — في السياسة والاستثمار وسوق العمل.