تم شرح الشبكات العصبية ببساطة - الخلايا العصبية البيولوجية مقابل الخلايا العصبية الاصطناعية، والطبقات، والتدريب، والانتشار العكسي، ووظائف التنشيط، والفرق بين شبكات CNN وRNNs والمحولات. لا الرياضيات المطلوبة.
في كل مرة تطرح فيها سؤالاً على ChatGPT، أو تنشئ صورة باستخدام Midjourney، أو تتعرف على وجه في صورة - تقوم الشبكة العصبية بهذا العمل. إنهم المحرك الموجود داخل كل نظام ذكاء اصطناعي مثير للإعجاب تقريبًا تم إنشاؤه في العقد الماضي.
لكن اسم "الشبكة العصبية" مخيف. يبدو أن علم الأعصاب المتقدم والجبر المصفوفي متشابكان معًا. معظم التفسيرات إما تبالغ في التبسيط إلى درجة عدم الجدوى أو تغوص في الرياضيات قبل أن تبني أي حدس.
هذا الدليل لا يفعل ذلك. سنقوم ببناء فهم حقيقي لكيفية عمل الشبكات العصبية - من الوحدة الأساسية إلى البنى الحديثة - باستخدام لغة بسيطة، وقياسات، وعدد قليل من مخططات ASCII. في النهاية، ستفهم سبب عمل الشبكات العصبية، وليس فقط الاسم الذي تُسمى به.
يحتوي دماغك على ما يقرب من 86 مليار خلية عصبية. كل خلية عصبية هي خلية تستقبل الإشارات الكهربائية من الخلايا العصبية الأخرى، وتقوم بجزء بسيط من المعالجة، وتقرر ما إذا كان سيتم تمرير الإشارة إلى الخلايا العصبية المتصلة بها.
الشيء الحاسم في الخلايا العصبية ليس أي خلية فردية، بل الاتصالات بينها. عندما تتعلم شيئًا جديدًا، فإن الروابط بين الخلايا العصبية تقوى أو تضعف. هذه هي الذاكرة والمهارة والمعرفة، وكلها مشفرة كنقاط قوة اتصال.
تستعير الشبكات العصبية الاصطناعية هذه الفكرة مباشرة:
ينهار القياس البيولوجي بسرعة على مستوى التفاصيل (الخلايا العصبية الحقيقية أكثر تعقيدًا إلى حد كبير)، لكن الفكرة الأساسية هي إلهام حقيقي، وليست مجرد استعارة.
قبل أن تكون هناك شبكات "عميقة"، كان هناك الإدراك الحسي - الذي اخترعه فرانك روزنبلات في عام 1958. وهو لبنة البناء لكل شيء يأتي بعد ذلك.
الإدراك الحسي هو خلية عصبية اصطناعية واحدة تقوم بما يلي:
إليك مثال ملموس وغير رياضي:
تخيل أنك تقرر ما إذا كنت تريد الجري اليوم أم لا. عليك أن تأخذ في الاعتبار ثلاثة عوامل:
Input 1: Is it raining? → 0 (no) or 1 (yes)
Input 2: Do I have time? → 0 (no) or 1 (yes)
Input 3: Do I feel motivated?→ 0 (no) or 1 (yes)
يقوم الإدراك الحسي بتعيين الأوزان بناءً على مدى أهمية كل عامل بالنسبة لك:
Weight 1 (rain matters a lot): -2.0 (rain is a strong deterrent)
Weight 2 (having time is crucial): +3.0
Weight 3 (motivation matters a bit): +1.0
يقوم بضرب كل مدخلات بوزنها ويجمعها:
Sum = (0 × -2.0) + (1 × 3.0) + (0 × 1.0) = 3.0
إذا كان المجموع أعلى من 2.0 (العتبة)، فابدأ بالجري. 3.0 > 2.0 → تذهب للجري.
هذا أمر بسيط بشكل كوميدي تقريبًا، لكن الحسابات الأساسية هي التي، بعد تكديسها ملايين المرات وتدريبها على البيانات، تنتج أنظمة يمكنها كتابة الشعر وتشخيص السرطان.
يمكن للإدراك الحسي الواحد أن يحل فقط مشاكل بسيطة جدًا. تأتي القوة من ربط الإدراك الحسي بـ طبقات.
تحتوي الشبكة العصبية على ثلاثة أنواع من الطبقات:
INPUT LAYER HIDDEN LAYER(S) OUTPUT LAYER
─────────── ─────────────── ────────────
● ─────────→ ● ─────────→ ●
● ─────────→ ● ─────────→ ●
● ─────────→ ● ●
●
تتلقى طبقة الإدخال البيانات الأولية. بالنسبة للصورة، تكون قيمة سطوع كل بكسل بمثابة إدخال واحد. بالنسبة للنص، تحصل كل كلمة (أو جزء من الكلمة) على تمثيل رقمي. بالنسبة لمجموعة البيانات الجدولية، يعد كل عمود بمثابة مدخلات.
لا تتم أي عمليات حسابية هنا، بل هي مجرد بيانات تدخل إلى الشبكة.
هذا هو المكان الذي يحدث فيه السحر. تقع الطبقات المخفية بين المدخلات والمخرجات، وتقوم بتحويل المدخلات الأولية إلى تمثيلات مجردة بشكل متزايد.
تشبيه مفيد: تخيل أنك تحاول تحديد ما إذا كانت الصورة تحتوي على قطة.
كل طبقة تستخرج من الطبقة التي قبلها. وهذا هو سبب أهمية العمق، ولماذا يعني "التعلم العميق" فقط "الشبكات العصبية ذات الطبقات المخفية العديدة".
تنتج طبقة الإخراج الإجابة النهائية. يعتمد التنسيق على المهمة:
تبدأ الشبكة العصبية بأوزان عشوائية، ولا تعرف شيئًا. التدريب هو عملية تعديل تلك الأوزان بشكل متكرر حتى تعطي الشبكة الإجابات الصحيحة.
إليك حلقة التدريب بلغة واضحة:
قم بتغذية المدخلات عبر الشبكة، طبقة بعد طبقة، حتى تحصل على المخرجات. مع الأوزان الأولية العشوائية، سيكون هذا الإخراج خاطئًا (أو عشوائيًا). هذا متوقع.
Input: [image of a dog]
Network output (before training): "cat" (67% confident)
Correct answer: "dog"
تقيس الخسارة (أو الخطأ) مدى خطأ الإخراج. إذا توقعنا 67% قطة وكانت الإجابة الصحيحة هي كلب (0% قطة)، فإن الخسارة كبيرة. إذا توقعنا 95% من الكلاب، فالخسارة صغيرة.
تتحول دالة الخسارة إلى "ما مدى خطأنا؟" في رقم واحد يمكننا التعامل معه رياضيًا.
هذا هو الجزء الذكي. بمجرد معرفة إجمالي الخسارة، تستخدم الشبكة تقنية تسمى backpropagation (backprop) لمعرفة أي الأوزان كانت مسؤولة عن الخطأ، و بمقداره.
إنه يعمل بشكل عكسي من خلال الشبكة، ويحسب كل وزن: "إذا قمت بزيادة هذا الوزن قليلاً، فهل ترتفع الخسارة أم تنخفض؟" هذا الحساب (من الناحية الفنية، التدرج) يخبر كل وزن بالاتجاه الذي يجب أن يتحرك فيه.
الحدس:
Output is too "cat" →
→ The "whisker detector" fired too strongly →
→ The weights feeding into "whisker detector" are too high →
→ Reduce those weights slightly
باستخدام التدرجات من الدعامة الخلفية، يتم دفع جميع الأوزان قليلاً في الاتجاه الذي يقلل الخسارة. تسمى عملية الدفع هذه النزول المتدرج.
يتم التحكم في حجم كل دفعة من خلال معدل التعلم — وهو إعداد بالغ الأهمية. كبيرة جدًا وتتجاوز الشبكة وترتد. صغير جدًا ويستغرق التدريب وقتًا طويلاً.
تمريرة أمامية واحدة + دعامة خلفية + تحديث الوزن هي خطوة تدريب واحدة. قد يتم تدريب الشبكة على ملايين الأمثلة، كل منها يمر بهذه العملية. بمرور الوقت، تستقر الأوزان في قيم تنتج إجابات صحيحة لمجموعة كبيرة ومتنوعة من المدخلات.
هذا هو ما يعنيه "تدريب" نموذج الذكاء الاصطناعي. إنها ليست قواعد برمجة - إنها تحسين ملايين الأرقام (الأوزان) من خلال التعرض المتكرر للأمثلة.
هناك عنصر آخر مطلوب لإنجاز كل هذا العمل: وظائف التنشيط.
إليكم المشكلة: إذا قامت كل خلية عصبية بضرب مدخلاتها بالأوزان وجمعها، فإن الشبكة بأكملها تعادل رياضيًا معادلة خطية واحدة، بغض النظر عن عدد الطبقات التي تضيفها. ستفقد كل القوة التعبيرية للعمق.
تقدم وظائف التنشيط اللاخطية - حيث يتم تطبيقها على مخرجات كل خلية عصبية وتسمح للشبكة بتعلم الأنماط المعقدة والمنحنية بدلاً من الخطوط المستقيمة فقط.
باللغة الإنجليزية البسيطة:
لا تحتاج إلى حفظ هذه. الفكرة الرئيسية هي أن وظائف التنشيط هي التي تسمح للشبكات العميقة بتعلم الأنماط المعقدة وغير الخطية في البيانات.
يستخدم الذكاء الاصطناعي الحديث العديد من البنى المتخصصة، كل منها يناسب أنواعًا مختلفة من البيانات.
الأفضل لـ: الصور والفيديو.
تستخدم شبكات CNN نوعًا خاصًا من الطبقات يُسمى الطبقة التلافيفية، والتي تطبق مرشحات صغيرة عبر الصورة لاكتشاف الأنماط المحلية (الحواف والأنسجة). تنزلق هذه المرشحات فوق الصورة، تمامًا مثل تشغيل عدسة مكبرة عليها، بحثًا عن ميزات محددة.
الفكرة الحاسمة هي مشاركة المعلمات — حيث يتم تطبيق نفس الفلتر على الصورة بأكملها، مما يعني أن "كاشف الحافة الرأسية" الذي يعمل في الزاوية العلوية اليسرى يعمل في كل مكان. وهذا يجعل شبكات CNN أكثر كفاءة إلى حد كبير بالنسبة للصور من الشبكات العادية.
أمثلة حقيقية: التعرف على الوجوه في صور جوجل، وفلاتر إنستجرام، والتصوير الطبي (كشف الأورام بالأشعة السينية)، وأنظمة رؤية السيارات ذاتية القيادة.
الأفضل لـ: التسلسلات — النص، والسلاسل الزمنية، والكلام.
تقوم شبكات RNN بمعالجة التسلسل خطوة بخطوة، مع الحفاظ على "الحالة المخفية" التي تحمل المعلومات من الخطوات السابقة للأمام. وهذا يمنحهم شكلاً من أشكال الذاكرة قصيرة المدى.
التشبيه: عندما تقرأ هذه الجملة، لا تنسى البداية عندما تصل إلى النهاية. تتمتع شبكات RNN بقدرة مماثلة على الحفاظ على السياق عبر التسلسل.
القيود: تكافح شبكات RNN مع التسلسلات الطويلة. تميل المعلومات الواردة من خطوات عديدة مضت إلى التلاشي. أدى هذا إلى ظهور بنية LSTM (الذاكرة الطويلة قصيرة المدى)، والتي أضافت "خلايا ذاكرة" صريحة للتعامل مع التبعيات الأطول.
أمثلة حقيقية: التعرف المبكر على الكلام، والترجمة، والتنبؤ بالنص على لوحات مفاتيح الهاتف المحمول.
###المحولات 🔁
الأفضل لـ: كل شيء، بشكل متزايد.
المحولات هي الهندسة المعمارية وراء GPT وBERT وDALL-E ومعظم أنظمة الذكاء الاصطناعي الحديثة. تم اختراعها في عام 2017، وقد أحدثت ثورة في هذا المجال من خلال حل قيود شبكات RNN باستخدام آلية تسمى الانتباه الذاتي.
يسمح الاهتمام الذاتي للنموذج بالنظر إلى جميع المواضع في تسلسل في وقت واحد - وليس مجرد خطوة واحدة في كل مرة - والوزن الديناميكي لأجزاء المدخلات الأكثر صلة بكل مخرج. عند معالجة "الضفة بجوار النهر كانت شديدة الانحدار"، يمكن للنموذج ربط "الضفة" بـ "النهر" و"الانحدار" لفهم الأمر بشكل صحيح لا يتعلق بالتمويل.
تتوازي المحولات أيضًا بشكل جيد للغاية عبر الأجهزة الحديثة (GPUs)، مما يجعل من العملي تدريبهم على مجموعات البيانات على نطاق الإنترنت. ولهذا السبب هيمنوا على الذكاء الاصطناعي منذ عام 2017.
أمثلة حقيقية: ChatGPT، Claude، Gemini (text)؛ DALL-E، الانتشار المستقر (الصور)؛ الهمس (التعرف على الكلام)؛ AlphaFold (التنبؤ ببنية البروتين).
"التعلم العميق" يعني فقط الشبكات العصبية ذات الطبقات المخفية المتعددة. ولكن لماذا يساعد المزيد من العمق؟
من الناحية النظرية، يمكن للشبكات الضحلة أن تقارب أي وظيفة، لكنها تحتاج إلى عدد فلكي من الخلايا العصبية للقيام بذلك. تتعلم الشبكات العميقة التمثيلات الهرمية الأكثر كفاءة والأكثر تعميمًا على البيانات الجديدة.
النظر في اللغة:
من الناحية العملية، كان العمق أحد أكثر الطرق الموثوقة لتحسين أداء الشبكة العصبية عبر كل مجال تقريبًا، ولهذا السبب كان الاتجاه دائمًا نحو شبكات أكبر وأعمق.
تعتبر جودة الشبكات العصبية جيدة بقدر جودة بيانات التدريب الخاصة بها. وهذا أمر يستحق الفهم:
إن فهم هذه القيود يجعلك مستخدمًا أفضل لأدوات الذكاء الاصطناعي - فأنت تعرف متى تثق في المخرجات ومتى تتحقق منها.
إذا كان هذا التفسير قد أثار فضولك بشأن آليات الذكاء الاصطناعي - وليس فقط تطبيقاته - فإن هذا الفضول يستحق المتابعة. إن فهم كيفية عمل الشبكات العصبية يضعك في فئة مختلفة عن الأشخاص الذين يستخدمون أدوات الذكاء الاصطناعي فقط.
مسار مقترح:
افهم المفاهيم أولاً — يغطي برنامج AI Seeds في AI Educademy التعلم الآلي ومفاهيم الشبكة العصبية بلغة بسيطة قبل تقديم أي عمليات حسابية أو تعليمات برمجية. مجاني، متعدد اللغات، مصمم للمتعلمين غير التقنيين.
تعلم الرياضيات على مستوى عالٍ — لا تحتاج إلى اشتقاق الانتشار العكسي يدويًا، ولكن فهم ماهية المشتقة من الناحية النظرية (معدل التغيير) وسبب فائدتها للتحسين يساعد بشكل كبير.
الحصول على التدريب العملي — تعد سلسلة "الشبكات العصبية" التابعة لشركة 3Blue1Brown على YouTube أفضل مقدمة مرئية متاحة. يعد التعلم العملي العميق من Fast.ai أفضل دورة تدريبية عملية للأشخاص المستعدين للبرمجة.
التخصص — رؤية الكمبيوتر؟ معالجة اللغة الطبيعية؟ تطوير تطبيقات الذكاء الاصطناعي؟ تساعدك تخصصات فروع الذكاء الاصطناعي] على التعمق في الاتجاه الذي يهمك.
الشبكات العصبية ليست سحرية، إنها مزيج ذكي من العمليات البسيطة (الضرب، الإضافة، المقارنة) المطبقة على نطاق هائل. "الذكاء" ينبثق من الأنماط التي تم تعلمها أثناء التدريب، وليس من أي حسابات فردية.
ما الذي يجعلهم أقوياء:
ما الذي يجعلها محدودة:
تلك هي الصورة الصادقة. إن فهم كلا الجانبين هو ما يفصل مستخدمي الذكاء الاصطناعي المدروسين عن الأشخاص الذين إما مندهشون دون انتقاد أو متشككون بشكل انعكاسي.
** هل أنت مستعد لتعلم الذكاء الاصطناعي بشكل صحيح؟ ابدأ باستخدام AI Seeds — إنه مجاني وباللغة الخاصة بك →**
بمجرد حصولك على الأساسيات، استكشف تخصصات فروع الذكاء الاصطناعي للتعمق في مجالات محددة - بدءًا من معالجة اللغة الطبيعية وحتى إنشاء التطبيقات باستخدام واجهات برمجة تطبيقات الذكاء الاصطناعي.
جرّب أول درس في أي أكاديمية مجانًا، ثم افتح كل درس ومشروع وشهادة متبقية مع Pro.
أفضل 30 سؤالاً وإجابات لمقابلة الذكاء الاصطناعي لعام 2026
استعد لمقابلة العمل الخاصة بك باستخدام الذكاء الاصطناعي من خلال 30 سؤالًا أساسيًا وإجابات تفصيلية - تغطي موضوعات المبتدئين والمتوسطين والمتقدمين.
الذكاء الاصطناعي مقابل التعلم الآلي مقابل التعلم العميق: ما الفرق؟
افهم الاختلافات الواضحة بين الذكاء الاصطناعي والتعلم الآلي والتعلم العميق - مع التعريفات والدليل المرئي وجدول المقارنة والأمثلة الحقيقية.
شرح رؤية الكمبيوتر: كيف يرى الذكاء الاصطناعي الصور ويفهمها
تعرف على كيفية عمل رؤية الكمبيوتر، بدءًا من شبكات CNN وحتى اكتشاف الأشياء. اكتشف تطبيقات العالم الحقيقي في مجالات القيادة الذاتية، والتصوير الطبي، وتجارة التجزئة، والمزيد.