ما المقصود بالذكاء الاصطناعي التوليدي؟ 

يعتمد الذكاء الاصطناعي التوليدي على نماذج تعلم آلي متطورة تُسمَّى خوارزميات نماذج التعلم العميق    والتي تحاكي عمليات التعلم وصناعة القرار في الدماغ البشري. حيث تعمل هذه النماذج من خلال تحديد الأنماط والعلاقات وترميزها بكميات هائلة من البيانات، ثم استخدام تلك المعلومات لفهم طلبات المستخدمين وفهم أسئلتهم بلغة طبيعية والإجابة عنها بمحتوى جديد ذي صلة.

لطالما كان الذكاء الاصطناعي موضوعًا تكنولوجيًا مهمًا على مدار العقد الماضي، ولكن الذكاء الاصطناعي التوليدي، وتحديدًا عند طرح ChatGPT في عام 2022، دفع بالذكاء الاصطناعي إلى عناوين الأخبار العالمية وأطلق موجة غير مسبوقة من الابتكار في مجال الذكاء الاصطناعي وتبنيه. ويوفر الذكاء الاصطناعي التوليدي مزايا إنتاجية هائلة لكل من لأفراد والمؤسسات، وعلى الرغم من أنه يمثل أيضًا تحديات ومخاطر حقيقية للغاية، إلا أن الشركات تمضي قدمًا في استكشاف كيف يمكن للتكنولوجيا تحسين سير العمل الداخلي وإثراء منتجاتها وخدماتها. وفقًا لبحث أجرته شركة McKinsey للاستشارات الإدارية، فإن ثلث المؤسسات تستخدم بالفعل الذكاء الاصطناعي التوليدي بانتظام في وظيفة واحدة على الأقل من وظائف الأعمال.¹ يتوقع محلل الصناعة Gartner أن أكثر من 80% من المؤسسات ستنشر تطبيقات الذكاء الاصطناعي التوليدي أو تستخدم واجهات برمجة تطبيقات (APIs) الذكاء الاصطناعي التوليدي بحلول عام 2026.²

في معظم الأحيان، يعمل الذكاء الاصطناعي التوليدي على ثلاث مراحل: 

• التدريب، لإنشاء نموذج أساس يمكن أن يكون أساسًا لتطبيقات الذكاء الاصطناعي التوليدي المتعددة.
  
  
• الضبط، لتخصيص نموذج الأساس لتطبيق الذكاء الاصطناعي التوليدي المحدد.
  
  
• التوليد والتقييم وإعادة الضبط،لتقييم مخرجات تطبيق الذكاء الاصطناعي التوليدي وتحسين جودتها ودقتها باستمرار.

يبدأ الذكاء الاصطناعي التوليدي بنموذج أساس، وهو نموذج تعلم عميق يعمل كأساس لأنواع مختلفة ومتعددة من تطبيقات الذكاء الاصطناعي التوليدي. ونماذج الأساس الأكثر شيوعًا اليوم هي النماذج اللغوية الكبيرة (LLM)، التي تم إنشاؤها لتطبيقات إنشاء النصوص، وهناك أيضًا نماذج أساس لتوليد الصور وإنشاء الفيديوهات والصوت والموسيقى، إلى جانب نماذج أساس متعددة الوسائط تدعم عدة أنواع من توليد المحتوى.

يدرِّب الممارسون خوارزمية التعلّم العميق على كميات هائلة من البيانات غير المنسقة وغير المنظمة وغير المُصنَّفة لإنشاء نموذج أساس؛ يصل حجمها مثلًا إلى تيرابايت من البيانات المستمدة من الإنترنت أو من بعض مصادر البيانات الهائلة الأخرى. وفي أثناء التدريب، تنفذ الخوارزمية الملايين من تمارين ” تعبئة الفراغات“ وتقييمها، في محاولة للتنبؤ بالعنصر التالي في تسلسل ما، على سبيل المثال، الكلمة التالية في جملة، أو العنصر التالي في صورة، أو الأمر التالي في سطر من التعليمات البرمجية، وتعدِّل نفسها باستمرار لتقليل الفرق بين تنبؤاتها والبيانات الفعلية (أو النتيجة "الصحيحة").

نتيجة هذا التدريب هي الحصول على شبكة عصبية مكونة من المعلمات، وهي في الأساس تمثيلات مشفرة للكيانات والأنماط والعلاقات في البيانات، ويمكنها توليد محتوى بشكل مستقل استجابة للمدخلات أو المطالبات.

تتطلّب عملية التدريب هذه حوسبة مكثّفة وتستغرق وقتًا طويلاً ومكلفة: فهي تتطلب الآلاف من وحدات معالجة الرسومات (GPU) المجمّعة وأسابيع من المعالجة، وكل ذلك يكلّف ملايين الدولارات. تُمكّن مشاريع نماذج الأساس مفتوحة المصدر، مثل Llama-2 التابعة لشركة Meta، مطوري الذكاء الاصطناعي التوليدي من تجنب هذه الخطوة وتكاليفها الباهظة.

من الناحية المجازية، نموذج الأساس هو نموذج عام: فهو يعرف الكثير عن أنواع عديدة من المحتوى، لكنه غالبًا لا يستطيع إنشاء أنواع محددة من المخرجات بالشكل أو الدقة المطلوبة. ومن ثَمَّ، يجب ضبط النموذج على مهمة إنشاء محتوى محددة. ويمكن القيام بذلك بعدة طرق.

يتضمن الضبط الدقيق تغذية النموذج بالبيانات المصنفة الخاصة بتطبيق توليد المحتوى؛ أي الأسئلة أو المطالبات التي من المرجح أن يتلقاها التطبيق، والإجابات الصحيحة المقابلة بالتنسيق المطلوب. على سبيل المثال، إذا كان فريق التطوير يحاول إنشاء روبوت محادثة لخدمة العملاء، فسيقوم بإنشاء مئات أو آلاف المستندات التي تحتوي على أسئلة خدمة العملاء المصنفة وإجاباتها الصحيحة، ثم تغذية النموذج بتلك المستندات.

يتطلب الضبط الدقيق عمالة مكثفة. وغالبًا ما يستعين المطورون بمصادر خارجية لمهمة الشركات التي لديها قوى عاملة كبيرة في تصنيف البيانات.

في نموذج التعلم المعزز باستخدام التغذية الراجعة البشرية (RLHF)، يستجيب المستخدمون البشريون للمحتوى الذي تم توليده بتقييمات يستخدمها النموذج لتحديث النموذج لتحقيق أكبر قدر من الدقة أو الملاءمة. وغالبًا ما يتضمن نموذج التعلم المعزز باستخدام التغذية الراجعة البشرية (RLHF) "بتسجيل نقاط" الأشخاص لمخرجات مختلفة كاستجابة للمطالبة نفسها. ومع ذلك قد يكون الأمر بسيطًا مثل جعل الأشخاص يكتبون أو يتحدثون إلى روبوت المحادثة أو المساعد الافتراضي ويصححون مخرجاته.

يستطيع المطورون والمستخدمون تقييم مخرجات تطبيقات الذكاء الاصطناعي التوليدي باستمرار، وضبط النموذج بشكل أكبر، حتى ولو مرة واحدة في الأسبوع، من أجل المزيد من الدقة أو الملاءمة. (في المقابل، يتم تحديث نموذج الأساس نفسه بوتيرة أقل بكثير، ربما كل سنة أو كل 18 شهرًا).

يُعد التوليد المعزز بالاسترجاع (RAG) خيارًا آخر لتحسين أداء تطبيق الذكاء الاصطناعي التوليدي. حيث يُعدُّ التوليد المعزز بالاسترجاع (RAG) إطار عمل لتوسيع نموذج الأساس لاستخدام المصادر ذات الصلة خارج بيانات التدريب، لتكملة المعلمات أو التمثيلات في النموذج الأصلي وتحسينها. ويمكن لنموذج التوليد المعزز بالاسترجاع (RAG) ضمان وصول تطبيق الذكاء الاصطناعي التوليدي دائمًا إلى أحدث المعلومات. وكميزة إضافية، فإن المصادر الإضافية التي يتم الوصول إليها عبر نموذج التوليد المعزز بالاسترجاع (RAG) شفافة للمستخدمين بطريقة لا تتوفر فيها المعارف الموجودة في نموذج الأساس الأصلي.

حقًا لقد تطورت نماذج الذكاء الاصطناعي التوليدي، التي يمكنها إنشاء محتوى مستقل حسب الطلب، على مدار السنوات العشر الماضية أو نحو ذلك. وتشمل بُنى النماذج الرئيسية خلال تلك الفترة ما يلي

• أجهزة التشفير التلقائي المتغيرة (VAEs)، حيث أدت إلى حدوث اختراقات في التعرف على الصور ومعالجة اللغة الطبيعية والكشف عن الخلل.
   

• الشبكات التنافسية التوليدية (GANs) ونماذج الانتشار، حيث أدت إلى تحسين دقة التطبيقات السابقة وتمكين بعض الحلول الذكاء الاصطناعي الأولى لتوليد صور واقعية.
   

• المحولات، وهي بنية نموذج التعلُّم العميق التي تقف وراء النماذج الأساسية وحلول الذكاء الاصطناعي التوليدي اليوم.

المشفِّر التلقائي هو نموذج تعلم عميق يتألف من شبكتين عصبيتين متصلتين: إحداهما تشفر (أو تضغط) كمية هائلة من بيانات التدريب غير المنظمة وغير المصنفة في شكل معلمات، والأخرى تفك تشفير هذه المعلمات لإعادة بناء المحتوى. ومن الناحية الفنية، يمكن لبرامج التشفير التلقائية إنشاء محتوى جديد، ولكنها أكثر فائدة في ضغط البيانات لتخزينها أو نقلها وفك ضغطها للاستخدام مقارنةً بإنشاء محتوى عالي الجودة.

يمكن لبرامج التشفير التلقائي المتغيرة، التي تم تقديمها في عام 2013، تشفير البيانات مثل برامج التشفير التلقائي، ولكن مع فك تشفير أشكال متعددة جديدة للمحتوى. يمكن لبرامج التشفير التلقائي المتغيرة "التركيز" على محتوى أكثر دقة بمرور الوقت من خلال تدريبها على إنشاء متغيرات نحو هدف معين. وتضمنت تطبيقات برامج التشفير التلقائي المتغيرة المبكرة اكتشاف الخلل (على سبيل المثال تحليل الصور الطبية) وتوليد اللغة الطبيعية.

تضم الشبكات التنافسية التوليدية، التي تم تقديمها في عام 2014، شبكتين عصبيتين: مولد ينشأ محتوى جديدًا ومميزًا، ومميّز حيث يقيِّم دقة البيانات التي تم إنشاؤها وجودتها. وتشجع هذه الخوارزميات التنافسية النموذج على إنشاء نتائج عالية الجودة بشكل متزايد.

تُستخدم الشبكات التنافسية التوليدية بشكل شائع لإنشاء الصور والفيديو، ومع ذلك يمكنها إنشاء محتوى واقعي وعالي الجودة في مختلف المجالات. وقد أثبتت نجاحها بشكل خاص في مهام مثل نقل النمط (تغيير نمط صورة، على سبيل المثال، من صورة إلى رسم بالقلم الرصاص) وزيادة البيانات (إنشاء بيانات جديدة اصطناعية لزيادة حجم مجموعة بيانات التدريب وتنوعها) .

تم تقديم نماذج الانتشار أيضًا في عام 2014، حيث تعمل عن طريق إضافة التشويش أولاً إلى بيانات التدريب حتى تصبح عشوائية ولا يمكن التعرف عليها، ثم تدريب الخوارزمية على نشر التشويش بشكل متكرر للكشف عن النواتج المطلوبة.

تستغرق نماذج الانتشار وقتًا أطول في التدريب مقارنة بنماذج برامج التشفير التلقائي المتغيرة أو الشبكات التنافسية التوليدية، ولكنها في النهاية توفر تحكمًا أدق في المخرجات، خاصة بالنسبة إلى أداة توليد الصور عالية الجودة. DALL-E، وهي أداة توليد الصور من Open AI، تعتمد على نموذج الانتشار.

تعمل المحولات، التي تم توثيقها لأول مرة في ورقة بحثية نشرها Ashish Vaswani وآخرون عام 2017، على تطوير نموذج التشفير وفك التشفير لتحقيق نقلة نوعية كبيرة في طريقة تدريب نماذج الأساس، وفي جودة المحتوى ونطاقه الذي يمكن أن تنتجه. وتُعد هذه النماذج أساس معظم أدوات الذكاء الاصطناعي التوليدي التي تتصدر العناوين الرئيسية اليوم، بما في ذلك ChatGPT وGPT-4 وCopilot وBERT وBard وMidjourney على سبيل المثال لا الحصر.

تستخدم المحولات مفهومًا يُسمى الانتباه، لتحديد ما هو أكثر أهمية في البيانات داخل التسلسل والتركيز عليه؛

• لمعالجة تسلسلات كاملة من البيانات، على سبيل المثال لمعالجة الجُمل بدلًا من الكلمات الفردية في وقت واحد؛
   

• والتقاط سياق البيانات داخل التسلسل؛
   

• وتشفير بيانات التدريب في عمليات تضمين (تسمى أيضًا المعلمات الفائقة) التي تمثل البيانات وسياقها.

إلى جانب إتاحة تدريب أسرع، تتفوق المحولات في معالجة اللغة الطبيعية (NLP) وفهم اللغة الطبيعية (NLU)، ويمكنها إنشاء تسلسلات بيانات أطول، على سبيل المثال، ليس فقط إجابات عن الأسئلة، ولكن أيضًا قصائد أو مقالات أو أوراق بحثية، بدقة أكبر وجودة أعلى مقارنةً بنماذج الذكاء الاصطناعي التوليدي العميقة الأخرى. ويمكن أيضًا تدريب نماذج المحولات أو ضبطها على استخدام الأدوات —مثل تطبيق جداول البيانات أو HTML أو برنامج رسم —لإنتاج محتوى بتنسيق معين.

يمكن للذكاء الاصطناعي التوليدي إنشاء العديد من أنواع المحتوى في العديد من المجالات المختلفة. 

الميزة الواضحة والشاملة للذكاء الاصطناعي التوليدي هي زيادة الكفاءة. ونظرًا لقدرته على إنشاء المحتوى والإجابات عند الطلب، يتمتع الذكاء الاصطناعي التوليدي بالقدرة على تسريع أو أتمتة المهام التي تتطلب عمالة كثيفة وخفض التكاليف وتوفير وقت الموظفين بحيث يركزون على المهام ذات القيمة الأعلى.

ولكن يقدم الذكاء الاصطناعي التوليدي العديد من الفوائد الأخرى للأفراد والمؤسسات.

يمكن لأدوات الذكاء الاصطناعي التوليدي أن تلهم الإبداع من خلال عملية العصف الذهني المؤتمتة؛ مما يؤدي إلى إنشاء إصدارات جديدة متعددة من المحتوى. ويمكن أن تكون هذه الاختلافات أيضًا بمثابة نقاط انطلاق أو مراجع تساعد الكُتَّاب والفنانين والمصممين وغيرهم من المبدعين على تجاوز العوائق الإبداعية.

يتفوق الذكاء الاصطناعي التوليدي في تحليل مجموعات البيانات الكبيرة، وتحديد الأنماط واستخراج معارف ذات مغزى؛ ثم توليد الفرضيات والتوصيات بناءً على تلك المعارف لدعم المديرين التنفيذيين والمحللين والباحثين وغيرهم من المتخصصين في اتخاذ قرارات أكثر ذكاءً وقائمة على البيانات.

يمكن للذكاء الاصطناعي التوليدي، في تطبيقات مثل أنظمة التوصيات وإنشاء المحتوى، تحليل تفضيلات المستخدم وتاريخه وإنشاء محتوى مخصص في الوقت الفعلي، ما يؤدي إلى تجربة مستخدم أكثر تخصيصًا وتفاعلاً.

يعمل الذكاء الاصطناعي التوليدي بشكل مستمر من دون إجهاد، ما يوفر التوافر على مدار الساعة لمهام مثل روبوتات المحادثة لدعم العملاء والاستجابات المؤتمتة.

فيما يلي عدد قليل فقط من حالات استخدام الذكاء الاصطناعي التوليدي للمؤسسات. نظرًا لتطور التقنية وقيام المؤسسات بتضمين هذه الأدوات في سير عملها، يمكننا أن نتوقع رؤية المزيد منها. 

وكيل الذكاء الاصطناعي هو برنامج ذكاء اصطناعي مستقل؛ يمكنه تنفيذ المهام وتحقيق الأهداف نيابة عن مستخدم أو نظام آخر دون تدخل بشري، وذلك من خلال تصميم سير العمل الخاص به واستخدام الأدوات المتاحة (تطبيقات أو خدمات أخرى). الذكاء الاصطناعي الوكيل هو نظام يتكون من وكلاء الذكاء الاصطناعي المتعددين، يتم تنسيق جهودهم أو تنظيمها لإنجاز مهمة أكثر تعقيدًا أو هدف أكبر مما يمكن لأي وكيل واحد في النظام تحقيقه.

وعلى عكس روبوتات المحادثة ونماذج الذكاء الاصطناعي الأخرى التي تعمل ضمن قيود محددة مسبقًا وتتطلب تدخلًا بشريًا، فإن وكلاء الذكاء الاصطناعي والذكاء الاصطناعي الوكيل يظهرون استقلالية وسلوكًا مدفوعًا بالأهداف والقدرة على التكيف مع الظروف المتغيرة. يشير مصطلح "الوكيل" إلى وكالة ونيابة هذه النماذج، أي قدرتها على التصرف بشكل مستقل وهادف.

إحدى طرق تفكير وكلاء الذكاء الاصطناعي هي اعتبارها الخطوات التالية للذكاء الاصطناعي التوليدي. حيث تركز نماذج الذكاء الاصطناعي العامة على إنشاء المحتوى بناءً على الأنماط المكتسبة؛ ويستخدم الوكلاء هذا المحتوى ليتفاعل بعضها مع بعض ومع الأدوات الأخرى لاتخاذ القرارات وحل المشكلات وإكمال المهام. على سبيل المثال، قد يتمكن تطبيق الذكاء الاصطناعي التوليدي من إخبارك بأفضل وقت لتسلق جبل إيفرست بالنظر إلى جدول عملك، ولكن يمكن للوكيل إخبارك بذلك، ثم استخدام خدمة سفر عبر الإنترنت لحجز أفضل رحلة طيران وحجز غرفة في الفندق الأكثر ملاءمة في نيبال.

حقق الذكاء الاصطناعي التوليدي تقدمًا ملحوظًا في فترة زمنية قصيرة نسبيًا، ولكنه لا يزال يمثل تحديات ومخاطر كبيرة للمطورين والمستخدمين والجمهور بشكل عام. فيما يلي بعض من أخطر المشكلات وكيفية معالجتها. 

هلاوس الذكاء الاصطناعي هي مخرجات الذكاء الاصطناعي التوليدي التي تكون غير منطقية أو غير دقيقة تمامًا؛ لكن، في كثير من الأحيان، تبدو معقولة تمامًا. والمثال الكلاسيكي هو عندما استخدم أحد المحامين الذكاء الاصطناعي التوليدي لأداة البحث استعدادًا لقضية رفيعة المستوى، والذكاء الاصطناعي التوليدي "أنتج" عدة حالات نموذجية، كاملة مع الاقتباسات والإسنادات، التي كانت خيالية تمامًا.

ينظر بعض الممارسين إلى الهلاوس على أنها نتيجة حتمية للموازنة بين دقة النموذج وقدراته الإبداعية. ولكن قد يقوم المطورون باتخاذ تدابير وقائية تُسمى سبل الحماية، حيث تقيد النموذج بمصادر البيانات ذات الصلة أو الموثوقة. يمكن أن يساعد التقييم والضبط المستمران أيضًا في تقليل الهلوسة وعدم الدقة.

يمكن أن تؤدي نفس المدخلات إلى مخرجات مختلفة قليلًا أو بشكل كبير نظرًا للطبيعة المتغيرة أو الاحتمالية لنماذج الذكاء الاصطناعي التوليدي. وقد يكون هذا الأمر غير مرغوب فيه في تطبيقات معينة، مثل روبوتات المحادثة لخدمة العملاء، حيث تكون المخرجات المتسقة متوقعة أو مرغوبة. ومن خلال هندسة الأوامر، وتعني التنقيح التكراري للمطالبات أو تجميعها، يمكن للمستخدمين الوصول إلى مطالبات تقدم باستمرار النتائج التي يريدونها من تطبيقات الذكاء الاصطناعي التوليدي.

قد تتعلم النماذج التوليدية التحيزات المجتمعية الموجودة في بيانات التدريب، أو في البيانات المصنفة أو مصادر البيانات الخارجية أو المقيّمين البشريين الذين يقومون بضبط النموذج، وتنشئ محتوى متحيزًا أو غير عادل أو مسيئًا نتيجة لذلك. يجب على المطورين ضمان تنوع بيانات التدريب؛ لمنع المخرجات المتحيزة من نماذجهما، ووضع إرشادات لمنع التحيز أثناء التدريب والضبط، وتقييم مخرجات النموذج باستمرار من حيث التحيز والدقة.

تُعد العديد من نماذج الذكاء الاصطناعي التوليدي نماذج ” الصندوق الأسود“، ما يعني أنه قد يكون من الصعب أو المستحيل فهم عمليات اتخاذ القرار فيها؛ حتى المهندسين أو علماء البيانات الذين ينشئون الخوارزميات الأساسية لا يمكنهم فهم أو شرح ما يحدث بالضبط داخلها وكيف تصل إلى نتيجة محددة. ويمكن أن تساعد ممارسات وتقنيات الذكاء الاصطناعي القابلة للتفسير الممارسين والمستخدمين على فهم عمليات ومخرجات النماذج التوليدية والثقة بها.

قد يكون تقييم جودة المحتوى الذي تم إنشاؤه ومقارنته أمرًا صعبًا أيضًا. وقد لا تلتقط مقاييس التقييم التقليدية الجوانب الدقيقة للإبداع أو التماسك أو الملاءمة. لا يزال مجال تطوير طرق التقييم القوية والموثوقة للذكاء الاصطناعي التوليدي مجالًا نشطًا للبحث.

يمكن استغلال نماذج الذكاء الاصطناعي التوليدي لإنشاء رسائل بريد إلكتروني مقنعة للتصيد الاحتيالي أو هويات مزيفة أو أي محتوى ضار آخر يمكن أن يخدع المستخدمين لاتخاذ إجراءات تعرض الأمان وخصوصية البيانات للخطر. ويجب على المطورين والمستخدمين توخي الحذر من أن البيانات الموجودة في النموذج (أثناء الضبط أو كجزء من مطالبة) لا تكشف عن ملكيتهم الفكرية (IP) أو أي معلومات محمية كملكية فكرية من جانب المؤسسات الأخرى. وهم بحاجة إلى مراقبة مخرجات المحتوى الجديد الذي يكشف عن ملكيتهم الفكرية أو ينتهك حماية الملكية الفكرية للآخرين.

التزييف العميق هو عبارة عن صور أو مقاطع فيديو أو مقاطع صوتية يتم إنشاؤها باستخدام الذكاء الاصطناعي أو التلاعب بها لإقناع الناس بأنهم يرون أو يشاهدون أو يسمعون شخصًا ما يفعل أو يقول شيئًا لم يفعله أو يقوله أبدًا. وهي من بين أكثر الأمثلة المروّعة على كيفية تطبيق قوة الذكاء الاصطناعي التوليدي بنوايا خبيثة.

يدرك معظم الناس التزييف العميق الذي تم إنشاؤه للإضرار بالسمعة أو نشر المعلومات المضللة. وفي الآونة الأخيرة، استخدم المجرمون الإلكترونيون التزييف العميق كجزء من الهجمات الإلكترونية ( مثل الأصوات المزيفة في عمليات الاحتيال الصوتي) أو مخططات الاحتيال المالي.

يعمل الباحثون بجد على تطوير نماذج ذكاء اصطناعي يمكنها اكتشاف التزييف العميق بدقة أكبر. وفي غضون ذلك، يمكن أن يساعد تثقيف المستخدمين واتباع أفضل الممارسات ( مثل عدم مشاركة مواد مثيرة للجدل لم يتم التحقق منها) على الحد من الضرر الذي يمكن أن تحدثه عمليات التزييف العميق.

لقد جذب مصطلح ”الذكاء الاصطناعي التوليدي“ الانتباه العام في العشرينيات من القرن الحادي والعشرين، ولكن الذكاء الاصطناعي التوليدي كان جزءًا من حياتنا منذ عقود، وتعتمد تكنولوجيا الذكاء الاصطناعي التوليدي اليوم على ابتكارات التعلم الآلي التي تعود إلى مطلع القرن العشرين. وقد يتضمن التاريخ التمثيلي غير الشامل للذكاء الاصطناعي التوليدي بعض التواريخ التالية

• 1964: طوّر عالم الحاسوب Joseph Weizenbaum من معهد ماساتشوستس للتكنولوجيا تطبيق ELIZA، وهو تطبيق لمعالجة اللغات الطبيعية قائم على النصوص. استخدم ELIZA، أول روبوت محادثة ( يُطلق عليه اسم ”chatterbot“ في ذلك الوقت)، نصوص لمطابقة الأنماط للرد على مدخلات اللغة الطبيعية المكتوبة بإجابات نصية متعاطفة.
   

• 1999: قامت Nvidia بشحن GeoForce، أول وحدة معالجة رسومية. وطُورت وحدات معالجة الرسومات في الأصل لتقديم رسومات متحركة سلسة لألعاب الفيديو، وأصبحت المنصة الفعلية لتطوير نماذج الذكاء الاصطناعي وتعدين العملات الرقمية.
   

• 2004: يظهر الإكمال التلقائي من Google لأول مرة، حيث يقوم بإنشاء الكلمات أو العبارات التالية المحتملة عند إدخال المستخدمين لعبارات البحث الخاصة بهم. يعتمد المثال الحديث نسبيًا للذكاء الاصطناعي التوليدي على سلسلة ماركوف، وهو نموذج رياضي تم تطويره في عام 1906.
   

• 2013: أول ظهور لبرامج التشفير التلقائي المتغيرة (VAEs).
   

• 2014: أول ظهور للشبكات التنافسية التوليدية (GAN) ونماذج الانتشار.
   

• 2017: نشر Ashish Vaswani، وهو فريق من Google Brain، وفريق من جامعة تورنتو ورقة بحثية بعنوان "Attention is All You Need"، وهي ورقة بحثية توثق مبادئ نماذج المحولات، المعترف بها على نطاق واسع على أنها تُمكّن أقوى نماذج الأساس وأدوات الذكاء الاصطناعي التوليدي التي يتم تطويرها اليوم.
   

• 2019-2020: طرحت OpenAI نموذجها اللغوي الكبير GPT (المحولات المولدة المُدرَّبة مسبقًا) وGPT-2 وGPT-3.
   

• 2022: طرحت OpenAI خدمة ChatGPT، وهي واجهة أمامية لـ GPT-3 تُنشئ جملاً معقدة ومترابطة ومتماسكة ومحتوى طويل استجابة لمطالبات المستخدم النهائي.

مع شهرة ChatGPT وشعبيته التي فتحت الباب على مصراعيه بشكل فعال، تطورت تقنيات الذكاء الاصطناعي التوليدي وإصدارات المنتجات بوتيرة متسارعة، بما في ذلك إصدارات Google Bard (Gemini الآن) وMicrosoft Copilot وIBM watsonx.ai. والنموذج اللغوي الكبير Llama-2 مفتوح المصدر من Meta.