الفصل 2: من GPT إلى GPT-4
لمحة تاريخية موجزة عن نماذج LLM الحديثة
الرحلة من نماذج اللغة المبكرة إلى مساعدي الذكاء الاصطناعي الأقوياء اليوم حدثت بسرعة لافتة — نحو خمس سنوات غيّرت ما يستطيع الذكاء الاصطناعي فعله باللغة.
ماذا تعني أحرف GPT؟
GPT = Generative Pre-trained Transformer
- Generative: يولّد نصاً جديداً
- Pre-trained: يُدرَّب على كميات كبيرة من البيانات قبل أن تستخدمه
- Transformer: الهندسة (نوع الشبكة العصبية) التي يعتمدها
هندسة Transformer، التي قُدّمت عام 2017، كانت الإنجاز الأساسي الذي جعل نماذج LLM الحديثة ممكنة. سنستكشف ذلك أكثر في الوحدة 2.
الجدول الزمني لـ GPT
2018: GPT-1 — البداية
| المقياس | القيمة |
|---|---|
| الـ Parameters | 117 مليون |
| بيانات التدريب | نحو 5 GB من النصوص |
| القدرات | إكمال نص أساسي |
ما كان يستطيع فعله: إكمال الجمل، لكنه كثيراً ما فقد التماسك في النصوص الأطول.
الأهمية: أثبت أن الـ pre-training على كميات كبيرة من النصوص ثم الـ fine-tuning لمهام محددة أمر قوي.
2019: GPT-2 — «أخطر من أن يُنشر»
| المقياس | القيمة |
|---|---|
| الـ Parameters | 1.5 مليار |
| بيانات التدريب | نحو 40 GB من النصوص |
| القدرات | فقرات متماسكة |
ما كان يستطيع فعله: كتابة فقرات متماسكة ومقالات قصيرة تبدو غالباً مكتوبة بشرياً.
الجدل: امتنعت OpenAI في البداية عن نشر النموذج الكامل خوفاً من إساءة استخدامه في الأخبار المزيّفة. أشعل ذلك نقاشات حول سلامة الذكاء الاصطناعي ما زالت مستمرة.
العرض الشهير: بعد prompt عن وحيد القرن في جبال الأنديز، ولّد GPT-2 مقالاً إخبارياً مزيّفاً مقنعاً عن اكتشاف العلماء لوحيد القرن.
2020: GPT-3 — نقطة التحول
| المقياس | القيمة |
|---|---|
| الـ Parameters | 175 مليار |
| بيانات التدريب | نحو 570 GB من النصوص |
| القدرات | few-shot learning |
ما كان يستطيع فعله:
- الإجابة عن الأسئلة
- كتابة الشيفرة
- ترجمة اللغات
- تلخيص المستندات
- كل ذلك دون تدريب خاص بكل مهمة!
الإنجاز: "few-shot learning" — يكفي أن تعرض على GPT-3 بضعة أمثلة داخل الـ prompt ليفهم المطلوب.
مثال على Few-Shot Learning:
Translate English to French:
English: Hello → French: Bonjour
English: Thank you → French: Merci
English: Good morning → French:
كان GPT-3 يخرج "Bonjour" بشكل صحيح دون أي تدريب خاص بالترجمة.
2022: ChatGPT — اللحظة التي أصبح فيها الذكاء الاصطناعي شائعاً
| المقياس | القيمة |
|---|---|
| النموذج الأساس | GPT-3.5 |
| الابتكار الأساسي | fine-tuning حواري |
| محطة المستخدمين | 100 مليون مستخدم في شهرين |
ما تغيّر: لم يكن ChatGPT مجرد نموذج أذكى — بل دُرِّب على إجراء المحادثات بتقنية تُدعى RLHF (Reinforcement Learning from Human Feedback).
لحظة ChatGPT:
- أسرع تطبيق استهلاكي نمواً في التاريخ
- وصل إلى 100 مليون مستخدم في شهرين (TikTok استغرق 9 أشهر، وInstagram 2.5 سنة)
- جعل الذكاء الاصطناعي في متناول الجميع
لماذا بدا مختلفاً:
- تدفق محادثة طبيعي
- يستطيع رفض الطلبات الضارة
- يعترف عندما لا يعرف شيئاً
- بدا كمساعد مفيد تتحدث إليه
2023: GPT-4 — متعدد الوسائط وأكثر قدرة
| المقياس | القيمة |
|---|---|
| الـ Parameters | غير معلنة (نحو 1 تريليون+) |
| القدرات | نص + رؤية |
| الأداء | ينجح في كثير من الامتحانات المهنية |
قدرات جديدة:
- الرؤية: يستطيع فهم الصور، لا النص فقط
- سياق أطول: يستطيع معالجة نحو 128,000 token (تقريباً 300 صفحة)
- استدلال أفضل: يحقق نسباً مئوية عليا في كثير من الامتحانات المهنية
أداء الامتحانات:
| الامتحان | GPT-3.5 | GPT-4 |
|---|---|---|
| امتحان المحاماة (Bar Exam) | أدنى 10% | أعلى 10% |
| SAT Math | الشريحة 70 | الشريحة 89 |
| GRE Verbal | الشريحة 63 | الشريحة 99 |
ما الذي تحسّن مع كل إصدار؟
1. التماسك والطول
2. قدرة الاستدلال
- GPT-2: يستطيع مطابقة الأنماط لكنه لا يستدل
- GPT-3: استدلال منطقي أساسي
- GPT-4: استدلال معقّد متعدد الخطوات
3. اتباع التعليمات
- GPT-2: احتاج إلى prompts تشبه بيانات التدريب
- GPT-3: استطاع اتباع تعليمات بسيطة
- ChatGPT: صُمّم للمحادثة الطبيعية
- GPT-4: يتبع تعليمات معقّدة ودقيقة
4. السلامة والمواءمة (Alignment)
- إصدارات GPT المبكرة: كانت تولّد أي محتوى
- ChatGPT: دُرِّب على رفض الطلبات الضارة
- GPT-4: فهم أدق لمسائل السلامة
المشهد التنافسي
نجاح ChatGPT أشعل سباقاً في الذكاء الاصطناعي:
2023: عام المنافسة في نماذج LLM
| الشهر | الحدث |
|---|---|
| فبراير | Google تعلن Bard (الآن Gemini) |
| مارس | Anthropic تطلق Claude |
| مارس | إطلاق GPT-4 |
| يوليو | Meta تطلق Llama 2 مفتوح المصدر |
| ديسمبر | Google تطلق Gemini |
لماذا تهم المنافسة:
- ابتكار أسرع
- أسعار أدنى
- مزيد من الخيارات للمستخدمين
- بدائل مفتوحة المصدر
ملخص المحطات الأساسية
| السنة | المحطة | الأهمية |
|---|---|---|
| 2017 | هندسة Transformer | أساس كل نماذج LLM الحديثة |
| 2018 | GPT-1 | أثبت أن الـ pre-training يعمل |
| 2019 | GPT-2 | أظهر قدرة مقلقة |
| 2020 | GPT-3 | أظهر few-shot learning |
| 2022 | ChatGPT | جعل الذكاء الاصطناعي في متناول الجميع |
| 2023 | GPT-4 | بلغ مستوى بشرياً في مهام كثيرة |
| 2023 | انفجار المصدر المفتوح | ديمقراط الوصول إلى تقنية LLM |
لماذا اشتهر GPT
اجتمعت عدة عوامل:
- سهولة الوصول: كان ChatGPT مجانياً وسهل الاستخدام
- القدرة: استطاع فعلاً إنجاز أمور مفيدة
- الطابع الحواري: بدا التفاعل معه طبيعياً
- التوقيت: العمل عن بُعد زاد أهمية الأدوات الرقمية
- الانتشار الفيروسي: المخرجات المذهلة شُركت على نطاق واسع في وسائل التواصل
النقاط الأساسية
✅ تطوّر GPT من 117M إلى أكثر من 1T من الـ parameters في 5 سنوات
✅ كل إصدار جلب تحسينات نوعية، لا كمية فحسب
✅ ابتكار ChatGPT كان في سهولة الاستخدام، لا في القدرة وحدها
✅ أضاف GPT-4 الرؤية وحسّن الاستدلال بشكل كبير
✅ المنافسة تدفع ابتكاراً سريعاً في الصناعة كلها
فكّر في ذلك
- لماذا تعتقد أن ChatGPT انتشر أسرع من أي تقنية سابقة؟
- ماذا قد يستطيع GPT-5 فعله مما لا يستطيعه GPT-4؟
- كيف قد تغيّر النماذج مفتوحة المصدر مشهد الذكاء الاصطناعي؟
الخطوات التالية
الآن ننظر إلى من يبني نماذج LLM أيضاً في الفصل 3: أبرز مزوّدي نماذج LLM.