Learn AIتعلّم الذكاء الاصطناعي

An LLM processes text as tokens and, one step at a time, predicts which token is likely to come next. Repeating that step generates sentences, code or summaries. The leading design, the transformer (introduced in 2017), uses an attention mechanism that weighs how each token in the input relates to the others.

An LLM is usually built in two stages: pre-training on very large text collections, then post-training, such as instruction tuning and feedback-based methods, that shapes it into a usable AI assistant.

The model is only one part of a product. AI assistants differ by their combination of models, tools, instructions and integrations, so two products built on the same model can behave quite differently.

يعالج النموذج اللغوي الكبير النص على هيئة وحدات لغوية، ويتنبأ خطوةً بعد خطوة بالوحدة اللغوية المرجَّح أن تأتي تالياً. وبتكرار هذه الخطوة يولّد جملاً أو شيفرة برمجية أو ملخصات. أما المعمارية السائدة، وهي معمارية المحوِّل (Transformer) التي قُدِّمت عام 2017، فتستخدم آلية الانتباه (attention) التي تزن علاقة كل وحدة لغوية في المدخلات بالوحدات الأخرى.

يُبنى النموذج اللغوي الكبير عادةً على مرحلتين: التدريب المسبق (pre-training) على مجموعات ضخمة جداً من النصوص، ثم التدريب اللاحق (post-training) الذي يهيّئه ليصبح مساعداً ذكياً قابلاً للاستخدام، ومن أمثلته الضبط على اتباع التعليمات (instruction tuning) والأساليب القائمة على الملاحظات.

والنموذج ليس سوى جزء واحد من المنتج؛ إذ تختلف المساعدات الذكية باختلاف ما تجمعه من نماذج وأدوات وتعليمات وتكاملات، لذلك قد يختلف سلوك منتجين مبنيّين على النموذج نفسه اختلافاً كبيراً.

Before a model processes any text, a tokenizer splits it into tokens from a fixed vocabulary, often built with methods such as byte-pair encoding. Common words may be a single token; rare words, names and numbers are split into several pieces. Images and audio can also be converted into tokens.

Tokens matter because context-window limits, output limits, speed and API pricing are usually measured in them. For English, OpenAI's documentation gives a rule of thumb of about four characters, or three-quarters of a word, per token, but counts vary by tokenizer and model.

Language matters too. A 2023 study found that the tokenizer then used by ChatGPT and GPT-4 needed about three times as many tokens for Arabic text as for the same content in English. Newer tokenizers differ, so measure rather than assume.

قبل أن يعالج النموذج أي نص، يقسّمه مُقسِّم الوحدات اللغوية (tokenizer) إلى وحدات من قائمة مفردات ثابتة، تُبنى غالباً بأساليب مثل ترميز أزواج البايتات (byte-pair encoding). وقد تكون الكلمة الشائعة وحدة لغوية واحدة، بينما تُقسَّم الكلمات النادرة والأسماء والأرقام إلى عدة أجزاء. ويمكن أيضاً تحويل الصور والصوت إلى وحدات مماثلة يعالجها النموذج.

تكمن أهمية الوحدات اللغوية في أن حدود نافذة السياق (context window) وحدود المخرجات والسرعة وأسعار واجهة برمجة التطبيقات (API) تُقاس بها عادةً. وبالنسبة إلى الإنجليزية، تقدّم وثائق OpenAI قاعدة تقريبية مفادها أن الوحدة اللغوية الواحدة تعادل نحو أربعة أحرف، أو نحو ثلاثة أرباع الكلمة، لكن العدد الفعلي يختلف بحسب المُقسِّم والنموذج.

وللّغة أثرها أيضاً؛ فقد وجدت دراسة صدرت عام 2023 أن النص العربي كان يحتاج، مع المُقسِّم الذي استخدمه ChatGPT وGPT-4 آنذاك، إلى نحو ثلاثة أضعاف عدد الوحدات اللغوية التي يحتاجها المحتوى نفسه بالإنجليزية. أما المُقسِّمات الأحدث فمختلفة، لذا احرص على القياس بدلاً من الافتراض.

Everything sent to the model counts toward the window: system instructions, earlier messages, attached files, tool definitions and results, and the output being generated. In multi-turn conversations the history accumulates, so long sessions eventually reach the limit and older content has to be trimmed or summarized.

As of September 2026, some models offer windows of around one million tokens while many offer less; limits vary by model, product, plan and organization, and can change. A bigger window is not automatically better: providers document that accuracy and recall can degrade as context grows, and research found models use information in the middle of long inputs less reliably than at the start or end.

Long contexts also cost more. Input tokens are usually billed on every request, although prompt caching can reduce that cost, and self-hosted models need extra memory for the key-value cache, which grows with context length.

كل ما يُرسَل إلى النموذج يُحتسب ضمن النافذة: تعليمات النظام، والرسائل السابقة، والملفات المرفقة، وتعريفات الأدوات ونتائجها، والمخرجات التي يجري توليدها. وفي المحادثات الممتدة عبر رسائل متعددة يتراكم السجل، فتبلغ الجلسات الطويلة الحد في نهاية المطاف، ويتعيّن عندها تقليص المحتوى الأقدم أو تلخيصه.

حتى سبتمبر 2026، توفّر بعض النماذج نوافذ سياق تتسع لنحو مليون وحدة لغوية، بينما يوفّر كثير منها أقل من ذلك؛ وتختلف الحدود حسب النموذج والمنتج والخطة والجهة، وقد تتغيّر. والنافذة الأكبر ليست أفضل تلقائياً؛ إذ تشير وثائق المزوّدين إلى أن الدقة والقدرة على استخراج المعلومات من السياق قد تتراجعان مع ازدياد طوله، ووجدت أبحاث أن النماذج تستفيد من المعلومات الواقعة في منتصف المدخلات الطويلة بموثوقية أقل من تلك الواقعة في بدايتها أو نهايتها.

كما أن السياق الطويل أعلى تكلفة؛ فالوحدات اللغوية في المدخلات تُحتسب تكلفتها عادةً في كل طلب، وإن كان التخزين المؤقت للأوامر (prompt caching) يمكن أن يخفّض هذه التكلفة. أما النماذج المستضافة ذاتياً فتحتاج إلى ذاكرة إضافية تشغلها ذاكرة المفاتيح والقيم المؤقتة (KV cache)، ويكبر حجمها مع طول السياق.

A model with 70 billion parameters ("70B") holds 70 billion such numbers, mostly weights in its neural-network layers. Training adjusts them step by step to reduce prediction errors. They do not store facts like database entries; they encode statistical patterns that shape which tokens the model generates.

Rough memory for the weights is parameters × bytes per parameter: about 2 bytes each at 16-bit precision, 1 byte at 8-bit and 0.5 byte at 4-bit. A 70B model therefore needs roughly 140 GB at 16-bit, 70 GB at 8-bit and 35 GB at 4-bit, before extra memory for context and runtime.

Size is not quality. Training data, post-training and task fit matter: in one study, human raters preferred outputs from a 1.3B instruction-tuned model to those of a 175B model. In mixture-of-experts models only some parameters are active per token, but the full set usually still has to fit in memory.

النموذج الذي يضم 70 مليار معامل («70B») يحتوي على 70 مليار قيمة من هذا النوع، معظمها أوزان (weights) في طبقات شبكته العصبية. ويضبطها التدريب خطوةً بعد خطوة لتقليل أخطاء التنبؤ. وهي لا تخزّن الحقائق كما تخزّنها السجلات في قاعدة البيانات، بل تعبّر عن أنماط إحصائية تؤثّر في الوحدات اللغوية (tokens) التي يولّدها النموذج.

تُقدَّر ذاكرة الأوزان تقريبياً بضرب عدد المعاملات في عدد البايتات لكل معامل: نحو بايتين لكل معامل بدقة عددية (precision) تبلغ 16 بت، وبايت واحد بدقة 8 بت، ونصف بايت بدقة 4 بت. لذلك يحتاج نموذج بحجم 70B إلى ذاكرة تبلغ نحو 140 GB بدقة 16 بت، و70 GB بدقة 8 بت، و35 GB بدقة 4 بت، قبل احتساب الذاكرة الإضافية اللازمة للسياق وبيئة التشغيل.

والحجم ليس مرادفاً للجودة؛ فبيانات التدريب والتدريب اللاحق (post-training) وملاءمة النموذج للمهمة عوامل مهمة: ففي إحدى الدراسات، فضّل مقيّمون بشريون مخرجات نموذج بحجم 1.3 مليار معامل خضع للضبط على اتباع التعليمات (instruction tuning) على مخرجات نموذج بحجم 175 مليار معامل. وفي نماذج مزيج الخبراء (MoE) لا يُفعَّل مع كل وحدة لغوية إلا جزء من المعاملات، لكن يلزم عادةً أن تتسع الذاكرة للمعاملات كلها.

Pre-training exposes a model to very large amounts of text and adjusts its parameters to predict the next token. Much of this is self-supervised: the data supplies its own targets, so not all training data is labeled by people. Post-training then uses smaller curated sets, including human-written demonstrations and human rankings of outputs, to make the model follow instructions.

Inference happens every time someone sends a prompt. The parameters stay fixed while the model processes the input and generates tokens. A conversation does not retrain the model in real time, although some providers may use conversations for future training, depending on their terms and your settings.

Training runs are large and periodic; inference repeats for every request, so at scale it drives ongoing hardware, energy and running costs. Training data also has a cutoff date, so later events are missing unless supplied through search or documents.

في التدريب المسبق (pre-training) يُعرَض على النموذج قدر هائل من النصوص، وتُضبط معاملاته للتنبؤ بالوحدة اللغوية (token) التالية. وجزء كبير من هذه العملية ذاتي الإشراف (self-supervised)، أي أن البيانات نفسها توفّر ما يُطلب من النموذج التنبؤ به، لذا فليست كل بيانات التدريب موسومة بأيدي البشر. ثم يستخدم التدريب اللاحق (post-training) مجموعات بيانات أصغر منتقاة بعناية، منها أمثلة توضيحية كتبها بشر، وترتيبات وضعها مقيّمون بشريون للمخرجات، بهدف جعل النموذج يتّبع التعليمات.

أما الاستدلال فيحدث في كل مرة يرسل فيها أحدهم أمراً (prompt). وتبقى المعاملات ثابتة بينما يعالج النموذج المدخلات ويولّد الوحدات اللغوية. ولا تعيد المحادثة تدريب النموذج في الوقت الفعلي، وإن كان بعض المزوّدين قد يستخدمون المحادثات في تدريب مستقبلي، بحسب شروطهم وإعداداتك.

عمليات التدريب ضخمة وتجري بصورة دورية؛ أما الاستدلال فيتكرّر مع كل طلب، لذا تنشأ عنه مع اتساع الاستخدام تكاليف مستمرة للعتاد والطاقة والتشغيل. كما أن لبيانات التدريب تاريخ انقطاع (knowledge cutoff)، فتغيب عنها الأحداث اللاحقة ما لم يُزوَّد بها النموذج عبر البحث أو المستندات.

An embedding model converts an input into a vector with hundreds or thousands of dimensions. Distances between vectors, commonly measured with cosine similarity, reflect relatedness: a query about "visa renewal" can land near documents on "residence permit extension" even without shared keywords.

Embeddings power semantic search, retrieval-augmented generation, recommendations, clustering, classification and duplicate detection. As of September 2026, some embedding models map many languages, or text and images, into one shared space, which enables cross-language and cross-modal search.

Vectors from different embedding models are not compatible. Changing models means re-embedding the whole collection, and queries and documents must always use the same model.

يحوّل نموذج التضمين (embedding model) المدخلات إلى متجه يضم مئات أو آلاف الأبعاد. وتعكس المسافات بين المتجهات، التي تُقاس عادةً بتشابه جيب التمام (cosine similarity)، مدى الارتباط بين العناصر: فقد يقع استعلام عن «تجديد التأشيرة» قرب مستندات عن «تمديد تصريح الإقامة» حتى من دون كلمات مفتاحية مشتركة بينهما.

تعتمد على التضمينات تطبيقاتٌ مثل البحث الدلالي (semantic search)، والتوليد المعزّز بالاسترجاع (RAG)، والتوصيات، والتجميع العنقودي، والتصنيف، واكتشاف المحتوى المكرّر. وحتى سبتمبر 2026، تمثّل بعض نماذج التضمين لغات كثيرة، أو النصوص والصور، في فضاء مشترك واحد، ما يتيح البحث عبر اللغات وعبر الوسائط المختلفة.

والمتجهات الناتجة عن نماذج تضمين مختلفة غير متوافقة فيما بينها. فتغيير النموذج يعني إعادة توليد التضمينات للمجموعة كلها، ويجب دائماً أن تستخدم الاستعلامات والمستندات النموذج نفسه.

LLMs generate statistically likely token sequences; they do not check facts unless connected to sources or tools. That process usually produces accurate text but can also produce fluent errors. NIST calls this "confabulation" and notes it can include invented citations and plausible-looking step-by-step justifications for wrong answers.

Research published in 2025 argues that training and evaluation often reward guessing over admitting uncertainty, which helps explain why such errors persist even in capable models.

Hallucinations can be reduced but not eliminated. Grounding answers in supplied documents, requiring citations, allowing answers such as "not enough information" and checking critical claims all help. The risk is greater in long, open-ended answers and in specialist domains such as law, medicine and finance.

تولّد النماذج اللغوية الكبيرة (LLM) تسلسلات من الوحدات اللغوية (tokens) مرجَّحة إحصائياً، ولا تتحقق من الحقائق ما لم تُوصَل بمصادر أو أدوات. وتُنتج هذه العملية نصوصاً دقيقة في الغالب، لكنها قد تُنتج أيضاً أخطاء بصياغة سلسة. ويسمّي المعهد الوطني للمعايير والتقنية في الولايات المتحدة (NIST) هذه الظاهرة «الاختلاق» (confabulation)، ويشير إلى أنها قد تشمل مراجع مختلَقة وتبريرات متسلسلة خطوةً بخطوة تبدو مقنعة لإجابات خاطئة.

ويذهب بحث نُشر عام 2025 إلى أن أساليب التدريب والتقييم كثيراً ما تكافئ التخمين بدلاً من التصريح بعدم اليقين، وهو ما يساعد في تفسير استمرار هذه الأخطاء حتى في النماذج عالية القدرات.

يمكن الحدّ من الهلوسة لكن لا يمكن القضاء عليها تماماً. ويُسهم في ذلك كلٌّ من: إسناد الإجابات إلى المستندات المقدَّمة (grounding)، واشتراط ذكر المصادر، والسماح بإجابات مثل «لا تتوفر معلومات كافية»، والتحقق من الادعاءات الجوهرية. ويزداد الخطر في الإجابات الطويلة المفتوحة وفي المجالات المتخصصة مثل القانون والطب والمالية.

At each step the model produces a probability for every possible next token. Greedy decoding always takes the most likely one; sampling picks at random according to those probabilities. Temperature reshapes the distribution: lower values concentrate choices on likely tokens, higher values spread them out. Top-p, or nucleus sampling, samples only from the smallest set of most likely tokens whose probabilities add up to p, cutting off the unlikely tail.

Lower settings suit extraction, classification and factual tasks; higher settings suit brainstorming and creative drafts. Even at temperature 0, outputs are not guaranteed to be identical across runs.

As of September 2026, some newer models restrict or no longer accept these settings, and some providers recommend keeping the defaults for certain models. Check the current documentation for the model you use.

في كل خطوة، يُنتج النموذج احتمالاً لكل وحدة لغوية يمكن أن تكون التالية. وفي طريقة اختيار الوحدة اللغوية الأعلى احتمالاً (greedy decoding) تُختار الوحدة الأرجح دائماً، أما أخذ العينات فيختار عشوائياً وفق تلك الاحتمالات. وتعيد درجة الحرارة تشكيل التوزيع: فالقيم المنخفضة تركّز الاختيار على الوحدات اللغوية المرجَّحة، والقيم المرتفعة توزّعه على نطاق أوسع. أما top-p، ويُسمّى أيضاً أخذ العينات من النواة (nucleus sampling)، فيقتصر في الاختيار على أصغر مجموعة من الوحدات اللغوية الأعلى احتمالاً التي يبلغ مجموع احتمالاتها p، مستبعداً الوحدات قليلة الاحتمال في ذيل التوزيع.

تناسب الإعدادات المنخفضة مهام الاستخراج والتصنيف والمهام القائمة على الحقائق، بينما تناسب الإعدادات المرتفعة العصف الذهني والمسودات الإبداعية. وحتى عند درجة حرارة 0، لا يُضمن أن تكون المخرجات متطابقة بين تشغيل وآخر.

حتى سبتمبر 2026، تقيّد بعض النماذج الأحدث هذه الإعدادات أو لم تعد تقبلها، ويوصي بعض المزوّدين بإبقاء القيم الافتراضية لنماذج معيّنة. لذا راجع الوثائق الحالية للنموذج الذي تستخدمه.

A multimodal model converts each input type into tokens it can process together. Images, for example, are cut into small patches that become visual tokens, and video may be sampled as frames plus an audio track. This lets one AI assistant extract details from a scanned invoice, describe a chart or answer questions about a recorded meeting.

Early work such as CLIP (2021) showed that training on image-caption pairs from the web can link pictures and language without hand-labeled categories. As of September 2026, which inputs and outputs are available varies by product, plan, region and organization, and can change; some models process images but cannot create them.

Limits are real: small or blurry text, counting, precise positions and fast motion can all produce errors, and some providers state that their models cannot reliably tell whether an image is AI-generated.

يحوّل النموذج متعدد الوسائط كل نوع من المدخلات إلى وحدات يمكنه معالجتها معاً، على غرار الوحدات اللغوية (tokens) في النصوص. فالصور مثلاً تُقسَّم إلى أجزاء صغيرة تصبح وحدات بصرية، وقد يُعالَج الفيديو على هيئة عينة من الإطارات مع المسار الصوتي. وهذا ما يتيح لمساعد ذكي واحد استخراج التفاصيل من فاتورة ممسوحة ضوئياً، أو وصف رسم بياني، أو الإجابة عن أسئلة حول اجتماع مسجّل.

وقد أظهرت أعمال مبكرة مثل CLIP (2021) أن التدريب على أزواج من الصور ونصوصها الوصفية المأخوذة من الإنترنت يمكن أن يربط بين الصور واللغة دون فئات موسومة يدوياً. وحتى سبتمبر 2026، تختلف المدخلات والمخرجات المتاحة حسب المنتج والخطة والمنطقة والجهة، وقد تتغيّر؛ فبعض النماذج تعالج الصور لكنها لا تستطيع إنشاءها.

لكن لهذه النماذج حدوداً فعلية: فالنصوص الصغيرة أو غير الواضحة، والعدّ، وتحديد المواقع بدقة، والحركة السريعة قد تؤدي جميعها إلى أخطاء، كما يذكر بعض المزوّدين أن نماذجهم لا تستطيع التمييز بموثوقية بين الصور المولَّدة بالذكاء الاصطناعي وغيرها.

Research in 2022 showed that prompting large models to generate intermediate steps, called chain of thought, improved results on arithmetic, commonsense and symbolic reasoning tasks. Reasoning models build this in: training, often reinforcement learning on problems with checkable answers, encourages longer intermediate reasoning before the final output.

These reasoning tokens usually count toward the context window and are billed as output tokens, even when they are not shown to the user. As of September 2026, many services let you set an effort level to trade quality against speed and cost; options vary by product and can change.

The visible reasoning is not a reliable record of how the answer was produced: a 2025 study found models often did not mention hints they had actually used. Treat it as a helpful trace, not as proof.

أظهرت أبحاث نُشرت عام 2022 أن توجيه النماذج الكبيرة عبر الأوامر (prompts) إلى توليد خطوات وسيطة، وهو ما يُسمّى سلسلة الاستدلال المنطقي (chain of thought)، حسّن النتائج في مهام الاستدلال المنطقي الحسابية والرمزية وتلك القائمة على الحس السليم. وتدمج نماذج الاستدلال المنطقي هذا الأسلوب في طريقة عملها؛ إذ يشجّع التدريب، الذي يعتمد غالباً على التعلّم المعزّز (reinforcement learning) باستخدام مسائل يمكن التحقق من إجاباتها، على توليد استدلال منطقي وسيط أطول قبل المخرجات النهائية.

وتُحتسب الوحدات اللغوية التي يستهلكها الاستدلال المنطقي عادةً ضمن نافذة السياق (context window)، وتُحسب تكلفتها بوصفها وحدات لغوية في المخرجات (output tokens)، حتى عندما لا تُعرض للمستخدم. وحتى سبتمبر 2026، تتيح خدمات كثيرة ضبط مستوى جهد الاستدلال المنطقي (reasoning effort) للموازنة بين الجودة من جهة والسرعة والتكلفة من جهة أخرى؛ وتختلف الخيارات حسب المنتج، وقد تتغيّر.

والاستدلال المنطقي الظاهر ليس سجلاً موثوقاً لكيفية إنتاج الإجابة: فقد وجدت دراسة صدرت عام 2025 أن النماذج كثيراً ما أغفلت ذكر تلميحات استخدمتها فعلاً. لذا تعامل معه على أنه مؤشر مفيد، لا على أنه إثبات.

A closed model is usually offered as a service: you send inputs and receive outputs, while the parameters stay with the provider. An open-weight model publishes those parameters, the numerical values adjusted during training, so you can run, inspect and fine-tune it on your own hardware or a cloud you choose.

"Open" is not one thing. The Open Source Initiative's definition (version 1.0, October 2024) requires the freedom to use, study, modify and share, plus the complete code used to train and run the system, the parameters and detailed information about the training data. Many downloadable models publish weights only, under custom licenses: Llama 3.1's license, for example, requires licensees whose products had more than 700 million monthly active users on its release date to request a separate license from Meta.

Neither option is simply better. Open weights give control over data, cost and versions; closed services handle hosting, but a provider can retire a model on its own schedule. As of September 2026, license terms still differ between model families, so read each one.

يُقدَّم النموذج المغلق عادةً في صورة خدمة: ترسل المدخلات وتتلقى المخرجات، بينما تبقى المعاملات (parameters) لدى المزوّد. أما النموذج مفتوح الأوزان فتُنشر معاملاته، أي القيم العددية التي تُضبط أثناء التدريب، فيمكنك تشغيله وفحصه وضبطه ضبطاً دقيقاً (fine-tuning) على عتادك الخاص أو على سحابة تختارها.

وكلمة «مفتوح» لا تعني شيئاً واحداً. فتعريف الذكاء الاصطناعي مفتوح المصدر (open source) الصادر عن منظمة Open Source Initiative (OSI)، في إصداره 1.0 (أكتوبر 2024)، يشترط حرية استخدام النظام ودراسته وتعديله ومشاركته، إضافةً إلى الشيفرة الكاملة المستخدمة لتدريبه وتشغيله، والمعاملات، ومعلومات مفصّلة عن بيانات التدريب. لكنّ كثيراً من النماذج القابلة للتنزيل لا يُنشر منها سوى الأوزان (weights)، وبتراخيص خاصة بها: فرخصة Llama 3.1 مثلاً تشترط على كل مرخَّص له كان عدد المستخدمين النشطين شهرياً لمنتجاته يتجاوز 700 مليون مستخدم في تاريخ إصدار Llama 3.1 أن يطلب ترخيصاً منفصلاً من Meta.

ولا يتفوّق أيٌّ من الخيارين على الآخر بإطلاق. فالأوزان المفتوحة تمنحك التحكم في البيانات والتكلفة والإصدارات، أما الخدمات المغلقة فتتولى الاستضافة عنك، لكن المزوّد قد يوقف العمل بنموذج ما وفق جدوله الزمني الخاص. وحتى سبتمبر 2026، ما زالت شروط التراخيص تختلف من عائلة نماذج إلى أخرى، لذا اقرأ كل ترخيص على حدة.

Many models are distributed at 16-bit precision, so each parameter takes two bytes: an 8-billion-parameter model needs about 16 GB for its weights alone. Quantization re-encodes those values at 8, 4 or fewer bits, bringing the same weights to roughly 8 GB or 4 GB, plus some overhead.

Generating each token requires reading the weights from memory, so smaller weights also mean less data to move, which often speeds up generation. Methods differ: some quantize on the fly when loading, others such as GPTQ use a small calibration dataset, and llama.cpp's GGUF files run on CPUs, Apple Silicon and many GPUs.

The trade-off is accuracy. The GPTQ authors reported negligible loss at 3 to 4 bits on very large models, but results vary by model, method, language and task, and very low bit widths carry more risk. Quantizing the weights alone does not shrink the memory needed for context.

تُوزَّع نماذج كثيرة بدقة عددية (precision) قدرها 16 بت، أي أن كل معامل (parameter) يشغل بايتين: فنموذج بحجم 8 مليارات معامل يحتاج إلى نحو 16 GB لأوزانه (weights) وحدها. ويعيد التكميم ترميز هذه القيم بـ8 أو 4 بتات أو أقل، فينخفض حجم الأوزان نفسها إلى نحو 8 GB أو 4 GB، يُضاف إليها بعض الحجم الإضافي.

يتطلب توليد كل وحدة لغوية (token) قراءة الأوزان من الذاكرة، لذا فالأوزان الأصغر تعني أيضاً بيانات أقل تحتاج إلى النقل، وهذا يسرّع التوليد في كثير من الأحيان. وتختلف الطرق: فبعضها يكمّم الأوزان مباشرةً أثناء التحميل، وبعضها الآخر، مثل GPTQ، يستخدم مجموعة بيانات صغيرة للمعايرة، أما ملفات GGUF الخاصة بـllama.cpp فتعمل على المعالجات المركزية (CPU) وشرائح Apple Silicon وكثير من وحدات معالجة الرسوميات (GPU).

والثمن هو الدقة. فقد أفاد مؤلفو GPTQ بتراجع في الدقة لا يكاد يُذكر عند 3 إلى 4 بتات في النماذج الكبيرة جداً، لكن النتائج تختلف باختلاف النموذج والطريقة واللغة والمهمة، وتنطوي الأعداد المنخفضة جداً من البتات على مخاطر أكبر. كما أن تكميم الأوزان وحده لا يقلّص الذاكرة التي يحتاجها السياق.

In a dense model, every parameter is used for every token. In a mixture-of-experts (MoE) model, some layers contain many parallel sub-networks called experts, and a small router selects a few of them for each token. Mixtral 8x7B, for example, has 8 experts per layer and uses 2 per token: about 47 billion parameters in total, 13 billion active.

This lets developers build models with very large total parameter counts while keeping computation per token closer to that of a much smaller model. DeepSeek-V3 reports 671 billion total parameters and 37 billion activated per token.

The catch is memory. Any token may be routed to any expert, so all experts must be loaded: total parameters set the memory requirement, while active parameters indicate compute per token. Experts are also not topic specialists: Mixtral's authors found routing patterns linked more to syntax than to subject.

في النموذج الكثيف (dense model)، يُستخدم كل معامل (parameter) في معالجة كل وحدة لغوية. أما في نموذج مزيج الخبراء (MoE)، فتحتوي بعض الطبقات على شبكات فرعية متوازية كثيرة تُسمّى «الخبراء» (experts)، ويختار موجِّه (router) صغير عدداً قليلاً منها لكل وحدة لغوية. فنموذج Mixtral 8x7B مثلاً يضم 8 خبراء في كل طبقة ويستخدم اثنين منهم لكل وحدة لغوية: إجمالي معاملاته نحو 47 ملياراً، والمعاملات النشطة (active parameters) منها نحو 13 ملياراً.

يتيح ذلك للمطوّرين بناء نماذج ذات عدد إجمالي ضخم جداً من المعاملات، مع إبقاء الحوسبة لكل وحدة لغوية أقرب إلى ما يحتاجه نموذج أصغر بكثير. ويذكر التقرير التقني لنموذج DeepSeek-V3 أن إجمالي معاملاته 671 مليار معامل، يُفعَّل منها 37 ملياراً لكل وحدة لغوية.

غير أن العقبة تكمن في الذاكرة. فأي وحدة لغوية قد تُوجَّه إلى أي خبير، لذا يجب تحميل جميع الخبراء: إجمالي المعاملات هو ما يحدّد الذاكرة المطلوبة، بينما تدلّ المعاملات النشطة على حجم الحوسبة لكل وحدة لغوية. كما أن الخبراء ليسوا متخصصين في مواضيع بعينها: فقد وجد مؤلفو Mixtral أن أنماط التوجيه ترتبط بالتركيب النحوي أكثر من ارتباطها بالموضوع.

Fine-tuning adjusts a model's parameters using a set of example inputs and desired outputs. Full fine-tuning updates every parameter and needs a lot of GPU memory. Parameter-efficient fine-tuning (PEFT) methods such as LoRA freeze the original weights and train small added matrices; the LoRA authors reported 10,000 times fewer trainable parameters than full fine-tuning of GPT-3 175B. QLoRA adds 4-bit quantization and fine-tuned a 65-billion-parameter model on a single 48 GB GPU.

Fine-tuning is good at making behavior consistent: a fixed output format, a house tone, a narrow classification task. It is a poor fit for facts that change, such as prices or policies, since each change would need retraining; retrieval (RAG) keeps those current and traceable. OpenAI's guidance suggests starting with prompt engineering and an evaluation set, adding RAG for missing context, and fine-tuning for consistency problems.

As of September 2026, which models can be fine-tuned, and how, varies by product, plan, region and organization, and can change.

في الضبط الدقيق تُعدَّل معاملات (parameters) النموذج باستخدام مجموعة من الأمثلة، يضم كل منها مُدخلاً والمُخرج المطلوب له. ويحدّث الضبط الدقيق الكامل جميع المعاملات، ويحتاج إلى قدر كبير من ذاكرة وحدة معالجة الرسوميات (GPU). أما طرق الضبط الدقيق الموفّر للمعاملات (PEFT)، مثل LoRA، فتُبقي الأوزان الأصلية ثابتة وتدرّب مصفوفات صغيرة مُضافة؛ وقد أفاد مؤلفو LoRA بأن عدد المعاملات القابلة للتدريب أقل بـ10 آلاف مرة مقارنةً بالضبط الدقيق الكامل لنموذج GPT-3 175B. وتضيف طريقة QLoRA التكميم (quantization) بدقة 4 بت، وقد ضُبط بها نموذج بحجم 65 مليار معامل ضبطاً دقيقاً على وحدة GPU واحدة بذاكرة سعتها 48 GB.

يُجدي الضبط الدقيق في جعل السلوك متّسقاً: صيغة مخرجات ثابتة، أو نبرة خاصة بالمؤسسة، أو مهمة تصنيف محدودة النطاق. لكنه لا يناسب المعلومات المتغيّرة، كالأسعار أو السياسات، لأن كل تغيير سيتطلب إعادة التدريب؛ أما التوليد المعزّز بالاسترجاع (RAG) فيُبقي هذه المعلومات محدَّثة ويتيح تتبّع مصادرها. وتقترح إرشادات OpenAI البدء بهندسة الأوامر (prompt engineering) ومجموعة تقييم (eval set)، ثم إضافة RAG لتوفير السياق الناقص، واللجوء إلى الضبط الدقيق لمعالجة مشكلات الاتساق.

حتى سبتمبر 2026، تختلف النماذج القابلة للضبط الدقيق وطريقة ضبطها حسب المنتج والخطة والمنطقة والجهة، وقد تتغيّر.

Serving has two phases. Prefill processes the whole prompt in parallel and is limited mainly by compute. Decode then generates one token at a time and is limited mainly by memory bandwidth, because the model's data must be read from memory at each step. That is why a GPU's memory bandwidth, not only its compute, shapes how fast tokens appear.

To avoid recomputing earlier tokens, servers keep a key-value (KV) cache. It grows with context length and with the number of concurrent requests, and can take a large share of GPU memory. Engines such as vLLM manage it in pages to reduce waste; its authors reported 2 to 4 times higher throughput than earlier systems at similar latency.

Batching many requests raises total throughput, but each user may wait longer: as concurrency rises, total tokens per second increase while tokens per second per user fall. Continuous batching adds new requests as others finish, reducing idle time.

تمرّ خدمة الاستدلال بمرحلتين. في مرحلة المعالجة الأولية (prefill) يُعالَج الأمر (prompt) كله بالتوازي، وتحدّها قدرة الحوسبة بالدرجة الأولى. ثم تأتي مرحلة التوليد (decode) التي تُولَّد فيها وحدة لغوية (token) واحدة في كل مرة، ويحدّها عرض نطاق الذاكرة (memory bandwidth) بالدرجة الأولى، لأن بيانات النموذج يجب أن تُقرأ من الذاكرة في كل خطوة. ولهذا يؤثر عرض نطاق ذاكرة GPU، لا قدرتها الحوسبية وحدها، في سرعة ظهور الوحدات اللغوية.

ولتجنّب إعادة حساب الوحدات اللغوية السابقة، تحتفظ الخوادم بذاكرة مؤقتة للمفاتيح والقيم (key-value) تُسمّى ذاكرة KV المؤقتة (KV cache). وتكبر هذه الذاكرة مع طول السياق وعدد الطلبات المتزامنة، وقد تستهلك حصة كبيرة من ذاكرة GPU. وتديرها خوادم استدلال (inference servers) مثل vLLM على شكل صفحات لتقليل الهدر؛ وقد أفاد مؤلفو vLLM بأنه حقّق معدّل معالجة (throughput) يعادل ضعفَي إلى أربعة أضعاف ما حقّقته الأنظمة السابقة، عند زمن استجابة (latency) مماثل.

يرفع تجميع طلبات كثيرة على دفعات (batching) معدّلَ المعالجة الإجمالي، لكن كل مستخدم قد ينتظر وقتاً أطول: فمع ازدياد الطلبات المتزامنة، يرتفع إجمالي عدد الوحدات اللغوية المولَّدة في الثانية، بينما ينخفض عدد الوحدات اللغوية في الثانية لكل مستخدم. أما التجميع المستمر على دفعات (continuous batching) فيضيف طلبات جديدة كلما انتهت طلبات أخرى، مما يقلّل وقت الخمول.

Local AI means running an open-weight model on a laptop, workstation or your organization's own servers, using tools such as llama.cpp. Prompts need not leave your network, costs are mostly upfront, and the model changes only when you change it. The limits are your hardware's memory and speed: model size, quantization and context length decide what fits.

Cloud AI means sending requests to a provider's service or renting GPUs from one. You gain access to closed models, elastic capacity and managed updates, but data is processed under the provider's terms and locations. Some deployment types process prompts outside the region where data is stored, so where data is stored and where it is processed are separate questions.

In the UAE, Federal Decree-Law No. 45 of 2021 on personal data sets requirements, including for cross-border transfers; the DIFC and the health sector have their own rules. As of September 2026, cloud data options vary by product, plan, region and organization, and can change.

يعني الذكاء الاصطناعي المحلي تشغيل نموذج مفتوح الأوزان (open-weight) على حاسوب محمول أو محطة عمل أو على خوادم مؤسستك نفسها، باستخدام أدوات مثل llama.cpp. ولا حاجة إلى أن تغادر الأوامر (prompts) شبكتك، ومعظم التكاليف تُدفع مقدّماً، ولا يتغيّر النموذج إلا حين تغيّره أنت. أما القيود فهي ذاكرة عتادك وسرعته: فحجم النموذج والتكميم (quantization) وطول السياق هي التي تحدّد ما يتسع له العتاد.

أما الذكاء الاصطناعي السحابي فيعني إرسال الطلبات إلى خدمة يقدّمها مزوّد، أو استئجار وحدات معالجة الرسوميات (GPU) منه. وتحصل بذلك على نماذج مغلقة وسعة مرنة وتحديثات مُدارة، لكن البيانات تُعالَج وفق شروط المزوّد وفي مواقعه. وفي بعض أنواع النشر تُعالَج الأوامر خارج المنطقة التي تُحفظ فيها البيانات، لذا فمكان حفظ البيانات ومكان معالجتها سؤالان منفصلان.

وفي الإمارات، يضع المرسوم بقانون اتحادي رقم (45) لسنة 2021 بشأن حماية البيانات الشخصية متطلبات، منها ما يتعلق بنقل البيانات الشخصية عبر الحدود؛ ولمركز دبي المالي العالمي (DIFC) وللقطاع الصحي قواعدهما الخاصة. وحتى سبتمبر 2026، تختلف خيارات البيانات في الخدمات السحابية حسب المنتج والخطة والمنطقة والجهة، وقد تتغيّر.

A prompt is everything the model receives before it generates a response: the system instructions set by the application, the user's request, examples, and any documents or data. The model processes all of it as tokens and generates a continuation, so vague or missing context tends to produce generic or inconsistent output.

Guides from Anthropic and OpenAI recommend similar core techniques: state the task and constraints plainly, explain why a rule matters, show a few varied examples of the desired output, separate instructions from source material with clear labels or tags, and specify the output format.

Prompting is iterative engineering, not a one-off trick. Define what a good answer looks like, test the prompt on realistic inputs, and change one thing at a time. Some problems, such as cost or latency, can be easier to solve by choosing a different model than by rewording.

الأمر (prompt) هو كل ما يتلقّاه النموذج قبل أن يولّد ردّه: تعليمات النظام (system prompt) التي يضعها التطبيق، وطلب المستخدم، والأمثلة، وأي مستندات أو بيانات. يعالج النموذج ذلك كلّه بوصفه سلسلةً من الوحدات اللغوية (tokens)، ثم يولّد تكملةً لها، لذا يميل السياق الغامض أو الناقص إلى إنتاج مخرجات عامة أو غير متّسقة.

توصي أدلة Anthropic وOpenAI بتقنيات أساسية متشابهة: اذكر المهمة وقيودها بوضوح، واشرح سبب أهمية كل قاعدة، واعرض بضعة أمثلة متنوّعة على المخرجات المطلوبة، وافصل التعليمات عن المواد المصدرية بعناوين أو وسوم (tags) واضحة، وحدّد تنسيق المخرجات.

صياغة الأوامر عمل هندسي تكراري، لا حيلة تُستخدم مرة واحدة. حدّد مواصفات الإجابة الجيدة، واختبر الأمر على مدخلات واقعية، وغيّر عنصراً واحداً في كل مرة. وقد يكون حلّ بعض المشكلات، مثل التكلفة أو زمن الاستجابة (latency)، باختيار نموذج آخر أسهل من إعادة صياغة الأمر.

A model's parameters encode patterns from training data that ends at a cutoff date and rarely includes your internal documents. RAG, named in a 2020 research paper by Lewis and colleagues, adds a retrieval step: documents are split into chunks and indexed, each question is used to search that index, and the best-matching chunks are inserted into the prompt with instructions to answer from them.

This lets an organization change what an AI assistant can draw on by updating documents rather than retraining, and lets answers cite their sources. Quality depends heavily on retrieval: if the right passage is not found, the model may generate a fluent but unsupported answer.

Common production improvements include combining keyword and vector search (hybrid search), reranking results, adding document context to each chunk, and filtering results by each user's access rights.

تعبّر معاملات النموذج (parameters) عن أنماط مستخلصة من بيانات تدريب تتوقّف عند تاريخ انقطاع معيّن، ونادراً ما تشمل مستنداتك الداخلية. ويضيف أسلوب RAG، الذي سُمّي بهذا الاسم في ورقة بحثية نشرها لويس (Lewis) وزملاؤه عام 2020، خطوة استرجاع: تُقسَّم المستندات إلى مقاطع (chunks) وتُفهرَس، ثم يُستخدم كل سؤال للبحث في هذا الفهرس، وتُدرج المقاطع الأكثر تطابقاً في الأمر مع تعليمات بالإجابة استناداً إليها.

يتيح ذلك للمؤسسة تغيير ما يمكن أن يستند إليه المساعد الذكي بتحديث المستندات بدلاً من إعادة التدريب، كما يتيح للإجابات أن تذكر مصادرها. وتعتمد الجودة اعتماداً كبيراً على الاسترجاع: فإذا لم يُعثر على المقطع الصحيح، فقد يولّد النموذج إجابة سلسة لكنها غير مدعومة بالمصادر.

ومن التحسينات الشائعة في بيئات الإنتاج: الجمع بين البحث بالكلمات المفتاحية (keyword search) والبحث المتجهي (vector search)، أي البحث الهجين (hybrid search)، وإعادة ترتيب النتائج (reranking)، وإضافة سياق المستند إلى كل مقطع، وتصفية النتائج حسب صلاحيات الوصول الممنوحة لكل مستخدم.

An embedding model turns each piece of content into a vector, a list of numbers positioned so that related content lands close together. A query is embedded with the same model, and the search engine returns the nearest vectors using a similarity metric such as cosine similarity. This can match "car hire" to "vehicle rental", or an English query to an Arabic passage when the embedding model supports both languages.

Comparing a query with every stored vector (exact search) becomes slow at scale, so large systems commonly use approximate nearest neighbor (ANN) indexes such as HNSW, which trade some accuracy for much faster retrieval and can be tuned for recall, latency and memory.

Vector search can miss exact identifiers, such as invoice numbers or product codes, which is why it is often paired with keyword search in hybrid systems.

يحوّل نموذج التضمين (embedding model) كل جزء من المحتوى إلى متجه (vector)، أي قائمة من الأرقام تُحسب بحيث يقع المحتوى المتقارب في المعنى بعضه قرب بعض. ويُحوَّل الاستعلام إلى تضمين بالنموذج نفسه، ثم يعيد محرّك البحث أقرب المتجهات إليه باستخدام مقياس للتشابه مثل تشابه جيب التمام (cosine similarity). وبهذا يمكن مطابقة «تأجير سيارات» مع «استئجار مركبات»، أو مطابقة استعلام بالإنجليزية مع مقطع بالعربية إذا كان نموذج التضمين يدعم اللغتين.

تصبح مقارنة الاستعلام بكل متجه مخزَّن، أي البحث الدقيق (exact search)، بطيئة مع ازدياد حجم البيانات، لذا تستخدم الأنظمة الكبيرة عادةً فهارس البحث التقريبي عن أقرب الجيران (ANN) مثل HNSW، التي تتنازل عن قدر من الدقة مقابل استرجاع أسرع بكثير، ويمكن ضبطها بما يوازن بين نسبة الاستدعاء (recall) وزمن الاستجابة (latency) والذاكرة.

وقد يُغفل البحث المتجهي المعرّفات الحرفية، مثل أرقام الفواتير أو أكواد المنتجات، ولهذا يُقرن غالباً بالبحث بالكلمات المفتاحية (keyword search) في أنظمة هجينة.

The developer describes each tool with a name, a plain-language description and a JSON Schema for its inputs. When a request calls for it, the model outputs a tool call: the tool name plus arguments. The model does not run anything itself. The application, or the provider for some hosted tools, executes the call and returns the result, which the model uses to continue or produce a final answer.

This is how AI assistants check live data, run calculations and take actions in other systems. It is also the foundation of AI agents, which repeat this loop over many steps.

Because tools turn generated text into real actions, the design of each tool and the permissions behind it matter as much as the model. The MCP specification, for example, says there should always be a human in the loop with the ability to deny tool invocations.

يصف المطوّر كل أداة باسم، ووصف بلغة بسيطة، ومخطط JSON (JSON Schema) لمدخلاتها. وعندما يتطلّب الطلب ذلك، يولّد النموذج طلب استدعاء أداة (tool call): اسم الأداة مع الوسائط (arguments). ولا يشغّل النموذج أي شيء بنفسه؛ بل ينفّذ التطبيق الاستدعاء، أو المزوّد في حالة بعض الأدوات التي يستضيفها، ثم يعيد النتيجة، فيستخدمها النموذج لمواصلة العمل أو لإنتاج إجابة نهائية.

بهذه الطريقة تتحقّق المساعدات الذكية من البيانات الآنية، وتُجري العمليات الحسابية، وتنفّذ إجراءات في أنظمة أخرى. وهذه الآلية هي أيضاً أساس وكلاء الذكاء الاصطناعي (AI agents)، إذ يكرّر الوكيل هذه الحلقة عبر خطوات كثيرة.

ولأن الأدوات تحوّل النص المولَّد إلى إجراءات حقيقية، فإن تصميم كل أداة والأذونات (permissions) المرتبطة بها لا يقلّان أهمية عن النموذج نفسه. فمواصفات بروتوكول سياق النموذج (MCP)، مثلاً، تنصّ على أنه ينبغي أن يوجد دائماً إنسان ضمن الحلقة (human-in-the-loop) قادر على رفض استدعاءات الأدوات.

Anthropic introduced MCP in November 2024 to replace one-off connections between each AI application and each data source. An MCP server exposes capabilities: tools the model can call, resources such as files or records, and reusable prompt templates. A host application, such as an AI assistant or coding tool, connects to servers through MCP clients using JSON-RPC messages.

As of September 2026, MCP is supported across many AI assistants and developer tools, though available features vary by product, plan, region and organization, and can change. In December 2025 Anthropic donated MCP to the Agentic AI Foundation, a directed fund under the Linux Foundation; technical decisions remain with the project's maintainers, guided by a public proposal process. The latest specification is dated 28 July 2026.

MCP standardizes the connection, not the trust. The specification describes tools as arbitrary code execution and says hosts must obtain explicit user consent before invoking tools or sharing user data with servers.

طرحت Anthropic بروتوكول MCP في نوفمبر 2024 ليحلّ محل عمليات الربط المخصّصة التي كانت تُبنى بين كل تطبيق ذكاء اصطناعي وكل مصدر بيانات على حدة. ويتيح خادم MCP إمكانات هي: أدوات (tools) يمكن للنموذج استدعاؤها، وموارد (resources) مثل الملفات أو السجلات، وقوالب أوامر (prompts) قابلة لإعادة الاستخدام. ويتصل التطبيق المضيف (host)، كالمساعد الذكي أو أداة البرمجة، بالخوادم عبر عملاء MCP (MCP clients) باستخدام رسائل JSON-RPC.

حتى سبتمبر 2026، يحظى MCP بدعم كثير من المساعدات الذكية وأدوات المطوّرين، وإن كانت الميزات المتاحة تختلف حسب المنتج والخطة والمنطقة والجهة، وقد تتغيّر. وفي ديسمبر 2025 تبرّعت Anthropic ببروتوكول MCP لـAgentic AI Foundation، وهي صندوق موجَّه (directed fund) تابع لـLinux Foundation؛ وتبقى القرارات التقنية بيد المشرفين على صيانة المشروع، مسترشدين بعملية علنية لتقديم المقترحات. ويحمل أحدث إصدار من المواصفات تاريخ 28 يوليو 2026.

يوحّد MCP طريقة الاتصال، لا الثقة. فالمواصفات تصف الأدوات بأنها تنفيذ لأي شيفرة برمجية كانت (arbitrary code execution)، وتنصّ على أنه يجب على التطبيقات المضيفة الحصول على موافقة صريحة من المستخدم قبل استدعاء الأدوات أو مشاركة بيانات المستخدم مع الخوادم.

Asking for JSON in the prompt usually works, but models can occasionally produce malformed output or omit a required field, which breaks downstream code. As of September 2026, API providers including Anthropic and OpenAI offer a stricter mode: the developer supplies a JSON Schema, and the provider constrains token generation so the output conforms to it. The same approach can make tool-call arguments match the tool's schema.

This is valuable wherever AI output feeds another system: extracting fields from invoices, classifying support tickets or filling forms. The schema also documents the contract between the model and your code.

The guarantee covers shape, not truth: a field can be perfectly formatted and still hold a wrong value. Output can also fall outside the schema when the model declines a request or hits the output-length limit, and not every JSON Schema feature is supported. Availability and details vary by provider, model, platform and plan, and can change.

طلب JSON في الأمر (prompt) ينجح عادةً، لكن النماذج قد تُنتج أحياناً مخرجات غير سليمة البنية أو تُغفل حقلاً مطلوباً، فتتعطّل الشيفرة البرمجية التي تعالجها لاحقاً. وحتى سبتمبر 2026، يوفّر مزوّدو واجهات برمجة التطبيقات (API)، ومنهم Anthropic وOpenAI، وضعاً أكثر صرامة: يقدّم المطوّر مخطط JSON (JSON Schema)، ويقيّد المزوّد توليد الوحدات اللغوية (tokens) بحيث تأتي المخرجات مطابقةً للمخطط. ويمكن للأسلوب نفسه أن يجعل الوسائط (arguments) في استدعاء الأداة مطابقة لمخطط الأداة.

وتبرز قيمة ذلك حيثما تُغذّي مخرجات الذكاء الاصطناعي نظاماً آخر: كاستخراج الحقول من الفواتير، أو تصنيف تذاكر الدعم، أو تعبئة الاستمارات. كما يوثّق المخطط العقد البرمجي بين النموذج وشيفرتك.

لكن الضمان يشمل الشكل لا الصحة: فقد يكون الحقل منسّقاً تنسيقاً سليماً تماماً ومع ذلك يحمل قيمة خاطئة. وقد تخرج المخرجات أيضاً عن المخطط عندما يكون الرد رفضاً للطلب أو عندما يبلغ الحد الأقصى لطول المخرجات، كما أن ميزات مخطط JSON ليست كلها مدعومة. ويختلف التوفّر والتفاصيل حسب المزوّد والنموذج والمنصة والخطة، وقد تتغيّر.

Model outputs vary between runs and change when prompts, models or data change, so impressions from a few manual tries are unreliable. An eval defines tasks (inputs with success criteria), runs the system on them, often several times each, and scores the results with graders.

Graders come in three kinds. Code-based checks, such as exact match or schema validation, are fast and reproducible but brittle. Model-based graders, where another model scores outputs against a rubric, handle nuance but need calibration against human judgment. Human review is the reference standard but slow and costly.

Teams typically keep two sets: capability evals that probe what the system cannot yet do well, and regression evals that should keep passing after every change. Public benchmarks are useful signals, but they rarely reflect your own documents, languages and users.

تتفاوت مخرجات النماذج من تشغيل إلى آخر، وتتغيّر عند تغيّر الأوامر أو النماذج أو البيانات، لذا فإن الانطباعات المستخلصة من بضع تجارب يدوية لا يُعتمد عليها. ويحدّد التقييم مهاماً (مدخلات مع معايير للنجاح)، ويشغّل النظام عليها، وغالباً عدة مرات لكل مهمة، ثم يمنح النتائج درجات باستخدام مُقيِّمين (graders).

وللمُقيِّمين ثلاثة أنواع. الفحوص البرمجية، مثل المطابقة التامة أو التحقّق من المخطط، سريعة ونتائجها قابلة للتكرار لكنها هشّة. أما المُقيِّم القائم على نموذج، وفيه يمنح نموذج آخر المخرجات درجات وفق سُلّم تقييم (rubric)، فيتعامل مع الفروق الدقيقة لكنه يحتاج إلى معايرة مقارنةً بالحكم البشري. وتبقى المراجعة البشرية المعيار المرجعي، لكنها بطيئة ومكلفة.

وتحتفظ الفرق عادةً بمجموعتين: تقييمات القدرات التي تستكشف ما لا يؤديه النظام جيداً بعد، وتقييمات تراجع الأداء التي ينبغي أن تظل نتائجها ناجحة بعد كل تغيير. والاختبارات المعيارية العامة (public benchmarks) مؤشرات مفيدة، لكنها نادراً ما تعكس مستنداتك ولغاتك ومستخدميك.

A single model call produces one reply per request. An agent runs in a loop: the model receives a goal, generates a next step, and requests a tool call, such as a search, a database query or running code. The surrounding software executes the call and returns the result, and the loop repeats until the model produces a final answer or a limit is reached. Anthropic distinguishes workflows, where code fixes the steps in advance, from agents, where the model directs its own process and tool use.

Three examples: a coding agent that edits files, runs the tests and revises until they pass; a research agent that runs many searches, reads sources and writes a cited summary; and a customer-service agent that looks up orders and issues refunds only up to a set limit, escalating larger cases to staff.

Agents suit open-ended tasks where the number of steps is hard to predict. The trade-offs are higher cost and latency, and errors that can compound across steps, so autonomy should match the stakes.

الاستدعاء الواحد للنموذج يُنتج ردّاً واحداً على كل طلب. أما الوكيل فيعمل ضمن حلقة متكررة: يتلقى النموذج هدفاً، فيولّد الخطوة التالية ويطلب استدعاء أداة، مثل إجراء بحث أو استعلام من قاعدة بيانات أو تشغيل شيفرة برمجية. ينفّذ البرنامج المحيط بالنموذج هذا الاستدعاء ويعيد النتيجة، وتتكرر الحلقة إلى أن يُنتج النموذج إجابة نهائية أو يصل التشغيل إلى أحد الحدود الموضوعة. وتميّز Anthropic بين نمطين: نمط سير العمل (workflows)، وفيه تحدّد الشيفرة البرمجية الخطوات مسبقاً؛ ونمط الوكلاء (agents)، وفيه يوجّه النموذج مساره واستخدامه للأدوات بنفسه.

ثلاثة أمثلة: وكيل برمجة يعدّل الملفات ويشغّل الاختبارات ويكرّر التعديل حتى تنجح؛ ووكيل بحث يُجري عمليات بحث كثيرة ويقرأ المصادر ويكتب ملخصاً يُحيل إلى مصادره؛ ووكيل خدمة عملاء يستعلم عن الطلبات، ولا يُجري عمليات استرداد المبالغ إلا ضمن حدّ مقرَّر، ويُحيل الحالات الأكبر إلى الموظفين.

الوكلاء أنسب للمهام المفتوحة التي يصعب فيها التنبؤ بعدد الخطوات. لكنّ لذلك ثمناً: تكلفة أعلى، وزمن استجابة (latency) أطول، وأخطاء قد تتراكم من خطوة إلى أخرى؛ لذا ينبغي أن يتناسب مستوى الاستقلالية (autonomy) مع حجم العواقب المحتملة.

A model only generates outputs; it cannot open a file or send a request by itself. The harness does the rest. It assembles the instructions and tool definitions, sends them with the conversation, executes each tool call the model requests, returns the results and repeats. It also enforces permissions and budgets, handles errors and retries, and records what happened.

On long tasks, context management becomes central. The harness controls what stays in the context window: it can compact old history into summaries, keep progress notes and files outside the context, or hand subtasks to subagents that return short results. In November 2025, Anthropic reported that progress files, git history and end-to-end tests helped its coding agents continue work across many context windows.

As of September 2026, examples include coding tools such as Claude Code and agent SDKs such as the Claude Agent SDK and OpenAI Agents SDK. Harness changes alone, like better tool descriptions or verification steps, can change results substantially, so evaluate the whole system.

النموذج يولّد المخرجات فقط؛ ولا يستطيع أن يفتح ملفاً أو يرسل طلباً بنفسه. وتتولى منظومة التشغيل بقية العمل: تجمع التعليمات وتعريفات الأدوات (tool definitions)، وترسلها مع المحادثة، وتنفّذ كل استدعاء أداة (tool call) يطلبه النموذج، ثم تعيد النتائج وتكرّر الدورة. كما تطبّق الأذونات وحدود الميزانية، وتعالج الأخطاء وتعيد المحاولة، وتسجّل ما جرى.

في المهام الطويلة تصبح إدارة السياق محوراً أساسياً. فمنظومة التشغيل تتحكم فيما يبقى داخل نافذة السياق (context window): يمكنها ضغط السجل القديم للمحادثة وتحويله إلى ملخصات، أو حفظ ملاحظات التقدّم والملفات خارج السياق، أو إسناد مهام فرعية إلى وكلاء فرعيين (subagents) يعيدون نتائج مختصرة. وفي نوفمبر 2025، أفادت Anthropic بأن ملفات التقدّم وسجل git والاختبارات الشاملة من البداية إلى النهاية (end-to-end tests) ساعدت وكلاء البرمجة لديها على مواصلة العمل عبر نوافذ سياق كثيرة.

حتى سبتمبر 2026، تشمل الأمثلة أدوات برمجة مثل Claude Code، وحزم تطوير البرمجيات (SDK) المخصّصة للوكلاء مثل Claude Agent SDK وOpenAI Agents SDK. وقد تغيّر التعديلات على منظومة التشغيل وحدها، مثل تحسين أوصاف الأدوات أو إضافة خطوات للتحقق، النتائجَ تغييراً كبيراً؛ لذا قيّم النظام بأكمله.

Common patterns are orchestrator–worker, where a lead agent plans and launches subagents that work in parallel, and handoffs, where control passes to a specialist agent that then responds directly. In orchestrator–worker designs, each subagent usually has its own separate context, explores one direction and returns a condensed summary; a handoff specialist typically receives the conversation so far.

In June 2025, Anthropic reported that its multi-agent research system outperformed a single agent on its internal research evaluation, especially for broad questions with independent threads. It also reported about 15 times the token use of ordinary chat, and described tasks with tightly shared context or many dependencies, including most coding tasks at the time, as a poor fit.

A 2025 study of seven multi-agent frameworks grouped failures into system design issues, misalignment between agents, and weak verification of results. Each extra agent adds a handoff where errors can spread.

من الأنماط الشائعة نمط المنسِّق والعاملين (orchestrator–worker)، وفيه يولّد وكيل رئيسي خطة ثم يُطلق وكلاء فرعيين (subagents) يعملون بالتوازي؛ ونمط التسليم (handoffs)، وفيه ينتقل التحكم إلى وكيل متخصص يتولى الرد مباشرة. وفي تصميمات المنسِّق والعاملين، يكون لكل وكيل فرعي عادةً سياقه المستقل، فيبحث في اتجاه واحد ويعيد ملخصاً مكثّفاً؛ أما الوكيل المتخصص في نمط التسليم فيتلقى عادةً المحادثة كما جرت حتى تلك اللحظة.

في يونيو 2025، أفادت Anthropic بأن نظامها البحثي متعدد الوكلاء تفوّق على وكيل واحد في تقييمها الداخلي للبحث، ولا سيما في الأسئلة الواسعة ذات المسارات المستقلة. وأفادت أيضاً بأن ما يستهلكه من الوحدات اللغوية (tokens) بلغ نحو 15 ضعفاً مما تستهلكه المحادثة العادية، ووصفت المهام التي تتطلب سياقاً مشتركاً وثيق الترابط أو تكثر فيها الاعتمادات المتبادلة بين أجزائها، ومنها معظم مهام البرمجة آنذاك، بأنها غير مناسبة لهذا النهج.

صنّفت دراسة أُجريت عام 2025 الإخفاقاتِ في سبعة أُطر عمل (frameworks) للأنظمة متعددة الوكلاء إلى مشكلات في تصميم النظام، وعدم التوافق بين الوكلاء، وضعف التحقق من النتائج. ومع كل وكيل إضافي تُضاف نقطة تسليم جديدة قد تنتشر عندها الأخطاء.

For agents, the key checkpoint comes before actions that are irreversible or high-impact: sending messages, making payments, deleting data, changing permissions or publishing. The harness pauses the run, shows the proposed action and its context, and continues only after a person approves, edits or rejects it. Agent SDKs support this by marking specific tools as requiring approval.

Approvals work best alongside least privilege: give the agent only the tools and access the task needs, so even an approved mistake has limited reach. OWASP lists excessive functionality, excessive permissions and excessive autonomy as root causes of harmful agent actions.

Oversight must be meaningful. People tend to over-rely on automated outputs, called automation bias, and clicking approve on every prompt protects no one. For high-risk AI systems, the EU AI Act requires designs that let human overseers interpret outputs, override them and stop the system.

في حالة الوكلاء، تأتي نقطة التحقق الأهم قبل الإجراءات التي لا يمكن التراجع عنها أو ذات الأثر الكبير: إرسال الرسائل، أو إجراء المدفوعات، أو حذف البيانات، أو تغيير الأذونات، أو النشر. فتوقف منظومة تشغيل الوكيل (agent harness) العملَ مؤقتاً، وتعرض الإجراء المقترح وسياقه، ولا تستأنف إلا بعد أن يوافق شخص عليه أو يعدّله أو يرفضه. وتدعم حزم تطوير البرمجيات (SDK) المخصّصة للوكلاء ذلك عبر تحديد أدوات معيّنة على أنها تتطلب موافقة.

تكون الموافقات أكثر فاعلية حين تقترن بمبدأ الحد الأدنى من الصلاحيات (least privilege): امنح الوكيل الأدوات وصلاحيات الوصول التي تحتاجها المهمة فقط، فيبقى أثر الخطأ محدوداً وإن حظي بالموافقة. ويعدّ المشروع العالمي المفتوح لأمن التطبيقات (OWASP) الوظائفَ المفرطة والأذونات المفرطة والاستقلالية المفرطة من الأسباب الجذرية للإجراءات الضارة التي ينفّذها الوكلاء.

ويجب أن يكون الإشراف البشري (human oversight) حقيقياً. فالناس يميلون إلى الإفراط في الاعتماد على المخرجات المؤتمتة، وهو ما يُعرف بتحيّز الأتمتة (automation bias)، والضغط على زر الموافقة عند كل طلب لا يحمي أحداً. وبالنسبة إلى أنظمة الذكاء الاصطناعي عالية المخاطر (high-risk AI systems)، يشترط قانون الذكاء الاصطناعي الأوروبي (EU AI Act)، أي اللائحة (EU) 2024/1689، تصميمات تمكّن الأشخاص المكلَّفين بالإشراف من تفسير المخرجات وتجاوزها وإيقاف النظام.

The loop is the same as for other agents, with the screen as the tool. The harness captures a screenshot, the model processes it and requests an action, such as clicking at given coordinates or typing text, and the harness performs it in a controlled environment. A new screenshot then shows the result. Browser agents are a common form.

This makes older or closed systems reachable, but it is slower and less predictable than calling an API, and every screenshot adds to token use. The larger risk is that anything on screen, such as a web page, email or document, can carry hidden instructions (prompt injection). Vendors report that their mitigations reduce these attacks but do not eliminate them.

As of September 2026, several vendors offer computer-use or browser agents; availability, supported applications and safeguards vary by product, plan, region and organization, and can change.

تعمل الحلقة هنا كما تعمل لدى سائر الوكلاء، لكن الشاشة هي الأداة. تلتقط منظومة تشغيل الوكيل (agent harness) صورة للشاشة، فيعالجها النموذج ويولّد طلباً بإجراء، مثل النقر عند إحداثيات محددة أو كتابة نص، ثم تنفّذ المنظومة الإجراء في بيئة خاضعة للتحكم. وبعد ذلك تُلتقط صورة جديدة للشاشة تُظهر النتيجة. ووكلاء المتصفح (browser agents) من الأشكال الشائعة لهذا النوع.

يتيح ذلك الوصول إلى الأنظمة القديمة أو المغلقة، لكنه أبطأ وأقل قابلية للتنبؤ من استدعاء API، وكل لقطة شاشة تزيد استهلاك الوحدات اللغوية (tokens). أما الخطر الأكبر فهو أن أي محتوى على الشاشة، مثل صفحة ويب أو رسالة بريد إلكتروني أو مستند، قد يحمل تعليمات مخفية، وهو ما يُعرف بحقن الأوامر (prompt injection). وتفيد الشركات المطوِّرة بأن إجراءات التخفيف التي تعتمدها تقلّل هذه الهجمات لكنها لا تقضي عليها.

حتى سبتمبر 2026، تقدّم عدة شركات وكلاء لاستخدام الحاسوب أو وكلاء للمتصفح؛ ويختلف توفّرها والتطبيقات التي تدعمها ووسائل الحماية فيها حسب المنتج والخطة والمنطقة والجهة، وقد تتغيّر.

AI risk management applies established risk practice, which considers both how likely a harm is and how severe it would be, to AI systems. The US NIST AI Risk Management Framework (AI RMF 1.0, January 2023), a voluntary reference, groups the work into four functions: Govern (culture, roles and policies), Map (context and intended use), Measure (testing and monitoring) and Manage (prioritizing, responding and recovering).

NIST's Generative AI Profile (NIST AI 600-1, July 2024) lists 12 risks that generative AI creates or worsens, including confabulation, data privacy, information security, harmful bias and information integrity. For application security, the OWASP Top 10 for LLM Applications, whose 2026 edition was released in August 2026, still ranks prompt injection first.

The functions are iterative: risk work continues after launch as models, data, users and threats change. As of September 2026, NIST says AI RMF 1.0 is being revised.

تطبّق إدارة مخاطر الذكاء الاصطناعي على أنظمة الذكاء الاصطناعي الممارساتِ الراسخة في إدارة المخاطر، التي تنظر في احتمال وقوع الضرر ومدى شدّته معاً. وقد أصدر المعهد الوطني للمعايير والتكنولوجيا في الولايات المتحدة (NIST) في يناير 2023 إطار عمل إدارة مخاطر الذكاء الاصطناعي (AI RMF 1.0)، وهو مرجع طوعي يقسّم هذا العمل إلى أربع وظائف: الحوكمة (Govern) وتشمل الثقافة والأدوار والسياسات، والتخطيط (Map) ويشمل السياق والاستخدام المقصود، والقياس (Measure) ويشمل الاختبار والرصد، والإدارة (Manage) وتشمل تحديد الأولويات والاستجابة والتعافي.

ويسرد ملف الذكاء الاصطناعي التوليدي (Generative AI Profile) الصادر عن NIST (الوثيقة NIST AI 600-1، يوليو 2024) 12 خطراً يُنشئها الذكاء الاصطناعي التوليدي أو يفاقمها، منها الهلوسة (hallucination) التي يسمّيها NIST (confabulation)، وخصوصية البيانات، وأمن المعلومات، والتحيّز الضار (harmful bias)، ونزاهة المعلومات (information integrity). وعلى صعيد أمن التطبيقات، ما زالت قائمة المشروع العالمي المفتوح لأمن التطبيقات (OWASP) لأهم 10 مخاطر في تطبيقات النماذج اللغوية الكبيرة (OWASP Top 10 for LLM Applications)، التي صدرت نسختها لعام 2026 في أغسطس 2026، تضع حقن الأوامر (prompt injection) في المرتبة الأولى.

وهذه الوظائف تُطبَّق بصورة متكررة؛ إذ تستمر إدارة المخاطر بعد الإطلاق مع تغيّر النماذج والبيانات والمستخدمين والتهديدات. وحتى سبتمبر 2026، يذكر NIST أن الإطار AI RMF 1.0 قيد المراجعة.

Language models process instructions and data as one stream of tokens, with no built-in boundary between them. Direct injection comes through the user's own input, such as a jailbreak attempt. Indirect injection hides instructions in content the system retrieves, such as an email, PDF, web page or tool output, which the user may never see.

Unlike SQL injection, there is no equivalent of parameterized queries. The UK NCSC says prompt injection will remain a residual risk that no product or appliance can fully mitigate. As of September 2026, OWASP states that no reliable prevention mechanism exists and still ranks prompt injection first in its 2026 list.

Risk grows with agency. An AI agent that can read private data, take in untrusted content and communicate externally has the conditions for serious harm. Defense is therefore architectural: limit what a manipulated model can reach and do.

تعالج النماذج اللغوية التعليماتِ والبياناتِ على أنها تدفّق واحد من الوحدات اللغوية (tokens)، دون حدّ فاصل مدمج بينهما. ويأتي الحقن المباشر عبر مدخلات المستخدم نفسه، مثل محاولة كسر القيود (jailbreak). أما حقن الأوامر غير المباشر (indirect prompt injection) فيُخفي التعليمات داخل محتوى يسترجعه النظام، مثل رسالة بريد إلكتروني أو ملف PDF أو صفحة ويب أو مخرجات أداة، وقد لا يراه المستخدم أبداً.

وعلى خلاف حقن استعلامات قواعد البيانات (SQL injection)، لا يوجد هنا ما يقابل الاستعلامات ذات المعاملات (parameterized queries). ويقول المركز الوطني للأمن السيبراني في المملكة المتحدة (NCSC) إن حقن الأوامر (prompt injection) سيبقى خطراً متبقياً (residual risk) لا يستطيع أي منتج أو جهاز التخفيف منه بالكامل. وحتى سبتمبر 2026، يذكر المشروع العالمي المفتوح لأمن التطبيقات (OWASP) أنه لا توجد آلية موثوقة لمنعه، وما زال يضع حقن الأوامر في المرتبة الأولى في قائمته لعام 2026.

وتزداد المخاطر كلما اتسعت قدرة النظام على تنفيذ الإجراءات. فوكيل الذكاء الاصطناعي (AI agent) القادر على قراءة بيانات خاصة، واستقبال محتوى غير موثوق، والتواصل مع جهات خارجية، تتوافر فيه شروط وقوع ضرر جسيم. لذلك يكون الدفاع على مستوى بنية النظام، أي بتقييد ما يستطيع النموذج الوصول إليه وتنفيذه إذا تعرّض للتلاعب.

What you paste into an AI assistant may be stored and logged by the provider, and defaults can differ between consumer and business plans. For example, as of September 2026, Anthropic says it does not use inputs or outputs from its commercial products for training by default, unless customers share feedback or opt in. Settings vary by product, plan, region and organization, and can change.

Risk also comes from the system itself. Models can memorize and reproduce parts of their training data, and an assistant connected to shared drives can surface files people were never meant to see.

In the UAE, Federal Decree-Law No. 45 of 2021 on the Protection of Personal Data (PDPL), in force since 2 January 2022, prohibits processing personal data without consent except in defined cases, and sets rules for cross-border transfers. The DIFC financial free zone has its own Data Protection Law (DIFC Law No. 5 of 2020).

ما تلصقه في مساعد ذكي قد يحفظه مزوّد الخدمة ويسجّله، وقد تختلف الإعدادات الافتراضية بين خطط الأفراد وخطط الأعمال. فعلى سبيل المثال، حتى سبتمبر 2026، تقول Anthropic إنها لا تستخدم افتراضياً مدخلات منتجاتها التجارية أو مخرجاتها في التدريب، ما لم يقدّم العملاء ملاحظاتهم أو يوافقوا صراحةً على ذلك. وتختلف الإعدادات حسب المنتج والخطة والمنطقة والجهة، وقد تتغيّر.

وتنشأ المخاطر أيضاً من النظام نفسه؛ إذ يمكن أن تحفظ النماذج أجزاءً من بيانات تدريبها وتعيد إنتاجها، وقد يعرض المساعد المتصل بمساحات تخزين مشتركة على بعض الأشخاص ملفات لم يكن من المفترض أن يطّلعوا عليها أصلاً.

وفي دولة الإمارات، يحظر المرسوم بقانون اتحادي رقم (45) لسنة 2021 بشأن حماية البيانات الشخصية (PDPL)، المعمول به منذ 2 يناير 2022، معالجة البيانات الشخصية دون موافقة صاحبها إلا في حالات محدّدة، ويضع قواعد لنقل البيانات الشخصية عبر الحدود. أما مركز دبي المالي العالمي (DIFC)، وهو منطقة حرة مالية، فلديه قانونه الخاص لحماية البيانات (قانون مركز دبي المالي العالمي رقم 5 لسنة 2020).

NIST describes three sources of AI bias: systemic (patterns built into institutions and historical data), statistical and computational (unrepresentative samples and modeling choices), and human (how people build, interpret and act on outputs). Bias can appear without any intent to discriminate.

A well-known example is the 2018 Gender Shades study: commercial gender classifiers had error rates of up to 34.7% for darker-skinned women versus 0.8% for lighter-skinned men. For generative AI, NIST notes that language models may perform less well for non-English languages or certain dialects, which is worth testing for Gulf Arabic.

Because bias is partly social, NIST treats it as a socio-technical problem. No single technique removes it, so testing, oversight and accountability are all needed.

يصف المعهد الوطني للمعايير والتكنولوجيا في الولايات المتحدة (NIST) ثلاثة مصادر لتحيّز الذكاء الاصطناعي: التحيّز النظامي (أنماط مترسّخة في المؤسسات والبيانات التاريخية)، والتحيّز الإحصائي والحسابي (عيّنات غير ممثِّلة وخيارات في بناء النماذج)، والتحيّز البشري (كيفية بناء الناس للأنظمة وتفسيرهم لمخرجاتها وتصرّفهم بناءً عليها). وقد يظهر التحيّز دون أي نية للتمييز.

ومن الأمثلة المعروفة دراسة Gender Shades المنشورة عام 2018، إذ بلغت معدلات الخطأ في أنظمة تجارية لتصنيف الجنس (gender classifiers) ما يصل إلى 34.7% لدى النساء ذوات البشرة الداكنة، مقابل 0.8% لدى الرجال ذوي البشرة الفاتحة. وفي مجال الذكاء الاصطناعي التوليدي، يشير NIST إلى أن أداء النماذج اللغوية قد يكون أضعف في اللغات غير الإنجليزية أو في بعض اللهجات، وهو ما يجدر اختباره في اللهجة الخليجية.

ولأن للتحيّز جانباً اجتماعياً، يتعامل NIST معه على أنه مشكلة اجتماعية وتقنية في آن واحد. ولا توجد تقنية واحدة تزيله، لذا لا بدّ من الاختبار والإشراف والمساءلة معاً.

Many models receive safety training during development, but applications add their own layers. Input guardrails screen prompts and documents for attacks or off-topic requests. Output guardrails check responses for harmful content, leaked data or wrong formats. Execution guardrails control which tools the system may call and with what arguments.

Some guardrails are classifier models, such as Llama Guard, which labels prompts and responses against a safety taxonomy. Others are deterministic code: schema validation, allow-lists, rate limits and permission checks.

Classifier-based filters can be bypassed by rephrasing, encoding or switching languages, and they also block some legitimate requests. OWASP therefore advises treating model output as untrusted and enforcing authorization in code, rather than relying on the model to decide what is allowed.

تخضع نماذج كثيرة لتدريب على السلامة أثناء تطويرها، لكن التطبيقات تضيف طبقاتها الخاصة من ضوابط الأمان (guardrails). فضوابط المدخلات تفحص الأوامر (prompts) والمستندات بحثاً عن هجمات أو طلبات خارجة عن الموضوع. وضوابط المخرجات تفحص الردود بحثاً عن محتوى ضار أو بيانات مسرَّبة أو تنسيقات خاطئة. أما ضوابط التنفيذ فتتحكم في الأدوات التي يُسمح للنظام باستدعائها، وبأي وسيطات (arguments).

بعض ضوابط الأمان نماذجُ تصنيف (classifiers)، مثل Llama Guard الذي يضع وسوماً على الأوامر والردود وفق تصنيف مرجعي لمخاطر السلامة (safety taxonomy). وبعضها الآخر شيفرة برمجية حتمية: التحقق من مطابقة البيانات للمخطط (schema)، وقوائم السماح (allowlists)، وحدود معدّل الطلبات (rate limits)، وفحص الأذونات.

ويمكن تجاوز المرشّحات القائمة على المصنِّفات بإعادة الصياغة أو الترميز أو تغيير اللغة، كما أنها تحجب بعض الطلبات المشروعة. لذلك يوصي المشروع العالمي المفتوح لأمن التطبيقات (OWASP) بمعاملة مخرجات النموذج على أنها غير موثوقة، وبفرض صلاحيات الوصول في الشيفرة البرمجية، بدلاً من الاعتماد على النموذج في تحديد ما هو مسموح به.

Generative models can produce convincing cloned voices, photorealistic images and video. The FBI has warned that criminals use these tools to impersonate relatives in fake emergencies and to stage video calls with supposed company executives.

Detection is an arms race. NIST describes automated detection as a cat-and-mouse game with generators, notes that watermark detection always carries some error, and that metadata is often stripped when files are shared. Provenance standards such as C2PA Content Credentials attach signed records of a file's origin and edits, but only where tools support them.

Rules are tightening. Since 2 August 2026, EU AI Act Article 50 has required deployers to disclose deepfakes, with lighter rules for evidently artistic or satirical works. In the UAE, Federal Decree-Law No. 34 of 2021 on Combatting Rumours and Cybercrimes sets penalties for disseminating false information.

تستطيع النماذج التوليدية إنتاج أصوات مستنسخة مقنعة، وصور ومقاطع فيديو تحاكي الواقع. وقد حذّر مكتب التحقيقات الفيدرالي الأمريكي (FBI) من أن المجرمين يستخدمون هذه الأدوات لانتحال شخصيات الأقارب في حالات طوارئ مزعومة، ولترتيب مكالمات فيديو مصطنَعة يظهر فيها من يُفترض أنهم مسؤولون تنفيذيون في شركات.

وكشف هذا المحتوى أشبه بسباق تسلّح؛ إذ يصف المعهد الوطني للمعايير والتكنولوجيا في الولايات المتحدة (NIST) الكشف الآلي بأنه لعبة القط والفأر مع أدوات التوليد، ويشير إلى أن كشف العلامات المائية (watermarks) ينطوي دائماً على هامش من الخطأ، وأن البيانات الوصفية (metadata) كثيراً ما تُحذف عند مشاركة الملفات. أما معايير منشأ المحتوى (provenance)، مثل بيانات اعتماد المحتوى (Content Credentials) القائمة على معيار تحالف منشأ المحتوى وأصالته (C2PA)، فتُرفق بالملف سجلات موقّعة رقمياً توثّق مصدره والتعديلات التي أُجريت عليه، ولا يتحقق ذلك إلا حيث تدعمها الأدوات المستخدمة.

والقواعد تزداد صرامة. فمنذ 2 أغسطس 2026، تُلزم المادة 50 من قانون الذكاء الاصطناعي الأوروبي (EU AI Act)، أي اللائحة (EU) 2024/1689، الجهات المستخدِمة (deployers) بالإفصاح عن المحتوى المزيّف بتقنية التزييف العميق (deepfakes)، مع قواعد أخف للأعمال التي يتضح أنها فنية أو ساخرة. وفي دولة الإمارات، يحدّد المرسوم بقانون اتحادي رقم (34) لسنة 2021 في شأن مكافحة الشائعات والجرائم الإلكترونية عقوبات على نشر المعلومات الكاذبة.

Governance turns good intentions into routine decisions: who may approve a new AI use case, what must be tested first, who monitors it in production, and who answers when something goes wrong. It covers AI you build, AI you buy, and AI features switched on inside existing software.

Two widely used references help. The OECD AI Principles, adopted in 2019 and updated in 2024, set five values-based principles, including transparency and explainability; robustness, security and safety; and accountability. ISO/IEC 42001:2023 specifies requirements for establishing, implementing, maintaining and continually improving an AI management system, for organizations of any size that develop, provide or use AI.

As of September 2026, the voluntary NIST AI Risk Management Framework (version 1.0, now under revision) makes "Govern" one of its four core functions, alongside Map, Measure and Manage. Good governance is proportionate: a low-risk writing aid needs lighter checks than a system that screens job applicants or supports medical decisions.

تحوّل الحوكمة النوايا الحسنة إلى قرارات روتينية: مَن يحق له اعتماد حالة استخدام جديدة للذكاء الاصطناعي، وما الذي يجب اختباره أولاً، ومَن يرصد النظام أثناء التشغيل الفعلي، ومَن يُساءَل حين يقع خلل. وتشمل الحوكمة أنظمة الذكاء الاصطناعي التي تبنيها، وتلك التي تشتريها، وميزات الذكاء الاصطناعي التي تُفعَّل داخل البرامج المستخدمة حالياً.

ويساعد في ذلك مرجعان واسعا الاستخدام. الأول مبادئ الذكاء الاصطناعي الصادرة عن منظمة التعاون الاقتصادي والتنمية (OECD)، التي اعتُمدت عام 2019 وحُدّثت عام 2024، وتضع خمسة مبادئ قائمة على القيم، منها: الشفافية والقابلية للتفسير (explainability)؛ والمتانة (robustness) والأمن والسلامة؛ والمساءلة. والثاني المواصفة القياسية ISO/IEC 42001:2023، التي تحدّد متطلبات إنشاء نظام إدارة الذكاء الاصطناعي (AIMS) وتطبيقه والمحافظة عليه وتحسينه باستمرار، وهي موجّهة إلى المؤسسات التي تطوّر الذكاء الاصطناعي أو توفّره أو تستخدمه، أياً كان حجمها.

وحتى سبتمبر 2026، تُعدّ «الحوكمة» (Govern) إحدى الوظائف الأساسية الأربع في إطار عمل إدارة مخاطر الذكاء الاصطناعي (AI RMF) الصادر عن المعهد الوطني للمعايير والتقنية في الولايات المتحدة (NIST)، إلى جانب التخطيط (Map) والقياس (Measure) والإدارة (Manage). وهذا الإطار طوعي، ويخضع إصداره 1.0 حالياً للمراجعة. والحوكمة الجيدة تتناسب مع حجم المخاطر: فأداةٌ منخفضة المخاطر للمساعدة في الكتابة تحتاج إلى ضوابط أخف من نظام يفرز المتقدّمين للوظائف أو يدعم القرارات الطبية.

The AI Act (Regulation (EU) 2024/1689) entered into force on 1 August 2024. It sorts AI into four tiers: banned practices, such as social scoring; high-risk uses, such as recruitment, credit scoring and education, with strict requirements; transparency duties, such as disclosing AI interaction and marking AI-generated content; and minimal-risk uses with no specific rules.

As of September 2026, bans have applied since 2 February 2025, general-purpose AI model duties since 2 August 2025, and transparency duties since 2 August 2026. The Digital Omnibus on AI (Regulation (EU) 2026/1744), in force since 27 July 2026, moved high-risk obligations to 2 December 2027 (Annex III uses) and 2 August 2028 (AI in regulated products, Annex I). It also added bans on AI systems for generating non-consensual intimate imagery or child sexual abuse material, applying from 2 December 2026.

The Act also covers providers and deployers outside the EU when their AI output is used in the EU. Fines for banned practices can reach EUR 35 million or, for companies, 7% of worldwide annual turnover, whichever is higher.

دخل قانون الذكاء الاصطناعي الأوروبي (EU AI Act)، أي اللائحة (EU) 2024/1689، حيّز التنفيذ في 1 أغسطس 2024. ويصنّف استخدامات الذكاء الاصطناعي في أربع فئات: ممارسات محظورة (prohibited AI practices)، مثل التقييم الاجتماعي (social scoring)؛ واستخدامات عالية المخاطر (high-risk)، مثل التوظيف وتقييم الجدارة الائتمانية والتعليم، تخضع لمتطلبات صارمة؛ والتزامات الشفافية (transparency obligations)، مثل الإفصاح عن التفاعل مع الذكاء الاصطناعي ووسم المحتوى المولَّد بالذكاء الاصطناعي؛ واستخدامات ضئيلة المخاطر (minimal risk) لا تخضع لقواعد خاصة.

وحتى سبتمبر 2026، تسري أحكام الحظر منذ 2 فبراير 2025، والتزامات نماذج الذكاء الاصطناعي للأغراض العامة (general-purpose AI models) منذ 2 أغسطس 2025، والتزامات الشفافية منذ 2 أغسطس 2026. أما اللائحة (EU) 2026/1744، المعروفة باسم الحزمة الرقمية الشاملة الخاصة بالذكاء الاصطناعي (Digital Omnibus on AI) والنافذة منذ 27 يوليو 2026، فقد أرجأت التزامات الأنظمة عالية المخاطر إلى 2 ديسمبر 2027 للاستخدامات الواردة في الملحق الثالث (Annex III)، وإلى 2 أغسطس 2028 للذكاء الاصطناعي المدمج في المنتجات الخاضعة للتنظيم والمدرجة في الملحق الأول (Annex I). وأضافت كذلك حظراً على أنظمة الذكاء الاصطناعي المستخدمة في توليد صور حميمة دون موافقة أصحابها أو مواد الاعتداء الجنسي على الأطفال، يسري اعتباراً من 2 ديسمبر 2026.

ويشمل القانون كذلك المزوّدين (providers) والجهات المستخدِمة (deployers) من خارج الاتحاد الأوروبي عندما تُستخدم مخرجات أنظمتهم داخل الاتحاد. وقد تصل غرامات اللجوء إلى الممارسات المحظورة إلى 35 مليون يورو، أو إلى 7% من إجمالي حجم الأعمال السنوي على مستوى العالم بالنسبة إلى الشركات، أيهما أعلى.

The UAE launched its Strategy for Artificial Intelligence in October 2017, and the Cabinet adopted the National AI Strategy 2031 in April 2019. Its eight objectives range from attracting and training talent to optimizing AI governance and regulation, with early priority sectors including energy, logistics, tourism, healthcare and cybersecurity.

In July 2024 the UAE's Artificial Intelligence Office published the UAE Charter for the Development and Use of Artificial Intelligence, which describes itself as a guiding framework. Its 12 principles include safety, algorithmic bias, data privacy, transparency, human oversight, and governance and accountability. The Charter sets principles, not penalties; legal obligations come from existing laws, such as personal data protection, and sector rules.

As of September 2026, oversight is being consolidated. In June 2026 an Artificial Intelligence and Data Authority reporting to the Cabinet was approved, merging the AI Office, the UAE Data Office and the digital government sector of the telecoms regulator, and chaired by the Minister of State for Artificial Intelligence.

أطلقت دولة الإمارات «استراتيجية الإمارات للذكاء الاصطناعي» في أكتوبر 2017، ثم اعتمد مجلس الوزراء «الاستراتيجية الوطنية للذكاء الاصطناعي 2031» في أبريل 2019. وتمتد أهدافها الثمانية من استقطاب المواهب وتدريبها إلى تحسين حوكمة الذكاء الاصطناعي وتنظيمه، ومن القطاعات ذات الأولوية في مراحلها الأولى الطاقة والخدمات اللوجستية والسياحة والرعاية الصحية والأمن السيبراني.

وفي يوليو 2024، نشر مكتب الذكاء الاصطناعي في دولة الإمارات «ميثاق تطوير واستخدام الذكاء الاصطناعي بدولة الإمارات»، الذي يصف نفسه بأنه إطار توجيهي. ومن مبادئه الاثني عشر: السلامة، والتحيّز الخوارزمي، وخصوصية البيانات، والشفافية، والإشراف البشري (human oversight)، والحوكمة والمساءلة. ويضع الميثاق مبادئ لا عقوبات؛ أما الالتزامات القانونية فمصدرها القوانين القائمة، مثل قانون حماية البيانات الشخصية، والقواعد الخاصة بكل قطاع.

وحتى سبتمبر 2026، يجري توحيد جهات الإشراف. ففي يونيو 2026، اعتُمد إنشاء هيئة الذكاء الاصطناعي والبيانات، وهي هيئة تتبع مجلس الوزراء ويرأسها وزير الدولة للذكاء الاصطناعي، وتُدمج فيها كلٌّ من مكتب الذكاء الاصطناعي، ومكتب الإمارات للبيانات، وقطاع الحكومة الرقمية في هيئة تنظيم الاتصالات والحكومة الرقمية.

Responsible AI is the practice side of AI ethics. Frameworks use similar language. NIST's AI Risk Management Framework 1.0 lists seven characteristics of trustworthy AI: valid and reliable, safe, secure and resilient, accountable and transparent, explainable and interpretable, privacy-enhanced, and fair with harmful bias managed. UNESCO's Recommendation on the Ethics of AI, adopted by its 193 Member States in November 2021, adds principles such as human oversight, sustainability, and awareness and literacy.

These goals can pull against each other. NIST notes, for example, that privacy-enhancing techniques can reduce accuracy under some conditions, and that organizations may face a trade-off between predictive accuracy and interpretability. Responsible AI means making those trade-offs deliberately, recording why, and revisiting them as the system and its users change.

For organizations, the OECD Due Diligence Guidance for Responsible AI (February 2026) sets out six steps, from embedding responsible conduct in policies to providing for or cooperating in remediation when appropriate.

الذكاء الاصطناعي المسؤول هو الجانب العملي من أخلاقيات الذكاء الاصطناعي. وتستخدم الأطر المختلفة لغة متقاربة؛ إذ يسرد إطار عمل إدارة مخاطر الذكاء الاصطناعي (AI RMF 1.0) الصادر عن المعهد الوطني للمعايير والتقنية في الولايات المتحدة (NIST) سبع خصائص للذكاء الاصطناعي الجدير بالثقة (trustworthy AI): الصلاحية والموثوقية، والسلامة، والأمن والمرونة، والمساءلة والشفافية، والقابلية للتفسير والتوضيح (explainable and interpretable)، والخصوصية المحسّنة، والإنصاف مع إدارة التحيّزات الضارة. أما توصية منظمة الأمم المتحدة للتربية والعلم والثقافة (UNESCO) بشأن أخلاقيات الذكاء الاصطناعي، التي اعتمدتها دولها الأعضاء البالغ عددها 193 دولة في نوفمبر 2021، فتضيف مبادئ مثل الإشراف البشري (human oversight)، والاستدامة، والوعي والإلمام بالذكاء الاصطناعي.

وقد تتعارض هذه الأهداف فيما بينها. فعلى سبيل المثال، يشير NIST إلى أن تقنيات تعزيز الخصوصية قد تقلّل الدقة في بعض الظروف، وأن المؤسسات قد تواجه مفاضلة بين الدقة التنبؤية والقابلية للتوضيح. ويعني الذكاء الاصطناعي المسؤول حسم هذه المفاضلات عن وعي، وتوثيق أسبابها، وإعادة النظر فيها كلما تغيّر النظام أو مستخدموه.

وعلى مستوى المؤسسات، تحدّد «إرشادات العناية الواجبة بشأن الذكاء الاصطناعي المسؤول» الصادرة عن منظمة التعاون الاقتصادي والتنمية (OECD) في فبراير 2026 ست خطوات، من إدماج السلوك المسؤول في السياسات إلى توفير سبل الانتصاف أو التعاون في توفيرها عند الاقتضاء.

Training disputes are ongoing as of September 2026. In the US, the Copyright Office reported in May 2025 that dozens of lawsuits were pending, and said some training uses will qualify as fair use and some will not. In the UK, the High Court ruled in November 2025 that Stability AI's trained model, which does not store Getty Images' photos, was not an "infringing copy". Getty had dropped its training claim for lack of evidence that training took place in the UK, and in December 2025 was given permission to appeal the ruling. In the EU, general-purpose model providers must keep a copyright policy that respects rights holders' text-and-data-mining opt-outs.

Output ownership also varies. The US Copyright Office concluded in January 2025 that AI output is protected only where a human author has determined sufficient expressive elements: based on current technology, prompts alone are not enough, but human-authored material, or creative arrangement or modification of output, can be protected. Other jurisdictions, including the UAE, apply their own rules.

حتى سبتمبر 2026، ما زالت النزاعات المتعلقة بالتدريب مستمرة. ففي الولايات المتحدة، أفاد مكتب حقوق المؤلف الأمريكي (U.S. Copyright Office) في مايو 2025 بأن عشرات الدعاوى القضائية لا تزال منظورة، وذكر أن بعض استخدامات التدريب ستُعدّ استخداماً عادلاً (fair use) وبعضها لن يُعدّ كذلك. وفي المملكة المتحدة، قضت المحكمة العليا (High Court) في نوفمبر 2025 بأن النموذج المدرَّب لشركة Stability AI، الذي لا يخزّن صور Getty Images، ليس «نسخة منتهِكة» (infringing copy). وكانت Getty قد تخلّت عن دعواها المتعلقة بالتدريب لعدم وجود دليل على أن التدريب جرى في المملكة المتحدة، ثم حصلت في ديسمبر 2025 على إذن باستئناف الحكم. وفي الاتحاد الأوروبي، يجب على مزوّدي نماذج الذكاء الاصطناعي للأغراض العامة اعتماد سياسة لحقوق المؤلف تحترم خيارات الانسحاب (opt-outs) من التنقيب في النصوص والبيانات (TDM) التي يعلنها أصحاب الحقوق.

وتختلف كذلك قواعد ملكية المخرجات. فقد خلص مكتب حقوق المؤلف الأمريكي في يناير 2025 إلى أن مخرجات الذكاء الاصطناعي لا تُحمى إلا حين يحدّد مؤلف بشري قدراً كافياً من عناصرها التعبيرية: فبناءً على التقنيات الحالية، لا تكفي الأوامر (prompts) وحدها، لكن المواد التي يؤلفها البشر، أو الترتيب أو التعديل الإبداعي للمخرجات، يمكن أن تحظى بالحماية. أما الدول الأخرى، ومنها دولة الإمارات، فتطبّق قواعدها الخاصة.