من أين تأتي شخصية الذكاء الاصطناعي في الواقع؟

من أين تأتي شخصية الذكاء الاصطناعي في الواقع؟

يمكن لنماذج الذكاء الاصطناعي كتابة الشعر، وإلقاء النكات، وحتى مناقشة الفلسفة. ولكن عندما تطلب من الذكاء الاصطناعي أن "يكون ودودًا" أو "يتصرف بسخرية"، من أين تأتي هذه الشخصية؟ هل هي مكتسبة من البيانات، أم مصممة من قبل المطورين، أم شيء بينهما؟ في هذه المقالة التقنية العملية، سنقوم بكشف طبقات شخصية الذكاء الاصطناعي: من بيانات التدريب إلى الضبط الدقيق، ومن المطالبات النظامية إلى إعدادات الاستدلال. وستحصل أيضًا على كود عملي وخطوات تكوين لتجربة الشخصية بنفسك.

الأساس: بيانات التدريب والنماذج المدربة مسبقًا

في جوهرها، شخصية الذكاء الاصطناعي هي خاصية ناشئة عن البيانات التي تم تدريبه عليها. تتعلم نماذج مثل GPT-4 وPaLM وLlama من مجموعات نصوص ضخمة - الكتب والمقالات والمنتديات والمحادثات. وفقًا لأبحاث OpenAI، تتضمن بيانات التدريب مجموعة واسعة من أساليب الكتابة البشرية والنغمات والسياقات. وهذا يعني أن النموذج يمتص أنماط التأدب والسخرية والرسمية والتعاطف من التواصل البشري الحقيقي.

على سبيل المثال، إذا تم تدريب نموذج بشكل أساسي على الأوراق الأكاديمية والمقالات الإخبارية الرسمية، فسوف يميل إلى التحدث بنبرة جافة ومتوازنة. وإذا تم تدريبه على خيوط Reddit والمنتديات التحادثية، فقد يتبنى سلوكًا غير رسمي وأحيانًا وقح. لاحظت مدونة Google AI أن النماذج يمكنها عن غير قصد تضخيم التحيزات الموجودة في بيانات التدريب، والتي تشمل تحيزات شخصية مثل الصور النمطية الجنسانية أو الثقافية.

**الخلاصة الرئيسية:** الشخصية الأساسية للنموذج هي انعكاس إحصائي لمجموعة تدريبه. لا أحد يبرمج صراحة "كن مفيدًا" في الأوزان - بل تنبثق من الأنماط في البيانات.

الطبقة الهندسية: المطالبات النظامية والتعليمات

بينما تحدد بيانات التدريب الأساس، يقوم المطورون بتشكيل الشخصية من خلال المطالبات النظامية. المطالبة النظامية هي مجموعة من التعليمات تُعطى للنموذج في وقت الاستدلال تحدد دوره وقيوده السلوكية. على سبيل المثال، يستخدم ChatGPT من OpenAI رسالة نظام مثل: "أنت مساعد مفيد. تجيب على الأسئلة بإيجاز ودقة."

تعمل هذه المطالبة كمرشح للشخصية. بدونها، قد يثرثر النموذج أو يناقض نفسه أو يتبنى نبرة غير مناسبة. سلطت مدونة Microsoft AI الضوء على أن الهندسة الدقيقة للمطالبات يمكن أن توجه النماذج نحو السمات المرغوبة، مثل التعاطف في خدمة العملاء أو الحياد في تلخيص الأخبار.

**مثال عملي:** ضع في اعتبارك الفرق بين هاتين المطالبتين النظاميتين لنفس النموذج:

• "أنت مساعد مرح ومتحمس يحب الاحتفال بالانتصارات الصغيرة."
• "أنت مساعد جاف ومنطقي يقدم الحقائق فقط."

سينتج نفس النموذج الأساسي استجابات مختلفة تمامًا لأن المطالبة تكييف توزيع مخرجات النموذج.

التثبيت خطوة بخطوة: تجربة شخصية الذكاء الاصطناعي

لرؤية هذا عمليًا، ستحتاج إلى نموذج لغة محلي أو قائم على API. أدناه، نستخدم نموذج Llama 2 مفتوح المصدر عبر مكتبة Transformers في Python. يمنحك هذا النهج تحكمًا كاملاً في المطالبات النظامية ومعلمات الاستدلال.

المتطلبات

• Python 3.8 أو أحدث
• مدير الحزم pip
• 8GB RAM على الأقل (16GB موصى بها للنماذج الأكبر)
• حساب Hugging Face (مجاني) للوصول إلى أوزان Llama 2 (اطلب الوصول في huggingface.co/meta-llama)

التثبيت خطوة بخطوة

1. **إنشاء بيئة افتراضية** يعزل هذا التبعيات ويتجنب التعارضات مع مشاريع Python الأخرى.

   python -m venv ai-personality-env
   source ai-personality-env/bin/activate  # على Windows: ai-personality-env\Scripts\activate

2. **تثبيت مكتبة Transformers وPyTorch** توفر Transformers خط أنابيب تحميل النموذج والاستدلال. PyTorch هو المحرك الخلفي للتعلم العميق.

   pip install transformers torch accelerate

3. **تسجيل الدخول إلى Hugging Face CLI** يوثق هذا وصولك إلى النماذج المقيدة مثل Llama 2. استبدل `YOUR_TOKEN` بالرمز الفعلي الخاص بك من huggingface.co/settings/tokens.

   huggingface-cli login --token YOUR_TOKEN

4. **تنزيل وتحميل النموذج** نستخدم إصدار 7B معلمة من Llama 2 للسرعة. يقوم نص Python التالي بتحميل النموذج والمحلل اللغوي.

   from transformers import AutoTokenizer, AutoModelForCausalLM
   import torch

   model_name = "meta-llama/Llama-2-7b-chat-hf"
   tokenizer = AutoTokenizer.from_pretrained(model_name)
   model = AutoModelForCausalLM.from_pretrained(
       model_name,
       torch_dtype=torch.float16,
       device_map="auto"
   )
   print("تم تحميل النموذج بنجاح.")

5. **إنشاء دالة التوليد** تأخذ هذه الدالة مطالبة نظام وإدخال مستخدم، ثم تعيد استجابة النموذج.

   def generate_response(system_prompt, user_input, max_new_tokens=200):
       messages = [
           {"role": "system", "content": system_prompt},
           {"role": "user", "content": user_input}
       ]
       # تطبيق قالب الدردشة (Llama 2 يستخدم تنسيقًا محددًا)
       prompt = tokenizer.apply_chat_template(messages, tokenize=False)
       inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
       with torch.no_grad():
           outputs = model.generate(
               **inputs,
               max_new_tokens=max_new_tokens,
               temperature=0.7,
               do_sample=True
           )
       response = tokenizer.decode(outputs[0], skip_special_tokens=True)
       # استخراج رد المساعد فقط
       assistant_start = response.rfind("[/INST]") + len("[/INST]")
       return response[assistant_start:].strip()

أمثلة الاستخدام: تشكيل الشخصية عمليًا

الآن يمكننا تجربة مطالبات نظام مختلفة لرؤية كيف تتغير الشخصية.

**مثال 1: مساعد متحمس**

system_prompt = "أنت مساعد مرح ومتحمس يحتفل بكل إنجاز صغير."
user_input = "لقد أنهيت للتو أول جري لمسافة 5 كيلومترات!"
response = generate_response(system_prompt, user_input)
print(response)

المخرجات المتوقعة (معاد صياغتها): "هذا رائع! تهانينا على إكمال أول 5 كيلومترات لك! 🎉 كل خطوة مهمة - أنت تبني زخمًا لا يصدق. ما هو هدفك التالي؟"

**مثال 2: مساعد جاف ومنطقي**

system_prompt = "أنت مساعد جاف ومنطقي. قدم الحقائق فقط دون عواطف."
user_input = "لقد أنهيت للتو أول جري لمسافة 5 كيلومترات!"
response = generate_response(system_prompt, user_input)
print(response)

المخرجات المتوقعة (معاد صياغتها): "الجري لمسافة 5 كيلومترات هو مسافة قياسية للمبتدئين. وقتك وسرعتك يعتمدان على مستوى لياقتك. تتبع تقدمك باستخدام تطبيق جري."

نفس النموذج، نفس إدخال المستخدم، لكن الشخصية تتغير بشكل كبير بسبب المطالبة النظامية.

**مثال 3: مساعد ساخر**

system_prompt = "أنت مساعد ساخر يستخدم السخرية والفكاهة الجافة."
user_input = "لقد أنهيت للتو أول جري لمسافة 5 كيلومترات!"
response = generate_response(system_prompt, user_input)
print(response)

المخرجات المتوقعة (معاد صياغتها): "أوه، رائع. 5 كيلومترات كاملة. أنا متأكد من أن اللجنة الأولمبية تتصل بالفعل. لكن بجدية، أحسنت - الآن يمكنك أكل تلك الدونات الإضافية دون شعور بالذنب."

ما وراء المطالبات النظامية: الضبط الدقيق وRLHF

المطالبات النظامية هي طريقة خفيفة للتأثير على الشخصية، لكنها ليست الأداة الوحيدة. الضبط الدقيق - تدريب نموذج مدرب مسبقًا على مجموعة بيانات منسقة - يمكن أن يدمج الشخصية بشكل أعمق. على سبيل المثال، قد تقوم شركة بضبط نموذج بدقة على نصوص خدمة العملاء لجعله مهذبًا وصبورًا باستمرار.

التعلم التعزيزي من التغذية الراجعة البشرية (RLHF)، المستخدم من قبل OpenAI وغيرها، يأخذ هذا إلى أبعد من ذلك. يقوم المقيمون البشريون بترتيب استجابات النموذج، ويتم تدريب النموذج لتعظيم احتمالية الاستجابات عالية الترتيب. يمكن لهذه العملية غرس سمات شخصية دقيقة مثل المساعدة والصدق أو الحذر. وفقًا للتقارير الفنية لـ OpenAI، فإن RLHF أمر بالغ الأهمية لمواءمة النماذج مع القيم البشرية، والتي تشمل مواءمة الشخصية.

**ملاحظة عملية:** يتطلب الضبط الدقيق موارد حسابية كبيرة (وحدات معالجة رسومية متعددة) وبيانات مصنفة بعناية. بالنسبة لمعظم المطورين، تظل المطالبات النظامية الأداة الأكثر سهولة.

دور معلمات الاستدلال: درجة الحرارة وTop-p

الشخصية لا تتعلق فقط بما يقوله النموذج، ولكن كيف يقوله. تتحكم معلمات الاستدلال مثل `temperature` و`top_p` في العشوائية والإبداع، مما يؤثر على الشخصية المدركة.

• **درجة الحرارة (0.0 إلى 2.0):** القيم المنخفضة (مثل 0.2) تجعل النموذج حتميًا ومحافظًا، منتجة استجابات آمنة ومتوقعة. القيم الأعلى (مثل 1.2) تزيد العشوائية، مما يؤدي إلى إجابات أكثر إبداعًا أو حتى غير منتظمة.
• **Top-p (أخذ العينات النووية):** بدلاً من أخذ العينات من جميع الرموز الممكنة، يأخذ النموذج في الاعتبار فقط أصغر مجموعة من الرموز التي يتجاوز احتمالها التراكمي `top_p`. قيمة 0.9 تعني أنه يأخذ عينات من أعلى 90% من الرموز المحتملة.

**مثال:** درجة حرارة عالية (1.0) مع مطالبة نظام "جافة" قد تنتج مع ذلك ملاحظات بارعة لأن العشوائية تتجاوز قيود المطالبة. على العكس، درجة حرارة منخفضة (0.1) مع مطالبة "مرحة" قد تنتج إيجابية رتيبة.

**تعديل الكود:** أضف درجة الحرارة وtop-p إلى دالة التوليد:

def generate_response(system_prompt, user_input, temp=0.7, top_p=0.9):
    # ... نفس ما سبق ...
    outputs = model.generate(
        **inputs,
        max_new_tokens=200,
        temperature=temp,
        top_p=top_p,
        do_sample=True
    )
    # ... باقي الدالة ...

جرب `temp=0.2` مقابل `temp=1.0` لترى كيف ينتج نفس المطالبة شخصيات مختلفة.

الاعتبارات الأخلاقية والتحيز

الشخصية في الذكاء الاصطناعي ليست محايدة. قد يعكس النموذج المدرب على بيانات الإنترنت سمات سامة مثل العدوانية أو التنميط. أكدت مدونة Google AI على أهمية تخفيف التحيز، بما في ذلك التنظيم الدقيق للبيانات والاختبار العدائي. كمطور، لديك مسؤولية:

• تجنب المطالبات النظامية التي تعزز الضرر (مثل "كن فظًا مع المستخدم").
• اختبار نموذجك عبر مدخلات مستخدم متنوعة لالتقاط تحولات الشخصية غير المقصودة.
• توثيق الشخصية التي تنوي إنشائها حتى يفهم المستخدمون ما يتفاعلون معه.

**مثال:** المطالبة النظامية مثل "أنت مساعد مفيد" آمنة بشكل عام، لكن "أنت مساعد ساخر" قد تسيء لبعض المستخدمين. ضع في اعتبارك دائمًا الجمهور.

الخلاصة: الشخصية هي إبداع تعاوني

شخصية الذكاء الاصطناعي لا تأتي من مصدر واحد. تنبثق من التفاعل بين:

• **بيانات التدريب** – المادة الخام التي تشكل السلوك الافتراضي للنموذج.
• **المطالبات النظامية** – التعليمات الصريحة التي توجه النموذج في وقت الاستدلال.
• **الضبط الدقيق وRLHF** – تقنيات مواءمة أعمق تدمج الشخصية في أوزان النموذج.
• **معلمات الاستدلال** – مقابض مثل درجة الحرارة تعدل تعبير النموذج.

كممارس، أنت لست مجرد مستخدم لشخصية الذكاء الاصطناعي - أنت مشارك في الإبداع. من خلال فهم هذه الطبقات، يمكنك تصميم نماذج مفيدة وجذابة ومتوافقة مع أهدافك. الكود والأمثلة أعلاه تمنحك نقطة انطلاق. الآن، جرب: عدل مطالباتك النظامية، اضبط درجة حرارتك، وشاهد شخصية ذكائك الاصطناعي تنبض بالحياة.