الفصل الأوّل — ما هو، حقّاً، نموذج اللغة الكبير؟

المقالة الأولى من الجولة الفصلية في LLM Primer I: How Generative AI Works. نبدأ من البداية — ممّا يَكمن خلف الاسم، قبل كلِّ شيء آخر.

سؤالٌ يبدو بسيطاً

اطرح على مئة شخص سؤال "ما هو LLM؟"، ستحصل على مئة إجابة. "ذكاءٌ اصطناعي." "روبوت محادثة." "محرّك بحثٍ يتكلّم." "ذاك الذي كَتب تقريري ليلة أمس." لا واحدةَ منها مغلوطة كلَّ الغلط، لكنّها جميعاً تتحدّث عمّا يفعله LLM، لا عمّا هو LLM.

الفصل الأوّل يتناول الثانية. هذا هو السؤال الذي يقفز فوقه معظم الكتب التمهيدية، ويعمل التسويق على تضبيبه عمداً. ولكنّ تخطّي هذه الخطوة مكلف: بدونها يصير من الصعب جداً تقييمُ أيِّ ادّعاءٍ آخر حول LLM يعترض طريقك بعد ذلك.

الكلمات الثلاث، نأخذها بجدّية

يبدأ الكتاب بِتفكيك "نموذج اللغة الكبير" كلمةً كلمةً. الأمر يستحقّ، لأنّ الاختصار يُخفي ثقلَ كلِّ كلمةٍ من تلك الكلمات.

كبير لا تعني كبيراً فيزيائياً. تعني أنّ النظام يحتوي داخله على مليارات من الإعدادات العددية (المعاملات) جرى ضبطها أثناء التدريب. وتعني أيضاً أنّ كمّيات النصّ والحوسبة المستخدمة في ذلك التدريب هي بدورها هائلة. وهذه الأرقام الثلاثة — المعاملات، البيانات، الحوسبة — لا تعمل منفصلة. لكي يصبح النموذج أذكى فعلاً، عليها أن تنمو جميعاً معاً. مضاعفة واحدةٍ منها وحدها تأتي عادةً بنتيجةٍ باهتة.

اللغة تبدو الكلمة الأكثر بداهة، لكنّها هنا تحمل معنًى خاصّاً. لا يفهم النموذج القواعد أو المعنى كما يفهمهما الإنسان. يَتعامل النموذج مع "الرموز" (tokens) — وحداتٍ أصغر من الكلمة. من زاوية نظره، كلُّ موجِّهٍ يَنتهي سلسلةً من الأرقام، وكلُّ إجابةٍ تكون "العدد التالي، ثمَّ التالي، ثمَّ التالي…".

النموذج هي الأكثر سوءَ فهم بين الثلاث. ليست هنا قاعدةَ بياناتٍ للحقائق، وليست كائناً "يعرف" شيئاً. هي دالّةٌ رياضية مُدرَّبة — أداةُ تعرُّفٍ على الأنماط — تُنتج، عند إعطائها نصّاً، التتمّةَ الأرجح. حين يبدو أنّ LLM "يعرف" عاصمة فرنسا، فإنّه لا يُراجع شيئاً. هو يُخرج "باريس" لأنّها، بالنظر إلى بقيّة السياق، الرمزَ التاليَ الأكثر احتمالاً.

هذا التمييز ليس تفصيلاً. يُفسِّر سبب هَلْوَسة LLM، وسبب الخطأ بثقة، وسبب أنّ الجُمل تكون فصيحة بينما الحقائق لا تَصمد. أعود إلى هذه العدسة مراراً في الكتاب — هي أفضل أداة توقُّع لسلوك LLM أَعرفها.

كيف وصلنا إلى هنا، في فقرةٍ واحدة

يَنظر الفصل الأوّل أيضاً نظرةً إلى التاريخ. فالـ LLM الحديث ليس إلّا اللقطةَ الأحدث في فيلمٍ يعمل منذ عقود. لزمنٍ طويل، كانت الحواسيب تتعامل مع اللغة إمّا اعتماداً على قواعدَ نحوية كتبها البشر، وإمّا بإحصاء كم مرّةً تَظهر زوجٌ من الكلمات معاً في الكتب. اصطدم المساران بحائط. حصل الانعطاف حين قرّر أحدهم: بدلاً من تعليم القواعد، دعِ الآلة تتعلَّم الأنماط نفسها من كمٍّ هائلٍ هائلٍ من النصّ. جذور فكرة LLM أقدمُ ممّا يَفترض الكثيرون. الجديد هو المقياس الذي تعمل عليه الآن.

أمّا الانعطاف المعماري المحدَّد الذي غيَّر كلَّ شيء، فأحفظه للفصلَين الثالث والرابع. ولكن من الجدير قول هذا الآن: الانتقال من "إحصاء الترددات" إلى "تعلُّم الأنماط نفسها" هو أكبر مفترقٍ في تاريخ معالجة اللغات الطبيعية. حين تُبصره بوضوح، يَسهل كثيراً فَهْم كلِّ ما يأتي بعد.

ثلاث مفاهيمَ خاطئة تستحقّ المواجهة

في ختام الفصل، أتعامل بجدّية مع ثلاث مفاهيمَ خاطئة حول سلوك LLM لا تزال صامدةً عنيدةً. أقول "بجدّية"، لأنّ تصديق أيٍّ منها يُخلّ كلّياً بحسِّك بمقدار ما يُمكن أن تثق بهذا الشيء.

أوّلاً، الاعتقاد بأنّ LLM "يفهم" كما يفهم الإنسان. ليس كذلك. يَبدو الناتج فاهماً لأنّه دُرِّب على نصوصٍ كتبَها أُناس فهموا فعلاً. ثانياً، الاعتقاد بأنّ LLM قاعدةُ بياناتٍ للحقائق. ليس كذلك. الحقائق موزَّعة عبر مليارات الأوزان — ولذلك يستطيع النموذج أن يُنتج تصريحاتٍ مُحْكَمَة الشكل وكاذبة دون أيِّ ضيقٍ داخلي. ثالثاً، الاعتقاد بأنّ النموذج الأكبر هو دائماً الأذكى. ليس بالضرورة. يَتفاعل المقياس مع جودة البيانات وهدف التدريب والمعمارية. النموذجُ الأكبر بين يديك ليس دائماً الخيار الصحيح. القصّة أعقد ممّا تَبدو.

ما الذي يَترُكه الفصل الأوّل

في ختام الفصل ينبغي أن تكون قادراً على أن تَشرح بكلماتك ما هو LLM وما ليس كذلك. تَنال أيضاً إحساساً بتاريخ هذا الميدان، ومجموعةَ مرشِّحاتٍ ضدّ المفاهيم الخاطئة الشائعة. لفصلٍ واحدٍ، هذا ليس بالقليل — وهذا الأساس بالذات هو ما يجعل قراءة بقيّة الكتاب ممكنةً بثبات.

حتّى لو توقّفت عند الفصل الأوّل وكفى، ستتحدَّث عن LLM بأدقَّ بكثير من العناوين. وهذا وحدُه، بصراحة، يستحقّ ثمن فصل.

غداً — الفصل الثاني: الاحتمال، الرموز، والنصّ. سنرى ما الذي تَعنيه الرموزُ فعلاً، ولماذا يكون النموذج في جوهره آلةً احتمالية، وكيف يَستند ذلك الشيءُ الوحيد الذي يفعله — التنبُّؤ بالرمز التالي — إلى التنوُّع الواسع الذي نراه يَخرج منه.