من كلمة تكتبها أنت… إلى أرقام ومتجهات تسبح في فضاء رياضي. اليوم نفكّك الرحلة كاملة: الفرق بين الـ LLM والـ Agent، التوكنز وحسابها، ورحلة النص من توكن إلى ID إلى Vector — وأين تتفوّق الآلة علينا، وأين تظلّ أضعف منّا.
ابدأ الرحلةكل محطة فيها شرح مبسّط + مثال بصري + تجربة تفاعلية تلعب بها بنفسك + مصادر موثّقة تقدر ترجع لها بعد المحاضرة.
الفرق بين «العقل» الذي يتنبّأ بالكلمة، و«الموظّف» الذي يخطّط ويتصرّف.
02الوحدة التي تُقاس بها لغة الآلة — ولماذا العربية «أغلى» من الإنجليزية.
03نفق التحويل الحيّ + فضاء متجهات ثلاثي الأبعاد تلفّه بيدك.
04سباق حيّ: آلة ضد إنسان — أين تكتسح، وأين تسقط بصدق.
05مئات المليارات، سباق الشركات، ومقاييس قوّة النماذج بأرقام حقيقية.
أشهر خلط في المجال. الـ LLM «عقلٌ» وظيفته الوحيدة أن يتنبّأ بالكلمة (التوكن) التالية. أمّا الـ Agent فهو نظامٌ يضع هذا العقل في حلقة: يخطّط، يستخدم أدوات، يلاحظ النتيجة، ثم يقرّر خطوته التالية حتى يُنجز هدفًا.
محرّك تنبّؤ إحصائي. يستقبل نصًّا، ويُخرج التوكن الأرجح تاليًا… ثم يكرّر. لا ذاكرة دائمة، لا أدوات، لا أفعال في العالم الخارجي. عقلٌ بلا يدين.
الـ LLM نفسه، لكن داخل حلقة عمل: يفكّر في خطوة، ينفّذها عبر أداة، يقرأ النتيجة، ثم يقرّر التالي — ويعيد الكرّة حتى يصل للهدف. عقلٌ + يدان + خطّة.
اسأل نموذجًا خامًّا (LLM): «كم سعر صرف الدولار اليوم؟» — سيُخمّن رقمًا من بيانات تدريبه القديمة. أمّا الـ Agent فسيفعل ما يفعله مترجم محترف: يفتح أداة بحث، يجلب السعر الآن، ثم يجيبك. نفس «العقل» — لكن الفرق هو الأدوات والحلقة حوله.
النموذج لا يرى «كلمات» بالمعنى الذي نعرفه. يقطّع النص إلى وحدات صغيرة تُسمّى «توكنز» — قد تكون كلمة، أو جزء كلمة، أو حتى حرفًا واحدًا. التوكن هو ما يُحسب عليه السعر، وما يحدّ طول ما يقرأه ويكتبه النموذج.
⚠️ هذا مُقطِّع تعليمي مبسّط، وليس خوارزمية BPE الحقيقية — والـ IDs المعروضة توضيحية وليست من قاموس نموذج فعلي. الفكرة الصحيحة المُوصَلة: نفس التوكن يأخذ نفس الرقم دائمًا. للحساب الدقيق استخدم الأداة الرسمية:
جرّب على الأداة الحقيقية: Tokenizer من OpenAI يوريك التقطيع الفعلي (BPE) والعدد الدقيق للتوكنز لأي نص عربي أو إنجليزي — قارن نتيجته بالمحاكاة فوق.
افتح OpenAI Tokenizer ↗أغلب المُقطِّعات دُرِّبت على بيانات إنجليزية بالأساس، فتقطّع العربية إلى وحدات أصغر وأكثر عددًا. النتيجة: نفس المعنى قد يكلّف في العربية ضعف عدد توكنز الإنجليزية أو أكثر — وهذا يهمّك مباشرةً في التكلفة وحدود الطول عند بناء أدوات الترجمة.
النِّسَب توضيحية للاتجاه العام وتختلف حسب النموذج والمُقطِّع؛ القاعدة الثابتة: العربية تستهلك توكنز أكثر لنفس المعنى.
في الإنجليزية: التوكن الواحد ≈ ٤ حروف ≈ ثلاثة أرباع الكلمة وسطيًّا. أي أن ١٠٠٠ توكن ≈ ٧٥٠ كلمة إنجليزية تقريبًا. في العربية توقّع عددًا أكبر بوضوح لنفس النص.
النموذج لا يفهم الحروف، يفهم الأرقام. رحلة أي نص تمرّ بأربع محطّات متسلسلة: تقطيع إلى توكنز، ثم تحويل كل توكن إلى رقم مُعرِّف (ID)، ثم استبدال الرقم بمتجه من أعداد (Embedding)، وأخيرًا وضع هذا المتجه في فضاء رياضي يحمل «المعنى» على هيئة مواقع.
يُقسَّم النص إلى توكنز كما رأينا في المحطّة السابقة. هذه هي «الحروف الأبجدية» التي يقرأ بها النموذج.
لكل توكن رقمٌ ثابت في «قاموس» النموذج (المفردات / Vocabulary). كلمة «قانون» مثلًا قد تحمل الرقم 8421 دائمًا. النموذج الآن يرى قائمة أرقام صحيحة، لا نصًّا.
كل ID يُستبدل بمتجه من مئات الأعداد العشرية (مثلًا 768 أو 1536 بُعدًا). هذا المتجه ليس عشوائيًّا: يتعلّمه النموذج بحيث تحمل قيمُه ملامحَ معنى الكلمة.
كل متجه = نقطة في فضاء عالي الأبعاد. الكلمات المتقاربة في المعنى تقع متجاورة هندسيًّا. «القرب» هنا = «تشابه المعنى». وهنا يسكن ذكاء النموذج فعلًا.
اكتب جملتك (حتى ٦ كلمات تظهر) ثم شغّل الخطّ: تتقطّع لتوكنز، تنقلب الرقائق لتكشف الـ IDs، تتمدّد لمتجهات، ثم تنطلق نقاطًا مضيئة نحو الفضاء بالأسفل. القيم توضيحية وثابتة لنفس التوكن.
المتجهات انطلقت نحو الفضاء ↓لأن المعنى صار هندسة، صارت العلاقات عملياتٍ حسابية. المتّجه الرابط بين «رجل» و«امرأة» يشبه الرابط بين «ملك» و«ملكة». فإذا أخذت متّجه «ملك» وطرحت منه «رجل» وأضفت «امرأة»، تصل تقريبًا إلى موقع «ملكة». جرّبها بنفسك بزرّ «معادلة الملكة» فوق — هذه ليست حيلة، إنها نتيجة مباشرة لكون المعاني مواقعَ في الفضاء.
كيف يعرف النموذج أن الضمير «راجعه» يعود على «العقد» لا على «المحامي»؟ عبر «الانتباه»: كل كلمة توزّع تركيزها على الكلمات الأخرى بأوزان مختلفة. مرّر (أو اضغط) على الكلمتين الذهبيتين وشاهد خيوط التركيز — سمك الخيط = قوّة الانتباه. تفصيلها الكامل في محاضرة الـ Transformer قادمًا.
حتى نستخدم الأداة بنُضج مهني، لازم نعرف حدودها بصدق. الآلة ليست ساحرة ولا غبية — لها منطقة تتفوّق فيها بوضوح، ومنطقة تظلّ فيها — واقعيًّا — أضعف من مترجم أو خبير بشري.
سباق توضيحي لتقريب الفكرة — الأرقام رمزية وليست قياسًا معياريًّا.
الآلة مُضخِّم قدرة، لا بديل عن الحكم البشري. أنجح مترجم في السنوات القادمة ليس من يرفض الأداة ولا من يسلّمها كل شيء — بل من يعرف بالضبط أين يثق بها (السرعة والاتّساع والاتّساق) وأين يمسك الزمام بنفسه (الدقّة الملزِمة، الحكم، المسؤولية).
حتى تفهم لماذا تتطوّر هذه الأدوات بهذه السرعة — ولماذا صار «مهندس اللغويات» وظيفة المستقبل — انظر لحجم الأموال. ما يحدث الآن هو أكبر دورة استثمار في تاريخ التكنولوجيا، والأرقام التالية حقيقية وموثّقة حتى يوليو 2026 (وتتغيّر بسرعة، فتحقّق دائمًا من الأحدث).
الإنفاق الرأسمالي (Capex): مراكز بيانات، شرائح GPU، وطاقة — الجزء الأكبر منه للذكاء الاصطناعي.
في النصف الأول من 2026، التهمت شركتان وحدهما (OpenAI وAnthropic) نحو 43% من كل تمويل الشركات الناشئة على كوكب الأرض ($217 من $510 مليار).
حسب تقديرات Epoch AI ومؤشر ستانفورد: تدريب GPT-4 كلّف نحو $78 مليون حوسبةً فقط، وGemini Ultra نحو $191 مليون، وLlama 3.1 (405B) نحو $170 مليون — والتكلفة تتضاعف ~2.4x سنويًّا، والحوسبة المستخدمة في التدريب تتضاعف كل ~5 شهور، وأكبر جولات التدريب تتّجه لتجاوز مليار دولار. (وحين أعلنت DeepSeek تدريب V3 بـ $5.6 مليون فقط، كان الرقم لجولة التدريب النهائية دون البنية التحتية والتجارب — لكنه أثبت أن الكفاءة الهندسية قد تغيّر المعادلة.)
لا يوجد رقم واحد سحري — كل مقياس يختبر قدرة مختلفة:
SWE-bench Verified — نسبة الأعطال البرمجية الحقيقية التي أصلحها النموذج:
GPQA Diamond — الاستدلال العلمي بمستوى الدكتوراه:
لا يوجد نموذج واحد يكسب كل شيء. القمّة متقاربة جدًّا، والترتيب يتغيّر كل بضعة أسابيع مع كل إصدار. القرار المهني الصحيح: اختر النموذج حسب المهمّة (برمجة؟ بحث علمي؟ سياق طويل؟ تكلفة؟) وحسب ميزانيتك — وأعد التقييم دوريًّا من لوحات القياس الحيّة مثل LMArena وArtificial Analysis بدل الاعتماد على أي قائمة ثابتة… بما فيها هذه.
كلها تشترك في نفس الأساس الذي درسناه اليوم — توكنز ومتجهات وانتباه — مضافًا إليه طبقات حديثة:
جاوب في ذهنك أولًا، ثم اضغط «أظهر الإجابة النموذجية» للمقارنة. الهدف أن تصوغ الفكرة بكلماتك، لا أن تحفظها.