تخيّل أنك تطلب من أداة ذكاء اصطناعي أن تلخّص تقريرًا تقنيًا. تكتب سؤالك، تضغط إدخال، وتحصل على إجابة دقيقة ومركّزة. بعد ساعة، تعود إلى الأداة ذاتها وتكتب السؤال نفسه حرفيًا، لكن الإجابة التي تظهر مختلفة — ربما أطول، أو أقل دقة، أو بصياغة مغايرة تمامًا. تتساءل: "كيف لنفس الأداة، ونفس السؤال، أن يعطيا نتيجتين مختلفتين؟"
هذا الموقف ليس خللًا ولا قصورًا مؤقتًا. إنه نافذة على الطريقة الحقيقية التي تعمل بها نماذج الذكاء الاصطناعي التوليدية. السؤال الأعمق الذي يطرحه هذا المشهد هو: هل تمتلك هذه النماذج أصلًا إجابات ثابتة جاهزة، تستدعيها عند الطلب، أم أن عملية إنتاج الإجابة تسير وفق منطق آخر تمامًا؟ فهم هذا الفرق هو الخطوة الأولى نحو إتقان هندسة البرومبت بوصفها ممارسة منهجية، لا مجرد مجموعة حيل.
هل تمتلك النماذج إجابات ثابتة؟
التصور الشائع
من السهل أن نتخيّل نموذج الذكاء الاصطناعي كمكتبة عملاقة، تضم بين رفوفها إجابات جاهزة عن كل سؤال يمكن أن يخطر ببال إنسان. في هذا التصور، حين نكتب استفسارًا، يذهب النموذج إلى الرف المناسب ويستعيد الإجابة المخزّنة مسبقًا. إن كان الأمر كذلك، فمن البديهي أن تتطابق الإجابة في كل مرة نسأل فيها السؤال نفسه.
الحقيقة مقابل التصور
التصور الخاطئ: النموذج يخزّن إجابات جاهزة ويسترجعها عند الطلب.
الواقع: النموذج يخزّن أنماطًا إحصائية للعلاقات بين المفاهيم، وينتج إجابات جديدة في كل مرة بناءً على هذه الأنماط.
الواقع الفعلي
الحقيقة أن النماذج اللغوية الكبيرة لا تخزّن إجابات جاهزة. ما تخزّنه هو أنماط إحصائية معقدة تعلمتها أثناء التدريب على مليارات النصوص. هذه الأنماط تمثل علاقات بين الكلمات والمفاهيم والسياقات، وليس نصوصًا كاملة محفوظة. عندما نتحدث مع النموذج، فإننا لا نستحضر إجابة مخزّنة، بل نشغّل عملية بناء لغوي آنية تتشكل لحظة بلحظة.
معلومة معرفية
النموذج لا يبحث في قاعدة بيانات عن إجابة مطابقة، بل يولّد تسلسلًا جديدًا من الكلمات بناءً على ما تعلّمه من أنماط اللغة. في النماذج التوليدية الأساسية، تُبنى الإجابة لحظة الاستجابة بدل استدعاء نص محفوظ مسبقًا.
الفرق بين الاسترجاع والتوليد
لفهم هذه النقطة، علينا التمييز بين نموذجين من التفاعل مع الآلة:
- الاسترجاع (Retrieval): هو ما تفعله محركات البحث التقليدية؛ تُخزّن مستندات كاملة، وعند السؤال تستعيد المستند الأكثر صلة.
- التوليد (Generation): هو ما تفعله النماذج اللغوية؛ لا تسترجع مستندًا، بل تنتج نصًا جديدًا كلمةً كلمة، بناءً على احتمالات مستمدة من فهمها للسياق وللعلاقات بين المفردات.
النموذج التوليدي لا يقول: "ها هي الإجابة الصحيحة كما حُفظت"، بل يقول: "أمام هذا السياق، ما هو التسلسل النصي الأكثر اتساقًا ومعقولية؟". وهنا يكمن سر اختلاف النتائج.
كيف تنتج النماذج الإجابة أصلًا؟
فكرة التوليد الاحتمالي
عندما يبدأ النموذج في كتابة إجابة، فهو لا يملك خريطة كاملة لما سيقوله. إنه يختار الكلمة الأولى بناءً على تقدير احتمالي للكلمة الأنسب لبدء الرد على المدخل الذي تلقّاه. بعد أن يختار هذه الكلمة، يعيد تقييم الموقف: "الآن، بالنظر إلى السؤال والكلمة التي كتبتها للتو، ما الكلمة التالية الأكثر ملاءمة؟" وتستمر العملية بهذا الشكل.
هذه الآلية تُعرف باسم "التوليد الذاتي الانحداري" (Autoregressive Generation). كل كلمة جديدة تصبح جزءًا من السياق الذي يحدد الكلمة التي تليها. القرارات الصغيرة في البداية — كاختيار كلمة "ربما" بدل "بالتأكيد"، أو "السبب" بدل "العامل" — تقود إلى مسارات نصية متباينة تمامًا بعد جمل قليلة.
تبسيط الآلية
هذا الوصف التعليمي يقدّم العملية كما لو أن النموذج "يختار كلمات"، لكن ما يحدث داخليًا أكثر تجريدًا: يتعامل النموذج مع تمثيلات رياضية معقدة للمعنى والسياق، ثم يُسقطها على تسلسلات لغوية. الإطار المبسّط مفيد للفهم الأولي، وسنبني عليه لاحقًا عند الانتقال إلى مستويات أكثر عمقًا.
كيف يؤثر كل اختيار في بقية الإجابة
لنأخذ مثالًا مبسّطًا. سألت النموذج: "لماذا تختلف نتائج الذكاء الاصطناعي؟"
في المحاولة الأولى، بدأ إجابته بـ "تعتمد النتيجة على عدة عوامل، منها..."
في المحاولة الثانية، بدأ بـ "قد تلاحظ أن الإجابة تتغير أحيانًا لأن النموذج..."
هذان المفتتحان ليسا مجرد صياغتين مختلفتين لنفس المضمون. كل مفتتح يولّد سلسلة من الخيارات اللغوية الخاصة به. الكلمات التي تلي "تعتمد النتيجة" ستكون مختلفة إحصائيًا عن الكلمات التي تلي "قد تلاحظ". بهذا الشكل، لا يحتاج النموذج إلى "قصد" لإنتاج إجابتين مختلفتين؛ الاختلاف هو نتيجة طبيعية لعملية البناء التدريجي القائمة على الاحتمالات.
فكرة جوهرية
نماذج اللغة لا تفكر في الجملة كوحدة كاملة قبل كتابتها. إنها تبني المعنى أثناء الكتابة، مثل نظام يبني تسلسلًا لغويًا خطوة بخطوة اعتمادًا على ما أنتجه للتو، دون مخطط مسبق للنص الكامل.
ما العوامل التي تجعل النتائج تختلف؟
فهمنا الآن أن التوليد عملية تدريجية قائمة على الاحتمالات. هذا يفسّر لماذا يمكن أن تختلف النتائج، لكنه لا يخبرنا ما الذي يضخّم هذا الاختلاف أو يقلّصه. هناك أربعة عوامل رئيسية تتحكم في مدى اتساق المخرجات.
1. صياغة السؤال
التغيير الطفيف في صياغة السؤال، حتى بما لا يغيّر المعنى ظاهريًا، يمكن أن يؤثر في توزيع الاحتمالات الذي يستخدمه النموذج. قارن بين السؤالين:
- "اشرح أسباب اختلاف نتائج النموذج."
- "ما الذي يجعل النموذج يعطي إجابات مختلفة؟"
منظور السؤال الأول يُوجّه النموذج نحو عرض تحليلي للأسباب، بينما الثاني يوجّهه نحو تفسير سببي أعمق. الفروق في الكلمات المفتاحية وسياق السؤال تنشّط مسارات توليد متباينة.
2. تأثير السياق
النماذج الحديثة تحتفظ بسياق المحادثة. كل ما قيل سابقًا من الطرفين يُشكّل المدخل الذي يعتمد عليه النموذج لبناء الإجابة الجديدة. إذا اختلف تاريخ المحادثة — ولو في تفصيلة صغيرة — قد يتغيّر الناتج. لهذا السبب، إذا جربت السؤال في جلسة جديدة تمامًا ثم أعدته في جلسة أخرى تحتوي على حوار سابق، فقد تحصل على نتيجة مختلفة وإن كان نص السؤال متطابقًا حرفيًا.
3. الطبيعة غير الحتمية للنماذج
حتى لو ثبّتنا كل شيء: نفس الجلسة، نفس الصياغة، نفس السياق، فقد تختلف الإجابة. السبب يكمن في آلية اختيار الكلمات داخل النموذج. فهو لا يختار دائمًا الكلمة الأعلى احتمالًا، بل يستخدم استراتيجيات مثل "العيّنة العشوائية" (Sampling) التي تُدخل عنصرًا مقصودًا من التنويع. معامل مثل "درجة الحرارة" (Temperature) يتحكم في مدى هذه العشوائية؛ كلما ارتفع، زاد احتمال الخروج عن المسار الأكثر توقعًا. هذه العشوائية هي ما يمنح النموذج قدرته على الإبداع وتجنّب التكرار، وهي أيضًا ما يجعل التطابق التام بين ناتجين شبه مستحيل.
4. جودة البرومبت
البرومبت ليس مجرد سؤال، إنه توجيه كامل يُحدد حدود المهمة وأسلوب الإخراج. كلما كان البرومبت عامًا وغامضًا، منح النموذج مساحة واسعة من الخيارات الممكنة يتحرك فيها، مما يزيد احتمال اختلاف النتائج بين المحاولات. وعلى العكس، البرومبت الدقيق الذي يحدد الدور، والشكل، والهدف يقلّص تلك المساحة ويوجّه التوليد نحو نطاق أكثر ثباتًا.
مثال عملي للمقارنة
برومبت عام: "اكتب عن تاريخ الأندلس."
برومبت محدّد: "قدّم نبذة عن سقوط غرناطة في ثلاث فقرات، موجهة لجمهور غير متخصص، مع التركيز على الأسباب السياسية فقط، واختتم بسؤال مفتوح."
البرومبت الأول سينتج نصوصًا شديدة التباين في كل مرة. الثاني سيُنتج نصوصًا متقاربة في المضمون والبنية، لأن التعليمات ضيّقت مسارات التوليد الممكنة.
خلاصة سريعة
العوامل الأربعة التي تؤثر في اختلاف النتائج هي: صياغة السؤال، سياق المحادثة، الطبيعة العشوائية للنموذج، ومدى دقة البرومبت. التحكم بهذه العوامل يمنحك تحكمًا أكبر في درجة اتساق المخرجات.
هل اختلاف النتائج عيب أم ميزة؟
الحالات التي يكون فيها مفيدًا
تخيّن أنك تطلب من النموذج اقتراح أفكار إبداعية لحملة تسويقية، أو كتابة مسودات متعددة لافتتاحية مقال. الاختلاف بين النتائج هنا ليس إخفاقًا، بل هو تجسيد لمرونة النموذج. العشوائية المحسوبة تمكّنك من استكشاف فضاء الاحتمالات بدلاً من الحصول على إجابة واحدة جامدة. وفي جلسات العصف الذهني، يصبح النموذج شريكًا يقدّم زوايا جديدة في كل مرة، مما يوسّع أفق التفكير.
الحالات التي يصبح فيها مشكلة
لكن في سياقات أخرى، يكون الاتساق مطلبًا أساسيًا. إذا كنت تستخدم النموذج لاستخلاص معلومات دقيقة من مستندات قانونية، أو إنتاج تحليلات مالية، فإن اختلاف النتائج يتحول إلى معضلة. هنا تصبح الحاجة ملحّة لتثبيت المخرجات قدر الإمكان، من خلال تحسين البرومبت، وضبط معاملات العشوائية (مثل خفض درجة الحرارة إلى الصفر)، وتقديم تعليمات حاسمة لا تترك مساحة للتأويل.
الوعي بهذه الازدواجية يحررك من توقّع سلوك موحّد. بدلاً من التساؤل: "لماذا أعطاني إجابة مختلفة؟"، يصبح السؤال الأجدر: "هل الاختلاف هنا يخدمني أم يعيقني؟ وكيف أتحكم فيه؟".
ماذا تعلمنا هذه الظاهرة عن هندسة البرومبت؟
في الوحدة الأولى من هذا القسم، التي تحمل عنوان "ما هي هندسة البرومبت فعلًا؟"، نحن بصدد بناء تصور عميق لهذه الممارسة يتجاوز فكرة "كتابة أسئلة ذكية". ظاهرة اختلاف النتائج تقدّم لنا ثلاثة دروس جوهرية:
أولاً: البرومبت ليس زر تشغيل، بل أداة تضييق للفضاء الاحتمالي
كلما فهمت أن النموذج لا يبحث عن إجابة بل يولّدها من فضاء واسع من الاحتمالات، أدركت أن دورك كمهندس برومبت هو تقليص هذا الفضاء بذكاء، وتوجيه التوليد نحو المنطقة التي تريدها، من خلال التعليمات والسياق والأمثلة.
ثانيًا: لا يمكن الفصل بين تصميم البرومبت وفهم آلية التوليد
الممارس الفعّال لا يكتفي بمعرفة "ماذا أكتب"، بل يسأل: "كيف سيقرأ النموذج هذا النص؟ أي مسارات توليد ستنشط في ذهنه الإحصائي؟". بهذا الانتقال من عقلية المستخدم إلى عقلية المصمّم، تبدأ هندسة البرومبت الحقيقية.
ثالثًا: الاتساق ليس افتراضيًا، بل يُصمَّم
إذا كنت بحاجة إلى نتائج ثابتة، عليك أن تصمم لهذا الغرض: استخدم تعليمات واضحة وأمثلة ملموسة (سنعود إلى تقنيات التثبيت هذه في مقالات لاحقة)، وحدد بنية الإجابة. النموذج غير حتمي بطبيعته، لكن يمكنك التأثير بصورة كبيرة في درجة استقرار المخرجات عبر تصميم البرومبت والسياق وضبط المعاملات.
هذه الأفكار لا تنتمي إلى مرحلة متقدمة من التعلّم؛ إنها أساس هندسة البرومبت نفسها. والانتقال من "التعامل مع النموذج كصندوق أسود يعطي إجابات" إلى "فهم النموذج كبيئة توليدية تتأثر بكل تفصيلة" هو لحظة التحول التي نبني عليها كل ما سيأتي في هذا القسم.
الأسئلة الشائعة
هل يمكن جعل النموذج يعطي نفس الإجابة دائمًا؟
يمكن الاقتراب من درجة عالية من الاتساق عبر خفض درجة الحرارة (Temperature) إلى الصفر، وتثبيت البذرة العشوائية (Seed) عند دعم المنصة لذلك، مع استخدام برومبت شديد التحديد. لكن التطابق الحرفي التام بين ناتجين ليس مضمونًا، لأن عمليات البنية التحتية الداخلية (مثل توزيع الحوسبة) قد تُحدث اختلافات طفيفة.
لماذا لا تُظهر لي الأداة أنها "غير متأكدة" بدلاً من إعطاء إجابات مختلفة؟
النموذج لا يملك وعيًا بعدم اليقين بالمعنى البشري. ما يولّده هو امتداد احتمالي للسياق، وليس تقريرًا عن درجة ثقته. يمكن تقليل الاختلافات عن طريق تحسين البرومبت، لا بالاعتماد على النموذج لمراقبة نفسه.
هل معنى هذا أن النموذج لا يفهم شيئًا؟
المصطلحان "يفهم" و"لا يفهم" ينتميان إلى نقاش فلسفي ومعرفي لم يُحسم بعد. ما يمكن قوله بدقة تقنية هو أن النموذج يبني تمثيلات رياضية معقدة للعلاقات بين المفاهيم، مما يسمح له بأداء مهام تتطلب عمليًا تفسير السياق ومعالجة الروابط بين الأفكار. هذا الأداء هو ما يجعل النموذج مفيدًا، بغض النظر عن الموقف الفلسفي من طبيعة "الفهم".
كيف أتأكد أن اختلاف الإجابات لا يخفي معلومات خاطئة؟
يجب التعامل مع النموذج التوليدي كأداة مساعدة، لا كمصدر نهائي للحقائق. تحقّق من المعلومات المهمة من مصادر موثوقة، واستخدم البرومبت لتوجيه النموذج نحو الاستدلال بدلاً من استدعاء "حقائق" يُوهم بامتلاكها.
الخلاصة: إعادة تعريف العلاقة مع النموذج
هندسة البرومبت لا تبدأ بسؤال: "ماذا أكتب؟" بل تبدأ بسؤال: "كيف يفهم النموذج ما أكتبه؟". عندما نستوعب أن كل كلمة في برومبتنا تعيد تشكيل مسار التوليد، ننتقل من التعامل مع النموذج بالتجربة العشوائية إلى التعامل معه بوصفه نظامًا يمكن فهمه وتوجيهه. هذا هو المدخل الحقيقي لبناء تفاعل ذكي لا يراهن على الصدفة، بل يُصمّم النتيجة التي نريد.