فهم الذكاء الاصطناعي
يعرض الدليل AI كأنظمة حاسوبية تتلقى مدخلات وتنتج مخرجات وفق نموذج أو خوارزمية. هذه الأنظمة قد تبدو “ذكية”، لكنها ليست حكمًا محايدًا خارج المجتمع. هي منتجات بشرية: تُبنى ببيانات، أهداف، افتراضات، شركات، ومؤسسات.
AI كحقل وكقدرة
يمكن فهم AI بطريقتين:
- كحقل في علوم الحاسوب يطوّر أنظمة تتعلم أو تستنتج أو تتعامل مع اللغة والصور والبيانات.
- كقدرة في نظام حاسوبي على أداء مهام نربطها عادة بالتفكير البشري، مثل التصنيف، التنبؤ، تلخيص اللغة، أو توليد النص والصورة.
هذه التفرقة تساعد الناشطين. عندما تسمع مؤسسة تقول “نستخدم AI”، اسأل: هل تتحدث عن تقنية محددة؟ أم تستخدم الكلمة كعلامة تسويق؟
AI الضيق وAI العام
معظم الأنظمة الموجودة اليوم هي AI ضيق: تعمل داخل مهمة محددة مثل التوصية، الترجمة، التعرف على الصور، كشف الاحتيال، أو المحادثة. أما AI العام القادر على نقل الفهم بين كل المجالات مثل الإنسان، فليس نظامًا مستخدمًا اليوم. هذه النقطة تمنع التهويل: لا نتعامل مع قوة سحرية، بل مع أنظمة محدودة قد تكون مؤثرة وخطرة داخل سياقها.
التعلم الآلي والتعلم العميق والتوليد
التعلم الآلي يعني أن النظام يتعلم أنماطًا من بيانات ليحسن التنبؤ أو التصنيف أو القرار. التعلم العميق هو نوع من التعلم الآلي يستخدم نماذج كبيرة ومعقدة، ويظهر في التعرف على الصور والصوت واللغة. الذكاء الاصطناعي التوليدي ينتج نصوصًا أو صورًا أو كودًا أو مخرجات جديدة تشبه ما رآه في التدريب.
لذلك، عندما تستخدم أداة توليدية، فهي لا “تعرف” بمعنى الخبرة البشرية. هي تولد استجابة محتملة بناءً على نمط وتوجيه. هذا مفيد في الكتابة والتنظيم، وخطير إذا استُخدم للحكم على أشخاص أو تفسير تجاربهم دون مراجعة.
كيف يتدرب AI؟
يعرض الدليل عدة طرق تدريب:
- تدريب بإشراف: بيانات لها أمثلة وإجابات معروفة.
- تدريب بلا إشراف: البحث عن أنماط داخل بيانات غير موسومة.
- تدريب بالتعزيز: تحسين السلوك عبر مكافآت أو تغذية راجعة.
- تدريب قائم على مبادئ أو “دستور”: محاولة ضبط السلوك وفق قواعد معلنة.
النقطة الحقوقية هنا: كل تدريب يحمل افتراضات. من اختار البيانات؟ من وضع التصنيفات؟ من قرر أن هذا السلوك “صحيح” أو “خطأ”؟ في سياق التوحد، هذه الأسئلة حاسمة لأن كثيرًا من البيانات والمعايير بُنيت حول توقعات غير توحدية.
صناعة AI
يشير الدليل إلى أن AI أصبح صناعة عالمية تضم شركات تقنية كبرى، شركات ناشئة، باحثين، حكومات، منظمات مجتمع مدني، ومستخدمين. الصناعة تتحرك بسرعة وبتدفقات مالية ضخمة، وهذا يخلق ضغطًا لإطلاق أدوات قبل فهم آثارها.
الناشط لا يحتاج أن يصبح مهندسًا كي يشارك. لكنه يحتاج فهمًا كافيًا ليتفاوض مع الصناعة: ما النظام؟ ما البيانات؟ ما المخاطر؟ من يملك القرار؟ من يراجع الضرر؟
أسئلة عملية
- هل النظام يصنف، يتنبأ، يولد، يراقب، أم يدعم قرارًا بشريًا؟
- ما نوع البيانات المستخدمة؟ وهل تشمل بيانات حساسة عن التواصل أو السلوك أو الصحة؟
- هل هناك بديل غير آلي؟
- هل تستطيع المؤسسة شرح حدود الأداة بلغة مفهومة؟
خريطة مبسطة للأنظمة
عند مراجعة أداة، صنّفها أولًا:
- أداة توليد: تكتب، تلخص، تترجم، أو تقترح محتوى. خطرها الأكبر الثقة الزائدة والمعلومات غير الدقيقة.
- أداة تصنيف: تضع الناس أو النصوص أو الصور في فئات. خطرها الأكبر التحيز الخفي والتعميم.
- أداة تنبؤ: تتوقع أداء أو حاجة أو خطرًا. خطرها الأكبر تحويل الماضي المتحيز إلى قرار جديد.
- أداة مراقبة: تتابع الوجه أو الصوت أو الحركة أو الاستخدام. خطرها الأكبر انتهاك الخصوصية وتحويل الاختلاف إلى إنذار.
- أداة دعم قرار: لا تقرر وحدها ظاهريًا، لكنها تؤثر في قرار إنسان. خطرها أن يصبح الإنسان مجرد ختم موافقة.
ما الذي لا يجب أن تنخدع به؟
لا يكفي أن تقول الجهة إن النظام “مدعوم بالذكاء الاصطناعي”. اطلب اسم الوظيفة الفعلية. ولا يكفي أن تقول إن النظام “تعلم من بيانات كثيرة”. اسأل هل هذه البيانات تمثل أشخاصًا توحديين متنوعين. ولا يكفي أن تقول إن هناك “مراجعة بشرية”. اسأل هل يستطيع المراجع تغيير القرار، وهل يملك وقتًا ومعلومات كافية.
مخرج عملي
اكتب بطاقة تقنية قصيرة لأي أداة:
- الغرض.
- نوع AI المستخدم.
- نوع البيانات.
- القرار الذي يتأثر.
- من يراجع.
- كيف يعترض الشخص.
- ما المخاطر الخاصة بالتوحد.