كثير من المصادر تستخدم هذه المصطلحات الثلاثة بشكل متبادل، لكنها ليست مرادفات. هذه الصفحة تضعها في مكانها الصحيح بثلاث جمل، ثم تفصّل.
باختصار شديد
الذكاء الاصطناعي هو المظلّة. تعلّم الآلة جزء منه. التعلّم العميق جزء من تعلّم الآلة.
┌─────────────────────────────────────────┐
│ الذكاء الاصطناعي (AI) │
│ كل نظام يحاول محاكاة سلوك "ذكي" │
│ │
│ ┌───────────────────────────────┐ │
│ │ تعلّم الآلة (Machine Learning)│ │
│ │ يتعلّم من البيانات │ │
│ │ │ │
│ │ ┌──────────────────────┐ │ │
│ │ │ التعلّم العميق (DL) │ │ │
│ │ │ شبكات عصبية عميقة │ │ │
│ │ └──────────────────────┘ │ │
│ └───────────────────────────────┘ │
└─────────────────────────────────────────┘
المثال الواحد
لنفهم الفرق بمثال واحد — نظام يتعرّف على صور القطط:
| النظام | التقنية | كيف يعمل |
|---|---|---|
| نظام AI قديم (قبل تعلّم الآلة) | قواعد مكتوبة يدويًا | مبرمج يكتب: "إذا كان هناك شكل بيضاوي بحجم 5 سم، وفوقه مثلثان مدبّبان، فهذا قطة." النظام يفشل مع أي صورة لا تطابق القواعد بدقة. |
| نظام ML تقليدي | تعلّم آلة بميزات يدوية | المبرمج يستخرج ميزات (حواف، ألوان، نسب)، ثم يدرّب نموذج تعلّم آلة (مثل SVM أو Random Forest) ليتعلّم من هذه الميزات المُعرَّفة. |
| نظام DL | تعلّم عميق | الشبكة العصبية تستقبل الصورة الخام وتتعلّم بنفسها الميزات والقرارات — لا حاجة لتدخّل بشري في استخراج الميزات. |
الذكاء الاصطناعي (AI) — أوسع تعريف
يشمل أي نظام يحاول محاكاة سلوك ذكي:
- تعلّم الآلة.
- الأنظمة القائمة على القواعد (Expert Systems).
- البحث والخوارزميات (مثل AlphaGo للعبة Go — يجمع تعلّمًا معززًا وبحث شجرة).
- الرؤية الحاسوبية المبنية على طرق رياضية كلاسيكية.
تعلّم الآلة (ML) — فرع من AI
كل تعلّم آلة هو ذكاء اصطناعي، وليس العكس.
يتميّز ML بأنه:
- يتعلّم من بيانات بدل قواعد مكتوبة يدويًا.
- يُنتج نموذجًا يمكنه التعميم على بيانات جديدة.
التعلّم العميق (DL) — فرع من ML
كل تعلّم عميق هو تعلّم آلة، وليس العكس.
يتميّز DL بأنه:
- يستخدم شبكات عصبية بطبقات كثيرة.
- يتعلّم استخراج الميزات بنفسه من البيانات الخام (صور، نصوص، صوت).
- يحتاج بيانات أكثر وموارد حوسبة أكبر.
متى يُستخدم كلٌّ منها؟
| الحالة | الخيار المناسب غالبًا |
|---|---|
| قاعدة بسيطة واضحة (مثل "إذا كان السعر أقل من 100، طبّق الخصم") | قاعدة مكتوبة يدويًا (AI بدون ML) |
| بيانات جدولية صغيرة إلى متوسّطة (مثل جدول عملاء) | ML تقليدي (Linear Regression، Random Forest) |
| صور، صوت، نصوص بكميات كبيرة | DL (CNNs للصور، Transformers للنصوص) |
| محادثة طبيعية، توليد نص، استخراج معلومات من مستندات | LLM (نوع من DL مبني على Transformers) |
أخطاء شائعة في الاستخدام
- "الذكاء الاصطناعي" بمعنى "تعلّم الآلة": مصطلح AI أوسع، لكن كثير من المنتجات تستخدمه قاصدة ML فقط. مقبول تسويقيًا، مربك تقنيًا.
- "تعلّم عميق" لكل نموذج: ليس كل نموذج ذكاء اصطناعي تعلّمًا عميقًا. كثير من أفضل النماذج في الإنتاج هي ML تقليدي.
- "Deep Learning = ذكاء اصطناعي عام": لا. التعلّم العميق فرع محدّد من ML، وهو ضيّق في قدراته ككل نظام AI آخر.
كيف ترتبط هذه المصطلحات بالمسار؟
- AI = المظلّة الكبرى (المسار الذي تقرأه الآن).
- ML = معظم المسار العملي (الانحدار، التصنيف، التعلم غير الموجّه، التعلّم المعزز).
- DL = الموجة المتقدمة (الشبكات العصبية، CNN، RNN، المحوّلات، النماذج اللغوية الكبيرة).
الخطوات التالية
- ما هو الذكاء الاصطناعي وتعلّم الآلة؟ — أساس ML.
- أنواع الذكاء الاصطناعي — تصنيف حسب القدرات.
- ما هو التعلّم العميق — توسيع لقسم DL.
- NumPy للذكاء الاصطناعي — بداية المسار العملي.
💡 إذا احتجت توصيل هذا الفرق لزميل غير تقني (PM، مصمّم، مدير): راجع كيف تشرح AI و ML و DL لغير المبرمجين.