كل هذه المصطلحات في الـAI تبدو منفصلة… لكنها في الحقيقة أجزاء من صورة واحدة.
كل هذه المصطلحات في الـAI تبدو منفصلة… لكنها في الحقيقة أجزاء من صورة واحدة. لكن كيف ترتبط كل هذه الأشياء ببعضها؟
لفهم الصورة، تخيل أن الذكاء الاصطناعي ليس تقنية واحدة، بل مجموعة من الأساليب والتقنيات التي يمكن أن تتكامل معًا:
من أقدم الأساليب.
يعتمد على:
Rules → Logic → Knowledge
مثل نظام لديه قاعدة:
"إذا حدث A وB → افعل C."
ومن هنا ظهرت أفكار مثل الأنظمة الخبيرة وKnowledge Graphs والاستدلال المنطقي.
Machine Learning — تعلم الآلةهنا لا نكتب كل القواعد يدويًا.
نعطي النموذج بيانات، فيتعلم الأنماط منها.
مثل:
Classification → هل العميل سيترك الخدمة؟
Regression → كم ستكون المبيعات؟
Clustering → ما مجموعات العملاء المتشابهة؟
Deep Learning — التعلم العميقجزء من Machine Learning يعتمد على الشبكات العصبية متعددة الطبقات.
ومن هنا جاءت تقنيات قوية مثل:
وأصبح بالإمكان التعامل مع الصور، النصوص، الصوت وغيرها على نطاق واسع.
Generative AI — الذكاء الاصطناعي التوليديهنا لا يقتصر النموذج على التنبؤ أو التصنيف.
بل يستطيع توليد محتوى جديد.
نصوص 
LLMs
LLMsصور Diffusion Models
Diffusion Modelsصوت Audio Models
Audio Modelsومع النماذج متعددة الوسائط يمكن التعامل مع أكثر من نوع من البيانات.
---
AI Agents — الوكلاء الذكيونوهنا يحدث تغيير مهم:
النموذج لا يكتفي بإعطائك إجابة.
يمكن للنظام أن:
يفهم الهدف → يخطط → يستخدم أدوات → ينفذ خطوات → يراجع النتيجة.
مثل Agent يستطيع قراءة ملف Excel، تحليل البيانات، تشغيل Python، البحث في قاعدة بيانات، ثم إنشاء تقرير.
وهنا تصبح قيمة الـAI مرتبطة ليس فقط بذكاء النموذج، بل أيضًا بـالأدوات، الذاكرة، التخطيط، والـWorkflow.
والأهم:
هذه ليست درجات يجب أن تصعدها واحدة تلو الأخرى.
يمكن لنظام واحد أن يجمع:
Machine Learning + Deep Learning + LLM + قواعد منطقية + أدوات + بيانات + Agent Workflow.
لذلك عندما تسمع مصطلحًا جديدًا في عالم الـAI، لا تحفظ اسمه فقط.
اسأل:
أين يقع في الصورة الكبيرة؟
وما المشكلة التي يحاول حلها؟
لأن فهم العلاقة بين التقنيات أهم بكثير من حفظ عشرات الـBuzzwords.