كل موجة ذكاء اصطناعي في السبعين عاماً الماضية بدأت بوعد ضخم وانتهت بخيبة — إلا الموجة الحالية. فهم تاريخ الذكاء الاصطناعي يمنحك القدرة على التمييز بين ما هو جاهز للتطبيق فعلاً وما هو مجرد ضجيج تسويقي.
ما هو تاريخ الذكاء الاصطناعي باختصار؟
يمتد تاريخ الذكاء الاصطناعي من عام 1943 حين وُضع أول نموذج رياضي للخلية العصبية، مروراً بمؤتمر دارتموث عام 1956 الذي صاغ المصطلح رسمياً، ثم فترتي ركود عُرفتا بشتاء الذكاء الاصطناعي، وصولاً إلى الطفرة الحالية التي أطلقتها نماذج المحوّلات (Transformers) عام 2017.
هذه الدورات ليست تفصيلاً تاريخياً بل درس عملي: التقنية تنجح حين تلتقي بالبيانات الكافية والقدرة الحسابية، لا حين تُعلَن فقط. كل شتاء سبقته موجة وعود تجاوزت ما تستطيع الأجهزة تنفيذه.
المحطات الكبرى في نشأة الذكاء الاصطناعي
.webp)
قبل وجود حواسيب قادرة على تنفيذ الفكرة وُضع أساسها النظري. في 1943 قدّم وارن ماكولوك ووالتر بيتس أول نموذج رياضي يحاكي الخلية العصبية، وعليه قامت الشبكات العصبية لاحقاً.
وفي 1950 نشر آلان تورينج ورقته التي طرح فيها السؤال المؤسس: هل تستطيع الآلات التفكير؟ ومنها وُلد اختبار تورينج كمعيار لقياس الذكاء الآلي.
ثم جاء صيف 1956 في كلية دارتموث، حين اجتمع جون مكارثي ومارفن مينسكي وصاغوا مصطلح “الذكاء الاصطناعي” لأول مرة. المؤتمر هو نقطة الميلاد المعترف بها، ومنه انطلق مسار تطور الذكاء الاصطناعي.
سنوات الوعد الأول والشتاء الذي تلاها (1956 – 1980)
شهدت الستينيات تفاؤلاً هائلاً وتمويلاً سخياً في أهم مراحل نشأة الذكاء الاصطناعي. ظهر برنامج ELIZA عام 1966 يحاكي معالجاً نفسياً بمجرد إعادة صياغة كلام المستخدم في صورة سؤال، ومع ذلك ظن كثيرون أنهم يتحدثون إلى إنسان.
لكن الوعود تجاوزت الإمكانات لثلاثة أسباب متكررة في كل موجة لاحقة:
- بطء الحواسيب مقارنة بحجم العمليات المطلوبة
- شح البيانات الرقمية قبل وجود الإنترنت
- تعقيد المشكلات الواقعية أكثر مما افترض الباحثون
وبحلول منتصف السبعينيات جُمّد التمويل في بريطانيا وأمريكا وبدأ الشتاء الأول.
الأنظمة الخبيرة والشتاء الثاني (1980 – 1993)
عادت الموجة في الثمانينيات عبر الأنظمة الخبيرة: برامج تحاكي قرارات المتخصصين بقواعد “إذا… فإن”. أشهرها MYCIN لتشخيص العدوى البكتيرية بدقة نافست الأطباء، وXCON الذي وفّر على شركة DEC عشرات ملايين الدولارات سنوياً في تكوين أنظمتها الحاسوبية.
لكن المشكلة البنيوية ظهرت سريعاً: كل قاعدة جديدة تتطلب خبيراً بشرياً يكتبها ويراجعها، وأي حالة خارج القواعد المكتوبة تُسقط النظام بالكامل بدل أن يتصرف بذكاء. تكلفة الصيانة التهمت العائد، ومع انهيار سوق أجهزة LISP المتخصصة جاء الشتاء الثاني.
عصر البيانات وصعود التعلم العميق (1997 – 2016)
نقطة التحول لم تكن فكرة جديدة بل ظرفاً جديداً: الإنترنت وفّر البيانات، والمعالجات الرسومية وفّرت القدرة الحسابية. ثلاث محطات لخّصت المرحلة:
- 1997 — حاسوب Deep Blue يهزم بطل العالم في الشطرنج غاري كاسباروف
- 2012 — شبكة AlexNet تخفض نسبة الخطأ في مسابقة ImageNet من 26% إلى 15%
- 2016 — برنامج AlphaGo يتفوق على بطل العالم في لعبة Go الأعقد بكثير
هنا تحوّل الذكاء الاصطناعي من بحث أكاديمي إلى منتج تجاري يعمل خلف محركات البحث وأنظمة التوصية.
الثورة التوليدية (2017 – اليوم)
عام 2017 نشر باحثو Google ورقة "Attention Is All You Need" التي قدّمت بنية المحوّلات، وهي الأساس التقني لكل نماذج اللغة الكبيرة اليوم. جوهرها أن النموذج يزن أهمية كل كلمة بالنسبة لباقي الكلمات بدل قراءتها بالترتيب.
خلال السنوات التالية، تطورت بنية المحوّلات بسرعة، وظهرت نماذج لغوية كبيرة أكثر قدرة على فهم السياق وتوليد النصوص وتحليل المعلومات. ومع تطور تقنيات التعلم العميق وزيادة أحجام البيانات وقدرات الحوسبة، انتقل الذكاء الاصطناعي من نماذج متخصصة في مهام محددة إلى أنظمة قادرة على التعامل مع مجموعة واسعة من المهام في الوقت نفسه.
النتيجة ظهرت في نماذج تكتب وتبرمج وتحلل، ثم وصلت للمؤسسات كحلول تشغيلية: شات بوت يفهم اللهجات، وأنظمة الذكاء الاصطناعي لخدمة العملاء التي تختصر زمن الاستجابة من ساعات إلى ثوانٍ.
ومنذ عام 2020 وحتى 2026، أصبح الذكاء الاصطناعي التوليدي أكثر انتشارًا، مع ظهور أدوات قادرة على إنشاء النصوص والصور والصوت والفيديو، إلى جانب تحليل البيانات وكتابة الأكواد. كما بدأت الشركات في دمج الذكاء الاصطناعي داخل عملياتها اليومية، من أتمتة المهام وتحليل سلوك العملاء إلى التنبؤ بالطلب ودعم اتخاذ القرار.
وبحلول عام 2026، لم يعد الذكاء الاصطناعي مقتصرًا على روبوتات المحادثة، بل تطور نحو أنظمة متعددة الوسائط ووكلاء ذكاء اصطناعي (AI Agents) يمكنهم فهم المعلومات وتنفيذ مهام متعددة الخطوات. وأصبح استخدام الذكاء الاصطناعي جزءًا متزايد الأهمية من التحول الرقمي في قطاعات مثل البنوك، والرعاية الصحية، والتجارة الإلكترونية، والتسويق، والنقل والخدمات اللوجستية.
ماذا يعني هذا التاريخ لمؤسستك؟
الدرس المستخلص من سبعين عاماً واضح: تنجح المشاريع التي تحل مشكلة محددة ببيانات متاحة، وتفشل التي تطارد قدرات عامة غير ناضجة. قطاعات كثيرة تطبق الدرس اليوم، مثل الذكاء الاصطناعي في العقارات الذي يركز على تأهيل العملاء وجدولة المعاينات بدل أتمتة كل شيء.
والسوق يتحرك بسرعة تفرض القرار: تشير تقديرات Grand View Research إلى أن سوق الذكاء الاصطناعي في الشرق الأوسط وشمال أفريقيا في طريقه إلى 166 مليار دولار بحلول 2030.
كيف تبدأ التطبيق في أربع خطوات
الدرس التاريخي لا ينفع بدون خطة. هذا المسار يجنّبك تكرار أخطاء الموجات السابقة:
.webp)
- حدد مشكلة ضيقة وواضحة بدل هدف عام مثل "نريد ذكاءً اصطناعياً في الشركة".
- تأكد أن البيانات اللازمة موجودة فعلاً قبل التعاقد، فغياب البيانات هو ما أسقط كل موجة سابقة.
- اطلب من المورّد نموذجاً تجريبياً على بياناتك أنت لمدة شهر، لا عرضاً على بيانات جاهزة.
- قِس النتيجة برقم واحد متفق عليه مسبقاً، ثم وسّع أو أوقف بناءً عليه لا على الانطباع.
الخاتمة
الدرس المستخلص من تاريخ الذكاء الاصطناعي مباشر: الموجات السابقة فشلت لأنها حاولت بناء ذكاء عام قبل إتقان المهام الضيقة، ونجحت الموجة الحالية لأنها بدأت من مهام محددة ثم توسعت تدريجياً. ابدأ من نفس المنطق مع حلول — حالة استخدام واحدة، بيانات نظيفة، ونتيجة قابلة للقياس خلال ربع سنة، ثم وسّع بناءً على ما أثبت نجاحه فعلياً لا على ما يبدو واعداً في العروض.
الأسئلة الشائعة حول تاريخ الذكاء الاصطناعي
1. ما الدرس العملي الذي يقدمه تاريخ الذكاء الاصطناعي لصانع القرار اليوم؟
أن التقنية لا تنجح بجودة الفكرة وحدها بل بتوفر البيانات والقدرة الحسابية معاً. قبل أي تعاقد، اسأل: هل البيانات اللازمة موجودة لدينا فعلاً؟ الإجابة بلا تعني أن المشروع سيكرر مصير موجات السبعينيات والثمانينيات مهما بدا العرض مقنعاً.
2. هل نحن مقبلون على شتاء ذكاء اصطناعي ثالث؟
مختلف عن السابق: الموجات القديمة انهارت لأن التقنية لم تُنتج قيمة تجارية، أما اليوم فهناك إيرادات فعلية وتطبيقات تعمل في الإنتاج. الخطر الحالي أقرب إلى تصحيح في تقييمات الشركات منه إلى توقف البحث والتطوير.
3. لماذا تأخر التعرف على الصور عقوداً بينما تسارع توليد النص خلال سنوات؟
لأن الرؤية الحاسوبية احتاجت مجموعات بيانات ضخمة موسومة يدوياً لم تكن متاحة قبل ImageNet في 2009. أما النصوص فكانت متوفرة بكميات هائلة على الإنترنت مجاناً، فتسارع تطوير النماذج اللغوية بمجرد ظهور البنية المناسبة.
4. ما موقع المنطقة العربية من هذا المسار التاريخي؟
دخلت المنطقة متأخرة كمستهلك للتقنية، لكنها تتقدم اليوم كمستثمر ومطوّر عبر مبادرات حكومية كبرى واستثمارات في البنية التحتية. التحدي الأبرز يظل ندرة البيانات العربية الموسومة مقارنة بالإنجليزية.
5. ما الفرق بين موجة الأنظمة الخبيرة وموجة اليوم من ناحية العائد؟
الأنظمة الخبيرة كانت تحتاج خبيراً بشرياً لكتابة كل قاعدة، فكانت تكلفة الصيانة تلتهم العائد خلال سنوات. النماذج الحالية تتعلم من البيانات مباشرة وتتحسن مع الاستخدام، فتنخفض تكلفة التوسع بدل أن ترتفع.
