الذكاء الاصطناعي الأصلي مقابل الذكاء الاصطناعي المضاف: الفرق المعماري الذي يحدد الجيل القادم من التطبيقات
هناك تمييز جدير بالملاحظة في كيفية دخول الذكاء الاصطناعي إلى البرمجيات، ومعظم نقاشات المنتجات تتجاوزه دون تعمق. بعض التطبيقات أضافت الذكاء الاصطناعي: مربع بحث يفهم الآن اللغة الطبيعية، وأداة كتابة بطبقة إكمال تلقائي، ولوحة معلومات مع أداة تلخيص مولدة بالذكاء الاصطناعي. بينما بُنيت تطبيقات أخرى بشكل أصلي للذكاء الاصطناعي منذ البداية، حيث النموذج ليس ميزة ملحقة بل طبقة الاستدلال الأساسية التي صمم التطبيق حولها. الفرق معماري، وينتج منتجات مختلفة جوهريًا.
الفرق الهيكلي
في التطبيق التقليدي، المنطق حتمي. إجراء المستخدم يُشغل دالة، تقوم الدالة بمعالجة المدخلات وفقًا لقواعد محددة مسبقًا، وتعيد مخرجات قابلة للتنبؤ. يمكن إضافة الذكاء الاصطناعي إلى هذه البنية – عادةً كاستدعاء لواجهة برمجة تطبيقات (API) لنموذج خارجي يتعامل مع مهمة محددة ومحدودة – لكن البنية العامة تظل قائمة على القواعد. الذكاء الاصطناعي أداة يستخدمها التطبيق، وليس الآلية التي يفكر بها.
في التطبيق الأصلي للذكاء الاصطناعي، يكون النموذج في المسار الحرج للوظائف الأساسية. التطبيق لا يستدعي الذكاء الاصطناعي فقط لمهام محددة؛ بل يفوض الاستدلال إلى النموذج. يتم تفسير نية المستخدم سياقيًا بدلاً من تحليلها مقابل قائمة من الإجراءات المحددة مسبقًا. قد يتم تحديد سير العمل الذي يتبعه التطبيق في وقت التشغيل بواسطة النموذج بدلاً من كتابته مسبقًا بواسطة مطور. وهذا يتطلب بنية مختلفة جوهريًا: إدارة السياق، وطبقات الاسترجاع لتأريخ مخرجات النموذج بالبيانات الحالية، وخطوط أنابيب التقييم لمراقبة جودة المخرجات، والتدهور التدريجي للمخرجات منخفضة الثقة.
كيف يبدو هذا عمليًا
يصبح التباين ملموسًا في سير العمل المواجه للعميل. تطبيق الدعم التقليدي يوجه المستخدمين عبر شجرة قرارات: اختر فئة، أجب عن سلسلة من الأسئلة، وصل إلى حل. نظام الدعم الأصلي للذكاء الاصطناعي ليس لديه شجرة قرارات. النموذج يقرأ رسالة المستخدم، يستفسر عن السياق ذي الصلة من مخزن متجه (vector store)، يصوغ ردًا، ويقرر ما إذا كان يجب التصعيد بناءً على المحتوى – وليس بناءً على أي فرع من الشجرة توجه إليه المستخدم.
أو تأمل محرر الكود. GitHub Copilot أضاف الذكاء الاصطناعي إلى نموذج IDE موجود – إكمال تلقائي، ولكن أذكى. تم بناء Cursor وخلفائه حول فكرة أن النموذج يجب أن يقرأ ويكتب عبر قاعدة الكود بأكملها، ويفهم نية المطور على مستوى المشروع، ويتخذ إجراءات متعددة الخطوات. البنية المطلوبة – نوافذ سياق كبيرة، وفهرسة على مستوى الملف، وتوليد الفروق (diff) بواسطة النموذج، وآليات التراجع – تختلف في نوعها عن إضافة الإكمال التلقائي الذكي إلى محرر موجود.
مشكلة بنية البيانات
أصعب جزء في بناء تطبيق أصلي للذكاء الاصطناعي ليس تكامل النموذج. النماذج متاحة، وانخفضت تكاليف واجهات برمجة التطبيقات (API) بشكل كبير، والاستدلال سريع. الجزء الصعب هو البيانات. التطبيقات الأصلية للذكاء الاصطناعي تحتاج إلى بنية تحتية للاسترجاع يمكنها إظهار السياق ذي الصلة في وقت الاستعلام، والتعامل مع البيانات غير المنظمة جنبًا إلى جنب مع البيانات المنظمة، والقيام بذلك بزمن استجابة لا يكسر تجربة المستخدم.
أصبحت قواعد البيانات المتجهة جزءًا أساسيًا من هذه الحزمة، لكنها ليست حلاً كاملاً. استراتيجيات التقسيم (chunking)، واختيار نموذج التضمين (embedding)، وإعادة الترتيب (re-ranking)، والاسترجاع الهجين الذي يجمع بين البحث الدلالي والكلمات المفتاحية – كلها تؤثر على جودة المخرجات بطرق تتطلب ضبطًا مستمرًا. الفرق التي تقلل الاستثمار في البنية التحتية للاسترجاع تحصل على تطبيق يبدو ذكيًا لكنه ينتج إجابات خاطئة بثقة حول بياناته الخاصة – أسوأ نتيجة لثقة المستخدم.
فجوة الموثوقية
إضافة الذكاء الاصطناعي إلى تطبيق يعني قبول فئة جديدة من الفشل: مخرجات احتمالية تكون خاطئة أحيانًا. هذا قابل للإدارة عندما يتولى الذكاء الاصطناعي مهمة طرفية. يصبح تحديًا محددًا للمنتج عندما يكون الذكاء الاصطناعي هو طبقة الاستدلال الأساسية. الفرق الأصلية للذكاء الاصطناعي تقضي وقتًا هندسيًا كبيرًا على خطوط أنابيب التقييم – اختبار منهجي لمخرجات النموذج مقابل النتائج المتوقعة – وعلى حلقات التغذية الراجعة من المستخدم التي تكشف حالات الفشل بسرعة. لا يمكنك كتابة اختبار وحدة يغطي جميع المدخلات الممكنة لنموذج لغوي. ما يمكنك فعله هو تحديد خصائص المخرجات المتوقعة، وقياسها باستمرار، وبناء مسارات بديلة للحالات منخفضة الثقة.
متى تبني تطبيقًا أصليًا للذكاء الاصطناعي ومتى تضيف الذكاء الاصطناعي
ليس كل منتج يجب أن يكون أصليًا للذكاء الاصطناعي. إضافة تلخيص بالذكاء الاصطناعي إلى أداة تقارير غالبًا ما يكون القرار الصحيح – فهو يقدم قيمة حقيقية دون الحاجة إلى إعادة تفكير كاملة في البنية. السؤال الذي يستحق الطرح قبل الالتزام ببنية أصلية للذكاء الاصطناعي هو: هل تعتمد القيمة الأساسية للمنتج على الاستدلال الديناميكي عبر سياق متغير، أم يمكن تقديمها بواسطة نظام حتمي محدد جيدًا مع تعزيز الذكاء الاصطناعي لنقاط اتصال محددة؟
إذا كانت الإجابة هي الأولى، فإن بناء تطبيق أصلي للذكاء الاصطناعي من البداية أسهل بكثير من إعادة تجهيزه. البنية التحتية للاسترجاع، وإدارة السياق، وأنظمة التقييم – هذه أصعب بكثير في الإضافة إلى بنية موجودة من تصميمها منذ البداية. الفرق التي تربح بمنتجات أصلية للذكاء الاصطناعي في عام 2026 هي تقريبًا تلك التي راهنت على هذه البنية مبكرًا.