كنت أعتمد على النماذج الأجنبية فقط (ChatGPT، Claude، Gemini) لكل شيء، دون أن أعرف أن هناك نماذج ذكاء اصطناعي عربية مخصصة تُبنى تحديدًا لفهم اللهجات والسياق الثقافي العربي بدقة أعلى أحيانًا. جربت نموذج ALLaM السعودي عبر تطبيق HUMAIN Chat على محتوى عربي، وقارنته بنماذج أجنبية اعتدت عليها. النتيجة كانت أدق في بعض جوانب اللهجة والسياق المحلي، لكن ليست متفوقة في كل شيء — التفاصيل الصادقة أدناه، في آخر مقالة من سلسلة مختبر الـ AI التي بدأناها قبل عدة أشهر بهدف الوصول لثلاثين مقالة متكاملة.
خلال 2026، شهد المشهد العربي تطورًا حقيقيًا في نماذج اللغة المحلية. عدة جهات حكومية وبحثية استثمرت في بناء نماذج مدرَّبة خصيصًا على بيانات عربية ضخمة، بدل الاعتماد فقط على نماذج مدرَّبة أساسًا بالإنجليزية ثم "مترجمة" لدعم العربية كلغة إضافية. هذا الفرق في طريقة التدريب مهم فعليًا: نموذج دُرّب من الأساس على ملايين النصوص العربية الأصيلة (شعر، لهجات، سياق ثقافي محلي) يفهم غالبًا فروقًا دقيقة قد يخطئ فيها نموذج مُدرَّب أساسًا بالإنجليزية ثم "أُضيفت" له العربية لاحقًا كلغة ثانوية.
- ALLaM (السعودية): طوّرته هيئة البيانات والذكاء الاصطناعي السعودية (SDAIA)، ويُدار حاليًا عبر منصة HUMAIN التي تشغّل تطبيق "HUMAIN Chat" بنموذج بحجم 34 مليار معامل، ومُدرَّب على أكثر من 3 تريليون كلمة (Token) من البيانات العربية والإنجليزية.
- Falcon-H1 Arabic (الإمارات): من معهد الابتكار التقني (TII) في أبوظبي، متوفر بأحجام مختلفة (3B، 7B، 34B)، ويتصدر حاليًا لوحة صدارة النماذج العربية المفتوحة (Open Arabic LLM Leaderboard) بحسب تقييمات مطلع 2026.
- Fanar (قطر): من مركز أبحاث الحوسبة القطري (QCRI)، بنموذج متعدد الوسائط (نص، صورة، صوت) بحجم 27 مليار معامل.
- Jais: من مجموعة G42 وجامعة محمد بن زايد للذكاء الاصطناعي، من أوائل النماذج العربية المبنية من الصفر (لا مبنية فوق نموذج أجنبي).
كل هذه النماذج جزء من سباق إقليمي حقيقي بين السعودية والإمارات وقطر لبناء ما يُسمى "الذكاء الاصطناعي السيادي" (Sovereign AI) — أي امتلاك نماذج وطنية لا تعتمد كليًا على شركات أجنبية، خصوصًا لتطبيقات حكومية وتعليمية حساسة تحتاج ضمانات خصوصية وسيادة بيانات محلية.
- "عربي" لا يعني بالضرورة "أفضل في كل شيء" — النماذج العربية تتفوق غالبًا في فهم اللهجات والسياق الثقافي المحلي، لكن النماذج الأجنبية الكبرى قد تبقى أقوى في المهام التحليلية المعقدة أو البرمجة بحكم حجم بياناتها التدريبية الأضخم عمومًا.
- لوحات الصدارة (Leaderboards) تتغير بسرعة — النموذج المتصدر اليوم (مثل Falcon-H1 حاليًا) قد لا يبقى في القمة لفترة طويلة؛ هذا مجال ينمو ويتنافس فيه بسرعة كبيرة بين السعودية والإمارات وقطر وجهات أخرى.
- التوفر التجاري يختلف عن التوفر البحثي — بعض هذه النماذج متاحة بسهولة عبر تطبيقات جاهزة (مثل HUMAIN Chat)، بينما أخرى متاحة بشكل أساسي للمطورين عبر منصات مثل Hugging Face أو Azure، وتحتاج خبرة تقنية للوصول إليها مباشرة.
- هذا مجال يستحق متابعة دورية لا تجربة واحدة ونسيان — بما أن النماذج والتصنيفات تتغير بوتيرة سريعة، النموذج الذي جربته وقيّمته اليوم قد يكون قد تحسّن بشكل كبير خلال أشهر قليلة فقط، فلا تحكم عليه حكمًا نهائيًا من تجربة واحدة قديمة.
نصيحة المختبر
لا تستبدل أدواتك الحالية بالكامل بنموذج عربي فورًا. جرّبه أولًا على مهام تعتمد على فهم اللهجة أو السياق الثقافي المحلي تحديدًا (كتابة محتوى تسويقي بلهجة معينة مثلاً)، وقارن النتيجة بما تحصل عليه من أدواتك المعتادة، قبل أن تقرر أي دور يلعبه في مجموعة أدواتك اليومية. الأفضل عمليًا هو استخدام كل نموذج في نقطة قوته: نموذج عربي للمهام المحلية الحساسة للهجة، ونموذج أجنبي كبير للمهام التحليلية أو التقنية المعقدة، بدل البحث عن "نموذج واحد يفعل كل شيء بامتياز".
جربت نموذجًا عربيًا من قبل؟ وش كانت تجربتك مقارنة بالنماذج الأجنبية؟
شاركنا تجربتك مع النماذج العربية في X 🌍🚀 اشترك في قناتنا على يوتيوب ▶️
🔬 شاركنا رأيك في المختبر:
تعليقات
إرسال تعليق