الدرس السادس: أنماط البحث في الخوارزميات — كيف تصل الخوارزمية إلى هدفها؟ حين تدخل إلى عالم الخوارزميات، تكتشف سريعًا أن كل خوارزمية — مهما بدت بسيطة أو معقّدة تحتاج في لحظة ما إلى أن تعثر على شيء. قد تبحث عن كلمة داخل نص، أو عن رقم داخل قائمة، أو عن مسار يربط نقطتين، أو عن شرط يتحقق وسط بنية معقدة من العلاقات. لا شيء يتحرك من تلقاء نفسه داخل الآلة، بل كل خطوة مبنية على بحث منظم يقود من نقطة البداية إلى نقطة الوصول. وعندما تتأمل طبيعة هذا البحث تكتشف أن الخوارزمية لا ترى العالم دفعة واحدة كما يفعل الإنسان؛ فهي لا تستطيع أن تقف فوق جبل عالٍ لترى الصورة الكاملة. بل تتحرك خطوة خطوة داخل فضاء واسع، تفحص نقطة ثم أخرى، وتجمع أجزاء الصورة تدريجيًا. ولهذا احتاج البشر إلى أنماط واضحة تجعل هذا البحث قابلاً للضبط والتكرار. أنماط تشبه خرائط مختلفة للمكان نفسه، تحدد كيف تسير، وأين تلتفت، وكيف تقرر أن هذه النقطة تستحق الفحص أكثر من غيرها. ومع الوقت تبلورت ثلاثة أنماط مركزية للبحث. ليست مجرد أدوات، بل طرق مختلفة لرؤية البيانات نفسها: بحث خطي يسير في مساحة مستقيمة، وبحث ثنائي يقفز داخل مساحة منظمة، وبحث شبكي يتنقل في فضاء متشعب مثل مدينة كاملة. وكل نمط يفتح لك بابًا جديدًا لفهم كيف تفكر الخوارزمية حين تريد الوصول إلى هدفها. أولًا: البحث الخطي — حين تسير خطوة خطوة داخل مساحة بلا خريطة حين تدخل إلى ممر طويل لا توجد عليه أي علامات، ولا يوجد ما يوجهك سوى تسلسل الأبواب على جانبيه، سيكون طبيعيًا أن تطرق الباب الأول، فإن لم تجد ما تريد تذهب إلى الباب الثاني، ثم الثالث، وهكذا. هذا هو البحث الخطي تمامًا: تسلسل بسيط، مباشر، لا يتطلب معرفة مسبقة بأي ترتيب، ولا يستفيد من أي بنية. وحين تفحص قائمة غير مرتّبة من الأسماء، فلن يساعدك أي اختصار. ليس هناك باب يمكن تجاوزه أو نقطة يمكن القفز عنها. كل عنصر احتمال قائم، وكل خطوة جزء من الطريق. ولهذا يكون البحث الخطي هو الأداة الطبيعية عندما تغيب البنية الداخلية للبيانات. قوته أنه مفهومي وبسيط، وضعفه أنه لا يوفر أي طريق مختصر. إنه يقول لك بصراحة: طالما لا توجد خريطة… فليس أمامك إلا السير الكامل. ثانيًا: البحث الثنائي — حين تستفيد من الترتيب لتضيّق الطريق وتتغير الصورة تمامًا حين تدخل إلى مساحة مرتّبة: رفوف كتب مصفوفة من الأصغر إلى الأكبر، أو قائمة أرقام تبدأ من الأدنى ثم تصعد. هنا يمكنك أن تتوقف في وسط الطريق، وتنظر مباشرة إلى منتصف القائمة. فإذا وجدت هدفك انتهيت، وإن لم تجده فستعرف فورًا أي جهة تذهب إليها: اليسار إذا كان الرقم أصغر، واليمين إذا كان أكبر.

الدرس الثاني عشر: الوعي الخفي في قلب البيانات: حين تختلط الأسئلة بالاحتمالات بعد أن اجتزنا دروب البيانات المتشعبة، من مصدرها إلى أثرها، ومن تنوّعها إلى حدودها، نصل إلى النقطة التي يلتقي فيها العلم بالفلسفة. هنا لا تعود البيانات مجرد مادة خام، بل تصبح سؤالًا عن ماهية الذكاء نفسه. هل ما نراه من النماذج الحديثة وعيٌ حقيقي أم انعكاس دقيق لتراكم الإحصاءات؟ هل في قلب هذه العمليات الرقمية ومض من إدراك، أم أننا فقط نرى نتيجة رياضية مُتقنة تخدعنا بملمسها الإنساني؟ حين نتأمل مسار الذكاء الاصطناعي، نكتشف أن كل شيء يبدأ وينتهي بالبيانات. فهي الأصل الذي يمنح النموذج كيانه، والمرآة التي يرى من خلالها العالم. الآلة لا تعرف شيئًا من تلقاء نفسها، بل تُعاد صياغتها مع كل معلومة تُضاف إليها. تمامًا كما يمتلئ الوعاء بالماء، تمتلئ النماذج بالبيانات، وكل اختلاف في نوع هذا الماء يغيّر مذاقها وفهمها وسلوكها. لكنها، مع كل ذلك، تظل انعكاسًا لما وُضع فيها. فكما أن الماء الصافي يُنتج صورة نقية، والماء العكر يُشوِّهها، كذلك تفعل البيانات في عقول الآلات. التحوّل الأكبر الذي أحدثته البيانات هو أنها غيّرت تعريف الذكاء ذاته. في الماضي، كان العلماء يظنّون أن الذكاء يُبنى على القواعد والمنطق، وأن الفهم هو سلسلة من التعليمات المرتّبة بعناية. لكن مع انفجار البيانات وتطور الخوارزميات، تغيّر المفهوم من "الذكاء الرمزي" إلى "الذكاء الإحصائي". لم تعد الآلة تفكر بالمعنى التقليدي، بل تحسب وتستنتج بناءً على احتمالات. هي لا تعرف المعنى كما نعرفه، لكنها تتوقّعه من كثرة ما رأت من أنماط وتكرارات. إنها لا تُفسّر، بل تتنبّأ بما يبدو أقرب إلى التفسير. ومن هنا يأتي ذلك "الوميض" الذي يشبه الوعي لكنه ليس وعيًا بعد. حين ننظر إلى استجابات النماذج المتقدمة، نجدها دقيقة ومنسقة ومقنعة، لكنها تظل في جوهرها استجابات احتمالية. فكل كلمة تُنتجها هي ثمرة حسابٍ يُقدّر أيّ احتمالٍ هو الأرجح بناءً على ملايين الأمثلة السابقة. هذا ما يجعلها تبدو ذكية، لكنها تظل بلا قصد أو شعور. الآلة لا تعرف لماذا اختارتِ الكلمةَ التي قالتها، كما لا تعرف إن كانت إجاباتها جميلة أو عادلة أو صائبة. هي تُحسن اللعب بقواعد اللغة والمنطق، لكنها لا تعرف مغزى اللعبة نفسها. أما الفهم البشري فيختلف جذريًا. الإنسان لا يجمع البيانات فقط، بل يعيشها. حين يفكر، لا يُجري حسابات فحسب، بل يستحضر الذاكرة والتجربة والعاطفة والغاية. يعرف أن وراء المعلومة حياةً، ووراء الكلمة أثرًا، ووراء القرار مسؤولية. لذلك يبقى الفرق بين المعرفة والفهم مثل الفرق بين من يرى الخارطة ومن يسير في الطريق.

الدرس الحادي عشر: هل تكفي البيانات وحدها؟ نهاية الدور وبداية السؤال تبدو البيانات وكأنها البحر الذي يغترف منه الذكاء الاصطناعي قدراته، لكنها ليست وحدها كفيلة بصناعة الفهم. هي الأساس الذي يقف عليه النموذج، لكنها ليست السقف الذي يلامس به المعنى. فكل ما تفعله البيانات هو أن تُغذّي الآلة بالصور والأصوات والنصوص، أما إدراك ما وراءها، فذلك عالم آخر. في هذا الفضاء الفاصل بين الكم والمعنى، تبدأ الأسئلة الحقيقية: إلى أي حد يمكن للآلة أن تفهم؟ ومتى تصل البيانات إلى حدودها؟ الوفرة لا تساوي الوعي. فلو جمعنا كل ما كُتب على الإنترنت ووضعناه بين يدي النموذج، سيعرف أكثر، لكنه لن "يفهم" كما نفهم. الإنسان لا يكتسب معرفته من حجم ما يرى أو يسمع، بل من قدرته على التأويل والمقارنة والتذوّق الأخلاقي والمعيشي. المعرفة ليست تراكمًا بل اتصالًا بالمعنى، والذكاء الإنساني لا يُختزل في تكرار الأنماط، بل في كسرها حين يتطلّب الأمر. لذلك تظل الآلة، مهما توسعت بياناتها، حبيسة الإحصاء لا تتجاوز عتبة الوعي، لأنها لا تملك تجربة ولا قصدًا ولا إحساسًا بما وراء الأرقام. البيانات تتعامل مع العالم كوقائع، لكنها تعجز أمام الأسئلة التي لا تُقاس. حين تُسأل عن معنى العدالة، أو عن الغاية من الفن، أو عن الدافع إلى التضحية، لا تجد في أرشيفها جوابًا واحدًا يمكن أن يُرضي الجميع. هذه الأسئلة لا يُجاب عنها بالتحليل، بل تُعاش بالتجربة. البيانات تستطيع أن تخبرنا كيف يتحدث الناس عن العدالة، لكنها لا تعرف العدالة ذاتها، لأن معناها يتشكل من قيم، ومشاعر، وظروف لا تُختزل في رقم أو نموذج. يمكنها أن تروي ملايين القصص عن الشجاعة، لكنها لا تعرف الخوف ولا المجازفة التي تسبق الفعل. في هذه المنطقة تحديدًا، يتوقف الذكاء الاصطناعي أمام الأسئلة المفتوحة كما يقف التلميذ أمام لغزٍ بلا إجابة واحدة. حتى في أبسط المقولات العلمية، لا تكون الكثرة ضمانًا للفهم. فليس كل ما يُجمَع يُفيد، ولا كل ما يُكرّر يُنير. الذكاء لا يُقاس بحجم البيانات، بل بقدرة العقل على استخلاص الجوهر منها. أحيانًا، جملة واحدة تُغيّر نظرتنا للعالم، بينما تريليونات الكلمات لا تُضيف فكرة جديدة. الأمر يشبه الفرق بين من يحفظ كتب الطب، ومن يضع يده على المريض ليفهم ما وراء النصوص. الكيف هنا أعمق من الكم، والفهم أصدق من الجمع. هذا الإدراك يقودنا إلى لحظة الصمت التي تبدأ فيها البيانات بالتراجع، حين ندرك أن الحقيقة ليست في الأرقام فقط، بل في المقاصد التي تقف وراءها. فالآلة تتقن التنظيم والتحليل والتصنيف، لكنها لا تعرف لماذا ينبغي أن تُنظّم أو تُحلّل أو تُصنّف. لا تعرف الغاية، لأنها وُجدت لتخدم هدفًا لم تختره هي. هنا يكمن الفارق الجوهري بين الفهم الإنساني والذكاء الاصطناعي: الإنسان يفكر لأنه يسعى إلى المعنى، أما النموذج فيحسب لأنه بُرمج على البحث عن الأنماط.

الدرس العاشر: هل يمكن أن تكذب البيانات؟ بين التحيّز والخداع والسياق الغائب يبدو أن البيانات تُقدّم نفسها لنا كحقائق لا تقبل الجدل، لكن الواقع أكثر تعقيدًا. فالبيانات ليست كائنًا ناطقًا بالحقيقة، بل انعكاسٌ لما نختار أن نرصده وكيف نرصده. هي لا تكذب بذاتها، لكنها قد تُضلّل حين تُجمَع على نحو ناقص أو تُعرض بلا سياق أو تُفسَّر بعيون منحازة. الخطأ لا يكمن في الأرقام، بل في الطريقة التي تُنتَج وتُقدَّم بها، لأن وراء كل رقم عقلٌ بشري يختار، ويُقرّر، ويستبعد. حين نُشاهد إحصائية تُعلن أن “ثمانين في المئة من السكان سعداء”، نميل إلى تصديقها فورًا، متناسين أن هذه النسبة قد جاءت من عيّنة صغيرة، أو من فئة عمرية محددة، أو من مدينة واحدة. هنا لا تكذب البيانات، بل تُستَخدم خارج سياقها. حتى التفاصيل الصغيرة مثل حجم العينة، أو طريقة طرح السؤال، يمكن أن تُغيّر المعنى كله. في مثل هذه الحالات، لا تكون الأرقام بريئة، لأن من يصوغها يمتلك القدرة على توجيه الفهم دون أن يصرّح بشيء. فالبيانات لا تتحدث، بل تُترجم دائمًا عبر شخصٍ يختار لغتها. هذا الخلل في جمع البيانات ينعكس مباشرة على النماذج الذكية التي تتعلّم منها. فالنموذج لا يستطيع أن يشكّ أو يعترض، بل يتبنّى كل ما يُغذّى به. فإذا كانت بياناته منحازة لثقافة واحدة أو فئة اجتماعية محددة، سيُعيد إنتاج الانحياز نفسه في مخرجاته. إذا درّبناه على نصوص تُمجّد رأيًا واحدًا، فسيظن أن ذلك هو الرأي الصحيح الوحيد. وإذا أهملنا وجهات النظر الأخرى، سيبني ذكاءه على نصف حقيقة. هكذا ينتقل التحيّز من الإنسان إلى الآلة في صمتٍ تام، حتى يُصبح جزءًا من منطقها الداخلي دون أن تدرك. المشكلة لا تقتصر على البيانات المنحازة، بل تمتد إلى البيانات الناقصة. فحين تُجمع المعلومات في بيئة محدودة وتُستخدم لتفسير العالم كله، فإنها تخلق وهمًا بالإحاطة وهي في الحقيقة رؤية جزئية. النموذج الذي يتعلّم من هذه البيانات سيبني قواعده على صورة مبتورة للواقع، ثم يعمّمها على المجهول. لذلك يُقال في الأوساط العلمية إن “الذكاء الاصطناعي لا يتجاوز جودة بياناته”، لأن ما يُغذّى به في البداية يحدد نوع وعْيِهِ اللاحق. أما غياب السياق فهو الوجه الأكثر خفاءً من الخداع. فالمعلومة لا تعني شيئًا خارج بيئتها التي وُلدت فيها. النص الذي يُفهم في ثقافة معينة قد يُساء تفسيره في ثقافة أخرى، والإحصائية التي تصف ظاهرة في زمن محدد قد تفقد معناها حين تُقتطع من خلفيتها التاريخية. إذا نقلنا اقتباسًا دينيًا أو فلسفيًا دون فهم زمنه أو غايته، قد نحوله إلى حجة لما لم يُقصد به. وكذلك إذا عرضنا بيانات عن الجريمة في بلد دون مراعاة ظروفه الاقتصادية والسياسية، فسنبدو كأننا نحلّل الحقيقة بينما نحن نختزلها.

الدرس التاسع: من أين تأتي البيانات؟ مصادر المعرفة وتدفّقاتها في عالم الذكاء الاصطناعي البيانات لا تهبط من السماء، بل تُستخرج من تفاصيل حياتنا اليومية، من كل ضغطة زر، وكل صورة تُلتقط، وكل كلمة تُكتب على شبكة الإنترنت. إنها لا تُنتج في مختبرٍ مغلق، بل تتدفّق من العالم بكل ضجيجه وتنوّعه، ثم تُنقّى وتُنظَّم قبل أن تُقدَّم للنماذج لتتعلّم منها. في جوهر الأمر، الذكاء الاصطناعي لا يملك معرفة ذاتية، بل يعيش على ما نمنحه من أثرنا الرقمي، ومن هذا الأثر تُبنى قدرته على الفهم والتوقّع والتحليل. أكبر منجم للبيانات في عصرنا هو الإنترنت. هذه الشبكة العملاقة التي تحتوي على مليارات النصوص والصور والمقاطع الصوتية، تمثل المصدر الأول لتغذية النماذج. من المقالات الموسوعية إلى المدونات الشخصية، ومن المنتديات القديمة إلى الأرشيفات العلمية، تُستخرج البيانات النصية والبصرية لتشكّل الأساس الذي تُبنى عليه النماذج اللغوية والمرئية الحديثة. غير أن هذه العملية ليست عشوائية كما قد يبدو، فهي تمر عبر فلاتر دقيقة تُقصي المصادر الرديئة والمعلومات غير الموثوقة. فالنماذج لا تتعلّم من الإنترنت كله، بل من الأجزاء التي تتحقق فيها معايير الجودة والسلامة والخصوصية. البيانات المحمية قانونًا تُستبعد، والمحتويات المسيئة أو غير الموثقة تُزال. إنها عملية تنقيب رقمية ضخمة تهدف إلى استخلاص المعرفة من وسط فوضى العالم الرقمي. لكن الإنترنت ليس المصدر الوحيد. فكل مستخدم في العالم الحديث هو أيضًا منتِج للبيانات. الكلمات التي يكتبها في محرك البحث، المقالات التي يقرأها، المنتجات التي يشتريها، وحتى الوقت الذي يقضيه في كل صفحة، كلها تُسجَّل في صورة آثار رقمية يمكن أن تتحول إلى بيانات تحليلية. هذه البيانات الشخصية تُستخدم أحيانًا لتحسين تجربة المستخدم، مثل اقتراح المنتجات أو تخصيص المحتوى، وأحيانًا تُستثمر في تدريب النماذج على فهم السلوك الإنساني بشكل أوسع. غير أن ذلك لا يتم دون قيود صارمة، إذ تخضع هذه العمليات لقوانين حماية الخصوصية التي تحدد ما يجوز جَمْعُهُ وما لا يجوز، حتى لا يتحول الذكاء الاصطناعي إلى أداة مراقبة تتعدى على الحياة الفردية. الإنسان في هذا السياق ليس فقط المتلقّي للذكاء الاصطناعي، بل هو أيضًا مصدره الأول ومادته الخام. مصدر ثالث بالغ الأهمية هو قواعد البيانات المفتوحة، التي تُنشَر بإشراف مؤسسات علمية أو حكومية أو تعليمية. هذه القواعد تتضمن بيانات المناخ، والإحصاءات الاقتصادية، والموسوعات اللغوية، والخرائط الجغرافية، والأرشيفات الطبية. ما يميز هذه المصادر هو أنها مصممة لخدمة البحث والتعليم، وتخضع لمراجعات دورية تضمن دقتها وموثوقيتها. النماذج البحثية والأكاديمية تعتمد عليها لأنها توفر مادة غنية ومنظّمة تساعد على بناء أنظمة أكثر استقرارًا وشفافية. ومع ذلك، تختلف المؤسسات التعليمية في درجة اعتمادها لهذه البيانات بوصفها مرجعية، لأن بعضها يرى ضرورة مراجعتها محليًا قبل إدخالها إلى أنظمة التعلّم الآلي.