أدوات أخرى

إعادة تدريب ذكاء اصطناعي ضخم من الصفر مكلفة للغاية، لكنك تريد تعديله ليناسبك فقط؛ يحقق LoRA (Low-Rank Adaptation) هذه الأمنية بتجميد النموذج الأصلي وتدريب جزء إضافي صغير (محوّل) فقط، مقلّصًا المعاملات القابلة للتدريب بنحو 90%. يجعل LoRA عملية fine-tuning أرخص وأسرع بكثير، وهو شائع جدًا في توليد الصور مثل Stable Diffusion بوصفه ملفًا صغيرًا يضيف شخصية أو أسلوبًا. يشرح هذا المقال الفكرة عبر تشبيه الرقعة. LoRA رائد fine-tuning كفؤ المعاملات (PEFT): اترك الأوزان الأصلية الضخمة مجمّدة، وأدرج مصفوفة إضافية صغيرة في كل طبقة، ودرّب تلك فقط (W = W0 + BA). من فوائده: معاملات أقل بنحو 90% (وعلى نطاق GPT-3 أقل بمقدار 10,000x)، وذاكرة GPU أقل (نحو 3x)، وتدريب أسرع وأرخص، ودون زمن استجابة إضافي بعد دمج المحوّل، وخطر فرط تطابق أدنى. أكبر قوته هي المحوّلات القابلة للتبديل: أبقِ أساسًا مشتركًا واحدًا وبدّل ملفات LoRA الصغيرة لكل حالة استخدام فوريًا. يلتقي كثيرون بـ LoRA أولًا في توليد الصور حيث تُشارَك LoRA الخاصة بـ Stable Diffusion التي تعلّمت شخصية أو أسلوبًا. يدمج QLoRA الـ quantization، فيدرّب LoRA فوق أساس 4-bit لذاكرة أقل بنحو 4x، مما يتيح fine-tuning نماذج ضخمة على GPU استهلاكية بفقدان دقة طفيف. ومقابل fine-tuning الكامل، يكفي LoRA لمعظم العمل.

نموذج ضخم بحجم 70B يعمل على جهاز ألعاب منزلي واحد بدل رفّ من بطاقات GPU في مركز بيانات، وما يجعل هذا ممكناً هو التكميم الذي يخفض الدقة العددية لأوزان النموذج لتقليص الحجم والذاكرة بشكل كبير. بينما ينقل تقطير النماذج المعرفة إلى نموذج أصغر منفصل، يجعل التكميم النموذج نفسه أخف. يشرح المقال الفكرة عبر تشبيه ضغط الصور: يستبدل التكميم الأوزان المخزَّنة بصيغة FP16/FP32 بأعداد صحيحة INT8 أو INT4، فيقلل البايتات لكل وزن (FP32=4، INT8=1، INT4=0.5)؛ ومثل ضغط صورة RAW إلى JPEG تضحي بقليل من الدقة مقابل تخفيف كبير، والمفاجأة هي قلة ما تتنازل عنه. على صعيد الذاكرة، يستخدم 4-bit نحو ربع FP16: ينخفض نموذج 70B من نحو 140GB إلى 35GB، ونموذج 8B بـ4-bit يصبح نحو 4.5-5GB، فيتسع في GPU متوسط بذاكرة 8GB للاستخدام المحلي (دمقرطة LLM). على صعيد الدقة، INT8 شبه خالٍ من الفقد وINT4 يتدهور أقل من 4% في مهام المعرفة العامة، لكن الفقد أوضح في الرياضيات وتوليد الشيفرة والاستدلال الصعب (يظهر كارتفاع طفيف في perplexity)، فاختر عدد البتات للمهمة. الطرق الرئيسية: GPTQ (رائد 4-bit الدقيق)، وAWQ (يحمي أهم ~1% من الأوزان، وغالباً أدق بنسبة 1-2% وأسرع)، وGGUF (صيغة llama.cpp/Ollama، من Q2_K إلى Q8_0، مزج CPU+GPU، للتشغيل المحلي)، وQLoRA (أساس 4-bit مع LoRA للضبط الدقيق على GPU استهلاكي). يختلف عن التقطير (الانتقال إلى نموذج أصغر منفصل) والضبط الدقيق (إضافة معرفة المهمة)، وتُستخدم الثلاثة عادةً مجتمعة. للبدء، شغّل نموذج GGUF بـOllama بأمر واحد، واختر Q4/Q8 حسب VRAM، وتجنّب INT4 للشيفرة أو الحساب الدقيق. معظم النماذج الرئيسية تُوزَّع مُكمَّمة سلفاً فتنزّلها وتستخدمها فقط. احتفظ بالذكاء وأسقط الوزن فقط.

الذكاء الاصطناعي الضخم وعالي الأداء ذكي لكنه ثقيل ومكلف؛ ويحل تقطير النماذج (تقطير المعرفة) ذلك بنقل معرفة نموذج معلّم كبير إلى نموذج طالب صغير، مع الحفاظ على أكثر من 95% من أداء المعلّم بعُشر الحجم وبسرعة أكبر. يشرح المقال ذلك بتشبيه المعلّم والطالب. المفتاح هو الـ soft labels: التدريب العادي يُعلّم فقط «الجواب قطة» (hard label)، بينما يمرّر التقطير توزيع الاحتمالات الكامل للمعلّم مثل «90% قطة، 8% كلب، 2% ثعلب»، حيث تحمل درجة التردد معلومات غنية؛ ويقوم معامل temperature بتليين الاحتمالات لكشف العلاقات الدقيقة (مثال واقعي: GPT-4o mini مُقطَّر من GPT-4o). الفوائد: سريع ورخيص، أصغر بنحو 10x مع الحفاظ على أكثر من 95% من الأداء، يعمل على الـ edge، وقوي في التخصص. منهجان: white-box (وصول كامل للأوزان والتمثيلات الداخلية، نقل أعمق؛ لنماذجك أو نماذج OSS) و black-box (المخرجات/استجابات API فقط؛ استخدام API شركة أخرى كمعلّم قد يخالف الشروط). ويختلف عن quantization (ضغط دقة أوزان النموذج نفسه) و fine-tuning (مواصلة تدريب نموذج موجود لمهمة) — فالتقطير ينقل المعرفة إلى نموذج صغير منفصل، والثلاثة قابلة للدمج. كان الواقع القانوني وشروط الخدمة قضية كبيرة في 2026: التقنية مشروعة، لكن لدى OpenAI و Anthropic و Mistral و xAI بنود منع تقطير منافس تحظر استخدام المخرجات لبناء نماذج منافسة. نزاع OpenAI ضد DeepSeek يُظهر أن التقييم يعتمد على شروط API مَن تنطبق، وأُفيد بأن Claude Fable 5/Mythos 5 تُقيّد الردود على الأعمال المُصنّفة كتقطير. نصائح: استخدم نماذجك أو نماذج OSS مرخّصة كمعلّم، وتحقق من بنود منع التقطير قبل استخدام API تجاري. الأرقام مقتبسة من مواد عامة وتوجيهية.

عندما تريد تخصيص الذكاء الاصطناعي ليناسب شركتك، يكون الضبط الدقيق (fine-tuning) أحد الخيارات — لكن الخوض فيه باستهتار مُكلِف وسهل الخطأ. يشرح هذا الدليل للمبتدئين الضبط الدقيق: أخذ نموذج أساسي مُدرَّب بالفعل، وتدريبه أكثر على بيانات مُصمَّمة لاستخدامك، وإعادة تشكيله ليصبح نموذجًا متخصصًا يطبع «السلوك» (أسلوب الشركة، صيغة الإخراج، صياغة المجال) داخل النموذج نفسه عبر إعادة كتابة أوزانه. الضبط الدقيق بارع في تغيير السلوك لكنه ضعيف في حفظ المعرفة المُحدَّثة، لذا فالقاعدة هي «الحقائق والمعرفة ← RAG، والشخصية والقالب ← الضبط الدقيق، والبرومبت أولًا». وكما يشير الخبراء، فإن نحو 80% مما يُقال إنه «يحتاج الضبط الدقيق» يُحَلّ باسترجاع أفضل (RAG) أو ببرومبت، فالترتيب مهم. يغطي المقال ما هو الضبط الدقيق (مع تشبيه تدريب الموظفين الجدد)، وفيمَ يبرع وفيمَ يضعف، وجدول مقارنة بين الضبط الدقيق وRAG والبرومبت، والأساليب الرئيسية (الضبط الدقيق الكامل، وLoRA، وQLoRA — التكميم بـ 4-bit الخفيف بما يكفي للمبتدئين)، وما تحتاجه (500+ مثال عالي الجودة كدليل، مع كون بناء البيانات هو العمل الحقيقي؛ تكاليف من $5,000 إلى أكثر من $50,000، والضبط الدقيق من OpenAI بنحو $25–$100 لكل مليون رمز تدريبي؛ وأدوات مثل OpenAI وUnsloth وAxolotl وHugging Face)، والترتيب الذي تبدأ به. الضبط الدقيق هو الملاذ الأخير.

ربما تفترض أن نموذج LLM لا بد أن يعمل في السحابة، لكن في عام 2026 صار تشغيل الذكاء الاصطناعي بالكامل داخل جهازك الخاص — أي "نموذج LLM المحلي" — خيارًا واقعيًا. ويعني ذلك تشغيل نموذج مثل ChatGPT أو Claude مباشرةً على جهازك بدلًا من السحابة. مزاياه الثلاث الكبرى هي: الخصوصية (المدخلات لا تغادر جهازك)، وانعدام التكلفة (بلا رسوم API)، والعمل دون اتصال (يعمل بلا إنترنت). أما عيوبه: فهو ليس بذكاء الذكاء الاصطناعي السحابي من الطراز الأول، ويحتاج إلى جهاز بقدرات معقولة، ويتطلب بعض الإعداد، ولا يملك معرفة محدّثة. يغطي هذا الدليل للمبتدئين ما هو نموذج LLM المحلي (بتشبيه البث مقابل التنزيل)، والمزايا والعيوب، والمواصفات المطلوبة والكمّنة (صيغة GGUF، مع Q4_K_M المفضّل الذي يحافظ على الجودة بينما يقلّص الذاكرة إلى نحو الربع؛ ونحو 0.5 GB من الذاكرة لكل 1B معامل عند 4 بِت)، وكيف تبدأ (واجهة LM Studio الرسومية للمبتدئين، وسطر أوامر Ollama للمطوّرين — 52 مليون تنزيل شهريًا في الربع الأول من 2026)، والنماذج المُوصى بها لعام 2026 (Llama 3.2 7B، وGoogle Gemma 4، وAlibaba Qwen3.5، إضافةً إلى DeepSeek وMistral — وكلها مفتوحة)، ومتى تستخدم المحلي مقابل السحابة (المحلي للأعمال السرية وكثيفة الحجم والتي تجري دون اتصال؛ والسحابة للمسائل الصعبة). وأسرع خطوة أولى: شغّل نموذجًا صغيرًا واحدًا من فئة 3B–7B في LM Studio.

في 9 يونيو 2026، أطلقت Anthropic نموذج Claude Fable 5 — متيحةً لأول مرة، في صورة يستطيع المستخدمون العاديون والمطوّرون استخدامها، قدرةً بمستوى "Mythos"، النموذج الرائد الذي طالما اعتُبر الأقوى داخليًا. وتضعه Anthropic في مكانة أقوى نموذج تقدّمه للعموم، بشعار "مصمَّم للأعمال الطويلة والمعقّدة". يغطّي هذا التحليل المعمّق، المكتوب ليتابعه المبتدئون، ما هو Fable 5 (صورة عامة وآمنة من قدرة بمستوى Mythos، محسَّنة لإنهاء ماراثون لا لسؤال واحد؛ معرّف النموذج claude-fable-5)، وكيف يختلف عن توأمه Mythos 5 (متطابق في الداخل، تختلف ضوابط الأمان فقط؛ العموم يستخدمون Fable)، واختبارات الأداء (SWE-Bench Pro 80.3% مقابل Opus 4.8 69.2 وGPT-5.5 58.6، وأول تجاوز لـ 90% في تحليل Hex الطويل، والأعلى في Cognition FrontierCode وHebbia المالي، وSOTA جديد في الرؤية بلعب Pokémon دون مساعدة)، وقوته الحقيقية في الاستقلالية الطويلة (تركيز عبر ملايين الرموز، تشغيل 12 ساعة، وإنجاز Stripe لترحيل Ruby بـ 50 مليون سطر في يوم واحد بدل أكثر من شهرين يدويًا، وذاكرة ملفات تعزّز مهمة لعبة 3 أضعاف Opus 4.8، وتقرير GitHub عن برمجة عالية الاستقلالية بعيدة الأمد)، والتسعير والتوافر ($10 مُدخَل / $50 مُخرَج لكل 1M رمز، سياق 1M ومُخرَج 128K، مجاني ضمن كل خطة 9-22 يونيو ثم أرصدة، API claude-fable-5 وGitHub Copilot)، ومقارنة مباشرة مع Opus 4.8 (القياسي $5/$25 مقابل $10/$50، +11.1 نقطة في SWE-Bench Pro، السياق 1M نفسه، وOpus 4.8 Fast Mode بـ $10/$50؛ قسّم العمل الثقيل لـ Fable 5 واليومي لـ Opus 4.8 القياسي)، وتصميم الأمان الجديد البارز (مصنّفات السيبرانية والأحياء-الكيمياء والتقطير ترتدّ إلى Opus 4.8 عند الخطر فقط، وتُفعَّل في أقل من 5% من الجلسات فيعمل 95%+ بأداء كامل، مع احتفاظ 30 يومًا بحركة مستوى Mythos)، وسياق إطلاقه بعد أيام من التحذير بأن الذكاء الاصطناعي خطير جدًا (طريق ثالث يغلق المجالات الخطيرة فقط)، ومتى تستخدمه. الأرقام منقولة من إعلان Anthropic والتقارير وقد تتغيّر.

اكتب بعض النص فيولد فيديو مصحوب بالصوت في ثوانٍ — ما كان قبل وقت ليس بالبعيد ضربًا من الخيال العلمي صار واقعًا في 2026، والوضع يتغير بوتيرة مذهلة. أوقفت Sora من OpenAI، التي كانت تتصدر الحديث، تطبيقها وموقعها في أبريل 2026 (على أن تتبعها واجهة API في سبتمبر)؛ وفي مكانها تصدّرت Google Veo وKling وRunway المشهد. يغطي هذا الدليل المحدّث (يونيو 2026) والمستقل عن الأدوات ماهية توليد الفيديو بالذكاء الاصطناعي (إنشاء لقطات متحركة من كلمات أو صورة، مع تزامن الصوت ودقة 1080p–4K وتحويل الصورة إلى فيديو كأمور معيارية الآن)، ومشهد 2026 (إيقاف Sora — الخلفية المُبلَّغ عنها من ضغوط الحوسبة والتكلفة وتراجع المستخدمين — والصدارة الحالية لـ Google Veo 3.1 وKling 3.0 وRunway Gen-4.5، مع التسعير بالثانية كالمعتاد)، وكيف يعمل (نماذج انتشار ممتدة إلى البُعد الزمني؛ تحويل النص إلى فيديو وتحويل الصورة إلى فيديو)، وسير العمل المشترك المكوّن من خمس خطوات (اختر أداة، مطالبة/صورة، اضبط المدة/النسبة/الصوت، ولّد واختر، اربط في المونتاج)، ونصائح مطالبات الفيديو الأساسية (موضوع + حركة + عمل كاميرا + أسلوب + مدة + صوت، مع الأفعال والكاميرا كمفتاح، لقطة واحدة فعل واحد، استخدم تحويل الصورة إلى فيديو، ولّد بكثرة)، وما يستطيع وما لا يستطيع فعله بعد (الأعمال الطويلة دفعة واحدة والاتساق الكامل ما زالا صعبين، والتكلفة بالثانية تتراكم)، وأساسيات الحقوق والعلامات المائية والأخلاقيات (SynthID وC2PA يجعلان إثبات المصدر بالذكاء الاصطناعي معياريًا وغير قابل للإزالة، والناتج المولّد بالذكاء الاصطناعي البحت ضعيف الحماية مع اختلافات بين الدول، والاستخدام التجاري يعتمد على الشروط، والتزييف العميق للأشخاص الحقيقيين محظور). أنشئ لقطات واربطها في المونتاج بدلًا من السعي إلى عمل طويل دفعة واحدة. ولأن المجال يتحرك بسرعة، تحقق دائمًا من الأحدث رسميًا.

"أنا لا أجيد الرسم، إذن هذا الأمر ليس لي" — ذلك التصوّر المسبق عن توليد الصور بالذكاء الاصطناعي مقلوب. اكتفِ بإعطاء التعليمات بالكلمات، وبعد ثوانٍ تحصل على مرئيات بجودة احترافية. يغطّي هذا الدليل العابر للأدوات ما هو توليد الصور بالذكاء الاصطناعي (صنع الصور من الصفر عبر الكلمات — مهارة الإيصال لا الرسم؛ النسخة المرئية من هندسة الموجّهات)، وكيف يعمل (نماذج الانتشار تنحت صورة من ضوضاء عشوائية مستخدمةً موجّهك دليلًا، وترسم من الصفر في كل مرّة فتتذبذب النتائج)، وسير العمل المشترك المكوّن من أربع خطوات الذي يصلح في أي أداة (اختر أداة، اكتب موجّهًا، ولّد واختر، حسّن وأنهِ — والتكرار هو المنطلق)، وتشريح موجّه الصورة الأساسي المكوّن من ستة أجزاء (الموضوع، المشهد/الإطار، الأسلوب، الإضاءة/اللون، التكوين/الزاوية، التقني) إضافةً إلى الموجّهات السلبية ونسبة العرض إلى الارتفاع — مع أن GPT Image وImagen يفضّلان الجمل البسيطة بينما تحبّذ أدوات عائلة Stable Diffusion قوائم الكلمات والموجّهات السلبية، وسبع نصائح للإتقان (اضبط العدد، أضف شيئًا فشيئًا، صور مرجعية، تعبئة داخلية، ثبّت البذرة، ارفع الدقّة، احفظ الموجّهات الجيّدة)، وما يصعب على الذكاء الاصطناعي (اليدان، النص، الاتساق، الدقّة الدقيقة) والحلول، وأساسيات الحقوق والاستخدام التجاري والأخلاقيات للعمل (المخرَج المولّد بالكامل بالذكاء الاصطناعي ضعيف الحماية وفق مكتب حقوق النشر الأمريكي وحكم Thaler 2025، مع اختلافات بين البلدان؛ الاستخدام التجاري يعتمد على شروط كل أداة؛ التزييف العميق وتقليد الأساليب دون إذن ممنوعان؛ وتنتشر بيانات المصدر مثل C2PA في صور DALL-E). أمّا أي أداة تختار والطرق الخاصة بكل أداة فتُحال إلى مقالات المقارنة وMidjourney وStable Diffusion. اعرف التشريح، واضبط العدد، وأضف الكلمات شيئًا فشيئًا — يستطيع أي شخص الاقتراب من اللقطة التي يريدها.

تسأل الذكاء الاصطناعي نفسه الشيء نفسه، ومع ذلك يصفه شخص بأنه عديم الفائدة بينما ينبهر آخر بقدرته — والسبب الحقيقي وراء تلك الفجوة لا يكون في الغالب قدرة الذكاء الاصطناعي بل طريقة كتابة الأمر. هذا موجز عملي لتلك المهارة، هندسة الأوامر، منظَّم بحيث يستطيع المبتدئ استخدامه فورًا. يغطي ما هي هندسة الأوامر (مهارة تصميم تعليمتك للذكاء الاصطناعي وتحسينها — ليست شِفرة بل فن كيفية قول الأشياء)، والمبادئ الثلاثة التي تغيّر نتائجك (كن محددًا، أعطِ سياقًا، حدّد المُخرَج، إضافةً إلى "افعل X" بدلًا من "لا تفعل Y")، والأجزاء الستة الأساسية للأمر الجيد (الدور، السياق، التعليمة، الأمثلة، الصيغة، القيود — العناصر التي تذكرها أطر كبرى مثل COSTAR وRCOF بشكل مشترك؛ ولست بحاجة إلى الستة جميعها في كل مرة)، وسبع تقنيات عملية (امنح دورًا، اعرض نموذجًا/few-shot، استدل خطوةً بخطوة، ثبّت صيغة المُخرَج، نظّم بفواصل، لا تطلب أكثر من اللازم دفعةً واحدة، وكرّر — وأقواها التكرار)، ومثال قبل/بعد، وتقنيات للمستوى التالي (سلسلة التفكير، الاتساق الذاتي، تسلسل الأوامر، ReAct — مع أن نماذج الاستدلال مثل سلسلة o والتفكير الممتد لدى Claude تؤدي CoT داخليًا، لذا ينجح ذكر الهدف)، وسبعة أخطاء شائعة، ونصائح خاصة بكل نموذج إضافةً إلى أمان الإدخال. مع روابط داخلية إلى نصائح أوامر تطوير التطبيقات واحتياطات الإدخال. حوّل الغامض إلى محدد، والإلقاء إلى حوار — يستطيع أي شخص أن يتحسّن بدءًا من اليوم.

في يونيو 2025، كتب سام ألتمان من OpenAI على مدونته: «لقد تجاوزنا أفق الحدث؛ بدأ الإقلاع» («التفرد اللطيف»). ومع ذلك يرفض باحثون آخرون الفكرة رفضًا قاطعًا باعتبارها شيئًا لن يأتي أبدًا. يشرح هذا الدليل للمبتدئين أن التفرد (التفرد التقني) هو «نقطة التحول التي يتجاوز عندها الذكاء الاصطناعي الذكاء البشري ويبدأ في تحسين نفسه، فيصبح التقدم سريعًا بشكل انفجاري ولم يعد قابلًا للتنبؤ أو السيطرة» (فرضية، غير محققة حتى عام 2026). ويتناول جوهره — انفجار الذكاء = التحسين الذاتي التكراري، حيث يبني ذكاء اصطناعي ذكي ذكاءً اصطناعيًا أذكى ويتغير المُحسِّن من الإنسان إلى الذكاء الاصطناعي؛ وكيف يختلف عن الـ AGI والـ ASI (الـ AGI/ASI «حالتان» للذكاء، والتفرد «حدث» الصيرورة غير القابلة للتنبؤ؛ AGI ← تحسين ذاتي ← القفزة المفاجئة إلى ASI = التفرد)؛ وتاريخ المصطلح («انفجار الذكاء» لدى I. J. Good عام 1965 ← Vinge ينشر المصطلح عام 1993 ← Kurzweil يجعله سائدًا بـ«2045»)؛ والتباين الواسع في التوقعات (Kurzweil 2045، Altman «بدأ بالفعل»، Vinge، ومتشككون مثل Gary Marcus و«مكبح التعقيد» لدى الراحل Paul Allen)؛ والإقلاع الصعب المفاجئ مقابل الإقلاع اللين التدريجي؛ والآمال (اختراقات في الأمراض والعلوم) والمخاطر (فقدان السيطرة ومشكلة المواءمة)؛ والشك العميق (مكبح التعقيد، الحدود الفيزيائية، شيء مختلف تمامًا)؛ والمفاهيم الخاطئة الشائعة مثل «حكم الروبوتات» و«التفرد الفوري بمجرد وصول الـ AGI» و«تثبيت موعده في 2045». لا تخفه بإفراط ولا تحلم به أكثر من اللازم — استفد إلى أقصى حد من ذكاء اليوم الاصطناعي بينما تراقب بهدوء ما قد يأتي لاحقًا.

في عام 2023، عوقب محامٍ بعد أن استشهدت مذكرة كتبها ChatGPT بقضايا كانت كلها اختلاقاً من الذكاء الاصطناعي — وأشاعت تلك الواقعة حذراً عالمياً تجاه القانون والذكاء الاصطناعي. ومع ذلك انفجر التبنّي خلال سنوات قليلة، إذ يُقال إن أكثر من 90% من المحامين يستخدمون ذكاءً اصطناعياً ما في عملهم اليومي. وبصفته المقالة التالية في سلسلة أثر الذكاء الاصطناعي حسب القطاع بعد رقم 068 (التجارة) و094 (التسويق) و097 (الاستشارات)، يستعرض هذا المقال المهن الحرة. الوضع الراهن بالأرقام (62% من المحامين يبلّغون عن توفير أسبوعي للوقت بنسبة 6–20%؛ وعالجت Harvey وCoCounsel من Thomson Reuters أكثر من 10 ملايين مستند قانوني في الربع الأول من 2026؛ وقفز استخدام الذكاء الاصطناعي التوليدي في شركات الضرائب والمحاسبة والتدقيق من 8% في 2024 إلى 21% في 2025؛ وتُظهر دراسة من Stanford تراجع الوظائف المبكّرة في مجالات مثل المحاسبة بنسبة 13% مقابل 2022، والمحاسبون +5% وماسكو الدفاتر -5%)، والأعمال التي يغيّرها الذكاء الاصطناعي حسب المهنة (المحامون = البحث في القضايا ومراجعة العقود واستخلاص الالتزامات؛ المحاسبون = مسك الدفاتر والتحقّق المستندي وأخذ العيّنات وتحديد المخاطر؛ المستشارون الضريبيون = إدخال البيانات ومسوّدات الإقرارات والبحث في التشريعات — الذكاء الاصطناعي يقوم بالعمل التمهيدي والبشر يصدرون القرار النهائي)، وأكبر فخّ وهو الهلوسة (اختلاق قضايا وتشريعات غير موجودة — يؤدّي إلى عقوبات وفقدان الثقة؛ وتتباهى Harvey بدقّة استشهادات مُتحقَّق منها بنسبة 99.7% وتضع علامة تنبيه على البقية، وتستند CoCounsel في استشهاداتها إلى قاعدة بيانات للقضايا فلا تستشهد إلا بقضايا موجودة)، والقيمة الجوهرية الثابتة (الحكم النهائي والشكّ المهني والأخلاقيات والأحكام الضريبية الرمادية، وحاسماً — التوقيع والمسؤولية القانونية التي لا يمكن تفويضها للذكاء الاصطناعي)، وأزمة المبتدئين (أتمتة الروتين التدريبي) والأدوار الجديدة (مسؤولو الامتثال للذكاء الاصطناعي، ومهندسو المطالبات الضريبية)، ونصائح حسب الدور للممارسين والطامحين والعملاء (تحقّق من الاستشهادات والأرقام بمقارنتها بالمصادر الأصلية؛ وتأكّد من التعامل مع السرّية). تختلف الأنظمة والمسؤولية من بلد إلى آخر؛ وفي اليابان تنتشر أيضاً ميزات الذكاء الاصطناعي في برمجيات المحاسبة. والسؤال الذي يطرحه الذكاء الاصطناعي: هل ما تبيعه هو العمل، أم الحكم والمسؤولية؟

كانت ترجمة فيديو مدته ساعة يدويًا تلتهم يومًا كاملًا — تستمع، توقف، تكتب، تضبط الرمز الزمني. في عام 2026 ينتهي هذا الجحيم بمجرد "إسقاط الفيديو والانتظار بضع دقائق." يركّز هذا الدليل على ترجمة ونسخ محتوى الفيديو والصوت (محاضر الاجتماعات في #086، وOCR الصور في #091)، ويغطي المراحل الأربع التي يؤتمتها الذكاء الاصطناعي (استخراج الصوت ← النسخ النصي مع تمييز المتحدثين ← إضافة الرموز الزمنية إلى SRT/VTT ← الترجمة اللغوية والتنسيق)، والفرق بين الترجمات (SRT/VTT) والنصوص الكاملة ومتى تستخدم كلًّا منهما، ومقارنة بين الأدوات (Whisper المجاني والسري، وDescript لتحرير كل شيء، وSonix وHappy Scribe للدقة العالية وتعدد اللغات، وNotta الصديق للأفراد، وCapCut للهاتف، والتسميات التلقائية الأسهل من YouTube — كثير منها يستخدم التعرف على الكلام من عائلة Whisper في الخلفية)، وسير العمل الأكثر قابلية للتكرار من 4 خطوات (التحضير ← النسخ ← التدقيق ← التصدير/الإرفاق SRT/VTT)، وتوصيات حسب حالة الاستخدام (YouTube، البودكاست، المحاضرات، المقابلات، السري، متعدد اللغات)، وست نصائح للدقة مع جودة الصوت بوصفها 80٪ من النتيجة (الجودة، ضبط اللغة، قائمة أسماء الأعلام، البحث والاستبدال، تمييز المتحدثين، طول السطر)، وسير العمل الملكي متعدد اللغات (إتقان اللغة المصدر ← الترجمة بالذكاء الاصطناعي ← مراجعة الناطق الأصلي)، والمزالق — الإفراط في الثقة بالدقة، والضعف مع الضوضاء والمصطلحات، وحقوق النشر، ورفع المواد السرية، وانحراف الرموز الزمنية. على الصوت النظيف تبلغ الدقة 90–96٪ (منشورة، تعتمد على الظروف) وينخفض الجهد 80–90٪. العمل للذكاء الاصطناعي؛ واللمسة الأخيرة — التحقق من أسماء الأعلام ومشاهدته كاملًا — لك.