لماذا يعتقد حامل شهادة الماجستير في القانون (LLM) أن «ماديسون» تقع في ولاية ويسكونسن

بقلم تايلر بيل، نائب الرئيس الأول لشؤون المنتجات

إليك موقف مألوف: مع وفرة المحتوى التلفزيوني المتاح، تجد نفسك تطلب من الأصدقاء والعائلة توصيات بمسلسلات لتجنب التصفح اللانهائي. ولحسن الحظ، يوصيك أحد الأصدقاء — الذي يعلم أنك استمتعت بمشاهدة مسلسلات «يلوستون» و«لاندمان» و«مايور أوف كينغستاون » — بمسلسل تايلور شيريدان التلفزيوني الأحدث، «ذا ماديسون».

متلهفًا لبدء العرض، تطلب من جهاز التحكم عن بُعد الذي يعمل بالصوت أن يبحث عن الحلقة الأولى ويشغلها. لكن بدلاً من عرض المسلسل الدرامي الذي تلعب فيه ميشيل فايفر دور البطولة، والذي يدور حول عائلة تنتقل من مدينة نيويورك إلى براري مونتانا، يُعرض لك برنامج تلفزيون واقعي عن مجموعة من الشباب الذين يعيشون في ماديسون بولاية ويسكونسن.

قد يبدو هذا غير محتمل، بالنظر إلى الضجة التي تحيط بتايلور شيريدان وإمبراطوريته من المسلسلات التلفزيونية الشهيرة. ومع ذلك، فهذه هي بالضبط الإجابة التي قدمها نموذج LLM غير المدرب عندما طلبنا منه معلومات عن أحدث برنامج في عالم شيريدان التلفزيوني.

قد يبدو هذا الرد مفاجئًا، لكنه لا ينبغي أن يكون كذلك. ويرجع ذلك إلى أن نماذج اللغة الكبيرة (LLMs) تنطوي على بعض القيود الأساسية للغاية.

على الرغم من أن نماذج اللغة الكبيرة (LLMs) تتفوق في مجال الاستدلال والاستنتاج، إلا أنها لم تُصمم لتوضيح الحقائق. وباعتبارها محركات تنبؤ، فإن وظيفتها الوحيدة هي التنبؤ بالرمز التالي. وفي المثال أعلاه، يمنع نطاق المعرفة المحدود لنموذج اللغة الكبير (LLM) من معرفة أي شيء حدث بعد انتهاء فترة تدريبه، بما في ذلك العرض الأول لف يلم «ذا ماديسون» في مارس 2026. 

بالنسبة لنظام اللغة الكبير (LLM)، تعتمد دقة الردود بشكل كامل على المعقولية المُحسَّنة، وليس على الحقائق. ويمكن للبيانات والتدريب تحسين النتائج، لكن لا ينبغي لأحد أن يتوقع اليقين الوقائعي من آلة تم تدريبها على الرد بناءً على الاحتمالات. وكما هو الحال مع روبوتات الدردشة الشهيرة مثل ChatGPT وGemini، فإن نظام اللغة الكبير (LLM) الموجود في أي خدمة لتوزيع الفيديو يحتاج إلى^{«أساس»1} للتحقق من الردود التي يقدمها وتصحيحها وتحسينها.

إلا أنه، على عكس روبوتات الدردشة الشهيرة تلك، تحتاج نماذج اللغة الكبيرة (LLMs) المستخدمة في البحث عن المحتوى واكتشافه إلى «ترسيخ» خاص بالمجال. فعلى سبيل المثال، من شأن الترسيخ باستخدام بيانات موثوقة في مجال الترفيه أن يمنع نموذج لغة كبير غير مُرسَّخ من عرض معلومات عن مسلسل تلفزيوني على قناة «ستارز» (Starz) بعنوان «Heels» عُرض في الفترة من 2021 إلى 2023، عند سؤاله عن فيلم روائي طويل سيصدر عام 2025 يحمل اسمًا مشابهًا جدًّا، وهو «Heel».

مع تزايد حجم كتالوجات المحتوى، أصبح العثور على المحتوى المطلوب تحديًا حقيقيًّا، حيث يُشير مشاهدو التلفزيون إلى أنهم يقضون الآن 14 دقيقة في البحث عن شيء^{لمشاهدته²}. تتمتع النماذج اللغوية الكبيرة (LLMs) بالقدرة على حل التحديات التي تواجه الجمهور في اكتشاف المحتوى، لكنها لا تستطيع القيام بذلك بمفردها.

التأسيس يضمن مواكبة النماذج اللغوية الكبيرة (LLMs) لروح العصر

لا تُعد نماذج اللغة الكبيرة (LLMs)، التي تعتمد فقط على بيانات التدريب الخاصة بها، بنوك معرفة شاملة. وتكمن هذه السمة الأساسية في جوهر السبب الذي يجعل نماذج اللغة الكبيرة بحاجة إلى بيانات خارجية لضمان أن تكون الإجابات التي تقدمها حديثة ودقيقة. فبدون أساس خارجي، على سبيل المثال، تؤدي «حدود المعرفة» إلى جعل نماذج اللغة الكبيرة غير قادرة على التعرف على أي محتوى يتم إصداره بعد نشرها — وهو قيد ملحوظ عندما نأخذ في الاعتبار عدد المسلسلات التلفزيونية والأفلام الجديدة التي يتم إصدارها كل عام.

ورغم أن ذلك قد يكون محبطًا للجمهور، فإن أفضل رد ممكن من نموذج اللغة الكبير (LLM) عند سؤاله عن إصدار جديد قد يكون الرد الذي يعترف ببساطة بقيود بيانات التدريب الخاصة به. وفي دراسة حديثة أجرتها مجلة « Gracenote »، فعل نموذج لغة كبير غير مدعوم ببيانات واقعية، تم إصداره في مايو 2025، ذلك بالضبط، حيث أشار إلى أنه لا يمتلك أي معلومات عن مجموعة متنوعة من الأفلام السائدة الحديثة التي صدرت في عامي 2025 و2026.

إلا أن النماذج اللغوية الكبيرة (LLMs) غالبًا ما تختلق ما لا تعرفه (أي أنها «تُهلوس»)، وتفعل ذلك بثقة. وهذا ينطوي على مخاطر كبيرة تتعلق بتجربة المستخدم في عالم الترفيه، لا سيما في ظل التجزئة المتزايدة وانتشار الأعمال التي أعيد إنتاجها وتحمل نفس أسماء سابقاتها.

من أجل فهم تأثير الهلوسة على اكتشاف المحتوى بشكل أفضل، قيمت دراستنا الأخيرة كمية المعلومات التي اختلقها نموذج اللغة الكبير (LLM) غير المرتبط ببيانات واقعية حول أفضل 100 حلقة تلفزيونية وأفضل 100 فيلم في 13 دولة. ومن بين 2,600 عنوانًا، اختلق نموذج اللغة الكبير غير المرتبط ببيانات واقعية 100% من المعلومات على مستوى السمات لـ 506 عنوانًا (ما يقارب 20% من الإجمالي).

لا يمكن لنماذج اللغة الكبيرة (LLMs) أن توفر اليقين بشأن الحقائق

تؤدي القيود المتعلقة بالبنية التحتية — والتي تشمل محدودية بيانات التدريب، والتنبؤ بالرمز التالي، ونقص البيانات المرتبطة بالسياق — مجتمعةً إلى تجربة غير مرضية لمشاهدي التلفزيون. وفي النهاية، تعتمد التجربة الإيجابية للمستخدم على قدرة المشاهدين على العثور على ما يبحثون عنه. وفي هذا الصدد، لا ترقى نماذج اللغة الكبيرة (LLMs) غير المرتبطة بالسياق إلى مستوى هذه المهمة، وذلك ببساطة لأن الدقة الوقائعية أمر مستحيل.

بالنسبة لخدمات البث، فإن الذكاء الاصطناعي غير المرتكز على الواقع ليس مجرد مسألة نظرية. فإذا ابتكر المساعد قصة خيالية، أو قدم طاقم تمثيل خاطئًا، أو خلط بين عناوين متشابهة، فلن يلوم المشاهدون النموذج نفسه. بل سيلومون التجربة نفسها، مما يجعل الارتكاز على الواقع أمرًا أساسيًا لبناء الثقة، والحفاظ على المشاهدين، وتحقيق الإيرادات.

هذا الخطر هو ما يجعل إيجاد حل لمشكلة اكتشاف المحتوى أمراً ملحاً للغاية، وأكبر تحدٍ يواجهه الجمهور حالياً هو العثور على شيء لمشاهدته. وستلعب النماذج اللغوية الكبيرة (LLMs) دوراً حاسماً في هذا الصدد، لكن استراتيجيات الذكاء الاصطناعي الناجحة لن تُبنى بالاعتماد على نماذج أكبر حجماً. 

بدلاً من ذلك، ستقوم شركات الإعلام ومزودي خدمات البث الناجحون ببناء نظام معلومات محتوى متكامل ومُحدَّث مباشرةً ضمن منظومة الذكاء الاصطناعي الخاصة بهم، ويتم توفيره من خلال مجموعات البيانات المرخصة، أو خوادم MCP، أو أي وصلات أخرى إلى مخطط معرفي موثوق.

الوكلاء والعارضات: لكن روبوت الدردشة يقوم بذلك بشكل جيد…

إليك تمييزًا بالغ الأهمية في عالم الذكاء الاصطناعي: عندما تتفاعل، بصفتك مستهلكًا، مع ChatGPT أو Gemini أو Claude، فإنك لا تتعامل مع النموذج الذي قد تحصل على ترخيصه بشكل احترافي من OpenAI أو Google أو Anthropic، على التوالي. بل إنك تتعامل مع «وكيل»، وهو تطبيق للنموذج الأساسي مقترن بعدد كبير من الأدوات والبيانات المساعدة. 

هل لديك سؤال في الرياضيات؟ يقوم النموذج بتوجيه هذا السؤال إلى أداة حسابية. هل تريد معرفة تفاصيل حدث حديث أو نتائج مباراة رياضية أو آخر الأخبار؟ يقوم النموذج بتحويل هذا الاستفسار إلى أداة مخصصة للبحث في شبكة الإنترنت. تعتمد روبوتات الدردشة هذه الموجهة للمستهلكين على عشرات — إن لم يكن مئات — من الأدوات ومصادر البيانات الخاصة بمجالات ومهام محددة، من أجل تقديم تجربة مستنيرة للمستهلكين.

عندما تستخدم نموذج اللغة الكبير (LLM) في منظومة الترفيه الخاصة بك، فإنك لا تتمتع بإمكانية الوصول إلى نفس الأدوات والبيانات المتوفرة في روبوتات الدردشة المخصصة للمستهلكين. نموذج اللغة الكبير (LLM) هو حل غير مكتمل. وفي هذه الحالة، يتعين عليك توفير البيانات والأدوات الخاصة بك من أجل:

• تدريب نماذج LLM على منع الهلوسة المتوطنة
• توفير القدرات التكميلية التي لا يستطيع نموذج اللغة الكبير (LLM) أداءها بمفرده، و 
• تأكد من أن النموذج لديه إمكانية الوصول إلى أحدث المعلومات 

يتم دمج أدوات محددة، مثل خوادم MCP، مع التعليمات السلوكية (موجه النظام) ومنطق الأعمال داخل الوكيل. ومن المرجح أن تقوم بتنفيذ وكيل مختلف لكل مهمة متعلقة بالذكاء الاصطناعي في منصة الترفيه الخاصة بك، لكنها ستستخدم جميعها نفس نموذج اللغة الكبير (LLM)، وكثيرًا من الأدوات نفسها.

نُشرت هذه المقالة في الأصل على موقع " Streaming Media".