تعد بنية المحولات العقل المدبر وراء ثورة الذكاء الاصطناعي التوليدي الحالية، وهي التقنية التي جعلت النماذج اللغوية قادرة على فهم السياق بدقة مذهلة. في هذا الفصل، سنكشف النقاب عن آلية الانتباه الذاتي وكيفية معالجة البيانات من خلال مصفوفات الاستعلام والمفتاح والقيمة، لنفهم لماذا تفوقت هذه الهندسة المعمارية على الشبكات التقليدية بفضل قوتها في المعالجة المتوازية. بحلول نهاية هذا الفصل، ستكون قادراً على تتبع رحلة الكلمة من مجرد رمز نصي إلى متجه دلالي غني بالمعلومات.

قبل أن يتمكن النموذج من فهم جمال الشعر أو تعقيد الكود البرمجي، يجب عليه أولاً تحويل هذه الكلمات إلى لغة يفهمها: الأرقام. هذه هي مهمة عملية التقطيع (Tokenization). تخيلها كمترجم فوري يجلس بين عالم البشر وعالم الآلة، حيث يقوم بتفكيك الجمل ليس بالضرورة إلى كلمات كاملة، بل إلى وحدات أصغر تسمى رموزاً (Tokens). هذه الخطوة ليست مجرد إجراء تقني، بل هي الأساس الذي يبني عليه النموذج رؤيته للعالم.

في السابق، كانت الشبكات العصبية المتكررة (RNNs) تعالج هذه الرموز مثل طابور طويل أمام شباك تذاكر؛ يجب على كل كلمة أن تنتظر دورها خلف الكلمة التي تسبقها. هذا التسلسل كان يمثل عنق زجاجة خانقاً، حيث يفقد النموذج التركيز على بداية الجملة الطويلة بحلول وصوله إلى نهايتها. أما المحولات (Transformers)، فقد أحدثت ثورة حقيقية عبر معالجة الجملة كاملة دفعة واحدة، تماماً كما تقرأ أنت صفحة كاملة بنظرة سريعة بدلاً من تهجئة الحروف حرفاً بحرف.

بمجرد تقطيع النص، ننتقل إلى المفهوم الأكثر سحراً في هندسة الذكاء الاصطناعي: التمثيلات الدلالية (Embeddings). لا يرى النموذج الكلمات كأحرف، بل كنقاط في فضاء متعدد الأبعاد (Vector Space). في هذا الفضاء، يتم التعبير عن المعنى كمصفوفة من الأرقام. الكلمات التي تتشارك في المعنى تنجذب نحو بعضها البعض بشكل طبيعي؛ فكلمة ملك و ملكة ستكونان متقاربتين جداً، تماماً كما ستجد الكلمات المرتبطة بالفاكهة مثل تفاحة و برتقالة في حي واحد، بينما تبتعد عنهما كلمة سيارة لتستقر في حي المحركات.

هذه المصفوفات الرقمية ليست مجرد مخازن للمعنى، بل هي المادة الخام التي يتم تشكيلها لاحقاً داخل طبقات المحول. كل رقم في هذا المتجه يساهم في تحديد كيفية استجابة الكلمة عند اصطدامها بآليات الاستعلام (Query) والمفتاح (Key) والقيمة (Value). إنها نقطة الانطلاق التي ستمكن آلية الانتباه الذاتي من فحص الروابط بين الكلمات وتحديد أي الكلمات في الجملة تستحق الاهتمام الأكبر بناءً على سياقها الحالي. هذا التحول من نص جامد إلى متجهات حيوية هو ما يمنح النماذج اللغوية قدرتها الفائقة على توليد نصوص تبدو بشرية بشكل مذهل.

الآن بعد أن فهمنا كيف تتحول الكلمات إلى متجهات رقمية غنية بالمعنى، سننتقل في الجزء القادم لرؤية كيف تستخدم هذه المتجهات آلية الانتباه الذاتي لفك شفرة العلاقات المعقدة بين أجزاء الجملة.