Artificial Intelligence

الذكاء الاصطناعي متعدد الوسائط في 2026: من الألعاب الترفيهية إلى البنية التحتية

By Anurag Verma•June 7, 2026

الذكاء الاصطناعي متعدد الوسائط في 2026: من الألعاب الترفيهية إلى البنية التحتية

في المرة الأولى التي أدخلت فيها صورة ضبابية للوحة دوائر كهربائية إلى نموذج متعدد الوسائط وحصلت في المقابل على تحليل لأعطال المكونات بمستوى دقيق، توقفت عن النظر إلى الذكاء الاصطناعي البصري باعتباره ميزة للعروض التوضيحية. كان ذلك قبل عامين. أما اليوم، فقد أصبح الذكاء الاصطناعي متعدد الوسائط، الذي يستوعب فيه نموذج واحد النصوص والصور والصوت والفيديو في آنٍ واحد، البنية المعيارية الافتراضية للتطبيقات الجادة، لا إضافةً اختيارية.

جاء هذا التحول أسرع مما توقعه معظم المهندسين الذين أعرفهم. ونحن الآن نتعامل مع تداعياته، الإيجابية والمعقدة، الناجمة عن هذه السرعة.

كيف تبدو البنية التقنية الفعلية الآن

ثلاث عائلات من النماذج تهيمن على التطبيقات العملية في منتصف عام 2026. يأتي GPT-5 من OpenAI، الذي صدر في أغسطس 2025، مزوداً بموجّه في الوقت الفعلي يوزع الاستفسارات تلقائياً بين مسار استدلال سريع ومسار استدلال بأسلوب سلسلة التفكير. معالجته متعددة الوسائط أصيلة حقاً، إذ يشترك النص والصورة في فضاء الرموز ذاته عوضاً عن ربطهما معاً عبر محوّل وسيط. لدى معظم فرق المنتجات التي أتحدث إليها، يظل الخيار الافتراضي للميزات الموجهة للعملاء، لأن واجهته البرمجية يمكن التنبؤ بها وتناسب أسعاره غالبية نماذج أعمال SaaS.

يفعل Gemini 2.5 Pro من Google، الذي أُطلق في مارس 2025، ما لم يلحق به الآخرون بعد: يعالج بصورة أصيلة ما يصل إلى ساعة تقريباً من الفيديو، ويفهم المسارات الصوتية داخل ذلك الفيديو باستقلالية عن أي نص مكتوب، ويجمعها مع البيانات المنظمة في نافذة السياق ذاتها. لأي خط معالجة يتعامل مع لقطات المراقبة أو الاجتماعات المسجلة أو العروض التوضيحية للمنتجات، يُعدّ Gemini 2.5 Pro الخيار العملي الآن، حتى مع بدء دخول خلفه Gemini 3.1 Pro إلى الإنتاج في المشاريع الجديدة.

Claude 4 Sonnet من Anthropic، الذي أعتمد عليه حالياً في سير العمل الكثيفة بالوثائق، يتعامل مع الاستدلال البصري متعدد الأدوار دون الانجراف في السياق الذي عانت منه الأجيال السابقة. إن كنت تعالج عقوداً أو بيانات مالية أو رسومات هندسية، فالفارق في الاتساق عبر الأدوار المتتالية ملموس.

على صعيد المصادر المفتوحة، تتضيق الفجوة مع النماذج المغلقة بوتيرة مزعجة للمنافسين التجاريين. يضاهي Qwen3-VL-235B من Alibaba أداء GPT-5 أو يتفوق عليه في عدة معايير قياسية متعددة الوسائط تشمل التعرف الضوئي على الحروف وفهم الوثائق والإجابة على أسئلة الفيديو والتأطير المكاني ثنائي وثلاثي الأبعاد. ويدعم 32 لغة لمهام التعرف الضوئي على الحروف. يمتلك الفريق الذي يتوفر على ميزانية حوسبة لتشغيل 235 مليار معامل على بنيته التحتية الخاصة بديلاً حقيقياً عن دفع رسوم واجهات برمجية لاستدلال بصري بحجم كبير.

أين يُستخدم فعلياً

التطبيقات المؤسسية التي تحقق انتشاراً واسعاً لم تكن في المكان الذي كنت سأتوقعه قبل ثلاث سنوات.

مراقبة الجودة في التصنيع هي الفوز الأوضح. تدمج النماذج متعددة الوسائط مغذيات الكاميرات وسجلات أجهزة الاستشعار وسجلات الصيانة للكشف عن الشذوذات قبل أن تتحول إلى أعطال. لا يكتفي النموذج بالنظر في الصورة، بل يستدل عبر الصورة وبيانات السلاسل الزمنية في آنٍ واحد. تُفيد الفرق المؤسسية بانخفاضات قابلة للقياس في وقت التعطل غير المخطط له مقارنةً بأنظمة الفحص أحادية الوسيلة.

دعم العملاء هو المجال الآخر الذي تتفوق فيه الأنظمة متعددة الوسائط على العوامل النصية فحسب بطرق ذات أثر تجاري ملموس. وكيل الدعم القادر على رؤية نمط مصابيح LED على جهاز توجيه العميل وقراءة رمز الخطأ في لقطة الشاشة والرجوع إلى سجل خدمة الحساب في مرور واحد يحل التذاكر بسرعة أكبر من أي تدفق نصي بحت. تتراكم تحسينات زمن الاستجابة مباشرةً في مؤشرات رضا العملاء.

ذكاء الوثائق، الذي كان التطبيق القاتل الأصلي لتقنية التعرف الضوئي على الحروف ومعالجة اللغة الطبيعية، أُعيد تشكيله كلياً. تعالج خطوط المعالجة الحديثة متعددة الوسائط الفواتير والسجلات الطبية والإيداعات التنظيمية والرسومات الهندسية بمستوى من الفهم البنيوي لم تستطع أنظمة الدمج السابقة تحقيقه. البنية أبسط أيضاً: استدعاء نموذج واحد لا ثلاثة.

بلغ سوق وكلاء الذكاء الاصطناعي 7.6 مليار دولار في 2025، والجزء الأكبر من هذا النمو في التكوينات متعددة الوسائط. سير العمل الوكيلة التي ترى وتقرأ وتتصرف على واجهة الحاسوب، ما يسميه القطاع باستخدام الحاسوب، تُشحن الآن في بيئات الإنتاج في شركات لم أتوقع أن تكون من أوائل المتبنين. محررو المطالبات التأمينية ومراجعو الوثائق القانونية وفرق المشتريات هم من بين المستخدمين الحقيقيين الأوائل.

المشكلات التي لم تختفِ

أريد أن أكون صريحاً بشأن أوجه الفشل لأن دورة الضجيج حول الذكاء الاصطناعي متعدد الوسائط تتجاوز هذه الجوانب.

الهلوسة في القناة البصرية أسوأ من الهلوسة في القناة النصية من زاوية واحدة محددة: يصعب اكتشافها. حين يخترع النموذج مرجعاً، يلاحظه القارئ المتأني. لكن حين يُخطئ النموذج في تحديد مكون في رسم تقني، أو يخطئ في قراءة رقم مكتوب بخط اليد على نموذج، يتسرب ذلك الخطأ عبر خط المعالجة اللاحق بصمت. تُظهر أبحاث نُشرت في 2025 أن نماذج اللغة المرئية تُبدي استرجاعاً محدوداً وتدرجاً غير مستقر مقارنةً بأنظمة الكشف المدربة لهذا الغرض، لا سيما حين تحتوي صور الإدخال على عناصر تبدو مشابهة لكائنات توزيع التدريب لكنها مختلفة دلالياً.

يظل الاستدلال المكاني غير متسق. تفهم النماذج ما في الصورة بصورة أفضل بكثير مما تفهم أين تقع الأشياء بالنسبة لبعضها، أو ما هي القيود المادية التي تحكم المشهد. نموذج يصف بثقة تجميعاً ميكانيكياً يمكن أن يخطئ في العلاقات اليمين-يسار، وهو إشكال جدي في تخطيط العمليات الجراحية أو التلاعب الروبوتي.

عدم توافق الوسائط، حيث يُرجّح النموذج إحدى وسائط الإدخال على حساب الأخرى، تحدٍّ معماري مستمر. أدخل على النموذج تسمية توضيحية مضللة مع الصورة، وغالباً ما ينتصر النص. هذا يخلق ثغرات في السياقات العدائية لم تعالجها معظم فرق الإنتاج بالكامل بعد.

تقييمي الصريح: الذكاء الاصطناعي متعدد الوسائط جاهز للإنتاج في المهام المحددة جيداً وعالية الحجم مع وجود مراجعة بشرية. لكنه ليس بعد موثوقاً للقرارات منخفضة الحجم وعالية المخاطر حيث يترتب على الخطأ عواقب لا رجعة فيها ولا أحد يراقب.

إلى أين يتجه هذا المسار

القفزة المعنوية التالية ليست في مزيد من الوسائط، بل في تقليص زمن الاستجابة وتحسين التدرج. النماذج القادرة على إخبارك حين تكون غير متيقنة من مدخل بصري تساوي أكثر بالنسبة لي من تلك التي تعالج بيانات أجهزة الاستشعار أو التغذية الراجعة اللمسية. ثقة مُعايَرة في القناة البصرية ستفتح فئة من التطبيقات الطبية والقانونية والمالية التي تنطوي حالياً على مخاطر مرتفعة تحول دون أتمتتها.

ستمارس النماذج مفتوحة المصدر ضغطاً سعرياً كبيراً على مزودي الواجهات البرمجية في 2026 و2027. قلّصت Qwen3-VL ونماذج مماثلة تكاليف الاستدلال بما يصل إلى 60% مقارنةً بالبدائل التجارية المغلقة على معايير قياسية مماثلة. بالنسبة للفرق القادرة على الاستضافة الذاتية، الاقتصاد مختلف بالفعل عما كان عليه قبل اثني عشر شهراً.

أبني الآن على أسس متعددة الوسائط تحديداً لأن الأدوات تجاوزت عتبة حاسمة. المجردات مستقرة بما يكفي للالتزام بها. السؤال لم يعد ما إذا كان ينبغي استخدام الذكاء الاصطناعي متعدد الوسائط. السؤال هو ما إذا كانت لديك بيانات مُصنَّفة كافية وطاقة مراجعة بشرية لاستخدامه بمسؤولية في نطاقك المحدد.