La أبحاث أبل في مجال التعلم الآلي أصبحت هذه التقنية إحدى الركائز الاستراتيجية للشركة، رغم أنها كانت تُعتبر لسنوات شركةً أكثر تكتمًا من غيرها من عمالقة الذكاء الاصطناعي. أما اليوم، فتجمع آبل بين قوة هندسية هائلة، وأجهزتها الخاصة، وتركيزها الواضح على خصوصية المستخدم، لتطوير نماذج متقدمة تعمل في الحوسبة السحابية وعلى الجهاز مباشرةً.
وراء الوظائف التي نستخدمها دون تفكير تقريبًا - من التعرف على الصوت من سيري بدءًا من تقليل الضوضاء في المكالمات وصولًا إلى اقتراحات النصوص الذكية، هناك محرك تعلّم آلي متطور للغاية يعمل بكفاءة. تقود آبل التطورات في الشبكات العصبية المتكررة واسعة النطاق، والنماذج التوليدية، ومعالجة اللغة الطبيعية، والأطر المفتوحة مثل MLX، بهدف واحد ثابت: أن يكون الذكاء الاصطناعي قويًا وفعالًا ويحترم بيانات المستخدمين.
رهان شركة آبل على التعلم الآلي والذكاء الاصطناعي
الذكاء الاصطناعي و يُعدّ التعلّم الآلي ركيزتين أساسيتين في مستقبل شركة آبل. قبل بضع سنوات، كانت الشركة بالكاد تُشارك أي معلومات حول تطويراتها الداخلية، لكن هذا النهج تغير بشكل كبير. اليوم، لا تكتفي الشركة بتطبيق تقنيات التعلم الآلي على جميع منتجاتها تقريبًا، بل تُتيح أيضًا لمهندسيها نشر أعمالهم والتفاعل مع المجتمع العلمي.
وقد تجسد هذا التحول مع إطلاق مجلة Apple Machine Learningهذه مدونة رسمية يشرح فيها المهندسون، بتفصيل تقني دقيق، كيفية استخدامهم للتعلم الآلي لابتكار منتجات يستخدمها ملايين الأشخاص. لا يقتصر الهدف على وصف "ما" أنجزوه فحسب، بل يشمل أيضاً "كيف" حققوه، من خلال المنهجيات والتجارب والنتائج الكمية.
في هذا السياق، تحولت شركة آبل من كونها شركة منغلقة في مجال الذكاء الاصطناعي إلى لاعب أكثر انفتاحًا، حيث تنشر الأبحاث وتشارك في المؤتمرات وتصدر أدوات التطوير. هذا التغيير بالغ الأهمية لـ استقطاب المواهب البحثية والاحتفاظ بهابأرقام مثل جون جياناندريا، وهي نقطة كان للمنافسين مثل جوجل، أو أوبن إيه آي، أو ميتا ميزة على وجه التحديد لأن لديهم ثقافة أكثر انفتاحًا.
وفي الوقت نفسه، تحافظ الشركة على نهجها المميز: فكل ما تفعله في مجال التعلم الآلي يرتبط ارتباطًا وثيقًا بأعمالها الأساسية. تصميم الأجهزة وأنظمة التشغيل والمنتجاتويتضح هذا الأمر في كل من رقائق Apple Silicon الخاصة بهم وفي الطريقة التي يدمجون بها النماذج مباشرة في أنظمة iOS أو macOS أو watchOS، دون إجبار المطورين على التعامل مع تعقيدات غير ضرورية.
مزيج من الأبحاث المتطورة، والنهج العملي، والشغف بـ... تجربة مستخدم تركز على الخصوصية هذا ما يميز شركة آبل داخل النظام البيئي للذكاء الاصطناعي، حتى عند مقارنتها بنماذج الحوسبة السحابية الضخمة مثل ChatGPT أو نماذج التعلم المحدود الأخرى الكبيرة.
الشبكات العصبية المتكررة واسعة النطاق وتطورات شركة آبل
أحد المجالات التي حققت فيها شركة آبل قفزة نوعية هو... الشبكات العصبية المتكررة (RNN)لطالما كانت الشبكات العصبية المتكررة (RNNs) جذابة للغاية للمهام المتسلسلة مثل معالجة النصوص أو الصوت، لأنها تستهلك ذاكرة وحسابات أقل من البنى القائمة على آلية الانتباه (مثل Transformers). مع ذلك، فإن طبيعتها المتسلسلة تجعل من الصعب للغاية توسيع نطاق هذه النماذج لتشمل مليارات المعاملات.
طور باحثو شركة آبل نهجًا يجعل يُعد تدريب الشبكات العصبية المتكررة الكبيرة أكثر كفاءة بكثير.يُتيح هذا، ولأول مرة، تطبيق هذه البنية على نطاقات كانت حكرًا تقريبًا على النماذج القائمة على آلية الانتباه. ومن خلال تحسين كيفية معالجة التسلسل وموازاة العمليات الحسابية، تمكنوا من خفض تكاليف التدريب بشكل كبير وجعلها قابلة للتطبيق على الأجهزة الحالية.
يُعد هذا الأمر ذا أهمية خاصة لشركة آبل لأن الشبكات العصبية المتكررة المُحسّنة جيدًا تسمح استدلالات سريعة للغاية وبذاكرة قليلةيُعدّ هذا الأمر بالغ الأهمية لتشغيل النماذج مباشرةً على أجهزة مثل iPhone و iPad و Mac دون استنزاف البطارية أو إرهاق وحدة المعالجة المركزية. وبدلاً من النماذج الضخمة القائمة على الحوسبة السحابية، تُركّز Apple على بنى تحتية صغيرة الحجم وفعّالة يُمكن تشغيلها محليًا.
يتناسب هذا النوع من الأبحاث تمامًا مع استراتيجية الذكاء الاصطناعي والتعلم الآلي الخاصة بهم على الأجهزة، حيث يتم تحقيق التوازن بين الطاقة والاستهلاك وزمن الاستجابة هذا أمر بالغ الأهمية. فالنموذج الذي يتميز بدقة عالية ولكنه يتطلب موارد حاسوبية هائلة يصبح أقل أهمية إذا لم يتمكن من العمل بسلاسة على ملايين الأجهزة الحقيقية.
علاوة على ذلك، يمكن دمج هذه التطورات في الشبكات العصبية المتكررة مع مناهج أخرى، مثل النماذج التوليدية أو الهجينة التي تستخدم مكونات متكررة لمهام معينة وآليات الانتباه لمهام أخرى، مما يفتح الباب أمام بنى أكثر مرونة وقابلة للتخصيص اعتمادا على التطبيق.
مجلة أبل للتعلم الآلي وبداية التحقيق
لطالما عُرفت شركة آبل بهوسها بالسرية ومنعها مهندسيها من نشر المقالات العلمية. هذه السياسة، بحسب العديد من الخبراء، جعلت الشركة... ستفقد جاذبيتها مقارنة بشركات الذكاء الاصطناعي الأخرى، مما تسبب في هجرة أدمغة الذكاء الاصطناعيحيث يمكن للباحثين النشر، وحضور المؤتمرات، وبناء سمعتهم الأكاديمية.
تغير هذا الوضع بشكل كبير عندما أعلنت شركة آبل، عبر مدير أبحاثها روس سالاخوتدينوف، أنها ستصبح أكثر انفتاحًا فيما يتعلق بالنشر. وكجزء من هذا التغيير، مجلة Apple Machine Learningمساحة رسمية يتبادل فيها المهندسون النتائج الحقيقية للمشاريع التي تنتهي كمنتجات استهلاكية.
ركزت أول تدوينة على تحسين واقعية الصور الاصطناعيةكانت المشكلة واضحة: إن تدريب الشبكات العصبية باستخدام صور حقيقية مصنفة يدويًا أمر مكلف وبطيء، في حين أن الصور الاصطناعية (المولدة اصطناعيًا) أرخص بكثير في الإنتاج ولكنها لا تبدو دائمًا مثل الواقع بما فيه الكفاية، مما يقلل من أداء النماذج.
وصف فريق آبل طريقة "لتحسين" هذه الصور الاصطناعية لجعلها تبدو أكثر واقعية، مع الحفاظ على التفاصيل المهمة التي تحتاجها الشبكة العصبية. وبهذا، حققوا زيادة دقة النماذج دون الاعتماد بشكل كبير على البيانات المصنفة يدويًا، مما يسرع بشكل كبير من تطوير أنظمة رؤية الكمبيوتر، على سبيل المثال، للتعرف المتقدم على الصور في نظام التشغيل iOS.
إلى جانب ذلك النشر الأولي، تستخدم آبل المجلة كمنصة لشرح التطورات في مجالات الرؤية واللغة والتعرف على الكلام وغيرها. كما أنها تدعو... الباحثون والطلاب والمطورون إرسال الأسئلة والتعليقات عبر البريد الإلكتروني، مما يعزز العلاقة مع المجتمع التي بدت قبل بضع سنوات أمراً لا يمكن تصوره تقريباً.
إن هذا التحول الداخلي في الأيديولوجية لا يفيد المجتمع العلمي فحسب، بل هو أيضاً وسيلة لشركة آبل لتحسين خدماتها، مثل توصيات Apple Music، وقدرات Siri التنبؤية، أو معالجة الصور المتقدمة على iPhone، والتي تعتمد بشكل كبير على نماذج التعلم الآلي المتطورة بشكل متزايد.
فرق البحث في مجال التعلم الآلي داخل شركة أبل
لا تُعتبر أبحاث التعلم الآلي في شركة آبل كتلةً متجانسة، بل هي منظمة في فرق متخصصة تغطي مجالات مختلفة من بين أبرزها مجموعات البنية التحتية للتعلم الآلي، والتعلم العميق والتعلم المعزز، ومعالجة اللغة الطبيعية وتقنيات الكلام.
فريق بنية تحتية للتعلم الآلي يتولى هذا الفريق مسؤولية بناء البنية التحتية التقنية التي تستند إليها العديد من منتجات الشركة الأكثر ابتكارًا. ويعمل الفريق مع منصات الحوسبة الضخمة، وأدوات التحليل، وأنظمة التخزين الهائلة، مما يُمكّنهم من تدريب ونشر النماذج واسعة النطاق بكفاءة.
تتعاون هذه المجموعة بشكل وثيق مع أقسام أخرى في شركة آبل لتكييف الأجهزة والبرامج والخوارزميات مصممة خصيصاً لتلبية الاحتياجات المحددة لكل منتج. إنها بيئة يُبحث فيها عن كفاءات في علوم البيانات، وهندسة البرمجيات الخلفية، والمنصات والأنظمة، وغيرها، حيث يكمن المفتاح في القدرة على تقديم الذكاء الاصطناعي بكفاءة عالية لملايين الأجهزة.
من ناحية أخرى ، الفريق التعلم العميق والتعلم المعزز يجمع هذا المشروع بين الباحثين والمهندسين ذوي الخبرة في مجموعة واسعة من التقنيات: التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف، والنماذج التوليدية، والتعلم الزمني، والتعلم متعدد الوسائط، والتعلم العميق المعزز، والتعلم العكسي المعزز، ونظرية القرار، ونظرية الألعاب.
هذه المجموعة تدفع حدود الذكاء الاصطناعي واسع النطاقالبحث عن حلول لمشاكل واقعية تتطلب نماذج قوية وفعالة. يستكشف هذا القسم كل شيء بدءًا من كيفية جعل النظام يتعلم اتخاذ القرارات المثلى بناءً على تفاعله مع البيئة، وصولًا إلى كيفية دمج النصوص والصور والصوت في أنظمة متعددة الوسائط حقيقية.
وأخيراً، فريق معالجة اللغة الطبيعية وتقنيات الكلام يجمع هذا المشروع علماء من مجالات متنوعة، يركزون جميعًا على فهم اللغة البشرية وتوليدها. ويعملون على مهام مثل الترجمة الآلية، والتعرف على الكيانات المسماة، والبحث عن الإجابات، وتقسيم المواضيع، والتعرف على الكلام، مع تطبيقات واضحة في سيري، والإملاء، والترجمة على الأجهزة، والمساعدين التفاعليين.
تتعامل هذه المجموعات عادةً مع كميات هائلة من البيانات وتستخدم تقنيات التعلم العميق المتقدمة لمعالجة التحديات في تعدد اللغات واللهجاتإنهم يبحثون عن كفاءات في هندسة اللغة الطبيعية، ونمذجة اللغة، وبرامج تحويل النص إلى كلام، وهندسة بيئة الكلام، وعلم البيانات، والبحث النظري، مما يعكس اتساع نطاق هذا المجال داخل شركة آبل.
التعلم الآلي على الجهاز وذكاء أبل: الذكاء الاصطناعي على الجهاز
من أبرز سمات شركة آبل مقارنةً بالشركات الأخرى في هذا القطاع هو هوسها بـ سيعمل الذكاء الاصطناعي مباشرة على الجهاز.دون الحاجة إلى إرسال جميع البيانات إلى السحابة. يوفر فريق التعلم الآلي على الجهاز أدوات للمطورين والمتحمسين لدمج تقنيات Apple Intelligence والتعلم الآلي في التطبيقات والمشاريع الشخصية.
في هذا السياق، مفاهيم مثل ذكاء المنصةحيث لا تُعدّ تقنيات التعلّم الآلي والذكاء الاصطناعي مجرد إضافات، بل جزءًا لا يتجزأ من أنظمة التشغيل. وبفضل هذه التقنيات، تُتاح تجارب سلسة مثل المصادقة الآمنة، والتعرّف على الكتابة اليدوية، وتقليل ضوضاء المكالمات، وكل ذلك يعمل بسلاسة تامة دون أن يلاحظه المستخدم.
في السنوات الأخيرة، قامت شركة آبل أيضاً بدمج الذكاء التوليدي في صميم أنظمتها تتضمن هذه الميزات أدوات الكتابة، وGenmoji، وImage Playground. صُممت هذه الإمكانيات لتندمج بسهولة في التطبيقات الحالية، مما يسمح للمطورين بتحسين واجهاتهم وإضافة ميزات ذكية دون الحاجة إلى بناء نماذج من الصفر.
ولتحقيق هذه الغاية، تقدم شركة آبل مجموعة واسعة من واجهات برمجة التطبيقات المدعومة بالتعلم الآليتوفر واجهات برمجة التطبيقات هذه إمكانية الوصول البرمجي إلى نماذج النظام وقدراته. ومن الأمثلة على ذلك ImageCreator لإنشاء الصور، وواجهات برمجة تطبيقات أخرى تُمكّن من اقتراح استجابات ذكية، وتصنيف المحتوى، أو تحليل النصوص الدلالي مباشرةً على الجهاز.
مع وصول هيكل نماذج المؤسسة إلى iOS 26 يتم تبسيط هذه العملية بشكل أكبر. يوفر هذا الهيكل إمكانية الوصول إلى نموذج لغة مُحسَّن للغاية على الجهاز وتخصصت في المهام اليومية مثل التلخيص واستخراج المعلومات والتصنيف أو إنشاء النصوص، مع الحفاظ على خصوصية المستخدم من خلال العمل بشكل كامل دون اتصال بالإنترنت.
واجهات برمجة تطبيقات التعلم الآلي وأطر العمل في نظام أبل البيئي
ولضمان عدم بقاء كل هذه التطورات محصورة في المختبرات، تحافظ شركة آبل على مجموعة قوية من واجهات برمجة تطبيقات التعلم الآلي تتوفر واجهات برمجة التطبيقات هذه للمطورين وتغطي كل شيء بدءًا من رؤية الكمبيوتر وتحليل الصوت وحتى معالجة اللغة الطبيعية والترجمة.
من بين الهياكل الرئيسية الرؤية، موجه نحو تحليل الصور والفيديو، والذي يتضمن وظائف مثل التعرف على المستندات، واكتشاف الوجوه، وتصنيف الكائنات، أو من بين الابتكارات الحديثة، اكتشاف البقع على عدسة الكاميرا لتحسين عمليات الالتقاط تلقائيًا.
في مجال اللغة، توجد أطر عمل مثل اللغة الطبيعيةمما يسمح بتقسيم النصوص إلى رموز، واكتشاف اللغة، وتحليل المشاعر، وتصنيف النصوص، واستخراج الكيانات؛ و خدمات ترجمة، مع التركيز على الترجمة بين لغات متعددة، مع التركيز على التنفيذ المحلي حيثما أمكن للحفاظ على الخصوصية.
يتم تنظيم قسم الصوت والصوت حول تحليل الصوتوالذي يتعرف على أنماط الصوت في البيئة، و خطابوهي المسؤولة عن التعرف على الكلام وتحويله إلى نص. ومن الابتكارات البارزة في هذا المجال واجهة برمجة تطبيقات SpeechAnalyzer، التي تُمكّن من معالجة أسرع وأكثر مرونة لتحويل الصوت إلى نص، وهو مفيد بشكل خاص للتسجيلات الصوتية الطويلة أو التسجيلات باستخدام ميكروفونات بعيدة.
علاوة على ذلك، يمكن للمطورين تخصيص هذه النماذج باستخدام التطبيق والإطار البرمجي. إنشاءMLيُسهّل هذا الأمر تدريب النماذج باستخدام البيانات الموجودة دون الحاجة إلى بنية تحتية معقدة. وهذا يُمكّن المشاريع الصغيرة والمتوسطة الحجم من الاستفادة من تقنيات التعلّم الآلي دون تكلفة أولية كبيرة.
Core ML، وApple Silicon، والتنفيذ الفعال للنماذج
يكمن جوهر تجربة تطوير الذكاء الاصطناعي لدى شركة آبل في الأساسية ملCore ML هو إطار عمل يُسهّل دمج نماذج التعلّم الآلي في تطبيقات iPhone و iPad و Mac و Apple Watch و Apple TV. صُمّم Core ML بحيث يُركّز المطورون على منطق تطبيقاتهم، بينما يتولّى إطار العمل تحسين النموذج وتشغيله.
يمكن تنزيل النماذج المتوافقة مع Core ML بعد تحويلها مسبقًا من developer.apple.com أو من موقع Apple الرسمي لتقنية Hugging Face، أو عن طريق التحويل من صيغ أخرى باستخدام أدوات CoreML. تعمل هذه المجموعة من الأدوات على تحسين النموذج ليتناسب مع الجهاز، مما يقلل حجمه ويحسن الأداء باستخدام تقنيات آلية ويدوية.
بمجرد تجهيز النموذج، يمكن دمجه بسهولة في Xcode. ويمكن القيام بذلك مباشرة من بيئة التطوير. تفقد التصميم المعماري، تحليل الأداء النظري على أجهزة مختلفة وإنشاء واجهات Swift آمنة للأنواع، مما يجعلها سهلة الاستخدام دون أخطاء في الكتابة أو مشاكل في التوافق.
أثناء التشغيل، تستفيد Core ML بذكاء من وحدة المعالجة المركزية، ووحدة معالجة الرسومات، والمحرك العصبي تُستخدم رقائق Apple Silicon، حيث يتم اختيار التركيبة الأكثر كفاءة بناءً على حجم العمل. وهذا يسمح بتشغيل النماذج المعقدة بسلاسة حتى على الأجهزة المحمولة، دون استنزاف البطارية.
في الحالات التي تتطلب تحكمًا أدق، توفر Apple إمكانية دمج نماذج Core ML مع أطر عمل منخفضة المستوى مثل MPSGraphتُعدّ تقنية الحوسبة المعدنية أو واجهة برمجة تطبيقات BNNS Graph من Accelerate من أبرز التقنيات الحديثة في هذا المجال. ومن بين هذه التقنيات، تبرز BNNSGraphBuilder، المصممة خصيصًا لمهام التعلم الآلي في الوقت الفعلي التي تعتمد على وحدة المعالجة المركزية، وهي مثالية للتطبيقات التي تتطلب زمن استجابة منخفضًا للغاية.
MLX والدفعة البحثية في Apple Silicon
إن سرعة تطور أبحاث التعلم الآلي تتطلب أدوات قوية ومرنة. ولتلبية هذه الحاجة، ابتكرت شركة آبل MLX، وهو إطار عمل مفتوح المصدر للحوسبة العددية والتعلم الآلي مصمم خصيصًا للاستفادة من بنية Apple Silicon.
يتيح لك MLX الأداء من ضبط النماذج بدقة للتدريب والتعلم الموزع من طرازات الجيل التالي مباشرةً في أجهزة Apple. بفضل بنية الذاكرة الموحدة لمعالجات Apple Silicon، يمكن لوحدة المعالجة المركزية ووحدة معالجة الرسومات العمل على نفس المخزن المؤقت بالتوازي، مما يبسط التعليمات البرمجية ويحسن الأداء بشكل كبير.
من بين الميزات الجذابة لتقنية MLX أنها قابلة للاستخدام في بايثون، سويفت، سي++ ولغات أخرىيتكيف البرنامج مع تفضيلات مختلف المطورين والباحثين. علاوة على ذلك، يُمكّن من تشغيل نماذج لغوية ضخمة بأمر واحد من سطر الأوامر، وهو أمر مفيد للغاية لإجراء التجارب بسرعة.
على الرغم من أن شركة آبل تروج لـ MLX كإطار عمل خاص بها، إلا أنها توفر أيضًا دعمًا قويًا لأطر العمل الشائعة مثل PyTorch أو JAX من خلال Metal، واجهة برمجة التطبيقات الرسومية منخفضة المستوى. وهذا يعني أن الباحثين الملمين بهذه الأنظمة البيئية يمكنهم الاستفادة من قوة معالجات Apple Silicon دون الحاجة إلى إعادة كتابة جميع التعليمات البرمجية الخاصة بهم.
للبقاء على اطلاع دائم، تتوفر للمجتمع موارد مثل: developer.apple.com ومستودعات Apple على GitHubحيث يتم نشر المكتبات والأمثلة والوثائق المحدثة حول أحدث ابتكارات التعلم الآلي ضمن النظام البيئي لشركة Apple.
تُعدّ منصة Apple Machine Learning منصةً للمطورين وعلماء البيانات.
تندرج تحت مظلة التعلم الآلي من Apple مجموعة من التقنيات والأدوات والخدمات موجهة لكل من المطورين وعلماء البيانات. الهدف هو تمكين إنشاء نماذج الذكاء الاصطناعي وتدريبها ونشرها بسرعة وسهولة وأمان، دون التضحية بجودة النتائج.
توفر المنصة مزيجًا من النماذج المحددة مسبقًا والنماذج القابلة للتخصيصيُمكّن هذا المستخدمين من الاختيار بين حلول جاهزة أو تكييف النماذج لتلبية احتياجات محددة. ويؤثر ذلك على مهام مثل التعرف على الصور، ومعالجة اللغة الطبيعية، والتحليلات التنبؤية، والعديد من تطبيقات التعلم الآلي الشائعة الأخرى.
تتمثل إحدى نقاط قوة تقنية التعلم الآلي من Apple في تركيزها على السلامة والموثوقيةتم تصميم كل شيء لضمان الحفاظ على مستوى عالٍ من الدقة والصحة في النماذج، مع حماية بيانات المستخدم من خلال التنفيذ على الجهاز كلما أمكن ذلك وسياسات خصوصية صارمة للغاية.
تم تصميم الواجهة والأدوات المرتبطة بها لتكون سهل الاستخدام ومتكامل بشكل جيد مع سير العمل هذا أمر شائع في تطوير تطبيقات Xcode وبقية أنظمة Apple. يُحسّن هذا من الإنتاجية ويُقلّل من التعقيدات عند تحويل نموذج أولي إلى تطبيق يستخدمه ملايين الأشخاص.
سواء كانت مشاريع شخصية صغيرة أو منتجات معقدة على نطاق عالمي، فإن تقنية التعلم الآلي من Apple توفر بنية تحتية قوية وأدوات مرنة تمكنك من تحويل الأفكار إلى حلول ذكاء اصطناعي حقيقية، مع تركيز واضح للغاية على تجربة المستخدم النهائي.
عند النظر إليها مجتمعة، فإن الأجزاء المختلفة التي بنتها شركة آبل - بدءًا من التطورات في الشبكات العصبية المتكررة الفعالة وصولاً إلى أطر العمل مثل Core ML، وواجهات برمجة التطبيقات مثل Vision وNatural Language، ومجلة الأبحاث، وMLX لمعالجات Apple Silicon - تُظهر استراتيجية متماسكة: لتقديم ذكاء اصطناعي قوي وفعال ومتكامل بشكل عميق مع الأجهزة، دون التضحية بالخصوصية أو تجربة المستخدم التي تميز العلامة التجارية.
