دراسة جديدة: استخدامك «واتساب» يكشف أكثر مما تعرف عن نفسك

تُظهر الدراسة أن تصور مستخدمي «واتساب» لسلوكهم في المراسلة غالباً لا يتطابق مع بيانات الاستخدام الفعلية (شاترستوك)
تُظهر الدراسة أن تصور مستخدمي «واتساب» لسلوكهم في المراسلة غالباً لا يتطابق مع بيانات الاستخدام الفعلية (شاترستوك)
TT

دراسة جديدة: استخدامك «واتساب» يكشف أكثر مما تعرف عن نفسك

تُظهر الدراسة أن تصور مستخدمي «واتساب» لسلوكهم في المراسلة غالباً لا يتطابق مع بيانات الاستخدام الفعلية (شاترستوك)
تُظهر الدراسة أن تصور مستخدمي «واتساب» لسلوكهم في المراسلة غالباً لا يتطابق مع بيانات الاستخدام الفعلية (شاترستوك)

بالنسبة لمليارات الأشخاص حول العالم، أصبح «واتساب» جزءاً لا يتجزَّأ من الحياة اليومية. لكن بعيداً عن الدردشات العابرة، تشير دراسة علمية جديدة إلى أن طريقة استخدامك للتطبيق قد تعكس جوانب أعمق من أسلوب تواصلك، بل وقد تكشف الفجوة بين ما تعتقده عن سلوكك الرقمي، وما تُظهره البيانات فعلياً.

الدراسة المنشورة في دورية «Computers in Human Behavior Reports» تبحث في كيفية إدراك مستخدمي «واتساب» لعاداتهم في المراسلة، مقارنةً بما تكشفه بيانات الاستخدام الحقيقية. وتخلص إلى أن الاطلاع على أنماط الاستخدام الفعلية، لا مجرد الانطباعات الذاتية، يمكن أن يقدّم رؤى غير متوقعة حول سلوك التواصل اليومي.

اعتمد الباحثون على بيانات وصفية لأنماط الاستخدام دون الاطلاع على محتوى الرسائل ما حافظ على خصوصية المشاركين (أدوبي)

كيف أُجريت الدراسة؟

أجرى الباحثون دراسة تجريبية شملت 68 مستخدماً نشطاً لتطبيق «واتساب»، وافقوا طوعاً على مشاركة «بيانات وصفية» (Metadata) عن استخدامهم للتطبيق. وشملت هذه البيانات معلومات موضوعية، مثل عدد الرسائل المُرسلة والمتسلَّمة وتوقيت الرسائل وطولها ووتيرة التفاعل مع المحادثات المختلفة.

ولم يُطلب من المشاركين مشاركة محتوى الرسائل نفسها، بل اقتصر الأمر على أنماط الاستخدام الرقمية فقط. وبعد جمع البيانات، طُلب من المشاركين الإجابة عن أسئلة تتعلق بتصورهم الذاتي لسلوكهم، مثل سرعة الرد أو كثافة إرسال الرسائل مقارنة بالآخرين. الخطوة الأهم جاءت لاحقاً، حين حصل كل مشارك على تصوُّر بصري مخصص يوضح سلوكه الفعلي على «واتساب»، ما أتاح له مقارنة ما يعتقده عن نفسه بما تُظهره البيانات فعلاً.

بين التصور والواقع

إحدى أبرز نتائج الدراسة أن تقدير المستخدمين لسلوكهم في المراسلة غالباً ما يختلف عن الواقع؛ فبعض المشاركين كانوا يعتقدون أنهم يردون بسرعة، لكن البيانات أظهرت أن زمن استجابتهم أطول مما تصوروا. وآخرون ظنوا أنهم يرسلون رسائل أكثر من محيطهم الاجتماعي، بينما كشفت الأرقام عكس ذلك.

تكمن أهمية هذه النتيجة في أنها تسلّط الضوء على حقيقة شائعة في السلوك الرقمي، وهو أن ما نعتقد أننا نفعله على المنصات الرقمية لا يتطابق دائماً مع ما نفعله فعلياً. ورؤية هذه الأنماط في شكل رسوم بيانية أو مخططات زمنية تجعل الفروق أكثر وضوحاً؛ خصوصاً حين تكشف عادات غير ملحوظة مثل فترات النشاط الليلي أو فترات الانقطاع عن التواصل مع جهات معينة.

كشفت التصورات البصرية للبيانات عادات تواصل لم يكن المستخدمون واعين لها مثل أوقات الذروة وفترات الانقطاع (شاترستوك)

ماذا يعني هذا للمستخدمين؟

بالنسبة لمستخدمي «واتساب»، تؤكد نتائج الدراسة أمراً يدركه كثيرون، وهو أن التقييم الذاتي للسلوك الرقمي ليس دقيقاً دائماً. لكن الدلالات تتجاوز ذلك، بداية من زيادة الوعي الذاتي؛ إذ تكشف أنماط المراسلة عن إيقاعات تواصل لم يكن المستخدم واعياً لها، مثل أوقات الذروة في النشاط أو فترات الصمت الطويلة. أيضاً عبر المقارنة الاجتماعية، حيث وصف كثيرون أنفسهم بأنهم «سريعو الرد»، لكن البيانات قد تدفعهم إلى إعادة النظر في هذا التصور. كما أن الاطلاع على البيانات قد يساعد بعض المستخدمين على ملاحظة اختلالات في التواصل، مثل الرد الفوري على أشخاص معيّنين مقابل تأخير الرد على آخرين.

وعلى عكس الدراسات التي تعتمد فقط على الاستبيانات أو الإفادات الذاتية، تستند هذه الدراسة إلى قياس فعلي لسلوك المستخدم، ثم تقارن النتائج بما يعتقده الشخص عن نفسه، ما يمنحها قيمة علمية أعلى.

اتجاه أوسع للدراسة

رغم تركيز الدراسة على «واتساب»، فإنها تنسجم مع توجه أوسع في البحث العلمي يهدف إلى استخدام البيانات الرقمية لتعزيز فهم الأفراد لأنفسهم؛ فقد أظهرت دراسات سابقة حول استخدام الهواتف الذكية أن كثيراً من الناس يسيئون تقدير الوقت الذي يقضونه على التطبيقات أو عدد مرات تفاعلهم مع الآخرين. وبمعنى آخر، هناك فجوة متكررة بين السلوك المتخيَّل والسلوك الفعلي، ولا يمكن سدّها إلا بالاعتماد على بيانات موضوعية.

تؤكد الدراسة أهمية استخدام البيانات الموضوعية بدل الاعتماد على التقييم الذاتي في تحليل السلوك الرقمي (أدوبي)

الاستفادة الحقيقية

تقدم الدراسة ثلاث خلاصات عملية لمستخدمي «واتساب»: أولاً، التصور الذاتي للمستخدم قد لا يعكس الواقع بدقة حيث إنه من الطبيعي أن يكون لديه انطباع عن عاداته في المراسلة، لكن البيانات قد تكشف صورة مختلفة. ثانياً، عرض البيانات بصرياً قد يكون كاشفاً، وقد تُظهر رؤية أنماط الاستخدام عبر الزمن عادات لم تكن ملحوظة، مثل أوقات النشاط القصوى أو فترات التراجع. وثالثاً: تساعد البيانات على فهم أسلوب التواصل ليس فقط من حيث الكمية، بل أيضاً من حيث التوقيت وطبيعة التفاعل الاجتماعي.

الخصوصية والأخلاقيات

من المهم التنويه بأن هذه الدراسة اعتمدت على البيانات الوصفية فقط، وليس على محتوى الرسائل. أي أن الباحثين لم يطّلعوا على النصوص أو الصور أو المقاطع الصوتية، بل حللوا أنماط الاستخدام الرقمية، وهو ما يساهم في حماية خصوصية المشاركين. وبما أن «واتساب» يستخدم التشفير التام بين الطرفين، فإن محتوى الرسائل يبقى محمياً، ولا يمكن لأي طرف ثالث الوصول إليه دون موافقة المستخدم، بينما تبقى مشاركة البيانات الوصفية خياراً طوعياً لأغراض البحث.

يصف الباحثون هذه الدراسة بأنها خطوة نحو فهم أعمق لأنماط التواصل الرقمي. ومع تزايد اعتماد الأفراد على تطبيقات المراسلة في حياتهم الشخصية والمهنية، قد يصبح هذا النوع من التأمل الذاتي المدعوم بالبيانات أداة مؤثرة في الأبحاث الاجتماعية، بل وربما في تصميم خصائص جديدة للتطبيقات مستقبلاً.


مقالات ذات صلة

تعليم روبوت بشري مهارات لعب التنس… من بيانات غير كاملة

تكنولوجيا يمكن للروبوتات تعلم مهارات حركية معقدة باستخدام بيانات بشرية غير مكتملة بدلاً من الاعتماد على بيانات مثالية (المصدر)

تعليم روبوت بشري مهارات لعب التنس… من بيانات غير كاملة

تُظهر دراسة أن الروبوتات يمكنها تعلم مهارات حركية معقدة من بيانات غير مكتملة ما يفتح آفاقاً جديدة لتدريب الذكاء الاصطناعي.

نسيم رمضان (لندن)
خاص النمو المتسارع للبيانات يفرض تحديات جديدة على البنية التحتية من حيث الكفاءة والاستدامة (غيتي)

خاص الذكاء الاصطناعي وواقع البيانات... هل تواكب البنية التحتية هذا التسارع؟

يفرض تسارع الذكاء الاصطناعي ضغطاً على البنية التحتية، حيث يصبح تخزين البيانات وكفاءته واستدامته عاملاً حاسماً في القدرة على التوسع.

نسيم رمضان (لندن)
تكنولوجيا تتيح «غوغل» ميزة استيراد الذاكرة في «جيميناي» لنقل التفضيلات والسياق الشخصي من تطبيقات ذكاء اصطناعي أخرى (شاترستوك)

«غوغل» تتيح نقل سجل المحادثات والتفضيلات إلى «جيميناي»

«غوغل» تطلق استيراد الذاكرة في «جيميناي»، لنقل السياق والتفضيلات بين تطبيقات الذكاء الاصطناعي، وتعزيز تجربة شخصية مستمرة للمستخدمين.

نسيم رمضان (لندن)
عالم الاعمال مقر شركة «إيه إم دي - AMD» في سانتا كلارا بولاية كاليفورنيا الأميركية

«إيه إم دي - AMD» تعزز موقعها في سوق الحوسبة الاحترافية

تواصل شركة «إيه إم دي (AMD)» ترسيخ حضورها في سوق المعالجات الاحترافية، مدفوعة بسلسلة من الابتكارات التقنية التي تستهدف رفع كفاءة الأداء وتعزيز أمن البيانات.

تكنولوجيا يقدّم تحديث «iOS 26.4» تحسينات عملية على التطبيقات الأساسية دون تغييرات جذرية في تجربة النظام (د.ب.أ)

«أبل» تطلق «iOS 26.4» بتحسينات واسعة… لكن أين «سيري»؟

تحديث «iOS 26.4» يقدم تحسينات يومية وميزات ذكاء اصطناعي محدودة بينما تأجل إطلاق النسخة المطورة من «سيري» المنتظرة لاحقاً.

نسيم رمضان (لندن)

تعليم روبوت بشري مهارات لعب التنس… من بيانات غير كاملة

يمكن للروبوتات تعلم مهارات حركية معقدة باستخدام بيانات بشرية غير مكتملة بدلاً من الاعتماد على بيانات مثالية (المصدر)
يمكن للروبوتات تعلم مهارات حركية معقدة باستخدام بيانات بشرية غير مكتملة بدلاً من الاعتماد على بيانات مثالية (المصدر)
TT

تعليم روبوت بشري مهارات لعب التنس… من بيانات غير كاملة

يمكن للروبوتات تعلم مهارات حركية معقدة باستخدام بيانات بشرية غير مكتملة بدلاً من الاعتماد على بيانات مثالية (المصدر)
يمكن للروبوتات تعلم مهارات حركية معقدة باستخدام بيانات بشرية غير مكتملة بدلاً من الاعتماد على بيانات مثالية (المصدر)

في مسار تطوير الروبوتات البشرية، ظل التحدي الأكبر يتمثل في تعليم الآلات مهارات حركية معقدة تحاكي الإنسان. فالمهام التي تبدو طبيعية للبشر، مثل الجري أو القفز أو حتى لعب التنس، تتطلب تنسيقاً دقيقاً بين التوازن، والتوقيت، واتخاذ القرار في أجزاء من الثانية. تقليد هذه القدرات آلياً لم يكن ممكناً إلا في بيئات محدودة، وغالباً عبر بيانات مثالية يصعب الحصول عليها في الواقع.

لكن دراسة حديثة تقترح مساراً مختلفاً: ماذا لو لم تعد الحاجة إلى بيانات مثالية شرطاً أساسياً لتعليم الروبوتات؟

يركز البحث على تطوير نموذج لتعليم روبوت بشري مهارات لعب التنس، باستخدام بيانات حركة بشرية غير مكتملة أو غير دقيقة. وبدلاً من الاعتماد على تسجيلات كاملة ومضبوطة للحركات، يعمل النظام على استغلال مقاطع جزئية من البيانات، ثم إعادة تركيبها لبناء سلوك حركي متكامل.

يعتمد النموذج على تقسيم الحركات إلى مقاطع صغيرة وإعادة تركيبها لتكوين سلوك متكامل (المصدر)

من البيانات المثالية إلى البيانات الواقعية

تقليدياً، تعتمد أنظمة التعلم الحركي للروبوتات على بيانات عالية الجودة، يتم التقاطها باستخدام أنظمة متقدمة لتتبع الحركة. هذه البيانات توفر وصفاً دقيقاً لكل حركة، لكنها مكلفة وصعبة التوسّع، كما أنها لا تعكس دائماً تعقيد العالم الحقيقي. في المقابل، ينطلق هذا البحث من فرضية مختلفة، حيث إن البيانات الواقعية حتى وإن كانت غير كاملة، يمكن أن تكون كافية لتعليم مهارات معقدة، إذا تم التعامل معها بطريقة مناسبة.

وهنا، لا يحاول النموذج «تنقية» البيانات بقدر ما يعمل على فهم الأنماط الكامنة فيها، واستنتاج كيفية تحويلها إلى حركات قابلة للتنفيذ.

نموذج يتعلم من أجزاء متفرقة

يعتمد النظام المقترح على تقسيم البيانات الحركية إلى مقاطع صغيرة، تمثل كل منها جزءاً من حركة أكبر. ثم يقوم بربط هذه الأجزاء معاً داخل بيئة محاكاة، بحيث يتعلم الروبوت كيفية الانتقال من حركة إلى أخرى بسلاسة. هذه المقاربة تشبه إلى حد ما الطريقة التي يتعلم بها الإنسان مهارة جديدة، حيث يتم الجمع بين تجارب جزئية لتشكيل أداء متكامل. والنتيجة هي نموذج قادر على توليد حركات ديناميكية، دون الحاجة إلى مسار واحد محدد مسبقاً.

التنس كنموذج لاختبار التعقيد

اختار الباحثون لعبة التنس كبيئة اختبار، نظراً لما تتطلبه من تنسيق بين الحركة والإدراك. فالتعامل مع كرة متحركة يستدعي تقدير السرعة والاتجاه، واتخاذ قرار فوري بشأن كيفية الرد، ثم تنفيذ الحركة بدقة. في التجارب، تمكّن الروبوت من تعلم ضرب الكرة والتفاعل مع مواقف مختلفة، بما في ذلك الحفاظ على تبادل الكرات في بعض الحالات. ويشير ذلك إلى أن النموذج لا يقتصر على تكرار حركات محفوظة، بل يطوّر استجابة قابلة للتكيف مع السياق.

اختيار التنس كنموذج يبرز قدرة النظام على التنسيق بين الإدراك والحركة في بيئة ديناميكية (المصدر)

فجوة بين المحاكاة والواقع

كما هو الحال في كثير من أبحاث الروبوتات، يعتمد جزء كبير من التدريب على بيئات محاكاة. هذه البيئات تتيح تسريع عملية التعلم وتقليل المخاطر، لكنها لا تعكس دائماً تعقيدات العالم الحقيقي.

لذلك، يمثل نقل المهارات من المحاكاة إلى الواقع أحد التحديات الأساسية. وقد عمل الباحثون على تقليل هذه الفجوة عبر تصميم النموذج بحيث يأخذ في الاعتبار التباين وعدم الدقة في البيانات، وهو ما يجعله أكثر قدرة على التكيف عند التطبيق العملي.

ما الذي يتغير فعلاً؟

لا تكمن أهمية هذا البحث في قدرة الروبوت على لعب التنس بحد ذاتها، بل في ما تشير إليه من تحول أوسع في منهجية التعلم. فإذا كان بالإمكان تدريب الأنظمة على مهارات معقدة باستخدام بيانات غير مثالية، فإن ذلك يفتح الباب أمام استخدام مصادر بيانات أكثر تنوعاً، مثل الفيديوهات العامة أو التسجيلات غير المنظمة. وهذا بدوره قد يسرّع تطوير ما يُعرف بـ«الذكاء الاصطناعي المجسّد»، حيث تتفاعل الأنظمة مع العالم الفيزيائي بشكل مباشر.

حدود وتحديات قائمة

مع ذلك، لا تزال هذه المقاربة في مراحلها الأولى. فالروبوت لا يصل إلى مستوى الأداء البشري، ولا تزال قدرته على التعامل مع مواقف غير متوقعة محدودة. كما أن الاعتماد على المحاكاة يفرض قيوداً على مدى تعميم النتائج. لكن رغم هذه التحديات، يقدم البحث دليلاً على أن الطريق نحو تعليم الروبوتات قد لا يمر عبر الكمال، بل عبر القدرة على الاستفادة من النقص.

يشير هذا التوجه إلى إعادة التفكير في العلاقة بين البيانات والتعلم. فبدلاً من السعي إلى جمع بيانات مثالية ومكتملة، قد يكون التركيز مستقبلاً على تطوير نماذج قادرة على التعلم من الواقع كما هو بما يحمله من نقص وتباين. وفي هذا السياق، لا يمثل التنس سوى مثال تجريبي. أما الهدف الأوسع، فهو تمكين الروبوتات من اكتساب مهارات حركية متنوعة، تتراوح بين العمل الصناعي والخدمات اليومية.


الذكاء الاصطناعي وواقع البيانات... هل تواكب البنية التحتية هذا التسارع؟

النمو المتسارع للبيانات يفرض تحديات جديدة على البنية التحتية من حيث الكفاءة والاستدامة (غيتي)
النمو المتسارع للبيانات يفرض تحديات جديدة على البنية التحتية من حيث الكفاءة والاستدامة (غيتي)
TT

الذكاء الاصطناعي وواقع البيانات... هل تواكب البنية التحتية هذا التسارع؟

النمو المتسارع للبيانات يفرض تحديات جديدة على البنية التحتية من حيث الكفاءة والاستدامة (غيتي)
النمو المتسارع للبيانات يفرض تحديات جديدة على البنية التحتية من حيث الكفاءة والاستدامة (غيتي)

مع تسارع الذكاء الاصطناعي في توليد البيانات واستخدامها، يؤدي تزايد أهمية البنية التحتية إلى تحول أقل وضوحاً، لكنه أكثر عمقاً. فبينما يتركّز جزء كبير من النقاش العام حول الذكاء الاصطناعي على قوة الحوسبة وأداء النماذج، يشير قادة الصناعة بشكل متزايد إلى كيفية تخزين البيانات والوصول إليها وتوسيعها على نطاق واسع.

في إحاطة إعلامية خاصة حضرتها «الشرق الأوسط»، قدّم مسؤولون في شركة «سي غيت تكنولوجي» (Seagate Technology) هذا التحول بوصفه تغيراً هيكلياً، لا مجرد تحديث تقني. فالتحدي لم يعد يقتصر على إنتاج البيانات أو معالجتها، بل بات يتمحور حول القدرة على الحفاظ عليها وتوسيعها بكفاءة واستدامة وعلى نحو يمكن التنبؤ به. يقول ديف موسلي، الرئيس التنفيذي للشركة إن «ما نعلنه اليوم ليس مجرد إنجاز على مستوى المنتج، بل يعكس كيف يجب أن تتطور البنية التحتية لمواكبة التسارع غير المسبوق في نمو البيانات عالمياً».

ديف موسلي الرئيس التنفيذي لشركة «سي غيت تكنولوجي»

يصعب المبالغة في حجم هذا النمو. فحسب موسلي، انتقل حجم البيانات العالمية من نحو زيتابايت واحد في عام 2005 إلى أكثر من 70 زيتابايت في عام 2020، مع توقع إضافة مئات الزيتابايت في السنوات المقبلة. ورغم أن الذكاء الاصطناعي يعدّ محركاً رئيسياً لهذا التوسع، فإنه ليس العامل الوحيد؛ إذ تسهم خدمات الحوسبة السحابية والفيديو والأتمتة والمتطلبات التنظيمية في تشكيل منظومة بيانات أكثر تعقيداً واتساعاً.

هذا التداخل يعيد صياغة طريقة تقييم البنية التحتية. ويضيف موسلي أن «القصة لم تعد تتعلق بتقنية واحدة، بل بالبنية التحتية وتخصيص رأس المال». بمعنى آخر، لم يعد السؤال هو ما إذا كان بالإمكان إنتاج البيانات أو معالجتها، بل ما إذا كانت الأنظمة الداعمة قادرة على التوسع بكفاءة لمواكبة هذا النمو.

ما بعد الحوسبة

أحد أبرز الاستنتاجات هو أن مسار الذكاء الاصطناعي لا يمكن فهمه من خلال الحوسبة وحدها. فرغم أهمية المعالجات والمسرّعات، فإنها تعتمد بشكل أساسي على توفر البيانات.

ويشير موسلي إلى أنه «عندما يتحدث الناس عن بنية الذكاء الاصطناعي، يركّزون على الحوسبة التي لا يمكن أن تعمل دون بيانات. ماذا يحدث عندما تنفد البيانات من منصات الحوسبة؟ هذه مشكلة».

هذا الطرح يعيد وضع التخزين في قلب أنظمة الذكاء الاصطناعي. فالبيانات لا يكفي أن تكون موجودة، بل يجب الاحتفاظ بها وحمايتها وإمكانية استرجاعها على نطاق واسع. وفي بيئات الحوسبة فائقة الحجم، حيث تُتخذ القرارات على مدى خمس أو سبع أو حتى عشر سنوات، تتحول هذه المتطلبات معادلةً اقتصادية بقدر ما هي تقنية.

تكلفة التخزين لكل تيرابايت واستهلاك الطاقة وكثافة السعة لكل رفّ، كلها أصبحت عوامل حاسمة. وكما أفاد موسلي: «الذكاء الاصطناعي لا يتوسع بالحوسبة فقط، بل يعتمد على اقتصاديات مستدامة، والتخزين هو ما يحدد هذه الاقتصاديات».

الذكاء الاصطناعي لا يستهلك البيانات فقط... بل يضاعفها عبر النسخ وإعادة التدريب والاستخدام المستمر (غيتي)

من النمو إلى التراكم

جزء من هذا التحول يرتبط بطبيعة البيانات نفسها. فالذكاء الاصطناعي لا يستهلك البيانات فحسب، بل يضاعفها. ويصرح بي إس تيه، الرئيس التجاري للشركة بأن «الذكاء الاصطناعي لا يستهلك البيانات فقط، بل يراكمها». عملياً، يعني ذلك أن البيانات تُنسخ وتُوزَّع وتُحفظ ويُعاد استخدامها لتدريب النماذج وإعادة تدريبها. ونتيجة لذلك؛ لم يعد نمو البيانات خطياً، بل أصبح متسارعاً ومتراكماً.

ويظهر هذا الواقع في توسّع مراكز البيانات عالمياً. فهناك اليوم أكثر من 11 ألف مركز بيانات، مع توقع ارتفاع العدد إلى نحو 15 ألفاً خلال السنوات المقبلة. لكن الأهم هو حجم هذه المراكز. فما كان يُعدّ مركزاً ضخماً سابقاً بقدرة 10 ميغاواط تحل محله اليوم مراكز «عملاقة» تصل إلى 100 أو حتى 300 ميغاواط.

ويذكر تيه أنه «لا يكاد يمر يوم دون الإعلان عن بناء مركز بيانات جديد في مكان ما من العالم». لكن التحول الحقيقي لا يكمن في العدد فقط، بل في الحجم والضغط المتزايد على البنية التحتية.

التوسع دون اضطراب

مع هذا النمو، لا يتمثل التحدي في زيادة السعة فقط، بل في تحقيق ذلك دون إحداث اضطراب. فمشغلو البنية التحتية الضخمة لا يمكنهم تحمل تغييرات جذرية متكررة. ويلفت موسلي إلى أن بعض العملاء يتخذون قرارات تمتد لخمس أو سبع أو حتى عشر سنوات، ويحتاجون إلى ثقة بأن كثافة التخزين ستستمر في التوسع دون تغييرات معمارية معطِّلة.هذا التركيز على القابلية للتنبؤ أصبح بحد ذاته ميزة أساسية. فالتطور يجب أن يكون تدريجياً ومستمراً، لا أن يفرض إعادة تصميم مكلفة في كل مرحلة.

من جانبه، يوضح جون موريس، المدير التقني، أن التقنيات التقليدية لزيادة الكثافة وصلت إلى حدودها ويتابع: «تقنية التسجيل المغناطيسي التقليدية اقتربت من حدودها، ونحتاج إلى ابتكارات جديدة لدفع الجيل القادم من التخزين».

ولهذا؛ طوّرت الشركة تقنية التسجيل المغناطيسي بمساعدة الحرارة (HAMR)، التي تستخدم تسخيناً دقيقاً بالليزر لزيادة كثافة البيانات دون تغيير الحجم الفيزيائي للأقراص. ويشرح موريس بأن «الزيادة في السعة تتحقق من خلال الفيزياء الأساسية للتسجيل؛ ما يتيح اقتصاديات أفضل من حيث التكلفة لكل تيرابايت والاستثمار المطلوب». الأهم أن هذه التقنية لم تعد في مرحلة التجارب، بل انتقلت إلى بيئات الإنتاج الفعلية، حيث تم اعتمادها من قِبل عملاء في قطاع الحوسبة السحابية واسعة النطاق.

من الابتكار إلى الإنتاج الصناعي

تحويل الابتكار منتجاً فعلياً يتطلب أكثر من اختراق تقني، بل يحتاج إلى قدرة على التصنيع على نطاق واسع بدقة عالية. وحول ذلك يقول موريس إن «نقل هذه التقنية من البحث إلى الإنتاج تطلب تطوير تقنيات جديدة بالكامل»، مشيراً إلى التقدم في المواد والفوتونيات وعمليات التصنيع الدقيقة. وهذا ما يتيح التوسع التدريجي دون انقطاع. فكل جيل جديد يبني على السابق؛ ما يسمح بزيادة السعة دون الحاجة إلى إعادة تصميم الأنظمة بالكامل.

التحدي الأساسي لم يعد سرعة النماذج... بل قدرة البنية التحتية على التوسع بشكل مستدام وموثوق (غيتي)

اقتصاديات الحجم

على مستوى البنية التحتية الضخمة، حتى التحسينات الصغيرة تُحدِث فرقاً كبيراً. ويفسر موسلي بأنه في بيئة تخزين بحجم إكسابايت واحد، يمكن تحقيق تحسن في كفاءة الطاقة بنحو 47 في المائة مقارنة بالأنظمة السابقة، مع تقليل عدد الأقراص من نحو 50 ألفاً إلى نحو 22 ألفاً؛ ما يؤدي إلى تقليل المساحة والتبريد والتعقيد التشغيلي.

هذه ليست تحسينات هامشية، بل تغييرات تؤثر مباشرة على التكلفة والبنية.

وأشار تيه إلى أن الاستدامة أصبحت عاملاً مؤثراً في قرارات الشراء، قائلاً: «لم تعد الاستدامة مسألة ثانوية»، في إشارة إلى أهمية استهلاك الطاقة والبصمة الكربونية. كما أن نظرة المؤسسات إلى البيانات تغيّرت، حيث إنه «في السابق كانت البيانات تُعدّ تكلفة، أما اليوم فهي أصل استراتيجي يتراكم بمرور الوقت».

السؤال الحاسم

تشير هذه التطورات إلى تحول أوسع في تصميم بنية الذكاء الاصطناعي. فالتخزين الذي كان في الخلفية، أصبح اليوم في صميم التخطيط. في السابق، كانت الأولوية للحوسبة والذاكرة والشبكات. أما اليوم، فأصبح التخزين عاملاً حاسماً في قدرة الأنظمة على التوسع. وكما وصفه تيه: «كان التخزين مثل الهواء أو الماء أساسي، لكنه غير مرئي... إلى أن يغيب». اليوم، لم يعد كذلك، بل أصبح محورياً في بناء القدرات الرقمية.

بالنسبة لقيادة الشركة، يتجاوز هذا التحول حدود التقنية ليطرح سؤالاً أساسياً حول مستقبل الذكاء الاصطناعي. وباعتقاد موسلي أن «السؤال الأهم لهذا العقد ليس مدى سرعة تدريب النماذج، بل مدى قدرة البنية التحتية للبيانات على التوسع بشكل مستدام».

هذا الطرح يعيد توجيه النقاش، حيث إن مستقبل الذكاء الاصطناعي قد لا يعتمد فقط على تطور النماذج، بل على القدرة على إدارة البيانات على نطاق غير مسبوق بكفاءة واستقرار ودون انقطاع. وبهذا المعنى، قد لا يُقاس تقدم الذكاء الاصطناعي بذكائه فقط، بل بالبنية التحتية التي تجعله ممكناً.


«غوغل» تتيح نقل سجل المحادثات والتفضيلات إلى «جيميناي»

تتيح «غوغل» ميزة استيراد الذاكرة في «جيميناي» لنقل التفضيلات والسياق الشخصي من تطبيقات ذكاء اصطناعي أخرى (شاترستوك)
تتيح «غوغل» ميزة استيراد الذاكرة في «جيميناي» لنقل التفضيلات والسياق الشخصي من تطبيقات ذكاء اصطناعي أخرى (شاترستوك)
TT

«غوغل» تتيح نقل سجل المحادثات والتفضيلات إلى «جيميناي»

تتيح «غوغل» ميزة استيراد الذاكرة في «جيميناي» لنقل التفضيلات والسياق الشخصي من تطبيقات ذكاء اصطناعي أخرى (شاترستوك)
تتيح «غوغل» ميزة استيراد الذاكرة في «جيميناي» لنقل التفضيلات والسياق الشخصي من تطبيقات ذكاء اصطناعي أخرى (شاترستوك)

تسعى «غوغل» إلى معالجة إحدى أبرز العقبات في عالم تطبيقات الذكاء الاصطناعي للمستهلكين، وهي «مشكلة البدء من الصفر». فمع تنقُّل المستخدمين بين أكثر من مساعد ذكي، يجد كثيرون أنفسهم مضطرين لإعادة إدخال تفضيلاتهم، وشرح سياقهم الشخصي مراراً، وإعادة بناء سجل محادثاتهم من جديد. ومن خلال مجموعة ميزات جديدة في تطبيق «جيميناي»، تحاول الشركة تقليل هذا الاحتكاك عبر تمكين المستخدم من نقل «ذاكرته الرقمية» بين المنصات.

تعتمد عملية الاستيراد على توليد ملخص من التطبيق الآخر ثم إدخاله إلى «جيميناي»، ليتم تحليله وحفظه (غوغل)

استمرارية التجربة الرقمية

في تحديث بدأ طرحه في العالم العربي، تقدم «غوغل» ميزة «استيراد الذاكرة» (Memory Import) التي تتيح نقل عناصر أساسية من السياق الشخصي -مثل الاهتمامات والعلاقات والتفضيلات- من تطبيقات ذكاء اصطناعي أخرى مباشرة إلى «جيميناي».

الفكرة بسيطة، وهي أنه بدلاً من تدريب مساعد جديد من الصفر، يمكن للمستخدم أن ينقل معه طبقة جاهزة من الفهم تعكس طريقة تفاعله السابقة.

ورغم التعقيد التقني الكامن وراء هذه العملية، فإن تنفيذها جاء بشكل مبسَّط. من خلال إعدادات «جيميناي»، يمكن اختيار خيار الاستيراد؛ حيث يتم توليد «طلب» (Prompt) جاهز، ثم يقوم المستخدم بنسخ هذا الطلب إلى تطبيق ذكاء اصطناعي آخر، والذي بدوره يُنتج ملخصاً لتفضيلات المستخدم وسياقه. بعد ذلك، يتم لصق هذا الملخص داخل «جيميناي» الذي يقوم بتحليله وتخزينه ضمن ملف المستخدم. ومن ثمَّ، يصبح «جيميناي» قادراً على استخدام هذه البيانات لتخصيص ردوده، وكأنه يواصل رحلة المستخدم الرقمية بدلاً من البدء من جديد.

تمكِّن الميزة المستخدمين من تجنُّب البدء من الصفر عبر نقل فهم مسبق لطبيعة تفاعلاتهم واهتماماتهم (غيتي)

«الذكاء الشخصي»

تندرج هذه الخطوة ضمن توجه أوسع لدى «غوغل»، نحو ما تسميه «الذكاء الشخصي» (Personal Intelligence)، وهو نموذج يسعى إلى تقديم مساعد ذكي أكثر وعياً بالسياق. فبدلاً من التعامل مع كل طلب بشكل منفصل، يهدف «جيميناي» إلى تقديم إجابات مبنيَّة على فهم أعمق لتاريخ المستخدم وعاداته واهتماماته.

ولا يقتصر الأمر على استيراد الذاكرة فقط. فمع موافقة المستخدم، يمكن لـ«جيميناي» الاستفادة من بيانات عبر منظومة «غوغل» الأوسع، بما في ذلك «جيميل» و«صور غوغل» وسجل البحث، إضافة إلى المحادثات السابقة داخل التطبيق نفسه. وهذا يتيح مستوى أكثر تطوراً من التفاعل؛ حيث لا تعتمد الإجابة فقط على السؤال الحالي؛ بل على صورة أوسع تتشكل مع الوقت حول المستخدم.

تشتت سجل المحادثات

كما تعالج «غوغل» مشكلة أخرى برزت مع انتشار استخدام أدوات ذكاء اصطناعي متعددة، وهي تشتت سجل المحادثات؛ إذ بات بإمكان المستخدمين الآن تحميل أرشيف محادثاتهم من منصات أخرى بصيغة ملف مضغوط (ZIP) واستيراده إلى «جيميناي». وبذلك يمكنهم البحث داخل محادثاتهم السابقة، واستكمالها دون فقدان السياق.

تعكس هذه الميزة تحولاً مهماً في طريقة النظر إلى المساعدات الذكية. فهي لم تعد مجرد أدوات منفصلة؛ بل بدأت تأخذ شكل «رفيق رقمي» طويل الأمد؛ حيث تلعب الاستمرارية وتراكم السياق دوراً محورياً في قيمتها. وفي هذا الإطار، لا يُنظر إلى سجل المحادثات كأرشيف فقط؛ بل كجزء من «ذكاء» النظام نفسه.

بالنسبة للمستخدم، تكمن الفائدة المباشرة في الكفاءة. فالمهام التي كانت تتطلب شرحاً متكرراً، مثل التخطيط للسفر، أو إدارة المشاريع، أو تطوير أفكار إبداعية، يمكن الآن استئنافها بسهولة من حيث توقفت. أما بالنسبة لـ«غوغل»، فالدلالة الاستراتيجية واضحة، فتقليل تكلفة الانتقال بين المنصات يجعل من الأسهل على المستخدم اعتماد «جيميناي» مساعداً أساسياً، حتى لو كانت تجربته السابقة في مكان آخر.

يمكن لـ«جيميناي» الاستفادة من بيانات خدمات «غوغل» مثل «جيميل» و«صور غوغل» وسجل البحث لتحسين الاستجابات (غوغل)

الخصوصية والمنافسة الجديدة

في المقابل، تظل مسألة الخصوصية والتحكم في البيانات حاضرة. تؤكد «غوغل» أن هذه الميزات تعمل بموافقة المستخدم؛ خصوصاً عند الربط مع خدمات مثل «جيميل» و«صور غوغل». كما أن عملية الاستيراد نفسها تتطلب خطوات واضحة من المستخدم. ومع ذلك، فإن تعمُّق تكامل الذكاء الاصطناعي مع البيانات الشخصية سيبقى موضع نقاش مستمر.

يأتي إطلاق هذه الميزات أولاً عبر «الويب» في العالم العربي، على أن تصل إلى الأجهزة المحمولة خلال الأيام المقبلة، ما يعكس توجهاً نحو تقديم حلول مخصَّصة للأسواق الإقليمية؛ خصوصاً فيما يتعلق باللغة والسياق الثقافي.

بصورة أوسع، يشير هذا التحديث إلى تحول في طبيعة المنافسة في مجال الذكاء الاصطناعي. فلم يعد التميز يقتصر على قوة النماذج أو عدد الميزات؛ بل بات يرتبط بمدى قدرة المساعد على فهم المستخدم والاستمرار معه عبر الزمن. وفي هذا السياق، تصبح «الذاكرة» عاملاً حاسماً.

فمن خلال تمكين المستخدمين من نقل سياقهم معهم، لا تضيف «غوغل» مجرد ميزة جديدة؛ بل تعيد تعريف نقطة البداية في التفاعل، لتتحول من صفحة بيضاء إلى محادثة مستمرة.