وقد يظنّ القارئ أنّ هذا الفرق مجرّد تفصيلٍ هندسي، غير أنّ تبعاته تمتدّ إلى أبعد من ذلك بكثير. فحين يتولّى الإنسان هندسة السمات في التعلم التقليدي، فإنه يحقن في النموذج خبرته وتحيّزاته معاً؛ يمنحه بصيرته وقصوره في آنٍ واحد. أمّا حين تستخلص الشبكة العميقة سماتها بنفسها، فإنها قد تكتشف من الأنماط ما يندّ عن إدراك الخبير البشري، لكنها قد تلتقط كذلك ارتباطاتٍ زائفةً في البيانات لا يفطن إليها أحد. وقد سجّلت أبحاثٌ في هذا الميدان حالاتٍ تعلّمت فيها شبكاتٌ عميقةٌ تمييز الأشياء استناداً إلى خلفية الصورة لا إلى الشيء نفسه، فبدت دقيقةً في الاختبار ثم انهارت في الواقع. والدرس هنا أنّ التخلّي عن هندسة السمات يحرّرنا من قيدٍ ويلقي بنا في قيدٍ آخر: قيد العجز عن معرفة ما الذي تعلّمته الآلة فعلاً، وعلامَ بنت حكمها.

وهنا يرى الكاتب أنّ الخطأ الشائع ليس في الخلط بين المصطلحين، بل في تصوّر أنّ العمق دائماً أفضل. فالسائد في خطاب التقنية أنّ التعلم العميق هو الوريث الذي جاء ليطيح بالتعلم الآلي التقليدي، وأنّ ما عداه صار من مخلّفات الماضي. والحقيقة أعقد من ذلك بكثير. إنّ التعلم العميق نهمٌ بطبعه؛ فهو يلتهم البيانات بالملايين ويستهلك من الطاقة الحسابية ما يستهلك، ويبقى صندوقاً أسود يصعب تفسير قراراته. أمّا النماذج الكلاسيكية كأشجار القرار والانحدار اللوجستي فتعمل بكفاءةٍ مذهلة على بياناتٍ محدودة، وتشرح نفسها بوضوحٍ يطمئن المُساءلة والرقابة. ولهذا تجد كثيراً من أنظمة تقييم الائتمان والتشخيص الطبي الحسّاسة ما تزال تفضّل النماذج الشفّافة، لا لعجزٍ تقنيٍّ عن استخدام الشبكات العميقة، بل لأنّ القرار الذي يمسّ حياة إنسانٍ أو ماله يحتاج إلى تبريرٍ يُقال، لا إلى ثقةٍ عمياء في آلةٍ صمّاء. والمفارقة أنّ أوكسفورد وستانفورد، في أبحاث «الذكاء الاصطناعي القابل للتفسير»، تعودان اليوم لتطوير أدواتٍ كاملة لمحاولة فكّ شفرة ما تفعله الشبكات العميقة، أي أنّنا صرنا نبني علماً جديداً لنفهم ما صنعناه بأيدينا.

يرى الكاتب كذلك أنّ التمييز الأعمق بين النهجين ليس في البنية ولا في عدد الطبقات، بل في موضع «الذكاء البشري» داخل المنظومة. ففي التعلم الآلي التقليدي، يسكن ذكاء الإنسان في مرحلة هندسة السمات، أي قبل أن تبدأ الآلة عملها؛ نحن نُفكّر نيابةً عنها ثم نتركها تحسب. أمّا في التعلم العميق، فقد أزحنا ذكاءنا من هندسة السمات إلى هندسة البنية المعمارية وضبط عملية التعلّم؛ لم نعد نقول للآلة ما تنظر إليه، بل نصمّم لها العدسة وندعها تقرّر. وهذا التحوّل، في تقدير الكاتب، أخطر مما يبدو، لأنه يعني أنّنا نتنازل تدريجياً عن فهمنا التفصيلي لما يجري داخل النموذج مقابل قدرةٍ أعلى على الأداء. إنها مقايضةٌ بين الشفافية والقوة، وكلّ مؤسسةٍ تواجه اليوم سؤالاً وجودياً: أيّهما تختار حين يتعارضان؟

ولا يكتمل هذا التحليل دون الإشارة إلى ما يربط النهجين أكثر مما يفرّق بينهما: البيانات. فكلاهما، في الجوهر، آلةٌ تستخلص الأنماط من التجربة الماضية لتتنبّأ بالمستقبل. والفارق أنّ التعلم العميق لا يستيقظ من سُباته إلا أمام كمٍّ هائلٍ من البيانات؛ فهو، تحت حدٍّ معيّن، يتعثّر وقد يتفوّق عليه نموذجٌ كلاسيكيٌّ بسيط. وقد بيّنت دراساتٌ في هذا الباب، رصدها باحثون من بينهم فريقٌ مرتبطٌ بأبحاث المنتدى الاقتصادي العالمي حول تبنّي الذكاء الاصطناعي، أنّ كثيراً من المؤسسات تتسرّع نحو التعلم العميق دون أن تملك أصلاً حجم البيانات الذي يبرّره، فتدفع كلفة التعقيد دون أن تجني ثمرة العمق. هنا تكمن حكمةٌ يغفل عنها المبهورون بالتقنية الأحدث: أنّ اختيار الأداة يجب أن ينبع من طبيعة المشكلة وحجم البيانات، لا من بريق المصطلح وحداثته. فليست العبرة بأن تملك أعمق الشبكات، بل بأن تملك أنسبها.

ثم إنّ هناك بُعداً كثيراً ما يُهمَل في هذه المقارنة، وهو الكلفة الخفيّة. فالتعلم العميق لا يستنزف البيانات وحدها، بل الطاقة والوقت والكفاءات النادرة؛ إذ يتطلّب تدريب نموذجٍ ضخمٍ بنيةً تحتيةً من المعالجات المتخصّصة، وفِرَقاً من الخبراء يندر وجودها، وشهوراً من التجريب المكلف. وقد نبّهت تقارير منظمة التعاون الاقتصادي والتنمية إلى أنّ هذه الكلفة تخلق فجوةً بين من يملك الموارد ومن لا يملكها، فتتركّز القدرة على بناء أعمق النماذج في أيدٍ قليلة. أمّا النموذج الكلاسيكي فيمكن أن يُدرَّب على حاسوبٍ متواضع في دقائق، وأن يُصان بكلفةٍ زهيدة. ولذا فإنّ المؤسسة الرشيدة لا تقيس الأداة بدقّتها وحدها، بل بمجمل ما تكلّفه من مالٍ وطاقةٍ وكفاءاتٍ على امتداد عمرها، لا في لحظة بنائها فحسب.

وحين ننقل هذا التمييز إلى سياقنا العربي، يتّضح أنّ الرهان لا ينبغي أن يكون انبهاراً أعمى بالنماذج العميقة الضخمة التي تتطلّب موارد حسابيةً وبياناتٍ هائلة قد لا تتوفّر بعد بالقدر الكافي للّغة العربية. وقد جعلت رؤية السعودية 2030 من بناء القدرات الوطنية في الذكاء الاصطناعي ركيزةً للتحوّل الرقمي، وهو توجّهٌ يقتضي وعياً ناضجاً بأنّ النضج التقني لا يعني تبنّي الأعقد دائماً، بل إتقان المزاوجة بين النهجين بحسب الحاجة. فالمؤسسة العربية التي تملك بياناتٍ محدودةً ومنظّمة قد تجني من نموذجٍ كلاسيكيٍّ مفسَّرٍ ما يفوق ما تجنيه من شبكةٍ عميقةٍ تستنزف مواردها وتُعمي قراراتها. والأذكى أن يُبنى الجسر بينهما، لا أن يُهجر أحدهما إكراماً للآخر.

ولعلّ من أصدق ما يُقال في هذا الباب أنّ المهندس الحاذق لا يسأل أوّلاً «هل أستخدم التعلم العميق؟»، بل يسأل «ما طبيعة المشكلة، وكم لديّ من البيانات، وما ثمن الخطأ، وهل أحتاج أن أُفسّر القرار أم يكفيني أن يكون صائباً؟». فمن هذه الأسئلة الأربعة تتحدّد الأداة، لا من الموضة السائدة. وها هنا ركائز عملية يراها الكاتب جديرةً بأن تُحفظ: أنّ التعلم العميق يتفوّق حين تكون البيانات ضخمةً وغير منظّمة كالصور والأصوات والنصوص الطويلة؛ وأنّ التعلم الكلاسيكي يبقى سيّد الموقف حين تكون البيانات قليلةً ومنظّمةً والتفسير مطلوباً؛ وأنّ الكلفة الحسابية والبيئية للتعلم العميق ليست تفصيلاً هامشياً، بل عاملٌ جوهريٌّ في القرار الرشيد؛ وأنّ قابلية التفسير ليست ترفاً أخلاقياً، بل شرطٌ قانونيٌّ ومهنيٌّ في القطاعات الحسّاسة.

والقراءة المتأنّية تكشف أنّ ثنائية «الآلي» و«العميق» ليست محطّةً نهائية، بل لحظةٌ عابرة في مسارٍ أطول. فقد بدأت تتبلور اليوم مقارباتٌ هجينة تجمع بين شفافية النماذج الرمزية وقوة الشبكات العصبية، فيما يُعرف بـ«الذكاء العصبي الرمزي»، وكأنّ الحقل يعود ليصالح بين تيّاريه القديمين بعد عقودٍ من القطيعة. وهذا، في تقدير الكاتب، هو الأفق الحقيقي: لا انتصار نهجٍ على نهج، بل تركيبٌ أرقى يستثمر فضائل كليهما. فالذي يظنّ أنّ التعلم العميق هو الكلمة الأخيرة يقع في الوهم ذاته الذي وقع فيه من ظنّ أنّ النُّظُم الخبيرة هي الغاية قبل عقود؛ فكلّ جيلٍ يحسب أنه بلغ الذروة بينما هو طابقٌ في بناءٍ لم يكتمل بعد.

وفي الختام، لعلّ أبلغ ما يمكن قوله إنّ السؤال «ما الفرق بين التعلم الآلي والتعلم العميق؟» يحمل في طيّاته سؤالاً أعمق عن علاقتنا بالمعرفة ذاتها: هل نريد آلةً نفهم كيف تفكّر، أم آلةً تتفوّق علينا حتى وإن غاب عنّا كيف بلغت تفوّقها؟ إنّ المفاضلة بينهما ليست تقنيةً بحتة، بل انعكاسٌ لقيمنا في موازنة القوة بالشفافية، والكفاءة بالمساءلة. وكلّما ازداد العمق، ازدادت الحاجة إلى حكمةٍ إنسانيةٍ توجّهه؛ فالآلة قد تتعلّم أن ترى، لكنها لا تتعلّم وحدها لماذا ينبغي أن تنظر. ولعلّ التحدّي القادم ليس أن نبني شبكاتٍ أعمق، بل أن نبني فهماً أعمق لما نبني، حتى لا يسبق طموحنا في القدرة حكمتنا في الاستعمال. فهل نملك من البصيرة بقدر ما نملك من العمق؟