الـ embedding موقع، والمعنى مسافة
أعطِ نموذج embedding جملة "كيف أسترجع أموالي" فيعيد لك قائمة أرقام. أعطه "سياسة الاسترداد" فيعيد قائمة أخرى. القائمتان قريبتان من بعضهما. أعطه "استرداد الإلكترونات في الكاثود" فتقع القائمة بعيدًا، رغم مشاركتها للكلمة نفسها.
هذه هي الحيلة بأكملها. تعلّم النموذج أن يضع النص في فضاء بمئات أو آلاف الأبعاد بحيث يقرر المعنى، لا المفردات، أين يستقر كل شيء. حين يصبح النص موقعًا، تتحول الأسئلة عن المعنى إلى أسئلة عن المسافة، والمسافة شيء يستطيع الحاسوب حسابه لمليون عنصر في أجزاء من الثانية.
أشهر تجربة مبكرة، من عمل word2vec عام 2013، كانت عملية حسابية على مواقع الكلمات: خذ متجه "ملك"، اطرح "رجل"، أضف "امرأة"، وأقرب كلمة إلى الناتج هي "ملكة". نماذج الـ embedding الحديثة تفعل الشيء نفسه لجمل ومستندات كاملة، والمتجهات أطول.
حجم الـ embedding في النماذج التي يستخدمها الناس فعلًا
طول القائمة يُسمى عدد أبعادها. وقد ازداد مع تطور النماذج.
استخدم word2vec عام 2013 نحو 300 بُعد وBERT base نحو 768 عام 2018؛ يعيد Voyage 3 نحو 1,024 بُعدًا، ويعيد نموذج text-embedding-3-small من OpenAI نحو 1,536 رقمًا لكل مُدخل بينما يعيد text-embedding-3-large نحو 3,072؛ ويستخدم Gemini Embedding من Google أيضًا 3,072 كافتراضي. المزيد من الأبعاد قد يحمل تمييزًا أدق، على حساب التخزين وزمن المقارنة، ولهذا تتيح النماذج الأحدث أيضًا اختصار القائمة إلى حجم أصغر عندما تكون السرعة أهم من الدقة.
كل رقم من هذه الأرقام بلا معنى بمفرده. البُعد رقم 412 ليس "الرسمية" ولا "الموضوع". المعنى يكمن فقط في موقع القائمة كاملة نسبةً إلى قوائم أخرى، ولهذا يكون الـ embedding عديم الفائدة بلا مجموعة يُقارَن بها.
نماذج الـ embedding تبحث؛ ونماذج اللغة تكتب
يخلط الناس بين النوعين لأن كليهما "ذكاء اصطناعي على النص". لكنهما نموذجان مختلفان يؤديان مهمتين متعاكستين.
| نموذج embedding | نموذج لغوي (LLM) | |
|---|---|---|
| المُدخل | نص (أو صورة) | نص (أو صورة) |
| المُخرج | قائمة أرقام ثابتة | نص جديد، رمزًا رمزًا |
| المهمة | وضع المُدخل بحيث تقترب الأشياء المتشابهة | إكمال المُدخل بشكل منطقي |
| يُستخدم في | البحث والمطابقة والتجميع والاسترجاع | الإجابة والكتابة والتلخيص |
| التكلفة لكل مليون توكن | $0.02 على text-embedding-3-small | $0.20 على أرخص نموذج GPT، ومن $2 إلى $10 على النماذج المتقدمة |
| هل يمكن أن يخطئ؟ | قد يضع تطابقًا ضعيفًا في المرتبة الأولى | قد يختلق إجابة |
صف التكلفة هو ما يستحق الانتباه إليه. تكليف embedding مليون توكن بنموذج OpenAI الصغير يكلّف $0.02، مقابل $0.20 لكل مليون توكن إدخال لنموذج GPT-5.6 Luna، المتعادل في أرخص صف GPT مع Luna Pro وGPT-5.4 Nano، بحسب مؤشر تكلفة نماذج الذكاء الاصطناعي وفق أسعار OpenRouter المُستقاة في 2026-08-20. البحث أرخص عشر مرات من أرخص كتابة بـGPT، وأرخص بمئة مرة على الأقل من الكتابة بالنماذج المتقدمة. هذه الفجوة هي سبب أن كل نظام جاد يبحث أولًا ويكتب ثانيًا. صفحة ما هو LLM تغطي جانب الكتابة.
أين تعمل الـ embeddings دون أن تراها
المحادثة مع مستنداتك. حين ترفع ملف PDF طويلًا وتطرح سؤالًا، يُقسَّم الملف إلى مقاطع، ويُحوَّل كل مقطع إلى embedding ويُخزَّن في قاعدة بيانات متجهية، ويُحوَّل سؤالك أيضًا إلى embedding، وتُسلَّم المقاطع التي تقع متجهاتها الأقرب إلى نموذج اللغة كسياق. يجيب النموذج انطلاقًا من تلك المقاطع. هذا ما يُسمى التوليد المعزّز بالاسترجاع، وصفحة ما هو RAG تشرح خط الأنابيب بالكامل؛ والـ embeddings هي خطوة البحث فيه. دليل المحادثة مع PDF يغطي كيفية طرح أسئلة على ملف مرفوع في Whizi.
أما هل يُبحث في المستند أم يُقرأ كاملًا فيتوقف على النافذة. نافذة السياق لكل نموذج، بالصفحات، موضحة أدناه؛ فكل ما يتسع فيها يمكن إدراجه كاملًا، والاسترجاع موجود من أجل المجموعات التي لا تتسع.
البحث الذي يفهم المرادفات. موقع دعم يعرض مقالة إلغاء الاشتراك عند البحث عن "وقف الدفع" إنما يقارن embeddings، لا كلمات.
التوصيات والتجميع. العناصر ذات المتجهات المتقاربة عناصر متشابهة: منتجات ذات صلة، تذاكر دعم مكررة، مقالات في الموضوع نفسه.
ميزات الذاكرة في تطبيقات المحادثة. حين "يتذكر" مساعد ذكاء اصطناعي حقيقة من محادثة قديمة، أحد التطبيقات الشائعة هو تحويل الملاحظات السابقة إلى embeddings واسترجاع الأقرب منها في الطلب.
في كل حالة تقوم الـ embedding بالبحث وشيء آخر يتخذ القرار أو يكتب. ونمط الفشل متماثل في كل مكان أيضًا: إذا كان المتجه الأقرب هو المقطع الخطأ، فكل ما يليه يجيب بثقة عن سؤال خاطئ، وهو خطأ الاسترجاع الذي تعدّه صفحة ما هو هلوسة الذكاء الاصطناعي فشلًا منفصلًا عن الاختلاق.
ما يمكنك فعله بهذه الفكرة، دون كتابة كود
نادرًا ما تتعامل مع embedding مباشرة، لكن معرفة الآلية تغيّر طريقة استخدامك للأدوات المبنية عليها.
- اطرح السؤال بلغة الإجابة نفسها. الاسترجاع يطابق سؤالك مع المقاطع حسب المعنى. السؤال المصاغ بالطريقة التي يصوغ بها المستند الأمور يقترب أكثر من سؤال مصاغ بالطريقة التي تقولها بصوت عالٍ.
- قسّم الملفات الكبيرة حسب الموضوع. ملف من 400 صفحة يضم ثلاثة مواضيع غير مرتبطة يتحول إلى embedding في فضاء مزدحم؛ بينما تُسترجَع ثلاثة ملفات منفصلة بنظافة.
- اقرأ المقطع المُستشهَد به. إذا استشهدت إجابة المحادثة مع الملف بمقطع، افتحه. خطأ الاسترجاع يبدو كإجابة واثقة عن سؤال مختلف قليلًا.
- توقّع أن يفشل مع السلاسل الدقيقة. الـ embeddings تتعلق بالمعنى؛ ورقم فاتورة أو رمز قطعة يُوجَد بشكل أفضل عبر البحث النصي العادي، والأدوات الجيدة تجمع بين الاثنين.
القاعدة الحاسمة: حين تكون المهمة إيجاد القطعة الصحيحة بين كثيرات، تحتاج نموذج embedding، ويجب أن يكون رخيصًا. وحين تكون المهمة إنتاج قطعة، تحتاج نموذجًا لغويًا، ويجب أن يكون جيدًا. المنتجات التي تضبط هذا التقسيم بشكل صحيح هي التي تعمل فيها ميزة المحادثة مع الملفات فعلًا.
- تذكّر التقسيم: الـ embeddings تبحث، والنماذج اللغوية تكتب
- صِغ الأسئلة الموجّهة لمستند مرفوع بمصطلحات المستند نفسه
- قسّم الملفات الكبيرة حسب الموضوع ليتوفر للاسترجاع فضاء أنظف للبحث
- افتح المقطع المُستشهَد به في أي إجابة محادثة مع ملف قبل الوثوق بها
- استخدم البحث النصي العادي للسلاسل الدقيقة مثل الأرقام التعريفية والرموز؛ فالـ embeddings تطابق المعنى لا الأحرف
الأسئلة الشائعة
ما هو الـ embedding ببساطة؟
قائمة أرقام تنوب عن معنى نص معين، توضع بحيث تحصل المعاني المتشابهة على قوائم متشابهة. تقترب "سياسة الاسترداد" و"كيف أسترجع أموالي" من بعضهما؛ بينما تبتعد جملة كيميائية تحتوي كلمة استرداد. المسافة بين القوائم هي طريقة الحاسوب لقياس الترابط.
ما الفرق بين نموذج embedding ونموذج LLM؟
نموذج الـ embedding يخرج قائمة أرقام ثابتة تمثل المعنى؛ بينما يخرج النموذج اللغوي نصًا جديدًا رمزًا رمزًا. الأول يبحث ويطابق، والثاني يكتب ويجيب. المحادثة مع مستنداتك تستخدم الاثنين: الـ embeddings لجلب المقاطع ذات الصلة، والـ LLM لكتابة الإجابة منها.
كم عدد أبعاد الـ embedding؟
يعتمد على النموذج. استخدم word2vec عام 2013 نحو 300 بُعد، وBERT base نحو 768، والنماذج الحالية تتراوح من 1,024 إلى 3,072: يعيد text-embedding-3-small من OpenAI نحو 1,536 ويعيد text-embedding-3-large نحو 3,072، وهو نفس افتراضي Gemini Embedding من Google. النماذج الأحدث تتيح الاختصار إلى أبعاد أقل عندما تكون السرعة أهم من الدقة.
هل الـ embeddings مكلفة؟
لا، وهذه هي النقطة الأساسية. تسعّر OpenAI نموذج text-embedding-3-small بـ $0.02 لكل مليون توكن، مقابل $0.20 لكل مليون توكن إدخال لنموذج GPT-5.6 Luna، ومن $2 إلى $5 لنماذج المحادثة المتقدمة بأسعار OpenRouter المُستقاة في 2026-08-20. البحث أرخص من الكتابة بعشر إلى مئة مرة، ولهذا تُحوِّل أنظمة الاسترجاع كل شيء إلى embedding وتولّد الإجابة فقط.
أين تُستخدم الـ embeddings في ChatGPT أو Claude أو Gemini؟
في الميزات التي تبحث عن الأشياء: رفع الملفات والمحادثة مع المستندات، والبحث في محادثاتك السابقة، والذاكرة التي تستدعي حقائق من محادثات سابقة. في كل حالة، التصميم المعتاد هو تحويل النص إلى embedding، واسترجاع أقرب التطابقات، وترك النموذج اللغوي يكتب منها. الـ embedding غير مرئي لك؛ لكن خطأ الاسترجاع، حين يحدث، ليس كذلك.
