فك شفرة الذكاء: نظرة متعمقة على منطق الذكاء الاصطناعي

الكشف عن المبادئ الأساسية للذكاء الاصطناعي

الجزء الأول: الجدل المنطقي حول الذكاء: وجهات نظر فلسفية وتاريخية

إن "المنطق الأساسي" للذكاء الاصطناعي (AI) ليس مفهومًا فريدًا وثابتًا. بل إنه ينبع من جدال فكري دام عقودًا حول كيفية إنشاء الذكاء. لفهم الذكاء الاصطناعي، يجب على المرء أولاً أن يتعمق في أصوله الفكرية - الصراع والاندماج بين مدرستين فلسفيتين أساسيتين: الترميز والاتصالية. تمثل هاتان المدرستان وجهات نظر متعارضة تمامًا للذكاء، وقد شكلت ثرواتهما المتقلبة المسار التاريخي والاتجاه المستقبلي لمجال الذكاء الاصطناعي بأكمله.

١.١ مدرستان فكريتان

يتكشف منطق بناء الذكاء الاصطناعي على طول مسارين رئيسيين: التلاعب الرمزي من أعلى إلى أسفل والتعلم المستوحى من علم الأحياء من أسفل إلى أعلى.

الترميز (منطق "من أعلى إلى أسفل")

يعتمد الترميز، المعروف أيضًا باسم المنطق أو مدرسة الحاسوب، على الاعتقاد الأساسي بأن جوهر الذكاء يكمن في معالجة الرموز وفقًا لمجموعة من القواعد الواضحة والمصاغة رسميًا. هذا هو نهج "من أعلى إلى أسفل"، مع فرضية أن الإدراك البشري وعمليات التفكير يمكن تجريدها إلى عمليات رمزية. في هذا الرأي، يُنظر إلى الذكاء على أنه عملية استدلال منطقي، ويمكن تشبيه العقل ببرنامج كمبيوتر يعمل على بيانات منظمة.

إن المظهر الأكثر شيوعًا لهذه المدرسة هو الأنظمة الخبيرة. تمتعت هذه الأنظمة بعصرها الذهبي في السبعينيات والثمانينيات من القرن الماضي، مما يمثل أول نجاح تجاري واسع النطاق للذكاء الاصطناعي. تهدف إلى محاكاة عمليات صنع القرار للخبراء البشريين في مجالات ضيقة معينة (مثل التشخيص الطبي أو التحليل الكيميائي) من خلال قاعدة معرفية تحتوي على عدد كبير من قواعد "إذا-إذن". دفع نجاح الأنظمة الخبيرة الترميز إلى ذروته، مما جعله مرادفًا تقريبًا للذكاء الاصطناعي في ذلك الوقت.

الاتصالية (منطق "من أسفل إلى أعلى")

على النقيض من الترميز، تجادل الاتصالية، والمعروفة أيضًا باسم مدرسة علم الأحياء، بأن الذكاء هو ظاهرة ناشئة. لا تهيمن عليه وحدة تحكم مركزية أو قواعد محددة مسبقًا، بل ينشأ من التفاعلات المعقدة بين عدد كبير من وحدات المعالجة البسيطة والمترابطة (أي الخلايا العصبية الاصطناعية). هذا المنطق "من أسفل إلى أعلى" مستوحى من بنية الدماغ البشري، معتقدًا أن الذكاء ليس مبرمجًا، بل يتم الحصول عليه عن طريق تعلم الأنماط من البيانات.

الاعتقاد الأساسي للاتصالية هو أن السلوكيات المعقدة يمكن أن تنشأ من تفاعلات محلية بسيطة، دون الحاجة إلى قواعد صريحة عالمية. تجسيده التكنولوجي الأساسي هو الشبكات العصبية الاصطناعية (ANNs). تتعلم هذه النماذج علاقات معقدة بين المدخلات والمخرجات من خلال التدريب على كميات كبيرة من بيانات العينات وتعديل "الأوزان" (أي نقاط قوة الاتصال) بين الخلايا العصبية باستمرار.

١.٢ بندول التاريخ: الصعود والشتاء والانتعاش

إن تاريخ تطوير الذكاء الاصطناعي ليس تاريخ تقدم خطي، بل يشبه بندولًا يتأرجح ذهابًا وإيابًا بين الترميز والاتصالية. تكشف هذه العملية بعمق أن نجاح أو فشل نموذج نظري لا يعتمد فقط على عمق أفكاره، ولكن أيضًا على قيود التكنولوجيا والظروف الاقتصادية في ذلك الوقت. المنطق الأساسي للذكاء الاصطناعي لا يتطور في فراغ، ومسار تطوره هو نتيجة مباشرة للتفاعل المعقد بين (١) الفكر الفلسفي السائد و (٢) قوة الحوسبة المتاحة و (٣) الجدوى الاقتصادية.

المزايا المبكرة والشتاء الأول للذكاء الاصطناعي

في الأيام الأولى للذكاء الاصطناعي، أظهرت الاتصالية إمكانات كبيرة. ومع ذلك، في عام ١٩٦٩، نشر مارفن مينسكي، وهو شخصية رائدة في الترميز، كتاب Perceptrons، الذي أصبح نقطة تحول رئيسية في التاريخ. أثبت مينسكي رياضيًا وبدقة أن الشبكات العصبية البسيطة ذات الطبقة الواحدة في ذلك الوقت (أي مستقبلات الإدراك) لم تستطع حل بعض المشكلات الأساسية، مثل مشكلة "أو الحصرية" المنطقية (XOR). وجه هذا النقد الأكاديمي الدقيق، جنبًا إلى جنب مع الندرة العامة لقوة الحوسبة الحاسوبية في ذلك الوقت، ضربة مدمرة لبحوث الاتصالية. تم تخفيض تمويل البحوث بشكل كبير، ودخل بحث الشبكة العصبية فترة ركود استمرت أكثر من عقد من الزمان، والمعروفة باسم "شتاء الذكاء الاصطناعي" الأول. خلال هذه الفترة، احتل منطق الترميز منصبًا مهيمنًا مطلقًا.

العصر الذهبي للترميز والشتاء الثاني للذكاء الاصطناعي

ازدهرت الأنظمة الخبيرة في الثمانينيات، مما دفع الترميز إلى ذروة التطبيقات التجارية. ومع ذلك، تم الكشف تدريجيًا عن قيودها: كانت الأنظمة الخبيرة باهظة الثمن، وكانت قواعد المعرفة صعبة الصيانة، ولا يمكنها التعامل مع المعلومات الغامضة، ولم يكن لديها القدرة على تعلم معرفة جديدة تلقائيًا. في النهاية، شكل الفشل التجاري لـ "آلات Lisp" المستخدمة خصيصًا لتشغيل برامج الذكاء الاصطناعي الرمزية (مثل لغة Lisp) نهاية هذا العصر. إن ظهور أجهزة الكمبيوتر ذات الأغراض العامة (مثل IBM PC) بأداء أقوى وأسعار أقل جعل هذه الأجهزة المخصصة غير قادرة على المنافسة، ثم دخل مجال الذكاء الاصطناعي الشتاء الثاني. يثبت هذا مرة أخرى أنه إذا كان لمنطق نظري أن يستمر في التطور، فيجب أن يكون لديه أساس قوي واقتصادي في الأجهزة كدعم.

انتعاش الاتصالية

لم يكن انتعاش الاتصالية عرضيًا، بل كان مدفوعًا بثلاثة عوامل رئيسية:

١. الاختراقات الخوارزمية: خلال "الشتاء"، وضع إدخال خوارزميات الانتشار العكسي واختراع هياكل شبكات أكثر تعقيدًا مثل شبكات الذاكرة طويلة المدى (LSTMs) الأساس الخوارزمي للتدريب الفعال للشبكات العصبية.

٢. طوفان البيانات: جلبت شعبية الإنترنت كمية غير مسبوقة من البيانات. وفرت هذه البيانات "تغذية" كافية للشبكات العصبية التي تتطلب عددًا كبيرًا من العينات للتدريب.

٣. ثورة قوة الحوسبة: تتمتع معالجات الرسومات (GPUs)، المصممة في الأصل لألعاب الفيديو، بهندسة حوسبة متوازية بشكل كبير ووجد أنها مناسبة تمامًا لعمليات المصفوفة الأساسية في الشبكات العصبية. أدى ظهور وحدات معالجة الرسومات إلى كسر عنق الزجاجة لقوة الحوسبة الذي ابتليت به الاتصالية لعقود من الزمان، مما سمح بإطلاق إمكاناتها النظرية حقًا.

أخيرًا، أشعل التقاء الخوارزميات والبيانات وقوة الحوسبة ثورة التعلم العميق، مما جعل منطق الاتصالية هو التيار السائد الذي لا جدال فيه في مجال الذكاء الاصطناعي اليوم.

١.٣ المأزق الفلسفي: الفهم مقابل المحاكاة

يؤدي النزاع التاريخي بين المدرستين الرئيسيتين في النهاية إلى سؤال فلسفي عميق لا يزال دون حل حتى يومنا هذا: هل الآلة القادرة على محاكاة السلوك الذكي تمامًا تمتلك حقًا القدرة على الفهم؟

اختبار تورينغ

يوفر "اختبار تورينغ" لآلان تورينغ تعريفًا سلوكيًا وعمليًا للذكاء. يتضمن الاختبار ما إذا كانت الآلة يمكن أن تجري محادثة مع إنسان، ولا يستطيع الإنسان معرفة ما إذا كانت آلة أم شخصًا؛ ثم يمكن اعتبار الآلة ذكية. يتجاوز اختبار تورينغ السؤال الأساسي "ما هو الذكاء" ويتحول إلى "ما هو السلوك الذي يجب أن يظهره الذكاء".

التجربة الفكرية لـ "الغرفة الصينية"

اقترح الفيلسوف جون سيرل التجربة الفكرية الشهيرة "الغرفة الصينية" في عام ١٩٨٠، وشن هجومًا شرسًا على الترميز واختبار تورينغ. يتم تصور التجربة على النحو التالي: يتم حبس شخص لا يفهم اللغة الصينية في غرفة، وتحتوي الغرفة على دليل مفصل لقواعد معالجة اللغة الصينية (أي ما يعادل برنامجًا). يتلقى ملاحظات مكتوبة عليها أحرف صينية (إدخال) من خلال نافذة، ثم يتبع بدقة التعليمات الواردة في دليل القواعد للعثور على الأحرف المطابقة ودمجها، ثم يمرر النتائج خارج النافذة (إخراج). بالنسبة للأشخاص خارج الغرفة، لا يختلف رد الغرفة عن رد متحدث صيني أصلي، لذلك فإنه يجتاز اختبار تورينغ.

ومع ذلك، أشار سيرل إلى أن الشخص الموجود في الغرفة لم يفهم أبدًا معنى (علم الدلالة) لأي أحرف صينية من البداية إلى النهاية، وكل ما فعله هو تلاعب رمزي (بناء الجملة) خالص. خلص سيرل إلى أن مجرد التلاعب بالرموز، بغض النظر عن مدى تعقيده، لا يمكن أن ينتج "فهمًا" حقيقيًا أبدًا. تتحدى هذه الحجة بقوة وجهة النظر القائلة بـ "الذكاء الاصطناعي القوي" (أي الاعتقاد بأن الكمبيوتر المبرمج بشكل صحيح يمكن أن يمتلك عقلًا).

اليوم، يمكن اعتبار الذكاء الاصطناعي الحديث الممثل بنماذج لغوية كبيرة (LLMs) نسخة فائقة الترقية من "الغرفة الصينية" بمعنى ما. إنها تولد إجابات تبدو ذكية عن طريق مطابقة الأنماط إحصائيًا في كميات هائلة من بيانات النصوص. الجدل حول ما إذا كانت "تفهم" اللغة حقًا أم أنها مجرد "ببغاوات عشوائية" معقدة هو استمرار لجدال تورينغ مقابل سيرل في العصر الحديث.

لفترة طويلة، كان يُنظر إلى الترميز والاتصالية على أنهما نموذجان يستبعد أحدهما الآخر. ومع ذلك، فإن "حرب" التاريخ تقترب من نهايتها في شكل تركيب. المنطق الأساسي للمستقبل ليس خيارًا بين أمرين، بل هو اندماج بين الاثنين. ينعكس هذا الاتجاه في صعود الذكاء الاصطناعي العصبي الرمزي. يهدف هذا المجال إلى الجمع بين قدرات التعرف على الأنماط القوية للشبكات العصبية وقدرات الاستدلال المنطقي الصارمة للأنظمة الرمزية، بهدف بناء أنظمة أكثر قوة يمكنها التعلم والاستدلال. على سبيل المثال، يمكن لوكلاء الذكاء الاصطناعي الحديث استدعاء أدوات رمزية خارجية (مثل الآلات الحاسبة والاستعلامات عن قواعد البيانات) لتعزيز قدراتهم الخاصة، وهو مزيج عملي من النماذج العصبية والأدوات الرمزية.

بالإضافة إلى ذلك، فإن بنية "مزيج الخبراء (MoE)" في النماذج اللغوية الكبيرة الحديثة تردد أيضًا الأنظمة الخبيرة للترميز في المفهوم. يتكون نموذج MoE من شبكات فرعية "خبير" متخصصة متعددة وشبكة "بوابة" مسؤولة عن اختيار الخبير الأنسب للتعامل مع كل إدخال. هذا مشابه وظيفيًا لنظام رمزي يستدعي وحدات وظيفية محددة وفقًا للقواعد، ولكن تنفيذه اتصالي بالكامل - من خلال التعلم الشامل والتحسين التفاضلي. يوضح هذا أن المنطق الأساسي للذكاء الاصطناعي ينتقل من المعارضة إلى التكامل، مما يخلق قدرات قوية غير مسبوقة من خلال الاندماج.

الجدول ١: مقارنة بين نماذج الذكاء الاصطناعي الأساسية: الترميز مقابل الاتصالية

الجزء الثاني: اللغة العالمية للذكاء الاصطناعي الحديث: المبادئ الرياضية الأساسية

يتطلب الكشف عن غموض الذكاء الاصطناعي الحديث إدراك أن "منطقه الأساسي" ليس الحس السليم أو التفكير البشري، بل لغة رياضية دقيقة وعالمية. على وجه الخصوص، فإن الذكاء الاصطناعي الذي تهيمن عليه الاتصالية هو في الأساس رياضيات تطبيقية مدفوعة بـ "البيانات والخوارزميات وقوة الحوسبة". يمكن تقسيم عمليات توليد الذكاء والتعلم والتحسين إلى تضافر ثلاثة أركان رياضية: الإحصاء الاحتمالي والجبر الخطي وحساب التفاضل والتكامل.

٢.١ الطبيعة الرياضية للذكاء الاصطناعي

يمكن عادةً وصف المهمة الأساسية للذكاء الاصطناعي الحالي على النحو التالي: إيجاد حل أمثل تقريبي في فضاء مشكلات معقد وعالي الأبعاد. بدلاً من حل المشكلات عن طريق تجربة جميع الاحتمالات بشكل شامل، فإنه يطبق طرقًا رياضية للعثور على حل جيد بما فيه الكفاية. توفر الرياضيات للذكاء الاصطناعي أدوات نمذجة رسمية ولغات وصف علمية، وهي حجر الزاوية لبناء أنظمة الذكاء الاصطناعي وفهمها وتحسينها.

٢.٢ الركن الأول: الاحتمالات والإحصائيات - منطق عدم اليقين

توفر نظرية الاحتمالات والإحصائيات للذكاء الاصطناعي إطارًا نظريًا للاستدلال في بيئات غير مؤكدة واستخراج الأنماط من البيانات. نماذج الذكاء الاصطناعي هي في الأساس أنظمة احتمالية تتعلم التوزيع الأساسي للبيانات لاتخاذ التنبؤات والقرارات.

ومع ذلك، فإن ظهور البيانات الضخمة يطرح تحديًا خطيرًا لأسس الإحصائيات التقليدية. تستند النظريات الإحصائية التقليدية، مثل قانون الأعداد الكبيرة ونظرية النهاية المركزية، في الغالب إلى افتراضات أن العينات "مستقلة وموزعة بشكل مماثل" (i.i.d.) وأن حجم العينة n أكبر بكثير من عدد الميزات p (أي p ≪ n). ولكن في عصر البيانات الضخمة، غالبًا ما يتم كسر هذه الافتراضات. على سبيل المثال، في مهام التعرف على الصور، قد تحتوي صورة عالية الدقة على ملايين وحدات البكسل (الميزات p)، في حين أن مجموعة بيانات التدريب قد تحتوي فقط على عشرات الآلاف من الصور (العينات n)، مما يؤدي إلى مشكلة "لعنة الأبعاد" حيث p ≫ n. في هذه الحالة، من السهل إنشاء "ارتباطات زائفة" تبطل الطرق الإحصائية التقليدية.

إن صعود التعلم العميق هو، إلى حد ما، استجابة لهذا التحدي. إنه يوفر طريقة لتعلم تمثيلات الميزات الفعالة تلقائيًا من بيانات عالية الأبعاد دون الاعتماد على الافتراضات الإحصائية التقليدية. ومع ذلك، فإن إنشاء أساس إحصائي صلب لنموذج البيانات الجديد هذا لا يزال يمثل مشكلة رياضية رئيسية تحتاج إلى حل بشكل عاجل في أبحاث الذكاء الاصطناعي الحالية.

٢.٣ الركن الثاني: الجبر الخطي - منطق التمثيل

الجبر الخطي هو "اللغة العالمية" لعالم الذكاء الاصطناعي، حيث يوفر الأدوات الأساسية لتمثيل البيانات والنماذج. في الشبكات العصبية، سواء كانت المدخلات (مثل وحدات البكسل في الصورة، والمتجهات اللفظية للنص)، أو معاملات النموذج (الأوزان)، أو الناتج النهائي، يتم التعبير عنها جميعًا كهيكل رقمي: متجهات أو مصفوفات أو موترات ذات أبعاد أعلى.

العملية الأساسية في الشبكات العصبية، مثل ترجيح الخلايا العصبية وجمع جميع مدخلاتها، هي في الأساس ضرب المصفوفات والمتجهات. والسبب في أن وحدات معالجة الرسومات يمكنها تسريع تدريب الذكاء الاصطناعي بشكل كبير هو على وجه التحديد لأن بنية الأجهزة الخاصة بها مُحسَّنة للغاية لتنفيذ عمليات الجبر الخطي المتوازية واسعة النطاق هذه بكفاءة.

٢.٤ الركن الثالث: حساب التفاضل والتكامل والتحسين - منطق التعلم

عملية تعلم الذكاء الاصطناعي هي في الأساس مشكلة تحسين رياضية. الهدف هو إيجاد مجموعة من معاملات النموذج (مثل الأوزان والانحيازات في الشبكة العصبية) التي تقلل الفارق بين تنبؤات النموذج والإجابات الصحيحة. يتم تحديد هذا الاختلاف كميًا بواسطة وظيفة الخسارة.

انحدار التدرج: محرك التعلم

انحدار التدرج هو الخوارزمية الأساسية لتحقيق هذا الهدف وهو المحرك الذي يدفع تعلم جميع نماذج الذكاء الاصطناعي الحديثة تقريبًا.

• الفكرة الأساسية: انحدار التدرج هو خوارزمية تحسين تكرارية تهدف إلى إيجاد النقطة الدنيا لوظيفة الخسارة. يمكن مقارنة هذه العملية مجازيًا بشخص ينزل جبلًا في ضباب كثيف. لا يستطيع أن يرى أين تقع أدنى نقطة في الوادي، لكنه يستطيع أن يشعر بميل الأرض تحت قدميه. الاستراتيجية الأكثر عقلانية هي اتخاذ خطوة صغيرة على طول اتجاه الانحدار الأكثر حدة في الموضع الحالي، ثم تكرار هذه العملية.

• عملية محددة:

  1. التهيئة: أولاً، قم بتعيين مجموعة أولية عشوائية من معاملات النموذج (الأوزان والانحيازات).

  2. حساب الخسارة: استخدم المعاملات الحالية لجعل النموذج يقوم بتنبؤات بشأن بيانات التدريب، وحساب الخطأ الكلي (الخسارة) بين التنبؤات والتصنيفات الصحيحة.

  3. حساب التدرج: استخدم المشتقات الجزئية في حساب التفاضل والتكامل لحساب تدرج وظيفة الخسارة فيما يتعلق بكل معامل. التدرج هو متجه يشير في اتجاه أسرع زيادة في قيمة وظيفة الخسارة.

  4. تحديث المعاملات: انقل كل معامل خطوة صغيرة في الاتجاه المعاكس لتدرجه. يتم التحكم في حجم هذه الخطوة بواسطة معلمة فائقة تسمى معدل التعلم (يُشار إليها عادةً بـ η). صيغة التحديث هي: parameter_new = parameter_old − η × gradient.

  5. التكرار: كرر باستمرار الخطوتين ٢ إلى ٤ آلاف المرات. تعمل كل تكرار على الضبط الدقيق لمعاملات النموذج، مما يتسبب في انخفاض قيمة الخسارة تدريجيًا. عندما لا تنخفض قيمة الخسارة بشكل كبير، "تتقارب" الخوارزمية إلى الحد الأدنى المحلي أو العالمي، وتنتهي عملية التعلم.

• متغيرات الخوارزمية: اعتمادًا على مقدار البيانات المستخدمة في كل تكرار، هناك العديد من متغيرات انحدار التدرج، مثل انحدار التدرج الدفعي، وانحدار التدرج العشوائي (SGD)، وانحدار التدرج ذي الدفعة الصغيرة، التي توفر مفاضلات مختلفة بين الكفاءة الحاسوبية واستقرار التقارب.

الرياضيات هي اللغة الموحدة التي تربط جميع نماذج الذكاء الاصطناعي الحديثة. سواء كان انحدارًا خطيًا بسيطًا، أو آلات متجه الدعم المعقدة، أو الشبكات العصبية العميقة الضخمة، فإن المنطق الأساسي لتعلمها مشترك: حدد نموذجًا، وحدد وظيفة خسارة، ثم استخدم خوارزمية تحسين (مثل انحدار التدرج) للعثور على المعاملات التي تقلل وظيفة الخسارة. هذا الإطار الرياضي المستند إلى "تقليل الخسارة" هو المنطق الأساسي الحقيقي لكيفية تعلم الآلات من البيانات.

يشير المنطق الرياضي للذكاء الاصطناعي أيضًا إلى تحول أساسي عن المنطق التقليدي للبرمجة. البرمجة التقليدية حتمية ودقيقة. من ناحية أخرى، فإن الذكاء الاصطناعي احتمالي وتقريبي. كما أظهرت الأبحاث، فإن الهدف من الذكاء الاصطناعي عادةً ليس إيجاد حل مثالي يمكن إثباته (وهو غالبًا ما يكون مستحيلًا بالنسبة للمشكلات المعقدة في العالم الحقيقي)، بل إيجاد حل تقريبي "جيد بما فيه الكفاية". إن خاصية "الصندوق الأسود" للذكاء الاصطناعي هي نتيجة مباشرة لهذا التحول. يمكننا قياس ما إذا كانت فعالة عن طريق تقييم خسارتها أو دقتها، ولكن من الصعب شرح كيف تعمل بمنطق واضح خطوة بخطوة، كما يمكننا القيام به مع الخوارزميات التقليدية. وذلك لأن "حل" الذكاء الاصطناعي ليس مجموعة من القواعد التي يمكن قراءتها بواسطة الإنسان، بل دالة معقدة عالية الأبعاد مشفرة بواسطة ملايين المعاملات الرقمية المحسّنة. إن "منطقه" المتأصل يتجسد في الشكل الهندسي للفضاء متعدد الأبعاد الذي تشكله وظيفة الخسارة، وليس القواعد الدلالية نفسها.

الجزء الثالث: منهجيات التعلم - كيف يكتسب الذكاء الاصطناعي المعرفة

بالاعتماد على المبادئ الرياضية الأساسية، طور الذكاء الاصطناعي ثلاث استراتيجيات تعلم رئيسية، أو "نماذج تعلم". يتم تصنيف هذه النماذج بناءً على أنواع البيانات وإشارات التغذية الراجعة المتاحة لنظام الذكاء الاصطناعي أثناء التدريب، وهي: التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم المعزز.

٣.١ التعلم الخاضع للإشراف: التعلم مع معلم

التعلم الخاضع للإشراف هو نموذج تعلم الآلة الأكثر استخدامًا على نطاق واسع.

• المنطق الأساسي: يتعلم النموذج من مجموعة بيانات مصنفة. في مجموعة البيانات هذه، يقترن كل نموذج إدخال صراحةً بإجابة الإخراج الصحيحة. تشبه هذه العملية الطالب الذي يستعد لامتحان بمجموعة من التمارين مع إجابات قياسية.
• عملية التعلم: يقدم النموذج تنبؤًا لم