تحالف عالمي لتوسيع وصول الذكاء الاصطناعي إلى اللغات منخفضة الموارد: ماذا أعلنت مؤسسة غيتس وما الذي يمكن أن يتغير؟
في سبتمبر 2026، أعلنت مؤسسة بيل وميليندا غيتس عن التزام عالمي جديد يركز على مشكلة أصبحت أكثر وضوحًا مع توسع الذكاء الاصطناعي: معظم النماذج والأدوات لا تقدم المستوى نفسه من الأداء عبر جميع لغات العالم. ويجمع الالتزام الأولي 60 جهة موقعة من مجالات الذكاء الاصطناعي والبحث والحكومات والعمل الخيري والمجتمع المدني، مع هدف معلن يتمثل في مساعدة نحو 3.4 مليار شخص يتحدثون لغات ممثلة تمثيلًا ضعيفًا في نماذج الذكاء الاصطناعي على استخدام هذه الأدوات بلغاتهم وأصواتهم خلال خمس سنوات.
ما الذي أُعلن بالفعل في سبتمبر 2026؟
في 21 سبتمبر 2026، أعلنت مؤسسة غيتس عن التزام مشترك بين مجموعة من المنظمات التي تعمل في مجالات مختلفة مرتبطة بالذكاء الاصطناعي والبيانات والبحث والسياسات والتنمية. وتتمثل الفكرة الأساسية في معالجة فجوة الوصول اللغوي، أي الفارق بين اللغات التي تمتلك كميات كبيرة من البيانات الرقمية والأدوات والاختبارات، وبين اللغات التي ما تزال ممثلة بدرجة محدودة في هذه البنية التقنية.
وتقول المؤسسة إن الهدف خلال السنوات الخمس المقبلة هو أن يتمكن ما يقدر بنحو 3.4 مليار شخص من استخدام أدوات الذكاء الاصطناعي بلغاتهم وأصواتهم. الرقم هنا يمثل نطاقًا مستهدفًا للمبادرة وليس عددًا من الأشخاص الذين أصبحوا بالفعل يستخدمون منتجًا جديدًا تابعًا للتحالف.
وهذه نقطة مهمة عند قراءة الخبر. فالتحالف ليس تطبيقًا جديدًا يمكن للمستخدم تنزيله، وليس نموذجًا لغويًا واحدًا يحمل اسمًا تجاريًا محددًا. بل هو إطار تعاون يجمع جهات تمتلك أنواعًا مختلفة من الخبرات والموارد بهدف تحسين البنية التي تحتاج إليها تطبيقات الذكاء الاصطناعي متعددة اللغات.
ماذا يعني رقم 60 شريكًا فعليًا؟
استخدام عبارة "60 شريكًا" في العناوين الصحفية مفهوم من الناحية الإعلامية، لكن الوصف الأدق هو 60 جهة موقعة على الالتزام المشترك في مرحلته الأولى. وتشير القائمة الرسمية إلى تنوع واضح بين المشاركين، وهو أمر مهم لفهم طبيعة المبادرة.
فالقائمة لا تتكون من شركات تقنية فقط. من بين الموقعين جهات مثل Anthropic وGoogle وMicrosoft وMistral وNVIDIA وAmazon، إلى جانب مؤسسات بحثية وحكومية ومنظمات مجتمع مدني ومؤسسات خيرية ومنظمات دولية، ومن بينها البنك الدولي وUNICEF.
هذا التنوع يعكس مشكلة أساسية في بناء الذكاء الاصطناعي للغات منخفضة الموارد: المشكلة ليست مشكلة نموذج لغوي فقط. حتى لو امتلكت شركة تقنية نموذجًا قويًا، فإن تحسين أدائه في لغة تفتقر إلى البيانات والاختبارات والخبراء المحليين يحتاج إلى منظومة كاملة من العمل.
جمع وتنظيم بيانات نصية وصوتية عالية الجودة، مع احترام الحقوق والخصوصية والموافقة.
تحسين قدرة نماذج الذكاء الاصطناعي على فهم اللغات التي لا تتوفر لها كميات كبيرة من البيانات الرقمية.
إنشاء اختبارات تقيس أداء النماذج في اللغات المختلفة بدل الاعتماد على نتائج اللغات الأكثر انتشارًا فقط.
تحويل البيانات والنماذج إلى أدوات عملية يمكن استخدامها في التعليم والصحة والزراعة والخدمات الرقمية.
لماذا تعتبر اللغات منخفضة الموارد مشكلة تقنية حقيقية؟
مصطلح اللغات منخفضة الموارد (Low-Resource Languages) لا يعني أن اللغة أقل أهمية أو أقل قيمة ثقافيًا. المقصود أساسًا هو أن الموارد الرقمية اللازمة لبناء أنظمة لغوية متقدمة تكون محدودة نسبيًا، مثل النصوص الرقمية، التسجيلات الصوتية، القواميس، الترجمات، مجموعات البيانات المصنفة، واختبارات التقييم.
الذكاء الاصطناعي اللغوي يحتاج إلى بيانات لكي يتعلم الأنماط. وكلما كانت البيانات المتاحة أقل أو أكثر تفاوتًا في الجودة، يصبح من الصعب تدريب النظام وتقييمه بطريقة موثوقة. وقد تعمل الترجمة أو التعرف على الكلام بصورة جيدة في لغة واسعة الموارد، بينما تنخفض الدقة في لغة أخرى بسبب قلة الأمثلة المتاحة للتدريب والاختبار.
1. نقص النصوص الرقمية
بعض اللغات تمتلك تاريخًا طويلًا من الأدب والمحتوى الشفهي، لكن جزءًا محدودًا منه قد يكون متاحًا في صورة رقمية منظمة وقابلة للاستخدام في تطوير التقنيات الحديثة. تحويل المعرفة الموجودة إلى بيانات رقمية مفيدة يحتاج إلى خبراء لغويين ومراجعة بشرية وترخيص واضح.
2. نقص البيانات الصوتية
أنظمة التعرف على الكلام والنطق الآلي تحتاج إلى تسجيلات صوتية متنوعة. ولا يكفي تسجيل شخص واحد أو عدد قليل من المتحدثين، لأن الاختلاف في اللهجات وسرعة الكلام والعمر والبيئة الصوتية وطريقة النطق يمكن أن يؤثر في أداء النظام.
3. صعوبة بناء اختبارات دقيقة
حتى بعد إنشاء نموذج لغوي، يجب معرفة مدى نجاحه. وهذا يتطلب اختبارات وأسئلة ومجموعات بيانات مرجعية باللغة نفسها. ومن دون اختبارات جيدة قد يبدو النموذج ناجحًا بينما يحتوي على أخطاء مهمة لا تظهر في التقييمات العامة.
4. اختلاف البنية اللغوية
اللغات لا تشترك جميعًا في البنية نفسها. وقد تحتوي بعض اللغات على أنظمة صرفية أو تراكيب أو أشكال كتابة تجعل عملية تقسيم الكلمات إلى وحدات يفهمها النموذج أكثر تعقيدًا. وتشير أبحاث حديثة في معالجة اللغات الإفريقية إلى أن كفاءة تقسيم النص إلى وحدات لغوية يمكن أن تؤثر في أداء النماذج وفي كمية الموارد الحسابية المطلوبة.
أين تكمن أهمية الصوت في هذا المشروع؟
أحد الجوانب المهمة في المبادرة هو التركيز على اللغة والصوت معًا. فالوصول إلى الذكاء الاصطناعي لا يجب أن يعتمد دائمًا على الكتابة. بالنسبة لبعض المستخدمين، قد تكون المحادثة الصوتية أكثر سهولة من لوحة المفاتيح، خصوصًا في الخدمات التي تستهدف المزارعين أو العاملين الصحيين أو الأشخاص الذين لا يستخدمون اللغة المكتوبة بصورة يومية.
يمكن أن تتكون السلسلة التقنية من عدة مراحل: تسجيل كلام المستخدم، تحويل الصوت إلى نص، فهم المعنى، توليد الإجابة، ثم تحويل الإجابة مرة أخرى إلى صوت. وكل مرحلة تحتاج إلى بيانات واختبارات مناسبة للغة المستهدفة.
يمكن لمزارع أن يتحدث إلى تطبيق بلغته المحلية عن مشكلة ظهرت في محصوله. يحول النظام كلامه إلى نص، ثم يحلل السؤال ويسترجع المعلومات الزراعية المناسبة، وبعد ذلك يقدم الإجابة صوتيًا باللغة نفسها. نجاح التجربة يعتمد على دقة التعرف على الكلام، وفهم المصطلحات الزراعية المحلية، وصحة المعلومات، وجودة الصوت الناتج.
كيف يمكن أن يظهر الأثر في التعليم؟
التعليم من المجالات التي يمكن أن تستفيد من تحسين النماذج متعددة اللغات. فبدل أن تكون أدوات الذكاء الاصطناعي التعليمية محصورة في اللغات التي تتوفر لها كميات كبيرة من المحتوى، يمكن تطوير أنظمة تساعد المعلمين والطلاب بلغات محلية أو وطنية ممثلة بدرجة أقل.
على سبيل المثال، يمكن لنظام تعليمي أن يشرح مفهومًا رياضيًا بلغة الطالب، ثم يقدم تمرينًا بمستوى مناسب، أو يساعد المعلم في إنشاء مواد تعليمية أولية. لكن يجب التمييز بين إنتاج المحتوى وبين ضمان صحته؛ فالذكاء الاصطناعي قد يرتكب أخطاء، ولذلك تحتاج التطبيقات التعليمية إلى مراجعة بشرية ومعايير واضحة للجودة.
الذكاء الاصطناعي والصحة: فرصة كبيرة ومسؤولية أكبر
يمكن أن يساعد الذكاء الاصطناعي متعدد اللغات في تحسين الوصول إلى المعلومات الصحية، خصوصًا عندما يواجه العامل الصحي أو المستخدم حاجزًا لغويًا. ومن التطبيقات المحتملة ترجمة المعلومات الصحية، تبسيط النصوص، تحويل التعليمات إلى صوت، أو مساعدة العاملين على الوصول إلى مصادر إرشادية.
لكن الصحة تختلف عن الترجمة العامة؛ فالخطأ اللغوي قد يؤدي إلى سوء فهم لمعلومة حساسة. لذلك لا ينبغي تقديم أي نظام لغوي على أنه بديل للطبيب أو العامل الصحي لمجرد أنه يفهم اللغة المحلية.
في هذا المجال، يجب أن يكون التركيز على الدقة والمراجعة وسلامة الاستخدام بقدر التركيز على القدرة اللغوية. كما يجب أن تكون البيانات الصحية المستخدمة في تطوير الأنظمة خاضعة لضوابط أكثر صرامة لحماية الخصوصية.
الزراعة: من الترجمة إلى المساعدة العملية
الزراعة مثال آخر على أهمية اللغة المحلية. فقد يحتاج المزارع إلى معلومات عن توقيت الزراعة أو طرق التعامل مع آفة أو فهم إرشادات مرتبطة بالطقس والمحاصيل. إذا كانت المعلومة متوفرة فقط بلغة لا يستخدمها المزارع، فإن وجودها على الإنترنت لا يعني بالضرورة أنها سهلة الوصول.
يمكن للذكاء الاصطناعي متعدد اللغات أن يعمل كواجهة للوصول إلى هذه المعرفة. لكن التطبيق الجيد يجب أن يجمع بين اللغة والمعلومة المحلية. ترجمة نص عام عن الزراعة لا تضمن أن النص مناسب لمحصول أو مناخ أو منطقة معينة.
الخصوصية: لماذا جمع البيانات الصوتية يحتاج إلى حذر؟
تطوير أنظمة صوتية للغات منخفضة الموارد يحتاج إلى بيانات حقيقية من المتحدثين. وهنا تظهر قضية مهمة قد تكون أقل وضوحًا من الجانب التقني: من يملك البيانات؟ وكيف ستُستخدم؟
الصوت ليس مجرد سلسلة من الكلمات. التسجيل الصوتي يمكن أن يرتبط بشخص محدد، وقد يكشف معلومات عن هويته أو بيئته أو محادثاته. لذلك فإن جمع التسجيلات لمجرد أن "النموذج يحتاج إلى بيانات" ليس كافيًا من الناحية الأخلاقية.
ما المبادئ التي ينبغي مراعاتها؟
- الموافقة الواضحة: يجب أن يعرف المشاركون لماذا يتم تسجيل أصواتهم وكيف يمكن استخدام البيانات.
- تحديد الغرض: ينبغي توضيح ما إذا كانت البيانات ستستخدم للبحث أو التدريب أو التقييم أو تطبيقات تجارية.
- تقليل البيانات: لا ينبغي جمع معلومات أكثر مما يحتاجه المشروع.
- حماية الهوية: يجب دراسة وسائل تقليل إمكانية ربط البيانات بأشخاص محددين عندما يكون ذلك مناسبًا.
- حقوق المجتمع: في بعض الحالات لا يتعلق الأمر بشخص واحد فقط، بل بمعلومات مرتبطة بمجتمع لغوي أو ثقافي بأكمله.
- سيادة البيانات: يجب التفكير في مكان تخزين البيانات ومن يستطيع الوصول إليها وما القوانين التي تحكم استخدامها.
وهذه ليست نقطة جانبية في المبادرة. مؤسسة غيتس تذكر صراحة أن الوصول الآمن يجب أن يسترشد بممارسات تحمي الخصوصية والموافقة وسيادة البيانات.
من يملك البيانات اللغوية؟
هذه من أكثر الأسئلة تعقيدًا في مشاريع الذكاء الاصطناعي متعددة اللغات. فإذا قامت مؤسسة أو شركة بتسجيل آلاف الساعات من المحادثات مع مجتمع لغوي، فإن مجرد الحصول على التسجيلات لا يعني تلقائيًا أن من جمعها يملك حق استخدامها لأي غرض.
هناك أيضًا فرق بين البيانات التي يمكن نشرها بحرية والبيانات التي تحتاج إلى تراخيص أو موافقات. وقد تكون بعض المواد التراثية أو التسجيلات أو الكتب خاضعة لحقوق ملكية فكرية.
لهذا السبب، فإن إنشاء بنية بيانات مفتوحة وآمنة يحتاج إلى قواعد واضحة حول التراخيص، والوصول، وإعادة الاستخدام، وحذف البيانات، وحقوق الأشخاص والمجتمعات المشاركة.
ما هي المحاور الأربعة التي أعلنتها المبادرة؟
وفق الإعلان الرسمي، تركز المبادرة على أربعة اتجاهات مترابطة بدل الاكتفاء ببناء نموذج جديد واحد.
الهدف هو تطوير بنية بيانات لغوية مشتركة وآمنة يمكن للمطورين الاستفادة منها وفق تراخيص مناسبة، مع التركيز على جودة البيانات ومسؤولية استخدامها.
تحتاج اللغات منخفضة الموارد إلى اختبارات ومعايير خاصة تقيس ما إذا كانت النماذج تفهم اللغة وتتعامل معها بشكل مفيد، بدل الاعتماد فقط على نتائج اللغات الكبرى.
البيانات وحدها لا تكفي. المطلوب تحويلها إلى نماذج وتطبيقات يمكن للمطورين والمؤسسات استخدامها في الواقع.
يشمل ذلك الخصوصية والموافقة وسيادة البيانات، إضافة إلى مراعاة البنية التحتية والاتصال والأجهزة اللازمة حتى تصل الخدمات إلى المستخدم النهائي.
هل يكفي تحسين النماذج للوصول إلى 3.4 مليار شخص؟
ليس بالضرورة. الرقم المعلن يمثل هدفًا واسعًا، وتحقيقه يتطلب أكثر من تحسين قدرة نموذج لغوي على ترجمة النصوص. هناك عوامل أخرى مثل الاتصال بالإنترنت، توفر الكهرباء، تكلفة الأجهزة، توفر التطبيقات، التدريب الرقمي، وتوافر خدمات يمكن استخدامها فعليًا في المجتمعات المستهدفة.
وهذا يعني أن نجاح المبادرة لا ينبغي قياسه بعدد اللغات التي أصبحت موجودة في قائمة نموذج معين فقط. المؤشر الأكثر فائدة سيكون: هل يستطيع المستخدم بالفعل إنجاز مهمة مفيدة بلغته؟
هل يفهم النظام اللغة والنحو والمفردات واللهجات بدرجة مناسبة؟
هل يستطيع المستخدم إنجاز مهمة حقيقية، مثل الحصول على معلومة تعليمية أو زراعية؟
هل يقلل النظام من الأخطاء الخطيرة وسوء الترجمة والمعلومات المضللة؟
هل الخدمة متاحة من حيث التكلفة والاتصال والأجهزة للمستخدم المستهدف؟
ماذا قد يتغير بالنسبة للغة العربية واللهجات المحلية؟
اللغة العربية ليست لغة منخفضة الموارد بالمعنى نفسه الذي ينطبق على كثير من اللغات الصغيرة، فهي تمتلك كمية ضخمة من المحتوى الرقمي. لكن وجود المحتوى العربي لا يعني أن جميع أشكال العربية ممثلة بالدرجة نفسها.
هناك فرق بين العربية الفصحى، والعربية المكتوبة في وسائل التواصل، واللهجات المحلية المختلفة، واللغة المستخدمة في المحادثات اليومية. كما أن البيانات الصوتية يمكن أن تكون أكثر تحديًا بسبب تنوع اللهجات والنطق.
لذلك فإن التطور في تقنيات الصوت واللغة يمكن أن تكون له أهمية خاصة في تطبيقات تعتمد على الكلام الطبيعي، خصوصًا عندما يحتاج المستخدم إلى التحدث بدل الكتابة.
ما التحديات التي يمكن أن تواجه المبادرة؟
التحدي الأول: جودة البيانات
زيادة حجم البيانات ليست الحل الوحيد. آلاف الساعات من التسجيلات ذات الجودة الضعيفة قد تكون أقل فائدة من مجموعة بيانات أصغر ولكنها موثقة ومنظمة ومراجعة جيدًا.
التحدي الثاني: تمثيل اللهجات
حتى اللغة الواحدة قد تحتوي على اختلافات كبيرة في النطق والمفردات. وإذا كانت البيانات تأتي من منطقة واحدة فقط، فقد لا يمثل النموذج بقية المتحدثين.
التحدي الثالث: التقييم
يجب تطوير اختبارات مستقلة لمعرفة مستوى أداء النموذج. ومن دون تقييم جيد قد يكون من الصعب معرفة ما إذا كان التحسن حقيقيًا أم ناتجًا عن حفظ البيانات أو عن اختبارات سهلة.
التحدي الرابع: الاستمرارية
بناء مجموعة بيانات أو نموذج مرة واحدة لا يحل المشكلة إلى الأبد. اللغات تتطور، والمصطلحات تتغير، والتطبيقات تحتاج إلى تحديث مستمر.
التحدي الخامس: الانتقال من البحث إلى الاستخدام
قد ينجح مشروع بحثي في تحسين نموذج معين، لكن ذلك لا يعني تلقائيًا أن المستخدم النهائي سيحصل على تطبيق مجاني وسريع وموثوق. هناك فجوة بين البحث والتطبيق تحتاج إلى تمويل وبنية تحتية وشركاء محليين.
لماذا يعد وجود شركاء محليين مهمًا؟
من الصعب تطوير نظام لغوي جيد من الخارج فقط. الباحثون المحليون والمتحدثون الأصليون يعرفون تفاصيل قد لا تظهر في البيانات العامة، مثل الاستخدامات المختلفة للكلمات، الاختلافات اللهجية، المصطلحات الحساسة، والسياق الثقافي.
ولهذا فإن مشاركة الجامعات والمنظمات والمجتمعات المحلية يمكن أن تحسن جودة البيانات والتقييم، وفي الوقت نفسه تساعد على منع بناء أنظمة لا تعكس الطريقة الحقيقية التي يستخدم بها الناس لغتهم.
هل يعني الإعلان أن جميع اللغات ستصبح مدعومة قريبًا؟
لا. الإعلان يحدد هدفًا طموحًا للعمل خلال خمس سنوات، لكنه لا يعني أن جميع اللغات أصبحت مدعومة بالفعل أو أن مستوى الأداء سيكون متساويًا بينها.
كما أن المؤسسة أوضحت أن المشاركين سيقدمون مساهمات مختلفة حسب قدراتهم وخبراتهم، وأن تفاصيل الحوكمة والتنظيم ومسارات العمل ستتطور بصورة تعاونية. لذلك من الأفضل التعامل مع الإعلان باعتباره بداية جهد منسق وليس إعلانًا عن اكتمال الحل.
أسئلة شائعة حول تحالف مؤسسة غيتس والذكاء الاصطناعي متعدد اللغات
هو التزام مشترك بين جهات من قطاعات مختلفة يهدف إلى تحسين وصول الذكاء الاصطناعي إلى اللغات التي لا تحظى بتمثيل كافٍ في النماذج الحالية، مع هدف معلن يمتد لخمس سنوات.
لا. الرقم الرسمي هو 60 جهة موقعة في المرحلة الأولى، وتشمل القائمة شركات تقنية ومؤسسات بحثية وحكومات ومنظمات مجتمع مدني ومؤسسات خيرية وغيرها.
لا. هذا الرقم يمثل تقديرًا لعدد الأشخاص الذين تستهدف المبادرة تمكينهم من استخدام أدوات الذكاء الاصطناعي بلغاتهم وأصواتهم خلال السنوات الخمس المقبلة.
هي لغة تفتقر نسبيًا إلى الموارد الرقمية اللازمة لبناء واختبار أنظمة ذكاء اصطناعي قوية، مثل النصوص الرقمية، التسجيلات الصوتية، الترجمات، القواميس ومجموعات الاختبار.
ليس بالضرورة. قد تكون اللغة واسعة الانتشار بين سكان منطقة أو دولة، لكنها تظل منخفضة الموارد من الناحية الرقمية إذا كانت بياناتها المتاحة للتدريب والتقييم محدودة.
لأن تطبيقات الذكاء الاصطناعي الصوتية تحتاج إلى بيانات تساعدها على التعرف على الكلام وفهمه وإنتاج صوت مناسب باللغة المستهدفة.
لا. الجودة، والتنوع، والموافقة، والترخيص، والخصوصية، والتوثيق، والتقييم كلها عوامل مهمة إلى جانب حجم البيانات.
يمكن تطوير تطبيقات تساعد في الوصول إلى المعلومات الصحية أو ترجمتها أو تبسيطها، لكن التطبيقات الصحية تحتاج إلى معايير سلامة ومراجعة مناسبة، ولا ينبغي اعتبار النموذج اللغوي بديلًا عن المختصين.
نعم، من التطبيقات المحتملة تقديم معلومات زراعية أو إرشادات صوتية باللغة التي يستخدمها المزارع، مع ضرورة التأكد من أن المعلومات نفسها مناسبة للمنطقة والمحصول والظروف المحلية.
من أهم القضايا الحصول على موافقة واضحة، حماية الخصوصية، تحديد كيفية استخدام البيانات، واحترام حقوق الأفراد والمجتمعات وسيادتهم على بياناتهم.
الخلاصة: ما الذي يمكن اعتباره إنجازًا وما الذي لا يزال وعدًا؟
الإعلان عن 60 جهة موقعة يمثل محاولة لتنسيق جهود متفرقة حول مشكلة واضحة في الذكاء الاصطناعي: عدم استفادة جميع اللغات من التطور التقني بالدرجة نفسها. لكن من المهم عدم الخلط بين الإعلان عن الالتزام وبين اكتمال الحل.
ما تم الإعلان عنه هو هدف مشترك لخمس سنوات، مع أربعة محاور رئيسية تشمل البيانات اللغوية، والتقييم، وتحويل البيانات إلى أدوات، والوصول المسؤول. أما النتائج الفعلية، مثل عدد اللغات التي ستتحسن، ومستوى الدقة الذي سيصل إليه كل نموذج، وعدد التطبيقات التي ستصل إلى المستخدمين، فلا يمكن اعتبارها محسومة في وقت الإعلان.
والاختبار الحقيقي لهذه المبادرة سيكون في قدرتها على الانتقال من البيانات والتعهدات إلى استخدام فعلي. فإذا تمكن المستخدم من التحدث إلى نظام ذكي بلغته، والحصول على ترجمة مفهومة، أو مادة تعليمية مناسبة، أو معلومة زراعية مفيدة، مع احترام خصوصيته وحقوق مجتمعه، فسيكون ذلك مؤشرًا أكثر أهمية من مجرد إضافة لغة جديدة إلى قائمة النماذج.
ومن هذه الزاوية، فإن مستقبل الذكاء الاصطناعي متعدد اللغات لا يعتمد على الشركات التقنية وحدها. نجاحه يحتاج أيضًا إلى الباحثين، والجامعات، والحكومات، والمنظمات المحلية، والمتحدثين أنفسهم، لأن جودة النظام النهائي ترتبط بجودة البيانات والسياق والخبرة البشرية التي تقف وراءه.
المصادر والمراجع الموثوقة
- Gates Foundation – الإعلان الرسمي، 21 سبتمبر 2026: المصدر الأساسي للرقم 60، والهدف المعلن المتمثل في الوصول إلى نحو 3.4 مليار شخص، ومحاور العمل الأربعة.
- Gates Foundation – Ensuring AI speaks everyone's language: يوضح مفهوم اللغات منخفضة الموارد، وأهمية البيانات والاختبارات والممارسات المتعلقة بالخصوصية والموافقة وسيادة البيانات.
- Associated Press (AP) – 21 سبتمبر 2026: تغطية مستقلة للإعلان وتأكيد أن المجموعة الأولية تضم 60 جهة من قطاعات مختلفة، وليس 60 شركة تقنية فقط.
- Microsoft AI for Good – AI for Low-Resource Languages: معلومات حول نقص البيانات الرقمية والاختبارات الخاصة باللغات منخفضة الموارد، ومشروعات دعم اللغات الأقل تمثيلًا في أنظمة الذكاء الاصطناعي.
- UNICEF Innovation – AI in Play: أمثلة على أهمية بناء أدوات ذكاء اصطناعي للغات المحلية في مجالات التعليم والصحة في غرب إفريقيا.
- ACL Anthology – AfricaNLP 2026: أبحاث أكاديمية حول بعض التحديات التقنية التي تواجه النماذج متعددة اللغات، ومنها مشكلات تقسيم النص إلى وحدات لغوية وتأثيرها في أداء النماذج.
تنبيه تحريري: تم التفريق في هذا المقال بين ما أعلنته الجهات المشاركة رسميًا، وبين التحليل التقني والنتائج المحتملة. الأرقام المتعلقة بالهدف المستقبلي لا تعني أن هذه النتائج تحققت بالفعل.
