2026-07-21

ما هو الذكاء الاصطناعي متعدّد الوسائط؟ (ولماذا نادرًا ما يعني نموذجًا واحدًا)

«متعدّد الوسائط» يعني أمرين مختلفين. النموذج الذي يقرأ أنواعًا كثيرة من المدخلات ليس هو الذي ينتجها، ولا يكاد أحدهما يجمع الاثنين.

ما هو الذكاء الاصطناعي متعدّد الوسائط؟ (ولماذا نادرًا ما يعني نموذجًا واحدًا)

تُستخدم كلمة «متعدّد الوسائط» للدلالة على أمرين مختلفين، والخلط بينهما يقود إلى خيبة أمل حقيقية.

المعنى الأول نموذج يستطيع قراءة أكثر من نوع واحد من المدخلات — نص، صور، صوت، فيديو. والثاني نظام يستطيع إنتاج أكثر من نوع واحد من المخرجات. ولا يكاد نموذج واحد يجمع الاثنين، والفجوة بين هاتين الحقيقتين تفسّر لماذا يعني بناء «تطبيق متعدّد الوسائط» عادةً توصيل عدة نماذج معًا.

آخر تحقّق من الأرقام: ٢٦ أغسطس ٢٠٢٦.

ما هي الوسيطة

الوسيطة نوع من البيانات: نص، صورة، صوت، فيديو. والنموذج متعدّد الوسائط حين يتعامل مع أكثر من نوع.

السؤال المفيد ليس أبدًا «هل هو متعدّد الوسائط» بل «أي وسائط، وفي أي اتجاه» — لأن القراءة والكتابة قدرتان مختلفتان تمامًا.

ما تقبله النماذج الكبيرة اليوم فعلًا

اقرأ عرضًا لا نزولًا. كل واحد من هذه لا يُخرج إلا نصًا.

عائلة النماذجتقرأتكتب
Gemini 2.5 / 3.xنص، صورة، ملف، صوت، فيديونص
Claude Opus 5 / Sonnet 5 / Haiku 4.5نص، صورة، ملفنص
عائلة GPT-5نص، صورة، ملفنص
DeepSeek V4 Proنصنص

أمران يقفزان إلى العين.

Gemini يقرأ الصوت والفيديو؛ وClaude وGPT لا. هذا أوضح فارق في القدرات بين العائلات الكبرى الآن، وليس حكمًا على الجودة — إنه قائمة بأنواع المدخلات المقبولة. فإن كان مدخلك اجتماعًا مسجّلًا أو مقطع فيديو، فهذا الفارق يحسم نموذجك قبل أي شيء آخر.

كل عائلة في ذلك الجدول تكتب نصًا ولا شيء غيره. يستطيع Gemini مشاهدة فيديو ووصفه. ولا يستطيع صنع واحد.

فمن يصنع الصور والفيديوهات إذن؟

نماذج مختلفة تمامًا. في كتالوج Atlas Cloud وحده، التوزيع هو:

النوعنماذج بسعر منشور
فيديو١٩٦
نص١٣٦
صورة١٢١
صوت٢٠

تكاد كل نماذج الصور والفيديو هذه تؤدي عملًا واحدًا: نص يدخل، ونوع واحد من الوسائط يخرج. لا تحاور، ولا تقرأ مستندات، وليست هي نماذج الجدول أعلاه.

هذا هو الشكل العملي للذكاء الاصطناعي متعدّد الوسائط في ٢٠٢٦: نموذج نصّي يقرأ عدة أنواع من المدخلات، مع مولّدات متخصّصة لكل نوع من المخرجات، يربط بينها كودك أنت. لا نموذج واحد يفعل كل شيء.

يمكنك رؤية التوزيع في فهرس النماذج — المحادثة والصورة والفيديو قوائم منفصلة لأنها عائلات نماذج منفصلة.

كم تكلّف المدخلات متعدّدة الوسائط فعلًا

قراءة الصور والمستندات ليست مجانية. تُحوَّل إلى توكنات مثل كل شيء آخر، وينشر Anthropic الأعداد:

فطلب فيه عشرون لقطة شاشة يكلّف نحو ٢٠٬٠٠٠ توكن إدخال قبل أن تبدأ مطالبتك. وعلى Claude Sonnet 5 بسعر ٢٫٠٠ دولار للمليون يصير ذلك أربعة سنتات للطلب — لا شيء مرةً واحدة، ومبلغ حقيقي عند خمسين ألف طلب شهريًا.

والفيديو أثقل بعد، وهذا جزء من سبب قلّة المزوّدين الذين يقبلونه.

أين تستحق تعدّدية الوسائط مكانها حقًا

وأين لا

كيف تختار

  1. اكتب الاتجاه. ما الذي يدخل وما الذي يخرج. قائمتان.
  2. اختر القارئ بحسب نوع المدخل. إن كان الصوت أو الفيديو في قائمة المدخلات، فعائلة Gemini هي الجواب حاليًا بين الكبار الثلاثة.
  3. اختر كل مولّد على حدة. نماذج الصورة والفيديو والصوت تُختار بمزاياها وأسعارها الخاصة.
  4. ضع المدخلات في الميزانية. ألف توكن للصورة، وألفان لملف PDF، مضروبة في حجم طلباتك الحقيقي.

الخلاصة المختصرة

استكشف المزيد على ElliSekiz

شاهد العائلات جنبًا إلى جنب. فهرس النماذج يفصل المحادثة والصورة والفيديو والصوت، كلٌّ بأسعاره الحالية.

قارن القرّاء بالسعر. أسعار التوكنات لكل نموذج نصّي على صفحة المقارنة، بالوحدة التي يحاسب بها كل مزوّد.

تريد صنع الصور والفيديو لا كتابة الكود؟ نماذج توليد الصور والفيديو والصوت المذكورة أعلاه متاحة أيضًا في Reelina AI، استوديو إبداعي للأفلام والريلز والقصص — رصيد واحد، بلا مفاتيح API.

المصادر

← كل المقالات