مقارنة أداء ChatGPT وQwen وDeepSeek في مهام الذكاء الاصطناعي في العالم الحقيقي

أي نموذج من نماذج الذكاء الاصطناعي يتفوق في دقة والميكانيكا والخوارزميات البرمجة ؟ أي نموذج يوفر دقة في العالم الحقيقي؟ كانت شركات التكنولوجيا العملاقة الغنية في الولايات المتحدة تهيمن ذات يوم على سوق الذكاء الاصطناعي، لكن إطلاق DeepSeek أحدث ضجة كبيرة في الصناعة، وأثار ضجة هائلة. ومع ذلك، وكأن هذا لم يكن كافيًا، ظهر Qwen 2.5 - متجاوزًا DeepSeek في مجالات متعددة. مثل نماذج التفكير الأخرى مثل DeepSeek-R1 وOpenAI's O1، يعمل Qwen 2.5-Max بطريقة تخفي عملية التفكير الخاصة به، مما يجعل من الصعب تتبع منطق اتخاذ القرار. تضع هذه المقالة ChatGPT وQwen وDeepSeek تحت الاختبار من خلال سلسلة من التحديات الرئيسية التي تتراوح من إلى . سواء كنت ، ، أو ، فسأحاول اليوم الكشف عن النموذج الذي يعد الخيار الأكثر ذكاءً لاحتياجاتك (وميزانيتك) حل مشكلات حساب التفاضل والتكامل تصحيح أخطاء التعليمات البرمجية مطورًا يبحث عن مساعد ترميز الذكاء الاصطناعي المثالي أو باحثًا يتناول ميكانيكا الكم محترفًا في مجال الأعمال التحليل المقارن لقدرات نموذج الذكاء الاصطناعي:- 1. شات جي بي تي لا يزال ChatGPT، الذي طورته OpenAI، قوة مهيمنة في مجال الذكاء الاصطناعي، حيث تم بناؤه على وتم ضبطه باستخدام . إنه خيار موثوق به لمجموعة من المهام، من الكتابة الإبداعية إلى الوثائق الفنية، مما يجعله الخيار الأول لمنشئي المحتوى والمعلمين والشركات الناشئة ومع ذلك، فهو ليس مثاليًا. عندما يتعلق الأمر بالمجالات المتخصصة، مثل الرياضيات المتقدمة أو المجالات القانونية المتخصصة، فقد يواجه صعوبات. علاوة على ذلك، فإن تكاليف البنية التحتية العالية تجعل من الصعب على الشركات الصغيرة أو المطورين الأفراد الوصول إليه بسهولة بنية GPT-5 القوية التعلم التعزيزي من ردود الفعل البشرية (RLHF) يعد ChatGPT، الذي تم إنشاؤه باستثمار ضخم تجاوز 3 مليارات دولار، نموذجًا ضخمًا للبنية التحتية، في حين حقق DeepSeek أداءً مشابهًا بمبلغ 5.6 مليون دولار فقط - لحظة صينية كلاسيكية، أليس كذلك؟ 2. ديب سيك من العدم، ظهرت شركة DeepSeek كحصان أسود في سباق الذكاء الاصطناعي، حيث تنافست مع شركات عملاقة راسخة من خلال تركيزها على الدقة والكفاءة الحسابية. على عكس منافسيها، فهي مصممة للمهام العلمية والرياضية ويتم تدريبها على مجموعات البيانات العليا مثل a، مما يساعدها على الأداء الجيد في مجالات مثل التحسين . تكمن قوة DeepSeek الحقيقية في مدى رخصها (لا أقصد التورية الصينية 😤). في حين تتطلب نماذج مثل ChatGPT وQwen موارد هائلة، فإن Deepseek تؤدي المهمة بتكلفة أقل بكثير. لذا نعم، لست بحاجة إلى الحصول على 1000 دولار مقابل اشتراك ChatGPT arXiv وWolfram Alph ومحاكاة الفيزياء والمشكلات الرياضية المعقدة تبدو طريقة الاستجابة التي يتبناها DeepSeek آلية بعض الشيء، ولا تتكيف بشكل جيد مع المهام التي لا تتطلب مهارات تقنية كبيرة. إنها رائعة لمجالات محددة مثل الرياضيات والبحث، ولكنها ليست مناسبة للمحادثات غير الرسمية أو الإبداعية 3. كوين بعد Deepseek، من كان ليتصور أن الذكاء الاصطناعي الصيني سيظهر ويبدأ في السيطرة على العالم؟ خطوة صينية كلاسيكية - انشر شيئًا وهذه المرة الذكاء الاصطناعي تهيمن Qwen على لعبة الأعمال بإعداداتها المتعددة اللغات، وتتفوق في أماكن مثل آسيا، وخاصةً في الماندرين والعربية. إنها الخيار الأمثل للمهام القانونية والمالية، وهي ليست نموذجًا منطقيًا مثل DeepSeek R1، مما يعني أنه لا يمكنك رؤية عملية التفكير الخاصة بها. ولكن تمامًا مثل DeepSeek، فهي تتمتع بأجواء روبوتية، مما يجعلها أقل متعة للعمل غير الرسمي أو الإبداعي. إذا كنت تريد شيئًا أكثر مرونة، فقد لا تكون Qwen هي الخيار الأفضل يمكنك أن تفكر في الأمر على أنه فريق من المتخصصين: إذا طرحت سؤالاً معقدًا حول الفيزياء، فإن الخبراء في الفيزياء فقط هم من يجيبون، بينما يظل باقي الفريق غير نشط. وقت الاختبار: مقارنة الذكاء الاصطناعي الثلاثة بالقضايا الواقعية لضمان العدالة ومن خلال التقييم، دعونا نلقي بعض التحديات الأكثر إثارة للاهتمام مثل مشاكل الرياضيات الصعبة، وأشياء الفيزياء الغريبة، ومهام الترميز، والأسئلة الصعبة في العالم الحقيقي — — — — — — — — — — — — 1. الفيزياء: مشكلة الكرة الدوارة للبدء، دعنا نتعمق في مشكلة "الكرة الدوارة في الصندوق" الكلاسيكية، والتي أصبحت معيارًا شائعًا لاختبار مدى قدرة نماذج الذكاء الاصطناعي المختلفة على التعامل مع المهام المعقدة : محاكاة كرة ترتد داخل صندوق دوار مع مراعاة قوانين الفيزياء التحدي تخيل شكلًا ثنائي الأبعاد يدور في الفضاء. في الداخل، ترتد الكرة عن الجدران، وتبقى ضمن الحدود ولا تتأثر بقوة خارجية. ، لكن مراعاة الجاذبية والدوران المستمر وديناميكيات الاصطدام الدقيقة تجعله محاكاة صعبة. سوف تتفاجأ بمدى اختلاف تعامل نماذج الذكاء الاصطناعي مع الأمر للوهلة الأولى، قد يبدو الأمر بسيطًا اِسْتَدْعَى:- Write a Python script that simulates a yellow ball bouncing inside a rotating square. The ball should bounce realistically off the square's edges, with the square rotating slowly over time The ball must stay within the square's boundaries as the box rotates. Box Rotation: The box should rotate continuously. Ball Physics: The ball reacts to gravity and bounces off the box's walls. Ball Inside Boundaries: Make sure the ball doesn't escape the box's boundaries, even as the box rotates. Realistic Physics: Include proper collision detection and smooth animation Use Python 3.x with Pygame or any similar library for rendering نتائج: 1. مخرجات ChatGPT: سريعة ولكنها معيبة مع Chatgpt كانت توقعاتي عالية. ولكن ماذا عن النتائج؟ دعنا نقول فقط إنها كانت... مخيبة للآمال. فبينما استغرق DeepSeek وقته في الدقة، أخرج ChatGPT على الفور نصًا نظيفًا. لم ترتد الكرة بشكل واقعي. بل كانت ، وأحيانًا تتعثر في الزوايا أو تخترق الجدران. تتعطل حول حواف الصندوق ومن الواضح أن ChatGPT يفضل السرعة على العمق، ويقدم حلاً فعالاً - ولكن فقط بالمعنى الأساسي كود Chatgpt: import pygame import math # Initialize Pygame pygame.init() # Constants WIDTH, HEIGHT = 600, 600 FPS = 60 GRAVITY = 0.2 BOUNCE_DAMPING = 0.8 ROTATION_SPEED = 0.5 # Degrees per frame BALL_RADIUS = 10 # Colors YELLOW = (255, 255, 0) WHITE = (255, 255, 255) BLACK = (0, 0, 0) # Screen setup screen = pygame.display.set_mode((WIDTH, HEIGHT)) clock = pygame.time.Clock() # Square properties square_center = (WIDTH // 2, HEIGHT // 2) square_size = 300 angle = 0 # Ball properties ball_pos = [WIDTH // 2, HEIGHT // 2 - 50] ball_velocity = [2, 0] # Function to rotate a point around a center def rotate_point(point, center, angle): x, y = point cx, cy = center radians = math.radians(angle) cos_a, sin_a = math.cos(radians), math.sin(radians) new_x = cos_a * (x - cx) - sin_a * (y - cy) + cx new_y = sin_a * (x - cx) + cos_a * (y - cy) + cy return new_x, new_y # Main loop running = True while running: screen.fill(BLACK) for event in pygame.event.get(): if event.type == pygame.QUIT: running = False # Apply gravity ball_velocity[1] += GRAVITY # Move ball ball_pos[0] += ball_velocity[0] ball_pos[1] += ball_velocity[1] # Compute rotated square corners half_size = square_size // 2 square_corners = [ (-half_size, -half_size), (half_size, -half_size), (half_size, half_size), (-half_size, half_size) ] rotated_corners = [rotate_point((square_center[0] + x, square_center[1] + y), square_center, angle) for x, y in square_corners] # Check for collisions for i in range(4): p1, p2 = rotated_corners[i], rotated_corners[(i + 1) % 4] dx, dy = p2[0] - p1[0], p2[1] - p1[1] length = math.hypot(dx, dy) normal = (-dy / length, dx / length) # Perpendicular normal # Distance from ball to edge projection = (ball_pos[0] - p1[0]) * normal[0] + (ball_pos[1] - p1[1]) * normal[1] if projection < BALL_RADIUS: # Ball is colliding with edge # Reflect velocity dot = ball_velocity[0] * normal[0] + ball_velocity[1] * normal[1] ball_velocity[0] -= 2 * dot * normal[0] ball_velocity[1] -= 2 * dot * normal[1] # Apply bounce damping ball_velocity[0] *= BOUNCE_DAMPING ball_velocity[1] *= BOUNCE_DAMPING # Move ball out of collision ball_pos[0] += normal[0] * (BALL_RADIUS - projection) ball_pos[1] += normal[1] * (BALL_RADIUS - projection) # Rotate square angle += ROTATION_SPEED # Draw rotated square pygame.draw.polygon(screen, WHITE, rotated_corners, 2) # Draw ball pygame.draw.circle(screen, YELLOW, (int(ball_pos[0]), int(ball_pos[1])), BALL_RADIUS) # Update display pygame.display.flip() clock.tick(FPS) pygame.quit() الإخراج: 2. ديب سيك ؛ بل قام أيضًا بإنشاء تعاملت مع كل حالة حدية دون أخطاء لقد أذهلني حقًا مخرج DeepSeek. ففي حين كان ChatGPT سريعًا في إنشاء التعليمات البرمجية، استغرق DeepSeek 200 ثانية فقط للتفكير في المشكلة. لم يكتف DeepSeek بكتابة نص برمجي وظيفي محاكاة دقيقة للغاية ومُحسَّنة فيزيائيًا كود DeepSeek: import pygame import math # Initialize Pygame pygame.init() # Constants WIDTH, HEIGHT = 600, 600 SQUARE_SIZE = 400 SQUARE_HALF = SQUARE_SIZE // 2 BALL_RADIUS = 10 GRAVITY = 0.5 RESTITUTION = 0.8 ANGULAR_VELOCITY = 1 # Degrees per frame # Setup display screen = pygame.display.set_mode((WIDTH, HEIGHT)) pygame.display.set_caption("Bouncing Ball in Rotating Square") clock = pygame.time.Clock() # Initialize variables square_center = (WIDTH//2, HEIGHT//2) angle = 0 ball_pos = [WIDTH//2, HEIGHT//2] ball_vel = [0, 0] def rotate_point(point, center, angle): """Rotate a point around a center by given angle (degrees)""" theta = math.radians(-angle) ox, oy = center px, py = point qx = ox + math.cos(theta) * (px - ox) - math.sin(theta) * (py - oy) qy = oy + math.sin(theta) * (px - ox) + math.cos(theta) * (py - oy) return qx, qy running = True while running: dt = clock.tick(60) / 1000 # Delta time in seconds # Event handling for event in pygame.event.get(): if event.type == pygame.QUIT: running = False # Update square rotation angle = (angle + ANGULAR_VELOCITY) % 360 # Apply physics ball_vel[1] += GRAVITY ball_pos[0] += ball_vel[0] * dt ball_pos[1] += ball_vel[1] * dt # Collision detection and response # Convert ball position to square's local coordinate system translated = (ball_pos[0] - square_center[0], ball_pos[1] - square_center[1]) rotated = rotate_point((translated[0], translated[1]), (0, 0), -angle) collision = False new_local_x, new_local_y = rotated[0], rotated[1] # Check boundaries in local coordinates if rotated[0] SQUARE_HALF - BALL_RADIUS: new_local_x = SQUARE_HALF - BALL_RADIUS collision = True if rotated[1] SQUARE_HALF - BALL_RADIUS: new_local_y = SQUARE_HALF - BALL_RADIUS collision = True if collision: # Convert corrected position back to global coordinates corrected = rotate_point((new_local_x, new_local_y), (0, 0), angle) ball_pos[0] = corrected[0] + square_center[0] ball_pos[1] = corrected[1] + square_center[1] # Calculate reflection in local coordinates local_vel = rotate_point(ball_vel, (0, 0), -angle) if new_local_x != rotated[0]: # X-axis collision local_vel = (-local_vel[0] * RESTITUTION, local_vel[1]) if new_local_y != rotated[1]: # Y-axis collision local_vel = (local_vel[0], -local_vel[1] * RESTITUTION) # Convert velocity back to global coordinates global_vel = rotate_point(local_vel, (0, 0), angle) ball_vel[0], ball_vel[1] = global_vel[0], global_vel[1] # Drawing screen.fill((0, 0, 0)) # Draw rotating square square = pygame.Surface((SQUARE_SIZE, SQUARE_SIZE), pygame.SRCALPHA) pygame.draw.rect(square, (255, 0, 0), (0, 0, SQUARE_SIZE, SQUARE_SIZE), 2) rotated_square = pygame.transform.rotate(square, angle) screen.blit(rotated_square, rotated_square.get_rect(center=square_center)) # Draw ball pygame.draw.circle(screen, (255, 255, 0), (int(ball_pos[0]), int(ball_pos[1])), BALL_RADIUS) pygame.display.flip() pygame.quit() الإخراج: 3. مخرجات كوين: محاولة مخيبة للآمال إذا كان ناتج ChatGPT مخيبا للآمال، . ونظرا لسمعة Qwen القوية في التعامل مع المهام المعقدة، فقد كانت لدي توقعات عالية حقا لأدائها. ولكن عندما قمت بتشغيل الكود الخاص به لمحاكاة الكرة الدوارة، كانت النتائج . ومثله كمثل ChatGPT، فإن Qwen يولد الكود على الفور تقريبا - دون تفكير عميق. فإن ناتج Qwen كان مخيبا للآمال تماما بعيدة كل البعد عما كنت أتوقعه طوال معظم المحاكاة، مما يخالف قوانين الفيزياء تمامًا ، لذا كان جزء منه فقط مرئيًا على القماش. كانت الكرة خارج الصندوق . كان الصندوق نفسه خارج الإطار بنصفه كود كوين import pygame import math # Initialize Pygame pygame.init() # Screen dimensions WIDTH, HEIGHT = 600, 600 screen = pygame.display.set_mode((WIDTH, HEIGHT)) pygame.display.set_caption("Bouncing Ball in Rotating Square") # Colors YELLOW = (255, 255, 0) WHITE = (255, 255, 255) BLACK = (0, 0, 0) # Clock for controlling frame rate clock = pygame.time.Clock() FPS = 60 # Box properties box_size = 300 box_center = (WIDTH // 2, HEIGHT // 2) angle = 0 # Initial rotation angle rotation_speed = 1 # Degrees per frame # Ball properties ball_radius = 10 ball_pos = [box_center[0], box_center[1] - box_size // 4] # Start near the top center of the box ball_velocity = [4, 0] # Initial velocity (x, y) gravity = 0.2 # Gravity effect # Function to rotate a point around another point def rotate_point(point, angle, origin): ox, oy = origin px, py = point qx = ox + math.cos(math.radians(angle)) * (px - ox) - math.sin(math.radians(angle)) * (py - oy) qy = oy + math.sin(math.radians(angle)) * (px - ox) + math.cos(math.radians(angle)) * (py - oy) return qx, qy # Main game loop running = True while running: screen.fill(BLACK) # Handle events for event in pygame.event.get(): if event.type == pygame.QUIT: running = False # Update ball physics ball_velocity[1] += gravity # Apply gravity ball_pos[0] += ball_velocity[0] ball_pos[1] += ball_velocity[1] # Rotate the box angle += rotation_speed if angle >= 360: angle -= 360 # Define the four corners of the square corners = [ (-box_size / 2, -box_size / 2), (box_size / 2, -box_size / 2), (box_size / 2, box_size / 2), (-box_size / 2, box_size / 2) ] # Rotate the corners around the center rotated_corners = [rotate_point(corner, angle, box_center) for corner in corners] # Check collision with the edges of the box collided = False for i in range(4): p1 = rotated_corners[i] p2 = rotated_corners[(i + 1) % 4] # Line segment between p1 and p2 x1, y1 = p1 x2, y2 = p2 # Closest point on the line to the ball dx = x2 - x1 dy = y2 - y1 t = max(0, min(1, ((ball_pos[0] - x1) * dx + (ball_pos[1] - y1) * dy) / (dx * dx + dy * dy))) closest_x = x1 + t * dx closest_y = y1 + t * dy # Distance between ball and closest point distance_sq = (closest_x - ball_pos[0]) ** 2 + (closest_y - ball_pos[1]) ** 2 if distance_sq <= ball_radius ** 2: # Collision detected collided = True # Normal vector of the edge edge_length = math.hypot(dx, dy) nx = -dy / edge_length ny = dx / edge_length # Reflect the velocity vector dot_product = ball_velocity[0] * nx + ball_velocity[1] * ny ball_velocity[0] -= 2 * dot_product * nx ball_velocity[1] -= 2 * dot_product * ny # Ensure the ball stays inside the box if not collided: # Clamp the ball position within the box ball_pos[0] = max(box_center[0] - box_size / 2 + ball_radius, min(ball_pos[0], box_center[0] + box_size / 2 - ball_radius)) ball_pos[1] = max(box_center[1] - box_size / 2 + ball_radius, min(ball_pos[1], box_center[1] + box_size / 2 - ball_radius)) # Draw the rotating square pygame.draw.polygon(screen, WHITE, rotated_corners, 2) # Draw the ball pygame.draw.circle(screen, YELLOW, (int(ball_pos[0]), int(ball_pos[1])), ball_radius) # Update the display pygame.display.flip() # Cap the frame rate clock.tick(FPS) # Quit Pygame pygame.quit() 2. مقارنة استجابات ChatGPT وQwen وDeepSeek لألغاز المطاردة الكلاسيكية عندما يتعلق الأمر بحل المشكلات في العالم الحقيقي، فليست كل نماذج الذكاء الاصطناعي متساوية. لاختبار قدراتها، قدمت مشكلة متابعة كلاسيكية: "سرقت قطعة أثرية ثمينة. بدأ صاحبها في مطاردته بعد أن فر اللص مسافة 45 كيلومترًا. وبعد قطع مسافة 160 كيلومترًا، اكتشف صاحبها أن اللص بقي على بعد 18 كيلومترًا. فكم كيلومترًا إضافيًا يجب أن يقطعها صاحبها للقبض على اللص؟" 1. استجابة ChatGPT استغرقت أداة ChatGPT للوصول إلى الإجابة الصحيحة. في البداية، أساءت تفسير المشكلة ولكنها صححتها في النهاية، وأظهرت استمرارية رغم افتقارها إلى الكفاءة في محاولاتها الأولى ثلاث محاولات 2. استجابة DeepSeek أجاب DeepSeek أيضًا بشكل صحيح في ، لكنه استغرق وقتًا أطول قليلاً من Qwen. فقد قدم حلًا مفصلاً خطوة بخطوة مع منطق واضح، مما يثبت قوته في والدقة المحاولة الأولى التفكير العميق 2. رد كوين أجاب Qwen بشكل صحيح في من DeepSeek. لقد قدم حلاً موجزًا ودقيقًا دون خطوات غير ضرورية، مما أظهر سرعة ودقة في حل المشكلات. المحاولة الأولى وأسرع خاتمة في حين أجابت الذكاء الاصطناعي الثلاثة بشكل صحيح في النهاية، تميزت بسرعتها وكفاءتها، بينما أظهرت نهجها المنهجي. تطلبت محاولات متعددة Qwen DeepSeek ChatGPT إضفاء الطابع الإنساني على محتوى الذكاء الاصطناعي: الجانب الإنساني للذكاء الاصطناعي في حين يتم الاحتفال غالبًا بالسرعة والكفاءة في الذكاء الاصطناعي، فإن العامل الحقيقي الذي يغير قواعد اللعبة هو - القدرة على فهم وتفسير والاستجابة للعواطف البشرية. في حين تتفوق نماذج الذكاء الاصطناعي مثل DeepSeek في الدقة والمنطق، وتتألق ChatGPT في الإبداع. دعنا نختبرها الذكاء العاطفي — — — — — — — — موجه: Write a messy emotional love letter — — — — — — — — دردشة: البحث العميق: كوين: من المثير للاهتمام أنه عند اختبار ، كافحت النماذج الثلاثة - ChatGPT وDeepSeek وQwen - للتحرر من أنماطها التي تم إنشاؤها بواسطة الذكاء الاصطناعي. على أي حال، كانت لدي توقعات عالية مع Chatgpt الأصالة الشبيهة بالإنسان ملاحظة: بدأت النماذج الثلاثة استجاباتها بنفس السطر الآلي: "لا أعرف حتى من أين أبدأ" . لكن Qwen فاز! النقاط الرئيسية: *: الخيار الأمثل والتفكير ، ويتفوق على الآخرين في الدقة والعمق.* DeepSeek للبحث النقدي * : نجح في حل اللغز الكلاسيكي مع DeepSeek في المحاولة الأولى وفاز في ، مما يجعله قويًا في جميع المجالات.* Qwen المحتوى البشري *: استغرق الأمر عدة محاولات لحل اللغز ولكنه يظل الخيار الأفضل .* ChatGPT للمهام الإبداعية والتفاعلات البشرية الحكم النهائي: من الذي ينبغي له استخدام أي ذكاء اصطناعي؟ : DeepSeek الباحثون : DeepSeek المهندسون : ChatGPT أو Qwen الكتاب : كوين مع chatgpt المحامون : ChatGPT المعلمون : Qwen والتفكير العميق من Deepseek منشئو المحتوى خاتمة: أود أن أسمع رأيك في التعليقات وتصحيحه إذا كان مخطئًا. إذا وجدت هذه المقالة مفيدة، صفق وشارك وشارك بآرائك. لا تتردد في دعمي *** ***أو UPI: هنا jainhvj@fam أنا متحمس لمواصلة التعلم واستكشاف هذا المجال الواسع. أقدر ملاحظاتك وأتطلع إلى مناقشات مفيدة شكرًا لك!