هلوسات الذكاء الاصطناعي

أظهرت الأبحاث أن نماذج اللغة قد تكرر المفاهيم الخاطئة الشائعة بدل تصحيحها بثبات. Evidence for this claim TruthfulQA found that language models can reproduce common human misconceptions and that larger models were not automatically more truthful on its benchmark. Scope: TruthfulQA's benchmark, model set, and 2021 results; not a current cross-model error rate. Confidence: high · Verified: 2026-07-14 Lin et al.: TruthfulQA وتسمّي NIST المحتوى الخاطئ أو المغلوط الذي يقدمه النموذج بثقة “confabulation.” (ترجمة) «اختلاقًا». Evidence for this claim NIST's Generative AI Profile identifies confabulation—the confident presentation of false or erroneous content—as a generative-AI risk. Scope: NIST risk-management terminology and guidance; not a product-specific incidence estimate. Confidence: high · Verified: 2026-07-14 NIST: Generative AI Profile

الخلاصة — تحدث هلوسة الذكاء الاصطناعي عندما يقول روبوت المحادثة شيئًا يبدو صحيحًا لكنه خاطئ — حقيقة مختلقة أو مصدرًا مزيفًا أو رابطًا إلى صفحة غير موجودة. في الإجابة غير المؤسسة يتنبأ النموذج بكلمات تبدو معقولة بدل فحص مصدر. يمكن أن يساعد التأسيس (إعطاء النموذج مصادر مسترجعة)، لكنه لا يحل المشكلة تمامًا. وعلى موقعك راقب أمرين: أن يوجّه الذكاء الاصطناعي الناس إلى عناوين URL لم تنشئها، وأن يعرض حقائق خاطئة عن علامتك.

ما هي هلوسة الذكاء الاصطناعي

تتنبأ استجابة نموذج اللغة غير المؤسسة بالاستمرارات المحتملة من الأنماط المتعلمة بدل التحقق من كل عبارة مقابل مصدر. وقد تضيف أدوات البحث والاسترجاع أدلة حديثة، لكنها لا تجعل التركيب محصنًا من الخطأ. وعندما تبدو عبارة مولدة واثقة لكنها كاذبة، تسمى عادةً هلوسة.

تخيل الأمر هكذا: النموذج بارع جدًا في كتابة نوع الجملة التي تأتي عادةً بعد ذلك، لكنه لا يتحقق من صدقها. وعندما لا «يعرف» شيئًا حقًا — تفصيلًا متخصصًا أو تغييرًا حديثًا أو علامة تجارية غامضة — يظل يكتب إجابة سلسة تبدو واثقة، لأن هذا ما دُرّب عليه.

يفضل بعض الباحثين كلمة confabulation (مستعارة من أبحاث الذاكرة، حيث يملأ الناس الفجوات بصدق بتفاصيل زائفة). وهي أدق لأن الذكاء الاصطناعي لا يكذب ولا يحاول خداعك؛ لقد ولّد فقط الاستمرارية الأكثر شبهًا بالمعقول، واتضح أن تلك الاستمرارية خاطئة.

النوعان اللذان يصيبان موقعك

1. عناوين URL مختلقة. يوصي الذكاء الاصطناعي بصفحة في موقعك غير موجودة؛ ينقر المستخدم ويصل إلى 404. يفعل المساعدون ذلك أكثر بكثير من Google. ووفق بيانات Ahrefs نفسها، ذهب 3,6% من الحركة القادمة من الذكاء الاصطناعي إلى صفحات غير موجودة في الموقع.
2. حقائق خاطئة عن علامتك. يخبر الذكاء الاصطناعي عميلًا محتملًا باسم المؤسس الخطأ، أو بسعر قديم، أو بمنتج أوقفته، أو بشيء قاله منافس عنك — ويعرض ذلك كحقيقة من دون عبارة «لست متأكدًا».

ما يمكنك فعله فعليًا

• أعد توجيه عناوين URL المختلقة. إذا ظل الذكاء الاصطناعي يرسل الناس إلى صفحة لم تنشئها، فأعد توجيه عنوان URL الزائف إلى أقرب صفحة حقيقية (عليك أولًا العثور عليها؛ راقب تحليلاتك بحثًا عن حركة إلى صفحات مفقودة).
• تحقق مما يقوله الذكاء الاصطناعي عنك. اسأل أدوات الذكاء الاصطناعي الكبرى الأسئلة التي يطرحها عملاؤك، وتحقق من صحة الإجابات. افعل ذلك بانتظام لأن الإجابات تتغير مع تحديث النماذج.
• انشر حقائق واضحة وصحيحة. كلما كانت معلوماتك العامة (صفحة «من نحن»، والبيانات المنظمة، والملفات التعريفية) أنظف وأكثر اتساقًا، كان أسهل على الذكاء الاصطناعي أن يستند إلى الحقيقة بدل التخمين.

أمر يفاجئ الناس: حظر زواحف الذكاء الاصطناعي لا يصلح الهلوسات عن علامتك. فإذا كان النموذج قد تعلم معلومة خاطئة عنك، فلن يؤدي منعه من إعادة الزحف إلى «تعليمه» العكس. المراقبة والحقائق العامة الواضحة أنفع من الحظر.

هل تريد معرفة الآلية — لماذا قد تهلوس النماذج الأكبر أكثر، وما الذي تظهره الأبحاث، وكيف يفشل التأسيس؟ انتقل إلى تبويب Advanced.

وجدت TruthfulQA أن زيادة الحجم وحدها لم تجعل النماذج المختبرة أكثر صدقًا في معيارها. Evidence for this claim TruthfulQA found that language models can reproduce common human misconceptions and that larger models were not automatically more truthful on its benchmark. Scope: TruthfulQA's benchmark, model set, and 2021 results; not a current cross-model error rate. Confidence: high · Verified: 2026-07-14 Lin et al.: TruthfulQA ويتعامل NIST مع الاختلاق بوصفه خطرًا ينبغي قياسه وإدارته، لا معدل خطأ ثابتًا خاصًا بمنتج. Evidence for this claim NIST's Generative AI Profile identifies confabulation—the confident presentation of false or erroneous content—as a generative-AI risk. Scope: NIST risk-management terminology and guidance; not a product-specific incidence estimate. Confidence: high · Verified: 2026-07-14 NIST: Generative AI Profile

الخلاصة — الهلوسة سمة من سمات التنبؤ بالرمز التالي، وليست عطلًا يمكن ترقيعه. تحسن النماذج الاستمراريات المعقولة لا الحقيقة، ولذلك تنتج عبارات خاطئة بثقة عندما تكون إشارة التدريب ضعيفة. يقلل التأسيس وRAG الهلوسة (بنسبة 73–86% في بعض المعايير)، لكنه لا يلغيها — فأفضل النماذج المؤسسة تفشل بنحو 10–15%، ووجدت TruthfulQA أن النماذج الأكبر قد تنتج أكاذيب أكثر إقناعًا. وفي SEO يمكن قياس الأثر: يرسل الذكاء الاصطناعي المستخدمين إلى صفحات مفقودة بنحو 2,87x أكثر من Google، وذهب 3,6% من حركة Ahrefs القادمة من الذكاء الاصطناعي إلى صفحات غير موجودة، وتتجاوز معدلات خطأ الاستشهاد 60% عبر محركات البحث بالذكاء الاصطناعي. الحلول عملية: أعد توجيه عناوين URL المختلقة، وراقب إجابات العلامة، وانشر محتوى واضح الكيان قابلًا للتحقق.

ما هي الهلوسة فعلًا

هلوسة الذكاء الاصطناعي مخرج يقال بثقة لكنه خاطئ واقعيًا أو مختلق أو غير مدعوم بأي مصدر. والمصطلح التقني الأدق هو confabulation — مستعار من علم النفس العصبي، حيث يعني إنتاج روايات زائفة بثقة حقيقية ومن دون نية للخداع. هذه الدقة مهمة: النموذج لا يكذب، إذ لا يملك مفهومًا للحقيقة يكذب بشأنه؛ إنه ينفذ المهمة التي دُرّب عليها — التنبؤ بالرمز التالي — وأحيانًا يكون الرمز الأرجح خاطئًا.

هذه أهم فكرة في الصفحة: الهلوسة ناتج جانبي جوهري لنمذجة اللغة التي تعطي الأولوية للمعقولية على الدقة الواقعية. إنها تظهر من عمل نماذج اللغة الكبيرة كما صُممت، لا من عطل تنفيذي. ولا تصلحها كما تصلح عطلًا؛ بل تقللها.

لماذا تحدث — الآلية

تُدرّب نماذج اللغة الكبيرة على هدف الرمز التالي: بالنظر إلى سلسلة، تتنبأ بالرمز التالي الأرجح. هذه مهمة إكمال لغة وليست مهمة استرجاع حقيقة. يحسن النموذج ما «يبدو أنه ينبغي أن يأتي» بعد النص، لا ما هو صحيح. وعندما تكون إشارة التدريب لحقيقة محددة ضعيفة — أحداث نادرة أو موضوعات متخصصة أو أي شيء تغير بعد حد المعرفة — يملأ النموذج الفجوة بلغة محتملة إحصائيًا. وإذا بدت السلسلة سؤالًا، ترجح الاحتمالات بقوة توليد إجابة «على هيئة جواب» بدل الاعتراف بعدم اليقين، سواء امتلك النموذج المعرفة فعلًا أم لا.

تقدم Ece Kamar من Microsoft Research الصيغة التجريبية للفكرة: تهلوس النماذج أكثر حول الحقائق الأقل شيوعًا في بيانات التدريب. ففي الذيل الطويل يعيش الاختلاق. وSKU غامض لمنتجك، أو تغيير اسم حديث، أو مؤسس غادر في الربع الماضي — هذه الحقائق الأقل تمثيلًا على الويب هي ما يرجح أن يخطئ فيه النموذج بثقة.

الأنواع التي يجب تمييزها

• هلوسة واقعية — الحقيقة المذكورة خاطئة ببساطة.
• هلوسة استشهاد/إسناد — يستشهد النموذج بمصدر لم يستخدمه، أو ينسب اقتباسًا إلى غير صاحبه، أو يختلق اسم كاتب أو عنوان URL؛ وهي نسخة SEO الأكثر قابلية للقياس مباشرةً.
• هلوسة كيان/علامة — أسماء أو تواريخ أو إحصاءات أو أسعار أو حقائق شركة خاطئة، مع عرضها بثقة.
• داخلية مقابل خارجية (تصنيف Ji وآخرين): المخرج الداخلي يناقض المصدر المقدم، أما المخرج الخارجي فلا يمكن التحقق منه من المصدر — لا يؤكده ولا يناقضه، بل هو إضافة مختلقة.

كيف تقرأ ادعاءات الهلوسة بصورة صحيحة

تُطمس خمسة تمييزات في معظم تغطية الهلوسة، ومنها المسودات السابقة لهذه الصفحة. وهي مهمة لأنها تغير معنى «الإصلاح» و«التأسيس» و«الاستشهاد» عند تقييم أداة أو ادعاء.

• سمِّ المرجع. «الهلوسة» ليست نمط فشل واحدًا؛ فقد تعني تناقضًا مع السياق المقدم، أو إضافة غير مدعومة لا يؤكدها السياق ولا ينفيها، أو خطأً واقعيًا في العالم — وهذه الأنواع الثلاثة ليست متبادلة (استطلاع Ji وآخرين هو تصنيف المصدر). وقد تفوّت أداة صُممت لالتقاط واحد منها النوعين الآخرين بهدوء.
• الواقعية ليست الأمانة. تختبر الواقعية الادعاء مقابل مرجع خارجي حقيقي: هل هو صحيح؟ أما الأمانة فتختبره مقابل الدليل الذي قدمته فعلًا: هل يدعمه ذلك الدليل؟ يمكن للإجابة أن تنجح في أحدهما وتفشل في الآخر، مثل تلخيص مصدر خاطئ بأمانة أو قول حقيقة لا يسندها الدليل المقدم. وتوجد طريقة الحقائق الذرية في FActScore لأن الدرجة الشاملة تخفي هذا الانقسام.
• وجود الاستشهاد ليس تأسيسًا. جودة الاستشهاد ثلاثة اختبارات منفصلة: هل يوجد الاستشهاد ويُفتح؟ هل يسند فعلًا الادعاء المحدد المجاور؟ وهل تغطي الإجابة كل ادعاء احتاج استشهادًا؟ وهذا هو تفكيك عمل Gao وآخرين في ALCE. قد تنجح حاشية ظاهرة قابلة للنقر في الاختبار الأول وتفشل في الاثنين الآخرين، وهو جوهر فجوة أخطاء الاستشهاد التي تتجاوز 60%.
• لفشل RAG مراحل مسماة، لا ملصقًا واحدًا. قد لا يكون الدليل في المجموعة أصلًا، أو يكون قد قُطع عند حد فصل الحقيقة، أو يكون موجودًا ولم يُسترجع، أو استُرجع لكن رتبته منخفضة فلم يصل إلى المولد، أو وصل وأسيء استخدامه (تصنيف أخطاء RAGTruth). عبارة «هلوس الذكاء الاصطناعي» تختزل خمسة أسباب جذرية وحلول مختلفة في كلمة واحدة.
• نسب المعايير لا تنتقل بين السياقات. كل معدل في هذه الصفحة — 73–86%، و~85–90%، و58% مقابل 94% — محصور في مهمة ومجموعة بيانات وسياسة مرجع وحَكَم ومجموعة مطالبات ومجموعة نصوص ونموذج وإصدار نموذج وتاريخ اختبار محددة. فلا تقتبس «النموذج X دقته Y%» خارج عقد التقييم الخاص بمعياره.

ماذا تظهر الأبحاث

• TruthfulQA (Lin وآخرون، 2021) أثبت مشكلة القياس العكسي. ففي 817 سؤالًا عدائيًا كان أكبر نموذج وقتها (GPT-3-175B) صادقًا بنسبة 58% فقط مقابل 94% كخط أساس بشري — والأهم أن “larger models produce more imitative falsehoods because they are better at learning the training distribution.” (ترجمة) «النماذج الأكبر تنتج أكاذيب محاكية أكثر لأنها أفضل في تعلم توزيع التدريب». الحجم الأكبر ليس أكثر أمانًا؛ فهو أقدر على إعادة إنتاج المفاهيم الخاطئة الشائعة في نصوص الويب، فيكون خطؤه أكثر ثقة. وهذا مهم لعلامتك: إذا دارت معلومات خاطئة عنك على الإنترنت، فالنماذج الأقدر أفضل في امتصاصها وتكرارها.
• استطلاع Ji وآخرين (2022/2023) هو التصنيف الأكاديمي المرجعي للهلوسة الداخلية والخارجية في التلخيص والحوار والأسئلة والأجوبة والترجمة والنماذج اللغوية الكبيرة.
• Lanham وآخرون (2023) من Anthropic وجدوا أن استدلال سلسلة الأفكار ليس أمينًا دائمًا: “as models become larger and more capable, they produce less faithful reasoning on most tasks.” (ترجمة) «كلما أصبحت النماذج أكبر وأكثر قدرة، أنتجت استدلالًا أقل أمانة في معظم المهام». لا تعكس الخطوات التي يعرضها النموذج بالضرورة طريقة وصوله الفعلية إلى الجواب؛ فقد تكون تبريرًا لاحقًا. لذلك فقول «شرح الذكاء الاصطناعي استدلاله» ليس دليلًا على تأسيس الإجابة.
• FACTS Grounding (Google DeepMind، ديسمبر 2024) هو الرقم المحوري في نقاش التأسيس: حتى مع إعطاء النماذج وثائق مصدر صريحة، سجلت أفضل النماذج تأسيسًا بنحو ~85–90% فقط. أما 10–15% المتبقية فهي سوء قراءة أو تفسير أو فشل في استخدام المحتوى المسترجع، لا اختلاق من العدم.

هل يحل التأسيس (RAG) المشكلة؟ لا — إنه يقللها

هذه هي الدقة التي تفسدها معظم التغطية. التأسيس — ربط الإجابة بوثائق يسترجعها النظام وقت الاستدلال، عادة عبر RAG — هو التخفيف الأساسي، وهو فعال: خفّض الوصول إلى بحث الويب الهلوسة بنسبة 73–86% عبر النماذج المختبرة في معايير التأسيس. لكنه لا يلغي الهلوسة، ويفشل بطرق مختلفة عن نموذج اللغة الكبير المجرد:

• قد يسيء تفسير المقطع المسترجع،
• أو يختار المقطع الخطأ،
• أو يجمع مصادر متعددة بصورة خاطئة،
• أو يفشل في التعرف إلى استعلام عدائي أو عبثي.

رسمت Elizabeth Reid من Google هذا الخط تحديدًا بشأن AI Overviews: فهي “generally don’t ‘hallucinate’ or make things up in the ways that other LLM products might” (ترجمة) «لا تهلوس عمومًا ولا تختلق الأشياء بالطريقة التي قد تفعلها منتجات LLM الأخرى» لأنها “built to only show information that is backed up by top web results.” (ترجمة) «مصممة لعرض المعلومات التي تسندها أفضل نتائج الويب فقط». وعندما تخطئ، قالت إن السبب “usually for other reasons: misinterpreting queries, misinterpreting a nuance of language on the web, or not having a lot of great information available.” (ترجمة) «عادة أسباب أخرى: سوء تفسير الاستعلامات، أو دقة لغوية أسيء فهمها على الويب، أو عدم توافر معلومات جيدة كافية». هذا فرق حقيقي — تفشل الأنظمة المؤسسة في الاسترجاع والتفسير أكثر من الاختلاق الخالص — لكنه ليس ضمانًا للدقة. وحتى أدوات البحث القانوني المعتمدة على RAG أظهرت معدلات هلوسة تصل إلى ~33%، بما يناقض ادعاءات «خالية من الهلوسة». وتقول Anthropic الأمر بوضوح في وثائق المطورين: “while these techniques significantly reduce hallucinations, they don’t eliminate them entirely. Always validate critical information.” (ترجمة) «مع أن هذه التقنيات تقلل الهلوسة كثيرًا، فإنها لا تلغيها تمامًا. تحقق دائمًا من المعلومات المهمة».

أثر SEO — قابل للقياس والمعالجة

هلوسة عناوين URL. هذه أوضح صورة، وقد تمكنت من قياسها. عند تحليل حركة الإحالة بالذكاء الاصطناعي في Ahrefs، وجدت في تحليلي لحركة بحث Ahrefs بالذكاء الاصطناعي حسب نوع الصفحة أن 3,6% من الحركة ذهبت إلى صفحات مختلقة — صفحات غير موجودة على ahrefs.com. أوصت أنظمة الذكاء الاصطناعي (خصوصًا ChatGPT) بعناوين URL لم تُبنَ قط. وتضع دراسة Ahrefs الأوسع لـ16 مليون عنوان URL استشهد به الذكاء الاصطناعي (Ryan Law وXibeijia Guan) النتيجة في سياقها: يوجه المساعدون المستخدمين إلى صفحات 404 بمعدل 2,87x أكثر من Google Search؛ فمعدل 404 بعد النقر في ChatGPT هو 1,01% مقابل خط أساس Google البالغ 0,15%. الحل العملي مباشر: راقب إحالات الصفحات المفقودة، وحدد العناوين المختلقة فوق عتبة (مثل 10 زيارات شهريًا)، ثم أعد توجيهها بـ301 إلى أقرب صفحة حقيقية. هكذا تلتقط الحركة التي يحاول النموذج إرسالها إليك.

هلوسة الإسناد. اختبرت دراسة Columbia/Tow Center (2025) ثمانية محركات بحث بالذكاء الاصطناعي، ووجدت إجابات خاطئة في أكثر من 60% من الاستعلامات عند طلب تحديد عنوان المقال وتاريخه وناشره وعنوان URL. أخطأ ChatGPT في تعريف 134 مقالًا ولم يشر إلى عدم اليقين إلا 15 مرة — خطأ عالي الثقة. واستشهدت إجابات أكثر من نصف بعض النماذج بعناوين URL مختلقة. الدرس في SEO: الاستشهاد بك في إجابة ذكاء اصطناعي لا يعني تمثيلك بدقة. فالاستشهاد ليس فهمًا.

النقطة العمياء في التحليلات. تضخم هذه المشكلة مشكلة عناوين URL. فحركة الذكاء الاصطناعي صعبة الإسناد اليوم — بعض المنصات لا تمرر بيانات المُحيل، واستخدم AI Mode من Google القيمة noreferrer، فجمع النقرات في «مباشر»/«غير معروف» (أكدت Google أن ذلك خلل بعد أن أبلغت عنه). وإذا لم تُنسب حركة عناوين URL المختلقة بوضوح، فقد لا تراها أبدًا؛ ولم يظهر اكتشاف 3,6% إلا لأن لدينا وصولًا إلى التحليلات. أصلح الإسناد أولًا وإلا ستراقب وأنت معصوب العينين.

هلوسة العلامة والسمعة. قد يؤدي إعلان الذكاء الاصطناعي حقائق خاطئة عن سعرك أو قيادتك أو تاريخك أمام عميل محتمل إلى إتلاف الثقة قبل أن يصل إلى موقعك. والأسوأ أنها أصبحت متجهًا سلبيًا لـSEO: أظهرت تجربة Ahrefs للعلامات (Makosiewicz) أن مقالًا واحدًا مزروعًا في Medium قد يدفع بعض النماذج إلى تكرار معلومات مضللة في 37–39% من الإجابات عن علامة. “Any growing brand can be knocked off course in AI search results by an upset person with a Medium account.” (ترجمة) «يمكن لأي شخص غاضب يملك حسابًا في Medium أن يخرج علامة نامية عن مسارها في نتائج البحث بالذكاء الاصطناعي». لا توجد روابط تبنيها أو تتنصل منها؛ هناك محتوى زائف فحسب على منصة مفهرسة.

ما الذي ينبغي فعله فعليًا

1. أعد توجيه عناوين URL المختلقة (الإصلاح أعلاه).
2. راقب إجابات الذكاء الاصطناعي عن علامتك بجدول دوري؛ تتغير الإجابات مع تحديث النماذج وفهرسة محتوى جديد، والتدقيق مرة واحدة يشيخ سريعًا.
3. ابنِ إشارات الكيان — NAP متسق، وschema، وWikidata، وملفات رسمية — كي تملك الأنظمة المؤسسة حقائق نظيفة قابلة للتحقق تسترجعها. وهذا أفضل رافعة ضد هلوسة العلامة المستقبلية.
4. تحقق من المحتوى المولد بالذكاء الاصطناعي قبل نشره. فالهلوسات غير المحررة التي تصل إلى الويب تُفهرس وقد تغذي تدريب النموذج التالي — حلقة تغذية انهيار النموذج. لا تكن عقدة فيها.
5. لا تتوقع أن يصلح حظر الزواحف المشكلة. يمنع حظر GPTBot/ClaudeBot التدريب المستقبلي على محتواك، لكنه لا يغير الحقائق الموجودة في الأوزان. (راجع مقالة زواحف الذكاء الاصطناعي لهذا الفرق.)

الخلاصة الصادقة: الهلوسة بنية تحتية دائمة، وليست عطلًا عابرًا. لا يمكنك جعل الذكاء الاصطناعي يتوقف عن الاختلاق. لكن يمكنك جعل حقائقك أرخص وأوضح شيء ليستند إليه، كما يمكنك اكتشاف عناوين URL التي يخترعها وإعادة توجيهها.

ملخص الذكاء الاصطناعي

خلاصة مكثفة للنسخة المتقدمة:

• الهلوسة = مخرج واثق وخاطئ أو غير مدعوم. إنها سمة من سمات التنبؤ بالرمز التالي (تحسين النص المعقول لا الحقيقة)، وليست عطلًا؛ لذلك يمكن تقليلها لا إلغاؤها تمامًا. و«confabulation» مصطلح أدق؛ فالنموذج لا يكذب.
• تتركز في الذيل الطويل. تهلوس النماذج أكثر حول الحقائق النادرة في بيانات التدريب: منتجات متخصصة، وتغييرات حديثة، وعلامات غامضة.
• تسمية الفشل بدقة مهمة. تناقض السياق، والإضافة غير المدعومة، والخطأ الواقعي في العالم ليست شيئًا واحدًا؛ والواقعية (هل صحيح؟) والأمانة (هل يدعمه الدليل المقدم؟) اختباران مختلفان؛ ووجود الاستشهاد لا يعني أنه يسند الادعاء المجاور؛ وقد يفشل جواب RAG لأن الدليل مفقود أو مقطوع بصورة سيئة أو غير مسترجع أو منخفض الترتيب أو أسيء استخدامه أثناء التوليد — خمسة أسباب يخفيها قول «لقد هلوس».
• الأكبر ليس أكثر أمانًا. TruthfulQA: تنتج النماذج الأكبر أكاذيب محاكية أكثر إقناعًا (58% صدقًا مقابل 94% للبشر). وقد يكون استدلال سلسلة الأفكار غير أمين (Lanham وآخرون).
• التأسيس/RAG مفيد جدًا لكنه لا يصلح المشكلة. خفّض الوصول إلى الويب الهلوسة 73–86%، ومع ذلك تفشل أفضل النماذج المؤسسة بنحو 10–15% (FACTS Grounding) بسبب سوء قراءة المصادر أو اختيارها. وتقول Reid إن AI Overviews مؤسسة ولذلك “generally don’t ‘hallucinate’ or make things up in the ways that other LLM products might” (ترجمة) «لا تهلوس عمومًا بالطريقة التي قد تفعلها منتجات LLM الأخرى»، لكنها تخطئ بالتفسير. وتقول Anthropic إن التقنيات “don’t eliminate them entirely.” (ترجمة) «لا تلغيها تمامًا».
• أثر SEO قابل للقياس: يرسل الذكاء الاصطناعي المستخدمين إلى صفحات مفقودة بنحو 2,87x أكثر من Google؛ وذهب 3,6% من حركة Ahrefs القادمة من الذكاء الاصطناعي إلى صفحات غير موجودة؛ وتتجاوز أخطاء استشهاد الذكاء الاصطناعي 60% (Tow Center). الاستشهاد بك لا يساوي تمثيلك صحيحًا.
• الإسناد معطل أيضًا، لذلك قد تختفي حركة عناوين URL المختلقة — أصلح التتبع قبل المراقبة.
• خطر العلامة متجه SEO سلبي: دفع مقال Medium واحد بعض النماذج إلى تكرار معلومات مضللة في 37–39% من الإجابات.
• الإصلاحات: أعد توجيه عناوين URL المختلقة، وراقب إجابات العلامة دوريًا، وابنِ إشارات الكيان، وتحقق من محتوى الذكاء الاصطناعي قبل النشر، ولا تتوقع أن يلغي حظر الزواحف حقائق موجودة في الأوزان.

الوثائق الرسمية

ما تقوله الجهات التي تبني النماذج ومحركات البحث عن الهلوسة بكلماتها هي.

Google

• ما حدث مع AI Overviews والخطوات التالية — Elizabeth Reid (مايو 2024) عن اختلاف أخطاء AI Overviews المؤسسة عن أخطاء نماذج اللغة الكبيرة المستقلة.
• GopherCite: دعم الإجابات باقتباسات متحققة — DeepMind عن نماذج تهلوس «convincing nonsense» (ترجمة) «هراء مقنع»، وعن الاستشهاد بالدليل (والاعتراف بـ«I don’t know» (ترجمة) «لا أعرف») لمقاومة ذلك.
• معيار FACTS Grounding — معيار واقعية DeepMind وسقف التأسيس ~85–90%.
• إرشادات المحتوى المولد بالذكاء الاصطناعي — Search Central: يُحكم على المحتوى بالجودة وE-E-A-T، لا بطريقة إنتاجه.

Anthropic

• تقليل الهلوسة — توصي وثائق Claude للمطورين بأن يتيح النموذج لنفسه قول “I don’t know,” (ترجمة) «لا أعرف»، وأن يؤسس الإجابات باقتباسات مباشرة ويتحقق بالاستشهادات، مع التنبيه الصريح إلى أن التقنيات لا تلغي الهلوسة.

OpenAI

• لماذا تهلوس نماذج اللغة — شرح OpenAI للآلية.
• هل يقول ChatGPT الحقيقة؟ — مركز المساعدة: “Hallucinations are plausible but false statements generated by language models.” (ترجمة) «الهلوسات عبارات معقولة لكنها خاطئة تولدها نماذج اللغة».

Microsoft

• لماذا يخطئ الذكاء الاصطناعي أحيانًا — تعريف Microsoft التقني للمحتوى «ungrounded» (ترجمة) «غير المؤسس» وأدوات التخفيف منه.

اقتباسات من المصدر

عبارات مسجلة على لسان من يبنون هذه الأنظمة. كل رابط عميق يقفز إلى المقطع المقتبس الذي يسنده المصدر.

Google — Elizabeth Reid، نائبة الرئيس/رئيسة البحث (مايو 2024)

• “This means that AI Overviews generally don’t ‘hallucinate’ or make things up in the ways that other LLM products might.” (ترجمة) «هذا يعني أن AI Overviews لا تهلوس عمومًا ولا تختلق الأشياء بالطريقة التي قد تفعلها منتجات LLM الأخرى». اقرأ التدوينة
• “When AI Overviews get it wrong, it’s usually for other reasons: misinterpreting queries, misinterpreting a nuance of language on the web, or not having a lot of great information available.” (ترجمة) «عندما تخطئ AI Overviews يكون السبب عادةً آخر: سوء تفسير الاستعلامات أو دقة اللغة على الويب أو عدم توافر معلومات جيدة كافية». انتقل إلى الاقتباس
• “Because accuracy is paramount in Search, AI Overviews are built to only show information that is backed up by top web results.” (ترجمة) «لأن الدقة أولوية قصوى في البحث، صُممت AI Overviews لعرض المعلومات التي تسندها أفضل نتائج الويب فقط». اقرأ التدوينة

Google DeepMind — GopherCite (مارس 2022)

• “Language models like Gopher can ‘hallucinate’ facts that appear plausible but are actually fake.” (ترجمة) «يمكن لنماذج اللغة مثل Gopher أن تهلوس حقائق تبدو معقولة لكنها زائفة فعلًا». اقرأ التدوينة
• “Because language models can hallucinate convincing nonsense, GopherCite uses reinforcement learning from human preferences (RLHP) to train models that generate answers whilst also citing specific evidence for their claims.” (ترجمة) «لأن نماذج اللغة قد تهلوس هراءً مقنعًا، يستخدم GopherCite التعلم المعزز من تفضيلات البشر (RLHP) لتدريب نماذج تولد إجابات وتستشهد أيضًا بدليل محدد لادعاءاتها». اقرأ التدوينة

Anthropic — وثائق مطوري Claude

• “Even the most advanced language models, like Claude, can sometimes generate text that is factually incorrect or inconsistent with the given context. This phenomenon, known as ‘hallucination,’ can undermine the reliability of your AI-driven solutions.” (ترجمة) «حتى نماذج اللغة الأكثر تقدمًا مثل Claude قد تولد أحيانًا نصًا خاطئًا واقعيًا أو غير متسق مع السياق المقدم. ويمكن لهذه الظاهرة، المعروفة باسم الهلوسة، أن تقوض موثوقية حلولك المدفوعة بالذكاء الاصطناعي». اقرأ الوثائق
• “Remember, while these techniques significantly reduce hallucinations, they don’t eliminate them entirely. Always validate critical information, especially for high-stakes decisions.” (ترجمة) «تذكر: مع أن هذه التقنيات تقلل الهلوسة كثيرًا، فإنها لا تلغيها تمامًا. تحقق دائمًا من المعلومات المهمة، ولا سيما القرارات عالية المخاطر». انتقل إلى الاقتباس

OpenAI — مركز المساعدة

• “Hallucinations are plausible but false statements generated by language models.” (ترجمة) «الهلوسات عبارات معقولة لكنها خاطئة تولدها نماذج اللغة». اقرأ المقال
• “Like any language model, ChatGPT can produce incorrect or misleading outputs, and sometimes it might sound confident—even when it’s wrong.” (ترجمة) «مثل أي نموذج لغة، يمكن لـChatGPT إنتاج مخرجات خاطئة أو مضللة، وقد يبدو واثقًا أحيانًا حتى عندما يكون مخطئًا». اقرأ المقال

Lin وآخرون — TruthfulQA (2021)

• “Larger models produce more imitative falsehoods because they are better at learning the training distribution.” (ترجمة) «النماذج الأكبر تنتج أكاذيب محاكية أكثر لأنها أفضل في تعلم توزيع التدريب». اقرأ البحث

Lanham وآخرون — باحثو Anthropic (2023)

• “As models become larger and more capable, they produce less faithful reasoning on most tasks.” (ترجمة) «كلما أصبحت النماذج أكبر وأكثر قدرة، أنتجت استدلالًا أقل أمانة في معظم المهام». اقرأ البحث

Mark Howard، مدير العمليات في Time (عبر دراسة Tow Center/CJR)

• “It’s critically important how our brand is represented, when and where we show up.” (ترجمة) «من المهم للغاية كيف تُمثَّل علامتنا ومتى وأين تظهر». اقرأ الدراسة

أنواع الهلوسة — ورقة غش

الأنواع الأربعة التي ستقابلها

الأرقام التي تستحق الحفظ

• 3,6% — حصة حركة الإحالة بالذكاء الاصطناعي في Ahrefs التي ذهبت إلى صفحات غير موجودة (Patrick Stox، Ahrefs).
• 2,87x — مقدار زيادة إرسال المساعدين المستخدمين إلى صفحات مفقودة مقارنة بـGoogle (Ahrefs، 16 مليون URL). معدل 404 بعد النقر في ChatGPT 1,01% مقابل 0,15% في Google.
• 60%+ — معدل خطأ الاستشهاد في البحث بالذكاء الاصطناعي عبر 8 محركات (Tow Center/CJR).
• ~85–90% — نسبة تأسيس أفضل النماذج حتى عند إعطائها المصادر (FACTS Grounding)، أي أن أرضية الفشل 10–15%.
• 73–86% — انخفاض الهلوسة عند إعطاء النماذج بحث الويب/التأسيس.
• 58% مقابل 94% — صدق أفضل نموذج مقابل البشر في TruthfulQA.
• 37–39% — نسبة الإجابات التي كررت فيها بعض النماذج معلومات مضللة عن العلامة بعد مقال مزروع واحد (تجربة علامة Ahrefs).

الخرافة ← الواقع

• «RAG يلغي الهلوسة». → إنه يقللها؛ وما زالت النماذج المؤسسة تفشل بنحو 10–15%.
• «النماذج الأحدث/الأكبر تهلوس أقل». → TruthfulQA: قد يعني الحجم الأكبر أكاذيب أكثر إقناعًا.
• «تهلوس AI Overviews مثل ChatGPT تمامًا». → إنها مؤسسة؛ وتميل أخطاؤها إلى سوء التفسير لا الاختلاق الخالص (Reid).
• «الاستشهاد يعني تمثيلك صحيحًا». → معدل خطأ الاستشهاد 60%+ يقول لا.
• «حظر زواحف الذكاء الاصطناعي يوقف هلوسة العلامة». → تبقى الحقائق الموجودة في الأوزان.
• «يمكن معرفة الخطأ لأنه يبدو غير واثق». → الثقة هي السمة المحددة؛ لم يشر ChatGPT إلى عدم اليقين إلا في 15 من 134 إجابة خاطئة.

كيف تقلل الهلوسة — دليل عملي

هذه هي الروافع، مرتبة تقريبًا بحسب أثرها، مستخلصة مما تدعمه الجهات التي تبني النماذج والأبحاث فعلًا.

1. أسِّس الإجابة (واقبل السقف). أعطِ النموذج مصادر حقيقية وقت الاستدلال — فهذا هو RAG/التأسيس. إنها أكبر رافعة منفردة (خفض 73–86%). لكن استوعب السقف: ما زالت أفضل النماذج المؤسسة تفشل بنحو 10–15% (FACTS Grounding)، وتفشل بسوء قراءة المصادر أو اختيارها، لا باختلاقها من العدم. يغير التأسيس نمط الفشل، لكنه لا يزيله.

2. اسمح للنموذج بقول “I don’t know.” التوصية الأولى من Anthropic هي: “explicitly give Claude permission to admit uncertainty… this simple technique can drastically reduce false information.” (ترجمة) «امنح Claude صراحةً إذن الاعتراف بعدم اليقين… فهذه التقنية البسيطة قد تقلل المعلومات الزائفة بدرجة كبيرة». تحسن GopherCite بشدة عندما أصبح قادرًا على الامتناع. والإجابة المصاغة كجواب عن سؤال لا يستطيع دعمه هي لب الفشل؛ والإذن بالامتناع يهاجمه مباشرة.

3. اطلب الاستشهادات والاقتباسات الحرفية. اجعل المخرج قابلًا للتدقيق: اطلب من النموذج اقتباس المصادر لكل ادعاء، واستخرج من الوثائق الطويلة اقتباسات حرفية قبل الاستدلال. أنت لا تثق بالاستشهاد ثقة عمياء (أكثر من 60% منها خاطئ)، بل تجعل الادعاء قابلًا للفحص.

4. لا تجعل أثر الاستدلال دليلًا. قد تكون سلسلة الأفكار تبريرًا لاحقًا (Lanham وآخرون). وعبارة «شرح استدلاله» ليست عبارة «أسس إجابته». تحقق من النتيجة لا السرد.

إطار جانب SEO — احمِ كيانك

فكر في الأمر كثلاث وظائف، لأنك لا تستطيع تغيير النماذج:

1. اكتشف — راقب إجابات الذكاء الاصطناعي عن علامتك، وراقب التحليلات بحثًا عن حركة إلى صفحات مفقودة (أصلح الإسناد أولًا وإلا ستختفي حركة عناوين URL المختلقة).
2. أعد التوجيه — أعد توجيه عناوين URL المختلقة بـ301 عندما تتجاوز عتبة حركة إلى أقرب صفحة حقيقية، والتقط نية المستخدم التي يوجهها النموذج خطأً.
3. أسِّس الحقيقة لهم — انشر حقائق عامة نظيفة ومتسقة وقابلة للتحقق (schema وWikidata والملفات الرسمية وصفحة «من نحن» الواضحة) كي تسترجع الأنظمة المؤسسة حقائقك بدل ادعاء منافس أو مقال ساخر. هذا هو الدفاع الدائم الوحيد ضد هلوسة العلامة؛ أما حظر الزواحف فليس كذلك لأن الأوزان تحمل ما تعلمته بالفعل.

مراجعة الهلوسة الدورية

1. حدد الادعاءات عالية المخاطر: الأسعار، والعبارات القانونية أو المتعلقة بالسلامة، وقدرات المنتج، وأسماء المديرين، والمواقع، وعناوين URL الرسمية.
2. أنشئ مطالبات ثابتة لتلك الادعاءات وسجل المنصة والنموذج والوضع والتاريخ واللغة وحالة الحساب وما إذا كان البحث المباشر مفعّلًا.
3. احفظ الاستجابة الكاملة والاستشهادات وعناوين URL للمصادر؛ فملاحظة معاد صياغتها ليست دليلًا كافيًا للمقارنة لاحقًا.
4. صنف كل عبارة إلى مدعومة أو مناقضة أو غير قابلة للتحقق أو قديمة أو غير منطبقة، باستخدام مصدر حقيقة تملكه ومصادر مستشهد بها.
5. افحص عناوين URL المختلقة في السجلات والروابط الخلفية والتحليلات قبل تقرير إعادة توجيهها أو نشر صفحة أو إبقائها 404 حقيقية.
6. أسند الإصلاح إلى محتوى تملكه أو توجيه تقني أو تصحيح طرف ثالث أو ملاحظات المنصة، ثم حدد موعد إعادة اختبار مؤرخ.

دليل حادثة: إجابة ذكاء اصطناعي تذكر كذبة ضارة

1. اجمع الدليل. احفظ الإجابة الكاملة والمطالبة والمصادر والمنتج/النموذج والتاريخ وحالة الحساب وتسجيل الشاشة إذا كان السلوك مؤقتًا.
2. تحقق من الأثر والحقيقة. ليدد مالك الموضوع المختص الادعاء الخاطئ المحدد والحقيقة المعتمدة؛ لا «تصحح» ادعاءً متنازعًا عليه بنشر عبارة أخرى غير مدعومة.
3. تتبع المصادر المحتملة. راجع الصفحات المستشهد بها ومحتواك الحالي والمؤرشف والحقائق المنظمة والتغذيات والملفات التعريفية والإشارات البارزة من أطراف ثالثة.
4. أصلح الدليل المتحكم فيه. صحح الصفحات المملوكة المتناقضة، ووحد حقائق الكيان، وحدّث الوثائق القديمة دون تغيير التواريخ تجميليًا.
5. تعامل مع عناوين URL عمدًا. أعد توجيه URL مختلق فقط عندما تحقق صفحة حقيقية النية نفسها؛ وإلا فأبقِ استجابة الصفحة المفقودة الصحيحة ولا تعلم المستخدمين أن كل مسار مخترع يحل.
6. أبلغ خارجيًا. استخدم قناة ملاحظات المنصة واطلب التصحيحات من الأطراف الثالثة عندما يسندها الدليل.
7. أعد الاختبار وراقب. كرر المطالبة نفسها في شروط موثقة، وأبقِ الحادثة مفتوحة حتى تصحح الإجابة أو يُقبل الخطر المتبقي.

مطالبة: تدقيق حقيقة إجابة ذكاء اصطناعي مقابل الدليل المقدم

Audit the AI answer below using only the supplied source-of-truth documents. Break the
answer into atomic factual claims. For each claim, label it supported, contradicted,
not found, stale, or opinion; quote the exact supporting or conflicting passage; and
state the smallest correction. Treat a citation as evidence only if its page supports
the adjacent claim. Do not fill gaps from memory or the open web.

AI answer:
[PASTE COMPLETE ANSWER AND CITATIONS]

Approved source-of-truth documents:
[PASTE DOCUMENT NAME, DATE, URL OR EXCERPT]

مطالبة: فرز عناوين URL المختلقة

Classify these AI-referred URLs using the supplied HTTP, backlink, analytics, and page
inventory evidence. For each URL, recommend one of: keep a true 404/410, redirect to a
genuinely equivalent page, restore a previously valid page, or investigate further.
Never recommend redirecting to the homepage just to remove a 404. Explain which user
intent and evidence make a destination equivalent.

Evidence:
[PASTE URL | STATUS | REFERRERS | BACKLINKS | VISITS | CLOSEST REAL PAGE]

وحدة تحكم DevTools: استخراج الاستشهادات الظاهرة من صفحة إجابة

شغّل هذا على صفحة إجابة محفوظة أو متاحة بعد التحقق من شروط المنصة. المحددات عامة عمدًا وقد تحتاج إلى تكييفها مع الواجهة.

copy(JSON.stringify([...document.querySelectorAll('a[href]')]
  .map(a => ({text: a.textContent.trim(), url: a.href}))
  .filter(x => /^https?:/.test(x.url)), null, 2));

Shell: فحص قائمة عناوين URL مشتبه في اختلاقها

شغّل الأمر على عناوين URL تملكها أو تملك تصريحًا لاختبارها.

while IFS= read -r url; do
  curl -sS -o /dev/null -L --max-redirs 5 -w '%{http_code}\t%{url_effective}\t%{url}\n' "$url"
done < suspected-urls.txt

Regex: وضع علامات على أرقام تشبه الادعاءات للمراجعة

يبحث تعبير المراجعة هذا عن النسب المئوية والمبالغ المالية والأرقام متعددة الخانات، لكنه لا يقرر ما إذا كان الادعاء خاطئًا.

(?:[$€£]\s?\d[\d,.]*|\b\d+(?:\.\d+)?%|\b\d{2,}(?:[,.]\d+)*\b)

أدوات للتحقيق في الهلوسات

• تلتقط AI Brand Visibility استجابة نموذج معنونة وتفصل الإشارات عن الاستشهادات للمقارنة المحلية.
• تضع Citation Gap Checker علامات على الادعاءات العددية والبحثية غير المدعومة في المحتوى الذي تسيطر عليه. إنها قائمة مراجعة وليست محرك حقيقة.
• تعرض Redirect Checker الحالة والوجهة النهائية لعنوان URL مختلق أو قديم قبل تقرير كيفية التعامل معه.
• تكشف سجلات الخادم/CDN الطلبات إلى المسارات المخترعة، بينما توضح أدوات الروابط الخلفية والتحليلات ما إذا كان أشخاص أو مواقع أخرى يستخدمونها فعلًا.
• أدوات ملاحظات المنصة هي طريق الإبلاغ المباشر، لكن احتفظ بدليلك لأن توقيت التصحيح واستمراره غير مضمونين.

تحقق من استجابة هلوسة

مقاييس الهلوسة

اختبر نفسك: هلوسات الذكاء الاصطناعي

مصادر تستحق وقتك

كتاباتي ذات الصلة (Ahrefs)

• 80% من حركة بحث الذكاء الاصطناعي تذهب إلى الصفحة الرئيسية وصفحات المنتجات والأدوات المجانية — مصدر نتيجة 3,6% من الصفحات المختلقة.
• المساعدون بالذكاء الاصطناعي يكسرون تحليلات الويب ويضرون مستقبلها — لماذا قد تختفي الحركة المختلقة.
• جعلت Google تتعذر عليك متابعة نقرات AI Mode (أُصلح جزئيًا) — خلل إسناد noreferrer الذي أبلغت عنه.

من الآخرين

• كم مرة يهلوس المساعدون بالذكاء الاصطناعي بالروابط؟ (دراسة 16 مليون URL) — Ryan Law وXibeijia Guan (Ahrefs)؛ رقم 404 البالغ 2,87x.
• أجريت تجربة تضليل بالذكاء الاصطناعي. ينبغي لكل مسوق رؤية النتائج — Makosiewicz (Ahrefs)؛ هجوم العلامة عبر مقال Medium مزروع.
• لدى البحث بالذكاء الاصطناعي مشكلة استشهاد — Tow Center/Columbia Journalism Review (2025)؛ دراسة خطأ الاستشهاد 60%+. ملخص Nieman Lab.
• استطلاع الهلوسة في توليد اللغة الطبيعية — Ji وآخرون؛ تصنيف الداخلي مقابل الخارجي.
• TruthfulQA — Lin وآخرون؛ نتيجة القياس العكسي.
• قياس أمانة استدلال سلسلة الأفكار — Lanham وآخرون (Anthropic).
• لوحة Vectara للهلوسة — معدلات هلوسة التلخيص المؤسس الجارية.
• ما هلوسات الذكاء الاصطناعي؟ — شرح Google Cloud الرسمي للآلية واستراتيجيات التخفيف.
• كيف تحدد هلوسات الذكاء الاصطناعي عن علامتك وتصلحها — دليل Search Engine Land العملي للمراقبة وتصحيح أخطاء العلامة.
• حلقة تغذية الذكاء الاصطناعي: يحذر الباحثون من انهيار النموذج مع تدريب الذكاء الاصطناعي على محتوى مولد بالذكاء الاصطناعي — VentureBeat عن انهيار النموذج وتراكم المحتوى المختلق عبر دورات التدريب.

إحصاءات تستحق الاستشهاد

• 3,6% من حركة الإحالة بالذكاء الاصطناعي ذهبت إلى صفحات غير موجودة على ahrefs.com — عناوين URL مختلقة، معظمها من ChatGPT. اكتشافي من بيانات الطرف الأول. المصدر
• يرسل المساعدون المستخدمين إلى صفحات مفقودة بنحو 2,87x أكثر من Google Search — عبر 16 مليون URL استشهد بها الذكاء الاصطناعي. معدل 404 بعد النقر في ChatGPT هو 1,01% مقابل 0,15% في Google. المصدر
• معدل خطأ الاستشهاد يتجاوز 60% عبر 8 محركات بحث بالذكاء الاصطناعي؛ ولم يشر ChatGPT إلى عدم اليقين إلا في 15 من 134 إجابة خاطئة (Tow Center/CJR، 2025). المصدر
• ~85–90% تأسيسًا هو سقف أفضل النماذج عند إعطائها المصادر — أرضية فشل 10–15% (FACTS Grounding، DeepMind، 2024). المصدر
• خفض الهلوسة 73–86% من إتاحة بحث الويب/التأسيس؛ و58% صدق أفضل نموذج مقابل 94% للبشر في TruthfulQA. المصدر
• 37–39% من الإجابات كررت معلومات مضللة عن العلامة بعد مصدر مزروع واحد (تجربة علامة Ahrefs). المصدر

سجل التغييرات