جوجل ديب مايند تطور نموذجاً جديداً لتصنيف نتائج البحث باستخدام AI قد يغيّر قواعد اللعبة بالكامل.
البحث العلمي الجديد يقترح استبدال النظام التقليدي المكون من مرحلتين بنموذج واحد يعتمد على نماذج اللغة الكبيرة.
|
| بحث جديد من Google DeepMind يقترح تحولاً جذرياً في طريقة ترتيب نتائج البحث |
في 10 سبتمبر 2026 نشر موقع Search Engine Journal تقريراً مفصلاً عن ورقة بحثية جديدة صادرة عن جوجل ديب مايند (Google DeepMind) بالتعاون مع باحثين من جامعة ماساتشوستس أمهرست وجامعة تكساس في أوستن. الورقة تحمل عنوان Autoregressive Ranking: Bridging the Gap Between Dual and Cross Encoders وتقترح نهجاً مختلفاً تماماً لترتيب المستندات في محركات البحث.
ملخص سريع (TL;DR):
- النظام التقليدي يعتمد على مرحلتين: Dual Encoder سريع لكن محدود الدقة، وCross Encoder أدق لكنه مكلف حسابياً.
- النموذج الجديد المسمى Autoregressive Ranking (ARR) يستخدم نموذجاً لغوياً كبيراً واحداً لإنتاج قائمة مرتبة مباشرة.
- طريقة التدريب الجديدة SToICaL تجعل النموذج يتعلم أي المستندات يجب أن تحتل مراتب أعلى.
- نظرياً يستطيع ARR ترتيب عدد غير محدود من المستندات بأبعاد ثابتة، بينما Dual Encoder يحتاج أبعاداً تتزايد مع حجم المجموعة.
- النتائج التجريبية أظهرت تحسناً في مقاييس الترتيب وقدرة أفضل على خفض ترتيب الصفحات غير ذات الصلة.
- هذا بحث علمي وليس تغييراً مطبقاً حالياً في بحث جوجل، لكن آثاره المحتملة على السيو عميقة.
محتويات المقال:
ما الذي تغيّر؟
عندما قرأت الورقة البحثية لأول مرة توقفت عند الجملة التي تقول إنهم يقترحون استبدال البنية الخلفية التقليدية بالكامل. جوجل ديب مايند تطور نموذجاً جديداً لتصنيف نتائج البحث باستخدام AI يعتمد على توليد قائمة مرتبة من المستندات عبر نموذج لغوي كبير واحد بدلاً من المرحلتين المألوفتين.
النظام الحالي في معظم محركات البحث الكبيرة يعتمد منذ سنوات على مرحلتين متتاليتين. المرحلة الأولى سريعة وغير مكلفة تُسمى Dual Encoder، والمرحلة الثانية أدق لكنها ثقيلة حسابياً تُسمى Cross Encoder. البحث الجديد يقترح تجاوز هذا التقسيم تماماً.
الورقة ليست إعلاناً عن تغيير في خوارزمية بحث جوجل الحالية، بل بحثاً علمياً يستكشف إمكانية استبدال البنية التحتية للترتيب في المستقبل.
لماذا يهم هذا؟
السبب الذي جعلني أعتبر هذا البحث مهماً هو أنه يمس جوهر كيفية اختيار جوجل للصفحات التي تظهر في النتائج. إذا نجح نموذج مثل Autoregressive Ranking في الانتقال من المختبر إلى الإنتاج، فقد يصبح ترتيب النتائج أكثر مرونة وأقل تقيداً بالحسابات الهندسية التقليدية.
حالياً، كلما زاد عدد المستندات التي يجب مقارنتها، احتاج Dual Encoder إلى أبعاد تضمين أكبر لتمثيل كل الترتيبات الممكنة. هذا قيد هندسي حقيقي. ARR وفقاً للتحليل النظري لا يعاني من هذا القيد، ويستطيع نظرياً ترتيب عدد arbitrarily كبير من المستندات بأبعاد ثابتة.
هذا البحث لا يقول إن “كل شيء تغير اليوم”، لكنه يظهر أن جوجل تقترب من مرحلة قد يتغير فيها ترتيب البحث بشكل جذري.
كيف يعمل نظام ترتيب نتائج البحث التقليدي حالياً؟
لفهم قيمة الاقتراح الجديد، يجب أولاً فهم النظام الذي يحاول استبداله.
في الأنظمة الحالية يتم الترتيب عادة على مرحلتين:
- Dual Encoder (المشفر المزدوج): يحول الاستعلام والمستندات إلى متجهات (vectors) بسرعة عالية. هذه المرحلة رخيصة حسابياً وتسمح باسترجاع مئات أو آلاف المستندات المرشحة في وقت قصير. لكنها محدودة في قدرتها على فهم التفاعل الدقيق بين الاستعلام والمستند.
- Cross Encoder (المشفر المتقاطع): يأخذ القائمة المرشحة من المرحلة الأولى ويقوم بمقارنة أعمق وأكثر دقة بين الاستعلام وكل مستند. هذه المرحلة أقوى بكثير في الترتيب النهائي، لكنها مكلفة جداً ولا يمكن تطبيقها على المليارات من الصفحات مباشرة.
هذا التقسيم موجود لأن المهندسين اضطروا للموازنة بين السرعة والدقة. Dual Encoder سريع لكنه “أعمى” نسبياً عن التفاصيل الدقيقة، وCross Encoder ذكي لكنه بطيء ومكلف.
معظم ما نراه في نتائج البحث اليوم هو نتاج هذا التوازن الهندسي بين السرعة والدقة، وليس نتاج فهم كامل وعميق لكل مستند مقابل كل استعلام.
ما هو Autoregressive Ranking؟
الفكرة الأساسية في البحث هي تدريب نموذج لغوي كبير ليولد قائمة مرتبة من معرفات المستندات (docIDs) بشكل تسلسلي ذاتي (autoregressive)، تماماً كما يولد النموذج كلمات جملة مفيدة.
بدلاً من تحويل كل شيء إلى متجهات ثم مقارنتها، يتعلم النموذج أن يكتب ترتيب المستندات مباشرة كسلسلة من الرموز. كل رمز يمثل جزءاً من معرف المستند، والنموذج يختار في كل خطوة الرمز الذي يؤدي إلى ترتيب أفضل بناءً على ما تعلمه أثناء التدريب.
الباحثون يثبتون نظرياً أن هذا النهج يتمتع بقدرة تعبيرية أعلى من Dual Encoder. ففي Dual Encoder يجب أن تنمو أبعاد التضمين خطياً مع عدد المستندات المراد ترتيبها، بينما في ARR يكفي بُعد ثابت (تحت شرط رياضي معتدل) لترتيب عدد غير محدود من المستندات.
هذه ميزة نظرية مهمة جداً. إذا ثبتت عملياً على نطاق بحث جوجل الحقيقي، فقد تفتح الباب أمام أنظمة ترتيب أكثر مرونة وأقل تكلفة على المدى الطويل.
طريقة التدريب SToICaL
لتعليم النموذج كيفية الترتيب، ابتكر الباحثون دالة خسارة جديدة أسموها SToICaL (Simple Token-Item Calibrated Loss).
الفكرة ببساطة:
- المستندات التي يجب أن تحتل مراتب أعلى تُعطى وزناً أكبر أثناء التدريب.
- المستندات الأقل صلة تُعطى وزناً أقل.
- يتم توزيع الاحتمالية على الرموز الصحيحة (valid docID tokens) بناءً على درجة الصلة الحقيقية المعروفة في بيانات التدريب.
النتيجة أن النموذج لا يتعلم فقط “ما هو الجواب الصحيح”، بل يتعلم أيضاً “أي الإجابات يجب أن تظهر قبل الأخرى” و“أيها يجب أن يُقمع ترتيبها”.
في التجارب، ساعدت SToICaL على تحسين مقاييس الترتيب بشكل ملحوظ، خاصة في قدرتها على وضع المستندات غير ذات الصلة في مراتب أدنى.
نتائج الاختبارات
اختبر الباحثون النظام على مجموعتي بيانات:
- WordNet
- ESCI Shopping Queries (استعلامات تسوق)
النتائج الرئيسية كانت كالتالي:
- SToICaL حسّنت قدرة ARR على الترتيب بشكل واضح، خاصة في المقاييس التي تتجاوز مجرد “أفضل نتيجة واحدة”.
- النموذج أصبح أفضل بكثير في خفض ترتيب المستندات غير ذات الصلة.
- في مقارنة مباشرة على WordNet، أدى ARR أداءً قريباً من Cross Encoder (الأدق والأكثر تكلفة) وتفوقاً واضحاً على Dual Encoder.
لكن النتائج لم تكن مثالية في كل المقاييس. في اختبارات التسوق، ظهرت نسخة من الطريقة أدنى أداءً في وضع النتيجة الأكثر صلة في المرتبة الأولى، رغم تحسن الترتيب الإجمالي. هذا يشير إلى أن هناك حاجة لمزيد من البحث والتعديل قبل أي استخدام إنتاجي.
يجب التأكيد مرة أخرى: هذه نتائج مخبرية على مجموعات بيانات محدودة. لا يوجد أي دليل حتى الآن على أن جوجل بدأت في استخدام ARR في البحث الفعلي.
التأثير المحتمل على السيو وتحسين محركات البحث
إذا انتقل هذا النوع من النماذج من الورقة البحثية إلى نظام البحث الحي، فستكون الآثار عميقة.
حالياً يعتمد الكثير من ممارسات السيو على فهم كيف تعمل أنظمة الاسترجاع والترتيب التقليدية: أهمية السرعة في المرحلة الأولى، وأهمية الإشارات الدقيقة في المرحلة الثانية، وكيفية تحسين المحتوى ليتناسب مع كلا المرحلتين. ARR قد يلغي هذا التقسيم.
في عالم يعتمد على نموذج توليدي للترتيب، قد تصبح “جودة الإجابة الكاملة” و“مدى ملاءمة المستند للاستعلام ككل” أكثر أهمية من الإشارات التقليدية المجزأة. هذا قد يعزز أهمية:
- المحتوى الذي يجيب على نية البحث بشكل شامل ومترابط.
- الوضوح الدلالي والعلاقات بين الكيانات.
- القدرة على تغطية الموضوع من زوايا متعددة دون حشو.
في المقابل، قد تقل أهمية بعض التكتيكات التي كانت تستغل ثغرات في المرحلة الأولى السريعة أو المرحلة الثانية المحدودة.
البحث لا يقول إن السيو سيموت، بل يقول إن قواعد اللعبة قد تصبح أقرب إلى “من يقدم أفضل إجابة متكاملة” بدلاً من “من يحسّن أفضل للإشارات الحالية”.
ماذا يعني هذا لصناع المحتوى في العالم العربي؟
بالنسبة لمن يكتبون محتوى عربياً ويستهدفون نتائج البحث، الرسالة الأهم هي الاستعداد للتحول نحو جودة الإجابة الفعلية.
المحتوى الذي يكتفي بتكرار الكلمات المفتاحية أو بناء روابط دون تقديم قيمة حقيقية قد يجد صعوبة أكبر إذا أصبحت أنظمة الترتيب أقرب إلى فهم عميق للنص. في المقابل، المقالات التي تشرح المفاهيم بعمق، وتربط بين الأفكار، وتقدم أمثلة عملية واضحة، قد تستفيد من أي نظام يعتمد على نماذج لغوية كبيرة.
هذا يتوافق تماماً مع ما نراه أصلاً في تحديثات جوجل الأخيرة التي تركز على الخبرة والتجربة والأصالة (E-E-A-T) و“مكاسب المعلومات” (Information Gain).
الوقت الحالي هو أفضل وقت لمراجعة استراتيجية المحتوى: هل مقالاتك تقدم إجابة أفضل مما يقدمه المنافسون، أم أنها مجرد نسخ محسّنة كلماتياً؟
ماذا تفعل الآن؟ (خطة عمل سريعة)
🚀 خطوات عملية:
1. اقرأ الورقة الأصلية أو ملخصها لفهم الحدود الحالية للبحث
2. راجع محتوى موقعك من زاوية “هل يقدم إجابة متكاملة؟” وليس فقط “هل يحتوي على الكلمات الصحيحة؟”
3. ركز على الوضوح الدلالي والعلاقات بين المفاهيم داخل المقال
4. تابع الأبحاث القادمة من DeepMind وجوجل حول أنظمة الترتيب
الأسئلة الشائعة (FAQ)
هل بدأ جوجل في استخدام هذا النموذج فعلياً؟
لا. الورقة بحثية بحتة ونُشرت في سبتمبر 2026. لا يوجد إعلان رسمي عن تطبيقها في بحث جوجل الحي.
ما الفرق بين Autoregressive Ranking والنظام الحالي؟
النظام الحالي يعتمد على مرحلتين (Dual Encoder ثم Cross Encoder). ARR يقترح نموذجاً واحداً يولد القائمة المرتبة مباشرة عبر توليد تسلسلي لمعرفات المستندات.
هل هذا يعني نهاية السيو التقليدي؟
ليس بالضرورة. لكنه يشير إلى أن أهمية المحتوى الذي يجيب بعمق ووضوح على نية البحث قد تزداد، بينما تقل أهمية بعض التكتيكات التي تعتمد على استغلال قيود النظام الحالي.
ما هي SToICaL؟
هي دالة خسارة جديدة طورها الباحثون لتعليم النموذج ترتيب المستندات بشكل واعٍ بالمراتب، عبر إعادة وزن العناصر وتوزيع الاحتمالية على الرموز الصحيحة.
هل يؤثر هذا على البحث العربي تحديداً؟
أي تغيير جذري في بنية الترتيب سيؤثر على كل اللغات. المحتوى العربي عالي الجودة والواضح دلالياً سيكون في وضع أفضل إذا انتقلت جوجل نحو أنظمة أقرب إلى فهم اللغة الطبيعية العميق.
الخلاصة
جوجل ديب مايند تطور نموذجاً جديداً لتصنيف نتائج البحث باستخدام AI يتمثل في Autoregressive Ranking، وهو محاولة جادة لتجاوز القيود الهندسية للنظام التقليدي المكون من مرحلتين.
البحث يقدم أساساً نظرياً قوياً ونتائج تجريبية مشجعة، لكنه ما زال في مرحلة البحث العلمي.
بالنسبة لصناع المحتوى ومتخصصي السيو، الرسالة الأوضح هي: استمر في بناء محتوى يجيب على الأسئلة بشكل شامل وأصيل وواضح. هذا النوع من المحتوى هو الأكثر قدرة على التكيف مع أي تحول مستقبلي في أنظمة الترتيب، سواء بقي النظام الحالي أو انتقل إلى نماذج مثل ARR.
تابع الأبحاث القادمة من DeepMind، فالتغيير الحقيقي قد يكون أقرب مما نعتقد.
المصادر
- Google DeepMind Develops New AI Search Ranking Model – Search Engine Journal
- الورقة البحثية: Autoregressive Ranking: Bridging the Gap Between Dual and Cross Encoders (Google DeepMind et al.)