أحدث الأخبار مع #ستيوارتراسل،
النهار
٠٢-٠٤-٢٠٢٥
- علوم
- النهار
نهاية وهم التوسيع؟ صراع الذكاء الاصطناعي بين الكبار والمبتكرين
لندن - "النهار" لطالما اعتُبرت فكرة "التوسيع" — أي زيادة البيانات والحوسبة — حجر الأساس في تطوير نماذج الذكاء الاصطناعي، غير أن هذه الفرضية تجد نفسها اليوم على أرضية مهزوزة. أحدث المؤشرات على ذلك جاءت من استطلاع واسع شمل 475 باحثًا في الذكاء الاصطناعي، نُشر في تقرير جديد صادر عن "جمعية النهوض بالذكاء الاصطناعي". عند سؤال هؤلاء الباحثين عمّا إذا كان توسيع النماذج الحالية قادراً على إيصالنا إلى الذكاء الاصطناعي العام (AGI) — أي ذكاء عام يعادل أو يتجاوز الإدراك البشري — أجاب 76% منهم بأنه "غير محتمل" أو "غير محتمل للغاية". هذا الرد يُعدّ رفضًا صريحًا لنهج التوسيع العنيف الذي طالما اعتمدته شركات التكنولوجيا الكبرى. وفي تصريح لمجلة New Scientist، قال ستيوارت راسل، أستاذ علوم الحاسوب في جامعة كاليفورنيا – بيركلي، وأحد منظمي التقرير: "لطالما بدا لي أن الاستثمارات الهائلة في التوسيع، دون جهد مماثل لفهم ما يحدث داخل النماذج، كانت في غير محلها... وأعتقد أنه قبل عام تقريبًا، بدأت تتضح للجميع حدود الفوائد التي يمكن تحقيقها عبر التوسيع بالمعنى التقليدي". ورغم هذا الإجماع العلمي، لا تزال كبرى الشركات تمضي قدماً في التوسيع بلا هوادة. فقد أفاد موقع TechCrunch بأن الاستثمار في الذكاء الاصطناعي التوليدي تجاوز 56 مليار دولار من رأس المال الجريء في عام 2024 فقط. ومن المتوقع أن تنفق "مايكروسوفت" وحدها 80 مليار دولار على بنية الذكاء الاصطناعي التحتية في عام 2025. وترافق هذا التوسع مع طلب هائل على الطاقة. فقد وقّعت "مايكروسوفت" عقداً لتشغيل محطة طاقة نووية كاملة بهدف دعم مراكز بياناتها، بينما دخلت كل من "غوغل" و"أمازون" في اتفاقيات مماثلة للحصول على طاقة نووية. لكن وسط هذا السباق المحموم، جاءت صدمة من الشرق. فقد فجّرت شركة صينية ناشئة تُدعى "ديبسيك" مفاجأة كبيرة، حين قدّمت نموذج ذكاء اصطناعي قادراً على منافسة النماذج الغربية الرائدة متعددة المليارات، وذلك بكلفة تدريب أقل بكثير واستهلاك طاقة أقل. المؤشرات على تراجع جدوى التوسيع لم تبدأ مع "ديبسيك". ففي تشرين الثاني /نوفمبر من العام الماضي، كشفت تقارير أن باحثي "أوبن إيه آي" اكتشفوا أن النسخة الآتية من نموذج GPT أظهرت تحسناً طفيفاً أو حتى معدومًا مقارنة بالإصدارات السابقة. وفي كانون الأول / ديسمبر، أعلن الرئيس التنفيذي لغوغل، سوندار بيتشاي، أن "التحسينات السهلة قد انتهت"، وإن ظل متمسكًا بإمكانية "الاستمرار في التوسيع". في محاولة للبحث عن بدائل، لجأت "أوبن إيه آي" إلى أسلوب يُعرف بـ"الحوسبة وقت الاختبار" (test-time compute)، حيث يُمنح النموذج وقتاً أطول "للتفكير" قبل اتخاذ القرار، ما أدى إلى تحسن في الأداء كان يتطلب توسعة ضخمة لتحقيقه بالطرق التقليدية. لكن هذا الأسلوب "من غير المرجح أن يكون حلاً سحرياً"، حسب تعبير أرفيند نارايانان، أستاذ علوم الحاسوب في جامعة برينستون. في المقابل، اختارت "ديبسيك" نهجاً أكثر ابتكاراً يُدعى "مزيج الخبراء" (mixture of experts)، حيث تُوزَّع المهام على عدة شبكات عصبية متخصصة – "خبراء" افتراضيون – بدلاً من الاعتماد على نموذج عام واحد. رغم هذه المحاولات لتجاوز قيود التوسيع، لا تزال كبرى الشركات مثل "مايكروسوفت" تُراهن على نهج التوسيع العنيف، مستثمرة عشرات المليارات في البنى التحتية، فيما يبدو أن المهمة الحقيقية للابتكار والكفاءة ستقع على عاتق الشركات الناشئة، التي تسعى لفعل المزيد بموارد أقل.
سواليف احمد الزعبي
٠١-٠٤-٢٠٢٥
- علوم
- سواليف احمد الزعبي
تحديات جوهرية تواجه تطور الذكاء الاصطناعي
#سواليف أظهر استطلاع حديث لخبراء في مجال #الذكاء_الاصطناعي أن توسيع نماذج اللغات الكبيرة (LLMs) لن يؤدي إلى تحقيق الذكاء الاصطناعي العام (AGI). يعدّ AGI بمثابة النقلة النوعية التي تمكّن الأنظمة من التعلم بشكل فعّال كالذكاء البشري أو أفضل منه. وأكد 76% من 475 باحثا في المجال، أنهم يرون أن هذا التوسع 'غير مرجح' أو 'غير مرجح جدا' أن يحقق هذا الهدف المنشود. وتعتبر هذه النتيجة انتكاسة كبيرة للصناعات التكنولوجية التي توقعت أن تحسينات بسيطة في النماذج الحالية من خلال مزيد من البيانات والطاقة ستؤدي إلى الذكاء الاصطناعي العام. ومنذ #طفرة الذكاء الاصطناعي التوليدي في 2022، كانت التوقعات تركز على أن زيادة الموارد كافية لتجاوز #الذكاء_البشري. لكن مع مرور الوقت، وبالرغم من الزيادة الكبيرة في الإنفاق، فإن التقدم قد تباطأ بشكل ملحوظ. وقال ستيوارت راسل، عالم الحاسوب في جامعة كاليفورنيا، بيركلي، والذي شارك في إعداد التقرير: 'منذ إصدار GPT-4، أصبح واضحا أن التوسع في النماذج كان تدريجيا ومكلفا. الشركات قد استثمرت أموالا ضخمة بالفعل، ولا يمكنها التراجع بسبب الضغوط المالية'. وفي السنوات الأخيرة، ساهمت البنية الأساسية المبتكرة المسماة 'المحولات' (Transformers)، التي ابتكرها علماء غوغل عام 2017، في تحسن قدرات نماذج الذكاء الاصطناعي. وتستفيد هذه النماذج من زيادة البيانات لتوليد استجابات أدق. ولكن التوسع المستمر يتطلب موارد ضخمة من الطاقة والمال. وقد استقطب قطاع الذكاء الاصطناعي المولّد نحو 56 مليار دولار في رأس المال المغامر عام 2024، مع تكريس جزء كبير من هذه الأموال لبناء مراكز بيانات ضخمة تسببت في زيادة انبعاثات الكربون ثلاث مرات منذ 2018. ومع استنفاد البيانات البشرية القابلة للاستخدام بحلول نهاية هذا العقد، فإن الشركات ستضطر إما لاستخدام البيانات التي أنشأها الذكاء الاصطناعي نفسه أو جمع بيانات خاصة من المستخدمين، ما يعرض النماذج لمخاطر أخطاء إضافية. وعلى الرغم من ذلك، لا يقتصر السبب في محدودية النماذج الحالية على الموارد فقط، بل يتعدى ذلك إلى القيود الهيكلية في طريقة تدريب هذه النماذج. كما أشار راسل: 'المشكلة تكمن في أن هذه النماذج تعتمد على شبكات ضخمة تمثل مفاهيم مجزّأة، ما يجعلها بحاجة إلى كميات ضخمة من البيانات'. وفي ظل هذه التحديات، بدأ الباحثون في النظر إلى نماذج استدلالية متخصصة يمكن أن تحقق استجابات أكثر دقة. كما يعتقد البعض أن دمج تقنيات الذكاء الاصطناعي مع أنظمة تعلم آلي أخرى قد يفتح آفاقا جديدة. وفي هذا الصدد، أثبتت شركة DeepSeek الصينية أن بإمكانها تحقيق نتائج متميزة بتكاليف أقل، متفوقة على العديد من نماذج الذكاء الاصطناعي التي تعتمد عليها شركات التكنولوجيا الكبرى في وادي السيليكون. ورغم التحديات، ما يزال هناك أمل في التقدم، حيث يقول توماس ديتريش، الأستاذ الفخري لعلوم الحاسوب في جامعة ولاية أوريغون: 'في الماضي، كانت التطورات التكنولوجية تتطلب من 10 إلى 20 عاما لتحقيق العوائد الكبيرة. وهذا يعني أن هناك فرصة للابتكار بشكل كبير في مجال الذكاء الاصطناعي، رغم أن العديد من الشركات قد تفشل في البداية'.
صوت لبنان
٣١-٠٣-٢٠٢٥
- علوم
- صوت لبنان
تحديات جوهرية تواجه تطور الذكاء الاصطناعي
أظهر استطلاع حديث لخبراء في مجال الذكاء الاصطناعي أن توسيع نماذج اللغات الكبيرة (LLMs) لن يؤدي إلى تحقيق الذكاء الاصطناعي العام (AGI). يعدّ AGI بمثابة النقلة النوعية التي تمكّن الأنظمة من التعلم بشكل فعّال كالذكاء البشري أو أفضل منه. وأكد 76% من 475 باحثا في المجال، أنهم يرون أن هذا التوسع "غير مرجح" أو "غير مرجح جدا" أن يحقق هذا الهدف المنشود. وتعتبر هذه النتيجة انتكاسة كبيرة للصناعات التكنولوجية التي توقعت أن تحسينات بسيطة في النماذج الحالية من خلال مزيد من البيانات والطاقة ستؤدي إلى الذكاء الاصطناعي العام. ومنذ طفرة الذكاء الاصطناعي التوليدي في 2022، كانت التوقعات تركز على أن زيادة الموارد كافية لتجاوز الذكاء البشري. لكن مع مرور الوقت، وبالرغم من الزيادة الكبيرة في الإنفاق، فإن التقدم قد تباطأ بشكل ملحوظ. وقال ستيوارت راسل، عالم الحاسوب في جامعة كاليفورنيا، بيركلي، والذي شارك في إعداد التقرير: "منذ إصدار GPT-4، أصبح واضحا أن التوسع في النماذج كان تدريجيا ومكلفا. الشركات قد استثمرت أموالا ضخمة بالفعل، ولا يمكنها التراجع بسبب الضغوط المالية". وفي السنوات الأخيرة، ساهمت البنية الأساسية المبتكرة المسماة "المحولات" (Transformers)، التي ابتكرها علماء غوغل عام 2017، في تحسن قدرات نماذج الذكاء الاصطناعي. وتستفيد هذه النماذج من زيادة البيانات لتوليد استجابات أدق. ولكن التوسع المستمر يتطلب موارد ضخمة من الطاقة والمال. وقد استقطب قطاع الذكاء الاصطناعي المولّد نحو 56 مليار دولار في رأس المال المغامر عام 2024، مع تكريس جزء كبير من هذه الأموال لبناء مراكز بيانات ضخمة تسببت في زيادة انبعاثات الكربون ثلاث مرات منذ 2018. ومع استنفاد البيانات البشرية القابلة للاستخدام بحلول نهاية هذا العقد، فإن الشركات ستضطر إما لاستخدام البيانات التي أنشأها الذكاء الاصطناعي نفسه أو جمع بيانات خاصة من المستخدمين، ما يعرض النماذج لمخاطر أخطاء إضافية. وعلى الرغم من ذلك، لا يقتصر السبب في محدودية النماذج الحالية على الموارد فقط، بل يتعدى ذلك إلى القيود الهيكلية في طريقة تدريب هذه النماذج. كما أشار راسل: "المشكلة تكمن في أن هذه النماذج تعتمد على شبكات ضخمة تمثل مفاهيم مجزّأة، ما يجعلها بحاجة إلى كميات ضخمة من البيانات". وفي ظل هذه التحديات، بدأ الباحثون في النظر إلى نماذج استدلالية متخصصة يمكن أن تحقق استجابات أكثر دقة. كما يعتقد البعض أن دمج تقنيات الذكاء الاصطناعي مع أنظمة تعلم آلي أخرى قد يفتح آفاقا جديدة. وفي هذا الصدد، أثبتت شركة DeepSeek الصينية أن بإمكانها تحقيق نتائج متميزة بتكاليف أقل، متفوقة على العديد من نماذج الذكاء الاصطناعي التي تعتمد عليها شركات التكنولوجيا الكبرى في وادي السيليكون. ورغم التحديات، ما يزال هناك أمل في التقدم، حيث يقول توماس ديتريش، الأستاذ الفخري لعلوم الحاسوب في جامعة ولاية أوريغون: "في الماضي، كانت التطورات التكنولوجية تتطلب من 10 إلى 20 عاما لتحقيق العوائد الكبيرة. وهذا يعني أن هناك فرصة للابتكار بشكل كبير في مجال الذكاء الاصطناعي، رغم أن العديد من الشركات قد تفشل في البداية".
الوئام
٢٧-٠٣-٢٠٢٥
- علوم
- الوئام
مسح علمي جديد: قد لا نصل إلى نماذج تضاهي الذكاء البشري
كشف مسح حديث شمل خبراء بارزين في مجال الذكاء الاصطناعي أن المنهجيات الحالية المتبعة في تطوير هذا المجال من غير المرجح أن تؤدي إلى ابتكار نماذج قادرة على مضاهاة الذكاء البشري. ووفقًا لنتائج المسح الذي استطلع آراء 475 عالمًا في الذكاء الاصطناعي، أعرب 76% منهم عن اعتقادهم بأن الاعتماد المتزايد على توسيع نطاق نماذج اللغة الكبيرة (LLMs) هو أمر 'غير مرجح' أو 'غير مرجح للغاية' لتحقيق ما يُعرف بـ 'الذكاء الاصطناعي العام' (AGI)، وهو المستوى الافتراضي الذي يمكن فيه لأنظمة تعلم الآلة أن تتعلم بفعالية تماثل البشر أو تتفوق عليهم. تُمثل هذه النتائج تحولًا لافتًا عن التوقعات التي سادت قطاع التكنولوجيا، خاصة منذ الطفرة التي شهدها الذكاء الاصطناعي التوليدي في عام 2022، والتي رأت أن النماذج الحالية المتطورة لا تحتاج سوى لمزيد من البيانات، والمعدات، والطاقة، والتمويل لتجاوز القدرات الذهنية للبشر. ومع ظهور مؤشرات على تباطؤ في تطور النماذج التي تم إطلاقها مؤخرًا، يرى غالبية الباحثين الذين شملهم الاستطلاع، الذي نظمته 'جمعية النهوض بالذكاء الاصطناعي' (AAAI)، أن شركات التكنولوجيا قد وصلت إلى طريق مسدود فيما يتعلق بالمنهجيات الحالية، وأن ضخ المزيد من الأموال لن يكون كافيًا للخروج منه. وفي هذا السياق، صرح ستيوارت راسل، عالم الكمبيوتر بجامعة كاليفورنيا في بيركلي وأحد منظمي التقرير، لموقع 'Live Science' قائلًا: 'أعتقد أنه أصبح واضحًا بعد فترة وجيزة من إطلاق GPT-4، أن المكاسب الناتجة عن التوسع أصبحت تدريجية ومكلفة للغاية'. وأضاف: 'لقد استثمرت (شركات الذكاء الاصطناعي) الكثير بالفعل ولا يمكنها تحمل الاعتراف بأنها ارتكبت خطأً… والبقاء خارج السوق لعدة سنوات بينما يتعين عليها سداد مستحقات المستثمرين الذين ضخوا مئات المليارات من الدولارات. لذا، كل ما يمكنهم فعله هو مضاعفة الرهان على المسار الحالي'. عوائد متناقصة وتحديات بنيوية يعود الفضل جزئيًا في التحسينات المذهلة التي طرأت على نماذج اللغة الكبيرة في السنوات الأخيرة إلى بنيتها الأساسية المعروفة بـ 'بنية المحولات' (Transformer Architecture). وهي نوع من بنى التعلم العميق، ابتكرها علماء جوجل لأول مرة عام 2017، تنمو وتتعلم عن طريق استيعاب بيانات التدريب من المدخلات البشرية. لكن التوسع المستمر لهذه النماذج يتطلب كميات هائلة من المال والطاقة، حيث جمع قطاع الذكاء الاصطناعي التوليدي 56 مليار دولار من رأس المال الاستثماري عالميًا في عام 2024 وحده، يُوجه جزء كبير منها لبناء مجمعات ضخمة لمراكز البيانات. علاوة على ذلك، تُظهر التوقعات أن البيانات المحدودة التي ينتجها البشر، والتي تُعد ضرورية لمزيد من النمو، من المرجح أن تُستنفد بحلول نهاية هذا العقد. وحينها، ستكون البدائل إما البدء في جمع البيانات الخاصة من المستخدمين أو تغذية النماذج بـ 'بيانات اصطناعية' مولدة بواسطة الذكاء الاصطناعي، مما قد يعرضها لخطر الانهيار بسبب الأخطاء المتراكمة. ويشير خبراء المسح إلى أن قيود النماذج الحالية لا تكمن فقط في استهلاكها الكبير للموارد، بل أيضًا في قيود جوهرية تتعلق ببنيتها الأساسية. ويوضح راسل: 'أعتقد أن المشكلة الأساسية في المنهجيات الحالية هي أنها تعتمد جميعها على تدريب دوائر تغذية أمامية (Feedforward Circuits) كبيرة'، مضيفاً أن هذه الدوائر لها 'قيود أساسية' في قدرتها على تمثيل المفاهيم، مما يتطلب حجماً هائلاً لتمثيلها بشكل تقريبي ويؤدي إلى متطلبات بيانات ضخمة وتمثيل مجزأ وغير مكتمل. مستقبل تطوير الذكاء الاصطناعي وأدت هذه التحديات إلى ركود في أداء النماذج وفقًا لمقاييس التقييم القياسية، وربما تكون السبب وراء عدم ظهور نموذج GPT-5 الذي ترددت شائعات حوله من شركة OpenAI، حسبما أفاد بعض المشاركين في المسح. كما تعرضت فرضية إمكانية تحقيق تحسينات دائمة عبر التوسع للتشكيك هذا العام بعد أن تمكنت شركة DeepSeek الصينية من مضاهاة أداء نماذج وادي السيليكون باهظة التكلفة بجزء بسيط من التكلفة والطاقة. لهذه الأسباب، قال 79% من المشاركين في الاستطلاع إن التصورات الحالية لقدرات الذكاء الاصطناعي لا تتطابق مع الواقع، مما دفع راسل للقول: 'هناك العديد من الخبراء الذين يعتقدون أن هذه فقاعة'. ومع ذلك، لا يعني هذا توقف التقدم في مجال الذكاء الاصطناعي. فقد أظهرت 'نماذج الاستدلال' (Reasoning Models) – وهي نماذج متخصصة تكرس المزيد من الوقت وقوة الحوسبة لمعالجة الاستفسارات – قدرتها على إنتاج استجابات أكثر دقة. ويرى المشاركون في المسح أن دمج هذه النماذج مع أنظمة تعلم الآلة الأخرى، خاصة بعد تقطيرها وتخصيصها لمهام محددة، يمثل مسارًا واعدًا للمستقبل. كما يشير نجاح DeepSeek إلى وجود مجال واسع للابتكار الهندسي في تصميم أنظمة الذكاء الاصطناعي. ويشير الخبراء أيضًا إلى إمكانات 'البرمجة الاحتمالية' (Probabilistic Programming) في بناء نماذج أقرب إلى الذكاء الاصطناعي العام مقارنة بنماذج الدوائر الحالية. وفي ختام تعليقه، قال توماس ديتريتش، الأستاذ الفخري لعلوم الكمبيوتر بجامعة ولاية أوريغون والذي ساهم في التقرير: 'تراهن الصناعة بشكل كبير على وجود تطبيقات عالية القيمة للذكاء الاصطناعي التوليدي'، مضيفًا أن 'التقدم التكنولوجي الكبير في الماضي استغرق من 10 إلى 20 عامًا لإظهار عوائد كبيرة… لن أتفاجأ برؤية العديد من الشركات الناشئة الحالية في مجال الذكاء الاصطناعي التوليدي تفشل، ولكن يبدو من المحتمل أن يحقق بعضها نجاحًا باهرًا'.
الاتحاد
١٨-٠٣-٢٠٢٥
- علوم
- الاتحاد
استطلاع جديد يكشف: الذكاء الاصطناعي العام بعيد المنال
يشكك علماء الذكاء الاصطناعي في قدرة النماذج الحديثة على تحقيق الذكاء الاصطناعي العام (AGI) – وهو مستوى ذكاء يماثل القدرات البشرية – رغم الاستثمارات الضخمة التي تضخها الشركات التقنية في هذا المجال. في استطلاع شمل 475 باحثًا في الذكاء الاصطناعي، أفاد 76% منهم بأن من "غير المحتمل" أو "غير المحتمل جدًا" أن تؤدي النماذج الحالية إلى تطوير أنظمة ذكاء اصطناعي فائقة الذكاء. يأتي هذا التقرير ضمن دراسة أجرتها جمعية النهوض بالذكاء الاصطناعي، وهي منظمة علمية دولية مقرها واشنطن. اقرأ أيضاً.. الأول من نوعه عالمياً.. مسح متخصص يكشف تأثير الذكاء الاصطناعي على الرعاية الصحية على مدار السنوات الأخيرة، اعتمدت شركات التقنية على فكرة أن توسيع نطاق النماذج الحالية سيؤدي إلى تحقيق AGI، مستفيدةً من تطور نماذج المحولات (Transformer Models) التي تحسنت تدريجيًا بفضل زيادة حجم البيانات المستخدمة في تدريبها. لكن هذه النماذج بدأت تظهر علامات على التباطؤ، إذ لم تحقق الإصدارات الأخيرة سوى تحسينات طفيفة في الجودة. يقول ستيوارت راسل، من جامعة كاليفورنيا في بيركلي وأحد المساهمين في التقرير: "الاستثمارات الهائلة في توسيع نطاق النماذج دون محاولة جادة لفهم آليات عملها كانت دائمًا تبدو لي غير موفقة. ومنذ نحو عام، أصبح واضحًا للجميع تقريبًا أن فوائد هذا النهج التقليدي قد بلغت حدها الأقصى". اقرأ أيضاً.. دراسة جديدة تكشف عن غزو الذكاء الاصطناعي للمحتوى على الإنترنت ومع ذلك، تستعد شركات التقنية لإنفاق نحو تريليون دولار على مراكز البيانات والرقائق الإلكترونية في السنوات المقبلة لدعم طموحاتها في مجال الذكاء الاصطناعي. وأشار التقرير أيضًا إلى وجود فجوة بين التصورات السائدة حول قدرات الذكاء الاصطناعي وواقعه الفعلي، حيث قال 80% من المشاركين إن التوقعات بشأن AI مبالغ فيها. يوضح توماس ديترتش، من جامعة ولاية أوريغون: "الأنظمة التي يُقال إنها تضاهي الأداء البشري – مثل حل المسائل البرمجية أو الرياضية – لا تزال ترتكب أخطاءً ساذجة. يمكن لهذه الأنظمة أن تكون أدوات مفيدة، لكنها لن تحل محل البشر في الوظائف". حاليًا، تركز الشركات التقنية على ما يُعرف بـ"توسيع وقت الاستدلال"، حيث يتم استخدام قوة حوسبة أكبر لمنح النماذج مزيدًا من الوقت لمعالجة المدخلات وتحسين الاستجابات. لكن آروند نارايانان، من جامعة برينستون، يرى أن هذا النهج "لن يكون الحل السحري" لتحقيق AGI. رغم الاهتمام المتزايد بالذكاء الاصطناعي العام، لا يزال تعريفه غير واضح تمامًا. على سبيل المثال، Google DeepMind تعتبره نظامًا قادرًا على التفوق على البشر في اختبارات معرفية متعددة، بينما ترى Huawei أن تحقيقه يتطلب امتلاك الذكاء الاصطناعي لجسد يتيح له التفاعل مع البيئة. أما Microsoft وOpenAI، فقد حددتا في تقرير داخلي أن AGI سيتحقق فقط عندما تتمكن OpenAI من تطوير نموذج يحقق أرباحًا بقيمة 100 مليار دولار. إسلام العبادي(أبوظبي)
