الطاقة الكفؤة للذكاء الاصطناعي: فجر جديد مع الحواسيب الشبيهة بالدماغ

يُعتبر مجال الذكاء الاصطناعي (AI) في نمو سريع، ويعرف بأدائه لكن يأتي هذا الأداء بتكلفة طاقة كبيرة. يهدف نهج جديد، اقترحه两个 علماء رائدان في معهد ماكس بلانك للعلوم الضوئية في إرلنغن، ألمانيا، إلى تدريب الذكاء الاصطناعي بطريقة أكثر كفاءة، مما قد يثور في طريقة معالجة البيانات.

تستهلك نماذج الذكاء الاصطناعي الحالية كميات كبيرة من الطاقة أثناء التدريب. بينما تكون الأرقام الدقيقة غامضة، تشير التقديرات التي قدمها Statista إلى أن تدريب GPT-3 يتطلب حوالي 1000 ميغاواط ساعي – ما يعادل استهلاك 200 منزل ألماني كبير في السنة. بينما قام التدريب المكثف ل GPT-3 بتعلم التنبؤ بالتسلسلات الكلمات، هناك إجماع على أن هذا التدريب لم يصل إلى فهم المعاني الداخلية للجمل.

الحوسبة الشبيهة بالدماغ: دمج الدماغ والآلة

في حين تعتمد أنظمة الذكاء الاصطناعي التقليدية على الشبكات العصبية الاصطناعية الرقمية، قد تكمن المستقبل في الحوسبة الشبيهة بالدماغ. أوضح فلوريان ماركوارت، مدير في معهد ماكس بلانك وأستاذ في جامعة إرلنغن، العيوب في الإعدادات التقليدية للذكاء الاصطناعي.

“يستهلك نقل البيانات بين المعالج والذاكرة وحده كمية كبيرة من الطاقة”، كما شدد ماركوارت على عدم الكفاءة عند تدريب شبكات عصبية كبيرة.
تأخذ الحوسبة الشبيهة بالدماغ الإلهام من الدماغ البشري، حيث يتم معالجة البيانات بشكل موازٍ بدلاً من التسلسلي. في الأساس، تعمل الشوابط في الدماغ كمحول ومذاكرة في نفس الوقت. يتم حاليًا استكشاف الأنظمة التي تقلد هذه الخصائص، مثل الدوائر الضوئية التي تستخدم الضوء للحسابات.

تدريب الذكاء الاصطناعي مع الآلات الفيزيائية ذات التعلم الذاتي

عمل ماركوارت جنبًا إلى جنب مع طالب الدكتوراه فيكتور لوبيز-باستور، وقدموا طريقة تدريب مبتكرة للحواسيب الشبيهة بالدماغ. تعتمد “آلة التعلم الذاتي الفيزيائية” بشكل أساسي على تحسين معاملاتها من خلال عملية فيزيائية داخلية، مما يجعل التغذية الراجعة الخارجية زائدة عن الحاجة. “لا يتطلب هذا التغذية الراجعة يجعل التدريب أكثر كفاءة”، كما شدد ماركوارت، مشيرًا إلى أن هذه الطريقة ستوفر الطاقة والزمن الحاسوبي.
ومع ذلك، تتمتع هذه التقنية الجذرية بمتطلبات محددة. يجب أن تكون العملية قابلة للعكس، مما يضمن فقدانًا طفيفًا للطاقة، وكذلك معقدة أو غير خطية. “فقط العمليات غير الخطية يمكنها تنفيذ التحويلات المعقدة بين بيانات الإدخال والنتائج”، كما قال ماركوارت، مشيرًا إلى الفرق بين الإجراءات الخطية وغير الخطية.

نحو التطبيق العملي

يتوافق الأساس النظري للثنائي مع التطبيقات العملية. بالتعاون مع فريق تجريبي، يتقدمان في تطوير حاسوب شبيه بالدماغ الضوئي الذي يعالج المعلومات باستخدام موجات الضوء المتداخلة. الهدف واضح: تحقيق مفهوم آلة التعلم الذاتي الفيزيائي.
“نأمل أن نقدم أول آلة تعلم ذاتي في ثلاث سنوات”، كما توقع ماركوارت، مشيرًا إلى أن هذه الشبكات المستقبلية سوف تتعامل مع المزيد من البيانات وستتدرب على مجموعات بيانات أكبر من الأنظمة الحالية. بالنظر إلى الطلبات المتزايدة على الذكاء الاصطناعي والعدم الكفاءة المحددة للترتيبات الحالية، يبدو التحول نحو حواسيب شبيهة بالدماغ مدربة بكفاءة لا مفر منه ومpromising.
بالكلمات ماركوارت، “نحن واثقون من أن آلات التعلم الذاتي الفيزيائية تملك فرصة قوية في التطور المستمر للذكاء الاصطناعي”. ينتظر المجتمع العلمي والمشجعون على حد سواء بفارغ الصبر لمعرفة ما يحمل المستقبل.