نماذج ومنصات الذكاء الاصطناعي
الذكاء الاصطناعي الموفّر للطاقة: فجر جديد مع الحواسيب العصبية الشكل
النقاط الرئيسيةيحاكي الحوسبة العصبية التشابكية المعالجة المتوازية للدماغ لتقليل استخدام الطاقة في…
عرض المزيد
- يحاكي الحوسبة العصبية التشابكية المعالجة المتوازية للدماغ لتقليل استخدام الطاقة في الذكاء الاصطناعي بشكل كبير.
- تدرّب آلة فيزيائية جديدة ذاتية التعلم الذكاء الاصطناعي دون حاجة إلى تغذية راجعة خارجية لتحقيق كفاءة أعلى.
- يمكن عرض أول آلة فيزيائية ذاتية التعلم عاملة خلال ثلاث سنوات.
يتميز مجال الذكاء الاصطناعي السريع النمو بأدائه، ولكنه يأتي بتكلفة طاقة كبيرة. وتقدم مقاربة جديدة، اقترحها عالمان رائدان في معهد ماكس بلانك للعلوم الضوئية في إرلنغن، ألمانيا، تهدف إلى تدريب الذكاء الاصطناعي بشكل أكثر كفاءة، مما قد يُحدث ثورة في طريقة معالجة البيانات.
تستهلك نماذج الذكاء الاصطناعي الحالية كميات هائلة من الطاقة أثناء التدريب. ورغم أن الأرقام الدقيقة غير واضحة، فإن تقديرات Statista تشير إلى أن تدريب GPT-3 يتطلب حوالي 1000 ميغاواط ساعي – ما يعادل استهلاك 200 منزل ألماني كبير في السنة. ورغم أن هذا التدريب المكثف قد حسّن من قدرة GPT-3 على التنبؤ بالتسلسلات الكلماتية، إلا أنه يوجد إجماع على أنّه لم يفهم المعاني الضمنية لتلك العبارات.
حوسبة شبيهة بالدماغ: دمج الدماغ والآلة
في حين تعتمد أنظمة الذكاء الاصطناعي التقليدية على الشبكات العصبية الاصطناعية الرقمية، قد يكمن المستقبل في حوسبة شبيهة بالدماغ. وشرح فلوريان ماركوارت، مدير في معهد ماكس بلانك وأستاذ في جامعة إرلنغن، عيوب الترتيبات التقليدية للذكاء الاصطناعي.
قال ماركوارت: “إن نقل البيانات بين المعالج والذاكرة وحده يستهلك كمية كبيرة من الطاقة”، مشيرًا إلى عدم الكفاءة عند تدريب شبكات عصبية ضخمة.
تستمد حوسبة شبيهة بالدماغ الإلهام من الدماغ البشري، حيث يتم معالجة البيانات بشكل متوازي وليس متسلسلي. وتعمل المشابك العصبية في الدماغ كمعالج وذاكرة في الوقت نفسه. وتجري دراسة الأنظمة التي تقلد هذه الخصائص، مثل الدوائر الضوئية التي تستخدم الضوء للحساب.
تدريب الذكاء الاصطناعي مع آلات فيزيائية ذاتية التعلم
عمل ماركوارت جنبًا إلى جنب مع طالب الدكتوراه فيكتور لوبيز-باستور، وقدم طريقة تدريب مبتكرة للحواسيب الشبيهة بالدماغ. وتعمل «الآلة الفيزيائية ذاتية التعلم» التي طوراها على تحسين معاملاتها من خلال عملية فيزيائية ذاتية، مما يجعل التغذية الراجعة الخارجية زائدة. وقال ماركوارت: “إن عدم الحاجة إلى هذه التغذية الراجعة يجعل التدريب أكثر كفاءة”، مشيرًا إلى أن هذه الطريقة ستوفر الطاقة والوقت الحاسوبي.
ومع ذلك، تتمتع هذه التقنية الجديدة بمطالب معينة. يجب أن تكون العملية قابلة للعكس، مما يضمن فقدانًا طاقيًا أقل، وكافية التعقيد أو اللاخطية. وقال ماركوارت: “فقط العمليات غير الخطية يمكنها تنفيذ التحويلات المعقدة بين بيانات الإدخال والنتائج”، مشيرًا إلى الفرق بين الإجراءات الخطية واللاخطية.
نحو التطبيق العملي
تتماشى الأسس النظرية للثنائي مع التطبيقات العملية. وبالتعاون مع فريق تجريبي، يتقدمون في تطوير حاسوب شبيه بالدماغ ضوئي يعالج المعلومات باستخدام موجات ضوئية متداخلة. وهدفهم واضح: تحقيق مفهوم آلة فيزيائية ذاتية التعلم.
قال ماركوارت: “نأمل أن نقدم أول آلة فيزيائية ذاتية التعلم في غضون ثلاث سنوات”، مشيرًا إلى أن هذه الشبكات المستقبلية سوف تتعامل مع المزيد من البيانات وستتدرب على مجموعات بيانات أكبر من الأنظمة الحالية. ونظرًا للطلبات المتزايدة على الذكاء الاصطناعي وعدم الكفاءة المتأصلة في الترتيبات الحالية، يبدو أن التحول نحو حواسيب شبيهة بالدماغ مدربة بكفاءة يبدو حتميًا وواعدًا.
قال ماركوارت: “نحن واثقون من أن الآلات الفيزيائية الذاتية التعلم تمثل فرصة قوية في تطور الذكاء الاصطناعي المستمر”. ويتطلع المجتمع العلمي ومتحمسو الذكاء الاصطناعي بلهفة إلى ما سيحضره المستقبل.












