التطور الذي لا يمكن إيقافه لـ الذكاء الاصطناعي وقد صاحب ذلك مشكلة تثير قلق الصناعة بشكل متزايد: ارتفاع استهلاك الطاقة وهذا يتطلب تدريب نماذج ضخمة واستخدامها على نطاق واسع. ويمكن أن يستهلك استعلام واحد معقد في أنظمة من نوع ChatGPT كمية من الكهرباء تعادل ما يستهلكه منزل متوسط. الولايات المتحدة في دقيقة واحدةوهو رقم، إذا ضُرب بمليارات الطلبات، فإنه يزيد بشكل كبير من البصمة البيئية.
في ضوء هذا السيناريو، يبحث الباحثون وشركات التكنولوجيا عن طرق لتحقيق الذكاء الاصطناعي أكثر كفاءة واستدامةمن بين البدائل التي تكتسب زخماً، يبرز ما يلي: الحوسبة التناظرية في الذاكرة (AIMC)، وهو نهج يقترح تغيير طريقة تخزين ومعالجة المعلومات في الرقائق بشكل جذري.
ما هي الحوسبة التناظرية داخل الذاكرة، ولماذا قد تُحدث تغييراً جذرياً؟
في البنى الرقمية الحالية، تنتقل البيانات باستمرار بين وحدات الذاكرة والمعالجةيستهلك هذا التواصل المتبادل وقتًا، وقبل كل شيء، الكثير من الطاقة. أما الحوسبة التناظرية في الذاكرة فتطرح مشكلة معاكسة تمامًا: وهي أن تبقى البيانات في نفس المكان بينما يتم تنفيذ العمليات الرياضية اللازمة لتشغيل نماذج الذكاء الاصطناعي.
ولتحقيق ذلك، تلجأ شركة AIMC إلى رقائق تناظرية قادرة على التخزين والحساب بشكل مشترك، وبالاستفادة المباشرة من الخصائص الفيزيائية للأجهزة. فبدلاً من تمثيل المعلومات فقط بأصفار وواحدات محددة جيداً، يستخدم النظام إشارات مستمرة والخصائص الكهربائية للمواد لتنفيذ العمليات.
وفقًا لدراسة حديثة أجراها الباحث تياني تشنبالتعاون مع فرق من IBM و رينسيلار معهد البوليتكنيكسيُظهر هذا النهج خفض استهلاك الطاقة بما يصل إلى ألف مرة بالمقارنة مع المنصات الرقمية التقليدية، مع الحفاظ على القدرة على تشغيل نماذج الذكاء الاصطناعي واسعة النطاق.
يكمن السر في أنه من خلال عدم الحاجة إلى نقل المعلومات باستمرار، يمكن للنظام "ترك الفيزياء تقوم بالعمل"، باستخدام آلياته الخاصة. النبضات الكهربائية واستجابات المادة لحل العمليات بشكل فوري تقريبًا. هذا التحول النموذجي جذاب بشكل خاص لـ مراكز البيانات والتطبيقات التي تستخدم الذكاء الاصطناعي بشكل مكثف، وكذلك في أوروبا حيث أصبحت كفاءة الطاقة عاملاً استراتيجياً.
مزايا وقيود الأجهزة التناظرية في مجال الذكاء الاصطناعي
الحوسبة التناظرية في الذاكرة ليست مفهوماً جديداً. فمن المعروف منذ سنوات أن هذا النوع من الأجهزة يمكنه إجراء حسابات معينة بسرعة كبيرة وباستهلاك منخفض للطاقة، مما يجعله خياراً جذاباً لـ تسريع الاستدلال من النماذج المدربة مسبقًاإلا أن تطبيقها في مرحلة التدريب أثبت حتى الآن أنه أكثر تعقيداً بكثير.
تكمن العقبة الرئيسية في العيوب المتأصلة في الأجهزة التناظريةقد تختلف النبضات التي تُحدِّث معلمات النموذج اختلافًا طفيفًا من عملية إلى أخرى، وقد يظهر تشويش كهربائي، أو قد تحدث انحرافات صغيرة، والتي تتراكم في النهاية لتؤثر سلبًا على جودة التعلم. يتناقض هذا السلوك مع دقة الأجهزة الرقمية وقابليتها للتكرار، حيث يسهل التحكم في العمليات.
عملياً، تُرجمت هذه القيود إلى تدرجات غير دقيقة وتدريب غير مستقرجعلت هاتان المشكلتان من غير العملي نقل خوارزميات التعلم الآلي الكلاسيكية إلى الرقائق التناظرية ببساطة. فعلى الرغم من إمكاناتها، اقتصر استخدام تقنية AIMC على مهام محددة للغاية، بعيدة كل البعد عن هدف تدريب النماذج الكبيرة بكفاءة عالية.
يركز عمل فريق تشين تحديدًا على هذه النقطة: كيفية الاستفادة من كفاءة فائقة للأجهزة التناظرية دون التضحية بالدقة اللازمة لنماذج الذكاء الاصطناعي للحفاظ على جودتها وقدرتها على التعميم. ويتمثل المقترح في تكييف خوارزميات التدريب بشكل عميق مع خصائص العالم الحقيقي لهذه الأنظمة الفيزيائية.
التعلم المتبقي: نسخة تناظرية من الانتشار العكسي
وللتغلب على مشاكل الدقة، قام فريق البحث بتطوير إعادة صياغة تناظرية لخوارزمية الانتشار العكسيالتقنية الأكثر انتشارًا لتدريب الشبكات العصبية العميقة. وقد أطلق على هذا النوع اسم التعلم المتبقي، وهو اسم يشير إلى فكرة تصحيح الأخطاء التي تحدث باستمرار أثناء عملية تحديث المعلمات.
تُقدّم هذه الطريقة طبقة إضافية من التحكم يراقب النظام كيفية استجابة الأجهزة لكل عملية تدريب. وبناءً على هذه المعلومات، يقوم النظام بتعديل التدرجات وتعويض الانحرافات الناتجة عن التشويش أو النبضات غير المنتظمة أو أي عيب مادي آخر، لضمان استمرار عملية التعلم على المسار الصحيح.
باستخدام هذه الاستراتيجية، تحقق النماذج المدربة على الرقائق التناظرية دقة قريبة جدًا من تلك التي يتم الحصول عليها على المنصات الرقميةلكن باستهلاك جزء بسيط من الطاقة. في الأساس، تقبل الخوارزمية أن الأجهزة ليست مثالية، وهي مصممة للتعايش مع هذه العيوب، بدلاً من محاولة تجاهلها.
يؤكد الفريق أن هذا النهج لا يحسن استقرار التدريب فحسب، بل يقدم أيضًا إطارًا أكثر منهجية لـ لضمان الحياد والسلوك الإحصائي فيما يخص النماذج في البيئات التناظرية. وهذا الأمر ذو أهمية خاصة عند النظر في التطبيقات الحساسة، حيث يمكن أن يكون للتحيزات أو أخطاء التنبؤ عواقب وخيمة.
عرض تقديمي في مؤتمر NeurIPS وردود فعل المجتمع العلمي
تم عرض نتائج هذا العمل بشكل بارز في المؤتمر السنوي حول أنظمة معالجة المعلومات العصبية (NeurIPS)يُعدّ هذا المنتدى أحد أبرز المنتديات الدولية المعنية بالذكاء الاصطناعي. وقد أثار العرض التقديمي، الذي عُقد في ديسمبر، اهتماماً واسعاً من خلال عرض نهج عملي لمعالجة مشكلة الطاقة دون الاعتماد فقط على التحسينات التدريجية في الأجهزة الرقمية.
من بين الجوانب التي تحظى بأكبر قدر من التقدير من قبل المجتمع هو مزيج من نظرية التعلم الآلي وتصميم الدوائريُعدّ هذا المجال من المجالات التي يرتكز فيها التعاون بين الجامعات وشركات مثل آي بي إم أمراً بالغ الأهمية. يقع البحث عند تقاطع علوم الحاسوب والفيزياء والهندسة الإلكترونية، وهو مجال يضم أيضاً مراكز أوروبية نشطة للغاية.
على الرغم من أن معظم التطوير التجريبي قد تم في الولايات المتحدة، إلا أن التأثير المحتمل عالمي بشكل واضح. قطاع مراكز البيانات في الاتحاد الأوروبيفي ظل اللوائح المتزايدة الصرامة بشأن استهلاك الطاقة والانبعاثات، يراقب العالم عن كثب هذه الأنواع من التطورات، والتي يمكن أن تساعد في تحقيق أهداف خفض الكربون دون إعاقة اعتماد الذكاء الاصطناعي.
بحسب مؤلفي الدراسة، فإن السبيل الأمثل للمضي قدماً يتضمن توسيع نطاق النماذج الأولية، ودمج هذا النهج في البنى التحتية القائمة، و قارن الأداء مع نماذج المصادر المفتوحة يستخدم على نطاق واسع من قبل مجتمع البحث، مما يسهل إجراء مقارنات أكثر شفافية.
التطبيقات العملية: من مراكز البيانات إلى الأجهزة الطبية
إذا ما ترسخ استخدام الحوسبة التناظرية داخل الذاكرة، فقد تمتد آثارها إلى العديد من المجالات اليومية. أولاً، ستؤثر على مراكز البيانات الكبيرة التي تدعم خدمات الحوسبة السحابية والمساعدين القائمين على الذكاء الاصطناعي، مما يقلل من تكاليف التشغيل وفاتورة الكهرباء المرتبطة بهذه الأنظمة.
لكن أحد أبرز التغييرات سيحدث في البيئات التي تكون فيها الطاقة المتاحة محدودة للغاية. نحن نتحدث عن الأجهزة الطبية القابلة للزرع أو المحمولةالتكنولوجيا القابلة للارتداء، أجهزة استشعار موزعة في المصانع أو البنية التحتية الحيوية، والروبوتات المستقلة التي تحتاج إلى العمل لفترات طويلة ببطاريات منخفضة.
في هذه السيناريوهات، فإن امتلاك رقائق قادرة على تدريب النماذج أو إعادة ضبطها محليًا، مع استهلاك ضئيل للطاقة، سيفتح الباب أمام تطبيقات غير عملية حاليًا. على سبيل المثال، الأنظمة التي تتعلم من المريض نفسه لـ تعديل العلاجات أو مراقبة العلامات الحيوية بطريقة أكثر تخصيصًا، دون إرسال جميع البيانات إلى السحابة.
في القطاع الصناعي، يمكن لأجهزة الاستشعار والروبوتات اتخاذ قرارات أكثر تعقيدًا على حافة الشبكة، مما يسهل... أتمتة أدق وأكثر مرونة دون الحاجة إلى الاعتماد المستمر على الخوادم البعيدة. ويتماشى هذا مع استراتيجيات التحول الرقمي الأوروبية والالتزام بتقليل الاعتماد على البنية التحتية الخارجية للخدمات الحيوية.
من وجهة نظر المستخدم النهائي، يمكن أن يترجم هذا التحسين إلى أجهزة مزودة بـ عمر بطارية أطول وحاجة أقل للاتصال المستمرهذا جانب عملي بقدر ما هو غير مرئي في الحياة اليومية: سيعمل النظام ببساطة لفترة أطول وبهدوء أكبر من حيث الاستهلاك.
الخطوات والفرص المستقبلية لأوروبا
وقد أشار الفريق الذي يقوده تياني تشين بالفعل إلى نيته توسيع نطاق نهج التعلم المتبقي إلى مجموعة واسعة من نماذج مفتوحة المصدرسيسمح هذا للمجموعات الأخرى بإعادة إنتاج النتائج واستكشاف متغيرات جديدة مُكيَّفة مع أنواع مختلفة من الأجهزة التناظرية.
في الوقت نفسه، من الممكن التعاون مع الصناعة يهدف هذا إلى دمج هذه المفاهيم في المنصات التجارية. وستكون هذه المرحلة حاسمة لتحديد ما إذا كان بإمكان الحوسبة التناظرية داخل الذاكرة منافسة الحلول الرقمية عالية الأداء التي تهيمن حاليًا على السوق.
في أوروبا، حيث يتزايد الاهتمام بتعزيز السيادة التكنولوجية وكفاءة الطاقةقد يجد مجال الذكاء الاصطناعي والتصنيع بمساعدة الحاسوب أرضاً خصبة. ويمكن للمبادرات المتعلقة برقائق الجيل القادم، والبنى التحتية للحوسبة الفائقة، ومشاريع الذكاء الاصطناعي منخفضة الطاقة أن تستفيد من الخبرة المتراكمة في هذه الأنواع من التطورات.
وفي الوقت نفسه، ستظل هناك تحديات مهمة بحاجة إلى حل، مثل تصنيع واسع النطاق لأجهزة تناظرية موثوقة، وتوحيد أدوات التطوير وتدريب الكفاءات التقنية القادرة على الانتقال بسلاسة بين فيزياء الجهاز وخوارزميات التعلم العميق.
تُرسّخ الحوسبة التناظرية داخل الذاكرة مكانتها كأحد أهم البدائل لتقليل استهلاك الطاقة المرتبط بالذكاء الاصطناعي، مع الحفاظ على الأداء التنافسي. إذا أكدت المراحل التالية من البحث والتطبيق صحة الوعود الأولية، قد يصبح ذلك جزءًا مهمًا من اللغز التكنولوجي والتي تحاول أوروبا وبقية العالم من خلالها التوفيق بين توسع الذكاء الاصطناعي وأهداف الاستدامة وخفض الانبعاثات.
