مقدمة: أزمة الطاقة في عصر السيادة الخوارزمية
يواجه قطاع التكنولوجيا العالمي تحدياً وجودياً يتمثل في النهم المتزايد للطاقة الكهربائية من قبل أنظمة الذكاء الاصطناعي. ووفقاً لبيانات الوكالة الدولية للطاقة، استهلكت مراكز البيانات وأنظمة الذكاء الاصطناعي قرابة 415 تيراواط/ساعة في عام 2024، ما يمثل أكثر من 10% من إجمالي إنتاج الكهرباء في الولايات المتحدة، مع توقعات بمضاعفة هذا الرقم بحلول عام 2030. وفي ظل هذه الضغوط البيئية واللوجستية، برزت حاجة ملحة لابتكار نماذج أكثر كفاءة لا تضحي بالأداء في سبيل توفير الطاقة.
في هذا السياق، حقق باحثون في إحدى كليات الهندسة الرائدة طفرة علمية من خلال تطوير نظام ذكاء اصطناعي تجريبي يعتمد على نهج هجين، نجح في تقليل استهلاك الطاقة بمقدار 100 ضعف، مع تحقيق قفزة نوعية في دقة التنفيذ، مما يفتح آفاقاً جديدة لاستدامة هذه التقنيات.
منهجية البحث: العودة إلى الذكاء الاصطناعي العصبي الرمزي
تتمحور الدراسة، التي قادها البروفيسور ماتياس شويتز، أستاذ تطبيقات التكنولوجيا في عائلة كارول، حول مفهوم “الذكاء الاصطناعي العصبي الرمزي” (Neuro-Symbolic AI). هذا النهج لا يعتمد فقط على الشبكات العصبية التقليدية التي تحاكي الأنماط الإحصائية، بل يدمجها مع “الاستدلال الرمزي” (Symbolic Reasoning)، وهو أسلوب يحاكي الطريقة البشرية في حل المشكلات عبر تقسيمها إلى خطوات منطقية وفئات معرفية محددة.
ركز الفريق في تجاربهم على أنظمة الذكاء الاصطناعي المخصصة للروبوتات، والمعروفة بنماذج “الرؤية واللغة والعمل” (Visual-Language-Action – VLA). بخلاف النماذج اللغوية الضخمة (LLMs) مثل ChatGPT، تقوم نماذج VLA بترجمة البيانات البصرية والتعليمات اللغوية إلى أفعال فيزيائية ملموسة، مثل تحريك أذرع الروبوت أو التحكم في أدواته الدقيقة.
لماذا تخفق الأنظمة التقليدية؟
تعتمد أنظمة VLA التقليدية بشكل مفرط على التعلم الإحصائي القائم على المحاولة والخطأ. فعند تكليف روبوت ببناء برج من المكعبات، يتعين عليه تحليل المشهد وتحديد كل مكعب والتنبؤ بمكانه الصحيح بناءً على أنماط تدريبية سابقة. وغالباً ما تؤدي الظلال أو التغييرات الطفيفة في زوايا الرؤية إلى حدوث “هلوسة روبوتية” تشبه الأخطاء التي نراها في تشات بوت، مما يؤدي إلى انهيار الهيكل أو فشل المهمة.
هنا يأتي دور الاستدلال الرمزي؛ فبدلاً من الاعتماد الكلي على الأنماط، يستخدم النظام قواعد مجردة حول الأشكال والتوازن والمنطق الفيزيائي. يقول البروفيسور شويتز: “النموذج العصبي الرمزي يطبق قواعد تضع حدوداً لعملية المحاولة والخطأ أثناء التعلم، مما يسمح بالوصول إلى الحل بسرعة فائقة وتقليل زمن التدريب بشكل جذري”.
الأهمية العلمية: نتائج غير مسبوقة في الكفاءة والدقة
أخضع الباحثون نظامهم الجديد لاختبار “برج هانوي” (Tower of Hanoi)، وهو لغز رياضي يتطلب تخطيطاً دقيقاً. أظهرت النتائج تفوقاً ساحقاً للنظام الهجين، حيث حقق معدل نجاح بلغ 95%، مقارنة بـ 34% فقط للأنظمة القياسية. وعند اختبار النظام في نسخة أكثر تعقيداً من اللغز لم يسبق له مواجهتها، نجح النظام الهجين بنسبة 78%، بينما فشلت النماذج التقليدية تماماً في كل المحاولات.
وعلى صعيد استهلاك الموارد، كانت الأرقام مذهلة:
- زمن التدريب: تعلم النظام الهجين المهمة في 34 دقيقة فقط، بينما استغرقت النماذج التقليدية أكثر من يوم ونصف.
- استهلاك طاقة التدريب: احتاج النموذج الجديد إلى 1% فقط من الطاقة المستهلكة في تدريب أنظمة VLA القياسية.
- استهلاك طاقة التشغيل: أثناء العمل الميداني، استهلك النظام 5% فقط من الطاقة التي تتطلبها المنهجيات التقليدية.
الآثار المستقبلية: نحو ذكاء اصطناعي مسؤول
تؤكد هذه الدراسة أن المسار الحالي لتطوير الذكاء الاصطناعي، والقائم على زيادة حجم البيانات وقوة المعالجة بشكل مطرد، قد لا يكون مستداماً من الناحية البيئية أو الاقتصادية. فالبنية التحتية للطاقة العالمية لا يمكنها مجاراة مراكز البيانات التي تتطلب مئات الميغاواط، وهو ما يعادل احتياجات مدن كاملة.
يمثل الذكاء الاصطناعي العصبي الرمزي مخرجاً علمياً واعداً؛ فهو لا يقلل التكاليف البيئية فحسب، بل يوفر أنظمة أكثر موثوقية وأقل عرضة للهلوسة والأخطاء المنطقية. إن دمج قواعد التفكير المنطقي مع مرونة التعلم الآلي يضع حجر الأساس لجيل جديد من الروبوتات والأنظمة الذكية التي يمكنها العمل بكفاءة عالية في ظروف العالم الحقيقي المعقدة وبأقل قدر ممكن من الطاقة.
المصدر العلمي: ScienceDaily
اترك تعليقاً