الذكاء الاصطناعي لا يقدم فقط أداءً رائعًا، بل يخلق أيضًا طلبًا كبيرًا على الطاقة. كلما زادت المهام التي يتم تدريبه لأجلها، زاد استهلاك الطاقة. يقدم فيكتور لوبيز بستور وفلوريان ماركواردت، عالمان في معهد ماكس بلانك لعلوم الضوء في إيرلانغن، ألمانيا، طريقة يمكن بموجبها تدريب الذكاء الاصطناعي بكفاءة أكبر بكثير. يعتمد نهجهم على العمليات الفيزيائية بدلاً من الشبكات العصبية الاصطناعية الرقمية المستخدمة حاليًا.
لم يتم الكشف عن كمية الطاقة المطلوبة لتدريب GPT-3، الذي يجعل ChatGPT روبوتًا دردشيًا بديهيًا ومستنيرًا على ما يبدو، من قبل Open AI، الشركة التي تقف وراء هذا الذكاء الاصطناعي. وفقًا لشركة الإحصاءات الألمانية Statista، قد تتطلب هذه العملية 1000 ميجاواط في الساعة – ما يقرب من استهلاك 200 منزل ألماني يتألف من ثلاثة أشخاص أو أكثر سنويًا. على الرغم من أن هذا الاستهلاك من الطاقة قد سمح لـ GPT-3 بأن يتعلم ما إذا كانت الكلمة “عميق” أكثر احتمالاً أن تتبعها كلمة “بحر” أم “تعلم” في مجموعات البيانات الخاصة به، إلا أنه وفقًا لجميع التقارير، لم يفهم المعنى الأساسي لمثل هذه العبارات.
لتقليل استهلاك الطاقة الخاص بالكمبيوتر، وخاصةً تطبيقات الذكاء الاصطناعي، قامت عدة مؤسسات بحثية في السنوات القليلة الماضية بدراسة مفهوم جديد تمامًا لكيفية معالجة البيانات من جهاز الكمبيوتر في المستقبل. هذا المفهوم يعرف باسم الحوسبة العصبية. على الرغم من أن هذا يبدو مشابهًا للشبكات العصبية الاصطناعية، إلا أنه في الواقع له علاقة ضئيلة بها لأن الشبكات العصبية الاصطناعية تعمل على الكمبيوترات الرقمية التقليدية. وهذا يعني أن البرمجيات، أو بالأحرى الخوارزمية، تم تصميمها استنادًا إلى كيفية عمل الدماغ، ولكن الكمبيوترات الرقمية تعمل كأجهزة. إنها تقوم بأداء خطوات الحسابات للشبكة العصبية تسلسليًا، واحدة تلو الأخرى، مما يميز بين المعالج والذاكرة.
يُفترض أن نقل البيانات بين هذين الجزءين وحده يستهلك كميات كبيرة من الطاقة عندما تقوم الشبكة العصبية بتدريب مئات المليارات من المعلمات، أي الاقترانات، مع ما يصل إلى تيرابايت واحد من البيانات”، يقول فلوريان ماركواردت، المدير العام لمعهد ماكس بلانك لعلوم الضوء وأستاذ في جامعة إيرلانجن. الدماغ البشري مختلف تمامًا ومن المرجح ألا يكون قد نجح تطوريًا أبدًا إذا كان يعمل بكفاءة مشابهة للكمبيوترات بمعالجات السيليكون. سيكون من المرجح أن يفشل بسبب السخونة الزائدة.
تتميز الدماغ بأنه يقوم بإجراء العديد من خطوات العملية الفكرية بتوازي وليس تسلسليًا. الخلايا العصبية، أو بالأحرى الاقترانات العصبية، هي معالج وذاكرة مجتمعين. يتم التعامل مع مجموعة متنوعة من الأنظمة حول العالم على أنها مرشحات ممكنة لتكون مكملات الحوسبة العصبية لخلايا الأعصاب لدينا، بما في ذلك الدوائر الضوئية التي تستخدم الضوء بدلاً من الإلكترونات لأداء الحسابات. تعمل مكوناتهم كمفاتيح وخلايا ذاكرة في نفس الوقت.
جهاز فيزيائي ذاتي التعلم يحسِّن اقتراناته بشكل مستقل
بالتعاون مع فيكتور لوبيز بستور، طالب دكتوراه في معهد ماكس بلانك لعلوم الضوء، وضمن إطار بحثهما، قام فلوريان ماركواردت بتطوير أسلوب فعّال لتدريب الحواسيب العصبية. “لقد وضعنا مفهوم الجهاز الفيزيائي ذاتي التعلم”، يشرح فلوريان ماركواردت. “الفكرة الرئيسية هي إجراء التدريب على شكل عملية فيزيائية، يتم فيها تحسين معلمات الجهاز بواسطة العملية نفسها”.
عند تدريب الشبكات العصبية الاصطناعية التقليدية، يكون من الضروري استخدام ردود الفعل الخارجية لضبط قوة العديد من الملايين من الاتصالات العصبية. “عدم الحاجة إلى هذا التغذية يجعل التدريب أكثر كفاءة بكثير”، يقول فلوريان ماركواردت. تنفيذ وتدريب الذكاء الاصطناعي على جهاز فيزيائي ذاتي التعلم لن يوفر الكثير من الطاقة فحسب، بل سيوفر أيضًا وقت الحساب. “أسلوبنا يعمل بغض النظر عن العملية الفيزيائية التي تجري في الجهاز الذي يتعلم بنفسه، ولا نحتاج حتى إلى معرفة العملية الدقيقة”، يشرح فلوريان ماركواردت. “ومع ذلك، يجب أن تستوفي العملية بعض الشروط”. الأهم من ذلك أن تكون عملية قابلة للعكس، مما يعني أنه يجب أن تكون قادرة على العمل إلى الأمام أو الخلف مع الحد الأدنى من فاقد الطاقة. “بالإضافة إلى ذلك، يجب أن تكون العملية الفيزيائية غير خطية، أي كافية التعقيد”، يقول فلوريان ماركواردت. يمكن للعمليات غير الخطية فقط أن تنفذ التحولات المعقدة بين البيانات المدخلة والنتائج. الكرة المطاطية التي تتدحرج على لوحة دون التصادم مع شيء آخر هي عملية خطية. ومع ذلك، إذا تم تعطيلها بواسطة شيء آخر، ستصبح الحالة غير خطية.
اختبار عملي على جهاز حاسوب فيزيائي عصبي
يمكن العثور على أمثلة لعمليات غير خطية قابلة للعكس في مجال البصريات. في الواقع، يتعاون فيكتور لوبيز بستور وفلوريان ماركواردت بالفعل مع فريق تجريبي يعمل على تطوير حاسوب فيزيائي عصبي. يقوم هذا الجهاز بمعالجة المعلومات على شكل موجات ضوء متراكبة، حيث تنظم المكونات المناسبة نوع وقوة التفاعل. يهدف الباحثون إلى تطبيق مفهوم الجهاز الفيزيائي ذاتي التعلم على أرض الواقع. ووضح فلوريان ماركواردت: “نأمل أن نتمكن من تقديم أول جهاز فيزيائي ذاتي التعلم في غضون ثلاث سنوات”. وبحلول ذلك الوقت، يجب أن تكون هناك شبكات عصبية تفكر بمزيد من الاقترانات وتدرب بكميات كبيرة من البيانات بكثير مما هو متاح اليوم.
ونتيجة لذلك، من المرجح أن يكون هناك رغبة أكبر في تنفيذ شبكات عصبية خارج الكمبيوترات الرقمية التقليدية واستبدالها بأجهزة الحوسبة العصبية التي تم تدريبها بكفاءة. وأضاف فلوريان ماركواردت: “لدينا ثقة كبيرة في أن الأجهزة الفيزيائية ذاتية التعلم لديها فرصة قوية للاستخدام في التطوير المستقبلي للذكاء الاصطناعي”.
