لم يعد تطوير الذكاء الاصطناعي مرهوناً بالخوارزميات وحدها، بل بات مرتبطاً بقدرة الحواسيب على تجاوز قيودها الفيزيائية، مع تصاعد استهلاك الطاقة وتعقيد النماذج الحسابية.

في هذا السياق، يتجه البحث العلمي نحو نموذج مختلف جذرياً يقوم على محاكاة طريقة عمل الدماغ البشري، فيما يُعرف بالحوسبة العصبية، بوصفها أحد أبرز الحلول المطروحة لتجاوز اختناقات الأداء والطاقة في الأنظمة التقليدية.

معضلة الحوسبة التقليدية: عنق الزجاجة الطاقي

تعتمد الحواسيب التقليدية على نموذج von Neumann architecture، الذي يفصل بين وحدة المعالجة والذاكرة، ما يفرض نقل البيانات بشكل مستمر بين الطرفين، وهي عملية تستهلك قدراً كبيراً من الطاقة وتحدّ من سرعة الأداء.

عملياً، تبدو هذه الآلية أشبه بنقل ملفات بشكل متكرر بين موقعين مختلفين لإنجاز مهمة واحدة، بدلاً من العمل عليها في مكان واحد، وهو ما يؤدي إلى استهلاك مرتفع للطاقة وتأخير في التنفيذ.

وتشير تقديرات صادرة عن NVIDIA وGoogle إلى أن تدريب النماذج الكبيرة قد يستهلك طاقة تعادل استهلاك مئات المنازل سنوياً، ما يضع هذا النموذج أمام تحديات متزايدة.

نموذج بديل من الطبيعة: كيف يعمل الدماغ؟

يقدم الدماغ البشري نموذجاً مختلفاً، إذ لا يفصل بين التخزين والمعالجة، بل يعتمد على شبكة مترابطة من الخلايا العصبية والمشابك التي تؤدي الوظيفتين في الوقت ذاته.

فعند التعرف على وجه مألوف، لا تُنقل الصورة إلى وحدة معالجة منفصلة، بل تتغير قوة الروابط العصبية نفسها، ما يجعل التعرف أسرع وأكثر كفاءة مع التكرار، وباستهلاك طاقة منخفض للغاية يُقدّر بنحو 20 واط فقط.

هذا النمط هو ما تسعى الحوسبة العصبية إلى محاكاته إلكترونياً.

من النظرية إلى التطبيق: الميمريستور كنقطة تحول

برز الميمريستور كأحد أهم مكونات هذا التوجه، كونه قادراً على "تذكر" الإشارات السابقة، ما يجعله مناسباً لمحاكاة سلوك المشابك العصبية.

في التطبيقات العملية، يعني ذلك أن النظام لا يعيد الحسابات من الصفر في كل مرة، بل يبني على الأنماط التي تعلمها مسبقاً، ما يحسن الأداء تدريجياً مع تقليل استهلاك الطاقة.

وقد طورت HP Labs نماذج عملية لهذه التقنية، ما أتاح بناء دوائر إلكترونية تتصرف بطريقة أقرب إلى التعلم البيولوجي.

الحوسبة داخل الذاكرة: كسر القاعدة التقليدية

أحد أبرز تطبيقات هذا التوجه يتمثل في الحوسبة داخل الذاكرة، حيث تُجرى العمليات الحسابية في الموقع نفسه الذي تُخزن فيه البيانات، ما يقلل الحاجة إلى نقلها.

في أنظمة التعرف على الصوت مثلاً، يمكن معالجة الإشارة مباشرة داخل الذاكرة دون إرسالها إلى معالج منفصل، ما يسرّع الاستجابة ويخفض استهلاك الطاقة بشكل ملحوظ.

وتشير أبحاث صادرة عن Massachusetts Institute of Technology إلى أن هذا النهج قد يشكل تحولاً في كفاءة أنظمة الذكاء الاصطناعي.

من المختبر إلى الواقع: أمثلة تطبيقية

بدأت هذه المفاهيم تتحول إلى تطبيقات عملية عبر شركات ومراكز بحثية، مع تركيز واضح على تقليل استهلاك الطاقة وتحسين الاستجابة الفورية.

طورت Intel شريحة "Loihi" القادرة على التعلم المباشر داخل النظام، ما يتيح تشغيل روبوتات تتكيف مع بيئات جديدة دون الاعتماد على الاتصال السحابي المستمر.

كما قدمت IBM شريحة "TrueNorth"، التي أظهرت كفاءة عالية في تحليل الصور والفيديو مع استهلاك منخفض للطاقة، ما يجعلها مناسبة للأجهزة الصغيرة مثل الطائرات المسيرة.

وفي المجال الأكاديمي، تعمل Stanford University على تطوير مواد نانوية تُستخدم في مستشعرات قادرة على التعلم من البيانات الحيوية بشكل مستمر، ما يعزز إمكانيات الأجهزة الطبية الذكية.

كيف يمكن أن نراها في حياتنا اليومية؟

تتجه هذه التقنيات نحو تطبيقات مباشرة في الحياة اليومية، خصوصاً في الأجهزة التي تتطلب استجابة فورية وكفاءة طاقة عالية.

قد تتمكن الهواتف الذكية من معالجة الصور وفهمها محلياً دون الحاجة إلى إرسالها إلى الإنترنت، ما يعزز الخصوصية ويقلل استهلاك البيانات.

وفي السيارات ذاتية القيادة، يمكن للأنظمة اتخاذ قرارات آنية دون الاعتماد على الاتصال بالشبكة، وهو عامل حاسم في السلامة.

كما تتيح هذه التقنيات تطوير أجهزة طبية قابلة للارتداء قادرة على تحليل البيانات الحيوية وتقديم تنبيهات مبكرة بشكل مستقل.

التحديات التقنية: ما الذي يعيق الانتشار؟

رغم الإمكانات الكبيرة، لا تزال الحوسبة العصبية في مراحل التطوير، إذ تواجه تحديات تتعلق بدقة تصنيع المكونات واستقرارها الفيزيائي.

كما يتطلب تبنيها تطوير نماذج برمجية جديدة تختلف عن الأنظمة التقليدية، ما يجعل الانتقال إليها عملية تدريجية قد تستغرق سنوات.

تحول تقني تفرضه حدود الطاقة

لا تمثل الحوسبة العصبية مجرد تحسين تقني، بل تعكس تحولاً في بنية الحوسبة نفسها، من أنظمة تنفذ التعليمات إلى أنظمة قادرة على التعلم والتكيف.

ومع تزايد الضغط الناتج عن استهلاك الطاقة في الذكاء الاصطناعي، يبدو أن هذا المسار لم يعد خياراً بحثياً فقط، بل ضرورة تقنية تفرضها حدود النماذج الحالية..