يتزايد اعتماد الذكاء الاصطناعي المتقدم في العديد من الصناعات. ومع استمرار هذا الاتجاه، فإنه سيحدث تغييرات تحويلية ليس فقط للشركات ولكن أيضًا للمجتمع.
يعمل النهج اللامركزي للحوسبة الطرفية على تخفيف القيود مثل ازدحام البيانات وأخطاء الاتصال وتكاليف النقل. يؤدي هذا إلى تحسين أداء تطبيقات الذكاء الاصطناعي بشكل كبير، مما يسمح باتخاذ قرارات أسرع وأكثر موثوقية.
مزايا Edge AI لوجستية وتقنية أيضًا. في المواقع التي يصعب الوصول إليها، مثل منصات النفط، يمكن للذكاء الاصطناعي الطرفي تحديد الأنماط التي تشير إلى زيادة المخاطر والتفاعل وفقًا لذلك لمنع المواقف الخطرة المحتملة. وفي الزراعة، سيتمكن المزارعون من تحقيق أقصى قدر من الإنتاجية من خلال تمكين الآلات من اتخاذ قرارات مستقلة على أساس الظروف البيئية.
المجتمع أيضا سيستفيد. تخيل سربًا من الطائرات بدون طيار قادرًا على إجراء عمليات البحث والإنقاذ فوق التضاريس الجبلية الوعرة، باستخدام أجهزة استشعار متعددة لاكتشاف الأشكال أو الأصوات أو الحرارة أو الحركة، والتعرف على علامات الحياة. في شركتنا، على سبيل المثال، شاركنا بشكل كبير في تطوير نماذج الذكاء الاصطناعي المتطورة التي يمكنها مراقبة الحركة البشرية لاكتشاف علامات التعب أو الإصابة.
ومع تزايد اعتماد الحوسبة المتطورة، ستنمو أيضًا تطبيقات الذكاء الاصطناعي. ولكن إذا أردنا أن يزدهر الذكاء الاصطناعي الحافة، فهناك العديد من العقبات التقنية التي يجب التغلب عليها.
الحواجز على الحافة
ولعل العامل الأكثر تقييدًا للذكاء الاصطناعي الحافة يأتي من حقيقة أن الأجهزة الطرفية عادةً ما تكون صغيرة الحجم وذات قدرات حسابية محدودة. أدائها بعيد كل البعد عن تلك الموجودة في مراكز البيانات أو حتى في وحدات معالجة الرسومات القوية لسطح المكتب. ومع ذلك، فمن خلال تقنيات الذكاء الاصطناعي الخاصة، مثل تقليص حجم النماذج وتحديد كميتها، يمكن للنماذج المحدودة التي تناسب الأجهزة الصغيرة أن توفر الكثير من الوظائف المفيدة.
تنشأ تحديات أخرى من حقيقة أن مشاريع الحوسبة الطرفية غالبًا ما تعمل في مواقع بعيدة أو يصعب الوصول إليها. قد يكون توفير الطاقة والاتصال لمثل هذه الأجهزة أمرًا صعبًا، كما أن تلبية معايير إنترنت الأشياء لضمان قدرة هذه الأجهزة على التحدث مع بعضها البعض ليس بالأمر السهل دائمًا.
والعقبة الثالثة هي أنه على الرغم من أن الذكاء الاصطناعي الحافة نفسها يعتمد بشكل محدود على الإنترنت، فإن العديد من الأجهزة الطرفية الشخصية، مثل الأجهزة القابلة للارتداء، سوف ترغب في دعم التطبيقات التي تتطلب بعض الاتصال السحابي، مما يعرض عنصر المخاطرة.
ومع ذلك، فإن هذه العقبات ليست مستعصية على الحل. يمكن أن تساعد مجموعة من حلول الطاقة والاتصال، بما في ذلك البطاريات طويلة العمر، واتصال 5G، وهندسة الأجهزة منخفضة الطاقة.
تحدي شريحة الذكاء الاصطناعي
إن العقبة الرئيسية أمام مشاريع الذكاء الاصطناعي المتطورة هي التكلفة والأداء ومتطلبات الطاقة لرقائق الذكاء الاصطناعي. في بعض السيناريوهات الصناعية، قد يؤدي عدد أجهزة إنترنت الأشياء المعنية إلى زيادة متطلبات الرقائق إلى مئات الآلاف، مما يؤدي إلى ارتفاع تكاليف المشروع بشكل كبير.
يتطلب النشر على هذا النطاق تقييمًا دقيقًا لنسبة التكلفة إلى الأداء، وفي ظل الأسعار الحالية قد يكون هذا أمرًا باهظًا. وإلى أن نرى تحسنا كبيرا في عوامل حوسبة الذكاء الاصطناعي هذه، فمن المرجح أن نرى فقط نماذج صغيرة الحجم ذات قدرات محدودة على حل المشكلات.
تمكين الحافة المتعلمة
التحدي الكبير الآخر هو إيجاد طريقة لتدريب جميع هذه الأجهزة المستقلة التي تدعم الذكاء الاصطناعي. تُظهر التطورات الأخيرة في الذكاء الاصطناعي التوليدي (GAI) أن أنظمة مثل GPT يتم تدريبها على مجموعات كبيرة جدًا من البيانات المتاحة على الإنترنت. وهذا يتطلب جهدًا كبيرًا لجمع البيانات ومعالجتها. ومن أجل اتخاذ قرارات مدروسة على الحافة، سنحتاج إلى معالجة الحاجة إلى كمية كافية من البيانات.
ومع ذلك، إذا نظرنا مرة أخرى إلى التطورات الأخيرة في GAI، فربما يكون الحل قد كشف عن نفسه بالفعل. قد يكون أحد الأساليب هو استخدام قدرة النماذج التوليدية على إنتاج كميات كبيرة من بيانات التدريب الاصطناعية، بناءً على بعض الأمثلة المقدمة – ثم استخدام هذه البيانات لتدريب نماذج أصغر بسرعة أكبر. هناك نهج آخر، ربما في المستقبل، وهو تدريب نموذج توليدي كبير مباشرةً على بيانات التدريب المباشر (إن وجدت)، ثم استخدامه لتدريب نموذج ذكاء اصطناعي أصغر حجمًا.
وقد أسفر هذا النهج بالفعل عن نتائج شوهد مع Orca's 13Bوهو نموذج أصغر بكثير تمكن من التعلم من نماذج الأساس الأكبر حجمًا، مثل GPT-4، وهو ينتج نتائج مماثلة بشكل ملحوظ. يزعم العديد من مراقبي التطورات الأخيرة في مجال الذكاء الاصطناعي أننا على شفا “الانفجار الكامبري” لنماذج الذكاء الاصطناعي الصغيرة المصممة لهذا الغرض. ويمكن تضمينها في الأجهزة المتطورة لتوفير قدرات استثنائية لمهام محددة.
التعلم من آلة إلى آلة
هناك طريقة أخرى للتعلم بشكل أسرع تتضمن إدارة أسطول مترابط ذاتي التحسين من الأجهزة الطرفية التي تدعم الذكاء الاصطناعي من نظام مركزي. في العديد من الحالات، سيكون الحل الممكن هو وجود نماذج يمكن تدريبها بشكل تدريجي أثناء “التكليف”، والتي يمكنها مشاركة الاكتشافات المهمة.
على غرار مشاركة أفضل الممارسات عبر الأعمال أو الصناعة، يمكن للآلات أن تساعد في تحديد الأنماط التي توجه السلوك.
إن فكرة وجود أسطول من الآلات المستقلة التي يسيطر عليها كيان مركزي ذكي قد تشبه قصة خيال علمي بائسة. لذلك، كما هو الحال مع أي شيء يتعلق بالذكاء الاصطناعي، يجب فرض المعايير السلوكية.
وفي المستقبل غير البعيد، من المعقول تمامًا أن تتمتع الأجهزة المتطورة الآلية بالقدرة على التعلم من بعضها البعض. وهذا سيمنحهم القدرة على اتخاذ قرارات مدروسة بشكل متزايد نيابة عنا، الأمر الذي سيكون له تأثير تحويلي على الصناعة والمجتمع على حد سواء.
