ملخص
حدث تطور سريع في استخدامات الذكاء الاصطناعي على مدار السنوات القليلة الماضية، فقد أصبحت الحواسيب قادرة على تنفيذ إجراءات معقدة مثل القيادة بدون سائق واتخاذ القرارات والتعرف على الوجوه. وتتطلب هذه التطبيقات تنفيذ العديد من العمليات الحسابية في الوقت نفسه، كما تحتاج إلى كميات هائلة من المعلومات. يوضح هذا المقال مدى قصور بنية الحواسيب الحالية في تنفيذ تطبيقات الذكاء الاصطناعي. لمواجهة هذا التحدي وتحسين تطبيقات الذكاء الاصطناعي، سنرى كيف سيسمح لنا استلهام آلية عمل الدماغ البشري ببناء حواسيب جديدة من نوعها ستحدث ثورة كبيرة في طرق التصميم التي استُخدمت لسنوات عديدة.
الحواسيب التقليدية
حواسيب بأشكال وأحجام مختلفة مثل الحواسيب الصغيرة في الهواتف الخلوية وحتى الحواسيب الفائقة في القاعات الضخمة والتي تُسمى مزارع الخوادم. وعلى الرغم من الاختلافات الكبيرة في استخدامات وقدرات مختلف الحواسيب، فبنيتها الأساسية متشابهة، إذ تحتوي كلها على وحدة حوسبة اسمها المعالج ووحدة تخزين بيانات اسمها الذاكرة.
تنفذ وحدة المعالجة مجموعة من العمليات الحسابية على الأعداد المُخزّنة في الذاكرة. ولتنفيذ عملية معقدة، تتم كتابة مجموعة من العمليات الأبسط كبرنامج حاسوب، وتكون كل عملية عبارة عن تعليمة مكتوبة كسطر في البرنامج. على سبيل المثال، عندما نريد جمع عددين، سيجري الحاسوب في الواقع بعض العمليات التي تشمل قراءة كل عدد بنقله من الذاكرة إلى المعالج، وجمع العددين (يتم ذلك عبر عنصر إلكتروني يجمع العددين، ويكون داخل المعالج)، وكتابة/تخزين النتيجة داخل مكان محدد في الذاكرة. وتُخزّن التعليمات نفسها أيضًا في الذاكرة.
طرح جون فون نيومان من جامعة برينستون هذه البنية الحاسوبية الأساسية لأول مرة في عام 1945، ولذلك يُطلق على البنية الأساسية اسم معمارية فون نيومان (الشكل 1) [1]. على مدار عدة سنين، تغيرت أشكال الحواسيب وتحسنت قدراتها، من حيث التخزين (كمية المعلومات التي يمكن حفظها) والمعالجة (عدد العمليات التي تُنفذ في فترة زمنية معينة ومدى تعقيدها). ومع ذلك، لم تتغير البنية الأساسية والمبادئ منذ 1945. وفي حواسيب الوقت الحالي، تنفذ المعالجات العمليات الحسابية بسرعة كبيرة جدًا؛ إذ يمكن للمعالج الحديث تنفيذ أكثر من مليار عملية، مثل الجمع والطرح، في ثانية واحدة. ولكن الوصول إلى الذاكرة لعمليات الكتابة والقراءة تكون أبطأ كثيرًا من المعالجة وتحتاج إلى الكثير من الطاقة. وبالتالي، فإن الكفاءة القصوى للحواسيب تكون في التطبيقات التي تتاح فيها المعلومات ويمكن للمعالج الوصول إليها.
- شكل 1 - (A) معمارية فون نيومان: يتكون الحاسوب من وحدة تحكم وحوسبة (معالج، وحدة معالجة مركزية) ووحدة تخزين بيانات (ذاكرة).
- ويحتوي أيضًا على وحدات إدخال وإخراج. (B) مثال على برنامج حاسوب يجمع عددين. تقرأ التعليمتان 1 و2 العددين من الذاكرة وتنقلهما إلى المعالج، ثم تجمع التعليمة 3 العددين في المعالج وتخزّن التعليمة 4 النتيجة في الذاكرة.
ثورة الذكاء الاصطناعي
في السنوات الأخيرة، هناك زيادة في تطبيقات الذكاء الاصطناعي ولها حضور قوي في كل المجالات تقريبًا، ومنها الطب وقطاع السيارات والأمن والتصنيع. وقد بات بالإمكان إنشاء بعض أنظمة الذكاء الاصطناعي المذهلة للغاية بفضل القدرة على ربط الكثير من الحواسيب معًا، مما يتيح تخزين ومعالجة كميات هائلة من المعلومات. وفي العديد من الحالات، تتفوق الحواسيب على البشر.
على سبيل المثال، فإن دقة برامج التعرف على الأشياء أكبر من الشخص العادي، كما أن السيارات ذاتية القيادة تقود بأمان أكبر من السائق البشري.
تتحدى تطبيقات الذكاء الاصطناعي معمارية فون نيومان والنموذج الحاسوبي الذي ظل قائمًا لسنوات طويلة. فهذه التطبيقات تحتاج إلى كميات هائلة من البيانات ونماذج حاسوبية تشمل عددًا كبيرًا من المعاملات المختلفة (الأعداد) المقابلة لهذه البيانات. على سبيل المثال، للتعرف على شيء (الشكل 2)، يتم نقل ملايين الصور إلى الحاسوب إلى جانب التصنيف المطلوب الذي يحدد الصورة (نوع الحيوان مثلاً). ولكل مثال، تجري عملية تدريب وتتم المقارنة بين النتيجة التي يتنبأ بها الحاسوب والتصنيف. وبناءً على الاختلاف بين النتيجة المطلوبة والنتيجة المعطاة من الحاسوب، يتم تحديث معاملات النموذج الحاسوبي بناءً على القواعد الرياضية التي تم تحديدها مسبقًا. وسيؤدي الخطأ الكبير في العادة إلى تغير أكبر في المعاملات. وبعد العديد من الأمثلة، ستتمكن معاملات النموذج الحاسوبي من تقديم نتيجة دقيقة.
- شكل 2 - الذكاء الاصطناعي القائم على الشبكات العصبية الاصطناعية: يتنبأ الحاسوب بما إذا كانت هذه هي صورة قطة أم لا.
- يحصل كل إدخال (IN) على قيمة عددية بناءً على لون البكسل المقابل له في الصورة. ويتصل الإدخالان بإخراجين (OUT) من خلال وصلات (اسمها الأوزان Wij) لها قيمة عددية تعبّر عن قوة الوصلة بين كل زوج إدخال وإخراج. في هذا المثال، يمثل الإخراج 1 الاحتمال بأن هذه صورة قطة، في حين يمثل الإخراج 2 احتمال أن هذه صورة كلب. وتكون هناك قيمة لكل إخراج حسب مجموع الإدخالين والأوزان ذات الصلة بهما. تظهر عملية الحساب أن هناك احتمالاً بنسبة 0.7 بأنها صورة قطة واحتمالاً بنسبة 0.21 بأنها صورة كلب، وبالتالي يشير التنبؤ إلى أن الصورة تحتوي على قطة. وعملية التعلم هي عملية تحديث قيم الوصلات. في أنظمة الذكاء الاصطناعي المعقدة، هناك ملايين الأوزان وعدة آلاف من وحدات الإدخال والإخراج المتصلة بطرق متنوعة.
يمكننا تصور ذاكرة الحاسوب كمستودع أو مكتبة، وسيؤثر حجمها مباشرةً على الوقت والطاقة اللازمين للوصول إلى مكان محدد. وبالتالي في تطبيقات الذكاء الاصطناعي، يجب أن تكون الذاكرة كبيرة للغاية، ما يعني أن الوصول إلى المعلومات يكون بطيئًا ويستهلك الكثير من الطاقة. بالإضافة إلى ذلك، فإن التنبؤ بالنتائج وتحديث المعاملات أثناء التدريب يتطلبان عددًا ضخمًا من العمليات الحسابية يصل إلى مليار عملية جمع وضرب للتعرف على صورة واحدة. في الحاسوب العادي، ينفذ المعالج عمليات حسابية متتابعة ويجب نقل المعلومات في هذه الأثناء بين المعالج والذاكرة. وبما أن تطبيقات الذكاء الاصطناعي يجب أن تجري مليارات العمليات الحسابية على ملايين الأعداد المختلفة، فالحواسيب العادية تعاني من قصور كبير وتهدر كميات هائلة من الوقت والطاقة في نقل المعلومات، هذا بجانب بطء تنفيذ العديد من العمليات الحسابية بشكل متتابع.
الحاجة إلى حواسيب جديدة
إن النجاح الهائل الذي يشهده مجال الذكاء الاصطناعي يدفع شركات الحواسيب إلى إنشاء أجهزة حاسوبية أكبر وأقوى وقادرة على معالجة كميات البيانات الضخمة اللازمة لفعالية الذكاء الاصطناعي. وللقيام بذلك، يتم استخدام وحدات معالجة الرسومات (GPU) بالإضافة إلى المعالجات العادية. وقد تم تطوير هذه الوحدات في الأصل لمساعدة الحواسيب في إجراء عمليات حسابية خاصة بالصور. في أغلب الأحيان، يستلزم هذا تنفيذ العملية الحسابية نفسها عدة مرات، مثل تغيير قيمة كل وحدات البكسل في صورة واحدة. أما في الذكاء الاصطناعي، فتُستخدم وحدات معالجة الرسومات لإجراء عدد كبير (يبلغ عادةً بضع مئات أو آلاف) من عمليات الجمع والضرب في الوقت نفسه، مما يقلل وقت المعالجة مقارنةً بالمعالجات العادية التي تنفذ عملية واحدة في كل مرة. وقد بدأت عدة شركات إنتاج معالجات مخصصة يمكنها تنفيذ العمليات الفريدة اللازمة في تطبيقات الذكاء الاصطناعي، وهذا من خلال دمج العديد من الدوائر الإلكترونية لإجراء عمليات الجمع والضرب في الوقت نفسه. بالإضافة إلى ذلك، فبدلاً من استخدام ذاكرة واحدة ضخمة، تُصمّم الأنظمة مع وحدات ذاكرة مختلفة الأحجام وفي أماكن مختلفة حتى توضع البيانات المُستخدمة عدة مرات في ذاكرة صغيرة وسريعة، بينما توضع البيانات المُستخدمة بشكل غير متكرر في ذاكرة كبيرة وأبطأ.
على الرغم من هذه المحاولات لتعديل الحواسيب الكلاسيكية بهدف استيعاب عصر الذكاء الاصطناعي، فهناك اختلاف كبير بين طريقة المعالجة في تطبيقات الذكاء الاصطناعي وتلك الطريقة المُستخدمة في الحواسيب القائمة على معمارية فون نيومان. تُستخدم وحدات ذاكرة مختلفة الأحجام الآن، ولكن من الصعب الاستفادة من كفاءة وحدات الذاكرة الصغيرة، ولذلك لا تزال تُستخدم كثيرًا وحدات الذاكرة الكبيرة والبطيئة. وبفضل المعالجات الجديدة المصممة للذكاء الاصطناعي، زاد بدرجة كبيرة عدد العمليات الحاسوبية التي يمكن إجراؤها في مدة محددة، ولكن لا يزال يلزم نقل كميات ضخمة من البيانات إلى الذاكرة، مما يؤدي إلى مواصلة هدر الكثير من الطاقة والوقت.
الحواسيب عصبية الشكل: حواسيب تعمل مثل الدماغ
إن المهام التي ينفذها الذكاء الاصطناعي (مثل القيادة والتعرف على الأشياء وغيرهما) ينفذها الدماغ البشري بطريقة مختلفة تمامًا وبكفاءة مذهلة. فالدماغ البشري يحتاج إلى أقل من عُشر الطاقة المُستخدمة في معالج واحد لتنفيذ عملية تتطلب ربط الآلاف من معالجات الذكاء الاصطناعي معًا. وينبغي لنا محاولة التعلم من الدماغ وبناء حواسيب ونماذج حاسوبية تشبه الدماغ في طريقة عملها. وفي الدماغ، لا يوجد فصل بين تخزين البيانات ومعالجتها. وكل المعلومات التي يتم تمثيلها عبر إشارات كهربائية وتغيرات كيميائية تنتقل بين خلايا في الدماغ اسمها العصبونات. ويحدث نقل المعلومات هذا في الوقت نفسه بين مليارات العصبونات المتصلة. وترتبط العصبونات ببعضها عبر وصلات اسمها المشابك العصبية، ويمكن تقويتها أو إضعافها.
تُمثل عملية التعلم في الأساس تغييرًا في قوة الوصلة بين مختلف العصبونات. وتتميز المشابك العصبية بكفاءة عالية، إذ لا توجد وحدة منفصلة لحساب التغيير وأخرى لتخزين قوة الوصلة، كما في حالة أنظمة الذكاء الاصطناعي الحالية (الشكل 3).
- شكل 3 - (A) ترتبط العصبونات الحية ببعضها عبر المشابك العصبية.
- (B) في الدائرة عصبية الشكل، تتصل العصبونات ببعضها من خلال مصفوفة من المكونات الإلكترونية التي تتفاوت في درجة التوصيل الكهربائي. وتمثل قيمة التوصيل الكهربائي قوة الوصلة بين العصبونات وهي قابلة للتغير والتكيف حسب الاستجابة للتعلم. تُحوّل إشارات الإدخال (IN) إلى إشارة كهربائية مستمرة (تناظرية)، وتُستقبل عند كل إخراج ليتم تحويلها إلى إشارة رقمية. في هذا المثال، تنفذ الدائرة نفسها كلاً من التخزين والمعالجة، بدلاً من إجرائهما في وحدات منفصلة كما في حالة معمارية فون نيومان.
لمواءمة عالم الحواسيب مع احتياجات الذكاء الاصطناعي، علينا تصميم حواسيب ذات بنية مستوحاة من الدماغ. ويجب ألا يتم فصل التخزين عن المعالجة في تلك الحواسيب، بل لا بُد من استخدام وحدات قادرة على حساب القيم وتخزينها في الوقت نفسه. نسمي الدوائر الإلكترونية المستوحاة من الدماغ "دوائر عصبية الشكل" لأن شكلها يشبه العصبون [2]. وفي تلك الدوائر، تُستخدم المكونات الإلكترونية نفسها لتنفيذ عملية حسابية وتخزين النتيجة محليًا. وبنية كل حاسوب من هذه الحواسيب مختلفة تمامًا عن آلة فون نيومان، وتبدو مثل الشبكات العصبية في الدماغ.
تم مؤخرًا تطوير العديد من الحواسيب باستخدام الدوائر عصبية الشكل [3–5]، ولكن ما زال هناك الكثير من التحديات التي يجب مواجهتها قبل أن تحلّ هذه الحواسيب الجديدة محل الحواسيب الحالية. تحتاج الحواسيب عصبية الشكل إلى مواد وأجهزة جديدة يمكنها الجمع بين عمليتي المعالجة والتخزين لأن الأجهزة في الحواسيب العادية تُستخدم فقط لغرض واحد. بالإضافة إلى ذلك، فالحواسيب عصبية الشكل تتطلب برامج جديدة قادرة على تقديم التعليمات الصحيحة إلى البنية الخاصة. ومع زيادة الدمج بين أنظمة حواسيب فون نيومان والحواسيب عصبية الشكل، ستزداد كفاءة تطبيقات الذكاء الاصطناعي وستواصل الحواسيب التقدم لتضاهي القدرات البشرية.
مسرد للمصطلحات
المعالج (Processor): ↑ وحدة إلكترونية تجري عمليات رياضية على بعض البيانات داخل الحاسوب.
الذاكرة (Memory): ↑ جهاز يُستخدم لتخزين المعلومات لتكون متاحة لاستخدامها فورًا في حاسوب.
معمارية فون نيومان (Von Neumann Architecture): ↑ بنية الحاسوب الشائعة اليوم والتي تتكون من معالج ووحدة تخزين (ذاكرة). يتحكم المعالج في النظام وينفذ عمليات منطقية وحسابية. أما الذاكرة، فتخزّن البرنامج والبيانات التي يقرأها أو يكتبها.
الذكاء الاصطناعي (AI) (Artificial Intelligence (AI)): ↑ "القدرة على جعل آلة تتصرف بطريقة تُعتبر ذكية لو قام بها إنسان" (مارفن مينسكي).
وحدة معالجة الرسومات (Graphical Processing Unit): ↑ معالج ذو غرض خاص، تم تطويره في الأساس ببنية فريدة لتسريع عملية إنشاء الصور في أجهزة العرض. أما الآن، فيتم استخدامه على نطاق واسع لتسريع تطبيقات أخرى مثل الذكاء الاصطناعي.
العصبون (Neuron): ↑ العصبون أو الخلية العصبية هي خلية قابلة للاستثارة كهربائيًا وتتواصل مع الخلايا الأخرى عبر وصلات متخصصة اسمها المشابك العصبية. وهي المكون الرئيسي للنسيج العصبي لدى الحيوانات.
المشبك العصبي (Synapse): ↑ بنية في الجهاز العصبي تسمح للعصبون (أو الخلية العصبية) بنقل إشارة كهربائية أو كيميائية إلى عصبون آخر أو إلى الخلية المؤثرة المستهدفة.
الدائرة عصبية الشكل (Neuromorphic Circuit): ↑ دوائر إلكترونية تحاكي سلوك العصبونات في جسم الإنسان. ويمكن تجميع هذه الدوائر لإنشاء حواسيب عصبية الشكل.
إقرار تضارب المصالح
يعلن المؤلفون أن البحث قد أُجري في غياب أي علاقات تجارية أو مالية يمكن تفسيرها على أنها تضارب محتمل في المصالح.
إفصاح أدوات الذكاء الاصطناعي
تم إنشاء النص البديل (alt text) المرفق بالأشكال في هذه المقالة بواسطة "فرونتيرز" (Frontiers) وبدعم من الذكاء الاصطناعي، مع بذل جهود معقولة لضمان دقته، بما يشمل مراجعته من قبل المؤلفين حيثما كان ذلك ممكناً. في حال تحديدكم لأي خطأ، نرجو منكم التواصل معنا.
المراجع
[1] ↑ von Neumann, J. 1993. First draft of a report on the EDVAC. IEEE Ann. Hist. Comput. 15:27–75. doi: 10.1109/85.238389
[2] ↑ Mead, C. 1990. Neuromorphic electronics systems. Proc. IEEE 78:1629–36. doi: 10.1109/5.58356
[3] ↑ Davis, M., Srinivasa, N., Lin, T. H., Chinya, G., Cao, Y., Choday, S. H., et al. 2018. Loihi: a neuromorphic manycore processor with on-chip learning. IEEE Micro 38:82–99. doi: 10.1109/MM.2018.112130359
[4] ↑ Soudry, D., Di Castro, D., Gal, A., Kolodny, A., and Kvatinsky, S. 2015. Memristor-based multilayer neural networks with online gradient descent training. IEEE Trans. Neural Netw. Learn. Syst. 26:2408–21. doi: 10.1109/TNNLS.2014.2383395
[5] ↑ Prezioso, M., Merrikh-Bayat, F., Hoskins, B. D., Adam, G. C., Likharev, K. K., and Strukov, D. B. 2015. Training and operation of an integrated neuromorphic network based on metal-oxide memristors. Nature 521:61–4. doi: 10.1038/nature14441