شهية الطاقة غير المستدامة لصناعة الذكاء الاصطناعي
تتوقع وكالة الطاقة الدولية أن يصل استهلاك مراكز البيانات العالمية من الكهرباء إلى 1,100 تيراواط ساعة في عام 2026، أي ما يعادل إجمالي إنتاج اليابان من الكهرباء، بزيادة 18% عن تقديراتها في ديسمبر 2025. وتتوقع Goldman Sachs زيادة بنسبة 165% في الطلب على الطاقة من مراكز البيانات بحلول عام 2030، مدفوعة بالكامل تقريباً بأحمال عمل الذكاء الاصطناعي. في ظل هذا السياق من التكاليف المتصاعدة للطاقة، أظهر فريق بحثي في Tufts University أن نهجاً مختلفاً جذرياً لبنية الذكاء الاصطناعي يمكن أن يخفض استهلاك الطاقة بمقدار رتبتين من الحجم.
هذا الاختراق، المقرر تقديمه في المؤتمر الدولي للروبوتات والأتمتة (ICRA) في فيينا في مايو 2026، لا يكتفي بتحسين بنى الشبكات العصبية الحالية، بل يعيد كتابة القواعد بالكامل من خلال دمج الشبكات العصبية مع الاستدلال الرمزي، وهو نهج يُعرف بالذكاء الاصطناعي العصبي-الرمزي، لإنشاء أنظمة تفكر بطريقة أقرب للبشر وتستهلك طاقة أقل بشكل جذري.
كيف يعيد الذكاء الاصطناعي العصبي-الرمزي التفكير في المشكلة
يقود البحث Matthias Scheutz، أستاذ Karol Family للتكنولوجيا التطبيقية في Tufts، ويستهدف فئة من أنظمة الذكاء الاصطناعي تُسمى نماذج الرؤية-اللغة-الفعل (VLA). على عكس النماذج اللغوية الكبيرة التي تشغّل روبوتات المحادثة، توسع نماذج VLA القدرات اللغوية لتشمل المعالجة البصرية والفعل المادي، مما يجعلها ضرورية لتطبيقات الروبوتات من التصنيع إلى الرعاية الصحية.
تتعلم نماذج VLA التقليدية من خلال التعرف الشامل على الأنماط، حيث تعالج مجموعات بيانات ضخمة عبر التجربة والخطأ بالقوة الغاشمة. هذا النهج مكلف حسابياً وينتج في كثير من الأحيان أنظمة تفشل عند مواجهة سيناريوهات خارج بيانات التدريب ولو بشكل طفيف.
يحاكي نهج Tufts العصبي-الرمزي الطريقة التي يحل بها البشر المشكلات فعلياً. بدلاً من الاعتماد فقط على المطابقة الإحصائية للأنماط، يقسم النظام المهام إلى خطوات منطقية، مطبقاً قواعد ومفاهيم مجردة مثل الشكل والتوازن والعلاقات المكانية. هذا يسمح للنموذج بالتخطيط بفعالية وتجنب التكرار المُهدر الذي يستهلك الكثير من الطاقة في التدريب التقليدي.
تجمع البنية بين طبقة إدراك عصبي تعالج المدخلات البصرية واللغوية، ومحرك استدلال رمزي يطبق قواعد منطقية لتوليد خطط العمل. تقلص الطبقة الرمزية مساحة البحث بشكل كبير، مما يعني أن النظام يستكشف عدداً أقل بكثير من الاحتمالات أثناء التدريب والتنفيذ.
برج هانوي: إثبات المفهوم
اختبر فريق البحث نظامهم باستخدام لغز برج هانوي، وهو مسألة كلاسيكية في علوم الحاسوب تتطلب نقل أقراص مكدسة بين أعمدة وفق قواعد محددة. تتطلب هذه المهمة استدلالاً تسلسلياً وتلبية قيود وتخطيطاً، مما يجعلها معياراً فعالاً لتقييم القدرة على حل المشكلات المنظمة.
كانت النتائج لافتة. حقق نموذج VLA العصبي-الرمزي معدل نجاح 95% في اللغز القياسي، مقارنة بـ 34% فقط لنموذج VLA التقليدي المُحسَّن. وعند تقديم نسخة أكثر تعقيداً من اللغز لم يواجهها النظام أثناء التدريب، نجحت البنية الهجينة بنسبة 78% من الوقت. أما النموذج القياسي فقد فشل في كل محاولة، محققاً 0%.
يبرز هذا الفارق في الأداء ميزة جوهرية للأنظمة العصبية-الرمزية: التعميم. من خلال ترميز قواعد الاستدلال المجردة بدلاً من حفظ أنماط محددة، يمكن للنظام نقل فهمه إلى مواقف جديدة، وهي قدرة تظل من أكبر نقاط ضعف المقاربات العصبية البحتة.
إعلان
أرقام طاقة تتحدى الوضع الراهن
مكاسب كفاءة الطاقة هي النقطة التي يصبح فيها البحث تحويلياً محتملاً لصناعة الذكاء الاصطناعي بأكملها.
استهلك تدريب النموذج العصبي-الرمزي 1% فقط من الطاقة المطلوبة لتدريب نموذج VLA التقليدي المكافئ. تعلّم النظام مهمته في 34 دقيقة فقط، بينما احتاج النموذج القياسي أكثر من 36 ساعة من التدريب، أي انخفاض من يوم ونصف إلى نصف ساعة بالكاد.
خلال الاستدلال، المرحلة التشغيلية التي يُوضع فيها النموذج المُدرَّب في العمل الفعلي، استخدم النظام العصبي-الرمزي 5% فقط من الطاقة المطلوبة بالنهج التقليدي. بالنسبة لتطبيقات الروبوتات التي تعمل باستمرار في بيئات التصنيع واللوجستيات والرعاية الصحية، قد يكون هذا الخفض بمقدار 20 ضعفاً في تكاليف الطاقة التشغيلية هو الفارق بين النشر القابل للتطبيق والتكلفة الباهظة.
مجتمعة، تمثل وفورات التدريب والاستدلال خفضاً بنحو 100 ضعف في إجمالي استهلاك الطاقة لأداء مكافئ أو أفضل.
لماذا يهم هذا الأمر خارج نطاق الروبوتات
رغم أن البحث الحالي يركز على مهام التلاعب الروبوتي في المحاكاة، تمتد التداعيات إلى ما هو أبعد بكثير من المختبر. يعالج النموذج العصبي-الرمزي عدة مشكلات هيكلية في التطوير الحالي للذكاء الاصطناعي.
قابلية التوسع دون نمو متناسب في الطاقة. تفترض قوانين التوسع الحالية للذكاء الاصطناعي أن الأداء الأفضل يتطلب حوسبة وطاقة أكثر بشكل متناسب. تقترح المقاربات العصبية-الرمزية مساراً بديلاً حيث يحل الاستدلال المنظم محل القوة الحسابية الخام.
إمكانية الوصول للمؤسسات ذات الموارد المحدودة. يتطلب التدريب المسبق لنماذج VLA الكبيرة بنية تحتية لا تتوفر إلا للمنظمات الغنية بالموارد. نظام يتدرب في 34 دقيقة بجزء بسيط من الطاقة يفتح تطوير الذكاء الاصطناعي للروبوتات أمام الجامعات والشركات الصغيرة والمؤسسات في الاقتصادات النامية.
جدوى النشر على الأطراف. لا تستطيع الروبوتات في المستودعات والمستشفيات والبيئات الزراعية الحفاظ دائماً على اتصالات مستمرة بمراكز البيانات السحابية. نموذج يستخدم 5% من طاقة الاستدلال يكون أكثر قابلية للنشر جوهرياً على أجهزة الطرف ذات ميزانيات الطاقة المحدودة.
قابلية التفسير. لأن طبقة الاستدلال الرمزي تعمل وفق قواعد صريحة وخطوات منطقية، فإن عملية صنع القرار في النظام تكون بطبيعتها أكثر قابلية للتفسير من مخرجات الصندوق الأسود للشبكات العصبية البحتة. بالنسبة للتطبيقات الحرجة في السلامة في الرعاية الصحية أو الأتمتة الصناعية، هذه الشفافية ليست مرغوبة فحسب بل يطلبها المنظمون بشكل متزايد.
الطريق من إثبات المفهوم إلى الإنتاج
تنطبق تحفظات مهمة. أُجريت المقارنة في بيئة محاكاة باستخدام مهمة لغز منظمة، وليس في البيئات الفوضوية وغير المنظمة التي يجب أن تعمل فيها الروبوتات في النهاية. برج هانوي، رغم كونه معياراً صالحاً للاستدلال التسلسلي، لا يلتقط التعقيد الكامل للتلاعب الروبوتي في العالم الحقيقي.
يتناول البحث أيضاً بشكل محدد نماذج VLA للروبوتات وليس النماذج اللغوية الكبيرة التي تقود معظم النمو الحالي في استهلاك طاقة مراكز البيانات. ما إذا كانت المقاربات الهجينة العصبية-الرمزية المماثلة يمكن أن تحقق مكاسب كفاءة مماثلة لتوليد اللغة أو تخليق الشفرة أو إنشاء الصور يظل سؤالاً بحثياً مفتوحاً.
ومع ذلك، تأتي أعمال Tufts في لحظة حرجة. بينما تواجه صناعة الذكاء الاصطناعي الحدود المادية لمسارها في استهلاك الطاقة، فإن المقاربات التي تقدم أداءً أفضل بطاقة أقل بشكل جذري لم تعد فضولاً أكاديمياً. إنها تمثل شرطاً مسبقاً محتملاً لمواصلة توسيع قدرات الذكاء الاصطناعي دون إرهاق شبكة الكهرباء العالمية.
ستشير استجابة المجتمع البحثي لهذا العمل في ICRA فيينا إلى ما إذا كان الذكاء الاصطناعي العصبي-الرمزي سينتقل من اتجاه بحثي واعد إلى أولوية هندسية عملية، قد تعيد تشكيل طريقة تفكير الصناعة بأكملها في العلاقة بين الذكاء والطاقة.
الأسئلة الشائعة
ما هو الذكاء الاصطناعي العصبي-الرمزي وكيف يختلف عن التعلم العميق القياسي؟
يجمع الذكاء الاصطناعي العصبي-الرمزي بين الشبكات العصبية (التي تتفوق في التعرف على الأنماط من البيانات) ومحركات الاستدلال الرمزي (التي تطبق القواعد المنطقية والمفاهيم المجردة). يعتمد التعلم العميق القياسي بالكامل على المطابقة الإحصائية للأنماط من مجموعات بيانات ضخمة، مما يتطلب قوة حسابية هائلة. يحاكي النهج الهجين حل المشكلات البشري باستخدام الإدراك العصبي للمدخلات والاستدلال المنطقي للتخطيط، محققاً أداءً أفضل بطاقة أقل بشكل جذري.
هل يمكن للذكاء الاصطناعي العصبي-الرمزي أن يحل محل النماذج اللغوية الكبيرة مثل ChatGPT؟
ليس مباشرة، على الأقل ليس بعد. يستهدف بحث Tufts بشكل محدد نماذج الرؤية-اللغة-الفعل المستخدمة في الروبوتات، وليس النماذج اللغوية الكبيرة التي تشغّل روبوتات المحادثة. ما إذا كانت المقاربات الهجينة المماثلة يمكن أن تحقق مكاسب كفاءة مماثلة لتوليد اللغة أو تخليق الشفرة أو إنشاء الصور يظل سؤالاً بحثياً مفتوحاً. ومع ذلك، فإن المبدأ الأساسي لدمج الاستدلال العصبي والرمزي قد يؤثر في نهاية المطاف على كيفية تصميم جميع أنظمة الذكاء الاصطناعي.
ما التداعيات العملية لنشر الذكاء الاصطناعي في البلدان النامية؟
يُعد الاختراق في كفاءة الطاقة ذا أهمية خاصة للبيئات ذات الموارد المحدودة. نظام يتدرب في 34 دقيقة بدلاً من 36 ساعة ويستخدم 5% من طاقة الاستدلال يفتح تطوير الذكاء الاصطناعي أمام المؤسسات التي لا تملك وصولاً إلى مجموعات GPU باهظة الثمن أو إمدادات طاقة موثوقة عالية السعة. يمكن للجامعات والشركات الصغيرة ومختبرات البحث الحكومية في الاقتصادات النامية متابعة أبحاث الذكاء الاصطناعي للروبوتات التي كانت متاحة سابقاً فقط للمنظمات الممولة جيداً في الدول الغنية.
المصادر والقراءات الإضافية
- New AI Models Could Slash Energy Use While Dramatically Improving Performance — Tufts Now
- AI Breakthrough Cuts Energy Use by 100x While Boosting Accuracy — ScienceDaily
- Neuro-Symbolic AI Could Slash Energy Use While Dramatically Improving Performance — TechXplore
- 100x Less Power: The Breakthrough That Could Solve AI’s Massive Energy Crisis — SciTechDaily
- AI to Drive 165% Increase in Data Center Power Demand by 2030 — Goldman Sachs
- Energy Demand from AI — International Energy Agency
