تحذيرات من مستقبل غير مستدام لصناعة الذكاء الاصطناعي
تتجه التوقعات الصناعية إلى إشارات إنذار، حيث يتوقع أن تتطلب السنوات القادمة استثمارات ضخمة لبناء مراكز بيانات جديدة تواكب الطلب المتزايد على قدرات الحوسبة في مجال الذكاء الاصطناعي. تشير شركة Bain & Company إلى أن الإنفاق السنوي على ذلك قد يصل إلى نصف تريليون دولار بحلول عام 2030. وتُعد مبادرات مثل مشروع Stargate بقيادة Softbank وOpenAI وOracle من بين الجهود المبذولة لتلبية هذا الطلب المتصاعد.
### ضغط على شبكات الطاقة وسط توسع البنية التحتية الرقمية
لكن خلف هذا التوسع في البنية التحتية لتكنولوجيا المعلومات، تبرز مخاوف من قبل مشغلي الشبكات الكهربائية، الذين يحذرون من أن الطلب المتزايد المدفوع بالذكاء الاصطناعي قد يتجاوز قدرات الإمداد ويهدد استقرار أسواق الطاقة.
### تحديات الاستدامة وارتفاع استهلاك الطاقة
يفترض الكثير أن زيادة استخدام نماذج اللغة الكبيرة (LLMs) وحدها تكفي لشرح ارتفاع استهلاك الحوسبة والطاقة، ولكن الحقيقة أعمق من ذلك. فهذه النماذج تستهلك المزيد من الرموز المعالجة مع الوقت، خاصة عند تنفيذ عمليات التفكير المعقدة أو نماذج الاستنتاج التي تتطلب قوة حسابية هائلة.
على سبيل المثال، أظهرت دراسة أن إدخال نص طويل في نموذج GPT-4 يستهلك حوالي 0.42 واط ساعة، بينما نفس النص عند استخدام نماذج التفكير يمكن أن يستهلك ما يصل إلى 33.634 واط ساعة، وهو ما يعادل شحن هاتف ذكي مرة أو أكثر.
### أزمة اقتصادية وبيئية بسبب هيمنة الترنسفورمر
هذه الزيادة المستمرة في استهلاك الرموز وعمليات الحساب تثير تساؤلات حول جدوى النماذج الحالية من الناحية الاقتصادية. فالموديلات تعتمد على هيكلية الترنسفورمر التي تتطلب موارد طاقة هائلة، ورغم أن الشركات الكبرى تطلق نماذج جديدة، إلا أن التقدم لم يحقق بعد نقلة نوعية في الكفاءة أو الأداء.
### استلهام من الطبيعة: الدماغ البشري كنموذج
الحل يكمن في استلهام التصميم الطبيعي الأكثر فاعلية، وهو الدماغ البشري. فالدماغ يستخدم أقل من 20 واط من الطاقة من أجل أداء وظائف معرفية معقدة، رغم احتوائه على أكثر من 100 مليار خلية عصبية مترابطة بواسطة تريليونات من التشابكات العصبية.
وفي عام 2025، أطلقت شركة Dragon Hatchling (BDH) تقنية جديدة تحاكي ديناميكيات الخلايا العصبية والتشابكات في الدماغ، بهدف تقليل استهلاك الطاقة وتحسين كفاءة النماذج الذكية.
### نموذج الدماغ الاصطناعي الجديد: التعلم عبر الاستخدام
يعتمد النموذج الجديد على تفعيل الخلايا العصبية المرتبطة مباشرة بالمهمة، وتقوية أو إضعاف الروابط بناءً على الخبرات المكتسبة، وهو ما يُعرف بالتعلم الهيبي (Hebbian learning). ويتيح هذا الأسلوب نماذج أكثر مرونة، تتعلم بشكل مستمر دون الحاجة لإعادة تدريب كاملة، وتعمل بشكل أكثر كفاءة من خلال تفاعل محلي، مما يقلل الحاجة إلى استهلاك رموز كبير أو إعادة تدريب متكررة.
### مستقبل الذكاء الاصطناعي: نحو بنية أكثر استدامة
إن الحل لا يكمن في الاستمرار بترقية الهيكلية الحالية، وإنما في إعادة التفكير في التصميم الأساسي لنماذج الذكاء الاصطناعي. فالإعتماد على بنية الترنسفورمر يُعد خيارًا مكلفًا من ناحية الطاقة، رغم نجاحه في تحسين قدرات النماذج.
الطبيعة تقدم مثالاً فريدًا على كفاءة الطاقة، حيث يعمل الدماغ بكفاءة مذهلة رغم تعقيده، وهو مصدر إلهام لتطوير نماذج مستقبلية أكثر استدامة.
### استثمار في مستقبل أكثر استدامة
النهج الجديد يعتمد على بناء أنظمة ذكاء اصطناعي تتعلم وتتحسن عبر الاستخدام، مع تقليل الاعتماد على موارد طاقة هائلة. فهذه ليست مجرد مسألة بيئية، بل اقتصادية بحتة، حيث يمكن تقليل تكاليف الحوسبة بشكل كبير، وتوفير نماذج ذكية أكثر كفاءة في استهلاك الطاقة وتعمل بشكل مستدام.
الابتكار في بنية النماذج هو السبيل الوحيد لمواجهة التحديات المستقبلية، وتحقيق تقدم حقيقي في قدرات الذكاء الاصطناعي دون التضحية بكفاءة الطاقة أو استدامة السوق.