الديدان الصغيرة Caenorhabditis elegans تمتلك دماغًا بعرض شعرة إنسان. ومع ذلك، فإن هذا العضو الصغير ينسق ويحسب حركات معقدة بينما تبحث الدودة عن الطعام. تقول دانييلا روس، عالمة الحاسوب في معهد ماساتشوستس للتكنولوجيا: ”عندما أنظر إلى[[[[C. elegans]وأفكر في دماغها، أُدهش حقًا من الأناقة العميقة والكفاءة”. روس مفتونة جدًا بدماغ الدودة لدرجة أنها شاركت في تأسيس شركة Liquid AI لبناء نوع جديد من الذكاء الاصطناعي مستوحى منه.
تعتبر روس جزءًا من موجة من الباحثين الذين يعتقدون أن جعل الذكاء الاصطناعي التقليدي أكثر تشابهًا مع الدماغ يمكن أن ينتج تكنولوجيا أكثر رشاقة وذكاءً. يقول كاناكا راجان، عالم الأعصاب الحسابي في جامعة هارفارد: “لتحسين الذكاء الاصطناعي حقًا، نحتاج إلى… دمج رؤى من علم الأعصاب”.
من غير المرجح أن تحل هذه التكنولوجيا “المورفولوجية العصبية” محل أجهزة الكمبيوتر العادية أو نماذج الذكاء الاصطناعي التقليدية بالكامل، كما يقول مايك ديفيز الذي يدير مختبر الحوسبة المورفولوجية في إنتل بكاليفورنيا. بل إنه يرى مستقبلًا تتعايش فيه أنواع عديدة من الأنظمة.
تقليد الدماغ ليس فكرة جديدة. ففي الخمسينيات، ابتكر عالم الأعصاب فرانك روزنبلات جهاز الـ”بيرسيبترون”. كانت هذه الآلة نموذجاً مبسطاً للغاية لطريقة تواصل خلايا عصبية الدماغ، حيث تحتوي على طبقة واحدة فقط من الخلايا العصبية الصناعية المترابطة التي تؤدي كل منها وظيفة رياضية واحدة.
بعد عقود، ساعد التصميم الأساسي للـ”بيرسيبترون” على إلهام التعلم العميق، وهي تقنية حوسبة تتعرف على الأنماط المعقدة في البيانات باستخدام طبقات متداخلة من الخلايا العصبية الصناعية. تمرر هذه الخلايا البيانات المدخلة وتقوم بمعالجتها لإنتاج مخرجات معينة. لكن هذا النهج لا يمكنه مطابقة قدرة الدماغ على التكيف بسرعة مع المواقف الجديدة أو التعلم من تجربة واحدة فقط. بدلاً من ذلك ، تستهلك معظم نماذج الذكاء الاصطناعي اليوم كميات هائلة من البيانات والطاقة لتتعلم أداء مهام مثيرة للإعجاب مثل توجيه سيارة ذاتية القيادة.
يقول سوبوتاي أحمد ، المدير الفني لشركة Numenta التي تبحث عن كفاءة شبكات الدماغ البشري: “إنها مجرد زيادة أكبر وأكبر”. تعتبر نماذج الذكاء الاصطناعي التقليدية “قوة غاشمة وغير فعالة”.
في يناير ، أعلنت إدارة ترامب عن مشروع ستارغيت ، وهو خطة لضخ 500 مليار دولار لإنشاء مراكز بيانات جديدة لدعم نماذج الذكاء الاصطناعي التي تحتاج إلى طاقة كبيرة. لكن نموذج تم إطلاقه بواسطة الشركة الصينية DeepSeek يتحدى هذا الاتجاه ، حيث يقوم بتكرار قدرات روبوتات المحادثة باستخدام بيانات وطاقة أقل بكثير . يبقى غير واضح ما إذا كانت القوة الغاشمة أو الكفاءة ستنتصر.
وفي الوقت نفسه ، يعمل خبراء الحوسبة المورفولوجية على جعل الأجهزة والهندسة والخوارزميات أكثر تشابهًا مع الدماغ بشكل مستمر . تقول عالمة الحاسوب كاثرين شومان بجامعة تينيسي: “يقدم الناس مفاهيم جديدة وتنفيذات للأجهزة طوال الوقت”. تساعد هذه التطورات بشكل رئيسي في أبحاث الدماغ البيولوجي وتطوير المستشعرات ولم تكن جزءاً مما يسمى بالذكاء الاصطناعي السائد حتى الآن .
إليك أربعة أنظمة مورفولوجية عصبية تحمل إمكانيات لتحسين الذكاء الصناعي:
اجعل الخلايا العصبية الصناعية أكثر شبهًا بالحياة
الخلايا العصبية الحقيقية هي خلايا حيوية معقدة تحتوي على العديد من الأجزاء . إنها تستقبل باستمرار إشارات بيئية وتتغير شحنتها الكهربائية حتى تتجاوز حد معين وتطلق النار . ترسل هذه النشاط نبضة كهربائية عبر الخلية وإلى خلايا عصبية مجاورة . تمكن مهندسو الحوسبة المورفولوجية بالفعل تقليد هذا النمط في خلايا عصبية صناعية . تحاكي هذه الخلايا العصبية ، التي هي جزءٌ مِن الشبكات العصبيّة المُنبثِقة (spiking neural networks) إشارات دماغ فعلِيٍّ مُحدثَةً ذروَاتٍ منفصلة تحمل المعلومات عبر الشبكة .
لا يتم تمثيل القمم (spikes) ضمن شبكات التعلم العميق التقليدية للذكاء الصناعي . بدلاً مِن ذلك تُعتبر كل خلية عصبيّة صناعية “كرة صغيرة بنوع واحد مِن معالجة المعلومات” كما يقول ميهاي بيتروفيسي باحث الحوسبة المورفولوجية بجامعة برن بسويسرا . ترتبط كل واحدة مِن تلك “الكُرات الصغيرة” بالأخرى عبر اتصالات تُسمى المعلمات (parameters). عادةً ما يُفعّل كل إدخال للشبكة جميع المعلمات مرة واحدة مما يعد غير فعال .
لكن الشبكات الفعلية للدماغ والشبكات المنبعثة تحقق الكفاءة بطريقة مختلفة قليلاً حيث لا تكون كل خلية مرتبطة بكل الأخرى أيضاً فقط إذا وصلت الإشارات الكهربائية إلى حد معين تطلق خلية معلوماتها إلى اتصالاتها مما يجعل الشبكة تنشط بشكل متقطع بدلاً مِن تنشيطه دفعة واحدة .
مقارنة الشبكات
تكون شبكات التعلم العميق النموذجية كثيفة ولديها ترابط بين جميع “الخلايا العصبيّة” المتشابهة فيها بينما تكون شبكات الدماغ نادرة ويمكن لخلاياه أخذ أدوار مختلفة ولا يزال علماء الأعصاب يعملون لمعرفة كيفية تنظيم تلك الشبكات المعقدة فعليّاً.
من المهم أن نلاحظ أن الدماغ والشبكات النابضة تجمع بين الذاكرة والمعالجة. يقول بتروفيتش: “الاتصالات التي تمثل الذاكرة هي أيضًا العناصر التي تقوم بالحساب”. تفصل الأجهزة الحاسوبية التقليدية – التي تشغل معظم الذكاء الاصطناعي – بين الذاكرة والمعالجة. عادةً ما تحدث معالجة الذكاء الاصطناعي في وحدة معالجة الرسوميات (GPU). بينما تتولى مكون آخر من الأجهزة، مثل ذاكرة الوصول العشوائي (RAM)، التخزين. وهذا يجعل بنية الكمبيوتر أبسط. لكن نقل البيانات ذهابًا وإيابًا بين هذه المكونات يستهلك الطاقة ويبطئ الحساب.
شريحة الكمبيوتر العصبي BrainScaleS-2 تجمع بين هذه الميزات الفعالة. تحتوي على خلايا عصبية نابضة متصلة بشكل نادر مبنية فعليًا في الأجهزة، وتخزن الاتصالات العصبية الذكريات وتقوم بالحساب.
تم تطوير BrainScaleS-2 كجزء من مشروع الدماغ البشري، وهو جهد يستمر لمدة 10 سنوات لفهم الدماغ البشري عن طريق نمذجته في كمبيوتر. لكن بعض الباحثين نظروا إلى كيفية جعل التكنولوجيا المتطورة من المشروع الذكاء الاصطناعي أكثر كفاءة. على سبيل المثال، قام بتروفيتش بتدريب ذكاءات اصطناعية مختلفة للعب لعبة الفيديو “بونغ”. استخدمت شبكة نابضة تعمل على أجهزة BrainScaleS-2 جزءًا من الألف من الطاقة مقارنة بمحاكاة نفس الشبكة التي تعمل على وحدة المعالجة المركزية (CPU). ولكن الاختبار الحقيقي كان مقارنة الإعداد العصبي مع شبكة تعلم عميق تعمل على GPU. وجدت الفريق أن تدريب النظام النابض للتعرف على الكتابة اليدوية استخدم جزءًا من المئة من طاقة النظام التقليدي.
لكي تكون أجهزة الشبكات العصبية النابضة لاعباً حقيقياً في مجال الذكاء الاصطناعي، يجب توسيع نطاقها وتوزيعها بشكل أكبر. ثم يمكن أن تكون “مفيدة للحساب بشكل أوسع”، كما يقول شومان.
ربط مليارات الخلايا العصبية النابضة
لا توجد لدى الفرق الأكاديمية العاملة على BrainScaleS-2 حاليًا خطط لتوسيع الشريحة، ولكن بعض أكبر شركات التكنولوجيا في العالم مثل إنتل وآي بي إم لديها خطط لذلك.
في عام 2023، قدمت آي بي إم شريحة NorthPole neuromorphic chip الخاصة بها والتي تجمع بين الذاكرة والمعالجة لتوفير الطاقة. وفي عام 2024، أعلنت إنتل عن إطلاق Hala Point ، “أكبر نظام عصبي مصغر في العالم الآن”، كما يقول عالم الحاسوب كرايغ فانيارد من مختبرات سانديا الوطنية في نيو مكسيكو.
على الرغم من هذا الوصف المثير للإعجاب، لا يوجد شيء يبرز بصرياً عن النظام ، كما يقول فانيارد . Hala Point يناسب داخل صندوق بحجم حقيبة سفر . ومع ذلك ، يحتوي على 1,152 شريحة Loihi 2 الخاصة بإنتل ليصل العدد الإجمالي إلى رقم قياسي يبلغ 1,15 مليار خلية عصبية إلكترونية – تقريباً نفس عدد الخلايا العصبية الموجودة في دماغ بومة .
مثل BrainScaleS-2 ، تحتوي كل شريحة Loihi 2 على نسخة مادية لشبكة عصبية نابضة . تستخدم الشبكة النابضة الفيزيائية أيضًا التشتت وتجمع بين الذاكرة والمعالجة . تقول شومان إن هذا الكمبيوتر العصبي لديه “خصائص حسابية مختلفة تمامًا” مقارنة بالآلة الرقمية العادية.
تحسن هذه الميزات كفاءة Hala Point مقارنة بأجهزة الكمبيوتر التقليدية الأخرى . ويقول ديفيس: “الكفاءة المحققة لدينا تتجاوز بالتأكيد ما يمكنك تحقيقه باستخدام تقنية GPU”.
في عام 2024 ، أظهر ديفيس وفريقه البحثي أن جهاز Loihi 2 يمكنه توفير الطاقة حتى أثناء تشغيل خوارزميات التعلم العميق التقليدية . أخذ الباحثون عدة مهام لمعالجة الصوت والفيديو وقاموا بتعديل خوارزميات التعلم العميق الخاصة بهم بحيث يمكن تشغيلها على الأجهزة الجديدة ذات الطابع النابض . تقول ديفيس إن هذه العملية “تقدم تشتت النشاط داخل الشبكة”.
A deep learning network running on a regular digital computer processes every single frame of audio or video as something completely new; however, spiking hardware maintains “some knowledge of what it saw before,” according to Davies.
When part of the audio or video stream stays the same from one frame to the next, the system doesn’t have to start over from scratch; it can “keep the network idle as much as possible when nothing interesting is changing.” On one video task tested by the team, a Loihi chip running a “sparsified” version of a deep learning algorithm used only (frac{1}{150})th of the energy compared to a GPU running its standard version.
The audio and video tests demonstrated that one type of architecture can effectively run deep learning algorithms; however, developers can reconfigure spiking neural networks within both Loihi and BrainScaleS in various ways to create new architectures that utilize hardware differently while also implementing different types of algorithms using these architectures.
It remains unclear which algorithms and architectures would best leverage this hardware for maximum energy savings; however researchers are making progress in this area with recent studies introducing new methods for modeling neurons in spiking networks that include both spike shape and timing—potentially allowing energy-efficient systems to adopt successful mainstream AI learning techniques.
Neuromorphic hardware may be particularly suited for yet-to-be-invented algorithms—“that’s actually what’s most exciting,” says neuroscientist James Aimone from Sandia National Labs—indicating significant potential for future computing advancements that could lead to more efficient and capable systems overall.
تصميم ‘دماغ’ قابل للتكيف
يتفق علماء الأعصاب بأن إحدى أهم ميزات الدماغ الحي هي القدرة المستمرة للتعلم والتكيف؛ ولا يتطلب الأمر دماغاً كبيراً لتحقيق ذلك؛ حيث يمتلك الدودة C.elegans واحدةً فقط تتكون مما يقارب الـ302 خلايا عصبية و7000 مشبك تسمح لها بالتعلم بكفاءة أثناء استكشاف عالمها.
درس رامين حسني كيف تتعلم C.elegans خلال دراسته العليا عام2017 وكان يعمل لنمذجة ما يعرفه العلماء حول أدمغة الديدان عبر البرمجيات؛ وعندما كان خارج الجري مع مستشار حسني خلال مؤتمر أكاديمي اكتشف روس هذا العمل؛ وفي ذلك الوقت كانت تدرب نماذج ذكاء اصطناعي تضم مئات الآلاف من الخلايا العصبية الصناعية ونصف مليون معامل لتشغيل السيارات ذاتية القيادة.بناءً على هيكل الدماغ البشري
بينما تعمل روس على نموذج دماغ الدودة، يستلهم آخرون من منطقة محددة جدًا في الدماغ البشري – القشرة الجديدة، وهي طبقة متموجة من الأنسجة تغطي سطح الدماغ.
تقول راجان: “القشرة الجديدة هي مصدر الطاقة للدماغ للتفكير عالي المستوى”. “هنا تتقاطع المعلومات الحسية وصنع القرار والتفكير المجرد.”
تحتوي هذه المنطقة من الدماغ على ست طبقات رقيقة أفقية من الخلايا، منظمة في عشرات الآلاف من الهياكل الرأسية المعروفة بالأعمدة القشرية. تحتوي كل عمود على حوالي 50,000 إلى 100,000 خلية عصبية مرتبة في عدة مئات من الأعمدة الصغيرة الرأسية.
يجادل عالم الأعصاب وعالم الكمبيوتر جيف هاوكينز بأن هذه الأعمدة الصغيرة هي المحرك الرئيسي للذكاء. في أجزاء أخرى من الدماغ، تساعد خلايا الشبكة والمكان الحيوان على إدراك موقعه في الفضاء. يعتقد هاوكينز أن هذه الخلايا موجودة في الأعمدة الصغيرة حيث تتبع وتقوم بنمذجة جميع أحاسيسنا وأفكارنا. على سبيل المثال، عندما يتحرك طرف الإصبع، يقول إن هذه الأعمدة تصنع نموذجًا لما تلمسه. الأمر نفسه ينطبق على أعيننا وما نراه، كما يوضح هاوكينز في كتابه لعام 2021 ”ألف دماغ”.
تقول راجان: “إنها فكرة جريئة”. تشير الأبحاث الحالية إلى أن الذكاء يتضمن تفاعل العديد من الأنظمة المختلفة داخل الدماغ وليس فقط هذه الخلايا النمطية.
على الرغم من أن نظرية هاوكينز لم تصل بعد إلى قبول واسع النطاق داخل مجتمع علوم الأعصاب، إلا أنها “تولد الكثير من الاهتمام”، كما تقول. ويشمل ذلك الحماس بشأن إمكانياتها لاستخدامها في الحوسبة العصبية.
طور هاوكينز نظريته في شركة Numenta التي شارك بتأسيسها عام 2005. مشروع ألف دماغ الذي أعلن عنه عام 2024 هو خطة لربط بنية الحوسبة مع خوارزميات جديدة.
في بعض الاختبارات الأولية للمشروع قبل بضع سنوات، وصف الفريق بنية تضمنت سبعة أعمدة قشرية ومئات العموديات ولكنها امتدت عبر ثلاث طبقات فقط بدلاً من ست مثل القشرة الجديدة البشرية. طور الفريق أيضًا خوارزمية ذكاء اصطناعي جديدة تستخدم الهيكل العمودي لتحليل بيانات الإدخال. أظهرت المحاكاة أن كل عمود يمكن أن يتعلم التعرف على مئات الكائنات المعقدة.
لا يزال يجب اختبار الفعالية العملية لهذا النظام. لكن الفكرة هي أنه سيكون قادرًا على التعلم عن العالم بشكل فوري مشابه لخوارزميات Liquid AI.
حتى الآن، تستخدم Numenta ، التي تقع مقرها الرئيسي في ريدوود بكاليفورنيا ، أجهزة الكمبيوتر الرقمية العادية لاختبار هذه الأنظمة.يمكن أن تنفذ الأجهزة المخصصة في المستقبل نسخًا فعلية من الخلايا العصبية النابضة المنظمة في أعمدة قشرية، كما يقول أحمد.
استخدام الأجهزة المصممة لهذه البنية يمكن أن يجعل النظام بأكمله أكثر كفاءة وفعالية. يقول شومان: ”كيف تعمل الأجهزة سيؤثر على كيفية عمل خوارزميتك”. “يتطلب ذلك عملية تصميم مشتركة.”
يمكن لفكرة جديدة في الحوسبة أن تنطلق فقط مع التركيبة الصحيحة من الخوارزمية والبنية والأجهزة. على سبيل المثال، لاحظ مهندسو DeepSeek أنهم حققوا مكاسبهم في الكفاءة من خلال تصميم مشترك لـ “الخوارزميات والأطر والأجهزة”.
عندما لا تكون واحدة من هذه العناصر جاهزة أو متاحة، قد تتعثر فكرة جيدة، كما تشير سارة هوكر، عالمة الكمبيوتر في مختبر الأبحاث Cohere في سان فرانسيسكو ومؤلفة ورقة مؤثرة عام 2021 بعنوان “اليانصيب للأجهزة”. لقد حدث هذا بالفعل مع التعلم العميق – حيث تم تطوير الخوارزميات اللازمة لذلك منذ الثمانينيات، لكن التكنولوجيا لم تحقق النجاح حتى بدأ علماء الكمبيوتر باستخدام أجهزة GPU لمعالجة الذكاء الاصطناعي في أوائل العقد الثاني من القرن الحادي والعشرين.
غالبًا ما يعتمد النجاح على الحظ، كما قالت هوكر في فيديو لجمعية آلات الحوسبة عام 2021. ولكن إذا قضى الباحثون المزيد من الوقت في التفكير بشأن تركيبات جديدة للأجهزة العصبية الشكل والهياكل والخوارزميات، فقد يفتحون آفاقًا جديدة ومثيرة لكل من الذكاء الاصطناعي والحوسبة.
