الذكاء الاصطناعي يلبي الكفاءة: شريحة جديدة تُقلص استهلاك الطاقة في مجال LLM بنسبة 50%

يؤدي الطفرة المستمرة في الذكاء الاصطناعي إلى زيادة كبيرة في مراكز البيانات، مما يؤدي إلى زيادة الطلب الهائل على الطاقة لتشغيل وتبريد الخوادم الموجودة داخلها.

في حين أن هناك أكثر من 8,000 مركز بيانات في جميع أنحاء العالم، معظمها في الولايات المتحدة، فإن هذا العدد سيزداد بشكل كبير في السنوات القادمة. 

وفقًا لتقديرات مجموعة بوسطن الاستشارية، سيرتفع الطلب على مراكز البيانات بنسبة 15% إلى 20% سنويًا حتى عام 2030. وفي هذه المرحلة، تتوقع الشركة أن تشكل هذه المراكز 16% من إجمالي استهلاك الطاقة في الولايات المتحدة، ارتفاعًا من 2.5% فقط قبل إصدار OpenAI لـ ChatGPT في عام 2022.

وفي الوقت نفسه، تقرير خاص عن الطاقة والذكاء الاصطناعي تتوقع وكالة الطاقة الدولية (IEA) في تقريرها الصادر هذا العام أن يتضاعف الطلب على الكهرباء من مراكز البيانات حول العالم على الأقل بحلول نهاية هذا العقد ليصل إلى حوالي 945 تيراواط/ساعة. وهذا يعادل تقريبًا استهلاك اليابان اليوم. 

وتشير المنظمة الحكومية الدولية المستقلة التي تتخذ من باريس مقراً لها إلى أن الذكاء الاصطناعي هو المحرك الأكبر وراء هذا الارتفاع، حيث من المتوقع أن يتضاعف الطلب على الكهرباء من مراكز البيانات المحسّنة بالذكاء الاصطناعي بأكثر من أربعة أضعاف بحلول عام 2030.

في الولايات المتحدة على وجه التحديد، من المتوقع أن يشكل استهلاك الطاقة من قبل مراكز البيانات حوالي نصف النمو في الطلب على الكهرباء بين الآن وعام 2030. ووفقًا للتقرير، سيستهلك الاقتصاد الأمريكي، مدفوعًا باستخدام الذكاء الاصطناعي، المزيد من الكهرباء لمعالجة البيانات في تلك المرحلة مقارنة بتصنيع جميع السلع كثيفة الاستهلاك للطاقة مجتمعة.

يُمثل هذا النهم المُستمر للطاقة مشكلةً كبيرةً في تطوير الذكاء الاصطناعي وتبنيه. ومع ذلك، فإن الجانب المشرق هو العدد المتزايد من الباحثين والشركات التي تعمل على تقليل استهلاك الذكاء الاصطناعي للطاقة وجعله أكثر كفاءةً في استهلاك الطاقة.

والأمر المثير للاهتمام في هذه الجهود هو أن العديد منها يستخدم الذكاء الاصطناعي لمعالجة تحديات الطاقة الخاصة به.

في هذا الشهر فقط، قام فريق من الباحثين بإظهار شريحة جديدة تستخدم الذكاء الاصطناعي لتقليص البصمة الطاقية لنماذج اللغة الكبيرة (LLMs) بنسبة 50٪، مما يمثل تطوراً كبيراً في جعل نماذج اللغة الكبيرة فعالة من حيث التكلفة وأكثر استدامة للتشغيل.

شريحة جديدة تستفيد من الذكاء الاصطناعي لتقليل استهلاك الطاقة في LLM

قام باحثون من كلية الهندسة بجامعة ولاية أوريغون بتطوير شريحة ذكاء اصطناعي فعالة جديدة لحل مشكلة استهلاك الكهرباء الهائلة لتطبيقات الذكاء الاصطناعي مثل GPT-4 من OpenAI وGemini من Google.

نموذج اللغة الكبير (LLM)، وهو نوع من نماذج التعلم الآلي (ML)، يتم تدريبه مسبقًا على كميات هائلة من البيانات لأداء مهام معالجة اللغة الطبيعية (NLP) مثل إنشاء النصوص، والتلخيص، والتيسير، والتفكير النصي، وترجمة اللغة، والمزيد.

تتضمن برامج المحادثة الروبوتية الأكثر شعبية واستخدامًا اليوم GPT-4o وo3 وo1 من OpenAI، وGemini وGemma من Google، وLlama من Meta، وR1 وV3 من DeepSeek، وClaude من Anthropic، وNova من Amazon، وPhi من Microsoft، وGrok من xAI.

على مدار السنوات القليلة الماضية، أحدثت برامج الماجستير في القانون تحولاً جذرياً في مجال الذكاء الاصطناعي، إذ مكّنت الآلات من فهم وتوليد نصوص شبيهة بالنصوص البشرية بدقة أكبر. ومع ذلك، أدى هذا التطور في برامج الماجستير في القانون إلى زيادة هائلة في حجمها.  

حجم نموذج ماجستير إدارة الأعمال، المُقاس بعدد معاملاته، هو العامل الرئيسي لاستهلاكه للطاقة. هذا يعني أنه كلما كبر النموذج، زادت حاجته إلى قوة حسابية للتدريب والاستدلال. 

على سبيل المثال، كان لدى ChatGPT-1 ما يقل قليلاً عن 120 مليون معلمة، والتي ارتفعت إلى 175 مليار معلمة مع GPT-3، ثم إلى ما يقرب من 1.8 تريليون معلمة مع GPT-4.

هذا الارتفاع الهائل في حجم وقدرات برامج ماجستير إدارة الأعمال يعني أن استهلاكها للطاقة يرتفع أيضًا على نطاق غير مسبوق. إلى جانب حجم النموذج، تؤثر عوامل مثل نوع الأجهزة المستخدمة لتدريب هذه البرامج، ومدة عملية التدريب، والبنية التحتية (مثل مراكز البيانات، ومعالجة البيانات، وتحسين النموذج، وكفاءة الخوارزميات) على استهلاكها للطاقة.

ومن هنا، جاءت الشريحة الجديدة من باحثي جامعة ولاية أوهايو. ووفقًا لتيجاسفي أناند، الأستاذة المشاركة في الهندسة الكهربائية بجامعة ولاية أوهايو، والتي تُدير أيضًا مختبر دوائر وأنظمة الإشارات المختلطة في الجامعة:

تكمن المشكلة في أن الطاقة اللازمة لنقل بت واحد لا تنخفض بنفس معدل تزايد الطلب على معدل البيانات. وهذا ما يدفع مراكز البيانات إلى استهلاك كميات هائلة من الطاقة.

ولتجاوز هذه المشكلة، قام الفريق بتصميم وتطوير شريحة جديدة تستهلك نصف الطاقة فقط مقارنة بالتصاميم التقليدية.

قدّم أناند وطالب الدكتوراه رامين جواد هذه التقنية الجديدة في مؤتمر معهد مهندسي الكهرباء والإلكترونيات للدوائر المتكاملة المخصصة (CIC)، الذي عُقد في بوسطن الشهر الماضي. يُكرّس المؤتمر، الذي يستضيف منتديات وحلقات نقاش ومعارض وعروضًا تقديمية، جهوده لتطوير الدوائر المتكاملة (IC)، التي تُعدّ حجر الأساس في الأنظمة الإلكترونية الحديثة من خلال توفيرها وظائف وقدرة معالجة في تصميم مدمج وفعّال.

طُوّرت هذه التقنية الحديثة بدعم من مركز الاتصال الشامل (CUbiC)، ومؤسسة أبحاث أشباه الموصلات (SRC)، ووكالة مشاريع البحوث الدفاعية المتقدمة (DARPA). كما نال جوادي جائزة أفضل بحث طلابي في المؤتمر.

بالنسبة للرقاقة الجديدة، استفاد الباحثون بالفعل من مبادئ الذكاء الاصطناعي التي أشار إليها جافادي، والتي تعمل على تقليل استخدام الكهرباء لمعالجة الإشارات.

كما أوضح، تُرسل وتستقبل أجهزة LLM كميات كبيرة من البيانات عبر الاتصالات السلكية، وهي روابط اتصال نحاسية في مراكز البيانات. تتطلب هذه العملية برمتها طاقة هائلة، لذا فإن أحد الحلول المحتملة هو تطوير شرائح اتصال سلكية أكثر كفاءة.

أشار جوادي أيضًا إلى أنه عند إرسال البيانات بسرعات عالية، تتلف في نهاية جهاز الاستقبال، ما يستدعي تنظيفها. ولهذا الغرض، تستخدم معظم أنظمة الاتصالات السلكية الحالية مُعادلًا، وهو ما يستهلك طاقة كبيرة.

"نحن نستخدم مبادئ الذكاء الاصطناعي الموجودة على الشريحة لاستعادة البيانات بطريقة أكثر ذكاءً وكفاءة من خلال تدريب المصنف الموجود على الشريحة على التعرف على الأخطاء وتصحيحها."

– جوادي

رغم أن هذا التطور يُعدّ تطورًا كبيرًا، إلا أنه مجرد الإصدار الأولي من الشريحة. ويجري العمل حاليًا على الإصدار التالي لتحسين كفاءتها في استهلاك الطاقة.

بشكل عام، يُظهر هذا البحث الجاري إمكانات هائلة لإحداث تأثيرات بعيدة المدى على مستقبل البنية التحتية للذكاء الاصطناعي وعمليات مراكز البيانات. ولكن بالطبع، يتطلب ذلك تطبيقًا ناجحًا لهذه التقنية على نطاق واسع، وهي مهمة ليست بالسهلة.

انقر هنا لمعرفة كيف تعمل الذكاء الاصطناعي على إحداث ثورة في هندسة الشرائح الدقيقة.

ترويض شهية الذكاء الاصطناعي للطاقة من خلال تحقيق اختراقات عبر الطبقات

يُعدّ هذا التطوير الأخير للرقاقة واحدًا من مشاريع بحثية عديدة تُعنى بمشكلة استهلاك الذكاء الاصطناعي للطاقة. لذا، دعونا نُلقي نظرة سريعة على الطرق المُبتكرة التي اتبعها الباحثون لمعالجة هذه المشكلة.

استخدام الضوء لتحسين كفاءة الطاقة في مجال الذكاء الاصطناعي 

في وقت سابق من هذا العام، علماء USST المتقدمة¹ شريحة ذكاء اصطناعي مجهرية، أصغر من ذرة غبار أو حبة ملح، تستخدم الضوء لمعالجة البيانات من كابلات الألياف الضوئية. هذا يَعِد بعمليات حسابية أسرع مع استهلاك أقل للطاقة.

تعالج الشريحة الضوء لإجراء حسابات فورية بدلاً من تفسير إشارات الضوء كما تفعل أجهزة الكمبيوتر التقليدية. ولهذا الغرض، تستخدم تقنية "الشبكة العصبية العميقة الحيودية البصرية بالكامل"، وهي تقنية تستخدم طبقات من المكونات المطبوعة ثلاثية الأبعاد والمزخرفة والمتراصة. على الرغم من حداثتها، إلا أن هناك تحديات مثل التصميم المخصص لكل مهمة، والحساسية للعيوب، وصعوبة الإنتاج على نطاق واسع، والتي يجب التغلب عليها لتحقيق "وظائف غير مسبوقة" في التصوير بالمنظار، والحوسبة الكمومية، ومراكز البيانات.

قبل بضعة أشهر من ذلك، استخدم علماء معهد ماساتشوستس للتكنولوجيا الضوء أيضًا لإجراء العمليات الرئيسية لشبكة عصبية على شريحة، مما أتاح إجراء حسابات الذكاء الاصطناعي فائقة السرعة (في نصف نانوثانية) بدقة تصل إلى 92% وكفاءة هائلة في استخدام الطاقة.

"يُظهر هذا العمل أن الحوسبة - في جوهرها، تعيين المدخلات إلى المخرجات - يمكن تجميعها على هياكل جديدة للفيزياء الخطية وغير الخطية التي تمكن من وضع قانون حسابي مختلف تمامًا مقابل الجهد المطلوب."

– المؤلف الرئيسي ديرك إنجلوند

العلماء تم تطوير الشريحة الفوتونية²، وهو مصنوع من وحدات مترابطة تُشكل شبكة عصبية بصرية. والجدير بالذكر أن استخدام عمليات الصب التجارية في تصنيعه يعني إمكانية توسيع نطاقه ودمجه في الإلكترونيات. كما تغلب العلماء على تحدي اللاخطية في البصريات بتصميم وحدات دالة بصرية غير خطية (NOFUs) تجمع بين الإلكترونيات والبصريات.

انقر هنا لمعرفة المزيد عن الذكاء الاصطناعي الجديد المستوحى من الدماغ والذي يتعلم في الوقت الفعلي باستخدام طاقة منخفضة للغاية.

أداة برمجية لتدريب الذكاء الاصطناعي ونظام تبريد لمراكز البيانات

وفي الوقت نفسه، قال باحثو جامعة ميشيغان: استهدفت هدر الطاقة تم إنشاء هذا في وقت تدريب الذكاء الاصطناعي، وبشكل أكثر تحديدًا، عندما يتم تقسيمه بين وحدات معالجة الرسوميات، وهي ضرورة لمعالجة مجموعات البيانات الضخمة، بشكل غير متساوٍ. 

لذلك، قاموا بتطوير أداة برمجية تسمى Perseus والتي تحدد المهام الفرعية التي تستغرق وقتًا أطول لإكمالها ثم تقلل من سرعة المعالجات غير الموجودة على هذا "المسار الحرج" لتمكينها جميعًا من إكمال مهامها في وقت واحد، وإزالة استخدام الطاقة غير الضروري.

هذه الأداة مفتوحة المصدر متاحة كجزء من Zeus، وهي أداة لقياس وتحسين استهلاك الذكاء الاصطناعي للطاقة.

وفي الوقت نفسه، لجأ باحثون من جامعة ميسوري إلى ابتكار نظام تبريد من الجيل التالي لمساعدة مراكز البيانات على زيادة كفاءة الطاقة. كما يقومون بتصنيع نظام تبريد لتسهيل التوصيل والفصل داخل رفوف الخوادم.

التبريد وتصنيع الرقائق مترابطان. فبدون التبريد المناسب، ترتفع حرارة المكونات وتتعطل. ستكون مراكز البيانات الموفرة للطاقة أساسية لمستقبل حوسبة الذكاء الاصطناعي.

- تشان وو بارك، أستاذ الهندسة الميكانيكية والفضائية في كلية الهندسة بجامعة ميزوري

بدعم من مبادرة COOLERCHIPS التابعة لوزارة الطاقة الأمريكية، والتي بلغت 1.5 مليون دولار أمريكي، طوّر الفريق نظام تبريد ثنائي الطور يُبدد الحرارة من شرائح الخوادم عبر تغيير الطور. لا يقتصر الأمر على قدرته على العمل بشكل سلبي دون استهلاك أي طاقة عند الحاجة إلى تبريد أقل، بل يستهلك النظام كمية ضئيلة جدًا من الطاقة حتى في الوضع النشط.

قد تُخفّض أجهزة CRAM استهلاك الذكاء الاصطناعي للطاقة بمقدار 1000 مرة

في الصيف الماضي، قام المهندسون في جامعة مينيسوتا توين سيتيز تم تطوير جهاز متطور³ وهو ما قد يقلل من استهلاك الذكاء الاصطناعي للطاقة بنحو 1,000 مرة.

يُطلق على هذا النموذج الجديد اسم ذاكرة الوصول العشوائي الحسابية (CRAM)، وهنا لا تترك البيانات الذاكرة أبدًا؛ بل تتم معالجتها بالكامل داخل مجموعة الذاكرة، وبالتالي، يتم التخلص من الحاجة إلى عمليات نقل البيانات البطيئة والتي تتطلب طاقة مكثفة.

هذه الدراسة، التي استغرق إعدادها عقدين من الزمن، جزء من جهود الفريق في البناء على بحث جيان-بينغ وانغ، الباحث الرئيسي، الحاصل على براءة اختراع، حول أجهزة الوصلات النفقية المغناطيسية (MTJs). تُستخدم هذه الأجهزة النانوية لتحسين أجهزة الاستشعار، والأقراص الصلبة، وأنظمة الإلكترونيات الدقيقة الأخرى، مثل ذاكرة الوصول العشوائي المغناطيسية (MRAM).

أشار المؤلف المشارك أوليا كاربوزجو، الأستاذ المشارك في قسم الهندسة الكهربائية والحاسوبية، إلى أن "ذاكرة الوصول العشوائي المحفّزة (CRAM) ركيزة حوسبة رقمية عالية الكفاءة في استهلاك الطاقة، وتتميز بمرونة عالية تتيح إجراء العمليات الحسابية في أي مكان ضمن مصفوفة الذاكرة". كما يمكن إعادة تهيئتها لتلبية احتياجات الأداء لمختلف الخوارزميات.

الذكاء الاصطناعي المستوحى من الدماغ: تقليل استخدام الطاقة من خلال محاكاة الكفاءة البشرية

لذا، كما رأينا، يبحث الباحثون في جوانب مختلفة من الذكاء الاصطناعي لمعالجة مشكلات الطاقة. ومن المثير للاهتمام أنهم يلجأون أيضًا إلى الدماغ البشري للإلهام. وهذا منطقي، فالذكاء الاصطناعي هو محاكاة عمليات الذكاء البشري بواسطة الآلات، على الرغم من أنه... لا يقترب من التفكير والمنطق البشري بسبب قدرتها على التعميم عبر الاختلافات كونها "أضعف بكثير من الإدراك البشري".

تشمل أبحاث تقليل الطاقة المستوحاة من الدماغ عمل الأستاذ المشارك تشانغ شو في مركز الذكاء الاصطناعي بجامعة سيدني، والذي أشار إلى أن استخدام طلاب الماجستير في القانون للموارد بكامل طاقتهم، حتى في المهام البسيطة، ليس الطريقة الصحيحة لإنجاز الأمور. وأوضح:

عندما تفكر في دماغ بشري سليم، تجد أنه لا يُفعّل جميع الخلايا العصبية أو يستخدم كامل طاقته دفعةً واحدة. بل يعمل بكفاءة طاقة مذهلة، إذ يستهلك 20 واط فقط من الطاقة، على الرغم من احتوائه على حوالي 100 مليار خلية عصبية، يستخدمها بشكل انتقائي من نصفي الدماغ لأداء مهام أو تفكير مختلفين. 

وبناء على ذلك، فإنهم يعملون على تطوير خوارزميات تتجاوز العمليات الحسابية المكررة غير اللازمة ولا تعمل بأقصى سرعة تلقائيًا.

وفي حالات أخرى، استوحى الباحثون الإلهام من تعديل الأعصاب في الدماغ وأنشأوا خوارزمية تسمى "نظام التخزين"لتقليل الطاقة بنسبة 37% دون أي تدهور في الدقة، فإن وظيفة الإصلاح الذاتي لخلايا المخ تسمى الخلايا النجمية للأجهزة، وحصل على شكل الحوسبة العصبية (المستوحاة من الدماغ) (المقاومات الذاكرية) العمل معا في عدة مجموعات فرعية من الشبكات العصبية.

الاستثمار في الذكاء الاصطناعي

شركة أشباه الموصلات العالمية، AMD (AMD ) تشتهر بتقنياتها عالية الأداء في الحوسبة والرسوميات والتصور. وفي حين أنها تتنافس مباشرةً مع شركة الذكاء الاصطناعي الرائدة NVIDIA (NVDA )تكتسب الشركة زخمًا متزايدًا في أسواق مراكز البيانات ومسرّعات الذكاء الاصطناعي. وتستهدف سلسلة MI300 الخاصة بها بشكل خاص أحمال عمل جيل الذكاء الاصطناعي وتطبيقات الحوسبة عالية الأداء.

إن وجودها الرائد في مجال وحدات المعالجة المركزية لمراكز البيانات، والتركيز القوي على البحث والتطوير، ونمو الإيرادات، والعملاء، والاستحواذات تجعل AMD لاعباً قوياً في هذا القطاع.

ادفانسد مايكرو الأجهزة (AMD )

في عام ٢٠٢٢، أبرمت AMD صفقةً قياسيةً في قطاع الرقائق الإلكترونية بقيمة ٥٠ مليار دولار أمريكي باستحواذها على Xilinx لتصبح بذلك الشركة الرائدة في مجال الحوسبة عالية الأداء والتكيفية في هذا المجال. ومؤخرًا، استحوذت على ZT Systems للاستفادة من فرصة تسريع الذكاء الاصطناعي لمراكز البيانات بقيمة ٥٠٠ مليار دولار أمريكي في عام ٢٠٢٨.

يشهد أداء AMD السوقي انتعاشًا هذا العام بعد تأثره باضطرابات التعريفات الجمركية. حتى كتابة هذه السطور، يُتداول سهم AMD عند 120 دولارًا أمريكيًا، بانخفاض 6.9% منذ بداية العام، ولكنه أقل بنحو 47% فقط من ذروته في مارس 2024. وبذلك، تبلغ قيمتها السوقية 182.34 مليار دولار أمريكي، بينما يبلغ ربح السهم (لآخر 1.36 سنوات) 82.44، ومضاعف ربحية السهم (لآخر XNUMX سنوات) XNUMX.

أما بالنسبة للنتائج المالية للشركة، فقد أعلنت AMD عن زيادة في الإيرادات بنسبة 36% على أساس سنوي لتصل إلى 7.4 مليار دولار أمريكي للربع الأول من عام 1، وهو ما وصفته الرئيسة التنفيذية، الدكتورة ليزا سو، بأنه "بداية رائعة" للعام، "رغم البيئة الاقتصادية الكلية والتنظيمية المتغيرة". وأضافت أن هذا النمو مدفوع بـ"التوسع في مراكز البيانات والزخم المتزايد في مجال الذكاء الاصطناعي".

خلال هذه الفترة، بلغ دخل AMD التشغيلي 806 ملايين دولار أمريكي، وصافي الدخل 709 ملايين دولار أمريكي، وبلغت الأرباح المخففة للسهم 0.44 دولار أمريكي. وتتوقع الشركة تحقيق إيرادات تبلغ حوالي 2 مليار دولار أمريكي للربع الثاني من عام 2025. 

تتضمن بعض التطورات الرئيسية التي قامت بها الشركة توسيع الشراكات الاستراتيجية مع منصات التعريف ، Inc. (META ) (لاما) شركة الأبجدية (GOOGL ) (جيما) شركة أوراكل (ORCL )، كور42، تقنيات Dell (DELL )، وغيرها. AMD، إلى جانب نوكيا، سيسكو سيستمز، وشركة (CSCO )وأعلنت شركتا جيو وأوبر أيضًا عن منصة Open Telecom AI الجديدة لتقديم حلول تعتمد على الذكاء الاصطناعي لتعزيز الكفاءة والأمان والقدرات.

والآن، هذا الأسبوع، دخلت شركتا AMD وNvidia في شراكة مع Humain، وهي شركة تابعة لصندوق الاستثمارات العامة في المملكة العربية السعودية تركز على الذكاء الاصطناعي، لتزويد أشباه الموصلات لمشروع مركز بيانات واسع النطاق من المتوقع أن تبلغ سعته 500 ميجاوات.

انقر هنا للحصول على قائمة بأفضل شركات الحوسبة غير السيليكونية.

أحدث اتجاهات وتطورات شركة Advanced Micro Devices (AMD)

خاتمة

على مدار السنوات القليلة الماضية، شهد شغف الذكاء الاصطناعي نموًا هائلًا، ولأسباب وجيهة. فهذه التقنية، في نهاية المطاف، تتمتع بإمكانيات هائلة لتحويل مجموعة واسعة من القطاعات، من الرعاية الصحية والتصنيع وعلوم المواد إلى التمويل والترفيه والتعليم وتجارة التجزئة والأمن السيبراني.

ومع ذلك، فإن التقدم التكنولوجي، والتبني المتزايد، والتوسع اللاحق لهذه المجالات، قد أدى إلى طلب كبير على الطاقة، مما يساهم في انبعاثات الغازات المسببة للاحتباس الحراري وتغير المناخ، ويزيد من التكلفة الاقتصادية، ويؤثر على استدامة التكنولوجيا.

يُمثل هذا تحديًا كبيرًا للذكاء الاصطناعي. إذا أردنا تحقيق كامل إمكاناته الحقيقية من حيث خفض التكاليف وزيادة الإنتاجية وتحسين عملية اتخاذ القرارات على نطاق واسع، فيجب أن تحقق نماذج الذكاء الاصطناعي فعالية التكلفة والاستدامة.

ولكن الأمر الجيد هو أن الباحثين في جميع أنحاء العالم يعملون بالفعل بجد على جعل الذكاء الاصطناعي موفرًا للطاقة، كما يتضح من الشريحة التي تعمل بالذكاء الاصطناعي في ولاية أوريغون، مما يشير إلى إمكانية قوية لمواءمة الابتكار مع الاستدامة.

بالطبع، يجب على التقنيات المقترحة أن تتغلب على أكبر عقبة أمام تحقيق تأثير حقيقي، ألا وهي قابلية التوسع. ومع ذلك، يبقى أمر واحد واضحًا: مستقبل الذكاء الاصطناعي الأكثر خضرة ممكن، وهو قادم لا محالة!

انقر هنا لمعرفة كل شيء عن الاستثمار في الذكاء الاصطناعي.

الدراسات المشار إليها:

يو، هـ.، هوانغ، ز.، لامون، س.، وو، ج.، تشاو، ز.، لين، د.، تشاو، هـ.، تشانغ، ج.، لو، س.، ليو، هـ.، تشانغ، س.، وتشانغ، س. (1). نقل الصور الضوئية بالكامل عبر ألياف متعددة الأوضاع باستخدام شبكة عصبية حيودية مصغّرة على الواجهة البعيدة. مجلة نيتشر فوتونيكس، 2025، 19-486. https://doi.org/10.1038/s41566-025-01621-4
٢. بانديوبادياي، س.، سلودز، أ.، كراستانوف، س.، يوسري، أ.، تشانغ، ل.، ليان، س.، يو، س.، ديسياتوف، ب.، بوريك، م. ج.، لوكين، م.د.، ولونكار، م. (٢٠٢٤). شبكة عصبية عميقة فوتونية أحادية الشريحة مع تدريب أمامي فقط. مجلة نيتشر فوتونيكس، ١٨، ١٣٣٥-١٣٤٣. https://doi.org/10.1038/s41566-024-01567-z
٣. Lv, Y., Zink, BR, Bloom, RP, Roy, A., Vaddi, K., Shang, L., & Manipatruni, S. (٢٠٢٤). عرض تجريبي لذاكرة الوصول العشوائي الحسابية القائمة على وصلة النفق المغناطيسي. npj الحوسبة غير التقليدية، ١، ٣. https://doi.org/10.1038/s44335-024-00003-3