شهدت تطبيقات الذكاء الاصطناعي خلال السنوات الأخيرة تطورًا كبيرًا، وكان الاعتماد في البداية على مراكز بيانات ضخمة لتنفيذ عمليات المعالجة. ومع ازدياد الحاجة إلى السرعة وحماية الخصوصية وتقليل استهلاك الإنترنت، ظهر اتجاه جديد يعرف باسم الذكاء الاصطناعي على الجهاز، وهو أسلوب يسمح للنموذج بالعمل مباشرة داخل الهاتف أو الحاسوب دون الحاجة إلى إرسال البيانات إلى خوادم بعيدة.
يعتمد هذا التوجه على تطوير نماذج أصغر حجمًا وأكثر كفاءة، تستطيع تنفيذ مهام معقدة باستخدام قدر محدود من الذاكرة والطاقة. وقد أدى هذا التطور إلى ظهور جيل جديد من الهواتف والحواسيب المزودة بوحدات معالجة عصبية مصممة خصيصًا لتسريع عمليات الذكاء الاصطناعي.
ومن أهم مزايا تشغيل النماذج محليًا الحفاظ على خصوصية المستخدم، لأن البيانات لا تغادر الجهاز في كثير من الحالات. فعند تلخيص النصوص أو تحسين الصور أو التعرف على الكلام، يمكن تنفيذ العملية بالكامل داخل الجهاز، مما يقلل احتمالية تعرض المعلومات الشخصية للاختراق أو التسريب.
كما يسهم هذا الأسلوب في تقليل زمن الاستجابة. فعوضًا عن انتظار إرسال البيانات إلى خادم واستقبال النتيجة، يحصل المستخدم على الإجابة خلال أجزاء من الثانية، وهو ما يحسن تجربة الاستخدام في التطبيقات التي تتطلب سرعة عالية مثل الترجمة الفورية والمساعدات الذكية.
ورغم هذه المزايا، ما زالت هناك تحديات تقنية مهمة. فالنماذج الصغيرة لا تمتلك دائمًا القدرة نفسها التي توفرها النماذج الضخمة الموجودة في مراكز البيانات. لذلك يعمل الباحثون على تطوير تقنيات ضغط النماذج وتقليل عدد المعاملات مع المحافظة على جودة النتائج.
ومن أبرز الأساليب المستخدمة لتحقيق ذلك ما يعرف بالتكميم، وهو تقليل دقة تمثيل الأرقام داخل النموذج لتقليل حجم الذاكرة المطلوبة، إضافة إلى تقنيات تقليم الشبكات العصبية التي تزيل الأجزاء الأقل أهمية دون التأثير الكبير في الأداء.
وأصبحت شركات التقنية تدمج هذه التقنيات في معالجاتها الجديدة، حيث تتضمن الهواتف الحديثة وحدات متخصصة لتنفيذ مليارات العمليات المرتبطة بالذكاء الاصطناعي في الثانية الواحدة مع استهلاك منخفض للطاقة.
ويتوقع الخبراء أن يتوسع الاعتماد على الذكاء الاصطناعي المحلي خلال السنوات القادمة ليشمل السيارات والأجهزة المنزلية والساعات الذكية والأجهزة الطبية، مما يسمح بتقديم خدمات أسرع وأكثر أمانًا حتى في الأماكن التي لا يتوفر فيها اتصال دائم بالإنترنت.
إن مستقبل الذكاء الاصطناعي لا يعتمد فقط على بناء نماذج أكبر، بل أيضًا على تطوير نماذج أكثر كفاءة تستطيع العمل داخل الأجهزة اليومية، وهو اتجاه قد يغير الطريقة التي نتفاعل بها مع التقنية خلال العقد القادم.
المراجع:
Vaswani, A. et al. (2017). Attention Is All You Need.
Han, S. et al. (2015). Deep Compression: Compressing Deep Neural Networks.
MLCommons.
TensorFlow Lite.
ONNX Runtim
