#

النقاط الرئيسية

• تبني Unconventional AI بنية حاسوبية قائمة على المذبذبات لاستدلال الذكاء الاصطناعي.

• تقول الشركة إن أول نموذج صور لها، Un-0، عادل نماذج الانتشار المتقدمة في المحاكاة.

• يقول Rao إن هذا النهج قد يقلل استهلاك الطاقة في النهاية بما يصل إلى 1000 مرة.

• بالنسبة للمغرب، يتمثل السؤال الرئيسي في ما إذا كانت تكاليف الحوسبة المنخفضة يمكن أن تحسن اقتصاديات نشر الذكاء الاصطناعي.

• سيظل الاعتماد في العالم الحقيقي مرتبطًا بالبيانات والمهارات والبنية التحتية والحوكمة.

رهان جديد على كفاءة الذكاء الاصطناعي

ذكرت TechCrunch أن Naveen Rao، الذي كان سابقًا رئيس قسم الذكاء الاصطناعي في Databricks، يقود Unconventional AI. وتبني الشركة بنية حاسوبية قائمة على المذبذبات. وهدفها بسيط: جعل استدلال الذكاء الاصطناعي أكثر كفاءة في استهلاك الطاقة بكثير.

وقد أطلقت الشركة بالفعل Un-0، وهو أول نموذج لتوليد الصور لديها. وتقول إن محاكاة برمجية للبنية عادتلت نماذج الانتشار المتقدمة. ويقول Rao إن هذا النهج قد يقلل استهلاك الطاقة في النهاية بما يصل إلى 1000 مرة.

هذا ادعاء طموح. وهو أيضًا إشارة مفيدة للقراء المغاربة. فاعتماد الذكاء الاصطناعي لا يتعلق فقط بجودة النماذج، بل أيضًا بتكلفة تشغيل تلك النماذج على نطاق واسع.

لماذا يهم هذا المغرب

بالنسبة للمغرب، لا تُعد كفاءة الحوسبة تفصيلًا تقنيًا هامشيًا. فهي تؤثر في اقتصاديات مشاريع الذكاء الاصطناعي. وقد يجعل انخفاض استهلاك الطاقة الاستدلال أكثر عملية للمؤسسات التي تواجه ميزانيات محدودة أو بنية تحتية ضعيفة.

وهذا مهم أيضًا لتخطيط مراكز البيانات. فإذا كانت أعباء عمل الذكاء الاصطناعي تستهلك طاقة أقل، فقد يكون لدى الفرق مجال أكبر لنشر الخدمات محليًا. لكن ذلك سيظل معتمدًا على قرارات الشراء وتوافر العتاد والاستعداد التشغيلي.

وقد يهتم صناع القرار المغاربة أيضًا بقابلية التنبؤ. فتكاليف الطاقة واحتياجات التبريد وتخطيط السعة كلها عوامل تشكل نشر الذكاء الاصطناعي. وقد تساعد بنية أكثر كفاءة، لكن فقط إذا نجحت خارج نطاق المحاكاة.

حالات استخدام محتملة في المغرب

إذا ثبتت جدوى هذا النهج، فقد يكون مهمًا في عدة سياقات مغربية. فقد تعمل أنظمة دعم العملاء بتكاليف تشغيل أقل. وقد تصبح أدوات توليد الصور أسهل في الاستضافة للفرق الداخلية.

وقد يساعد أيضًا المؤسسات العامة والخاصة التي ترغب في اختبار الذكاء الاصطناعي دون التزامات كبيرة بالبنية التحتية. ومع ذلك، فهذا افتراض. فالمقال لا يعرض سوى نتيجة محاكاة وإطلاق منتج. وهو لا يثبت جاهزية تجارية واسعة.

وبالنسبة للقراء المغاربة، فإن الاستخدام الأقرب للواقع على المدى القريب هو التقييم. ويمكن للفرق دراسة ما إذا كانت مثل هذه البنى تخفض تكاليف الاستدلال بما يكفي لتبرير الاعتماد المستقبلي. ولا يزال عليهم مقارنتها بالخيارات الحالية من حيث السعر والموثوقية والدعم.

القيود التي لا تزال مهمة

حتى نظام الذكاء الاصطناعي الموفر للطاقة سيواجه حدودًا عملية في المغرب. وتوافر البيانات أحدها. فالكثير من مشاريع الذكاء الاصطناعي تفشل لأن البيانات المناسبة تكون ناقصة أو مجزأة أو صعبة الوصول.

ومزيج اللغات يمثل قضية أخرى. فغالبًا ما تحتاج عمليات النشر في المغرب إلى التعامل مع العربية والفرنسية وأحيانًا الإنجليزية. وسيكون لنموذج فعال لكنه ضعيف في تلبية الاحتياجات اللغوية المحلية قيمة محدودة.

كما أن المهارات مهمة. فهناك حاجة إلى أشخاص قادرين على تقييم النماذج وإدارة البنية التحتية ومراقبة الأداء. ومن دون ذلك، فإن خفض استهلاك الطاقة وحده لن يجعل نشر الذكاء الاصطناعي ناجحًا.

والبنية التحتية لا تقل أهمية. فالمؤسسات تحتاج إلى أنظمة مستقرة وشبكات آمنة وقدر كافٍ من الحوسبة لدعم أعباء العمل الإنتاجية. وإذا كانت البنية تعتمد على عتاد متخصص أو أدوات غير مألوفة، فقد يصبح الشراء أصعب.

المخاطر والحوكمة

أكبر خطر هو المبالغة في قراءة النتائج المبكرة. فالمحاكاة البرمجية ليست مثل النشر في بيئة إنتاجية. وعلى المشترين المغاربة أن يتعاملوا مع رقم 1000 مرة باعتباره ادعاءً لا ضمانًا.

هناك أيضًا مخاوف تتعلق بالخصوصية والأمن السيبراني. فأي نظام ذكاء اصطناعي يعالج بيانات حساسة يحتاج إلى ضوابط وصول قوية وتسجيل وحفظ للبيانات. وهذا مهم بشكل خاص للمؤسسات التي تتعامل مع بيانات العملاء أو البيانات المالية أو بيانات القطاع العام.

كما أن الامتثال مهم. فستحتاج المؤسسات المغربية إلى مراجعة سياساتها الداخلية وأي التزامات قانونية سارية قبل اعتماد أنظمة ذكاء اصطناعي جديدة. كما ينبغي لها التحقق من شروط الموردين وممارسات التعامل مع البيانات وعمليات تحديث النماذج.

ما الذي ينبغي على الفرق المغربية فعله بعد ذلك

لا تحتاج الشركات والمؤسسات المغربية إلى انتظار اليقين الكامل. ويمكنها البدء بتحديد المشكلة التي تريد للذكاء الاصطناعي حلها. ثم يمكنها قياس التكلفة الحالية للاستدلال، بما في ذلك الطاقة والعتاد ووقت الموظفين.

بعد ذلك، ينبغي لها اختبار ادعاءات الكفاءة على أعباء العمل الخاصة بها. فقد يتصرف نموذج يبدو قويًا في المحاكاة بشكل مختلف في الاستخدام الفعلي. وينبغي أن تشمل المشاريع التجريبية زمن الاستجابة والدقة والتغطية اللغوية والعبء التشغيلي.

كما ينبغي للفرق التخطيط للحوكمة منذ البداية. وهذا يعني قواعد واضحة للبيانات ومراجعات أمنية وفحوصات للشراء. كما يعني تحديد الجهة التي ستملك النظام بعد نشره.

الخلاصة

يعد عمل Unconventional AI مثيرًا للاهتمام لأنه يستهدف أحد أكبر اختناقات الذكاء الاصطناعي: استهلاك الطاقة. وإذا صمدت البنية عمليًا، فقد تغير الطريقة التي تفكر بها المؤسسات في تكاليف الاستدلال.

وبالنسبة للمغرب، فالقصة أقل تعلقًا بالضجة وأكثر تعلقًا بالاقتصاد. فقد يدعم الذكاء الاصطناعي الفعال اعتمادًا أوسع، لكن فقط إذا كان مناسبًا للاحتياجات المحلية من البيانات واللغة والبنية التحتية والامتثال. وهذا هو الاختبار الحقيقي.