معظم صناعة الذكاء الاصطناعي تتسابق لبناء نماذج أكبر. تتجه الشبكات العصبية السائلة في الاتجاه المعاكس، وبالنسبة لمجموعة محددة من حالات استخدام المؤسسات، هذا الاتجاه هو الصحيح.
يمكن لشبكة عصبية سائلة أن تؤدي مهاماً تتطلب آلاف الخلايا العصبية الاصطناعية التقليدية باستخدام شبكة من 19 خلية عصبية فقط، وفقاً لأبحاث MIT CSAIL التي قدّمت هذه المعمارية. هذا ليس فرقاً تقريبياً - إنه طريقة مختلفة جوهرياً لنمذجة كيفية تدفق المعلومات عبر الشبكة، وله انعكاسات مباشرة على أي شخص يبني ذكاءً اصطناعياً يجب أن يعمل على عتاد محدود الموارد.
ما هي الشبكة العصبية السائلة؟
الشبكة العصبية السائلة (LNN) هي نوع من الشبكات العصبية المتكررة مستمرة الزمن، حيث يُحكَم سلوك الخلايا العصبية بمعادلات تفاضلية بدلاً من دوال تنشيط ثابتة ومنفصلة. على عكس الشبكات العصبية التقليدية ذات الأوزان الثابتة المحددة أثناء التدريب، تتكيف الشبكات السائلة باستمرار مع معاملاتها الداخلية استجابةً للمدخلات الجديدة، حتى بعد اكتمال التدريب.
يصف مصطلح "سائلة" هذه القابلية للتكيف - استجابة الشبكة للمدخلات تتدفق وتتغير عبر الزمن بدلاً من أن تتجمّد في دالة ثابتة. تنبع هذه المعمارية من أبحاث حول الجهاز العصبي للدودة الخيطية C. elegans، التي تؤدي مهاماً سلوكية معقدة باستخدام 302 خلية عصبية فقط في المجموع.
كيف تختلف الشبكات العصبية السائلة عن المعماريات التقليدية
تعالج نماذج التعلم العميق التقليدية، بما فيها المحوّلات (transformers)، المدخلات عبر تسلسل ثابت من الطبقات بأوزان لا تتغير بعد التدريب. بدلاً من ذلك، تُنمذج الشبكات السائلة حالة كل خلية عصبية كمعادلة تفاضلية تتطور باستمرار عبر الزمن، مما يسمح للشبكة بضبط سلوكها ديناميكياً أثناء معالجتها لتسلسل من المدخلات.
كفاءة المعاملات
هذه هي الميزة الرئيسية. لأن الشبكات السائلة تُرمّز الديناميكيات الزمنية مباشرة في نموذج الخلية العصبية بدلاً من تقريبها بطبقات ومعاملات إضافية، فإنها تحقق أداءً مماثلاً في المهام بعدد أقل بشكل كبير من الخلايا العصبية والأوزان. يمكن لشبكة سائلة بـ19 خلية عصبية التحكم في توجيه مركبة ذاتية القيادة - وهي مهمة تتطلب عادة شبكة بآلاف المعاملات.
الاستدلال السببي عبر التسلسلات
تتعامل الشبكات السائلة مع البيانات الزمنية والتسلسلية بشكل طبيعي، لأن الرياضيات الكامنة مبنية حول ديناميكيات مستمرة الزمن. هذا يجعلها ملائمة لمهام مثل دمج بيانات المستشعرات، والتحكم في الروبوتات، والتنبؤ بالسلاسل الزمنية المالية، حيث يحمل البناء الزمني للبيانات معلومات ذات معنى.
القابلية للتفسير
لأن الشبكات السائلة تستخدم عدداً أقل بكثير من الخلايا العصبية لمهام مكافئة، فإن اتخاذ قراراتها الداخلي أكثر قابلية للفحص من السلوك الذي يشبه الصندوق الأسود فعلياً في النماذج ذات مليارات المعاملات. يستطيع الباحثون تتبع المعادلات التفاضلية المحددة التي تحكم عدداً صغيراً من الخلايا العصبية بطريقة ببساطة غير ممكنة لنموذج محوّل بمئات الطبقات.
| الخاصية | الشبكات العميقة التقليدية | الشبكات العصبية السائلة |
|---|---|---|
| نموذج الخلية العصبية | دوال تنشيط ثابتة | معادلات تفاضلية مستمرة الزمن |
| عدد المعاملات لمهام مماثلة | آلاف إلى ملايين | عشرات إلى مئات |
| القابلية للتكيف بعد التدريب | أوزان ثابتة | تكيف مستمر |
| البيانات التسلسلية/الزمنية | تتطلب معمارية إضافية (RNN، LSTM، الانتباه) | مدعومة أصلاً |
| القابلية للتفسير | منخفضة (صندوق أسود عند الحجم الكبير) | أعلى (متغيرات أقل للتتبع) |
| هدف النشر النموذجي | السحابة/مركز البيانات | الأجهزة الطرفية، الأنظمة المضمّنة |
لماذا تهم الشبكات العصبية السائلة الذكاء الاصطناعي الطرفي
يمتلك الذكاء الاصطناعي الطرفي - تشغيل الاستدلال مباشرة على أجهزة مثل المستشعرات والطائرات المسيّرة والمركبات والمعدات الصناعية بدلاً من السحابة - قيداً صارماً لا يملكه الذكاء الاصطناعي السحابي: العتاد. النموذج الذي يحتاج مجموعة GPU لا يمكنه العمل على عقدة استشعار تعمل بالبطارية.
الشبكات العصبية السائلة إجابة حقيقية على هذا القيد، وليست زاوية تسويقية فوق ضغط النموذج القياسي. لأن المعمارية تحقق أداء مهام مكافئاً بعدد أقل بمراتب من المعاملات، يمكنها تشغيل الاستدلال على وحدات تحكم دقيقة وعتاد مضمّن لن يدعم أبداً نموذجاً مقارناً قائماً على المحوّلات.
الروبوتات والأنظمة ذاتية القيادة. ملاحة الطائرات المسيّرة، والتحكم في المركبات ذاتية القيادة، والتلاعب الروبوتي تتطلب جميعها استدلالاً فورياً بميزانيات كمون صارمة وحوسبة محدودة على متن الجهاز. أظهرت الشبكات السائلة المُدرَّبة على بيانات القيادة سلوكاً قوياً في البقاء ضمن المسار وتجنب العقبات بعدد أقل بمراتب من المعاملات مقارنة بالمناهج الالتفافية المماثلة.
شبكات المستشعرات الصناعية. تستفيد أنظمة الصيانة التنبؤية التي تراقب الاهتزاز ودرجة الحرارة والبصمات الصوتية على معدات التصنيع من نموذج يمكنه العمل مباشرة على عقدة المستشعر، متجنباً تكلفة الكمون والنطاق الترددي لبث بيانات المستشعر الخام إلى السحابة للاستدلال.
إنترنت الأشياء المقيَّد بالبطارية. أي عملية نشر يكون فيها ميزان الطاقة قيداً تصميمياً أساسياً - الأجهزة القابلة للارتداء، ومراقبات البيئة عن بعد، ومستشعرات الزراعة - تستفيد مباشرة من معمارية نموذج تحتاج حوسبة أقل لكل استدلال، مما يُترجَم مباشرة إلى عمر بطارية أطول.
"يمتلك دماغ الدودة C. elegans 302 خلية عصبية فقط، ويمكنه البقاء والتنقل والتكاثر. أردنا أن نعرف: ماذا لو استطعنا بناء نماذج تعلم آلي بجزء بسيط من المعاملات، لكنها بنفس القدرة؟" - دانييلا روس، مديرة مختبر علوم الحاسوب والذكاء الاصطناعي بجامعة MIT
أين لا تناسب الشبكات السائلة
الشبكات العصبية السائلة ليست بديلاً عن نماذج اللغة الكبيرة أو نماذج الأساس العامة الغرض. قوة المعمارية - ترميز الديناميكيات المستمرة الزمن بكفاءة - محددة بمشاكل ذات بنية زمنية أو تسلسلية ذات معنى وأهداف نشر مقيّدة. لمهام مثل توليد النصوص المفتوحة النطاق، أو استرجاع المعرفة الواسعة، أو الاستدلال متعدد الوسائط عبر مدخلات عشوائية، تبقى المعماريات القائمة على المحوّلات الأداة الأفضل، لأن ذلك هو مجال المشكلة الذي بُنيت من أجله.
الإطار الصحيح: الشبكات السائلة معمارية متخصصة للتحكم والاستشعار ومهام السلاسل الزمنية على عتاد مقيّد. نماذج اللغة الكبيرة معمارية عامة الغرض لمهام اللغة والاستدلال على عتاد بمستوى الخوادم. تحتاج معظم أنظمة الذكاء الاصطناعي الإنتاجية إلى كليهما، مُنشرَين على الطبقة التي يناسبها كل منهما فعلياً.
بناء أنظمة إنتاجية بمعماريات سائلة أو مدمجة
يتطلب نشر شبكة عصبية سائلة أو أي معمارية نموذج مدمج في بيئة الإنتاج انضباطاً هندسياً مختلفاً عن نشر نموذج لغة كبير سحابي. النموذج نفسه أصغر، لكن النظام المحيط - تكامل المستشعرات، وخطوط أنابيب الاستدلال الفوري، وأدوات النشر على الجهاز، والمعمارية الهجينة التي تقرر ما يعمل على الطرف مقابل ما يعمل في السحابة - هو ما يستهلك معظم الجهد الهندسي.
الأسئلة الشائعة
هل الشبكات العصبية السائلة نفسها نماذج اللغة الصغيرة؟
لا. نماذج اللغة الصغيرة (SLMs) هي نسخ مضغوطة أو مُقطَّرة من نماذج اللغة القائمة على المحوّلات، لا تزال مبنية على نفس معمارية الطبقات الثابتة القائمة على الانتباه مثل نماذج اللغة الكبيرة، لكن بعدد أقل من المعاملات. الشبكات العصبية السائلة معمارية مختلفة جوهرياً قائمة على معادلات تفاضلية مستمرة الزمن، صُممت أصلاً لمهام التحكم والاستشعار وليس توليد اللغة. كلاهما يستهدف الكفاءة، لكنهما يحلان مشكلتين مختلفتين برياضيات مختلفة.
هل يمكن للشبكات العصبية السائلة العمل على Raspberry Pi أو وحدة تحكم دقيقة؟
نعم، وهذه إحدى أهم مزاياها الأساسية. لأن الشبكات السائلة تحقق أداءً مماثلاً بجزء بسيط من معاملات المعماريات التقليدية، أظهرت الأبحاث المنشورة نشراً على عتاد محدود الموارد بما في ذلك وحدات التحكم الدقيقة، وهو أمر غير ممكن عموماً لنماذج تعلم عميق مكافئة القدرة.
من يُطوّر تقنية الشبكات العصبية السائلة تجارياً؟
نشأت هذه المعمارية من أبحاث MIT CSAIL بقيادة رامين حساني ودانييلا روس. تُطوّر Liquid AI، وهي شركة منبثقة عن ذلك البحث، نماذج أساس سائلة تجارية. لا يزال مجال البحث الأوسع نشطاً في مجموعات أبحاث الروبوتات الأكاديمية والذكاء الاصطناعي الطرفي.
إذا كنت تُقيّم معماريات الذكاء الاصطناعي الطرفي لعملية نشر حقيقية - شبكات مستشعرات، أو روبوتات، أو استدلال على الجهاز حيث كمون السحابة غير مقبول - فإن اختيار المعمارية الصحيح يعتمد كلياً على قيود العتاد وخصائص البيانات لديك. تحدث إلى فريق هندسة الذكاء الاصطناعي لدينا بشأن تحديد نطاق نظام هجين للطرف والسحابة يناسب قيودك الفعلية. لقرار المعمارية الأوسع، راجع الذكاء الاصطناعي الطرفي مقابل السحابي في الإنتاج.
قراءات ذات صلة: تصميم الذكاء الاصطناعي المؤسسي دون اتصال | مستقبل الذكاء الاصطناعي الهجين بين الطرف والسحابة | نماذج اللغة الصغيرة مقابل نماذج اللغة الكبيرة