هوانغ رنشن يفتح عهدًا جديدًا في الذكاء الاصطناعي: كيف يعيد الذكاء الاصطناعي الفيزيائي تشكيل خريطة الحوسبة وبيئة العملات الرقمية

في منتدى دافوس الأخير، أثارت تصريحات هوانغ رنشن تفكيرًا واسعًا في الصناعة. هذا القائد في شركة NVIDIA لم يعِد فقط بتحديد اتجاه تطوير الذكاء الاصطناعي، بل فتح أيضًا بابًا جديدًا لإمكانيات الأصول المشفرة في المجال. باستخدام مفهوم “الذكاء الاصطناعي الفيزيائي”، أعلن عن قدوم عصر جديد.

من التدريب إلى الاستنتاج: ثورة الحوسبة التي أعلن عنها هوانغ رنشن

أشار هوانغ رنشن إلى أن تطبيقات الذكاء الاصطناعي الحالية تشهد انفجارًا، لكن مركز الطلب على القدرة الحاسوبية يتغير بشكل جذري. لقد انتهى عصر المنافسة التي تعتمد على تراكم الأجهزة لتدريب النماذج، والذي كان يتسم بكثافة الموارد. المستقبل سيركز على طرف الاستنتاج ومجال الذكاء الاصطناعي الفيزيائي، حيث لا يقتصر الذكاء الاصطناعي على “التفكير” فحسب، بل يجب أن “يفعل”.

يمثل هذا الرأي تحولًا تاريخيًا. كقائدة لعصر وحدات معالجة الرسومات (GPU)، كانت NVIDIA توفر قدرات حوسبة ضخمة لتمكين الشركات من تدريب نماذج أكبر من خلال تراكم الموارد. لكن حديث هوانغ الجديد يوضح أن مجرد السعي لزيادة حجم المعلمات لم يعد يكفي للفوز. المنافسة المستقبلية ستنتقل إلى تطبيقات التنفيذ، وواقع الاستخدام، والقيمة الحقيقية المضافة.

جوهر الذكاء الاصطناعي الفيزيائي: من الافتراضي إلى الواقعي

لقد أكملت نماذج اللغة الكبيرة تعلمها الشامل من بيانات النصوص على الإنترنت، لكن هذا لا يكفي. لا تزال النماذج الكبيرة المدربة غير قادرة على فتح غطاء زجاجة بدقة، أو فهم وزن وملمس الأجسام كما يفعل الإنسان. هذه هي المشكلة الأساسية التي يسعى الذكاء الاصطناعي الفيزيائي لحلها — سد الفجوة بين الذكاء الاصطناعي الذكي والتنفيذ الواقعي.

القيود الرئيسية على الذكاء الاصطناعي الفيزيائي تتعلق بمتطلبات الاستجابة الفورية. عندما يتأخر ChatGPT ثانية واحدة، قد يشعر المستخدم فقط بتجميد الواجهة. لكن عندما يتوقف روبوت ذو قدمين بسبب تأخير الشبكة لمدة ثانية، قد يسقط من على الدرج. هذا يعني أن الذكاء الاصطناعي الفيزيائي يجب أن يعتمد على الحوسبة المحلية والحوسبة الحدية، وليس على المعالجة عن بُعد عبر السحابة.

ثلاثة تحديات تقنية رئيسية للذكاء الاصطناعي الفيزيائي

عند استعراض هذا المجال الجديد، أشار هوانغ رنشن بشكل ضمني إلى ثلاثة تحديات تقنية يجب التغلب عليها. لا تمثل هذه التحديات فقط اتجاهات تطوير الصناعة، بل تشير أيضًا إلى فرص استثمارية جديدة.

الذكاء المكاني: قدرة الروبوت على إدراك العالم ثلاثي الأبعاد

اقترح البروفيسور لي فاي فاي من جامعة ستانفورد أن الذكاء المكاني هو النجم القطبي التالي لتطور الذكاء الاصطناعي. لكي يتحرك الروبوت في العالم الفيزيائي، يجب أن يفهم بيئته بشكل حقيقي.

هذا لا يقتصر على التعرف على الأجسام في الصور — “هذه كرسي” — بل يتطلب فهمًا عميقًا لموقع الكرسي في الفضاء ثلاثي الأبعاد، وخصائص بنائه، والقدرة على تحديد القوة اللازمة لتحريكه بأمان. يتطلب هذا الفهم بناءً على كميات هائلة من البيانات ثلاثية الأبعاد في الوقت الحقيقي، والتي تغطي جميع السيناريوهات الداخلية والخارجية، وهو ما لا يتوفر بكميات كافية حاليًا.

ساحة التدريب الافتراضية: مدرسة المحاكاة للروبوتات

ذكر هوانغ رنشن بشكل خاص منصة Omniverse، التي تمثل نمطًا جديدًا من التدريب. قبل أن يدخل الروبوت العالم الحقيقي، يحتاج إلى إكمال آلاف دورات التجربة والخطأ في بيئة افتراضية تمامًا. مثل تعلم المشي الذي يتطلب “السقوط عشرة آلاف مرة”، يحتاج الروبوت إلى خوض العديد من الفشل في البيئة المحاكاة ليتمكن من إتقان المهارات الحركية في الواقع. يُطلق على هذه العملية اسم “Sim-to-Real” — من المحاكاة إلى الواقع.

إذا سمحنا للروبوت بالتجربة والخطأ مباشرة في البيئة الحقيقية، فإن كل تصادم وسقوط قد يتسبب في تلف الأجهزة، وتكاليف الصيانة والاستبدال ستكون هائلة. تكمن قيمة التدريب الافتراضي في قدرته على إتمام عمليات التعلم على نطاق واسع بتكلفة مادية شبه معدومة. يتطلب هذا الأمر قدرات عالية في المحاكاة الفيزيائية وعمليات التصيير، مع تزايد الطلب بشكل أسي.

بيانات اللمس: ثروة غير مستغلة من البيانات

لتحقيق محاكاة الإنسان في “اللمس”، يحتاج الذكاء الاصطناعي الفيزيائي إلى حساسية عالية من خلال الجلد الإلكتروني الذي يقيس درجة الحرارة، والضغط، وملمس المادة. تُعد هذه “بيانات اللمس” أول مرة يتم جمعها على نطاق واسع في المجتمع البشري.

في معرض CES الأخير، عرضت شركة Ensuring إنجازًا مهمًا: حيث طورت جلدًا إلكترونيًا يُنتج بكميات كبيرة، يدمج 1956 مستشعرًا كثيفًا على يد آلية واحدة، مما يمكن الروبوت من تحريك بيضة بدقة دون كسرها. تمثل قدرة جمع بيانات اللمس هذه فئة جديدة من الأصول البياناتية.

فرص مكمّلة في مجال العملات المشفرة

بعد الاطلاع على هذه المتطلبات التقنية، قد يظن الكثيرون أن الشركات الكبرى ومصنعي الأجهزة هم الوحيدون القادرون على المشاركة. لكن في الواقع، يمكن أن تملأ مجالات DePIN وDeAI وDeData في بيئة التطبيقات اللامركزية الفراغات الرئيسية في عصر الذكاء الاصطناعي الفيزيائي.

شبكة جمع البيانات ثلاثية الأبعاد المنتشرة عالميًا

يمكن لسيارات جوجل ستريت فيو مسح الشوارع الرئيسية حول العالم، لكنها لا تستطيع الوصول إلى الأزقة، والأحياء الداخلية، والأقبية. تعتبر هذه المناطق “الظلالية” ضرورية لعملية نشر الروبوتات.

تستخدم شبكات DePIN آلية تحفيزية عبر الرموز (Tokens) لتحفيز ملايين المستخدمين حول العالم على استخدام هواتفهم الذكية وأجهزتهم الأخرى لجمع بيانات بيئية ثلاثية الأبعاد من المناطق الطرفية. كل مساهمة فعالة تُكافأ برمز (Token). هذه الطريقة أقل تكلفة بكثير من الاعتماد على أساطيل الشركات الكبرى، وتساعد على إكمال التغطية النهائية للبيانات.

شبكة الحوسبة الحدية الموزعة

تتطلب الذكاء الاصطناعي الفيزيائي استجابة فورية، مما يجعل الاعتماد على السحابة غير كافٍ. هنا تبرز فرصة لشبكة الحوسبة الموزعة. معظم الأجهزة الاستهلاكية، مثل أجهزة الكمبيوتر المكتبية، وأجهزة الألعاب، والأجهزة المحمولة عالية الأداء، تكون في حالة خمول أو منخفضة الحمل معظم الوقت.

باستخدام شبكة حوسبة لامركزية، يمكن دمج وتوزيع هذه الموارد غير المستغلة لمعالجة مهام التصيير المكثفة في التدريب الافتراضي، بالإضافة إلى تنفيذ استنتاجات نماذج التعلم الآلي على الحافة. هذا يحل مشكلة الاستجابة الفورية ويقلل بشكل كبير من تكاليف التشغيل.

اقتصاد الرموز (Tokens) لحماية الخصوصية وحقوق البيانات

بيانات اللمس تتعلق بمعلومات حساسة جدًا، وإذا سمح للمستخدمين بمشاركتها مباشرة مع عمالقة الذكاء الاصطناعي، فسيكون هناك مخاوف أمنية وخصوصية. لكن من خلال إنشاء نظام قائم على تقنية البلوكشين لحقوق البيانات وتوزيع الأرباح، يمكن حل هذه المشكلة.

يمكن للمستخدمين ضمان حقوق ملكيتهم للبيانات، ومعرفة كيفية استخدامها، والحصول على عوائد اقتصادية من دورة حياة البيانات. هذا النموذج “البيانات أصل” مع تحفيز الرموز (Tokens) والعقود الذكية يتيح تحفيز المستخدمين على تقديم بياناتهم الخاصة بشكل آمن، مع حماية الخصوصية والأمان.

الأهمية الاستراتيجية للعملات المشفرة في عصر الذكاء الاصطناعي الفيزيائي

توضح تصريحات هوانغ رنشن في الواقع اتجاه الصناعة بأكملها. فالذكاء الاصطناعي الفيزيائي ليس فقط جزءًا من المرحلة الثانية من مسار الذكاء الاصطناعي في الويب 2.0، بل هو أيضًا فرصة استراتيجية نادرة لقطاع Web 3.0 والعملات المشفرة.

تُعد البنى التحتية اللامركزية وتطبيقات البيانات، من شبكات جمع البيانات إلى إدارة الحوسبة الحدية، عناصر أساسية في عصر الذكاء الاصطناعي الفيزيائي. من جمع البيانات الموزعة عالميًا إلى إدارة الحوسبة على الحافة، ومن حماية البيانات الخاصة إلى توزيع القيمة بشكل عادل، تظهر الحلول اللامركزية قيمتها الحقيقية في هذا العصر الجديد.

إن تحول هوانغ رنشن في وجهة نظره يضيء في الواقع طريقًا لصناعة الأصول المشفرة. في ظل عصر الذكاء الاصطناعي الفيزيائي، قد تكون المشاريع التي تركز على البنية التحتية، وبروتوكولات البيانات، وآليات التحفيز، على أعتاب فرصة تاريخية.