تضغط Physical AI على الأجهزة بحدّتها مع تحديات الذاكرة والطاقة والهندسة

icon币界网
مشاركة
AI summary iconملخص
أنظمة الذكاء الاصطناعي المادية تعيد تشكيل الصناعات، لكن سيولة الأسواق المشفرة تواجه عقبات جديدة حيث تضغط تحديات الذاكرة والطاقة والهندسة على تصميم الأجهزة. يلاحظ بيتيج أن صانعي الرقائق يجب أن يعيدوا تصميم الأنظمة للتعامل مع الذكاء الاصطناعي الحدي، مع تحقيق توازن بين الحوسبة والإدخال/الإخراج والأمان. وتتوقع شركة Strategy& أن يصل سوق الذكاء الاصطناعي المادي إلى 43 مليار يورو بحلول عام 2030. وتزيد لوائح CFT من الضغط مع أصبح الحلول المخصصة للأجهزة والبرمجيات ضرورية لضمان الموثوقية والسلامة في البيئات غير المؤكدة.
موقع CoinDesk يُقرّر:

من المتوقع أن تغيّر الآلات الذاتية عدة صناعات، لكن عُقد الذاكرة، وقيود استهلاك الطاقة، والهياكل المتخصصة، ومتطلبات الأمان، تجبر مصممي الرقائق على إعادة التفكير في النظام بأكمله.

النقاط الرئيسية:

  • لا يمكن حل عقبات الذكاء الاصطناعي الفيزيائي فقط من خلال زيادة القدرة الحسابية. يجب أن تتماشى القدرة المعالجة مع عرض نطاق الذاكرة، والواجهات الفعالة، وتوفير طاقة كافية، وقدرات التبريد.
  • يتطلب الذكاء الاصطناعي الفيزيائي بنية نظام مصممة خصيصًا وفقًا لوظيفته النهائية وبيئته.
  • التنفيذ الفعلي يعتمد على التحقق الصارم: يجب تغطية الحالات الحدية، وفهم سلوك النظام، والتحقق من الأمان.

يتجه الذكاء الاصطناعي الفيزيائي نحو تطبيقات واسعة النطاق، ولكن لبناء هذه الأنظمة المدعومة بالمستشعرات، يجب على فرق الهندسة معالجة تحديات تقنية متعددة في وقت واحد وباستمرار.

يتوقع المحللون أن يشهد سوق الذكاء الاصطناعي الفيزيائي نموًا كبيرًا. من المتوقع أن تعيد الأنظمة الذاتية تشكيل جذري لقطاعات متعددة مثل النقل والتصنيع والرعاية الصحية والطاقة. وتتوقع Strategy&، التابعة لـ PwC، أن يصل حجم سوق الذكاء الاصطناعي الفيزيائي العالمي إلى حوالي 430 مليار يورو بحلول عام 2030، مما يعكس الإمكانات التجارية للأنظمة الذاتية في عدة صناعات.

قال ليسينيو سوسا، المدير العام المتقدم لوحدات واجهة الذكاء الاصطناعي الفيزيائي للسيارات في سينوبسيس: "إن أنظمة الذكاء الاصطناعي الفيزيائي تتوسع من السيارات إلى الروبوتات والطائرات المُسيَّرة، وتكمن عقبات تطوير هذه التطبيقات في كامل النظام. ينتقل الذكاء الاصطناعي من مراكز البيانات إلى الحافة؛ بالنسبة للآلات مثل الروبوتات والطائرات المُسيَّرة والمركبات، فإن الدافع يأتي من الاستقلالية والخصوصية والتخصيص والاستجابة الأسرع وتقليل الاعتماد على السحابة."

قائمة التحديات التقنية التي يجب حلها طويلة ومعقدة ومترابطة. يجب تحسين سعة الذاكرة وعرض النطاق الترددي، وخفض التأخير واستهلاك الطاقة، وتمديد عمر المنتج، وتأكيد الأمان. والأصعب من ذلك، أن حل أي مشكلة من هذه المشكلات قد يُحدث مشكلات جديدة في أماكن أخرى.

Architecture專用

لحل هذه الاختناقات النظامية، يتطلب الأمر أجهزة وبرمجيات متخصصة للغاية ومُحسّنة لحالات استخدام محددة.

قال ميشال سيفينسكي، نائب الرئيس التنفيذي ورئيس منتجات وتسويق Arteris والمدير العام لحلول الأمان: "علينا أن نبدأ في الحديث عن حوسبة أكثر تحسينًا وتخصيصًا مصممة لمهام محددة، وهذا بالضبط ما يجعل الذكاء الاصطناعي الفيزيائي أكثر إثارة. يجب تحسين هذا النوع من المهام بشكل عالٍ جدًا للعتاد. نحن نعود أساسًا إلى المعنى التقليدي للـ ASIC — حيث كان ينبغي أن تكون الـ ASIC مخصصة بشدة للتطبيقات، ومُحسَّنة بشكل شديد، وليس عامة. لقد بدأت بالفعل بعض هذه الاتجاهات بالظهور. سيكون من المثير متابعة كيفية تطور الأنظمة المرنة الموجهة نحو تطبيقات محددة جدًا بين البرمجيات والعتاد والمهمات، وكيف ستستمر في التطور، لأن النماذج تتغير بسرعة أكبر بكثير."

قال فاسانثان كارونانيثي، مهندس معماري للأنظمة في قسم السيارات بشركة مايكرون تكنولوجي، خلال منتدى JEDEC للسيارات الأخير: "الروبوتات ليست طبقة ذكاء اصطناعي جديدة. فمن أنظمة ADAS، ورثت الروبوتات الإدراك في الوقت الفعلي وتخطيط المسار والتحكم الحركي. ومن الخزائن الذكية، ورثت الروبوتات فهم اللغة الطبيعية والاستدلال السياقي والتفاعل بين الإنسان والآلة. وفي الذكاء المتجسد، التحدي الأكبر هو تشغيل هذين النوعين من أحمال العمل في نفس الوقت، ثم تبادل المعلومات في النهاية. إذًا، هذا هو التشابه بين هذين المجالين المتخصصين. لكن هناك أيضًا اختلافات، تُظهر حجم القنوات. فالمركبات ذاتية القيادة تعمل في بيئات طرق نسبيًا منظمة، وتستمد طاقتها من مصدر طاقة أكبر — بطارية السيارة. لكن عند النظر إلى الروبوتات، فهي تعمل في بيئات ثلاثية الأبعاد غير منظمة. [الروبوتات] تحتاج أيضًا إلى الحفاظ على درجات حرية متعددة، وتحتاج إلى التحكم في الأجسام والحفاظ على التوازن، بالإضافة إلى فهم الأوامر الواردة في التعليمات. مقارنة بالسيارات، يجب عليها إنجاز كل هذا ضمن مصدر طاقة محدود أكثر."

تختلف هذه الاختلافات بشكل كبير بين التطبيقات المختلفة. تعمل المركبات ذاتية القيادة ضمن البنية التحتية للمرور القائمة، لكنها يجب أن تتعامل مع ظروف الطرق غير المتوقعة. على النقيض من ذلك، قد تحتاج الروبوتات المتنقلة وروبوتات الشكل البشري إلى التنقل في بيئات ذات هيكل أكثر مرونة، وتنسيق التحكم والتوازن، والعمل ضمن ميزانيات طاقة أكثر تقييدًا. في الوقت نفسه، قد تعمل الروبوتات الصناعية في بيئات خاضعة للتحكم وتتصل بمصدر طاقة ثابت. هذه الاختلافات تجعل من الصعب تحسين بنية واحدة لجميع أشكال الذكاء الاصطناعي الفيزيائي.

يجب على المصممين بناء هيكل النظام على هذه المتطلبات من البداية.

قال سوسا: "مع تطور الأحمال والنمذجة، لاحظنا ظهور شرائح مخصصة مصممة خصيصًا لاحتياجات كل فئة من الأجهزة. يواجه عملاؤنا باستمرار الطلب على نماذج VLA (البصرية-اللغوية-الحركية) المتقدمة. على مستوى الأجهزة، يعني هذا حسابات وأجهزة ذكاء اصطناعي أكثر كثافة. في الوقت نفسه، نظرًا لتنوع استخدامات النماذج، أصبح من الصعب تطبيق بنية شريحة واحدة موحدة، لذا نتجه نحو حلول chiplet، حيث يمكن توسيع الحسابات والذكاء الاصطناعي والذاكرة والإدخال/الإخراج وفقًا للحالات الاستخدامية المحددة باستخدام واجهة UCIe."

تقدم Chiplet مسارًا محتملًا لمنصات الذكاء الاصطناعي الفيزيائية القابلة للتوسيع، خاصةً في حالات الحوسبة غير المتجانسة ومتطلبات الذاكرة والإدخال/الإخراج التي تبرر استخدام التغليف المتقدم. ومع ذلك، فقد تزيد من التكلفة والتعقيد بسبب التغليف المخصص، وإدارة الحرارة، والاتصال بين die-to-die. بالنسبة للأنظمة الأصغر حجمًا، والمرتبطة بشكل عالٍ، والخاضعة لقيود استهلاك الطاقة والحجم والتكلفة، قد يكون SoC الأحادي أكثر ملاءمة.

تنطبق هذه القيود أيضًا على الأجهزة والبرمجيات. يقول ساثيش بالاسوبورامانيان، مدير منتجات EDA AI وSolido في Siemens EDA: "ستكون المستشعرات أكثر تركيزًا على حالات الاستخدام، وعليك التأكد من وجود حالات استخدام جيدة ومخصصة، كما تحتاج إلى طبقة برمجية فوقها. أAlways أ joking أن كل شيء في العالم الحقيقي هو نموذج محاكاة، ونحن نحاول تجسيده بشكل رقمي، لذا فإن أحد أهم الأمور هو التكرار. المستشعرات جيدة جدًا بالفعل. يمكننا اكتشاف الرؤية والحرارة والضغط وأي شيء آخر. لقد حققنا تقدمًا كبيرًا أيضًا في الرادار وغيرها. والأهم هو التأكد من أن المستشعرات يمكنها العمل في البيئة، وأنها تلتقط البيئة بطريقة لا تؤدي حقًا إلى تدهورها، أو تحتوي على تكرار مدمج."

ومع ذلك، فإن تأثير التكرار يختلف حسب ما إذا كان يمكن لكل مكون أن يتعطل بشكل مستقل، وما إذا كان النظام قادرًا على التعرف على الأعطال والاستجابة لها. إن إضافة مستشعرات إضافية فقط لا يضمن التشغيل الموثوق، خاصة في الظروف البيئية التي قد تؤثر في وقت واحد على عدة مستشعرات.

تؤدي تخصيص البنية الحسابية وفقًا للعبء أو الحالة الاستخدامية أيضًا إلى توازنات. كما تقول ياسمين كينغ، نائبة الرئيس التنفيذية في Analog Devices ورئيسة قسم السيارات: "السؤال هو مدى قرب الذكاء من المكان الذي يحدث فيه الإدراك فعليًا، وهناك توتر هنا. إذا تم توزيع الذكاء عبر النظام بأكمله، فإن التحديثات تصبح أكثر تعقيدًا. أما التمركز فيسمح بتحديثات OTA من نقطة واحدة، مما يسهل إصدار التصحيحات والإصلاحات، لكنه قد يسبب مشكلات في التأخير عندما تحتاج إلى الاستجابة السريعة لهذه البيانات. في المركبات، إذا اندفع مشاة فجأة أمام السيارة، فأنت بحاجة إلى القدرة على الاستجابة بسرعة فائقة. لذا، فإن مكان وضع الذكاء يعتمد على نوع معلومات الاستشعار التي تريد جمعها، وسرعة الاستجابة التي تحتاجها."

تحدثت ياسمين كينغ في 27 أكتوبر 2026 في مؤتمر Reuters Automotive 2026.

إن تحديد الموقع الذكي هو قرار هندسي يتجاوز أداء القوة الحسابية فقط. فهو يتطلب تحقيق توازن بين زمن الاستجابة، وعرض النطاق الترددي للاتصال، والاستهلاك الطاقي، والقابلية للتحديث، وتنسيق المكونات الموزعة. قد يبسط الحوسبة المركزية الإدارة، بينما يمكن أن تقلل المعالجة المحلية من تأخير الاتصال وتحافظ على الوظائف الأساسية عند انقطاع الاتصال.

حاجز الذاكرة للفيزياء الاصطناعية

سعة الذاكرة، والعرض الترددي، والتأخير، واستهلاك الطاقة، هي العوائق الرئيسية للذكاء الاصطناعي الفيزيائي؛ وقد تواجه بعض تقنيات الذاكرة قيودًا في التوريد. التحدي الحقيقي ليس مجرد زيادة عدد أجهزة الذاكرة بشكل كافٍ، بل تصميم نظام ذاكرة قادر على تزويد أحمال عمل الذكاء الاصطناعي المتزايدة الصعوبة ضمن قيود صارمة على استهلاك الطاقة والحرارة.

قال سوسا: "يجب تخزين ونقل عشرات المليارات من معلمات النموذج ذات الصلة بين التخزين والذاكرة ووحدات المعالجة. اليوم، يُطلق على هذا اسم 'جدول الذاكرة'. مع استمرار نمو استهلاك الذاكرة، تحتاج DRAM إلى واجهات فائقة السرعة، مثل LPDDR6، لتجنب أن تصبح عقبة في المعالجة."

الأداء يعتمد أيضًا على نمط الوصول، والتأخير، وإعادة استخدام البيانات، وسعة التخزين المؤقت، وكفاءة وحدة تحكم الذاكرة، والطاقة المطلوبة لنقل البيانات. إذا كان عبء العمل محدودًا بأجزاء أخرى من هرم الذاكرة، فقد تكون الفوائد الناتجة عن زيادة عرض النطاق الترددي الخام محدودة.

يمكن لتصميم النظام المخصص للعبء أن يساعد في تخفيف جزء من عبء الذاكرة. يقول بالاسوبرامانيان: "ستكون الذاكرة بالحجم المناسب، والحساب بالحجم المناسب، والزائد، وكل ما يجب أن يناسب ميزانية الحرارة والاستهلاك الطاقي، أمورًا بالغة الأهمية. والأهم من ذلك، أن الحجم مهم. لن تضع خزان وقود بسعة 100 جالون في سيارة بريوس. ما تحتاجه هو خزان وقود بسعة 10 جالونات. أستخدم هذا التشبيه لشرح الذاكرة. يمكنك إدارة الذاكرة بطريقة لا تتطلب DRAM ضخمة، لكن يمكنك أن تمتلك ذاكرة تخزين مؤقت جيدة وSRAM مدمجة. يمكنها دائمًا تخزين الاحتياجات الأساسية في DRAM، ولكن عند الحاجة، يمكنك نقل الأشياء الأخرى إلى ذاكرة فلاش أو SRAM. من حيث مسار الذاكرة، من DRAM إلى SRAM، ثم إلى الحساب الفعلي، ثم إلى تحقيق الذكاء الاصطناعي الفعلي، ستكون اتساق الذواكر المؤقتة أمرًا بالغ الأهمية."

التسوية بين هذه التقنيات الذاكرة كبيرة. يمكن للـ SRAM والذاكرة المؤقتة المدمجة على الشريحة توفير وصول سريع للبيانات المستخدمة بكثافة، لكن سعتها محدودة بمساحة السيليكون والتكلفة. توفر الذاكرة الخارجية DRAM سعة أكبر، بينما يقدم الذاكرة غير المتطايرة (Flash) تخزينًا غير متطاير للنماذج والبرمجيات وغيرها من المعلومات التي لا تحتاج إلى البقاء في الذاكرة النشطة.

نقل المعلومات بين هذه المستويات يمكن أن يقلل من بعض متطلبات السعة، لكنه يزيد من تكاليف النقل والتأخير. في الوقت نفسه، تركز اتساق الذاكرة المؤقتة على الحفاظ على توافق نسخ البيانات بين الذاكرة المؤقتة والذاكرة، وليس فقط نقل المعلومات بين تقنيات التخزين المختلفة، لكن هذا أيضًا يزيد من التكاليف. لذلك، يجب على المهندسين عند تحديد كمية الذاكرة في كل طبقة أن يأخذوا في الاعتبار حجم مجموعة العمل، ومحليّة البيانات، وتكرار الوصول.

من المحتمل أن تلعب الابتكارات في ذاكرة السيارات دورًا مهمًا في طرق حل مشكلات الذكاء الاصطناعي الفيزيائية.

قال روب فيشر، المدير التنفيذي لإدارة المنتجات في Imagination Technologies: "حاليًا، هي مرتبطة ارتباطًا وثيقًا بخط منتجاتنا للسيارات، ونرى أن معظم الطلب القادم من الجانب الروبوتي يأتي مباشرة من جانب السيارات. الآن، تقوم العديد من شركات السيارات بتحديد شرائحها كمنصات للسيارات والروبوتات معًا، لذا فإن دعم 4 و6 و8 بت سيعزز حقًا عرض النطاق الترددي للذاكرة واستهلاك الذاكرة للتطبيقات المدمجة على الحافة. بالنسبة لمركز البيانات، هذا أقل أهمية، لكن التأثير مختلف. قد تتمكن في مركز البيانات من تشغيل نماذج أكبر باستخدام عرض بت أصغر على عرض البايت. أما في تطبيقات السيارات والروبوتات، فقد تستفيد من هذا العكس، أي تقليل استهلاك الذاكرة. ستقوم بتحديد النموذج ليقوم فقط بالمهام التي تحتاجه لأدائها، ثم تقلل الذاكرة والعرض الترددي المخصص لاستيعابه."

يمكن أن تقلل التمثيلات ذات الدقة الأقل من متطلبات تخزين النموذج وعرض النطاق الترددي للذاكرة، مما يجعلها جذابة بشكل خاص للذكاء الاصطناعي المضمن. لكن مكاسبها تعتمد على ما إذا كان المعالج المسرّع يستطيع دعم تنسيق القيم المختار بكفاءة، وما إذا كان التكميم يستطيع الحفاظ على الدقة المطلوبة للتطبيق. قد تؤدي تنسيقات مثل التمثيل بـ 6 بت أيضًا إلى تكاليف تغليف أو تنفيذ، مما يحد من المكاسب على الأجهزة التي لم تُصمم خصيصًا لها.

يُلعب التخزين المُضيء دورًا حاسمًا في إدارة ذاكرة النظام الذاتي.

قال سوسا: "يواجه DRAM قيودًا من حيث السعة والاستهلاك الطاقي والتوافر. يمكن للعرض الترددي الأسرع للتخزين تقليل أوقات التحميل، وبالتالي يمكن لموازنة DRAM نفسها دعم نماذج أكبر. تعتمد هذه الأنظمة باستمرار على البطاريات، وغالبًا ما لا تمتلك تبريدًا نشطًا، لذا فإن كل نقل للبيانات يستهلك طاقة ويزيد من التأخير، وبالتالي يجب على كل مكون — ميكانيكي أو إلكتروني أو برمجي — تقليل استهلاك الطاقة وزيادة الكفاءة. تحتوي واجهات مثل MIPI وUFS وLPDDR وPCIe على تقنيات مدمجة تضمن نقل البيانات المفاجئة بسرعة، ثم التحول إلى وضع خامل منخفض الاستهلاك لفترات طويلة."

يمكن للتخزين غير المتطاير الأسرع تقليل تأخير تحميل النموذج، وتمكين الأنظمة ذات الذاكرة DRAM المحدودة من تنفيذ أحمال عمل تتجاوز مساحة الذاكرة النشطة المتاحة عند دمجها مع تقنيات مناسبة لتقسيم النموذج أو تدفق الأوزان. ومع ذلك، فإن عرض النطاق الترددي للتخزين لا يزيد بحد ذاته من كمية البيانات التي يمكن استيعابها في DRAM في أي لحظة معينة.

تختلف واجهات نقل هذه البيانات أيضًا في آليات إدارة الطاقة وخصائص التشغيل. تعتمد كفاءتها على المواصفات المحددة، وطريقة التنفيذ، ونمط النقل، وفرص الدخول إلى حالات توفير الطاقة.

إذا كان حجم السوق كافيًا، فقد تثبت احتياجات الذاكرة للفيزياء الاصطناعية ضرورة تطوير تقنيات ذاكرة جديدة أو أشكال معدلة من التقنيات الحالية.

قال ستيفن وو، المهندس البارز ومخترع البارز في رامبوس: "الذاكرة هي تقنية أساسية ستحتاج إليها جميع أنظمة الذكاء الاصطناعي المادية. الفرق هو أن بعض الأسواق ستستخدم فقط الذاكرة الحالية، لكن من المحتمل أن تصبح بعض الأسواق كبيرة بما يكفي لتتطلب نوعًا خاصًا من الذاكرة، أو نوعًا مُعدّلًا من الذاكرة الحالية. لقد رأينا هذا في HBM. كان الناس يستخدمون أنواعًا أخرى من الذاكرة، ثم فجأة نمت السوق. إذا عدنا إلى ما قبل ظهور LPDDR، كانت الهواتف تستخدم فقط أجهزة DDR تم اختيارها بعناية وتم تصنيفها لأنها كانت منخفضة الاستهلاك للطاقة. وعندما تنمو السوق إلى حجم معين، يقول الناس: 'حسنًا، دعونا نصنع جهازًا مخصصًا.' من المحتمل أن ينمو الذكاء الاصطناعي المادي إلى سوق كبير بما يكفي، لذا إذا كانت اختلافات الطلب كافية، فقد تظهر نوع آخر من الذاكرة."

ستعتمد حدوث هذا التخصص على حجم وثبات الطلب. على عكس مراكز البيانات، تختلف متطلبات تطبيقات الذكاء الاصطناعي الفيزيائي بشكل كبير من حيث التكلفة والقدرة والمتانة والعرض الترددي ودرجة الحرارة وكفاءة الطاقة. قد تجعل هذه التنوع بعض الأسواق أكثر ميلاً إلى تحسين تقنيات الذاكرة الحالية، بينما تكون أسواق أخرى أكثر ملاءمة للحلول المصممة خصيصًا.

التحقق من الحالات الحدية

ضمان تشغيل النظام في ظروف آمنة، بما في ذلك الحالات النادرة وغير المتوقعة، يُعد تحديًا كبيرًا آخر. مع توجه مطوري الذكاء الاصطناعي الفيزيائي نحو الآلات الثقيلة، والأجهزة الطبية، وغيرها من التقنيات الحيوية ذات الأهمية الأمنية، فإن حل مشكلات التحقق يصبح أكثر أهمية.

قال بالاسوبرامانيان: "قبل إدخال الذكاء الاصطناعي الفيزيائي إلى أي بيئة إنتاجية، فإن إنشاء حلقة تحقق مغلقة أمر بالغ الأهمية، وأعتقد أن هذا هو أهم شيء يجب علينا فعله. على سبيل المثال، ماذا يحدث في حالة انقطاع كهرباء واسع النطاق، أو زلزال، أو قطع كابلات الألياف البصرية الخارجية، أو انقطاع التيار؟ كيف تدير هذا السيناريو على الحافة؟ سيكون من الحاسم للغاية الاحتفاظ بنوع من الحوسبة، ونوع من الذاكرة، ونوع من الذكاء بالقرب من المستشعرات، والطريقة التي يحقق بها الناس ذلك هي تحديد ما يرونه الأهم بناءً على متطلبات الحالة الاستخدامية. في البيئة الصناعية، متى أحتاج إلى إيقاف خط التجميع؟ متى أحتاج إلى معرفة متى أتصل بالخلفية، أو أطلق إنذارًا، أو أقوم بشيء آخر؟ هذه كلها أمور تحتاج إلى معالجتها داخل المستشعر الواحد."

تُظهر هذه السيناريوهات أن الوظائف الحيوية من حيث الأمان لا يمكن دائمًا الاعتماد على اتصال مستمر بالسحابة أو قرارات مركزية. قد يكون المعالجة المحلية ضرورية لتحديد الأعطال، وتفعيل إجراءات الحماية، أو جعل الجهاز يدخل حالة أمان محددة عند فشل أنظمة الاتصال أو التغذية الكهربائية.

لكن التحقق والتثبيت يعالجان أجزاء مختلفة من المشكلة. يُستخدم التحقق للتأكد من أن التصميم يلبي المتطلبات المحددة، بينما يُستخدم التثبيت للتحقق من أن النظام يُظهر أداءً مناسبًا في بيئة التشغيل المتوقعة. قد تتطلب ضمانات الأمان أيضًا تحليل المخاطر، واختبارات حقن الأعطال، وتقييم فشل الأسباب المشتركة، بالإضافة إلى أدلة على الامتثال للمعايير السارية.

لذلك، يجب إنشاء وتأكيد الثقة حول بنية الأجهزة والبرمجيات ذات الصلة، ومواكبة متطلبات الأمان مع كل استخدام.

قال أوين كينت، المؤسس المشارك للشركة الناشئة للروبوتات المساعدة ATDev: "عندما نصمم منتجات لكراسي متحركة، كما هو الحال مع أي تطبيق فيزيائي للذكاء الاصطناعي، لدينا متطلبات محددة. يجب أن تدفع هذا الجهاز إلى حدوده القصوى ضمن نظام إدارة الجودة واختبارات التوافق الكهرومغناطيسي من طرف ثالث. بغض النظر عن نوع الأجهزة التي تستخدمها، سواء كانت مخصصة أم لا، يجب أن تكون قادرًا على التحقق من السلامة."

للمطورين، هذا يعني أنه يجب تقييم ليس فقط ما إذا كانت المكونات تعمل بشكل صحيح أثناء التشغيل العادي، بل أيضًا استجابة النظام الكامل عند تدهور المستشعرات، أو أعطال الاتصال، أو المدخلات غير المتوقعة، وغيرها من المخاطر القابلة للتنبؤ بها. في العديد من التطبيقات، يكون إجتياز اختبارات مستوى المكون شرطًا ضروريًا، لكنه وحده لا يثبت السلامة على مستوى النظام.

الاستنتاج

القيود الفعلية للذكاء الاصطناعي الفيزيائي تمتد عبر كامل المسار من الإدراك إلى الإجراء. يجب على المصممين مواءمة النماذج والأجهزة مع المهام، ونقل البيانات ضمن ميزانيات الطاقة والحرارة المتاحة، والتحقق من سلوك الآلة عند تغير الظروف أو الاتصال. فقط عندما تكون أجزاء النظام الأخرى قادرة على دعمها، يكون زيادة القوة الحسابية مفيدة حقًا.

قال بالاسوبرامانيان: "ابدأ من واجهة قياسية ومنخفضة الاستهلاك وموثوقة، وامتد عبر كامل المسار — من المستشعرات إلى المعالجات ثم المُفعّلات. يمكنها أن توفر للمصممين سلوكًا قابلًا للتنبؤ به، وتوافقًا بيئيًا، ووحدات بناء مُختبرة على السيليكون."

مثال ذي صلة هو إطار عمل أمان كاميرا MIPI، الذي يجمع بين مواصفات CSE 2.0 ومواصفات الأمان التكميلية. تدعم CSE 2.0 حماية سلامة بيانات كاميرا CSI-2، مع خيار التشفير؛ بينما يعالج الإطار الأوسع مصادقة مكونات نظام التصوير وإنشاء جلسة آمنة.

He said: "It provides end-to-end security for camera data, covering integrity, authentication, and confidentiality from the image sensor to the SoC. It also offers designers flexible options to minimize computational and traffic overhead, power consumption, and latency, so security can be matched to the application rather than designed for worst-case scenarios."

هذا الفرق مهم لأن السرية اختيارية، ومستوى الحماية يعتمد على خدمات الأمان والتكوينات المطبقة. إن الإطار الأوسع يمكّن المطورين من تحقيق توازن بين الحماية وتكاليف المعالجة واستهلاك الطاقة والتأخير، بدلاً من فرض نفس مستوى الحماية على كل تدفق بيانات.

ليس كافيًا جعل الآلات الذاتية أقوى. بل يجب أيضًا أن تعمل بشكل موثوق ضمن قيود العالم الحقيقي. بالنسبة للذكاء الاصطناعي الفيزيائي، يجب أن تدعم خيارات البنية التي توفر الذاكرة واستهلاك الطاقة وعرض النطاق الترددي، السلوك القابل للتنبؤ به، والمرونة، وضمانات الأمان المطلوبة للنشر على نطاق واسع.

يُستخدم توسيع نقل البيانات للذكاء الاصطناعي الفيزيائي: لا توجد خطة واحدة تناسب جميع السيناريوهات.

إعادة تعريف دور الحافة والذكاء الاصطناعي السحابي: المسابقة على الذكاء المحلي جارية.

بريندان هيفيرنان

إخلاء المسؤولية: قد تكون المعلومات الواردة في هذه الصفحة قد حصلت عليها من أطراف ثالثة ولا تعكس بالضرورة وجهات نظر أو آراء KuCoin. يُقدّم هذا المحتوى لأغراض إعلامية عامة فقط ، دون أي تمثيل أو ضمان من أي نوع ، ولا يجوز تفسيره على أنه مشورة مالية أو استثمارية. لن تكون KuCoin مسؤولة عن أي أخطاء أو سهو ، أو عن أي نتائج ناتجة عن استخدام هذه المعلومات. يمكن أن تكون الاستثمارات في الأصول الرقمية محفوفة بالمخاطر. يرجى تقييم مخاطر المنتج بعناية وتحملك للمخاطر بناء على ظروفك المالية الخاصة. لمزيد من المعلومات، يرجى الرجوع إلى شروط الاستخدام واخلاء المسؤولية.