الذكاء الاصطناعي على الأجهزة
نمط من تشغيل أنظمة الذكاء الاصطناعي مباشرة على الجهاز الذي يجمع البيانات أو يتفاعل مع المستخدم، بدل الاعتماد المستمر على إرسال البيانات إلى خوادم سحابية بعيدة.
بطاقة الموضوع
1. التعريف
الذكاء الاصطناعي على الأجهزة (On-Device AI) هو تشغيل نماذج أو وظائف الذكاء الاصطناعي على الجهاز المحلي نفسه، مثل الهاتف الذكي أو الحاسوب أو السيارة أو الكاميرا أو الجهاز القابل للارتداء أو الروبوت، بحيث تتم معالجة جزء من البيانات والاستدلال عليها محليًا دون الحاجة إلى إرسال كل عملية إلى خادم بعيد.
ويختلف هذا المفهوم عن التطبيقات التي تعتمد بالكامل على السحابة. ففي النظام المحلي، يمكن للجهاز استقبال البيانات، ومعالجتها، وتشغيل النموذج، وإنتاج النتيجة في البيئة المحلية نفسها.
ولا يعني ذلك بالضرورة أن النظام يعمل دائمًا بصورة مستقلة عن الشبكة؛ فقد يجمع النظام بين المعالجة المحلية والخدمات السحابية وفقًا لطبيعة المهمة والموارد المتاحة.
2. المفهوم الأساسي
يقوم المفهوم على نقل جزء من القدرة الذكية من مركز البيانات إلى نقطة الاستخدام. فبدل أن تنتقل البيانات أولًا إلى خادم بعيد ثم تعود النتيجة إلى المستخدم، يستطيع الجهاز تنفيذ عملية الاستدلال بالقرب من مصدر البيانات.
هذه البنية تجعل الجهاز نفسه جزءًا من بيئة الذكاء الاصطناعي، وليس مجرد واجهة لإرسال الطلبات إلى نظام خارجي.
ومع تطور المعالجات المتخصصة، وظهور وحدات NPU وغيرها من مسرعات الذكاء الاصطناعي، أصبحت أجهزة استهلاكية وصناعية قادرة على تنفيذ مهام كانت تتطلب في السابق موارد حوسبة أكبر.
3. لماذا ظهر On-Device AI؟
ازدياد حجم البيانات والاعتماد على التطبيقات الذكية خلق حاجة إلى تقليل المسافة بين مصدر البيانات ومرحلة الاستدلال. ومن أهم الدوافع:
- تقليل زمن الاستجابة.
- تقليل الاعتماد على الاتصال المستمر بالإنترنت.
- تقليل إرسال البيانات الحساسة إلى الخوادم.
- خفض بعض تكاليف نقل البيانات.
- تحسين الاستمرارية في البيئات غير المتصلة.
- إتاحة الذكاء الاصطناعي في أجهزة صغيرة ومتحركة.
- زيادة استقلالية الأنظمة الذكية.
4. البنية العامة لـ On-Device AI
يمكن النظر إلى نظام الذكاء الاصطناعي على الجهاز باعتباره سلسلة تشغيل تبدأ من مصدر البيانات وتنتهي بإجراء أو نتيجة.
5. كيف يعمل؟
- يجمع الجهاز البيانات من المستخدم أو البيئة.
- تُجهّز البيانات قبل إدخالها إلى النموذج.
- يتم تحميل النموذج أو الجزء المطلوب منه في الذاكرة.
- ينفذ المعالج عملية الاستدلال محليًا.
- تُفسّر النتيجة وفق منطق التطبيق.
- تظهر النتيجة للمستخدم أو تُستخدم لتنفيذ إجراء.
6. المكونات الأساسية
يتكون النظام عادة من مجموعة طبقات مترابطة:
- طبقة الإدخال: تستقبل البيانات.
- طبقة المعالجة: تجهز البيانات.
- طبقة النموذج: تحتوي على النموذج أو النماذج.
- طبقة التنفيذ: تدير الاستدلال.
- طبقة الذاكرة: توفر البيانات والأوزان والنتائج المؤقتة.
- طبقة التطبيق: تحول النتائج إلى وظائف مفيدة.
- طبقة الحماية: تحمي النموذج والبيانات وبيئة التنفيذ.
7. العتاد المستخدم
لا يتطلب On-Device AI نوعًا واحدًا من المعالجات. ويمكن توزيع العمل بين مكونات مختلفة وفقًا لقدرات الجهاز.
| المكوّن | الدور |
|---|---|
| CPU | تنفيذ العمليات العامة وإدارة النظام وبعض عمليات الاستدلال. |
| GPU | تنفيذ عمليات متوازية مناسبة للعديد من نماذج الذكاء الاصطناعي. |
| NPU | مسرّع متخصص في عمليات الذكاء الاصطناعي على الأجهزة المدعومة. |
| DSP | معالجة بعض الإشارات والبيانات بكفاءة عالية في سيناريوهات محددة. |
| Accelerators | دوائر متخصصة مصممة لتسريع عمليات معينة. |
8. النماذج المستخدمة
يعتمد اختيار النموذج على المهمة والعتاد والذاكرة وزمن الاستجابة والطاقة المطلوبة. لذلك تكون النماذج المحلية غالبًا أصغر أو أكثر تحسينًا من النماذج التي يمكن تشغيلها في مراكز البيانات.
9. الاستدلال المحلي
الاستدلال هو مرحلة استخدام نموذج مدرّب لإنتاج نتيجة من مدخل جديد. في On-Device AI تتم هذه العملية على الجهاز نفسه.
وتختلف كلفة الاستدلال حسب حجم النموذج وعدد العمليات المطلوبة وحجم المدخلات والعتاد المستخدم.
لذلك لا يكفي أن يكون النموذج دقيقًا؛ بل يجب أن يكون مناسبًا للبيئة التي سيعمل فيها.
10. تحسين النماذج للأجهزة
يمثل تحسين النموذج أحد أهم عناصر On-Device AI، لأن الجهاز المحلي عادة أكثر محدودية من مركز البيانات من حيث الطاقة والذاكرة والحوسبة.
- تقليل عدد المعاملات.
- تقليل حجم النموذج.
- استخدام بنى أكثر كفاءة.
- تقليل العمليات الحسابية غير الضرورية.
- استخدام نماذج متخصصة للمهمة.
- استعمال تقنيات الضغط والكمّية.
- الاستفادة من المسرعات المحلية.
11. الكمّية — Quantization
الكمّية هي تقنية لتقليل دقة تمثيل الأوزان أو القيم المستخدمة في النموذج بهدف تقليل الحجم واستهلاك الذاكرة وتحسين كفاءة التنفيذ، مع محاولة الحفاظ على مستوى مقبول من الدقة.
ويجب تقييم أثر الكمّية على الدقة لأن تقليل الدقة الحسابية قد يؤدي في بعض الحالات إلى تدهور في أداء النموذج.
12. الذاكرة
الذاكرة عنصر حاسم في تشغيل الذكاء الاصطناعي على الأجهزة. فالنموذج يحتاج إلى مساحة للأوزان، كما تحتاج عمليات الاستدلال إلى ذاكرة مؤقتة للمدخلات والنتائج الوسيطة.
وكلما زاد حجم النموذج، زادت متطلبات الذاكرة، وقد تصبح عملية التشغيل غير مناسبة لجهاز محدود الموارد.
13. استهلاك الطاقة
في الأجهزة المحمولة والقابلة للارتداء، لا يمكن التعامل مع الطاقة كعامل ثانوي. فعملية ذكاء اصطناعي مستمرة قد تؤثر مباشرة في عمر البطارية ودرجة حرارة الجهاز.
- تقليل عدد العمليات.
- اختيار مسرّع مناسب.
- تشغيل النموذج عند الحاجة فقط.
- تقليل حجم المدخلات.
- استخدام نماذج منخفضة الاستهلاك.
- تجنب الاستدلال المتكرر غير الضروري.
14. زمن الاستجابة
من أهم مزايا المعالجة المحلية إمكانية تقليل الزمن الناتج عن إرسال البيانات عبر الشبكة وانتظار الخادم ثم استقبال النتيجة.
ويصبح هذا مهمًا خصوصًا في التطبيقات التي تتطلب استجابة شبه فورية، مثل التفاعل الصوتي، والرؤية الآلية، والروبوتات، وأنظمة القيادة والمراقبة.
15. الخصوصية
يمكن لـ On-Device AI أن يدعم الخصوصية من خلال إبقاء جزء من البيانات الحساسة داخل الجهاز بدل إرسالها باستمرار إلى خوادم خارجية.
لذلك يجب النظر إلى الخصوصية كخاصية للنظام الكامل، وليس مجرد نتيجة لمكان تشغيل النموذج.
16. الأمن
يضيف تشغيل الذكاء الاصطناعي على الجهاز مجموعة من التحديات الأمنية الخاصة، لأن النموذج وبيئة التنفيذ قد تكون موجودة على جهاز يمكن للمهاجم الوصول إليه ماديًا أو برمجيًا.
- حماية النموذج والأوزان.
- تأمين التطبيقات التي تستدعي النموذج.
- التحقق من سلامة تحديثات النموذج.
- حماية البيانات المحلية.
- تقييد الوصول إلى واجهات الاستدلال.
- مراقبة محاولات التلاعب بالنظام.
17. العمل دون اتصال
إحدى الخصائص المهمة لبعض تطبيقات On-Device AI هي القدرة على تنفيذ مهام معينة حتى عند فقد الاتصال بالشبكة.
ويمكن أن يكون ذلك مهمًا في المناطق ذات الاتصال الضعيف، أو أثناء السفر، أو في البيئات الصناعية، أو في الأجهزة التي يجب أن تستجيب بصورة مستقلة عن الشبكة.
ومع ذلك، تعتمد إمكانية العمل الكامل دون اتصال على تصميم التطبيق والنموذج، إذ قد تحتاج بعض الوظائف إلى موارد خارجية.
18. العلاقة مع Edge AI
يرتبط On-Device AI ارتباطًا وثيقًا بـ Edge AI، لكن المصطلحين ليسا متطابقين.
يشير On-Device AI بصورة أكثر تحديدًا إلى تشغيل الذكاء الاصطناعي على الجهاز نفسه، بينما يشير Edge AI إلى وضع الذكاء الاصطناعي بالقرب من مصدر البيانات على حافة الشبكة، وقد يشمل جهازًا محليًا أو بوابة أو خادمًا طرفيًا قريبًا.
19. العلاقة مع Cloud AI
في Cloud AI تُرسل البيانات أو الطلبات إلى بنية حوسبة سحابية لتشغيل النموذج، ثم تعود النتيجة إلى الجهاز.
يمنح هذا الأسلوب الوصول إلى موارد حوسبة كبيرة ونماذج ضخمة، لكنه قد يزيد الاعتماد على الشبكة وزمن الاستجابة ونقل البيانات.
20. مقارنة On-Device AI وEdge AI وCloud AI
| العامل | On-Device AI | Edge AI | Cloud AI |
|---|---|---|---|
| مكان الاستدلال | على الجهاز | بالقرب من مصدر البيانات | في السحابة |
| الاعتماد على الشبكة | منخفض في التشغيل المحلي | قد يكون محدودًا | مرتفع عادة |
| زمن الاستجابة | منخفض جدًا في المهام المحلية | منخفض نسبيًا | يتأثر بالشبكة |
| الموارد | محدودة بالجهاز | أكبر نسبيًا | كبيرة جدًا |
| الخصوصية | يمكن تعزيزها محليًا | تعتمد على البنية | تتطلب إدارة نقل البيانات |
21. الأجهزة المستهدفة
يمكن تطبيق On-Device AI في طيف واسع من الأجهزة، بدءًا من الأجهزة الشخصية الصغيرة وصولًا إلى الأنظمة الصناعية والمركبات والروبوتات.
22. الهواتف الذكية
تعد الهواتف الذكية من أبرز بيئات On-Device AI بسبب توفر المعالجات متعددة الأنوية والمسرعات المتخصصة والكاميرات والميكروفونات والذاكرة اللازمة لتشغيل مجموعة من النماذج المحلية.
ومن الاستخدامات الممكنة: تحسين الصور، التعرف على الكلام، الترجمة المحلية، تصنيف المحتوى، المساعدة في الكتابة، وبعض وظائف البحث والفهم.
23. الحواسيب
تسمح الحواسيب الحديثة بتشغيل نماذج محلية أكبر من تلك المناسبة للأجهزة المحمولة في بعض الحالات، خصوصًا عندما تتوفر ذاكرة كافية ومسرعات مناسبة.
ويمكن أن يشمل ذلك مساعدات محلية، تحليل مستندات، معالجة صور، برمجة مساعدة، بحثًا محليًا، وتطبيقات توليدية محددة.
24. الأجهزة القابلة للارتداء
تتميز الأجهزة القابلة للارتداء بقيود صارمة في الطاقة والحجم والتبريد، ولذلك تحتاج إلى نماذج خفيفة جدًا وعمليات محسوبة بعناية.
ويمكن استخدام الذكاء الاصطناعي المحلي لتحليل إشارات المستشعرات أو بعض المدخلات الصوتية والحركية بحسب قدرات الجهاز وتصميمه.
25. إنترنت الأشياء
يمكن للذكاء الاصطناعي على الأجهزة أن يضيف قدرة تحليلية إلى أجهزة إنترنت الأشياء، بحيث تتمكن بعض المستشعرات والأجهزة الطرفية من اكتشاف أنماط أو أحداث محلية دون إرسال جميع البيانات الخام إلى خادم مركزي.
وهذا قد يقلل حركة البيانات ويحسن الاستجابة ويزيد استقلالية بعض الأنظمة.
26. المركبات
تعتمد العديد من وظائف المركبات الذكية على معالجة البيانات بالقرب من المركبة نفسها. وتشمل البيانات الكاميرات والرادارات والمستشعرات المختلفة.
وفي التطبيقات الحساسة للزمن، يمكن أن تكون المعالجة المحلية عنصرًا مهمًا لأن القرار لا ينبغي أن يعتمد دائمًا على اتصال خارجي.
27. الروبوتات
يحتاج الروبوت الذكي إلى فهم بيئته والتفاعل معها ضمن دورات متكررة من الإدراك والقرار والفعل.
يمكن لـ On-Device AI تنفيذ بعض وظائف الرؤية والإدراك والتحكم على الروبوت نفسه، مما يساعد على تقليل التأخير وتحسين الاستقلالية.
28. التطبيقات
- التعرف على الصور والأشياء.
- التعرف على الكلام.
- الترجمة المحلية.
- تحسين الصور والفيديو.
- المساعدات الذكية المحلية.
- كشف الأحداث في المستشعرات.
- الصيانة التنبؤية المحلية.
- الروبوتات الذكية.
- أنظمة المركبات.
- تطبيقات الواقع المعزز.
- الأمن والمراقبة المحلية.
- البحث المحلي في البيانات.
29. مزايا On-Device AI
30. القيود
- محدودية قدرة المعالجة مقارنة بمراكز البيانات.
- محدودية الذاكرة في بعض الأجهزة.
- قيود البطارية والطاقة.
- التحدي الحراري في العمليات المكثفة.
- صعوبة تشغيل النماذج الكبيرة جدًا.
- تفاوت قدرات الأجهزة بين المستخدمين.
- الحاجة إلى تحسين النموذج لكل بيئة تشغيل.
31. التحديات التقنية
لا يكفي نقل نموذج من الخادم إلى الجهاز. يجب إعادة تصميم دورة التشغيل لتتناسب مع القيود المحلية.
- اختيار النموذج المناسب.
- تحقيق توازن بين الدقة والحجم.
- تقليل استهلاك الطاقة.
- تحقيق زمن استجابة مقبول.
- التوافق مع العتاد المختلف.
- إدارة تحديثات النماذج.
- حماية النموذج من العبث أو الاستخراج.
32. المخاطر الأمنية
وجود النموذج على الجهاز قد يجعل بعض مكوناته أقرب إلى المهاجم من نموذج موجود داخل بنية خادم محمية.
- استخراج النموذج أو محاولة نسخه.
- التلاعب بملفات النموذج.
- تعديل التطبيق لاستغلال واجهة الاستدلال.
- الوصول غير المصرح به إلى البيانات المحلية.
- إدخال بيانات خبيثة إلى النظام.
- تثبيت نموذج أو تحديث غير موثوق.
33. تحديث النماذج
يمثل تحديث النموذج تحديًا خاصًا لأن النموذج قد يكون موزعًا على ملايين الأجهزة. ويجب أن تكون آلية التحديث موثوقة وقابلة للتحقق.
- التحقق من مصدر التحديث.
- التحقق من سلامة الملف.
- إدارة الإصدارات.
- إمكانية العودة إلى إصدار سابق عند الحاجة.
- مراعاة حجم التحديث واستهلاك الشبكة والطاقة.
34. دور المطور
يتحمل المطور مسؤولية اختيار نموذج يناسب الجهاز وليس فقط نموذجًا يحقق أعلى دقة في بيئة التدريب.
ويشمل ذلك اختبار الأداء، والذاكرة، والطاقة، والحرارة، وزمن الاستجابة، والاستقرار، والتوافق مع أنظمة التشغيل والعتاد.
35. تصميم نظام On-Device AI
يمكن بناء النظام وفق دورة تصميم منظمة:
- تحديد المهمة.
- تحديد البيانات المطلوبة.
- اختيار النموذج.
- اختيار العتاد.
- تحسين النموذج.
- اختبار الدقة.
- اختبار السرعة.
- اختبار الطاقة.
- اختبار الأمن.
- اختبار الجهاز في ظروف الاستخدام الحقيقية.
36. الأنظمة الهجينة — Hybrid AI
لا يجب النظر إلى On-Device AI وCloud AI باعتبارهما خيارين متعارضين دائمًا. فقد يستخدم النظام الهجين الجهاز لتنفيذ المهام السريعة أو الحساسة للخصوصية، بينما يستخدم السحابة للمهام الثقيلة التي تحتاج إلى نماذج أكبر.
ويعتمد القرار على حساسية البيانات، وحجم النموذج، وزمن الاستجابة، والاتصال، وتكلفة التشغيل.
37. أمثلة عملية
مثال 1: التعرف على صورة
تلتقط الكاميرا صورة، ثم يعالج الجهاز الصورة ويشغل نموذج رؤية محليًا لإنتاج التصنيف دون إرسال الصورة إلى خادم خارجي.
مثال 2: التعرف على الكلام
يمكن للجهاز تحويل جزء من الكلام إلى نص محليًا عندما يتوفر نموذج صوتي مناسب، مما يقلل الحاجة إلى إرسال التسجيل الصوتي إلى خدمة خارجية.
مثال 3: روبوت محلي
يستطيع الروبوت تحليل صورة من كاميرته واكتشاف جسم أمامه ثم اتخاذ قرار حركي دون انتظار خادم بعيد.
مثال 4: جهاز استشعار ذكي
يمكن للجهاز تحليل بيانات المستشعر محليًا واكتشاف حدث معين ثم إرسال الحدث فقط بدل إرسال جميع البيانات الخام.
38. تقييم أنظمة On-Device AI
يجب ألا يعتمد تقييم النظام على دقة النموذج وحدها. فالنظام الناجح هو الذي يحقق توازنًا بين عدة أبعاد.
| المعيار | السؤال |
|---|---|
| الدقة | هل يقدم النموذج نتائج صحيحة بدرجة مناسبة؟ |
| السرعة | كم يستغرق إنتاج النتيجة؟ |
| الذاكرة | كم يحتاج النموذج أثناء التشغيل؟ |
| الطاقة | ما أثر التشغيل على البطارية؟ |
| الحرارة | هل يسبب التشغيل المستمر ارتفاعًا غير مقبول؟ |
| الأمن | هل يمكن حماية البيانات والنموذج وبيئة التنفيذ؟ |
| الاعتمادية | هل يحافظ النظام على أداء مستقر في ظروف الاستخدام؟ |
39. مستقبل الذكاء الاصطناعي على الأجهزة
يتجه التطور نحو جعل قدرات الذكاء الاصطناعي جزءًا أساسيًا من الأجهزة اليومية، مع استمرار تطور المعالجات المتخصصة والنماذج الصغيرة وتقنيات الضغط والكمّية.
ومن المتوقع أن يؤدي هذا الاتجاه إلى زيادة انتشار الذكاء المحلي في الهواتف والحواسيب والمركبات والروبوتات والأجهزة الصناعية وإنترنت الأشياء.
كما قد تتوسع الأنظمة الهجينة التي توزع العمل بين الجهاز والحافة والسحابة وفقًا لمتطلبات كل مهمة.
40. On-Device AI والسيادة الرقمية
يمتلك On-Device AI أهمية خاصة في مفهوم السيادة الرقمية، لأنه يتيح نقل جزء من القدرة الحسابية والذكائية إلى البيئة المحلية للمستخدم أو المؤسسة.
وكلما زادت قدرة الجهاز على معالجة البيانات محليًا، يمكن تقليل بعض أشكال الاعتماد على خدمات خارجية، مع بقاء الحاجة إلى إدارة البرمجيات والنماذج والتحديثات والعتاد بطريقة مستقلة وآمنة.
من منظور السيادة: لا تعني المعالجة المحلية الاستقلال الكامل، لكنها تمثل طبقة مهمة من الاستقلال التشغيلي والبياني عندما تُصمم ضمن منظومة متكاملة.
41. الخاتمة التحليلية
يمثل الذكاء الاصطناعي على الأجهزة — On-Device AI انتقالًا مهمًا في طريقة بناء الأنظمة الذكية، إذ لا يبقى الذكاء محصورًا في مراكز البيانات، بل ينتقل إلى الجهاز الذي يتفاعل مباشرة مع المستخدم والبيئة.
وتكمن قوته الأساسية في الجمع بين المعالجة المحلية، وزمن الاستجابة المنخفض، وتقليل الاعتماد على الشبكة، وإمكانية تعزيز الخصوصية والاستقلالية.
وفي المقابل، يفرض هذا النموذج قيودًا تتعلق بالطاقة والذاكرة والقدرة الحسابية والأمن وتحديث النماذج. ولذلك فإن نجاحه لا يعتمد على النموذج وحده، بل على التكامل بين النموذج والعتاد ونظام التشغيل والبيانات والأمن وتجربة المستخدم.
ومن هنا يمكن النظر إلى On-Device AI بوصفه إحدى اللبنات الأساسية للجيل القادم من الأنظمة الذكية، خصوصًا عندما يصبح الذكاء الاصطناعي جزءًا مدمجًا في الأجهزة بدل أن يكون مجرد خدمة خارجية يتصل بها الجهاز.
مصطلحات مرتبطة
On-Device AI Edge AI Cloud AI Local AI AI Inference NPU Model Compression Quantization Small Language Models Privacy AI Security AI Infrastructureالموضوعات ذات الصلة في ASAI WIKI
- 16: الذكاء الاصطناعي الطرفي — Edge AI
- 17: الذكاء الاصطناعي على الأجهزة — On-Device AI
- 18: الذكاء الاصطناعي متعدد الوسائط — Multimodal AI
- 19: معالجة اللغة الطبيعية — Natural Language Processing
- 20: فهم اللغة الطبيعية — Natural Language Understanding
المصادر والمراجع العامة
- مراجع هندسة الحوسبة الطرفية والذكاء الاصطناعي المحلي.
- مراجع بنية المعالجات ومسرعات الذكاء الاصطناعي.
- مراجع ضغط النماذج والكمّية والاستدلال.
- مراجع أمن الأجهزة والخصوصية في أنظمة الذكاء الاصطناعي.
- مراجع أنظمة الذكاء الاصطناعي المضمنة وإنترنت الأشياء.
تُفهم المعلومات الواردة في هذا الموضوع ضمن السياق الموسوعي العام، مع ضرورة الرجوع إلى الوثائق التقنية الخاصة بكل منصة أو معالج أو إطار تشغيل عند تنفيذ نظام فعلي.
