يكاد يكون من المستحيل قراءة الأخبار هذه الأيام دون القراءة عن بعض النجاحات العديدة التي تم تحقيقها نتيجة للتقدم الأخير في الذكاء الاصطناعي. ولكن كما يعلم أي شخص ألقي نظرة تحت السطح، فإن الطريقة التي تكتسب بها أنظمة الذكاء الاصطناعي هذه المعرفة وتستخدمها تختلف تمامًا عن الأنظمة البيولوجية. يحتاج الطفل فقط إلى رؤية مثال واحد للنمر، على سبيل المثال، للتعرف على مثال آخر في إعدادات وأوضاع وظروف إضاءة مختلفة في المستقبل. من ناحية أخرى، قد تحتاج خوارزمية الذكاء الاصطناعي إلى التدريب على عدة آلاف من الصور حتى تقترب من مستوى التعرف على الطفل.
كما أن عملية الاعتراف تأتي بثمن باهظ. تحتاج خوارزمية الذكاء الاصطناعي إلى فحص كل بكسل في الصورة وإجراء ملايين العمليات الحسابية لتحديد ما هو مرئي. تكون المعالجة التي يقوم بها الدماغ أقل بكثير، مما يبسط المشكلة ويقلل بشكل كبير من استهلاك الطاقة. وهذه مشكلة كبيرة بالنسبة لأنظمة الذكاء الاصطناعي التي تعمل على منصات حيث يجب تقليل استهلاك الطاقة إلى الحد الأدنى، كما هو الحال مع الطائرات بدون طيار
يكاد يكون من المستحيل قراءة الأخبار هذه الأيام دون القراءة عن بعض النجاحات العديدة التي تم تحقيقها نتيجة للتقدم الأخير في الذكاء الاصطناعي. ولكن كما يعلم أي شخص ألقي نظرة تحت السطح، فإن الطريقة التي تكتسب بها أنظمة الذكاء الاصطناعي هذه المعرفة وتستخدمها تختلف تمامًا عن الأنظمة البيولوجية. يحتاج الطفل فقط إلى رؤية مثال واحد للنمر، على سبيل المثال، للتعرف على مثال آخر في إعدادات وأوضاع وظروف إضاءة مختلفة في المستقبل. من ناحية أخرى، قد تحتاج خوارزمية الذكاء الاصطناعي إلى التدريب على عدة آلاف من الصور حتى تقترب من مستوى التعرف على الطفل.
كما أن عملية الاعتراف تأتي بثمن باهظ. تحتاج خوارزمية الذكاء الاصطناعي إلى فحص كل بكسل في الصورة وإجراء ملايين العمليات الحسابية لتحديد ما هو مرئي. تكون المعالجة التي يقوم بها الدماغ أقل بكثير، مما يبسط المشكلة ويقلل بشكل كبير من استهلاك الطاقة. وهذه مشكلة كبيرة بالنسبة لأنظمة الذكاء الاصطناعي التي تعمل على منصات حيث يجب تقليل استهلاك الطاقة إلى الحد الأدنى، كما هو الحال مع الطائرات بدون طيار.
من الواضح أن الطبيعة لها اليد العليا في هذا المجال، لذلك يعمل الباحثون على محاكاة وظيفة الدماغ في الأنظمة الاصطناعية بشكل أوثق. إحدى الطرق التي يمكن من خلالها تحقيق ذلك هي استخدام الشبكات العصبية المتصاعدة (SNNs). مثل الشبكات العصبية الطبيعية، تقوم الخلايا العصبية في هذه الشبكات بنقل المعلومات فقط عندما يتجاوز جهد الغشاء (الذي يمثل الشحنة الكهربائية في الأنظمة الطبيعية) مستوى عتبة معينة. وبهذه الطريقة، يمكن تقليل الحمل الحسابي واستهلاك الطاقة بشكل كبير.
قام فريق من جامعة دلفت للتكنولوجيا بالاستفادة من شبكات SNN جنبًا إلى جنب مع الأجهزة العصبية - التي تم تصميمها على غرار الخلايا العصبية البشرية - لإثبات مدى فعالية هذه التقنيات كنظام تحكم للطائرات بدون طيار الصغيرة المستقلة. أدى انخفاض التعقيد الحسابي للخوارزمية، والأجهزة المصممة لتحقيق أقصى استفادة من هذا النوع من الخوارزميات، إلى بعض الأداء المذهل. كان نظام الباحثين يعمل بشكل أسرع بما يتراوح بين 10 إلى 64 مرة مما هو متوقع باستخدام وحدة معالجة الرسومات المضمنة، ولم يستهلك سوى حوالي ثلث الطاقة.
ولتحقيق هذا العمل الفذ، تم تطوير شبكة SNN بوحدتين. تتعلم الوحدة الأولى كيفية إدراك الحركة في البيانات المرئية، بينما تقوم الوحدة الثانية بتعيين تلك الحركات لأوامر التحكم المقابلة اللازمة لتحليق الطائرة بدون طيار. تم تشغيل هذه الخوارزميةم تشغيل هذه الخوارزمية على معالج Intel Loihi العصبي لتحقيق أقصى سرعة وكفاءة في استخدام الطاقة. اختار الفريق أيضًا استخدام الكاميرا العصبية. بدلاً من التقاط البيانات لكل بكسل في كل إطار، تقوم الكاميرات العصبية بجمع قياس البكسل فقط عندما تتغير شدة الضوء، مما يقلل بشكل كبير من كمية البيانات التي تحتاج إلى معالجة
عند تشغيل هذه الخوارزمية للتحكم في طائرة بدون طيار، وجد أن المركبة يمكنها استشعار حركتها في جميع الاتجاهات. كما تبين أن الطائرة بدون طيار قادرة على الطيران بسرعات مختلفة والحفاظ على السيطرة حتى في ظل ظروف الإضاءة الصعبة والمتغيرة. وبالنظر إلى المستقبل، يأمل الباحثون في نشر نظامهم على جميع أنواع الروبوتات الصغيرة المستقلة، بدءًا من الطائرات بدون طيار التي تراقب المحاصيل إلى تلك التي تتبع المخزون في المستودع.
