الدماغ البشري يعمل بقدرة 20 واط. تدريب GPT-4 تطلب ما يقدر بخمسين جيجاواط-ساعة—أي ما يعادل تقريباً الاستهلاك السنوي للكهرباء لخمسة آلاف منزل أمريكي. في مؤتمر NeurIPS 2025، أصبحت هذه المقارنة الموضوع غير الرسمي للمؤتمر، حيث تصارعت ورقة بحثية تلو الأخرى مع حقيقة غير مريحة: المسار الحالي لتوسيع نطاق الذكاء الاصطناعي غير مستدام من الناحية الديناميكية الحرارية. الحوسبة العصبية—رقائق مصممة للعمل بشكل أشبه بالأدمغة البيولوجية—تقدم أكثر طرق الهروب مصداقية.
2011–2014: الرهان التأسيسي
بدأت قصة الحوسبة العصبية باستثمار مخالف للتوجه السائد. بينما كانت صناعة أشباه الموصلات تطارد كثافة الترانزستور على طول منحنى قانون مور، جادلت مجموعة صغيرة من الباحثين بأن المعمارية نفسها هي عنق الزجاجة. فصل فون نيومان للذاكرة والمعالجة، كما أشاروا، يجبر البيانات على التنقل ذهاباً وإياباً عبر نواقل تستهلك طاقة أكثر بكثير من الحوسبة نفسها.
مشروع TrueNorth من IBM، الممول بتمويل من DARPA عبر برنامج SyNAPSE، أظهر الحجة المضادة في السيليكون. بحلول عام 2014، احتوى TrueNorth على مليون خلية عصبية قابلة للبرمجة و256 مليون مشبك عصبي، مستهلكاً 70 ميلي واط فقط—أقل بعدة مراتب من معالج تقليدي يؤدي عمليات شبكات عصبية مماثلة. لم تكن الشريحة تهدف لاستبدال وحدات المعالجة المركزية. كانت تهدف لإثبات أن نموذجاً مختلفاً ممكن.
2015–2018: انتشار المنصات
دخلت Intel الساحة بشريحة Loihi، وهي شريحة بحثية قدمت التعلم على الشريحة—القدرة على تحديث أوزان المشابك العصبية أثناء التشغيل، والتكيف مع المعلومات الجديدة دون إعادة تدريب خارج الشريحة. عالجت هذه القدرة أحد القيود الأساسية لمسرعات الذكاء الاصطناعي التقليدية: الحاجة إلى مراحل تدريب واستدلال منفصلة.
أطلق مشروع الدماغ البشري التابع للاتحاد الأوروبي SpiNNaker، وهي معمارية متوازية على نطاق واسع تربط مئات الآلاف من أنوية ARM لمحاكاة النشاط العصبي. على عكس أجهزة TrueNorth المخصصة، سمح نهج SpiNNaker القابل للتكوين برمجياً للباحثين بتجربة نماذج عصبية مختلفة، من الخلايا العصبية البسيطة إلى المحاكاة المعقدة متعددة الأجزاء.
بدأت المختبرات الأكاديمية في نشر نتائج مقارنة. لمهام معيارية محددة—التعرف على الروائح، تتبع الفيديو، تصنيف الإيماءات—طابقت الأنظمة العصبية أو تجاوزت دقة الشبكات التقليدية مع استهلاك طاقة أقل بمئة إلى ألف مرة. كانت هذه نتائج متخصصة، لكنها أثبتت أن الرقائق العصبية لم تكن مثيرة نظرياً فحسب؛ بل كانت متفوقة عملياً لأحمال عمل معينة.
2019–2022: الميمريستورات واختراق الكثافة
الميمريستور—جهاز ثنائي الطرف تعتمد مقاومته على تاريخ تدفق التيار—انتقل من فضول مختبري إلى واقع تصنيعي. مصفوفات الميمريستورات المتقاطعة مكنت من إجراء ضرب المصفوفات—الحساب الأساسي للشبكات العصبية—مباشرة في الذاكرة التناظرية، مما ألغى حركة البيانات التي تمثل حوالي 90 في المئة من استهلاك الطاقة في رقائق الذكاء الاصطناعي التقليدية.
عرضت مجموعات متعددة مسرعات شبكات عصبية عاملة قائمة على الميمريستور في مؤتمري ISSCC وVLSI Symposium. كانت الأرقام الرئيسية لافتة: 100 تيرا عملية في الثانية لكل واط، تحسينات في كفاءة الطاقة بمقدار 10,000 ضعف مقارنة بنظيرات CMOS لعمليات مصفوفات معينة. بشكل حاسم، أظهرت الميمريستورات أيضاً السلوك العشوائي التناظري الذي يجعل المشابك العصبية البيولوجية قابلة للتكيف—نفس الخاصية التي يقضي المصممون الرقميون التقليديون عقوداً في هندستها للتخلص منها.
أصدرت Intel شريحة Loihi 2، التي تضم نماذج عصبية قابلة للبرمجة واتصالية محسنة. كشفت IBM عن NorthPole، الذي يطمس الحدود بين الذاكرة والمعالجة بوضع الحوسبة مباشرة داخل مصفوفة الذاكرة. بدا التقدم بعقدين لمسرعات الذكاء الاصطناعي التقليدية suddenly معرضاً للخطر عند حدود الكفاءة.
2023–الحاضر: الواقع التجاري
بدأت الرقائق العصبية التجارية في الظهور في تطبيقات محددة عالية القيمة. نشرت SynSense معالجات رؤية مدفوعة بالأحداث في البيئات الصناعية والسيارات، تعالج 1,000 إطار في الثانية مع استهلاك ميلي واطات أحادية الرقم. وجدت معالجات Innatera العصبية فائقة الانخفاض في الطاقة موطناً في معالجة الصوت الدائم التشغيل لأجهزة المنزل الذكي.
النمط الذي ظهر كان ثابتاً: لم تتنافس الرقائق العصبية وجهاً لوجه مع وحدات معالجة الرسوميات من NVIDIA لتدريب النماذج المتطورة. لقد أنشأت مجالاً متعامداً—استدلال مستمر، منخفض الكمون، فائق الانخفاض في الطاقة على الحافة. كمبيوتر القيادة الذاتية في Tesla يسحب مئات الواط لمعالجة بيانات المستشعرات. شريحة رؤية عصبية قد تسحب 10 ميلي واط لإنجاز مجموعة فرعية محددة من نفس المهمة.
بدأت DeepMind من Google في نشر أبحاث حول معماريات هجينة تجمع بين المسرعات التقليدية للتدريب ومحركات الاستدلال العصبية للنشر. كانت الحجة عملية وليست أيديولوجية: استخدم الأداة المناسبة لكل مرحلة من دورة حياة الذكاء الاصطناعي.
2025–2030: إلى أين يتجه طريق السيليكون
ثلاثة اتجاهات متقاربة ستعرف السنوات الخمس القادمة. أولاً، اقتصاديات حوسبة الذكاء الاصطناعي تفرض تنوعاً معمارياً—لن يهيمن تصميم شريحة واحد على جميع أحمال العمل. ثانياً، تطبيقات الذكاء الاصطناعي على الحافة في الرعاية الصحية والتصنيع والنقل تتطلب ملفات طاقة لا تستطيع المعماريات التقليدية تقديمها. ثالثاً، اختراقات علوم المواد في الميمريستورات وذاكرة تغيير الطور والأجهزة الفيروكهربائية تخلق لبنات بناء جديدة للحوسبة المستوحاة من الدماغ.
النتيجة الأكثر ترجيحاً ليست أن تحل الرقائق العصبية محل المعالجات التقليدية بل أن تصبح معالجات مساعدة في أنظمة غير متجانسة. قد يحتوي حاسوبك المحمول المستقبلي على نواة عصبية تتعامل مع الاستشعار الدائم التشغيل والواجهات التكيفية بينما ينام المعالج الرئيسي.
في وقت ما حوالي عام 2030، سيقدم شخص ما في مؤتمر رئيسي للذكاء الاصطناعي بيانات تظهر أن نظاماً هجيناً عصبيّاً تقليديّاً طابق معايير الاستدلال للنماذج المتطورة مع استهلاك طاقة أقل من ميكروويف منزلي. المقارنة مع الكفاءة البيولوجية التي طاردت مؤتمرات 2025 ستصبح هدفاً تصميمياً، لا رثاءً. لن يكون السؤال ما إذا كانت الحوسبة المستوحاة من الدماغ يمكن أن تعمل، بل ما إذا كان أي نهج آخر منطقياً اقتصادياً على نطاق واسع.
