الذكاء الاصطناعي المتقدم سيحدث ثورة في الفيزياء (رويترز)
لندن:«الشرق الأوسط»
TT
لندن:«الشرق الأوسط»
TT
هل يتنبأ الذكاء الاصطناعي بنهاية الكون؟
الذكاء الاصطناعي المتقدم سيحدث ثورة في الفيزياء (رويترز)
قال المدير العام القادم للمنظمة الأوروبية للأبحاث النووية (سيرن)، إن الذكاء الاصطناعي المتقدم سيحدث ثورة في الفيزياء الأساسية، وقد يفتح نافذة على مصير الكون، ويتنبأ بكيفية انتهائه.
ونقلت صحيفة «الغارديان» البريطانية عن البروفسور مارك تومسون، الفيزيائي البريطاني الذي سيتولى قيادة «سيرن» في الأول من يناير (كانون الثاني) 2026، قوله إن التعلم الآلي يمهد الطريق لتقدم هائل في فيزياء الجسيمات، وإن هذا التقدم قد يُستخدم للكشف عن أحداث نادرة بشكل لا يصدق، بما في ذلك ما إذا كان كوننا قد يتأرجح على شفا انهيار كارثي.
وأضاف: «هذه التحسينات كبيرة جداً جداً، وسيتم إحرازها من خلال تبني تقنيات متقدمة حقاً».
وأكمل قائلاً: «إنها ستكون بمثابة تحول كبير في مجالنا. ففيزياء الجسيمات تحتاج إلى بيانات معقدة، لذا إذا استخدمت تقنية معقدة، مثل الذكاء الاصطناعي، فستحدث تقدماً هائلاً بها».
ولفت تومسون إلى أن هذا التقدم قد يمد العلماء بملاحظات غير مسبوقة عن «بوزون هيغز»، وهو ما تعرفه الفيزياء بأنه الجسيم الأولي الذي يمنح كتلة إلى كثير من الجسيمات الأخرى، ويربط الكون كوحدة واحدة.
ويفسر «بوزون هيغز» كيف أن بعض الجسيمات لديها كتلة بينما هناك جسيمات أخرى لا تتمتع بكتلة، ويفسر تالياً لماذا الكون موجود كما نحن نعرفه.
وقال تومسون إن التوصل إلى ملاحظات متطورة بشأن «بوزون هيغز» عن طريق الذكاء الاصطناعي قد يكشف عن السيناريو الذي من شأنه أن يتسبب في تبخر الكون كما نعرفه.
يذكر أن جائزة نوبل في الفيزياء التي مُنحت في شهر أكتوبر (تشرين الأول) الماضي، كانت من نصيب رائدين في التعلم بالذكاء الاصطناعي، هما: الأميركي جون هوبفيلد، والبريطاني الكندي جيفري هينتون، اللذان قاما باكتشافات وابتكارات جوهرية، أفسحت المجال لظهور تقنيات التعلم الآلي وشبكات الذكاء الاصطناعي العصبية.
ويحاول العلماء استخدام تكنولوجيا الذكاء الاصطناعي في مختلف مجالات الحياة في الوقت الحالي. وقد وصل الأمر ببعضهم إلى محاولة الاستعانة بالتكنولوجيا للتنبؤ بموعد الوفاة.
ومن ضمن هذه المحاولات تطبيق «ساعة الموت» الذي تم إصداره العام الماضي.
ويحاول التطبيق المدعوم بالذكاء الاصطناعي التنبؤ بتوقيت وفاة شخص ما، بناء على مجموعة من المعطيات، مثل: النظام الغذائي، وممارسة الرياضة، ومستويات التوتر، والنوم.
كشف الملياردير الأميركي بيل غيتس إنه خلال العقد المقبل، ستعني التطورات في مجال الذكاء الاصطناعي أنه لن تكون هناك حاجة للبشر في «معظم الأمور» في العالم.
أدانت وزارة الخارجية الصينية بشدة قيام الولايات المتحدة بإضافة كيانات صينية إلى قائمتها للقيود على الصادرات، وحضت واشنطن على التوقف عن التعلل بالأمن القومي.
في جزء من الثانية... «هارت» يولد صوراً عالية الجودة عبر الذكاء الاصطناعيhttps://aawsat.com/%D8%AA%D9%83%D9%86%D9%88%D9%84%D9%88%D8%AC%D9%8A%D8%A7/5126371-%D9%81%D9%8A-%D8%AC%D8%B2%D8%A1-%D9%85%D9%86-%D8%A7%D9%84%D8%AB%D8%A7%D9%86%D9%8A%D8%A9-%D9%87%D8%A7%D8%B1%D8%AA-%D9%8A%D9%88%D9%84%D8%AF-%D8%B5%D9%88%D8%B1%D8%A7%D9%8B-%D8%B9%D8%A7%D9%84%D9%8A%D8%A9-%D8%A7%D9%84%D8%AC%D9%88%D8%AF%D8%A9-%D8%B9%D8%A8%D8%B1-%D8%A7%D9%84%D8%B0%D9%83%D8%A7%D8%A1-%D8%A7%D9%84%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%D9%8A
في جزء من الثانية... «هارت» يولد صوراً عالية الجودة عبر الذكاء الاصطناعي
مزج الباحثون بين نماذج الذكاء الاصطناعي التوليدية لإنشاء أداة سريعة تنتج صوراً بدقة عالية (Christine Daniloff, MIT)
يُعدُّ توليد صور عالية الجودة بكفاءة تحدياً بالغ الأهمية، خصوصاً للتطبيقات، مثل تدريب السيارات ذاتية القيادة، أو تصميم بيئات ألعاب الفيديو، أو محاكاة سيناريوهات العالم الحقيقي. وفي حين حققت نماذج الذكاء الاصطناعي تقدماً كبيراً في توليد الصور، لا تزال الطرق الحالية تواجه مفاضلة بين السرعة والجودة.
نماذج الانتشار (Diffusion Models)، مثل تلك المستخدمة في «DALL-E» و«Stable Diffusion»، تنتج صوراً واقعية مذهلة، لكنها تتطلب قوة حاسوبية كبيرة ووقتاً طويلاً. من ناحية أخرى، النماذج الانحدارية الذاتية (Autoregressive Models) المشابهة لتلك المستخدمة في نماذج اللغة الكبيرة مثل «تشات جي بي تي» (ChatGPT) تولد الصور بسرعة، لكنها غالباً ما تعاني مع التفاصيل الدقيقة، ما يؤدي إلى نتائج مشوهة أو ضبابية. الآن، طور فريق من الباحثين من معهد «ماساتشوستس للتكنولوجيا» (MIT) وشركة «إنفيديا» (NVIDIA) حلّاً مبتكراً يُدعى «هارت» (HART) وهو نموذج ذكاء اصطناعي جديد يجمع بين مزايا الطريقتين لتقديم صور عالية الجودة بسرعات غير مسبوقة.
أفضل ما في الطريقتين
يعمل «HART» على مبدأ بسيط لكنه قوي. أولاً، يقوم النموذج برسم الخطوط العريضة للصورة بسرعة، ثم يقوم نموذج انتشار صغير بتنقيح التفاصيل، فماذا يعني ذلك؟
يوضح هاوتيان تانغ، طالب الدكتوراه في «MIT»، والمؤلف الرئيسي المشارك للبحث، الأمر بهذه العبارة: «تخيَّل الأمر مثل الرسم». ويتابع: «إذا غطّيت اللوحة كلها دفعة واحدة، فقد تبدو النتيجة خاماً. لكن إذا بدأت برسم عام، ثم نقحته بضربات فرشاة أصغر وأدق، تصبح الصورة النهائية أكثر إتقاناً».
تعمل نماذج الانتشار التقليدية عن طريق إزالة الضوضاء من الصورة خطوة بخطوة حتى تظهر صورة واضحة. وهذه العملية تضمن دقة عالية لكنها بطيئة وتستهلك موارد كبيرة. في المقابل، تولد نماذج «هارت» (HART) الصور بشكل تسلسلي، متنبئة بأجزاء صغيرة في كل مرة. وفي حين تكون أسرع، فإنها غالباً ما تفقد تفاصيل مهمة بسبب الضغط.
يملأ «HART» هذه الفجوة باستخدام نموذج انحدار ذاتي للتعامل مع الجزء الأكبر من توليد الصورة، ثم تطبيق نموذج انتشار خفيف فقط لتحسين التفاصيل المتبقية، أي تلك العناصر الدقيقة التي تجعل الصورة حية مثل ملمس الشعر، وبريق العين، أو الحواف الدقيقة للأجسام.
يتميز نموذج «HART» الجديد بقدرته على إنتاج صور بجودة تعادل أو تفوق أحدث نماذج الانتشار لكن بسرعة أعلى بتسع مرات (MIT)
السرعة دون التضحية بالجودة
من أكثر إنجازات «HART» إثارة للإعجاب هي كفاءته. وفي حين تتطلب نماذج الانتشار الحديثة مليارات المعلمات وعشرات الخطوات للتنقيح، يُحقق «هارت» نتائج مماثلة أو حتى أفضل بجزء بسيط من التكلفة الحاسوبية.
في الاختبارات، أنتج «HART» صوراً أسرع بتسع مرات من نماذج الانتشار الرائدة، مع الحفاظ على مستوى التفاصيل نفسه. والأكثر إثارة، أنه يفعل ذلك باستخدام طاقة حاسوبية أقل بنسبة 31 في المائة، ما يجعله قابلاً للتشغيل على أجهزة المستهلك العادية، مثل أجهزة اللابتوب أو الهواتف الذكية.
يقول تانغ: «نموذج الانتشار في (HART) لديه مهمة أبسط بكثير... فهو يحتاج فقط لتصحيح التفاصيل الدقيقة، وليس الصورة بأكملها، ما يجعل العملية أكثر كفاءة».
فتح آفاق جديدة
تمتد آثار «HART» إلى ما هو أبعد من مجرد توليد صور أسرع. تصميمه الهجين يجعله شديد التكيف للدمج مع أنظمة الذكاء الاصطناعي متعددة الوسائط، مثل نماذج الرؤية واللغة التي يُمكنها تفسير وتوليد النصوص والصور معاً.
تخيَّل أن تطلب من مساعد ذكي أن يرشدك خلال تجميع قطعة أثاث، مع عرض مرئي لكل خطوة في الوقت الفعلي، أو فكِّر في سيارات ذاتية القيادة يتم تدريبها في بيئات افتراضية فائقة الواقعية، تتعلم تجنب المخاطر غير المتوقعة، قبل أن تصل حتى إلى الطريق. سرعة ودقة «HART» مكَّنَتا من جعل هذه التطبيقات ليست ممكنة فحسب، بل عملية أيضاً.
في المستقبل، يُخطط الباحثون لتوسيع قدرات «HART»، لتشمل توليد الفيديو وتركيب الصوت، مستفيدين من تصميمه القابل للتوسع لمهام أكثر تعقيداً.
خطوة نحو ذكاء اصطناعي أذكى
يُمثل «HART» قفزة كبيرة إلى الأمام في مجال الذكاء الاصطناعي التوليدي، مبرهناً على أن السرعة والجودة يجب ألا يكونا متناقضين. من خلال الجمع الذكي بين نقاط قوة النماذج الانحدارية الذاتية ونماذج الانتشار، يفتح الباحثون أبواباً جديدة لتوليد الصور عالية الدقة في الوقت الفعلي، ما يقربنا من مستقبل يمكن فيه للذكاء الاصطناعي أن يدمج الإبداع والكفاءة بسلاسة.
هذا البحث، المدعوم من مختبر «MIT-IBM Watson» للذكاء الاصطناعي، ومركز «MIT» و«Amazon للعلوم»، ومؤسسة «العلوم الوطنية الأميركية»، سيُعرض في المؤتمر الدولي حول التمثيلات التعليمية. ومع مزيد من التطوير، قد يصبح «HART» قريباً حجر الزاوية في تطبيقات الذكاء الاصطناعي من الجيل التالي، ما يُعيد تشكيل طريقة تفاعلنا مع الذكاء الاصطناعي والاستفادة منه.
