من السعودية إلى أستراليا وبريطانيا… ابتكارات طلابية ترسم مستقبل الزراعة

زراعة تتعلم وتتكيّف وتشفي الأرض بدل إنهاكها

رغم اختلاف البيئات بين السعودية وبريطانيا وأستراليا تجمع المشاريع رؤية بناء زراعة مرنة وقادرة على مواجهة التغير المناخي (أدوبي)
رغم اختلاف البيئات بين السعودية وبريطانيا وأستراليا تجمع المشاريع رؤية بناء زراعة مرنة وقادرة على مواجهة التغير المناخي (أدوبي)
TT

من السعودية إلى أستراليا وبريطانيا… ابتكارات طلابية ترسم مستقبل الزراعة

رغم اختلاف البيئات بين السعودية وبريطانيا وأستراليا تجمع المشاريع رؤية بناء زراعة مرنة وقادرة على مواجهة التغير المناخي (أدوبي)
رغم اختلاف البيئات بين السعودية وبريطانيا وأستراليا تجمع المشاريع رؤية بناء زراعة مرنة وقادرة على مواجهة التغير المناخي (أدوبي)

في معرض «ابتكارات للبشرية 2025» (Prototypes for Humanity)، ازدحمت القاعة بمئات الابتكارات التجريبية. من الأطراف الاصطناعية والمواد المستدامة، إلى التقنيات الطبية، والأفكار من مختلف التخصصات، برز قطاع الزراعة ليس بمعناه التقليدي، بل بصورته الجديدة التي يصوغها جيل من الطلاب يجمع بين الذكاء الاصطناعي والبحث العلمي والوعي المناخي.

ثلاثة مشاريع من السعودية وأستراليا والمملكة المتحدة، كشفت كيف يمكن للعلماء الشباب إعادة اختراع طريقة إنتاج الغذاء في عالم يزداد سخونة وجفافاً. وفي صميم هذه القصة، يتّضح توجه أن الجيل القادم يبني زراعة تتعلم وتتكيّف وتشفي الأرض بدل إنهاكها.

بوب فيرنوج من جامعة «كاوست» يعرض نموذجاً يجمع لأول مرة بين قياسات التربة في الزمن الحقيقي وتوقعات الطقس طويلة الأجل (الشرق الأوسط)

ريّ ذكي لمستقبل أكثر عطشاً

في السعودية، ليست الحشرات أو التربة الضعيفة هي أكبر عوائق الزراعة بل الماء. ومع بلوغ الزراعة ما يقارب 80 في المائة من استهلاك المياه في المملكة، يصبح أي تحسين بسيط بمثابة ثورة.

من هنا بدأ مشروع الري الذكي الذي طوّره باحثون في جامعة الملك عبد الله للعلوم والتقنية (كاوست)، وفي مقدمتهم طالب الدكتوراه بوب فيرنوج الذي عرض نموذجاً يجمع لأول مرة بين قياسات التربة في الزمن الحقيقي وتوقعات الطقس طويلة الأجل. ويشرح الباحث المشروع خلال حديثه مع «الشرق الأوسط»، قائلاً: «نحن ندمج بيانات الطقس مع قياسات التربة في الزمن الحقيقي، حتى يتمكن المزارع من استخدام كمية أقل من المياه وزيادة الإنتاج».

يتكون النظام من جهاز استشعار للرطوبة مدفون في الأرض، ومحطة طقس صغيرة تقيس الرطوبة والرياح ودرجة الحرارة والضغط والهطول، ثم ترسل البيانات عبر شبكة «LoRaWAN» منخفضة الاستهلاك إلى لوحة تحكم على هاتف المزارع. ورغم وجود أدوات مشابهة عالمياً، يشدد الباحث على أن هذا النظام هو الأول من نوعه المصمّم للسياقات الصحراوية، «هذه أول مرة يتم فيها توحيد بيانات التربة والتوقعات الجوية في نظام واحد متكامل... خصوصاً للبيئات الصحراوية».

هدف الفريق يتجاوز السعودية، ويتمنى فيرنوج أن «يصبح استخدام هذه الأنظمة معياراً عالمياً... لأن الماء مورد نادر في كل مكان». وبهذه الرؤية، يتحول مشروع «كاوست» من التكنولوجيا إلى رسالة وهي أن إنتاج الغذاء في الصحراء ليس مستحيلاً، بل يمكن أن يقود حلولاً عالمية.

أليكس كلارك من جامعة «إمبيريال كولدج لندن» مطور كبسولة تُدفن تحت الأرض لإعادة الحياة للتربة الميتة (الشرق الأوسط)

كبسولة تعيد الحياة للتربة الميتة

إذا كان مشروع «كاوست» يعالج عطش التربة، فإن مشروع «إيروبود» ( Aeropod) من جامعة «إمبيريال كولدج لندن» يعالج مرضها. التربة المتدهورة تهدد الأمن الغذائي العالمي، إذ تفقد خصوبتها بسبب الضغط المتكرر والآلات الثقيلة والفيضانات. ابتكر الطالب أليكس كلارك كبسولة تُدفن تحت الأرض، وتظل خامدة إلى أن تتعرض لضغط أو تشبّع بالمياه، فتتمدد داخل التربة وتفتح قنوات تسمح بعودة الأكسجين ونمو الجذور.

ويشرح كلارك جوهر المشكلة، خلال حديثه لـ«الشرق الأوسط»، قائلاً إن «ضغط التربة مشكلة جوهرية في الزراعة... (إيروبود) يكسر التربة ويجعلها أكثر ليونة ويحسّن تصريف المياه وتبادل الغازات».

الكبسولة مصنوعة بالكامل من مواد قابلة للتحلل وتتكون من طبقتين؛ الأولى حساسة للضغط، والثانية تذوب عند ملامسة الماء لتحميها أثناء النقل.

يقول كلارك: «صممنا غلافاً حساساً للضغط داخل غلاف يذوب بالماء... حتى لا تتضرر أثناء التخزين، لكنها تتفاعل فور زرعها تحت الأرض». وبعكس الحلول التقليدية التي تستخدم آلات ثقيلة أو أسمدة صناعية، تعيد (إيروبود) التوازن البيولوجي الطبيعي للتربة.

تجري تجارب المشروع على محاصيل القمح والشعير والكروم، مع خطط مستقبلية لاستخدام الكبسولة كمنصة لإطلاق المغذيات. ويرى كلارك أن التصنيع يمثل العقبة الأضخم: «التحدي الرئيسي الآن هو الانتقال من المختبر إلى الحقول... توسيع القدرة التصنيعية»، لكن الفريق يثق بأن هذا الابتكار سيمنح المزارعين حلّاً مزدوجاً عبر تحسين التربة وتغذيتها في كبسولة واحدة.

توماس شيفي مبتكر نظام «Soil+CO2» وهو جهاز يحلل التربة في الزمن الحقيقي بناءً على غازات الزفير التي تطلقها الميكروبات (الشرق الأوسط)

قراءة في حياة التربة لحظة بلحظة

أما المشروع الثالث، القادم من أستراليا، فيضيف عنصراً ثالثاً إلى مستقبل الزراعة من حيث المعرفة الدقيقة. طور الطالب توماس شيفي نظام «Soil+CO2» وهو جهاز يحلل التربة في الزمن الحقيقي بناءً على غازات الزفير التي تطلقها الميكروبات التي تعد مؤشرات حيوية على صحة التربة وقدرتها الإنتاجية.

يشرح شاف أهمية التقنية ببساطة: «(Soil+CO2) يقيس ثاني أكسيد الكربون والميثان والنيتروجين وحرارة التربة ورطوبتها... ويرسل البيانات للمزارع ليعرف كل ما يحدث تحت قدميه».

يعتبر عنصر الوقت هو الاختلاف الجوهري بين «Soil+CO2» والفحوص المخبرية التقليدية، حيث إن التحاليل المخبرية تحتاج إلى أسبوعين فيما يوفر «Soil+CO2» النتائج لحظياً.

يقول شيفي: «لم يكن هناك أي جهاز يجمع كل هذه القياسات في منصة واحدة... لقد أخذنا تقنية أكاديمية وأوصلناها إلى يد المزارع مباشرة».

بإمكان المزارع، عبر الجهاز، تحديد المناطق الأكثر خصوبة وتلك التي تحتاج إلى تدخل، ما يخفض استخدام الأسمدة ويحسن الإنتاج. كما يرى شيفي أن الذكاء الاصطناعي سيكون جزءاً مهماً من المستقبل:

«الذكاء الاصطناعي سيجعل البيانات أسهل فهماً... وسيوفر للمزارع توصيات واضحة تعتمد على بيانات دقيقة». بهذا التطور، يصبح «Soil+CO2» ليس مجرد أداة قياس، بل هو نظام لتوجيه القرارات الزراعية على مدار موسم كامل.

على الرغم من اختلاف البيئات ما بين صحراء السعودية وحقول أوروبا وأراضي أستراليا، فإن المشاريع الثلاثة تشترك في رؤية واحدة وهي أن تصميم زراعة مرنة وقادرة على مواجهة التغير المناخي.

جيل جديد يرى الزراعة ليس قطاعاً تقليدياً، بل جبهة الابتكار الأهم لإنقاذ الكوكب.


مقالات ذات صلة

لم يعد الطبيب وحده… كيف يشارك الذكاء الاصطناعي في القرار الطبي؟

تكنولوجيا تتجه الرعاية الصحية نحو دمج مصادر بيانات متعددة لتكوين فهم أكثر شمولاً لحالة المريض (شاترستوك)

لم يعد الطبيب وحده… كيف يشارك الذكاء الاصطناعي في القرار الطبي؟

يعيد الذكاء الاصطناعي والبيانات المتكاملة تشكيل الرعاية الصحية نحو التنبؤ والتخصيص مع تحديات تتعلق بالجودة والخصوصية والتنظيم.

نسيم رمضان (لندن)
تكنولوجيا يمكن للروبوتات تعلم مهارات حركية معقدة باستخدام بيانات بشرية غير مكتملة بدلاً من الاعتماد على بيانات مثالية (المصدر)

تعليم روبوت بشري مهارات لعب التنس… من بيانات غير كاملة

تُظهر دراسة أن الروبوتات يمكنها تعلم مهارات حركية معقدة من بيانات غير مكتملة ما يفتح آفاقاً جديدة لتدريب الذكاء الاصطناعي.

نسيم رمضان (لندن)
يوميات الشرق الأشخاص الذين يتمتعون بذكاء عاطفي عالٍ قادرون على خلق بيئة يشعر فيها الآخرون بالأمان النفسي (بيكسلز)

«قوة خارقة نادرة» تزداد أهميتها بزمن الذكاء الاصطناعي... هل تمتلكها؟

 لا يزال الذكاء الاصطناعي عاجزاً عن أداء جوانب إنسانية أساسية مثل بناء الثقة وإدارة التوتر وفهم المشاعر وجعل الآخرين يشعرون بالتقدير والاهتمام

«الشرق الأوسط» (واشنطن)
يوميات الشرق أنجيلا ليبس (قسم شرطة فارغو بولاية داكوتا الشمالية في أميركا)

سجن جدة بالخطأ لمدة 5 أشهر بعد اتهامها عبر الذكاء الاصطناعي

حُكم على جدة بالسجن خمسة أشهر بعد أن استخدمت الشرطة، عن طريق الخطأ، تقنية الذكاء الاصطناعي لربطها بعملية احتيال مصرفي في ولاية أميركية لم تزرها قط.

«الشرق الأوسط» (لندن)
خاص النمو المتسارع للبيانات يفرض تحديات جديدة على البنية التحتية من حيث الكفاءة والاستدامة (غيتي)

خاص الذكاء الاصطناعي وواقع البيانات... هل تواكب البنية التحتية هذا التسارع؟

يفرض تسارع الذكاء الاصطناعي ضغطاً على البنية التحتية، حيث يصبح تخزين البيانات وكفاءته واستدامته عاملاً حاسماً في القدرة على التوسع.

نسيم رمضان (لندن)

لم يعد الطبيب وحده… كيف يشارك الذكاء الاصطناعي في القرار الطبي؟

تتجه الرعاية الصحية نحو دمج مصادر بيانات متعددة لتكوين فهم أكثر شمولاً لحالة المريض (شاترستوك)
تتجه الرعاية الصحية نحو دمج مصادر بيانات متعددة لتكوين فهم أكثر شمولاً لحالة المريض (شاترستوك)
TT

لم يعد الطبيب وحده… كيف يشارك الذكاء الاصطناعي في القرار الطبي؟

تتجه الرعاية الصحية نحو دمج مصادر بيانات متعددة لتكوين فهم أكثر شمولاً لحالة المريض (شاترستوك)
تتجه الرعاية الصحية نحو دمج مصادر بيانات متعددة لتكوين فهم أكثر شمولاً لحالة المريض (شاترستوك)

لم يعد الحديث عن الذكاء الاصطناعي في قطاع الرعاية الصحية يدور حول وعود مستقبلية أو تحولات مفاجئة، بل بات أقرب إلى مسار تطور تدريجي يعيد تعريف كيفية فهم المرض وعلاجه وإدارة الأنظمة الصحية. ففي عام 2026، تتجه الصناعة نحو مرحلة أكثر نضجاً، حيث تتحول البيانات من مجرد مورد داعم إلى بنية أساسية تقود القرارات والابتكار.

هذا التحول لا يقوم على تقنية واحدة، بل على تقاطع عدة اتجاهات كتكامل البيانات وتطور النماذج التحليلية وتوسع استخدام الذكاء الاصطناعي في العمليات اليومية، وظهور بيئات تنظيمية تسمح بتجريب هذه التقنيات دون الإخلال بالمعايير.

يتوسع دور الذكاء الاصطناعي ليصبح جزءاً من دعم القرار السريري وتحسين دقة التشخيص والعلاج

من بيانات متفرقة إلى منظومات متكاملة

أحد أبرز التغيرات يتمثل في كيفية التعامل مع البيانات الصحية. فبدلاً من الاعتماد على مصادر منفصلة، يتجه القطاع نحو دمج تدفقات متعددة تشمل الجينوم، والتصوير الطبي والسجلات السريرية والبيانات الناتجة عن الأجهزة القابلة للارتداء.

هذا التحول نحو البيانات المتعددة الوسائط لا يهدف فقط إلى زيادة حجم المعلومات، بل إلى وضعها في سياق متكامل يسمح بفهم أعمق للحالة الصحية لكل مريض. ومع تزايد هذا التكامل، تصبح هندسة البيانات نفسها عاملاً حاسماً في نجاح التحليل، وليس مجرد خطوة تقنية في الخلفية.

في الوقت نفسه، يتوسع دور الذكاء الاصطناعي من كونه أداة تحليل إلى شريك في اتخاذ القرار. فأنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي أصبحت قادرة على تحسين دقة التشخيص وتقديم توصيات علاجية أكثر تخصيصاً، مدعومة ببيانات واسعة النطاق. لكن هذا لا يعني استبدال الطبيب، بل إعادة توزيع الأدوار. فالأنظمة الذكية تبرز المخاطر وتقدم الخيارات، بينما يبقى القرار النهائي بيد الإنسان. هذا التوازن بين الأتمتة والحكم البشري يشكل أحد ملامح المرحلة الحالية في تطور الرعاية الصحية.

الرعاية تتجاوز المستشفى

من التحولات اللافتة أيضاً انتقال الرعاية الصحية تدريجياً من المؤسسات إلى المنازل. فمع تزايد استخدام أجهزة إنترنت الأشياء وتقنيات المراقبة عن بُعد، أصبح من الممكن متابعة المرضى بشكل مستمر، خصوصاً في حالات الأمراض المزمنة. هذه النماذج الجديدة لا تقتصر على تقليل التكاليف، بل تهدف إلى تحسين النتائج الصحية من خلال التدخل المبكر. ومع ذلك، لا تزال هذه المقاربات في مراحل التوسع التدريجي، حيث يتم اختبارها عبر مشاريع تجريبية قبل تعميمها على نطاق واسع.

يساهم الذكاء الاصطناعي في تسريع اكتشاف الأدوية وتحسين كفاءة التجارب السريرية (شاترستوك)

تسريع الابتكار عبر بيئات تنظيمية مرنة

في موازاة ذلك، بدأت الجهات التنظيمية تلعب دوراً أكثر مرونة في دعم الابتكار. إذ ظهرت بيئات تجريبية تسمح باختبار نماذج الذكاء الاصطناعي باستخدام بيانات اصطناعية أو محاكاة، ما يسرّع عملية التحقق دون تعريض خصوصية المرضى للخطر. هذا النهج يعكس تحولاً في طريقة تنظيم القطاع، من نموذج يعتمد على الموافقة المسبقة فقط، إلى نموذج يوازن بين التجريب والرقابة.

على مستوى البحث العلمي، تبرز تقنيات جديدة مثل التعلم الآلي الكمي، التي تُستخدم لتحسين التنبؤ بسلامة الأدوية في مراحل مبكرة. هذه الأدوات قد تقلل من معدلات الفشل في التجارب ما قبل السريرية، وهو أحد أكبر التحديات في تطوير الأدوية. إلى جانب ذلك، يساهم الذكاء الاصطناعي في تحليل التفاعلات الجزيئية وتسريع اكتشاف المركبات الدوائية، ما يقلص الوقت والتكلفة في المراحل الأولى من البحث.

بعيداً عن الاستخدامات الطبية المباشرة، يتوسع حضور الذكاء الاصطناعي في العمليات الإدارية والتشغيلية. فبحلول عام 2026، يُتوقع أن تعتمد المؤسسات الصحية بشكل متزايد على أنظمة ذكاء اصطناعي لإدارة مهام مثل الفوترة، وسير العمل، وتحسين الكفاءة. هذا التوجه يشير إلى أن الذكاء الاصطناعي لم يعد مجرد أداة متخصصة، بل أصبح جزءاً من البنية التشغيلية اليومية، على غرار الأنظمة السحابية أو إدارة علاقات العملاء.

تتزايد أهمية الرعاية الصحية المنزلية المدعومة بالمراقبة عن بُعد وتقنيات إنترنت الأشياء (شاترستوك)

جودة البيانات... العامل الحاسم

رغم هذا التوسع، تبرز حقيقة أساسية: نجاح الذكاء الاصطناعي في الرعاية الصحية يعتمد بدرجة كبيرة على جودة البيانات. فحتى أكثر النماذج تقدماً لا يمكنها تقديم نتائج دقيقة إذا كانت البيانات غير مكتملة أو غير متسقة. وفي هذا السياق، تصبح القدرة على جمع بيانات عالية الجودة، وربطها بشكل متكامل، عاملاً حاسماً في تحديد الجهات القادرة على تحقيق قيمة حقيقية من هذه التقنيات.

وكما هو الحال في أي تحول رقمي، لا تخلو هذه التطورات من تحديات. فزيادة الاعتماد على البيانات تثير قضايا تتعلق بالخصوصية، وأمن المعلومات، وإمكانية إساءة الاستخدام. ولهذا، يترافق التوسع في استخدام الذكاء الاصطناعي مع استثمارات موازية في الحوكمة والامتثال، لضمان تحقيق الفوائد دون تعريض النظام لمخاطر جديدة.

نحو نموذج جديد للرعاية الصحية

ما يتضح من هذه الاتجاهات هو أن قطاع الرعاية الصحية لا يشهد ثورة مفاجئة، بل تحولاً تدريجياً يعيد بناء أسسه. فبدلاً من الاعتماد على تدخلات متأخرة، يتجه النظام نحو الوقاية والتنبؤ، مدعوماً ببيانات متكاملة ونماذج تحليلية متقدمة.

في هذا النموذج، لا تكون البيانات مجرد سجل للماضي، بل أداة لتوقع المستقبل. ولا يكون الذكاء الاصطناعي بديلاً عن الإنسان، بل امتداد لقدراته.

وبينما لا تزال العديد من هذه التحولات في مراحلها الأولى، فإن الاتجاه العام يبدو واضحاً: مستقبل الرعاية الصحية سيُبنى على البيانات، لكن قيمته الحقيقية ستعتمد على كيفية استخدامها.


تعليم روبوت بشري مهارات لعب التنس… من بيانات غير كاملة

يمكن للروبوتات تعلم مهارات حركية معقدة باستخدام بيانات بشرية غير مكتملة بدلاً من الاعتماد على بيانات مثالية (المصدر)
يمكن للروبوتات تعلم مهارات حركية معقدة باستخدام بيانات بشرية غير مكتملة بدلاً من الاعتماد على بيانات مثالية (المصدر)
TT

تعليم روبوت بشري مهارات لعب التنس… من بيانات غير كاملة

يمكن للروبوتات تعلم مهارات حركية معقدة باستخدام بيانات بشرية غير مكتملة بدلاً من الاعتماد على بيانات مثالية (المصدر)
يمكن للروبوتات تعلم مهارات حركية معقدة باستخدام بيانات بشرية غير مكتملة بدلاً من الاعتماد على بيانات مثالية (المصدر)

في مسار تطوير الروبوتات البشرية، ظل التحدي الأكبر يتمثل في تعليم الآلات مهارات حركية معقدة تحاكي الإنسان. فالمهام التي تبدو طبيعية للبشر، مثل الجري أو القفز أو حتى لعب التنس، تتطلب تنسيقاً دقيقاً بين التوازن، والتوقيت، واتخاذ القرار في أجزاء من الثانية. تقليد هذه القدرات آلياً لم يكن ممكناً إلا في بيئات محدودة، وغالباً عبر بيانات مثالية يصعب الحصول عليها في الواقع.

لكن دراسة حديثة تقترح مساراً مختلفاً: ماذا لو لم تعد الحاجة إلى بيانات مثالية شرطاً أساسياً لتعليم الروبوتات؟

يركز البحث على تطوير نموذج لتعليم روبوت بشري مهارات لعب التنس، باستخدام بيانات حركة بشرية غير مكتملة أو غير دقيقة. وبدلاً من الاعتماد على تسجيلات كاملة ومضبوطة للحركات، يعمل النظام على استغلال مقاطع جزئية من البيانات، ثم إعادة تركيبها لبناء سلوك حركي متكامل.

يعتمد النموذج على تقسيم الحركات إلى مقاطع صغيرة وإعادة تركيبها لتكوين سلوك متكامل (المصدر)

من البيانات المثالية إلى البيانات الواقعية

تقليدياً، تعتمد أنظمة التعلم الحركي للروبوتات على بيانات عالية الجودة، يتم التقاطها باستخدام أنظمة متقدمة لتتبع الحركة. هذه البيانات توفر وصفاً دقيقاً لكل حركة، لكنها مكلفة وصعبة التوسّع، كما أنها لا تعكس دائماً تعقيد العالم الحقيقي. في المقابل، ينطلق هذا البحث من فرضية مختلفة، حيث إن البيانات الواقعية حتى وإن كانت غير كاملة، يمكن أن تكون كافية لتعليم مهارات معقدة، إذا تم التعامل معها بطريقة مناسبة.

وهنا، لا يحاول النموذج «تنقية» البيانات بقدر ما يعمل على فهم الأنماط الكامنة فيها، واستنتاج كيفية تحويلها إلى حركات قابلة للتنفيذ.

نموذج يتعلم من أجزاء متفرقة

يعتمد النظام المقترح على تقسيم البيانات الحركية إلى مقاطع صغيرة، تمثل كل منها جزءاً من حركة أكبر. ثم يقوم بربط هذه الأجزاء معاً داخل بيئة محاكاة، بحيث يتعلم الروبوت كيفية الانتقال من حركة إلى أخرى بسلاسة. هذه المقاربة تشبه إلى حد ما الطريقة التي يتعلم بها الإنسان مهارة جديدة، حيث يتم الجمع بين تجارب جزئية لتشكيل أداء متكامل. والنتيجة هي نموذج قادر على توليد حركات ديناميكية، دون الحاجة إلى مسار واحد محدد مسبقاً.

التنس كنموذج لاختبار التعقيد

اختار الباحثون لعبة التنس كبيئة اختبار، نظراً لما تتطلبه من تنسيق بين الحركة والإدراك. فالتعامل مع كرة متحركة يستدعي تقدير السرعة والاتجاه، واتخاذ قرار فوري بشأن كيفية الرد، ثم تنفيذ الحركة بدقة. في التجارب، تمكّن الروبوت من تعلم ضرب الكرة والتفاعل مع مواقف مختلفة، بما في ذلك الحفاظ على تبادل الكرات في بعض الحالات. ويشير ذلك إلى أن النموذج لا يقتصر على تكرار حركات محفوظة، بل يطوّر استجابة قابلة للتكيف مع السياق.

اختيار التنس كنموذج يبرز قدرة النظام على التنسيق بين الإدراك والحركة في بيئة ديناميكية (المصدر)

فجوة بين المحاكاة والواقع

كما هو الحال في كثير من أبحاث الروبوتات، يعتمد جزء كبير من التدريب على بيئات محاكاة. هذه البيئات تتيح تسريع عملية التعلم وتقليل المخاطر، لكنها لا تعكس دائماً تعقيدات العالم الحقيقي.

لذلك، يمثل نقل المهارات من المحاكاة إلى الواقع أحد التحديات الأساسية. وقد عمل الباحثون على تقليل هذه الفجوة عبر تصميم النموذج بحيث يأخذ في الاعتبار التباين وعدم الدقة في البيانات، وهو ما يجعله أكثر قدرة على التكيف عند التطبيق العملي.

ما الذي يتغير فعلاً؟

لا تكمن أهمية هذا البحث في قدرة الروبوت على لعب التنس بحد ذاتها، بل في ما تشير إليه من تحول أوسع في منهجية التعلم. فإذا كان بالإمكان تدريب الأنظمة على مهارات معقدة باستخدام بيانات غير مثالية، فإن ذلك يفتح الباب أمام استخدام مصادر بيانات أكثر تنوعاً، مثل الفيديوهات العامة أو التسجيلات غير المنظمة. وهذا بدوره قد يسرّع تطوير ما يُعرف بـ«الذكاء الاصطناعي المجسّد»، حيث تتفاعل الأنظمة مع العالم الفيزيائي بشكل مباشر.

حدود وتحديات قائمة

مع ذلك، لا تزال هذه المقاربة في مراحلها الأولى. فالروبوت لا يصل إلى مستوى الأداء البشري، ولا تزال قدرته على التعامل مع مواقف غير متوقعة محدودة. كما أن الاعتماد على المحاكاة يفرض قيوداً على مدى تعميم النتائج. لكن رغم هذه التحديات، يقدم البحث دليلاً على أن الطريق نحو تعليم الروبوتات قد لا يمر عبر الكمال، بل عبر القدرة على الاستفادة من النقص.

يشير هذا التوجه إلى إعادة التفكير في العلاقة بين البيانات والتعلم. فبدلاً من السعي إلى جمع بيانات مثالية ومكتملة، قد يكون التركيز مستقبلاً على تطوير نماذج قادرة على التعلم من الواقع كما هو بما يحمله من نقص وتباين. وفي هذا السياق، لا يمثل التنس سوى مثال تجريبي. أما الهدف الأوسع، فهو تمكين الروبوتات من اكتساب مهارات حركية متنوعة، تتراوح بين العمل الصناعي والخدمات اليومية.


الذكاء الاصطناعي وواقع البيانات... هل تواكب البنية التحتية هذا التسارع؟

النمو المتسارع للبيانات يفرض تحديات جديدة على البنية التحتية من حيث الكفاءة والاستدامة (غيتي)
النمو المتسارع للبيانات يفرض تحديات جديدة على البنية التحتية من حيث الكفاءة والاستدامة (غيتي)
TT

الذكاء الاصطناعي وواقع البيانات... هل تواكب البنية التحتية هذا التسارع؟

النمو المتسارع للبيانات يفرض تحديات جديدة على البنية التحتية من حيث الكفاءة والاستدامة (غيتي)
النمو المتسارع للبيانات يفرض تحديات جديدة على البنية التحتية من حيث الكفاءة والاستدامة (غيتي)

مع تسارع الذكاء الاصطناعي في توليد البيانات واستخدامها، يؤدي تزايد أهمية البنية التحتية إلى تحول أقل وضوحاً، لكنه أكثر عمقاً. فبينما يتركّز جزء كبير من النقاش العام حول الذكاء الاصطناعي على قوة الحوسبة وأداء النماذج، يشير قادة الصناعة بشكل متزايد إلى كيفية تخزين البيانات والوصول إليها وتوسيعها على نطاق واسع.

في إحاطة إعلامية خاصة حضرتها «الشرق الأوسط»، قدّم مسؤولون في شركة «سي غيت تكنولوجي» (Seagate Technology) هذا التحول بوصفه تغيراً هيكلياً، لا مجرد تحديث تقني. فالتحدي لم يعد يقتصر على إنتاج البيانات أو معالجتها، بل بات يتمحور حول القدرة على الحفاظ عليها وتوسيعها بكفاءة واستدامة وعلى نحو يمكن التنبؤ به. يقول ديف موسلي، الرئيس التنفيذي للشركة إن «ما نعلنه اليوم ليس مجرد إنجاز على مستوى المنتج، بل يعكس كيف يجب أن تتطور البنية التحتية لمواكبة التسارع غير المسبوق في نمو البيانات عالمياً».

ديف موسلي الرئيس التنفيذي لشركة «سي غيت تكنولوجي»

يصعب المبالغة في حجم هذا النمو. فحسب موسلي، انتقل حجم البيانات العالمية من نحو زيتابايت واحد في عام 2005 إلى أكثر من 70 زيتابايت في عام 2020، مع توقع إضافة مئات الزيتابايت في السنوات المقبلة. ورغم أن الذكاء الاصطناعي يعدّ محركاً رئيسياً لهذا التوسع، فإنه ليس العامل الوحيد؛ إذ تسهم خدمات الحوسبة السحابية والفيديو والأتمتة والمتطلبات التنظيمية في تشكيل منظومة بيانات أكثر تعقيداً واتساعاً.

هذا التداخل يعيد صياغة طريقة تقييم البنية التحتية. ويضيف موسلي أن «القصة لم تعد تتعلق بتقنية واحدة، بل بالبنية التحتية وتخصيص رأس المال». بمعنى آخر، لم يعد السؤال هو ما إذا كان بالإمكان إنتاج البيانات أو معالجتها، بل ما إذا كانت الأنظمة الداعمة قادرة على التوسع بكفاءة لمواكبة هذا النمو.

ما بعد الحوسبة

أحد أبرز الاستنتاجات هو أن مسار الذكاء الاصطناعي لا يمكن فهمه من خلال الحوسبة وحدها. فرغم أهمية المعالجات والمسرّعات، فإنها تعتمد بشكل أساسي على توفر البيانات.

ويشير موسلي إلى أنه «عندما يتحدث الناس عن بنية الذكاء الاصطناعي، يركّزون على الحوسبة التي لا يمكن أن تعمل دون بيانات. ماذا يحدث عندما تنفد البيانات من منصات الحوسبة؟ هذه مشكلة».

هذا الطرح يعيد وضع التخزين في قلب أنظمة الذكاء الاصطناعي. فالبيانات لا يكفي أن تكون موجودة، بل يجب الاحتفاظ بها وحمايتها وإمكانية استرجاعها على نطاق واسع. وفي بيئات الحوسبة فائقة الحجم، حيث تُتخذ القرارات على مدى خمس أو سبع أو حتى عشر سنوات، تتحول هذه المتطلبات معادلةً اقتصادية بقدر ما هي تقنية.

تكلفة التخزين لكل تيرابايت واستهلاك الطاقة وكثافة السعة لكل رفّ، كلها أصبحت عوامل حاسمة. وكما أفاد موسلي: «الذكاء الاصطناعي لا يتوسع بالحوسبة فقط، بل يعتمد على اقتصاديات مستدامة، والتخزين هو ما يحدد هذه الاقتصاديات».

الذكاء الاصطناعي لا يستهلك البيانات فقط... بل يضاعفها عبر النسخ وإعادة التدريب والاستخدام المستمر (غيتي)

من النمو إلى التراكم

جزء من هذا التحول يرتبط بطبيعة البيانات نفسها. فالذكاء الاصطناعي لا يستهلك البيانات فحسب، بل يضاعفها. ويصرح بي إس تيه، الرئيس التجاري للشركة بأن «الذكاء الاصطناعي لا يستهلك البيانات فقط، بل يراكمها». عملياً، يعني ذلك أن البيانات تُنسخ وتُوزَّع وتُحفظ ويُعاد استخدامها لتدريب النماذج وإعادة تدريبها. ونتيجة لذلك؛ لم يعد نمو البيانات خطياً، بل أصبح متسارعاً ومتراكماً.

ويظهر هذا الواقع في توسّع مراكز البيانات عالمياً. فهناك اليوم أكثر من 11 ألف مركز بيانات، مع توقع ارتفاع العدد إلى نحو 15 ألفاً خلال السنوات المقبلة. لكن الأهم هو حجم هذه المراكز. فما كان يُعدّ مركزاً ضخماً سابقاً بقدرة 10 ميغاواط تحل محله اليوم مراكز «عملاقة» تصل إلى 100 أو حتى 300 ميغاواط.

ويذكر تيه أنه «لا يكاد يمر يوم دون الإعلان عن بناء مركز بيانات جديد في مكان ما من العالم». لكن التحول الحقيقي لا يكمن في العدد فقط، بل في الحجم والضغط المتزايد على البنية التحتية.

التوسع دون اضطراب

مع هذا النمو، لا يتمثل التحدي في زيادة السعة فقط، بل في تحقيق ذلك دون إحداث اضطراب. فمشغلو البنية التحتية الضخمة لا يمكنهم تحمل تغييرات جذرية متكررة. ويلفت موسلي إلى أن بعض العملاء يتخذون قرارات تمتد لخمس أو سبع أو حتى عشر سنوات، ويحتاجون إلى ثقة بأن كثافة التخزين ستستمر في التوسع دون تغييرات معمارية معطِّلة.هذا التركيز على القابلية للتنبؤ أصبح بحد ذاته ميزة أساسية. فالتطور يجب أن يكون تدريجياً ومستمراً، لا أن يفرض إعادة تصميم مكلفة في كل مرحلة.

من جانبه، يوضح جون موريس، المدير التقني، أن التقنيات التقليدية لزيادة الكثافة وصلت إلى حدودها ويتابع: «تقنية التسجيل المغناطيسي التقليدية اقتربت من حدودها، ونحتاج إلى ابتكارات جديدة لدفع الجيل القادم من التخزين».

ولهذا؛ طوّرت الشركة تقنية التسجيل المغناطيسي بمساعدة الحرارة (HAMR)، التي تستخدم تسخيناً دقيقاً بالليزر لزيادة كثافة البيانات دون تغيير الحجم الفيزيائي للأقراص. ويشرح موريس بأن «الزيادة في السعة تتحقق من خلال الفيزياء الأساسية للتسجيل؛ ما يتيح اقتصاديات أفضل من حيث التكلفة لكل تيرابايت والاستثمار المطلوب». الأهم أن هذه التقنية لم تعد في مرحلة التجارب، بل انتقلت إلى بيئات الإنتاج الفعلية، حيث تم اعتمادها من قِبل عملاء في قطاع الحوسبة السحابية واسعة النطاق.

من الابتكار إلى الإنتاج الصناعي

تحويل الابتكار منتجاً فعلياً يتطلب أكثر من اختراق تقني، بل يحتاج إلى قدرة على التصنيع على نطاق واسع بدقة عالية. وحول ذلك يقول موريس إن «نقل هذه التقنية من البحث إلى الإنتاج تطلب تطوير تقنيات جديدة بالكامل»، مشيراً إلى التقدم في المواد والفوتونيات وعمليات التصنيع الدقيقة. وهذا ما يتيح التوسع التدريجي دون انقطاع. فكل جيل جديد يبني على السابق؛ ما يسمح بزيادة السعة دون الحاجة إلى إعادة تصميم الأنظمة بالكامل.

التحدي الأساسي لم يعد سرعة النماذج... بل قدرة البنية التحتية على التوسع بشكل مستدام وموثوق (غيتي)

اقتصاديات الحجم

على مستوى البنية التحتية الضخمة، حتى التحسينات الصغيرة تُحدِث فرقاً كبيراً. ويفسر موسلي بأنه في بيئة تخزين بحجم إكسابايت واحد، يمكن تحقيق تحسن في كفاءة الطاقة بنحو 47 في المائة مقارنة بالأنظمة السابقة، مع تقليل عدد الأقراص من نحو 50 ألفاً إلى نحو 22 ألفاً؛ ما يؤدي إلى تقليل المساحة والتبريد والتعقيد التشغيلي.

هذه ليست تحسينات هامشية، بل تغييرات تؤثر مباشرة على التكلفة والبنية.

وأشار تيه إلى أن الاستدامة أصبحت عاملاً مؤثراً في قرارات الشراء، قائلاً: «لم تعد الاستدامة مسألة ثانوية»، في إشارة إلى أهمية استهلاك الطاقة والبصمة الكربونية. كما أن نظرة المؤسسات إلى البيانات تغيّرت، حيث إنه «في السابق كانت البيانات تُعدّ تكلفة، أما اليوم فهي أصل استراتيجي يتراكم بمرور الوقت».

السؤال الحاسم

تشير هذه التطورات إلى تحول أوسع في تصميم بنية الذكاء الاصطناعي. فالتخزين الذي كان في الخلفية، أصبح اليوم في صميم التخطيط. في السابق، كانت الأولوية للحوسبة والذاكرة والشبكات. أما اليوم، فأصبح التخزين عاملاً حاسماً في قدرة الأنظمة على التوسع. وكما وصفه تيه: «كان التخزين مثل الهواء أو الماء أساسي، لكنه غير مرئي... إلى أن يغيب». اليوم، لم يعد كذلك، بل أصبح محورياً في بناء القدرات الرقمية.

بالنسبة لقيادة الشركة، يتجاوز هذا التحول حدود التقنية ليطرح سؤالاً أساسياً حول مستقبل الذكاء الاصطناعي. وباعتقاد موسلي أن «السؤال الأهم لهذا العقد ليس مدى سرعة تدريب النماذج، بل مدى قدرة البنية التحتية للبيانات على التوسع بشكل مستدام».

هذا الطرح يعيد توجيه النقاش، حيث إن مستقبل الذكاء الاصطناعي قد لا يعتمد فقط على تطور النماذج، بل على القدرة على إدارة البيانات على نطاق غير مسبوق بكفاءة واستقرار ودون انقطاع. وبهذا المعنى، قد لا يُقاس تقدم الذكاء الاصطناعي بذكائه فقط، بل بالبنية التحتية التي تجعله ممكناً.