تفيد التقارير أن شركة Apple تجري مناقشات أولية مع PrismML، وهي شركة ناشئة مدعومة من Khosla Ventures، لدمج تقنية متقدمة لضغط النماذج في منظومتها التقنية. تهدف هذه الخطوة إلى جلب الذكاء الاصطناعي المتطور مباشرة إلى جهاز iPhone، مما يسد الفجوة بين قيود الأجهزة المحمولة والمتطلبات الحسابية الهائلة لنماذج اللغات الكبيرة (LLMs) الحديثة.

حل قيود الذكاء الاصطناعي على الجهاز

مع إطلاق Apple لنظام iOS 18 وإعادة تصميم Siri، تواجه الشركة عقبة تقنية كبيرة: تتطلب نماذج الذكاء الاصطناعي عالية الأداء عادةً كميات هائلة من الذاكرة وقوة المعالجة التي تتجاوز قدرات الهواتف الذكية القياسية. ومن خلال دمج تقنية PrismML، تسعى Apple إلى نقل المعالجة من السحابة إلى الجهاز نفسه.

هذا التحول أمر بالغ الأهمية لموقع Apple الاستراتيجي. فالذكاء الاصطناعي على الجهاز يقلل من زمن الاستجابة (latency)، ويخفض تكاليف الحوسبة السحابية الباهظة، ويعزز وعد Apple الأساسي بالخصوصية من خلال ضمان بقاء بيانات المستخدم الحساسة على الهاتف. علاوة على ذلك، فإنه يسمح لميزات الذكاء الاصطناعي الرئيسية بالعمل حتى بدون اتصال نشط بالإنترنت.

كيف تقوم PrismML بتقليص نماذج الذكاء الاصطناعي الضخمة

تستخدم PrismML، التي نشأت من أبحاث في معهد كاليفورنيا للتكنولوجيا (California Institute of Technology)، طريقة متطورة لتبسيط كيفية تخزين القيم الداخلية للنموذج. وبينما قد تعمل الطرق التقليدية على تقليل الأرقام من 16 بت إلى 4 بت، فإن PrismML تذهب إلى أبعد من ذلك، حيث تقلل كل رقم إلى قيمة واحدة أو ثلاث قيم ممكنة فقط.

مكاسب الكفاءة كبيرة. فقد أثبتت PrismML ذلك مؤخرًا من خلال ضغط نموذج Qwen مفتوح المصدر من شركة Alibaba من حجم هائل يبلغ 54 جيجابايت إلى أقل من 4 جيجابايت. يسمح هذا الضغط لجميع المعلمات البالغ عددها 27 مليارًا في النموذج بالعمل على iPhone 15 أو أحدث. ووفقًا للمدير التنفيذي Babak Hassibi، توفر هذه النماذج المضغوطة عدة مزايا في الأداء:

  • كفاءة الذاكرة: تستخدم ذاكرة أقل بما يصل إلى 15 ضعفًا.
  • السرعة: تعمل أسرع بست إلى ثماني مرات.
  • استهلاك الطاقة: تستهلك طاقة أقل بما يصل إلى ست مرات.

بينما أشار Hassibi إلى انخفاض طفيف في الأداء — وتحديدًا فيما يتعلق باسترجاع الحقائق — إلا أن النماذج تحافظ على كفاءة عالية في قدرات الاستنتاج والبرمجة.

التداعيات على أسواق أشباه الموصلات والأجهزة

إن الاعتماد المحتمل لتقنية الضغط هذه من قبل عملاق مثل Apple قد يغير المشهد لمصنعي الأجهزة. حاليًا، يتوقع محللون مثل Morgan Stanley أن تكاليف الذاكرة في Apple قد ترتفع بشكل حاد بحلول السنة المالية 2027 لدعم الذكاء الاصطناعي، مما قد يؤدي إلى ارتفاع أسعار iPhone.

ومع ذلك، إذا أصبحت تقنية PrismML معيارًا، فقد يتم التخفيف من حدة الطلب على وحدات الذاكرة الضخمة في الهواتف الذكية، حتى مع زيادة الحاجة إلى معالجة محلية سريعة وفعالة. ومع توجه PrismML نحو ضغط نماذج رئيسية أخرى مثل Gemma من Google، يظل الهدف واضحًا: جعل الذكاء عالي المستوى محليًا وسريعًا ومتاحًا على أجهزة المستهلكين.

النقاط الرئيسية

  • ضغط هائل: يمكن لـ PrismML تقليص نموذج ذكاء اصطناعي بحجم 54 جيجابايت إلى أقل من 4 جيجابايت، مما يجعله صالحًا للاستخدام على الهواتف الذكية المتطورة مثل iPhone 15.
  • مكاسب الكفاءة: تعد التقنية باستخدام ذاكرة أقل بما يصل إلى 15 ضعفًا واستهلاك طاقة أقل بمقدار 6 مرات، وهو أمر حيوي للحفاظ على عمر البطارية أثناء مهام الذكاء الاصطناعي.
  • الخصوصية والسرعة: سيؤدي نقل الذكاء الاصطناعي من السحابة إلى الجهاز إلى تقليل زمن الاستجابة وتعزيز خصوصية المستخدم، وهو حجر الزاوية في فلسفة منتجات Apple.

المخاطر والأسئلة المفتوحة

نتائج PrismML واعدة ولكنها لا تزال في مراحلها الأولى.

ما يجب مراقبته لاحقًا

  • التأكيد الرسمي: لم تعلن Apple عن شراكة، لذا فإن أي بيان صحفي أو ملاحظة في نسخة iOS 18 beta حول نماذج اللغات الكبيرة (LLMs) على الجهاز ستكون إشارة رئيسية.

الخلاصة: قد تتيح تقنية الضغط من PrismML لأجهزة iPhone استضافة نماذج لغوية كبيرة حقًا دون استنزاف الذاكرة أو نفاد البطارية، مما يوفر تجارب ذكاء اصطناعي أسرع وأكثر خصوصية.