رقاقات نيومورفيك تصل إلى المرحلة التجارية — هالا بوينت من إنتل تُعالج 20 كوادريليون عملية لكل واط

ما هي الحوسبة النيومورفيك فعلاً — وما ليست

تُوصف الحوسبة النيومورفيك بشكل غير دقيق في معظم التغطيات، لذا من المهم وضع أساس واضح. الحواسيب التقليدية — CPU وGPU وحتى مسرعات AI مثل TPU من Google — تستخدم بنية فون نيومان: معالج وذاكرة منفصلان، تنتقل البيانات بينهما باستمرار. يُسمى هذا الفصل بين الذاكرة والمعالج "عنق زجاجة فون نيومان" ويستهلك طاقة تتناسب مع نقل البيانات بغض النظر عن تعقيد الحساب نفسه.

الرقاقات النيومورفيك تعيد تصميم ذلك على مستوى السيليكون، مستوحاة من طريقة عمل الشبكات العصبية البيولوجية. بدلاً من الحساب المعتمد على الساعة لمضاعفات المصفوفات الكثيفة، تستخدم المعالجات النيومورفيك حسابًا يعتمد على الأحداث: "العصبونات" الاصطناعية تُنشط بشكل غير متزامن فقط عندما تتلقى إشارات كافية. الذاكرة والمعالجة تتواجدان في نفس البنية الفيزيائية (مثل أوزان التشابك المخزنة عند المشبك، وليس في كتلة ذاكرة منفصلة). النتيجة أن الحساب يستهلك طاقة فقط عند حدوث شيء فعلي — العصبونات الخاملة تستهلك طاقة قريبة من الصفر.

هذه ليست نموذج حوسبة عام. العتاد النيومورفيك لن يقوم بتشغيل قاعدة بياناتك أو عرض رسوميات ثلاثية الأبعاد. ميزاته تتركز في مهام الاستدلال المتناثر في الوقت الفعلي: كشف الشذوذ في تدفقات المستشعرات، معالجة AI على الحافة في أجهزة تعمل بالبطارية، تشغيل الشبكات العصبية النابضة المدربة على بيانات سلاسل زمنية. مكاسب الكفاءة فلكية في تلك السياقات المحددة؛ العتاد عديم الفائدة عملياً في حسابات المصفوفات الكثيفة التي تتفوق فيها GPU.

هالا بوينت: ما بنته إنتل فعلاً

نظام هالا بوينت من إنتل، الذي كشف عنه في مؤتمر Hot Chips في أبريل 2024 ويُسلم الآن للشركاء البحثيين والتجاريين، يتكون من 1,152 رقاقة Loihi 2 نيومورفيك، تحتوي مجتمعة على 1.15 مليار عصبون اصطناعي وحوالي 128 مليار اتصال تشابكي. عدد العصبونات يقارب دماغ ثديي صغير — ليس دماغ الإنسان الذي يضم 86 مليار عصبون، لكنه أكبر بكثير من أي نظام نيومورفيك سابق من حيث المقياس البيولوجي.

الرقم المنشور للأداء — حتى 20 كوادريليون (20 × 10^15) عملية تشابكية في الثانية لكل واط — يحتاج إلى سياق لتفسيره بشكل صحيح. إنتل تقيس على مهام مناسبة للبنية النيومورفيك: أعباء العمل النابضة المتناثرة حيث معظم العصبونات غير نشطة معظم الوقت. في تلك المهام، ميزة الكفاءة مقارنة باستدلال GPU حقيقية وكبيرة، حوالي 2,500–3,000× أفضل كفاءة طاقة من مكافئات GPU من فئة Nvidia A100 في أعباء استدلال متناثر مماثلة. في عمليات المصفوفات الكثيفة، لا يتمتع هالا بوينت بميزة تذكر.

إنتل تشحن هالا بوينت كمجموعة بحثية، وليس منتجًا استهلاكيًا. يتطلب النظام خبرة برمجية كبيرة لبرمجته بفعالية. إطار Lava من إنتل (مفتوح المصدر، قائم على Python) يوفر بيئة التطوير الأساسية، لكن نقل نماذج الشبكات العصبية الحالية إلى صيغة الشبكات النابضة ليس تافهاً ويتطلب معرفة متخصصة بتشفير النبض والديناميكيات الزمنية.

مشهد المنافسين في 2026

إنتل ليست وحدها. IBM Research تعمل على رقاقة NorthPole التي تتبع نهجًا مختلفًا: تضع ذاكرة على الشريحة مباشرة بجانب كل وحدة معالجة لإزالة عنق زجاجة الذاكرة، لكنها لا تستخدم حسابًا نابضًا كاملاً. نشرت IBM نتائج NorthPole في مجلة Science في أكتوبر 2023، وأظهرت كفاءة طاقة أفضل بـ25× من استدلال GPU المماثل في مهام التعرف على الصور. NorthPole غير متوفر تجاريًا بعد لكن IBM تستهدف نشره في مراكز البيانات في الفترة 2026–2027.

رقاقة Akida من BrainChip Holdings هي المنتج النيومورفيك الأكثر توفرًا تجاريًا اليوم. Akida هو معالج نيومورفيك من فئة الإنتاج يُشحن في تطبيقات AI مضمنة — كاميرات أمنية، مستشعرات صناعية، كشف الأحداث الصوتية — حيث استهلاكه فائق الانخفاض للطاقة (عادةً أقل من 1 مليواط للاستدلال) يمكن AI يعمل بالبطارية لا تستطيع حلول GPU الاقتراب منه. أعلنت BrainChip عن إيرادات بلغت 4.2 مليون دولار أسترالي في النصف الثاني من 2025، وهو زخم تجاري متواضع لكنه حقيقي.

Qualcomm كانت هادئة بشأن الاستثمار النيومورفيك لكن قسم الأبحاث نشر أعمالًا في 2024 حول المعالجة المعتمدة على الأحداث لأنظمة SoC الاستشعار من الجيل التالي. بالنظر إلى هيمنة Qualcomm على معالجات الهواتف، أي تكامل نيومورفيكي في شريحة Snapdragon سيمثل أول نشر شامل للتكنولوجيا.

أين النيومورفيك من ميزة قريبة الأجل ملموسة

ثلاث فئات تطبيقات تبرز كفرص حقيقية قريبة الأجل بدلاً من مستقبلات تخمينية.

الاستشعار على الحافة دائم التشغيل: كشف كلمات التنبيه، مراقبة أنماط الاهتزاز في الآلات الصناعية، معالجة بيانات ECG في أجهزة مراقبة القلب — أعباء عمل يجب أن تعمل باستمرار ضمن ميزانيات طاقة محدودة. رقاقة نيومورفيك تستهلك 100 ميكروواط وتعمل لسنوات على بطارية عملة؛ متحكم تقليدي مع مسرع شبكة عصبية يستهلك 10–100× أكثر لاستدلال مكافئ. نشرات Akida من BrainChip في إنترنت الأشياء الصناعي تثبت ذلك بالفعل.

معالجة الإشارات المتناثرة في الوقت الفعلي: رادار، LiDAR، الكاميرات الحدثية (حساسات تُخرج بيانات فقط عند تغير سطوع البكسل، بخلاف كاميرات الإطار التي تُخرج باستمرار). الكاميرات الحدثية والمعالجات النيومورفيك متطابقة معماريًا — كلاهما يعمل على أحداث متناثرة غير متزامنة. شركة Prophesee الفرنسية الناشئة تبيع كاميرات حدثية مع خطوط أنابيب استدلال نيومورفيكية لاستشعار المركبات ذاتية القيادة والتفتيش الصناعي. نظامها يكشف الأشياء بمعدل 10,000 إطار في الثانية المكافئة باستخدام أقل من 30 مليواط.

المحاكاة العلمية على نطاق واسع: أبحاث إنتل الخاصة مع هالا بوينت أظهرت حلولًا مسرعة لمشكلات التحسين (بحث الرسوم البيانية، معادلات المصفوفات المتناثرة) حيث توفر البنية الشبيهة بالدماغ مزايا خوارزمية حقيقية. الجامعة الوطنية الأسترالية استخدمت مجموعات Loihi 2 لمحاكاة ديناميكيات عصبية بسرعة 1,000× من الوقت الفعلي، مما أتاح تجارب حول مرونة الدماغ كانت غير عملية على مجموعات GPU.

فجوة البرمجيات: العائق الحقيقي

العائق الرئيسي لتبني الحوسبة النيومورفيك ليس العتاد — إنه نماذج البرمجة. تدريب الشبكات العصبية التي تعمل بكفاءة على العتاد النيومورفيك يتطلب بنى شبكات عصبية نابضة (SNN)، والتي تختلف بشكل جوهري عن بنى Transformer وCNN التي تهيمن على أبحاث AI الحالية. توجد أدوات تحويل تترجم الشبكات ANN المدربة إلى SNN مع بعض فقدان الدقة، لكن عملية التحويل غير كاملة وغالباً ما تحتاج الشبكات الناتجة إلى Fine-tuning.

إطار Lava من إنتل، وأدوات IBM مفتوحة المصدر، وSDK MetaTF من BrainChip هي بيئات التطوير الأساسية. لم تحقق أي منها الانتشار أو سهولة الاستخدام التي يوفرها PyTorch وTensorFlow للتعلم العميق التقليدي. مجموعة المواهب من المهندسين القادرين على تدريب ونشر SNNs بفعالية صغيرة حقًا — ربما أقل من 1,000 باحث حول العالم لديهم خبرة عملية في الإنتاج.

خلاصات قابلة للتنفيذ

• لفرق الأنظمة المضمنة وإنترنت الأشياء: Akida من BrainChip جاهز للإنتاج اليوم للاستدلال الصوتي والمرئي والحسي دائم التشغيل. قيمه إذا كنت تبني تطبيقات AI تعمل بالبطارية حيث الحلول الحالية مقيدة بالطاقة.
• لفرق البحث والحوسبة عالية الأداء: الوصول إلى نظام هالا بوينت متاح من خلال مجتمع أبحاث النيومورفيك من إنتل. إطار Lava مفتوح المصدر (github.com/lava-nc/lava). إذا كانت أعباء عملك تتضمن مشكلات تحسين متناثرة أو محاكاة SNN في الوقت الفعلي، فالتقييم يستحق الاستثمار الهندسي.
• لمعماري AI المؤسسي: راقب خارطة طريق IBM NorthPole لمراكز البيانات. ميزة كفاءة الطاقة البالغة 25× في مهام الاستدلال يمكن أن تقلل تكاليف الاستدلال بشكل كبير على نطاق واسع عندما يُشحن تجاريًا في 2026–2027.
• لا تخلط النيومورفيك مع كفاءة AI العامة. هذه الرقاقات تحل مشكلات محددة ببراعة وليست بديلاً عن حوسبة GPU في استدلال أو تدريب LLM. طابق البنية مع عبء العمل.