ما الذكاء الاصطناعي للحافة؟

وفي جوهره، يجمع الذكاء الاصطناعي على الحافة بين حوسبة الحافة والذكاء الاصطناعي لأداء مهام التعلم الآلي (ML) مباشرة على أجهزة الحافة المترابطة.

وتسمح حوسبة الحافة بتخزين البيانات بالقرب من الجهاز، بينما تتيح الخوارزميات المدعومة بالذكاء الاصطناعي إجراء المعالجة عند حافة الشبكة، سواء توفر اتصال بالإنترنت أم لا. وتسهل هذه الميزة معالجة البيانات في غضون أجزاء من الثانية، مما يوفر تعليقات فورية.

وتعد السيارات ذاتية القيادة، والأجهزة القابلة للارتداء، وكاميرات المراقبة، والأجهزة المنزلية الذكية، والروبوتات المتقدمة من بين التقنيات التي تستخدم قدرات الذكاء الاصطناعي على الحافة لتزويد المستخدمين بمعلومات في الوقت الفعلي. كما تعتمد أنظمة الذكاء الاصطناعي الوكيل على الذكاء الاصطناعي على الحافة لاتخاذ الإجراءات والاستجابة الفورية، دون الحاجة إلى إرسال البيانات إلى السحابة لتحليلها.

ويؤدي الطلب المتزايد على المعالجة الفورية للبيانات، إلى جانب التطورات في خوارزميات الذكاء الاصطناعي والتعلم الآلي، إلى زيادة اعتماد الذكاء الاصطناعي على الحافة في بيئات المؤسسات. وفي عام 2025، قدرت شركة Grand View Research قيمة سوق الذكاء الاصطناعي على الحافة العالمي بنحو 24,91 مليار دولار أمريكي. وتتوقع الشركة أن يصل حجم السوق إلى 118,69 مليار دولار أمريكي بحلول عام 2033، بمعدل نمو سنوي مركب (CAGR) يبلغ 21,7% خلال الفترة من 2026 إلى 2033.¹

وتعمل المؤسسات على تطبيق الذكاء الاصطناعي على الحافة لتحسين مهام سير العمل، وأتمتة العمليات التجارية، وتعزيز الابتكار. وبالتوازي مع ذلك، يساعد الذكاء الاصطناعي على الحافة في توفير زمن انتقال قصير، وأمان معزز، وخفض التكاليف.

ويستخدم الذكاء الاصطناعي على الحافة الشبكات العصبية وأطر التعلم العميق لتدريب النماذج على التعرف على الأشياء وتصنيفها ووصفها بدقة. وعادة ما تتم عملية التدريب هذه في مركز بيانات مركزي أو في السحابة لمعالجة الحجم الهائل من البيانات المطلوبة لتدريب النماذج.

وبعد نشرها، تتحسن نماذج الذكاء الاصطناعي على الحافة بمرور الوقت. فعلى سبيل المثال، عندما يواجه الذكاء الاصطناعي مشكلة ما، يتم نقل البيانات إلى السحابة لإجراء مزيد من التدريب على نموذج الذكاء الاصطناعي الأولي، والذي يحل في النهاية محل محرك استدلال الذكاء الاصطناعي على الحافة.

كما يساهم التقدم المحرز في النماذج اللغوية الصغيرة (SLMs) — وهي نماذج أكثر إيجازًا وكفاءة من النماذج اللغوية الكبيرة (LLMs) — بالإضافة إلى الاستخدام المتزايد للذكاء الاصطناعي التوليدي، في توسيع نطاق المهام التي يمكن لأجهزة الحافة تنفيذها محليًا. فهي تتيح إجراء المزيد من عمليات المعالجة على الجهاز نفسه دون الاعتماد على السحابة.

وتتمثل العناصر الأساسية للذكاء الاصطناعي على الحافة فيما يلي:

• أجهزة الحافة/العُقد: وتشمل آلات إنترنت الأشياء (IoT) الصناعية، وأجهزة استشعار إنترنت الأشياء (IoT)، والكاميرات الذكية التي تعمل على رصد البيانات وجمعها.

• بوابة الحافة: وهي جهاز توجيه (router) أو خادم أو أي جهاز شبكي آخر يتوسط أجهزة الحافة والسحابة أو مركز البيانات المركزي.

• خوادم الحافة: وهي أجهزة كمبيوتر متخصصة أو مجموعات من أجهزة الكمبيوتر الموجودة على الحافة، وتتولى مهام المعالجة والتخزين والشبكات والأمان، بالإضافة إلى موارد الحوسبة الأخرى.

• معالجات الحافة ومسرعات الذكاء الاصطناعي: وتتضمن أجهزة متخصصة مثل وحدات المعالجة العصبية (NPUs) ووحدات معالجة الرسوميات (GPUs). تعمل هذه العناصر الرئيسية للبنية التحتية للذكاء الاصطناعي على تحسين عمليات استدلال الذكاء الاصطناعي على الحافة، مما يوفر قدرات حسابية عالية مع استهلاك منخفض للطاقة. كما تستخدم مسرعات الذكاء الاصطناعي إمكانيات المعالجة المتوازية التي تتيح لها إجراء مليارات العمليات الحسابية في وقت واحد. وتقدم كل من NVIDIA وIBM وغيرها من الشركات التقنية الكبرى حلولاً للذكاء الاصطناعي على الحافة مصممة خصيصًا لعمليات الاستدلال المحلي.

• تُعد نماذج التعلم الآلي نماذج تتيح صناعة القرار في الوقت الفعلي على الحافة، من خلال التعامل مع البيانات مباشرة في مصدرها. ومن الأمثلة الواقعية على ذلك، قدرة خوارزميات الذكاء الاصطناعي (التي غالبًا ما تكون مدربة مسبقًا في السحابة) على المساعدة في اكتشاف الأعطال في صالات الإنتاج بالمصانع، مما يسمح بإجراء الإصلاحات فورًا.

لا يعمل الذكاء الاصطناعي على الحافة بمعزل عن غيره، بل يعمل بالتناغم مع الذكاء الاصطناعي الموزع والحوسبة السحابية؛ إذ يُعد فهم طبيعة العلاقة بين هذه العناصر الثلاثة أمرًا أساسيًا لاتخاذ قرارات النشر الصحيحة.

ويتيح الذكاء الاصطناعي على الحافة صناعة القرار في الموقع، مما يغني عن الحاجة لنقل البيانات باستمرار إلى موقع مركزي وانتظار معالجتها، وهو ما يساهم في تبسيط أتمتة العمليات التجارية.

يواجه توسيع نطاق الذكاء الاصطناعي عبر مواقع وتطبيقات متعددة تحديات متنوعة، مثل جاذبية البيانات، وقيود الموارد، وتنوع الأنظمة. وهنا يأتي دور الذكاء الاصطناعي الموزع (DAI)، وهو نهج يعتمد على توزيع أعباء العمل لمهام الذكاء الاصطناعي واسعة النطاق عبر أجهزة أو معالجات متعددة.

ويساعد الذكاء الاصطناعي الموزع في تجاوز عقبات التوسع على الحافة من خلال دمج عمليات جمع البيانات الذكية، وأتمتة دورات حياة البيانات والذكاء الاصطناعي، وتحسين خطوط الإنتاج الخاصة بهما.

ومن الناحية العملية، يعمل كل من الذكاء الاصطناعي على الحافة والذكاء الاصطناعي الموزع معاً؛ حيث يتولى الأول عمليات المعالجة الفورية على الأجهزة المحلية، بينما يقوم الثاني بتنسيق وتوسيع أعباء العمل عبر مواقع عديدة.

وبينما تُستخدم الحوسبة السحابية وواجهات برمجة التطبيقات (APIs) بشكل شائع لتدريب ونشر نماذج التعلم الآلي، فإن الذكاء الاصطناعي على الحافة ينقل هذه المهام (مثل التحليلات التنبؤية، والتعرف على الكلام، واكتشاف الشذوذ) لتتم بالقرب من المستخدم على أجهزة إنترنت الأشياء بدلاً من مراكز البيانات البعيدة أو السحابة.

ويُعد الذكاء الاصطناعي على الحافة الخيار الأمثل عند الحاجة إلى التنبؤ ومعالجة البيانات في الوقت الفعلي، كما هو الحال في تقنيات المركبات ذاتية القيادة. فلتأمين الملاحة وتجنب المخاطر، يجب على هذه المركبات رصد الاستجابة بسرعة لعوامل مثل إشارات المرور والمشاة وتغيير المسارات. بالإضافة إلى ذلك، يجب أن تأخذ في الاعتبار المشاة والحواجز والعديد من المتغيرات الأخرى.

ومن خلال إجراء المعالجة المحلية داخل المركبة، يقلل الذكاء الاصطناعي على الحافة من مخاطر مشكلات الاتصال التي قد تنتج عن إرسال البيانات إلى خادم بعيد.

في المقابل، يشير الذكاء الاصطناعي السحابي إلى نشر الخوارزميات والنماذج على خوادم السحابة، فتوفر هذه الطريقة قدرات تخزين متزايدة للبيانات وقوة المعالجة، ما يسهل التدريب ونشر نماذج الذكاء الاصطناعي الأكثر تقدمًا. تخزين البيانات.

وعند الجمع بينهما، يكمل كل منهما الآخر؛ فعلى سبيل المثال، يمكن إرسال بيانات تفضيلات العملاء إلى السحابة لتحليلها، بينما تتم معالجة استفسارات العملاء الفورية مباشرة عند مصدر البيانات على الحافة.

لمعرفة المزيد عن كيفية مقارنة الذكاء الاصطناعي للحافة والذكاء الاصطناعي للسحابة، اطلع على "مقارنة بين الذكاء الاصطناعي على الحافة والذكاء الاصطناعي على السحابة؟"

مع تزايد أهمية الذكاء الاصطناعي في أعمال المؤسسات، يبرز الذكاء الاصطناعي على الحافة كعنصر جوهري في كيفية بناء المؤسسات لبنيتها التحتية الشاملة للذكاء الاصطناعي وتوسيع نطاقها. كشفت دراسة أجراها معهد IBM Institute for Business Value عام 2026 أن 79% من المديرين التنفيذيين يتوقعون أن يسهم الذكاء الاصطناعي إسهامًا كبيرًا في زيادة الإيرادات بحلول عام 2030.

تتضمن الفوائد الأساسية للذكاء الاصطناعي على الحافة الفوائد التالية:

• انخفاض زمن الانتقال: بفضل المعالجة الكاملة على الجهاز، يحصل المستخدمون على استجابات أسرع، دون الحاجة إلى إرسال البيانات إلى خادم بعيد وإعادتها.

• توفير النطاق الترددي: يعالج الذكاء الاصطناعي على الحافة البيانات محليًا، مما يقلل حجم البيانات المنقولة عبر الإنترنت ويتيح تحرير النطاق الترددي. يتيح هذا الانخفاض للشبكة التعامل مع مزيد من حركة البيانات في آنٍ واحد.

• التحليلات في الوقت الفعلي: يمكن للمستخدمين إجراء معالجة البيانات في الوقت الفعلي على الأجهزة دون الحاجة إلى اتصال بالنظام أو تكامله. تُمكّنهم هذه القدرة من اتخاذ قرارات أسرع عبر تحليل البيانات في مكان إنتاجها.

• خصوصية البيانات وأمنها: يعزز الذكاء الاصطناعي على الحافة الخصوصية لأن البيانات لا تُنقل إلى شبكة أخرى، حيث تصبح عرضة للهجمات الإلكترونية.من خلال معالجة المعلومات محليًا على الجهاز، يقلل الذكاء الاصطناعي على الحافة من مخاطر إساءة التعامل مع البيانات الحساسة. علاوة على ذلك، بالنسبة للقطاعات الخاضعة للوائح سيادة البيانات، تساعد أنظمة الذكاء الاصطناعي على الحافة في الحفاظ على الامتثال عبر معالجة المعلومات الحساسة وتخزينها محليًا ضمن النطاقات القضائية المحددة.

• أتمتة مُحسَّنة: يؤتمت الذكاء الاصطناعي على الحافة تحليلات البيانات في الموقع، مما يلغي الحاجة إلى الإشراف البشري المستمر. وتُعد هذه الميزة عنصرًا أساسيًا في تطبيقات مثل الأتمتة الصناعية والمراقبة عن بُعد، التي تدعم التصنيع الحديث والتشغيل الآلي.

• المرونة التشغيلية: في بيئات الذكاء الاصطناعي على الحافة، تعالج الأجهزة البيانات محليًا، مما يسمح باستمرار العمليات حتى عند تعطل الشبكة أو عدم استقرارها.

• قابلية التوسع: يساعد الذكاء الاصطناعي على الحافة المؤسسات على توسيع نطاق أحمال تشغيل الذكاء الاصطناعي عبر الجمع بين المنصات القائمة على السحابة والأجهزة المدمجة بالذكاء الاصطناعي. يُسهّل هذا النهج إضافة الأجهزة وتوسيع العمليات دون تعطيل الشبكة. وحتى عند تعطل أجزاء من الشبكة، يمكن لأجهزة الحافة المحلية أن تستمر في العمل بشكل مستقل.

• تقليل التكاليف: قد تكون خدمات الذكاء الاصطناعي القائمة على السحابة مكلفة، لا سيما لأحمال التشغيل التي تتطلب قدرة حوسبية عالية ومستمرة. ويوفر الذكاء الاصطناعي على الحافة خيار استخدام موارد السحابة كمستودع لتخزين ومعالجة البيانات التي لا تتطلب إجراءً فوريًا. ويُخفف هذا الانخفاض من أحمال التشغيل على أجهزة الكمبيوتر والشبكات السحابية.

• انخفاض استهلاك الطاقة: من خلال تصفية البيانات ومعالجتها محليًا على أجهزة مثل أجهزة الاستشعار والكاميرات، يوفر الذكاء الاصطناعي على الحافة بيئةً موفرة للطاقة مقارنةً بنقل جميع البيانات إلى السحابة.

تشمل الأمثلة اليومية على الذكاء الاصطناعي على الحافة الهواتف الذكية، وتحديثات حركة المرور الفورية على المركبات ذاتية القيادة، والأجهزة المتصلة، والأجهزة الذكية. تعتمد مختلف الصناعات على تطبيقات الذكاء الاصطناعي على الحافة وعمليات نشره لخفض التكاليف، ودعم أتمتة تكنولوجيا المعلومات، واتخاذ قرارات سريعة، وتحسين العمليات.

وتسلط هذه الأمثلة الضوء على العديد من حالات الاستخدام الخاصة بقطاعات محددة.

يستخدم مقدمو الرعاية الصحية الذكاء الاصطناعي على الحافة والأجهزة المتطورة لإنشاء أنظمة رعاية صحية أكثر ذكاءً، مع حماية خصوصية المرضى وتقليل أوقات الاستجابة.

فباستخدام نماذج الذكاء الاصطناعي المدمجة محليًا، تقيّم أجهزة مراقبة الصحة القابلة للارتداء مقاييس مثل معدل ضربات القلب وضغط الدم ومستويات الجلوكوز والتنفس.ويمكن لهذه الأجهزة القابلة للارتداء المعتمدة على الذكاء الاصطناعي على الحافة أيضًا اكتشاف حالات سقوط المريض المفاجئ وتنبيه مقدمي الرعاية، وهي ميزة متوفرة بالفعل في الساعات الذكية الشائعة بالأسواق.

يساعد دمج الذكاء الاصطناعي على الحافة أيضًا في تسهيل التبادل الفوري للمعلومات الصحية الحيوية. فمن خلال تزويد مركبات الطوارئ الصحية بقدرات معالجة سريعة للبيانات، يستطيع المسعفون استخلاص رؤى من أجهزة مراقبة الصحة والتشاور مع الأطباء لتحديد استراتيجيات فعالة لاستقرار حالة المرضى. وفي الوقت نفسه، يمكن لموظفي غرفة الطوارئ الاستعداد لتلبية احتياجات الرعاية الخاصة بكل مريض.

يستخدم المصنعون تقنية الذكاء الاصطناعي على الحافة لتحسين عمليات التصنيع وزيادة الكفاءة وتحسين الإنتاجية. إذ يمكن لبيانات أجهزة الاستشعار تحديد الحالات الشاذة والتنبؤ بأعطال الآلات، وهو ما يُعرف بالصيانة التنبؤية، مما ينبه الإدارة إلى الإصلاحات العاجلة قبل حدوث توقف التشغيل. تساهم هذه العملية في تسريع حل المشكلات والحد من فترات التعطّل التشغيلي.

ويمتد نطاق استخدام الذكاء الاصطناعي على الحافة ليشمل مجالات تصنيع أخرى، مثل مراقبة الجودة، وسلامة العمال، وتحسين الإنتاجية، وتحليلات سلسلة التوريد، وتحسين كفاءة أرضية المصنع.

وفي قطاعي البيع بالتجزئة التقليدي والتجارة الإلكترونية، تعمل تقنيات مثل عربات التسوق الذكية المزودة بأجهزة استشعار وأنظمة الدفع المؤتمتة على معالجة المعاملات والتعرف على السلع فورًا. وتعتمد هذه الحلول جميعها على تقنية الذكاء الاصطناعي على الحافة للارتقاء بتجربة العملاء بوجه عام.

شهد سوق الأجهزة المنزلية انتشارًا واسعًا للأجهزة الذكية، مثل أجراس الأبواب، وأجهزة تنظيم الحرارة، والثلاجات، وأنظمة الترفيه، والمصابيح التي يتم التحكم فيها عن بُعد. وتضم هذه المنازل الذكية أنظمة بنائية من الأجهزة التي تستخدم الذكاء الاصطناعي على الحافة لتحسين جودة حياة السكان.

وسواء كان الساكن بحاجة إلى التعرف على شخص ما عند الباب أو التحكم في درجة حرارة المنزل عبر جهازه، تتيح تقنية الذكاء الاصطناعي على الحافة معالجة البيانات بسرعة في الموقع. وتلغي هذه الاستراتيجية الحاجة إلى نقل المعلومات إلى خادم بعيد مركزي، مما يساعد في الحفاظ على خصوصية السكان ويقلل من مخاطر الوصول غير المصرح به إلى البيانات الشخصية.

وتُعد السرعة عاملًا حاسمًا في تحليلات الفيديو الأمنية في المنازل وبيئات الأعمال والمدن الذكية. وتقوم العديد من أنظمة رؤية الكمبيوتر بنقل الصور ومقاطع الفيديو الملتقطة إلى جهاز سحابي بدلًا من معالجتها محليًا، مما يتسبب في مشكلات تتعلق بزمن الانتقال تؤدي إلى إبطاء أوقات الاستجابة.

ويمكن لقدرات رؤية الكمبيوتر واكتشاف الأجسام الخاصة بالذكاء الاصطناعي على الحافة في أجهزة الأمن الذكية تحديد الأنشطة المشبوهة، وإرسال إشعارات فورية للمستخدمين وتفعيل الإنذارات، مما يساهم في تعزيز أمان المنازل والشركات والأماكن العامة.