A Picture is Worth a Thousand Tokens: How Vision Language Models Cut AI Energy Costs While Improving Accuracy
تُثبت هذه الورقة أن تحويل البيانات الزمنية الرقمية إلى مخططات بصرية ثنائية الأبعاد لنماذج الرؤية واللغة يقلل بشكل كبير من تكاليف طاقة الاستدلال للذكاء الاصطناعي ومتطلبات نافذة السياق، مع تحقيق دقة فائقة في كشف الشذوذ في الوقت ذاته مقارنة بالنماذج اللغوية الكبيرة التقليدية القائمة على النصوص والأساليب الإحصائية المرجعية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت فائق الذكاء كيفية اكتشاف إطار سيارة فارغ من خلال النظر إلى قائمة طويلة من الأرقام. الروبوت هو "نموذج لغوي كبير" (LLM)، وهو نوع من الذكاء الاصطناي الذي يقرأ الكلمات والجمل عادةً. لكن هنا تكمن المشكلة: عندما تغذيه بأرقام خام، يتعين عليه قراءة كل رقم كأنه كلمة منفصلة. قائمة مكونة من 381 رقماً قد تتحول إلى 50,000 "توكن" (وحدة بيانات أساسية يفهمها الروبوت). الأمر يشبه محاولة وصف غروب شمس جميل عبر قراءة كود اللون لكل بكسل على حدة واحدة تلو الأخرى. هذه العملية بطيئة للغاية، وتستهلك كمية هائلة من الكهرباء، وغالباً ما تربك الروبوت لأن الأرقام لا تحكي قصة واضحة.
الآن، تخيل بدلاً من قراءة القائمة، أنك تعرض على الروبوت صورة للبيانات — رسم بياني خطي بسيط. فجأة، يرى الروبوت الصورة بأكملها دفعة واحدة. يمكنه رصد ارتفاع مفاجئ أو انخفاض فوراً، تماماً كما يفعل البشر. هذه هي قوة "نماذج الرؤية واللغة" (VLMs). إنها أنظمة ذكاء اصطناعي يمكنها "رؤية" الصور و"قراءة" النصوص في وقت واحد. السؤال الكبير الذي يطرحه العلماء هو: هل يستحق الأمر الجهد الإضافي لتحويل الأرقام إلى صور؟ هل يؤدي عرض الرسم البياني إلى توفير الطاقة وجعل الذكاء الاصطناعي أكثر ذكاءً، أم أنه مجرد خدعة براقة؟ يبحث هذا البحث في هذا السؤال، وتحديداً في كيفية مراقبة الأنظمة المعقدة مثل شبكات الهواتف المحمولة، حيث تعتبر تكاليف الطاقة والسرعة أمراً بالغ الأهمية.
الصورة تغني عن ألف توكن (وكمية كبيرة من الطاقة)
في عالم شبكات الاتصالات، تسوء الأمور طوال الوقت. قد يتوقف برج اتصالات عن العمل فجأة، أو قد تنخفض سرعات البيانات بشكل حاد. لالتقاط هذه المشكلات، يقوم المهندسون بمراقبة "مؤشرات الأداء الرئيسية" (KPIs) — وهي ببساطة مجموعة من الأرقام التي تتبع أداء الشبكة. تقليدياً، يقومون بتغذية هذه الأرقام في نماذج الذكاء الاصطناعي للعثور على مواضع الخلل. ولكن كما اكتشف مؤلفو هذا البحث، فإن تغذية الذكاء الاصطناعي النصي القياسي بالأرقام الخام يشبه محاولة الشرب من خرطوم حريق: إنه أمر فوضوي، ومبدد للموارد، وأحياناً مستحيل.
المشكلة: انفجار "التوكنز"
عندما يقرأ الذكاء الاصطناعي القياسي قائمة من الأرقام، فإنه يجزئها إلى قطع صغيرة تسمى "توكنز". وجد المؤلفون أن نافذة بيانات متواضعة من 8 مقاييس شبكة مختلفة فقط يمكن أن تنفجر لتصبح ما بين 46,101 و 59,803 توكن. هذا قدر هائل من البيانات التي يتعين على الذكاء الاصطناعي معالجتها. ولأن الطاقة التي يستهلكها الذكاء الاصطناعي تتناسب طردياً مع عدد التوكنز التي يقرؤها، فإن هذه الطريقة مكلفة للغاية. الأمر يشبه دفع ثمن شاحنة توصيل لنقل حبة رمل واحدة لأنك أصررت على تغليف تلك الحبة بمليون صندوق منفصل.
علاوة على ذلك، عند وجود 24 مقياساً مختلفاً، تصبح قائمة الأرقام طويلة جداً لدرجة أنها تتجاوز حدود الذاكرة لمعظم نماذج الذكاء الاصطناعي الحالية. إنها ببساطة أكبر من أن تستوعبها ذاكرة الروبوت في وقت واحد، مما يضطر المهندسين إلى قطع البيانات وبالتالي قد يفوتهم رصد المشكلة.
الحل: تحويل الأرقام إلى فن
جرب المؤلفون نهجاً مختلفاً: توقفوا عن تغذية الذكاء الاصطناعي بالأرقام الخام وبدأوا بتغذيته بالصور. لقد أخذوا نفس البيانات وحولوها إلى رسوم بيانية خطية ثنائية الأبعاد (مخططات بصرية). وبدلاً من قراءة 50,000 توكن، كان على الذكاء الاصطناعي فقط النظر إلى بضعة آلاف من "التوكنز البصرية" التي تمثل الصورة.
كانت النتائج جيدة بشكل مذهل. من خلال الانتقال إلى الصور، حقق الفريق انخفاضاً هائلاً في كمية البيانات التي يتعين على الذكاء الاصطناعي معالجتها:
- تم استخدام عدد أقل من التوكنز بمعدل 3.6 إلى 10.4 مرة، اعتماداً على نموذج الذكاء الاصطناعي المستخدم.
- ترجم هذا إلى استهلاك طاقة أقل بمعدل 1.8 إلى 2.5 مرة لكل عملية فحص.
لتضع ذلك في الاعتبار، بالنسبة لشبكة اتصالات تراقب 200 موقع خلوي كل 15 دقيقة، يوفر هذا التحول حوالي 7.2 ميجاجول (MJ) من الطاقة كل يوم واحد. وهذا يعادل تقريباً كمية الكهرباء التي يستهلكها منزل أمريكي متوسط في اليوم، تم توفيرها فقط عبر تغيير طريقة عرض البيانات للكمبيوتر.
الأمر لا يتعلق فقط بتوفير الطاقة؛ بل يتعلق بالذكاء أيضاً
إليك الجزء الأكثر إثارة للدهشة: لم يعني توفير الطاقة أن الذكاء الاصطناعي أصبح أقل ذكاءً. في الواقع، لقد أصبح أفضل.
- عندما نظر الذكاء الاصطناعي إلى الصور، كان أكثر دقة في رصد مشكلات الشبكة بنسبة 220.7% مقارنة بقراءته للنصوص.
- تفوق على الأدوات الرياضية المتخصصة القديمة (مثل LSTM و ARIMA) بنسبة تزيد عن 144%.
- في الاختبارات العامة، أصبح أحد النماذج (Pixtral-12B) أكثر كفاءة بـ 20.6 مرة في العثور على المشكلات عند استخدام الصور بدلاً من النصوص.
لماذا يحدث هذا؟ يقترح المؤلفون أنه عندما تكون البيانات عبارة عن قائمة من الأرقام، يتعين على الذكاء الاصطناعي القيام بكل العمل لربط النقاط ببعضها. ولكن عندما تكون صورة، فإن "شكل" المشكلة (مثل الارتفاع المفاجئ أو الانخفاض البطيء) يكون حاضراً أمام عينيه مباشرة. يمكن للذكاء الاصطناعي رؤية النمط فوراً، تماماً كما يمكنك رؤية إطار مسطح في سيارة دون الحاجة إلى قياس ضغط الهواء في كل بوصة من المطاط.
التفاصيل الدقيقة: كيف اختبروا ذلك؟
لم يكتف الباحثون بالتخمين؛ بل قاموا بقياس كل شيء بعناية. اختبروا ثلاثة أنواع مختلفة من نماذج الذكاء الاصطناعي المتقدمة (Llama-3.2-90B، و Qwen2.5-VL-72B، و Pixtral-12B) باستخدام بيانات حقيقية من شبكة 4G/5G حية وبيانات سحابية عامة. استخدموا أدوات خاصة لقياس كمية الكهرباء التي استهلكتها شرائح الكمبيوتر بالضبط لكل سؤال أجاب عليه الذكاء الاصطناعي.
كما اختبروا ما إذا كان تصغير حجم الصور (دقة أقل) سيوفر المزيد من الطاقة. ووجدوا أنه يمكنهم تقليص الصور إلى 75 DPI (نقطة في البوصة) مع الحفاظ على نفس الدقة، مما وفر 24% إضافية من الطاقة. هذا خبر رائع لـ "حوسبة الحافة" (Edge Computing)، حيث يعمل الذكاء الاصطناعي على أجهزة كمبيوتر أصغر وأقل قوة بجوار أبراج الاتصالات مباشرة، حيث تفرض تلك الأجهزة قيوداً صارمة على كمية الحرارة والطاقة التي يمكنها التعامل معها.
الخلاصة
يثبت هذا البحث أنه بالنسبة لأنواع معينة من البيانات — وتحديداً تدفقات الأرقام عبر الزمن — فإن تحويلها إلى صور يعد تغييراً جذرياً لقواعد اللعبة. إنه ليس مجرد خدعة بصرية رائعة؛ بل هو حل هندسي عملي. من خلال استخدام نماذج الرؤية واللغة، يمكننا جعل أنظمة الذكاء الاصطناعي أسرع، وتستهلك كهرباء أقل بكثير، وتكون في الواقع أفضل في العثور على الأخطاء من الأنظمة القائمة على النصوص التي كنا نستخدمها لسنوات.
بالنسبة لمستقبل التكنولوجيا، وخاصة في أماكن مثل أبراج الاتصالات حيث الطاقة ثمينة والمساحة محدودة، يشير هذا إلى أن أفضل طريقة للتحدث مع الكمبيوتر قد لا تكون بالكلمات أو الأرقام على الإطلاق، بل بصورة بسيطة وواضحة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.