إطار عمل TREE: كفاءة الطاقة المستجيبة للرموز المميزة للشبكات 6G المتكاملة مع الذكاء الاصطناعي

1. المقدمة والنظرة العامة

يمثل دمج الذكاء الاصطناعي في شبكات الجيل السادس اللاسلكية نقلة نوعية نحو الذكاء المنتشر والاتصال الفائق. كما هو موضح في رؤى IMT-2030، تهدف شبكات الجيل السادس إلى دعم التطبيقات كثيفة النطاق الترددي مثل الواقع المعزز والأنظمة الذاتية ونشر إنترنت الأشياء الضخم، حيث يعمل الذكاء الاصطناعي كمُمكن أساسي. ومع ذلك، فإن هذا التقارب يطرح تحدياً حاسماً: مقاييس كفاءة الطاقة التقليدية، المُعرَّفة عادةً على أنها إنتاجية الشبكة لكل وحدة طاقة ($EE = \frac{Throughput}{Energy}$)، تفشل في التقاط المنفعة والقيمة للمهام الخاصة بالذكاء الاصطناعي، مثل تلك التي تؤديها النماذج اللغوية الكبيرة. تقدم هذه الورقة إطار عمل كفاءة الطاقة المستجيبة للرموز المميزة (TREE)، وهو مقياس جديد مصمم لسد هذه الفجوة من خلال دمج معدل إنتاجية الرموز المميزة لنماذج الذكاء الاصطناعي الكبيرة في حساب منفعة النظام، مما يوفر قياساً أكثر دقة للاستدامة الطاقية لشبكات الجيل السادس المتكاملة مع الذكاء الاصطناعي.

2. إطار عمل TREE

يعيد إطار عمل TREE تعريف كفاءة الطاقة لعصر الذكاء الاصطناعي. إنه يتجاوز مجرد بتات البيانات ليعتبر "الرموز المميزة" الحسابية التي تعالجها نماذج الذكاء الاصطناعي كحاملات المنفعة الأساسية في الشبكة الذكية.

2.1 تعريف المقياس الأساسي

يتم صياغة مقياس TREE الأساسي كنسبة منفعة مهمة الذكاء الاصطناعي الفعالة (المقاسة بالرموز المميزة) إلى إجمالي استهلاك الطاقة في النظام. وهو يقر بأن ليس كل حركة مرور الشبكة تحمل نفس القيمة؛ فمعالجة الرموز المميزة لخدمة الترجمة اللغوية الفورية لها منفعة وتأثيرات طاقية مختلفة عن بث بيانات الفيديو.

2.2 مبادئ التصميم

يحلل الإطار تصميم الشبكة من خلال عدسة ثلاثة عناصر حاسمة للذكاء الاصطناعي:

قوة الحوسبة: موارد الحوسبة الموزعة عبر السحابة والحافة والأجهزة الطرفية.
نماذج الذكاء الاصطناعي: بنية النماذج المُنشأة وحجمها وكفاءتها (مثل النماذج اللغوية الكبيرة، ونماذج الرؤية).
البيانات: حجم البيانات ونوعها وتدفقها المطلوبة لتدريب الذكاء الاصطناعي والاستدلال عليه.

التفاعل بين هذه العناصر يحدد إجمالي قيمة TREE للنظام.

3. التحليل التقني

3.1 الصياغة الرياضية

يمكن التعبير عن مقياس TREE المقترح على النحو التالي: $$\text{TREE} = \frac{\sum_{i \in \mathcal{A}} w_i \cdot U_i(T_i) + \sum_{j \in \mathcal{D}} w_j \cdot R_j}{P_{\text{total}}}$$ حيث:

$\mathcal{A}$ هي مجموعة خدمات الذكاء الاصطناعي و$\mathcal{D}$ هي مجموعة خدمات البيانات التقليدية.
$U_i(T_i)$ هي دالة المنفعة لخدمة الذكاء الاصطناعي $i$، وتعتمد على معدل إنتاجية الرموز المميزة $T_i$.
$R_j$ هو معدل نقل البيانات للخدمة التقليدية $j$.
$w_i, w_j$ هي عوامل ترجيح تعكس أولوية الخدمة.
$P_{\text{total}}$ هو إجمالي استهلاك الطاقة في النظام.

هذه الصياغة تدمج صراحةً منفعة مهمة الذكاء الاصطناعي، متجاوزةً نموذج البت لكل جول التقليدي.

3.2 بنية النظام

تم تصميم TREE لبنية سحابة-حافة-طرف. تشمل الاعتبارات الرئيسية:

تقسيم النموذج والتفويض: تقسيم تنفيذ نموذج الذكاء الاصطناعي ديناميكياً بين الحافة والسحابة بناءً على قيود الطاقة وزمن الوصول لتعظيم TREE.
التعلم الموحد: تمكين تدريب الذكاء الاصطناعي الموزع مع تقليل طاقة نقل البيانات إلى الحد الأدنى، مما يؤثر مباشرة على مقام TREE.
ضغط النموذج التكيفي: استخدام تقنيات مثل التكيف ذو الرتبة المنخفضة (LoRA) لتقليل تكلفة الطاقة الحسابية لضبط النماذج الدقيق على الحافة.

4. النتائج التجريبية ودراسات الحالة

تقدم الورقة دراسات حالة تتحقق من القدرة الفريدة لـ TREE. في سيناريوهات حركة المرور الهجينة التي تخلط مهام استدلال الذكاء الاصطناعي (مثل تحليل الفيديو الفوري) مع تدفقات البيانات التقليدية (مثل تنزيل الملفات)، أثبتت مقاييس كفاءة الطاقة التقليدية عدم كفايتها. فشلت في الكشف عن عدم التماثل بين الطاقة والخدمة بشكل كبير—وهي حالات تستهلك فيها كمية صغيرة من حركة مرور الذكاء الاصطناعي عالية القيمة طاقة غير متناسبة مقارنة بحركة مرور البيانات عالية الحجم ومنخفضة القيمة. نجح TREE في قياس هذا عدم التماثل كمياً، مما وفر لمشغلي الشبكة صورة أوضح عن مكان إنفاق الطاقة مقابل القيمة المُنتَجة. على سبيل المثال، قد يظهر سيناريو أن خدمة 1000 رمز مميز لمساعد قائم على نموذج لغوي كبير تستهلك طاقة تعادل بث 1 جيجابايت من الفيديو، لكنها توفر منفعة مختلفة تماماً، وهو تفاوت لا يمكن لـ TREE وحده التقاطه.

رؤى رئيسية

يكشف TREE عن أوجه القصور الخفية في الشبكات التي تخدم حركة مرور هجينة من الذكاء الاصطناعي والبيانات.
معدل إنتاجية الرموز المميزة هو مقياس للمنفعة أكثر معنى من معدل البت الخام لخدمات الذكاء الاصطناعي.
قد يختلف تخصيص الموارد الأمثل لـ TREE بشكل كبير عن تعظيم كفاءة الطاقة التقليدي.

5. مثال على إطار التحليل

السيناريو: تخدم محطة قاعدة للجيل السادس خدمتين متزامنتين: (1) خدمة استدلال لنموذج لغوي كبير قائم على الحافة لمعالجة استفسارات المدينة الذكية، و (2) تحميل بيانات مستشعرات إنترنت الأشياء في الخلفية.

خطوات تحليل TREE:

تحديد المنافع: تعيين المنفعة $U_1 = \alpha \cdot T_1$ (الرموز المميزة المعالجة) لخدمة النموذج اللغوي الكبير و $U_2 = \beta \cdot R_2$ (البِتات المرفوعة) لخدمة إنترنت الأشياء. تعكس الأوزان $\alpha > \beta$ قيمة أعلى لكل وحدة من خدمة الذكاء الاصطناعي.
قياس الطاقة: مراقبة إجمالي الطاقة $P_{total}$ المستهلكة بواسطة الحوسبة (للنموذج اللغوي الكبير) والاتصالات (لكليهما).
الحساب والمقارنة: حساب TREE = $(\alpha T_1 + \beta R_2) / P_{total}$. مقارنة هذا مع كفاءة الطاقة التقليدية EE = $(R_1 + R_2)/P_{total}$. من المرجح أن يظهر التحليل أن تخصيص المزيد من الموارد لخدمة النموذج اللغوي الكبير يحسن TREE أكثر من كفاءة الطاقة التقليدية، مما يوجه جدولة الموارد بشكل أكثر ذكاءً.

يسمح هذا الإطار للمشغلين بالانتقال من "تقليل الطاقة لكل بت" إلى "تعظيم القيمة (رموز مميزة + بِتات) لكل جول".

6. التحليل النقدي ورؤى الخبراء

الرؤية الأساسية: ورقة TREE لا تقترح مجرد مقياس جديد؛ إنها تتحدى بشكل أساسي حساب الاقتصاد والهندسة للشبكات المستقبلية. إنها تحدد بشكل صحيح أن عرض القيمة للجيل السادس سيهيمن عليه الذكاء الاصطناعي كخدمة، وليس مجرد أنابيب أسرع. إن قياس الكفاءة على أساس البتات يشبه قياس قيمة مكتبة من خلال وزن كتبها—فهذا يفتقد النقطة تماماً. التحول إلى الرموز المميزة هو خطوة ضرورية، وإن كانت ناشئة، نحو شبكة واعية بالمنفعة.

التدفق المنطقي: الحجة سليمة: 1) الذكاء الاصطناعي أساسي لقيمة الجيل السادس. 2) قيمة الذكاء الاصطناعي في الرموز المميزة/المهام، وليس البتات. 3) وبالتالي، فإن المقاييس القديمة (بتات/جول) أصبحت قديمة. 4) لذلك، نحتاج إلى مقياس جديد (رموز مميزة/جول). 5) هذا المقياس الجديد (TREE) يكشف عن مشاكل وتنازلات تحسين جديدة. المنطق مقنع ويعالج نقطة عمياء واضحة في أبحاث الجيل السادس الحالية، التي غالباً ما تعامل الذكاء الاصطناعي على أنه مجرد عبء عمل آخر وليس محركاً للقيمة.

نقاط القوة والضعف: القوة الأساسية هي البصيرة المفاهيمية. المؤلفون ينظرون إلى ما بعد العقبات التقنية الفورية للجيل السادس إلى السبب الجوهري له. العيب، كما هو الحال مع أي مقياس رائد، هو قابلية القياس العملية. كيف نقيس دالة المنفعة $U_i(T_i)$ بشكل قياسي؟ الرمز المميز لـ GPT-4 لا يعادل الرمز المميز لمحول رؤية خفيف الوزن. تحديد والاتفاق على أوزان المنفعة هذه عبر البائعين والخدمات سيكون مستنقعاً سياسياً وتقنياً، يذكرنا بالتحديات في قياس جودة التجربة. علاوة على ذلك، فإن الإطار يعتمد حالياً بشكل كبير على الاستدلال؛ تكلفة الطاقة الهائلة لـ تدريب الذكاء الاصطناعي الموزع في الشبكات، وهو مصدر قلق سلطت عليه الضوء دراسات مثل تلك الصادرة عن مبادرة تأثير CO2 للتعلم الآلي، تحتاج إلى تكامل أعمق في حساب TREE.

رؤى قابلة للتنفيذ: بالنسبة لمشغلي الشبكات وبائعي المعدات، فإن الاستنتاج ملح: ابدأوا في تجهيز شبكاتكم ومنصات الذكاء الاصطناعي لقياس معدل إنتاجية الرموز المميزة وربطها باستهلاك الطاقة على مستوى دقيق. يجب أن تختبر المشاريع التجريبية خوارزميات الجدولة التي يقودها TREE. بالنسبة لهيئات التقييس (3GPP، ITU)، يجب أن يبدأ العمل الآن في تعريف فئات الخدمات القائمة على الرموز المميزة وتوصيف المنفعة، تماماً كما تم تعريف فئات جودة الخدمة للجيلين الرابع والخامس. تجاهل هذا والتمسك بكفاءة الطاقة التقليدية هو طريق أكيد لبناء شبكات فعالة طاقياً ولكنها غير فعالة اقتصادياً لعصر الذكاء الاصطناعي.

7. التطبيقات المستقبلية والاتجاهات

يُمهد إطار عمل TREE الطريق للعديد من التطبيقات المتقدمة واتجاهات البحث:

تقسيم الشبكة الديناميكي: إنشاء شرائح شبكة مُحسَّنة للذكاء الاصطناعي مع مستويات مضمونة من TREE للخدمات المميزة للذكاء الاصطناعي، منفصلة عن شرائح البيانات ذات الجهد الأفضل.
أسواق الذكاء الاصطناعي الخضراء: تمكين التداول الواعي بالطاقة لموارد الحوسبة والاستدلال على حافة الشبكة، حيث تقدم الخدمات عطاءات بناءً على احتياجاتها من المنفعة القائمة على الرموز المميزة.
التصميم المشترك للاتصالات والحوسبة: التصميم المشترك لبروتوكلات الطبقة المادية، وهندسة الشبكات، وهندسة نماذج الذكاء الاصطناعي من الأساس لتعظيم TREE، متجاوزاً النموذج الحالي المتمثل في تكييف الذكاء الاصطناعي مع الشبكات الحالية.
تقييم دورة الحياة: توسيع نطاق TREE لتغطية دورة الحياة الكاملة لخدمات الذكاء الاصطناعي في الشبكة، بما في ذلك تكلفة الطاقة لتدريب النموذج، والتحديثات، وإدارة خط أنابيب البيانات، ودمج مفاهيم من دراسات تحليل دورة الحياة.
توحيد منفعة الرمز المميز: اتجاه مستقبلي رئيسي هو تطوير معايير على مستوى الصناعة لمعايرة "منفعة" مهام الذكاء الاصطناعي المختلفة، على غرار كيفية تعريف برامج ترميز الفيديو لمقاييس الجودة.

8. المراجع

ITU-R. “Framework and overall objectives of the future development of IMT for 2030 and beyond.” ITU-R M.[IMT-2030.FRAMEWORK], 2023.
Zhou, Z., Chen, X., Li, E., Zeng, L., Luo, K., & Zhang, J. (2019). Edge intelligence: Paving the last mile of artificial intelligence with edge computing. Proceedings of the IEEE, 107(8), 1738-1762.
Hu, E. J., et al. (2021). LoRA: Low-Rank Adaptation of Large Language Models. arXiv preprint arXiv:2106.09685.
Lacoste, A., Luccioni, A., Schmidt, V., & Dandres, T. (2019). Quantifying the Carbon Emissions of Machine Learning. arXiv preprint arXiv:1910.09700.
Wang, X., Han, Y., Leung, V. C., Niyato, D., Yan, X., & Chen, X. (2020). Convergence of edge computing and deep learning: A comprehensive survey. IEEE Communications Surveys & Tutorials, 22(2), 869-904.
Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. In Proceedings of the IEEE international conference on computer vision (pp. 2223-2232). (مذكور كمثال لمهمة ذكاء اصطناعي مكثفة حسابياً، ستكون تكلفتها الطاقية في سياق الشبكة أفضل تقييماً بواسطة TREE).