في عصر تتسارع فيه تطورات الذكاء الاصطناعي (AI)، أصبح من الواضح أن هذه الأنظمة تحقق إنجازات مذهلة ولكن على حساب استهلاك طاقة كبير. لذا، تقترح دراسة جديدة مقاييس مبتكرة لفهم كفاءة الذكاء الفيزيائي (Physical Intelligence) من خلال مستويين من الأداء الطاقي.

تقدم الدراسة مقاييس جديدة تسمى "Thermodynamic Epiplexity per Joule" و"Empowerment per Joule". الأولى تشير إلى كمية المعلومات الجديدة التي يجمعها النظام في حالة معينة لكل وحدة طاقة مستهلكة، بينما الثانية تقيس سعة قنوات الاستشعار والتحكم بالنسبة للتكاليف الطاقية المتوقعة خلال فترة زمنية محددة. وهكذا، تنشأ لدينا معلومات غنية حول كيفية تفاعل الأنظمة الذكائية مع بيئاتها المختلفة.

تستند هذه المقاييس إلى مفهوم الديناميكا الحرارية العشوائية، حيث تم تقديم مرجع مغلق لقياس اكتساب الإبيكسية عبر دمج عدم المساواة في التعلم الديناميكي الحراري مع معالجة البيانات. ومن خلال ذلك، يتضح أن الإغلاق الحدودي شرط لازم لتحقيق مكاسب المعلومات، على الرغم من أن المعلومات والتضاؤل داخل الحدود قد لا تكون مرتبطة بشكل وثيق في بعض الحالات.

لذلك، توصي الدراسة باعتماد نماذج بديلة لقياس مقدار الإبيكسية/معدل الضغط، مما يسهل من قياس هذه العلاقات المعقدة في بيئات عملية معينة.

في ختام البحث، تُطرح إطار موحدٍ يضم قائمة مخففة من المعايير للمقارنة النسبية بين المقاييس المذكورة، مُعززا بمثال توضيحي عن نماذج اللغات.

هل تعتقد أن هذه المقاييس ستساعد في تطوير تقنيات الذكاء الاصطناعي بشكل أفضل؟ شاركونا آرائكم في التعليقات.