تعد شبكة 6G الأصلية المعتمدة على الذكاء الاصطناعي (AI-native) رؤية تصميمية تُعامل فيها أنظمة التعلم كأجزاء أساسية من الاتصالات وعمليات الشبكة، بدلاً من كونها أدوات اختيارية تُضاف بعد بناء الشبكة. لا يشير هذا المصطلح إلى بنية نهائية واحدة، ولا ينبغي استخدامه كدليل على أن كل قرار راديوي مستقبلي سيتم اتخاذه بواسطة نموذج غامض.
من الذكاء الاصطناعي المساعد إلى الذكاء الاصطناعي الأصلي
تستخدم شبكات الهاتف المحمول بالفعل التحليلات وتعلم الآلة؛ حيث يقوم المشغلون بالتنبؤ بالطلب، وكشف الشذوذ، وتحسين المعايير، وأتمتة الصيانة. كما تستخدم الأجهزة نماذج تعلم للتصوير الفوتوغرافي والكلام والمهام المتعلقة بالراديو. وتعتبر هذه الاستخدامات "مساعدة بالذكاء الاصطناعي": فهي تحسن وظائف مختارة ضمن بنية قائمة.
أما مقترحات الذكاء الاصطناعي الأصلي (AI-native) فتطرح سؤالاً أعمق: إذا كان التعلم سيؤثر على طبقات عديدة، فهل يجب أن توفر الشبكة البيانات، وإدارة دورة الحياة، وواجهات النماذج، وموارد الحوسبة، وآليات الضمان منذ البداية؟ هل يمكن تعلم وظائف راديوية مختارة بشكل مشترك بدلاً من تصميمها كخوارزميات ثابتة؟ هل يمكن للنظام التكيف بسرعة أكبر مع البيئة وحركة المرور وأهداف التطبيق؟
لا يوجد حد فاصل واحد تصبح عنده الشبكة "أصلية الذكاء الاصطناعي". وبدلاً من الاعتماد على المسمى وحده، فإن الوصف المفيد هو الذي يحدد الوظيفة، وعملية التدريب، وموقع الاستنتاج، والبيانات، وسلوك التراجع (fallback).
الأدوار المحتملة في الواجهة الراديوية
يدرس الباحثون تعلم الآلة لتقدير القنوات، وإدارة الشعاع، وتحديد المواقع، والترميز، وتحسين شكل الموجة، وجدولة الموارد. ويقوم بعض العمل باستبدال مكون محدود؛ بينما ينظر عمل آخر في اتصالات متعلمة من الطرف إلى الطرف (end-to-end) بموجب هدف محدد.
يمكن للمكون المتعلم أن يؤدي أداءً جيداً في الظروف الممثلة في بيانات التدريب والتقييم الخاصة به. وبما أن البيئات اللاسلكية متنوعة، فإن المتانة خارج تلك الظروف تمثل مشكلة مركزية. فالتنقل، وأجهزة المستخدم الجديدة، والتداخل غير المعتاد، والمدخلات المعادية يمكن أن تغير توزيع البيانات.
يجب أن تحدد المعايير أين ينتهي التوافق التشغيلي وأين تبدأ حرية التنفيذ. يمكن لموردين اثنين تحقيق التوافق التشغيلي عندما تكون الواجهات والسلوك محددين، حتى لو اختلفت الخوارزميات الداخلية. أما النموذج الذي يؤثر على سلوك الإرسال فقد يتطلب قيوداً أوضح، أو إجراءات اختبار، أو تمثيلات مشتركة.
عمليات الشبكة والأتمتة
يمكن للذكاء الاصطناعي مساعدة الشبكات في التنبؤ بالازدحام، وتخصيص الموارد، وتحديد الأعطال، وتحسين الطاقة، وتنسيق نطاقات راديوية أو حوسبية متعددة. وتجمع أقوى الحالات التشغيلية بين مخرجات النموذج والسياسات، وقابلية الملاحظة، والتحكم البشري.
تكتسب الأتمتة قيمة لأن الأنظمة المستقبلية قد تحتوي على نطاقات وعقد ومتطلبات خدمة ومواقع حوسبة أكثر مما يمكن لفريق عمل ضبطه يدوياً. ولكن التعقيد المؤتمت يمكن أن يؤدي أيضاً إلى انتشار الإخفاقات بشكل أسرع. لذا يحتاج المشغلون إلى حدود، وإمكانية تراجع، ومراقبة، وطرق لتفسير سبب اتخاذ إجراء عالي التأثير.
دقة النموذج ليست المقياس الوحيد؛ إذ يجب أن يشمل التقييم الهندسي تأخير الاستنتاج، وتكلفة الحوسبة، واستهلاك الطاقة، وتكرار التحديثات، وعواقب الأخطاء.
الذكاء الاصطناعي للاتصالات والاتصالات للذكاء الاصطناعي
يتضمن إطار عمل IMT-2030 الخاص بالاتحاد الدولي للاتصالات (ITU) "الذكاء الاصطناعي والاتصالات" كسيناريو استخدام. ويمكن أن تغطي هذه العبارة اتجاهين: فقد يحسن الذكاء الاصطناعي وظائف الشبكة، وقد تدعم أنظمة الاتصالات تطبيقات الذكاء الاصطناعي الموزعة.
قد تتبادل الأجهزة والآلات المستقبلية تحديثات النماذج، أو بيانات الاستشعار، أو المطالبات (prompts)، أو التضمينات (embeddings)، أو نتائج المهام. ويمكن أن تكون أنماط حركة المرور هذه أكثر كثافة في الرفع (uplink-heavy)، أو متقطعة، أو حساسة للتأخير مقارنة باستهلاك الوسائط التقليدي. وقد تحتاج الشبكات إلى تنسيق الاتصال وتوزيع الحوسبة.
ويذهب البحث في "الاتصالات الدلالية" (Semantic communication) إلى أبعد من ذلك من خلال التساؤل عما إذا كان بإمكان النظام نقل المعنى ذي الصلة بالمهمة بدلاً من إعادة بناء كل بت بالطريقة التقليدية. وهذا أمر واعد لمهام مختارة، ولكنه يثير تساؤلات حول النماذج المشتركة والأخطاء والمساءلة والعمومية.
دور حوسبة الحافة (Edge Computing)
يمكن أن تعمل أعباء عمل الذكاء الاصطناعي في الأجهزة، أو المواقع الراديوية، أو الحواف الإقليمية، أو السحب الضخمة. ويغير مكان التوزيع من زمن الاستجابة والخصوصية والطاقة والتكلفة. فالنموذج القريب من المستخدم قد يستجيب بسرعة ويحافظ على محلية البيانات، بينما قد يوفر نموذج مركزي أكبر قدرات أكثر.
يمكن لشبكة مستقبلية اختيار مكان التوزيع ديناميكياً، ولكن عمليات النقل والتنفيذ الموزع تسبب عبئاً إضافياً. كما يمكن أن تتغير الظروف الراديوية بشكل أسرع من انتقال عبء العمل. لذلك، تحتاج البنية إلى تنسيق واقعي، وإدارة للحالة، وأهداف لمستوى الخدمة.
يجب التعامل مع الادعاءات حول "الذكاء الاصطناعي بصفر تأخير" بشكوك؛ فكل مسار مادي وحوسبي به تأخير. والهدف الهندسي هو تحقيق أداء يمكن التنبؤ به ومناسب للمهمة.
البيانات جزء من تصميم الشبكة
تعتمد النماذج على بيانات تمثل البيئات والمستخدمين الذين تعمل بينهم. ويمكن أن تكون بيانات الشبكة حساسة: فالموقع والحركة وأنماط حركة المرور وسلوك الجهاز قد تكشف عن معلومات شخصية أو تشغيلية.
يتطلب التصميم الأصلي للذكاء الاصطناعي قواعد للجمع، والتقليل، والوصول، والاحتفاظ، والمصدر والجودة. ويمكن للتدريب الموزع أو الاتحادي (Federated training) تقليل نقل بعض البيانات، ولكنه لا يحل تلقائياً مشكلات الخصوصية أو التسميم (poisoning) أو التمثيل غير المتكافئ.
تعد البيانات الاصطناعية والمحاكاة مفيدة عندما يصعب التقاط الأحداث النادرة. ويجب التحقق من صحتها مقابل الواقع، لأن النموذج الذي تم تدريبه على عالم مبسط يمكن أن يخطئ بثقة في الميدان.
الأمن والسلوك المعادي
تخلق مكونات التعلم أسطح هجوم جديدة. فقد يقوم المهاجم بالتلاعب ببيانات التدريب، أو صياغة مدخلات تؤدي إلى قرارات خاطئة، أو سرقة نموذج، أو استنتاج معلومات من مخرجاته. كما يمكن لنظام تحسين مخترق أن يضعف الخدمة دون إحداث انقطاع واضح.
لذلك، يشمل العمل الأمني سلامة النماذج، والتحديثات الموثقة، والتنفيذ المحمي، وكشف الشذوذ، والتراجع الآمن. كما تحتاج الشبكة إلى الأمن التقليدي: الهوية، والتفويض، والعزل، وضوابط سلسلة توريد البرمجيات، والاستجابة للحوادث.
لا ينبغي أن يصبح النموذج نقطة تحكم واحدة غير مفسرة للاتصالات الحساسة للسلامة. قد تتطلب الوظائف عالية التأثير حدوداً حتمية أو تحققا مستقلاً من القرارات المتعلمة.
الطاقة والاستدامة
يمكن للذكاء الاصطناعي تقليل الطاقة من خلال تشغيل وإيقاف السعة، أو تحسين الجدولة، أو مطابقة الموارد مع الطلب. ولكن التدريب والاستنتاج يستهلكان الطاقة أيضاً. ويعتمد ما إذا كان التأثير الصافي إيجابياً على حجم النموذج، والأجهزة، ودورة العمل، والتوفير المحقق.
يجب قياس الكفاءة عبر النظام بالكامل، بما في ذلك نقل البيانات والمسرعات. فالنموذج الذي يوفر طاقة الراديو بينما يزيد الحوسبة المستمرة في مكان آخر قد يقوم ببساطة بنقل التكلفة.
تعد الاستدامة أحد مبادئ تصميم IMT-2030، مما يجعل محاسبة الطاقة مصدر اهتمام للمعايير والنشر، وليس مجرد ميزة تسويقية.
كيف تدخل أفكار الذكاء الاصطناعي الأصلي في المعايير
يمكن لمجموعات المعايير تحديد حالات الاستخدام، والمتطلبات، والواجهات، وكشف البيانات، وإجراءات دورة الحياة والتقييم. وقد يقومون بتوحيد بعض النماذج أو ترك التنفيذ مفتوحاً. ويعتمد التوازن على التوافق التشغيلي، والنضج، ومخاطر تقييد الصناعة بتقنية ما في وقت مبكر جداً.
توفر دراسات الإصدار 20 مساحة لمقارنة الخيارات، بينما يمكن للعمل المعياري اللاحق اختيار الآليات باتفاق كافٍ. وستشمل مواضيع الذكاء الاصطناعي الوصول الراديوي وبنية النظام والإدارة والتطبيقات بدلاً من أن تشكل ميزة واحدة معزولة.
يعد إصدار النسخ (Versioning) أمراً بالغ الأهمية. فالنماذج والبيانات والأجهزة تتطور بشكل أسرع من إصدارات الشبكة التقليدية. قد تحتاج المعايير إلى واجهات مستقرة حول المكونات التي يتم تحديثها بشكل متكرر.
ما لا يضمنه هذا المصطلح
- لا يضمن أن الشبكة ذاتية التشغيل أو خالية من الأخطاء.
- لا يعني أن كل بروتوكول قد تم استبداله بشبكة عصبية.
- لا يثبت انخفاض استهلاك الطاقة دون قياس كامل.
- لا يلغي الحاجة إلى مواصفات متوافقة تشغيلياً.
- لا يحل مشكلات الخصوصية أو الأمن أو المساءلة من تلقاء نفسه.
- لا يجعل النموذج البحثي خدمة 6G تجارية.
أسئلة لتقييم ادعاء "الذكاء الاصطناعي الأصلي"
اسأل عن الوظيفة التي تستخدم الذكاء الاصطناعي، وأين يتم الاستنتاج، وما هي البيانات التي دربت النموذج، وكيف تم تقييم الأداء، وماذا يحدث خارج توزيع التدريب. ابحث عن مقارنات مع خطوط أساس تقليدية قوية، وليس فقط مرجع غير محسن.
بالنسبة للادعاءات التشغيلية، اسأل كيف يتم تقييد الإجراءات ومراقبتها والتراجع عنها. ولادعاءات الخصوصية، حدد البيانات التي تغادر الجهاز. ولادعاءات الطاقة، قم بتضمين المسرعات ونقل البيانات. ولادعاءات المعايير، استشهد بعنصر الدراسة أو عنصر العمل أو المواصفة المحددة.
تعتبر فكرة الذكاء الاصطناعي الأصلي مهمة لأنها تجبر منظومة الهاتف المحمول على تصميم الذكاء والحوسبة والضمان معاً. وستأتي قيمتها من الهندسة الدقيقة، وليس من إلحاق المسمى بكل ميزة أتمتة.
الحوكمة والمشتريات والأدلة التشغيلية
يغير التصميم الأصلي للذكاء الاصطناعي ما هو أكثر من مجرد اختيار خوارزمية التحسين. يحتاج المشغلون إلى معرفة البيانات التي تدخل في النموذج، وأين تُخزن هذه البيانات، ومن يمكنه تحديث النموذج، وكيف يمكن التحقيق في القرار بعد حدوث فشل. وقد يظل النموذج الذي يحسن متوسط أداء الشبكة غير مناسب إذا كانت الأخطاء النادرة تقطع اتصالات الطوارئ، أو تضعف العزل بين العملاء، أو تخلق عمليات تسليم (handovers) غير متوقعة.
لذلك، تتطلب المشتريات التزامات قابلة للقياس. يجب على المورد وصف إصدارات النماذج المدعومة، ومتطلبات الحوسبة والذاكرة، وإجراءات التراجع، والحدود الأمنية، والمقاييس المستخدمة للكشف عن الانحراف (drift). كما يحتاج المشترون إلى وضوح بشأن ما إذا كان التدريب يحدث في الجهاز، أو في موقع حافة، أو في سحابة المشغل، أو من خلال طرف ثالث. فكل موقع يغير من زمن الاستجابة والطاقة والخصوصية والمرونة.
يجب أن تتضمن الأدلة التشغيلية ما هو أكثر من مجرد عرض توضيحي ناجح. فالتجارب المفيدة هي التي تذكر خط الأساس، ومزيج حركة المرور، والظروف الراديوية، وفترة الملاحظة، وحالات الفشل. وتقيس تكلفة جمع الميزات وتشغيل الاستنتاج بالإضافة إلى مكاسب الأداء. كما تختبر ما يحدث عندما تكون المدخلات مفقودة أو معادية أو خارج توزيع التدريب. يجب أن يتراجع النظام إلى سلوك آمن ومفهوم عندما تكون الثقة منخفضة.
يمكن للمعايير المساعدة من خلال تحديد الواجهات، وحالات دورة الحياة، وأوصاف البيانات، وطرق الإبلاغ عن القدرات. وقد تترك بنية النموذج وطرق التدريب مفتوحة للتنفيذ. هذا التوازن يسمح بالابتكار مع منح الأنظمة المستقلة معنى مشتركاً كافياً للتنسيق والاختبار.
بالنسبة للادعاءات العامة، فإن أفضل سؤال ليس ما إذا كانت الشبكة "تستخدم الذكاء الاصطناعي"، بل هو: ما هي الوظيفة التي يتحكم فيها النموذج، وما هي الأدلة التي تظهر تحسناً، وما هي الضمانات التي تحد من عواقب القرار الخاطئ. الإجابات على هذه الأسئلة هي التي تفصل بين النتيجة الهندسية المفيدة وبين مجرد مسمى تسويقي عام.
المصادر وقراءات إضافية
آخر مراجعة: 12 سبتمبر 2026. تتغير المعايير وبرامج البحث؛ يرجى متابعة المصادر الأولية المرتبطة لمعرفة أحدث حالة رسمية.