تفريغ المهام الديناميكي في شبكات المركبات باستخدام نماذج لغوية كبيرة لاتخاذ قرارات زمنية متأقلمة منخفضة الكُمون

مساعدة أذكى للسيارات المشغولة

تتعامل السيارات الموصولة اليوم مع الملاحة، وتنبيهات السلامة، وأجهزة الاستشعار، وحتى ميزات القيادة الذاتية — وكل ذلك يتطلب حوسبة سريعة. مع ذلك، فإن حاسوب السيارة وبطاريتها قادِرَان فقط على قدر محدود من العمل، لا سيما في ازدحام المدن. يستكشف هذا البحث نهجًا جديدًا لتقاسم عبء الحوسبة الرقمي عبر نظام ذكاء اصطناعي مشابه للنماذج اللغوية الكبيرة المستخدمة في روبوتات المحادثة الحديثة. موضوعة في وحدات على جانب الطريق، يساعد هذا الذكاء الاصطناعي في اتخاذ قرار فوري حول المكان الذي يجب أن ترسل إليه كل سيارة "مهامها" الرقمية ليُنجَز بسرعة وباستهلاك طاقة أقل.

كيف تتشارك السيارات مهامها الرقمية

في شبكة مرور حديثة، تولد المركبات باستمرار مهام حوسبة صغيرة: تحليل بيانات المستشعرات، والتنسيق مع السيارات المجاورة، أو الاستعلام عن الخرائط وأنماط الحركة. يمكن معالجة كل مهمة بثلاث طرق: تعالجها السيارة نفسها، أو ترسلها إلى مركبة أخرى مزوَّدة بشكل أفضل، أو تُفَرِّغها إلى حاسوب طرفي على جانب الطريق أو إلى السحابة. التحدي هو اختيار الخيار الأفضل في جزء من الثانية بينما تتحرك السيارات بسرعة وتظهر وتختفي اتصالات الشبكة. تعتمد الأساليب التقليدية على صيغ ثابتة أو أساليب تدريب تُعاني عندما تمتلئ الطرق، أو تتغير الظروف بسرعة، أو يتعين موازنة عوامل كثيرة في آن واحد.

وضع مُخّ قوي على جانب الطريق

يقترح المؤلفون وضع نموذج لغوي كبير (LLM) في عقد حافة طرفية على جانب الطريق — صناديق ذكية على طول الطريق تساعد بالفعل المركبات على الاتصال بالشبكة. بدلاً من قراءة الجمل، يقرأ هذا النموذج لقطات منظمة للحالة المرورية: سرعة كل مركبة، وموقعها، وبطاريتها المتبقية، وقدرة الحوسبة المتاحة، وجودة الإشارة اللاسلكية، إلى جانب تفاصيل كل مهمة مثل الاستعجال والحجم. من هذه المدخلات متعددة الأبعاد، "يستنتج" النموذج أي مركبة أو عقدة طرفية ينبغي أن تنفذ مهمة معينة، مراعيًا السرعة والمسافة واستقرار الروابط وتكاليف الطاقة معًا بدلاً من واحد تلو الآخر. يعمل كجهة تحكم لحركة العمل الرقمية، موجهًا كل مهمة نحو الخيار الأكثر احتمالًا لإتمامها في الوقت المناسب وبأقل استهلاك للبطارية.

من قواعد بسيطة إلى استدلال متأقلم

لتوضيح فوائد هذا النهج، تقارن الدراسة النظام المعتمد على LLM ببديلين شائعين: طريقة بسيطة قائمة على قواعد تستخدم درجة مرجحة ثابتة، ونماذج متقدمة قائمة على الأشجار (الغابات العشوائية وXGBoost). تتعامل هذه الأساليب الأساسية مع القرار كصيغة جامدة أو كمجموعة من أشجار القرار. تعمل هذه الأساليب جيدًا عندما تكون السيارات قليلة والظروف بسيطة، لكنها تضعف كلما ازدادت كثافة المرور أو ازدادت سرعة المركبات، أو تطلبت الحالة مراعاة إشارات حالة متعددة. بالمقابل، يتعلم الـ LLM العلاقات المعقدة أثناء التدريب ويمكنه ضبط العوامل التي يعطيها أهمية فورية — على سبيل المثال تفضيل اتصال أكثر استقرارًا عندما تتحرك السيارات بسرعة أو حفظ البطارية عندما تكون الشبكة مزدحمة.

ما تكشفه المحاكاة

يختبر المؤلفون إطارهم في محاكي مفصل يحاكي طرق المدن الحقيقية والروابط اللاسلكية والمركبات المتحركة. يغيرون عدد السيارات على الطريق وسرعتها وكمية المعلومات المقدمة لكل نموذج. عبر هذه السيناريوهات، يُنجز النظام المعتمد على LLM مزيدًا من المهام بنجاح، مع تأخير أقل واستهلاك طاقة أفضل، مقارنةً بكل من طرق التعلم التعزيزي العميق المبلَّغ عنها في أعمال سابقة والنماذج القائمة على الأشجار المختبرة هنا. في المتوسط، يقلل زمن انتظار المهام بنحو 15% ويحسن كفاءة الطاقة بأكثر من 20% مقارنةً بمرجع قوي يعتمد التعلم التعزيزي، مع الاستمرار في إكمال نحو 97.5% من المهام. عندما يُضبَط النموذج ويُضغط ليعمل على معالج رسومي عند جانب الطريق، يصبح زمن اتخاذ القرار الخاص به صغيرًا بما يكفي لتطبيقات القيادة الحساسة للزمن.

تحديات عند حافة الطريق

تأتي هذه المكاسب مع مآخذ. النماذج اللغوية الكبيرة جائعة للذاكرة وقوة الحوسبة، وهذا مصدر قلق لوحدات جانب الطريق التي قد تحتاج إلى العمل على عتاد محدود. مع ازدياد عدد المركبات والمهام، قد تتعرض العقد الطرفية لاستخدام مرتفع لوحدة المعالجة المركزية والذاكرة. كما أن الطبيعة الصندوق الأسود لمثل هذه النماذج تجعل من الصعب تفسير لماذا أُختيرت سيارة معينة على أخرى لمهمة محددة. يناقش المؤلفون طرقًا للتخفيف من هذه المشكلات، مثل ضغط النموذج، واستخدام حسابات ذات دقة أقل، وتحسين أدوات تُفصح عن كيفية اتخاذ النموذج لقراراته.

ماذا يعني هذا لطرق المستقبل

بشكل عام، تشير الدراسة إلى أن استخدام النماذج اللغوية الكبيرة كمحركات قرارات في شبكات المركبات قد يجعل السيارات الموصولة والذاتية أكثر تجاوبًا وواعية للطاقة، لا سيما في ظروف مزدحمة ومتغيرة بسرعة. من خلال اعتبار نظام الطريق ككل كلغز حي ومتغيّر والاستدلال عبر إشارات متعددة في آن واحد، تستطيع هذه النماذج اختيار المكان الأفضل لتنفيذ كل مهمة رقمية بكفاءة أكبر من القواعد الثابتة أو الأساليب التعليمية الأقدم. إذا تمكن المهندسون من ترويض متطلبات مواردها، قد يصبح تفريغ المهام المدفوع بـ LLM مكوِّنًا أساسيًا في أنظمة النقل الذكية المستقبلية، مساهماً في انسياب الحركة بشكل أكثر سلاسة وأماناً مع السيطرة على بطاريات المركبات وشبكاتها.

الاستشهاد: Trabelsi, Z., Ali, M., Qayyum, T. et al. Dynamic task offloading in vehicular networks using large language models for adaptive low latency decision making. Sci Rep 16, 9144 (2026). https://doi.org/10.1038/s41598-026-39791-y

الكلمات المفتاحية: الحوسبة الطرفية للمركبات, تفريغ المهام, نماذج لغوية كبيرة, المركبات الذاتية القيادة, شبكات منخفضة الكمون