شبكة عصبية للتنبؤ بالناتج المحلي الإجمالي بلغة C++ دون TensorFlow: تعمل على Arduino بسعر 400 روبل

أنشأ مطوّر من موقع «هابر» شبكة عصبية للتنبؤ بديناميكية الناتج المحلي الإجمالي بالكامل بلغة C++20، دون TensorFlow أو PyTorch أو أي أطر عمل خارجية. كُتبت الرياضيات كلها من الصفر، ويمكن للنموذج النهائي العمل على لوحة Arduino بسعر 300–400 روبل وذاكرة محدودة بـ 32 كيلوبايت.

لماذا التخلي عن Python

يفترض النهج المعتاد في النمذجة الاقتصادية الكلية وجود خوادم قوية ومكتبات Python ثقيلة. تتعامل TensorFlow وPyTorch ببراعة مع المهام واسعة النطاق، لكنهما تجلبان معهما عشرات الغيغابايت من الاعتماديات وتتطلبان بنية حوسبة متكاملة. هذا أمر طبيعي في مركز بيانات مؤسسي، أما بالنسبة لجهاز ميداني أو متحكم دقيق منخفض الكلفة فهو عائق لا يمكن تجاوزه.

لا تستطيع لوحات Arduino ذات الذاكرة العشوائية البالغة 32 كيلوبايت، والتي يبلغ سعرها 300–400 روبل، تشغيل مفسّر Python فعليًا، فضلًا عن TensorFlow. بدت الفجوة بين التحليلات «الذكية» والعتاد الرخيص الواقعي غير قابلة للردم، إلى أن قرر المؤلف كتابة كل شيء من الصفر.

نُفِّذت رياضيات الطبقات العصبية كلها بلغة C++20 الخالصة دون اعتماديات خارجية. وللتحديد السريع للأوزان أثناء التدريب على الحاسوب الشخصي، تُستخدم NVIDIA CUDA، وذلك في مرحلة التطوير فقط. بعد ذلك يُصدَّر النموذج المدرَّب الجاهز بصيغة ثنائية مضغوطة ويعمل على أي عتاد، بما في ذلك المتحكمات الدقيقة.

البنية: من رأس المال إلى الخلية العصبية

لا تكتفي الشبكة العصبية بتقريب السلاسل الزمنية، بل تحاكي دورات دوران رأس المال الحقيقية. فبنية الشبكة تعكس المنطق الاقتصادي، لا الأنماط الإحصائية في الأرقام فحسب. وتُضغط أربع طبقات مخفية لشبكة غير خطية إلى ست خلايا عصبية إسقاطية وفق منهجية البنك الدولي.

أبرز الخصائص التقنية:

• C++20 دون اعتماديات خارجية — تحكم كامل بالذاكرة
• NVIDIA CUDA لتسريع التدريب في مرحلة التطوير
• 4 طبقات مخفية بدوال تنشيط غير خطية
• الضغط إلى 6 خلايا عصبية إسقاطية وفق منهجية البنك الدولي
• التوافق مع Arduino عند حد ذاكرة 32 كيلوبايت

عدد الخلايا العصبية الخارجة، وهو ست، ليس رقمًا اعتباطيًا: فكل واحدة منها تقابل أحد المؤشرات الرئيسية وفق منهجية البنك الدولي. وهذا يجعل النموذج قابلًا للتفسير، إذ يفهم المحلل أي عامل أثّر في التنبؤ بدلًا من الوثوق بـ«صندوق أسود» بلا تبصّر.

الشبكات العصبية والاقتصاد الكلي: لمحة تاريخية

الشبكات العصبية للتنبؤ بالناتج المحلي الإجمالي ليست جديدة. ففي أواخر القرن العشرين كان Swanson وWhite من أوائل من أثبتوا أن النماذج غير الخطية ترصد الدورات الاقتصادية الكامنة في البيانات الأمريكية بشكل أفضل من النماذج الخطية الكلاسيكية. وبيّن Kuan وLiu أن التنقية المسبقة للسلاسل الزمنية قبل تغذية الشبكة بها تخفّض خطأ التنبؤ بصورة ملحوظة. وفي مطلع الألفية الثالثة أكد Marcellino وNeusser وWagner تفوق الشبكات متعددة الطبقات على ARIMA في تحليل الناتج المحلي الإجمالي لدول أوروبية على آفاق زمنية طويلة. وطوّر Lin وChen مخطط تبديل للأوزان يتيح للنموذج التعرف على فترات الأزمات والتحولات البنيوية في الاقتصاد.

وفي عام 2024 أجرى Zhang وBian اختبارات واسعة النطاق على بيانات الاقتصاد الصيني، وأكدا أن دوال التنشيط غير الخطية تمنح ميزة ثابتة عند تتبع معدلات النمو طويلة الأجل للناتج المحلي الإجمالي.

«تُضغط أربع طبقات مخفية لشبكة غير خطية إلى ست خلايا عصبية إسقاطية وفق

منهجية البنك الدولي» — بهذه العبارة يصف المؤلف القرار المعماري المحوري.

ماذا يعني ذلك

يثبت المشروع أن النمذجة الاقتصادية الجادة لا تتطلب بنية تحتية باهظة. فإذا صُمّمت البنية بعناية، تتسع شبكة عصبية للتنبؤ بالناتج المحلي الإجمالي في 32 كيلوبايت وتعمل على لوحة بسعر 400 روبل. وبالنسبة لمطوّري الأنظمة المدمجة، هذه إشارة مباشرة: الحدّ الفاصل بين الذكاء الاصطناعي للاقتصاد الكلي وحوسبة الحافة (edge) أرقّ مما يُعتقد عادةً.