Edge AI في كاميرات المراقبة: كيف يغيّر مشروع OpenIPC المفتوح قواعد تحليلات الفيديو

تخيّل كاميرا مراقبة لا تكتفي بتسجيل الصورة، بل تتعرف بنفسها على الأجسام، وتحلل السلوك، وتتخذ القرارات، دون أي اتصال بخادم سحابي. كان ذلك يبدو قبل وقت قصير ضرباً من الخيال، لكن مجتمع OpenIPC يحوّل هذه الفكرة بالفعل إلى تقنية عملية متاحة للجميع.

في مؤتمر AI Conf 2025 التطبيقي، قدّم مهندس الهندسة العكسية دميتري إيلين الجزء الثاني من عرضه الموسّع عن مشروع OpenIPC، وهو توزيعة Linux مفتوحة أُنشئت في الأصل لإعادة برمجة كاميرات IP العادية، ثم نمت مع الوقت لتصبح منظومة متكاملة لـ Edge AI. والاختصار IPC يعني ببساطة IP Camera، لكن وراء هذه البساطة مهمة طموحة: نقل الذكاء الحاسوبي من مراكز البيانات البعيدة إلى الجهاز الطرفي نفسه.

ولفهم أهمية هذا النهج، يجدر تذكّر كيفية عمل تحليلات الفيديو التقليدية. تلتقط الكاميرا بث الفيديو وترسله إلى خادم، محلي أو سحابي، حيث تعالج الشبكة العصبية الصورة وتعيد النتيجة. يتطلب هذا المخطط اتصالاً عريض النطاق ومستقراً، ويسبب تأخيراً، ويكلّف مالاً مقابل كل غيغابايت من حركة البيانات. أما Edge AI فيقلب هذه البنية: تجري المعالجة كاملةً على شريحة الكاميرا مباشرة. لا اعتماد على الإنترنت، وزمن الاستجابة في حده الأدنى، وتحكّم كامل بالبيانات. وقارن إيلين في الجزء الأول من العرض بين النهجين بالتفصيل، وتناول بدائل وحدات GPU التقليدية، وهي المعالجات العصبية المتخصصة المدمجة في شرائح كاميرات المراقبة الحديثة.

ركّز الجزء الثاني على المهام التي تتجاوز كاميرا واحدة. فمصفوفات الكاميرات المتعددة (Multi Camera Array) هي أنظمة تعمل فيها عشرات الأجهزة أو مئاتها بتنسيق مشترك، وتتبادل البيانات الوصفية بدلاً من الفيديو الخام. وهنا يُظهر Edge AI ورقته الرابحة الرئيسية: فعندما تعالج كل كاميرا الصورة مسبقاً ولا ترسل سوى نتائج التحليل، ينخفض الحمل على الشبكة بعدة أضعاف. وبالنسبة إلى المؤسسات ومراكز الخدمات اللوجستية والبنية التحتية للمدن، يعني ذلك خفضاً جذرياً في تكاليف قنوات الاتصال ومعدات الخوادم.

ويستحق موضوع الكاميرات متعددة المستشعرات اهتماماً خاصاً. فالأجهزة الحديثة تجمع بشكل متزايد بين المستشعر البصري ووحدة بالأشعة تحت الحمراء أو التصوير الحراري، وحتى وحدة ليدار. وحين تُدمج بيانات عدة مستشعرات وتُعالج على متن الجهاز مباشرة، ترتفع جودة التعرف بشكل ملحوظ. يمكن تحديد هوية شخص في ظلام تام، والتمييز بين مشغّل حي ومجسّم عرض، وقياس درجة حرارة جسم ما دون معدات إضافية. وهذا الدمج لبيانات المستشعرات على مستوى Edge هو ما يجعل هذه السيناريوهات قابلة للتنفيذ عملياً دون بنية خوادم باهظة التكلفة.

ولا يتميز مشروع OpenIPC بتقنيته فحسب، بل بنموذج تطوره أيضاً. فهو مجتمع مفتوح المصدر بالمعنى الكلاسيكي، يُسهم فيه كل عضو بخبرة فريدة: بعضهم يفهم بنية شريحة بعينها، وبعضهم يحسّن النماذج العصبية لتعمل بموارد محدودة، وآخرون يكتبون برامج التشغيل (drivers). ويتيح نموذج المعرفة الموزعة هذا للمشروع دعم عشرات طرازات الكاميرات من مصنّعين مختلفين، والتكيف سريعاً مع العتاد الجديد. وعملياً، يفعل OpenIPC للكاميرات ما فعله OpenWrt للموجّهات (routers) في وقته: يحرر الجهاز من قيود البرنامج الثابت المغلق، ويفتح المجال أمام التجريب.

ويكتسب التوجه نحو نقل الذكاء الاصطناعي إلى مقربة من الأجهزة الطرفية زخماً يتجاوز مجال المراقبة بالفيديو بكثير. فكبرى الشركات المصنّعة للشرائح، من HiSilicon إلى Ambarella وIngenic، توسّع وحدات الحوسبة العصبية في معالجاتها، ويتوقع المحللون أن يتجاوز سوق Edge AI حاجز 50 مليار دولار بحلول عام 2028. لكن بينما تبني الشركات الكبرى منظومات مغلقة، تُظهر مشاريع مثل OpenIPC أن تحليلات الفيديو القوية يمكن أن تكون مفتوحة ومرنة ومتاحة.

ويُبرز عرض دميتري إيلين تحولاً مهماً في القطاع: فمستقبل تحليلات الفيديو لا يكمن في عناقيد سحابية ضخمة، بل في أجهزة ذكية على أطراف الشبكة. وكلما ازدادت قوة المعالجات العصبية المدمجة، قلّت مبررات إرسال بث الفيديو إلى مكان بعيد لمعالجته. فالكاميرا التي تفهم بنفسها ما تراه لم تعد مجرد مفهوم نظري، بل واقع يعمل.