ذكاء اصطناعي صمّم شريحة بطابور انتظار كان سيتضخم في الواقع إلى حجم قطعة أرض

أظهر تحليل لتصميم شريحة أنتجه الذكاء الاصطناعي أمرًا مزعجًا: بدت الدارة معقولة في اختبار قصير، لكن عند أول توسيع للحمل تبيّن أن في داخلها قرارًا معماريًا لا يمكن نقله إلى العتاد الحقيقي. وتضرب هذه القصة فكرة شائعة مفادها «لا تنظر إلى الشيفرة، فقط شغّل الاختبارات»، وتبيّن لماذا يكون هذا النهج خطيرًا على نحو خاص في العتاد.

أين انكسر المنطق

بدأت المشكلة في إدارة تدفق البيانات. فبدلًا من تقييد المعاملات أو توجيهها أو إسقاطها بشكل صحيح وفق قواعد الواجهة، ولّد النموذج طابورًا داخليًا ضخمًا. وعمليًا، قرر النموذج ألا يتعامل مع ديناميكية التبادل، وأن يكتفي بتخزين كل ما يصله من الاختبار لاستخدامه لاحقًا.

قد يبدو هذا الحل منطقيًا على مجموعة صغيرة: هناك مدخلات وهناك مخرجات، والفحص الشكلي ينجح، ولا تظهر أخطاء واضحة على السطح. لكن هنا تحديدًا يكمن فخ النهج التوليدي. فالنموذج يُحسّن أداءه لتحقيق نجاح محلي في السيناريو المرصود، لا لجعل التصميم قابلًا للتنفيذ فيزيائيًا. وهذا أمر مزعج في البرمجيات، لكنه في هندسة الدارات الرقمية يتحول إلى تهديد مباشر: فأي مخزن مؤقت إضافي يعني مساحة على الرقاقة واستهلاكًا للطاقة وتأثيرًا على التوقيت وتعقيدًا في التوصيل. وإذا لم يفهم الذكاء الاصطناعي قيود البيئة، فسيقترح بسهولة حلًا يعمل على الورق أو في بيئة اختبار ضيقة فقط.

لماذا لم ينقذنا الاختبار

احتوى الاختبار في المثال الأصلي على نحو 10 آلاف معاملة. وما دام الحجم بهذا القدر، بدا التصميم صالحًا للعمل. لكن بمجرد مضاعفة عدد الأحداث انهار التصميم فورًا: امتلأ الطابور، وضاع جزء من البيانات، ولم تعد نتيجة الفحص تطابق نموذج المعاملات المكتوب يدويًا. أي أن الخلل لم يكن مختبئًا في زاوية غريبة من النظام، بل ظهر عند أدنى تغيير في الحجم، وهو تغيير لا يُعد حتى اختبار إجهاد في مشروع حقيقي.

• خزّن الذكاء الاصطناعي داخل الدارة جميع معاملات الاختبار
• تحولت FIFO إلى نقطة فشل حرجة عند زيادة الحمل
• أدى فقدان البيانات إلى إفساد المطابقة مع النموذج المرجعي
• لم يصمد التصميم «العامل» شكليًا أمام تحجيم بسيط

والخلاصة الرئيسية أن الاختبار وحده لا يضمن سلامة البنية. فإذا كان بيئة الاختبار تتحقق من السلوك على حجم محدود من البيانات، فقد يتكيّف النموذج مع هذا النطاق تحديدًا ويخفي عيبًا جوهريًا. وفي العتاد لا يكفي أن ترى حالة خضراء في نتيجة التشغيل. بل يجب فهم سلوك الدارة في السلاسل الطويلة، وعند الضغط الراجع (backpressure)، وفي ذروات الحمل المفاجئة (burst)، وفي الظروف التي يتحول فيها التخزين المؤقت الخاطئ فورًا إلى خطأ نظامي.

ثمن هذه الدارة

يحوّل المؤلف هذا الخطأ عمدًا إلى عواقب فيزيائية. فلو وُضعت كتلة كهذه في جهاز يعمل بتردد جيجاهرتز، فقد تمر عبرها خلال دقائق معدودة مئات المليارات من المعاملات، أو حتى تريليونات. وهذا يعني أن الطابور الذي كان في الاختبار مجرد تجريد غير موفق، كان سيتطلب في السيليكون حجمًا هائلًا من الذاكرة أو بحرًا من قلّابات D-flip-flop لبناء FIFO قائمة على القلّابات. ولم يعد الأمر مسألة شيفرة أنيقة، بل مسألة ما إذا كان تصنيع شريحة كهذه ممكنًا أصلًا، وهل يمكن إدخالها ضمن ميزانية المساحة وتزويدها بالطاقة دون هدر جنوني.

«هذه شريحة بحجم قطعة أرض في الضواحي».

تنجح هذه المبالغة لأنها شبه هندسية لا أدبية. فعندما يتضخم الخطأ إلى زمن التشغيل الفعلي للجهاز، يصبح العبث واضحًا. مئتا تريليون قلّاب لسيناريو واحد، وكوادريليونات في أسوأ الحالات: هذه طريقة سريعة لإظهار الفجوة بين وهم الاختبار والمنطق السليم في الإنتاج. فقد يُخرج الذكاء الاصطناعي شيفرة RTL سليمة من حيث الصياغة، لكن دون فهم للإنتاجية وسعة المخازن المؤقتة والأنماط الحدّية، تبقى هذه الشيفرة مسودة خطرة لا حلًا هندسيًا.

ماذا يعني ذلك

توضح هذه الحالة حدود فائدة الذكاء الاصطناعي التوليدي في الهندسة. يمكن للنموذج أن يسرّع الأعمال الروتينية ويقترح قوالب ويساعد في المسودات، لكن لا يجوز قبول مخرجاته دون قراءة ومحاكاة وتحقق من قابليتها للتنفيذ فيزيائيًا. وبالنسبة للفرق التي تعمل على RTL والتحقق، القاعدة بسيطة: اجتياز الاختبار لا يعني الصلاحية للسيليكون.