تعلّم هيبيان يلتقي بشبكات هوبفيلد: البنية التي كانت دائماً أذكى من المحوّلات

على مدى العقد الماضي، هيمنت المحوّلات وآليات الانتباه لديها على مشهد الذكاء الاصطناعي. من GPT إلى BERT إلى محوّلات الرؤية، أعادت شعيرة "الانتباه هو كل ما تحتاجه" تشكيلَ طريقة تفكيرنا في التعلم الآلي. وغدت أنظمة الترجمة, تلك الأنابيب من المشفِّر والمفكِّك التي تحوّل البيانات بين التمثيلات المختلفة, العمودَ الفقري لكل شيء، من معالجة اللغة إلى توليد الصور. كانت ثورية. كانت قوية.

والآن، تصطدم بجدار.

والمفارقة أن الحل موجود منذ عام 1982. في ذلك العام، نشر John Hopfield ورقةً بحثية في وقائع الأكاديمية الوطنية للعلوم قدّم فيها شبكة عصبية تكرارية تتمتع بخاصية لم تحققها المحوّلات قط: التقارب المضمون نحو حالات مستقرة عبر تدنية الطاقة. لم تكتفِ شبكة Hopfield بتعلّم الأنماط، بل خزّنتها كجاذبات فيزيائية في مشهد طاقة، يمكن استرجاعها حتى من المدخلات المشوّشة أو المنقوصة.

لا يزال مجتمع الذكاء الاصطناعي يستوعب تدريجياً ما عرفه مجتمعا الفيزياء وعلم الأعصاب منذ عقود: النهج الترابطي القائم على الطاقة في الحوسبة العصبية ليس مجرد فضول تاريخي، بل هو نموذج تأسيسي اكتفى عصر المحوّلات ببناء شيء فوقه دون أن يفهمه حق الفهم.

سقف المحوّلات

تعمل المحوّلات بحساب العلاقات بين كل عنصر في متتالية في آنٍ واحد عبر الانتباه الذاتي. هذا رائع للغة، ورائع للبيانات المنظّمة ذات الأنماط المتسلسلة الواضحة. لكن العالم الحقيقي, عالم الروبوتات والدوائر الإلكترونية والحوسبة المضمّنة والأجهزة الطرفية, لا يُرتّب نفسه في متتاليات أنيقة تنتظر من يعيرها انتباهه.

تفترض بنية المحوّل الوفرةَ: وفرة في الحوسبة، ووفرة في الذاكرة، ووفرة في الطاقة. يتوسّع الانتباه الذاتي تربيعياً مع طول المتتالية، وتنمو طبقات التغذية الأمامية نمواً خطياً لكنه هائل. حين تنشر نظاماً قائماً على المحوّلات في روبوت متحرك يجوب مستودعاً، أو تضمّنه في دائرة إلكترونية تتحكم في ذراع تصنيع، تنهار تلك الافتراضات جميعها.

ويحمل نموذج الترجمة قيداً خاصاً به: فهو يُعامل الذكاء باعتباره مشكلة تحويل أساساً بين تمثيلات ثابتة. شفِّر المدخل. فكِّك المخرج. لكن الذكاء الحقيقي لا يترجم فحسب، بل يتذكّر ويُوجِد ترابطات ويُستقرّ على تفسيرات ثابتة حتى حين تكون المدخلات منحطّة أو ملتبسة.

ظللنا نُرقّع هذه المشاكل بالتكميم والتقطير والتشذيب ومئة حيلة تحسين أخرى. وتؤكد مسوحات الذكاء الاصطناعي الطرفي لعام 2025 أن نشر التعلم العميق على العتاد المضمّن لا يزال "مقيّداً بقيود صارمة في الذاكرة والحوسبة والطاقة". غير أن تحسين بنية غير ملائمة في جوهرها لا يزيد على تأجيل الحساب. ما نحتاجه بنية تُعامل الذاكرة والاستقرار وكفاءة الطاقة باعتبارها مبادئ أولى لا إضافات لاحقة.

شبكة Hopfield العصبية

شبكة Hopfield شبكة عصبية تكرارية تتألف من طبقة واحدة من الخلايا العصبية، حيث تتصل كل خلية بكل خلية أخرى ما عدا نفسها. تُشكّل الشبكة رسماً بيانياً كاملاً غير موجّه, لكل زوج من الخلايا وزن اتصال متماثل، بمعنى أن قوة الاتصال من الخلية i إلى الخلية j مطابقة لقوة الاتصال من j إلى i، ولا توجد اتصالات ذاتية (wᵢᵢ = 0). لا هيمنة طبقية، ولا أنبوب معالجة متسلسل. بدلاً من ذلك، تعمل الشبكة كلها بوصفها نظاماً ديناميكياً واحداً مترابطاً يتطور عبر الزمن نحو حالات توازن مستقرة.

شبكة Hopfield بخلايا عصبية متصلة اتصالاً كاملاً. كل عقدة تتصل بكل عقدة أخرى بأوزان متماثلة (wᵢⱼ = wⱼᵢ)، مُشكِّلةً رسماً بيانياً كاملاً غير موجّه. لا اتصالات ذاتية.

يكمن جمال هذه البنية في دالة الطاقة. أثبت Hopfield أن شبكته تمتلك دالة طاقة Lyapunov مرتبطة بها:

E = −½ Σᵢ Σⱼ wᵢⱼ sᵢ sⱼ − Σᵢ θᵢ sᵢ

هذه الطاقة مضمونة التناقص (أو البقاء ثابتة) مع كل تحديث لخلية عصبية. تتقارب الشبكة دائماً, لا تتذبذب إلى ما لا نهاية، ولا تتباعد، ولا تنزلق في حلقات حوسبة لانهائية. تستقر. وقد أثبت Bruck عام 1990 أن هذا السلوك التقاربي يرتبط بقطوع الرسم البياني المرتبط, فالشبكة تُنفّذ في جوهرها خوارزمية جشعة لمسألة القطع الأعظم عند كل خطوة تحديث.

وحيث تستقر الشبكة يقطن الذكاء. تقابل الأنماط المخزّنة القيمَ الدنيا المحلية لدالة الطاقة, الوديان في مشهد الطاقة. حين تُقدّم للشبكة نسخة مشوّهة أو مضوضأة أو منقوصة من نمط مخزّن، تدفع الديناميكيات حالة الشبكة إلى أسفل التل حتى تقع في أقرب وادٍ: النمط المخزّن الأقرب تطابقاً مع المدخل.

مشهد طاقة شبكة Hopfield. كل وادٍ (قيمة دنيا محلية) يقابل نمط ذاكرة مخزّناً. انطلاقاً من أي حالة ابتدائية، تتدحرج ديناميكيات الشبكة "إلى أسفل" حتى تستقر في أقرب جاذب, مستعيدةً النمط الكامل من مدخل جزئي أو مشوّش.

هذه ذاكرة ترابطية ذات عنوان محتوى, القدرة على استرجاع ذكريات كاملة من أدلة جزئية، وهو ما تفعله الأدمغة البيولوجية بيسر، لكن المحوّلات لا تستطيع إلا تقريبه بحوسبة مُكلفة.

والصلة بالفيزياء عميقة. شبكة Hopfield مكافئة رياضياً لنموذج Ising, الإطار ذاته المستخدم لوصف المغناطيسية في الميكانيكا الإحصائية. ونموذج Sherrington-Kirkpatrick للزجاج الدوّاري، المنشور عام 1975، هو في جوهره شبكة Hopfield بأوزان عشوائية. وكانت بصيرة Hopfield أن يستثمر هذه الخاصية عن قصد، مهندساً مشهد الطاقة بحيث يقابل كل قيمة دنيا نمطاً مخزّناً نافعاً.

تعلّم Hebbian: الخلايا التي تنشط معاً تترابط معاً

لقاعدة التعلم التي تجعل شبكات Hopfield تعمل جذور تمتد إلى أبعد من ذلك, إلى كتاب Donald Hebb عام 1949 تنظيم السلوك، الذي اقترح فيه ما بات يُعدّ المبدأ التأسيسي لنظرية التعلم العصبي.

كانت بصيرة Hebb خادعة في بساطتها: حين تُسهم خلية ما قبل المشبك بصورة متكررة ومستمرة في إطلاق خلية ما بعد المشبك، تتعزز الوصلة المشبكية بينهما. "الخلايا التي تنشط معاً تترابط معاً", وإن كان Hebb نفسه أكثر دقة، إذ شدّد على أن الخلية أ تحتاج إلى الإسهام في إطلاق الخلية ب لا مجرد الاشتعال في الوقت ذاته. هذه السببية الزمنية استبقت ما بات يُعرف بـاللدونة المعتمدة على توقيت النبضات (STDP)، التي أكّدتها التجارب لاحقاً، بما فيها أبحاث Eric Kandel الرائدة على الحلزون البحري Aplysia californica.

تعلّم Hebbian: حين تنشط خليتان عصبيتان متصلتان معاً بصورة متكررة، تتعزز المشبك بينهما. هذا المبدأ, "الخلايا التي تنشط معاً تترابط معاً", هو الأساس البيولوجي لكيفية تخزين شبكات Hopfield للأنماط.

في شبكة Hopfield، يُطبَّق تعلّم Hebbian على النحو التالي:

wᵤᵥ = (1/N) Σₗ sᵤ(l) · sᵥ(l) لجميع الأنماط المخزّنة l، حيث u ≠ v

حين تكون حالة خليتين متطابقة في نمط معين (كلتاهما +1 أو كلتاهما −1)، يكون حاصل ضربهما موجباً فيتقوّى الاتصال التنشيطي. وحين يختلفان، يكون الحاصل سالباً فيُنشئ اتصالاً تثبيطياً. والأثر التراكمي ينحت مشهد طاقة بوادٍ عند كل نمط مخزّن.

قاعدة Hebbian محلية (كل تحديث وزن يستخدم معلومات متاحة للخليتين المتصلتين فقط) وتراكمية (يمكن تخزين أنماط جديدة دون إعادة معالجة القديمة). والأمر الملفت أن تعلّم Hebbian يمكن إثباته رياضياً بوصفه يُنفّذ تحليل المكونات الرئيسية (PCA) غير الخاضع للإشراف على بيانات المدخلات, فالشبكة تستخرج تلقائياً أهم الخصائص الإحصائية من بيئتها.

عام 1997، قدّم Amos Storkey قاعدة تعلم محسّنة تأخذ في الحسبان الحقل المحلي عند كل خلية، محققةً سعة تخزين أكبر من تعلّم Hebbian الاعتيادي. يُثبت هذا أنه حتى ضمن البنية ذاتها، تكتسب خوارزمية التعلم المختارة أهميةً بالغة, مبدأ يتردد صداه مع الدرس الأشمل لبحوث الشبكات العصبية.

الاختراق: "شبكات Hopfield هي كل ما تحتاجه"

عام 2020، نشر فريق بقيادة Hubert Ramsauer في جامعة Johannes Kepler في Linz ورقةً باسم استفزازي يردد صدى أصل المحوّلات: "Hopfield Networks is All You Need." وكان إسهامهم الإثبات الرياضي لما شكّ فيه كثيرون: آلية الانتباه الذاتي في المحوّلات هي بالضبط قاعدة التحديث في شبكة Hopfield الحديثة المستمرة.

الصلة بين شبكات Hopfield الحديثة وانتباه المحوّلات. آلية الانتباه القائمة على softmax في المحوّلات مكافئة رياضياً لخطوة تحديث واحدة في شبكة Hopfield الحديثة المستمرة ذات دالة الطاقة الأسية. الصورة من Ramsauer وآخرين، "Hopfield Networks is All You Need."

لم يكن هذا مجرد تشبيه. أثبت الفريق أنه بتعميم دالة طاقة Hopfield الكلاسيكية إلى حالات مستمرة واستخدام حدّ تفاعل أسّي، تصبح قاعدة التحديث الناتجة:

Z = softmax(β · R Wq Wk⊤ Y⊤) Y Wk Wv

وهي بالضبط صيغة انتباه المحوّل. بمقدور شبكة Hopfield الحديثة تخزين أنماط بعددٍ أسّي (بأبعاد الفضاء الترابطي)، وتسترجعها في تحديث واحد، بأخطاء استرجاع أسّية الصغر.

وحدّدت الورقة ثلاثة أنواع من القيم الدنيا في هذا الإطار الحديث: (1) نقطة ثابتة عالمية تُوسِّط جميع الأنماط المخزّنة، (2) حالات شبه مستقرة تُوسِّط مجموعات فرعية من الأنماط، (3) نقاط ثابتة تخزن أنماطاً فردية. وتميل رؤوس المحوّل في الطبقات الدنيا إلى العمل في نظام التوسيط العالمي، بينما تستخدم رؤوس الطبقات العليا حالاتٍ شبه مستقرة لجمع المعلومات ومعالجتها, وهو اكتشاف يُلقي ضوءاً عميقاً على سبب عمل المحوّلات بالطريقة التي تعمل بها.

وكان الأثر العملي فورياً: أطلق الفريق طبقات Hopfield بوصفها وحداتٍ PyTorch جاهزة للإنتاج قابلة للإحلال محل طبقات التجميع وطبقات GRU/LSTM وطبقات الانتباه الاعتيادية. وفي المعايير المرجعية، حققت طبقات Hopfield نتائج بالغة الجودة في تصنيف مستودعات الجهاز المناعي (بمئات الآلاف من الحالات لكل عينة)، ومسائل التعلم متعددة الحالات، ومعايير UCI حيث تتعثر عادةً طرق التعلم العميق التقليدية.

وفي ديسمبر 2025، ذهب Masumura وTaki في ورقة NeurIPS أبعد من ذلك، مُثبِتَين أن تجاوز "التقريب الأدياباتي" يكشف حالات مخفية في التناظر بين Hopfield والمحوّل، تُحلّ مشكلتَي انهيار الرتبة وتوحّد الرمز اللذين يُعذّبان المحوّلات العميقة, مُحسِّنةً الدقة دون إضافة أي معاملات تدريب.

الإجماع المتنامي: من يقول ذلك أيضاً؟

هذه الحجة, بأن شبكات Hopfield تُمثّل النموذج القادم بعد المحوّلات, ليست تكهناً. مؤسسات بحثية كبرى تسعى إليها بنشاط، والأدلة تتراكم بسرعة. إليك الأصوات والأوراق الرئيسية المتقاربة على الاستنتاج ذاته.

IBM Research وDmitry Krotov

في يناير 2025، نشر IBM Research مقابلةً مطوّلة مع Dmitry Krotov، المتعاون الطويل الأمد مع Hopfield وأحد مهندسي الذاكرة الترابطية الكثيفة. صاغ Krotov الحجة مباشرةً: نظراً لأن شبكات Hopfield تعكس حلقات التغذية الراجعة التكرارية في الدماغ, خلافاً للبنية الأمامية التغذية التي تُمثّل 90٪ من نماذج الذكاء الاصطناعي الحالية, فهي تُمثّل "بديلاً واعداً للشبكات الأمامية اليوم". وأشار إلى أن المحوّلات تعالج المعلومات في اتجاه واحد فقط، وحين تطول نوافذ السياق تزداد التعقيد الحسابي بسرعة. أما الدماغ فيستخدم حلقات تغذية راجعة تكرارية لتلخيص المعلومات الماضية وتخزينها في الذاكرة. وشبكات Hopfield تعمل بالطريقة ذاتها.

وصف Krotov أيضاً محوّل الطاقة (Energy Transformer) (NeurIPS 2023)، ثمرة تعاون بين IBM Research وجورجيا تك، الذي لا يكتفي بطبقة رؤى Hopfield فوق المحوّلات القائمة، بل يُحلّ سلسلة كتل المحوّل الأمامية بأكملها بنموذج ذاكرة ترابطية واحدة ضخمة. وآلية الانتباه في محوّل الطاقة مختلفة صراحةً عن الانتباه التقليدي: مشتقّة من مبادئ تدنية الطاقة الأولى، لا مُلصقة على أنبوب أمامي.

🔗 IBM Research "البحث عن خوارزميات ذكاء اصطناعي مستوحاة من الدماغ" (يناير 2025)

🔗 Energy Transformer arXiv:2302.07253 (NeurIPS 2023)

جامعة Johannes Kepler, مجموعة Hochreiter

قاد Sepp Hochreiter، المخترع المشارك لـ LSTM، الفريقَ الذي نشر "Hopfield Networks is All You Need". ويوفّر مستودع طبقات Hopfield وحداتٍ PyTorch جاهزة للإنتاج تُحلّ محل طبقات انتباه المحوّل وطبقات التجميع والطبقات التكرارية. وتشرح التدوينة المرافقة الاشتقاق الرياضي الذي يُثبت أن صيغة انتباه softmax حالة خاصة من قاعدة تحديث Hopfield الحديثة، وأن طبقات Hopfield تُقدّم وظائف إضافية يعجز عنها الانتباه الاعتيادي، من بينها النماذج الأولية الثابتة المتعلَّمة وتكوينات الذاكرة الترابطية المرنة.

🔗 Hopfield Networks is All You Need - ICLR 2021

🔗 طبقات Hopfield في PyTorch - GitHub

🔗 التدوينة التفاعلية - ml-jku.github.io

NeurIPS 2025: انتباه Hopfield يُحسِّن GPT ومحوّلات الرؤية

أحدث الأدلة جاء في ورقة NeurIPS لديسمبر 2025 لـ Masumura وTaki. أثبتا أن Modern Hopfield Attention (MHA), الذي يُضيف حالات مخفية مستمدّة من ديناميكيات Hopfield الكاملة (غير الأدياباتية), يُحسِّن بصورة منهجية كلاً من نماذج اللغة GPT-2 وLLaMA ومحوّلات الرؤية. وجاءت التحسينات دون أي معاملات تدريب إضافية. والأهم أن MHA وجد في حلّ مشكلة انهيار الرتبة (حيث تتدهور مصفوفات الانتباه في المحوّلات العميقة فتتقارب جميع الرموز إلى تمثيلات متشابهة), وهو مرض أساسي نخر جهود توسيع نطاق المحوّلات. وخلص المؤلفان: "نأمل أن يفتح هذا البحث إمكانيات جديدة لتصميم بنى المحوّلات بشكل منهجي باستخدام شبكات Hopfield."

🔗 On the Role of Hidden States of Modern Hopfield Network in Transformer arXiv:2511.20698 (NeurIPS 2025)

Nature Communications: التعلم المحلي البيولوجي المعقول

في مايو 2024، نشرت Nature Communications بحثاً عن شبكة Hopfield المتفرقة المكمَّمة, نموذج يتعلم بقواعد تعلم محلية في سيناريوهات متصلة-مستمرة، تماماً كما تفعل الأدمغة البيولوجية. يُعالج هذا قيداً أساسياً في المحوّلات التي تتطلب انتشاراً خلفياً غير محلي وتدريباً غير متصل على مجموعات بيانات مُنسَّقة. وتُموضع الورقة بنى Hopfield باعتبارها الجسر الطبيعي بين الشبكات العصبية الاصطناعية وعتاد الحوسبة العصبومحاكاتية.

🔗 A Sparse Quantized Hopfield Network for Online-Continual Memory Nature Communications (2024)

طبقات Hopfield فعّالة في التعامل مع الشذوذات للنماذج الأساسية الكبيرة

تصدّت ورقة 2024 لمشكلة عملية في نماذج المحوّلات الكبيرة: ميل تخصيص الانتباه للرموز غير المفيدة (الفواصل وعلامات الترقيم), مشكلة "الشذوذ الخامل". وكان حلّها دالة طاقة Hopfield فعّالة في التعامل مع الشذوذات تُصنّف هذه الرموز وتُوجّهها إلى نقطة صفرية الطاقة، مانعةً إياها من تخفيف الانتباه النافع. والنموذج الناتج يشمل انتباه Softmax₁ بوصفه حالة خاصة، وقد اختُبر على BERT وOPT ومحوّلات الرؤية. هذه نظرية Hopfield تحلّ مشاكل هندسية حقيقية في المحوّلات.

🔗 Outlier-Efficient Hopfield Layers for Large Transformer-Based Models (2024)

المحوّلات بوصفها مُدنِّيات للطاقة (يناير 2026)

أحدث الأعمال النظرية، المنشور في يناير 2026، يُؤطّر مرحلة التمرير الأمامي الكاملة للمحوّل باعتبارها تدنيةً للطاقة ذاتية الطابع, مُعتمِداً بالكامل منظور Hopfield إطاراً تفسيرياً لماذا تعمل المحوّلات أصلاً. ويربط الورقة نماذج Hopfield الحديثة المتفرقة بالعائلة الكاملة من متغيرات الانتباه (softmax وsparsemax وα-entmax)، مُثبِتةً أنها جميعاً حالات خاصة من ديناميكيات الاسترجاع القائمة على الطاقة.

🔗 Transformers as Intrinsic Optimizers: Forward Inference through the Energy Principle (يناير 2026)

الأوراق الاستعراضية وموارد المجتمع

يتنظّم المجتمع البحثي الأوسع حول هذا التقارب:

• "التعلم القائم على الطاقة وتطور شبكات Hopfield" (TechRxiv، أبريل 2025), استعراض شامل يتتبع القوس الكامل من Hopfield (1982) عبر آلات Boltzmann وصولاً إلى إعادة تفسير انتباه المحوّل باعتباره ديناميكيات Hopfield الحديثة. → اقرأ الورقة
• "منظور قائم على الطاقة لآليات الانتباه في المحوّلات", تدوينة تقنية معمّقة تُجادل بأن فهم المحوّلات عبر منظور طاقة Hopfield "قد يُفضي إلى تحسينات نوعية تتخطى ما هو ممكن بالاعتماد على التوسع وتخفيض التعقيد الحسابي وحده." → اقرأ التدوينة
• Awesome Modern Hopfield Networks, مستودع GitHub مُنتقى يتتبع أكثر من 50 ورقة حول شبكات Hopfield الحديثة عبر مجالات: تخصيص الأصول وكشف التغيرات وإعادة بناء الأفكار الإبداعية وكشف الحالات الشاذة وتصنيف مستودعات الجهاز المناعي وغيرها. → تصفّح المجموعة
• "هل شبكات Hopfield هي كل ما تحتاجه؟" (Analytics India Magazine، ديسمبر 2024), تغطية موجّهة للممارسين تُوضّح كيف أثبت فريق Hochreiter أن شبكات Hopfield "قابلة للتبادل مع نماذج المحوّلات المتطورة." → اقرأ المقالة
• "أبحاث جديدة في شبكات Hopfield: مقدمة موجزة" (Medium، يوليو 2024), لمحة ميسّرة تُلاحظ أن سعة التخزين ارتفعت من 0.138N إلى 2^(N/2) عبر دوال التنشيط الأسية. → اقرأ على Medium

المسار واضح. هذا ليس اقتراح مختبر واحد ولا تخمين ورقة واحدة. IBM Research وجامعة Johannes Kepler وMIT وNeurIPS وNature Communications والمجتمع الأشمل للتعلم الآلي يتقاربون على الاستنتاج ذاته من اتجاهات مختلفة: النموذج الترابطي القائم على الطاقة الذي أرساه Hopfield ليس مجرد الأساس الذي بُنيت المحوّلات فوقه دون أن تدري, بل هو الإطار الذي سيحمل الذكاء الاصطناعي إلى ما لا تستطيع المحوّلات وحدها بلوغه.

لماذا يهمّ هذا الآن: حجة التحوّل

تقارب مضمون للأنظمة الحرجة سلامةً

المحوّلات تُنتج مخرجات، لكن لا ضمان رياضي للاستقرار. بينما تتقارب شبكات Hopfield نحو حالات مستقرة بحكم البرهان, دالة الطاقة تتناقص بصورة رتيبة. في الروبوتات والمركبات ذاتية القيادة والأجهزة الطبية وكل نظام حيث الموثوقية شرط لا تنازل عنه، هذا متطلب لا تستطيع المحوّلات الوفاء به.

الذاكرة الترابطية بوصفها الكفاءة الجوهرية

إن درّبت شبكة Hopfield بحيث تكون الحالة (1، −1، 1، −1، 1) قيمةً دنيا للطاقة، وقدّمت المدخل المشوّه (1، −1، −1، −1، 1)، تتقارب الشبكة نحو النمط المخزّن الصحيح. لا تخمّن ولا تستكمل, بل تتدحرج في مشهد الطاقة نحو أقرب جاذب. وفي الروبوتات ذات الحساسات المحجوبة والأنظمة المضمّنة ذات البيانات الضوضائية وكل تطبيق يتطلب استكمال الأنماط من مدخل جزئي، هذا تحويلي.

محرك تحسين كوني

أثبت Hopfield وDavid Tank عام 1985 أن شبكات Hopfield تستطيع حلّ مسألة البائع المتجوّل. فإن كان بالإمكان كتابة دالة تكلفة بصيغة طاقة Hopfield، تكون نقاط التوازن في الشبكة هي الحلول. ومنذ ذلك الحين طُبّقت البنية على جدولة الأعمال وتخصيص القنوات في الشبكات اللاسلكية وترميم الصور والتحويل التماثلي-الرقمي والتوجيه في الشبكات المتنقلة والتحسين التوافقي. وقدّمت ورقة Nature Communications لعام 2024 شبكة Hopfield المتفرقة المكمَّمة للتعلم بذاكرة متصلة-مستمرة بقواعد محلية, بالطريقة ذاتها التي تعمل بها الأدمغة البيولوجية، وهي قدرة يفتقر إليها المحوّلات في جوهرهم.

عتاد يُفكّر بلا برمجيات

قيد الأوزان المتماثلة (wᵢⱼ = wⱼᵢ) يُربط مباشرةً بالدوائر الإلكترونية التماثلية, فالاتصال المقاوم متماثل بطبيعته. يمكن تصنيع شبكات Hopfield كـ ASICs أو FPGAs بالاستدلال عند مقاييس النانو ثانية. وتؤكد مجموعة Nature لعام 2025 حول الحوسبة العصبومحاكاتية هذا الاتجاه: عتاد تماثلي فعّال طاقةً يُنفّذ ديناميكيات عصبية عند الطرف، بذاكرة ذات عنوان محتوى لا تحتاج إلى GPU أو CPU أو مكدّس برمجي.

رقائق الذكاء الاصطناعي العصبومحاكاتية والتماثلية التي تُنفّذ ديناميكيات الشبكة العصبية مباشرةً في العتاد. البنية المتماثلة القائمة على الطاقة في شبكات Hopfield تتعيَّن طبيعياً على الدوائر المقاومة، مُتيحةً الاستدلال بالذكاء الاصطناعي عند مقاييس النانو ثانية دون مكدّسات البرمجيات التقليدية.

مرونة ثنائية ومستمرة

تستخدم شبكات Hopfield الكلاسيكية خلايا عصبية ثنائية (+1 أو −1)؛ وتستخدم المتغيرات المستمرة تنشيطاً سيغمويدياً ومعادلات تفاضلية. يمكن أن تكون التحديثات غير متزامنة (خلية واحدة في كل مرة مع ضمان التقارب) أو متزامنة (جميعها دفعةً واحدة لتمكين التوازي). تتكيّف البنية ذاتها من متحكّم دقيق بكيلوبايتات من الذاكرة العشوائية إلى FPGA فائق التوازي, ومع طبقات Hopfield الحديثة الآن، إلى أنابيب التعلم العميق مُسرَّعة بـ GPU.

سعة التخزين: القيد الصادق

القيد الكلاسيكي واضح: شبكة من N خلية عصبية تُخزّن بصورة موثوقة نحو 0.138N نمطاً قبل أن تُنحلّ الحالات الوهمية الاسترجاع. هذا قيد حقيقي, لكنه قيد صادق. أما المحوّلات فليس لديها حدّ رياضي واضح لمتى تبدأ بالهلوسة.

علاوةً على ذلك، تحقق شبكات Hopfield الحديثة (Krotov وHopfield، 2016؛ Demircigil وآخرون، 2017) سعة تخزين أسّية عبر حدود تفاعل عالية الرتبة. والبحث مستمر في توسيع هذه الحدود: شبكات Hopfield المتفرقة والمنظّمة وذاكرة Hopfield للتتاليات الطويلة وشبكات Hopfield لتخصيص الأصول كلها مجالات تطور نشطة بأوراق متراكمة بسرعة.

النشر العملي: من الحواسيب إلى الدوائر

الرؤية الأصلية للباحثين الأوائل في الشبكات العصبية كانت جلية: إطار يمكن وصفه مرة واحدة ونشره في كل مكان. وبنية Hopfield تُحقق هذا:

تطبيقات الحواسيب, مصفوفة أوزان وقاعدة تحديث. لا GPU مطلوب.

تطبيقات الإنترنت, ذاكرة ذات عنوان محتوى للبحث بالتشابه والتوصية وإزالة التكرار.

الروبوتات, تقارب مضمون لحلقات التحكم الفوري. أنماط الحركة مخزّنة كجاذبات تُسترجع حتى من مدخلات حساسة ضوضائية.

الأنظمة المضمّنة, شبكات Hopfield الثنائية تعمل على متحكمات دقيقة بحساب صحيح وحسب.

الدوائر الإلكترونية, الأوزان المتماثلة تُربط بالشبكات المقاومة. ذكاء مُصنَّع مباشرةً في السيليكون.

الطريق إلى الأمام

منحنا عصر المحوّلات آلاتٍ لغوية استثنائية. لكن الأفق يتوسّع نحو العالم المادي, الروبوتات والمستشعرات والمحرّكات والقرارات الفورية. وذلك الأفق يتطلب بنى مستقرة وفعّالة وقابلة للتفسير وقابلة للنشر على عتاد موجود فعلياً عند الطرف.

إثبات عام 2020 بأن انتباه المحوّل هو قاعدة تحديث Hopfield الحديثة لم يكن مجرد فضول رياضي, بل كشف أننا كنا نستخدم شبكات Hopfield طوال الوقت، مُلفَّفةً في إطار يُغشي طبيعتها الحقيقية. وعمل NeurIPS 2025 الذي يُثبت أن الحالات المخفية في Hopfield تحلّ أمراض المحوّلات كانهيار الرتبة يُلمّح إلى الخطوة التالية: ليس ترقيع المحوّلات برؤى Hopfield، بل البناء مباشرةً على نموذج Hopfield ذاته.

أرانا John Hopfield الطريق عام 1982. أرسى Donald Hebb الأسس البيولوجية عام 1949. والمجتمع البحثي يتقارب عليها الآن.

حان وقت التحوّل.

المراجع

• Hopfield, J.J. (1982). "Neural networks and physical systems with emergent collective computational abilities." PNAS, 79(8), 2554–2558.
• Hebb, D.O. (1949). The Organization of Behavior. Wiley.
• Ramsauer, H. et al. (2020). "Hopfield Networks is All You Need." ICLR 2021. arXiv:2008.02217
• Krotov, D. & Hopfield, J.J. (2016). "Dense Associative Memory for Pattern Recognition." NeurIPS.
• Storkey, A. (1997). "Increasing the capacity of a Hopfield network without sacrificing functionality." ICANN.
• Hoover, B., Krotov, D. et al. (2023). "Energy Transformer." NeurIPS 2023. arXiv:2302.07253
• Masumura, T. & Taki, M. (2025). "On the Role of Hidden States of Modern Hopfield Network in Transformer." NeurIPS 2025. arXiv:2511.20698
• Alonso, N. & Krichmar, J. (2024). "A sparse quantized Hopfield network for online-continual memory." Nature Communications, 15, 3722. nature.com
• Hu, J.Y. et al. (2024). "Outlier-Efficient Hopfield Layers for Large Transformer-Based Models." arXiv:2404.03828
• Hu, J.Y. et al. (2026). "Transformers as Intrinsic Optimizers: Forward Inference through the Energy Principle." arXiv:2511.00907
• Hopfield, J.J. & Tank, D.W. (1985). "'Neural' Computation of Decisions in Optimization Problems." Biological Cybernetics, 52, 141–152.
• Bruck, J. (1990). "On the convergence properties of the Hopfield model." Proceedings of the IEEE.
• Krotov, D. (2025). "Searching for brain-inspired AI algorithms." IBM Research Blog. research.ibm.com
• "Energy-Based Learning and the Evolution of Hopfield Networks." TechRxiv، أبريل 2025. techrxiv.org