على مدى عقود، خدم قانون مور (Moore’s Law) كمرشد تقني لمهندسي وادي السيليكون، مشيرا إلى أن عدد الترانزستورات في المعالجات يتضاعف كل عامين تقريبا، مما يرفع الكفاءة الحسابية بشكل أسي.
لكن مع بداية العقد الثالث من القرن الحادي والعشرين، بدأت حدود الفيزياء الكمية ومشاكل الحرارة تقيد هذا النمو. من هنا، ظهر ما يُعرف بـ قانون مور المعدّل (Modified Moore’s Law)، والذي يأخذ بعين الاعتبار تطورات جديدة في بنية المعالجات والتقنيات البديلة.
- تعريف قانون مور المعدّل
يشير قانون مور المعدّل إلى أن:
“القدرة الحوسبية لا تتضاعف فقط عبر زيادة عدد الترانزستورات، بل من خلال تحسين البنية المعمارية للمعالجات، استخدام تقنيات جديدة مثل الذكاء الاصطناعي على الرقاقة (AI-on-chip)، والتوجه نحو الحوسبة الكمية والنانوية.”
بمعنى آخر، نحن نتحرك من نموذج يعتمد على “الكمّ” نحو نموذج يدمج الكم مع الابتكار النوعي.
لماذا لم يعد قانون مور التقليدي كافيا؟
ابتداء من عام 2010، بدأت الشركات الكبرى مثل Intel وTSMC تواجه تحديات كبيرة:
- صغر حجم الترانزستورات وصل إلى حدود ذرية (~3 نانومتر)
- الحرارة والتداخل الكهرومغناطيسي أصبحا عقبتين كبيرتين
- التكلفة العالية لتصنيع معالجات أحدث أصبحت غير قابلة للاستدامة اقتصاديا
وهكذا، بات واضحا أن قانون مور التقليدي قد تباطأ أو دخل مرحلة إعادة تعريف.
- عناصر قانون مور المعدّل
1. الهندسة ثلاثية الأبعاد للشرائح (3D Chip Design)
استخدام تقنية الطبقات المتعددة داخل الشريحة الواحدة، كما في معالجات Intel Foveros وAMD 3D V-Cache.
2. المعالجات المتخصصة (ASICs وTPUs)
تحقق أداء أعلى بمراحل في تطبيقات معينة، مثل شبكات التعلم العميق.
3. الحوسبة الكمومية (Quantum Computing)
رغم أنها لا تزال في مراحلها المبكرة، إلا أن النمو فيها يتبع نمطا أسرع من قانون مور التقليدي، خصوصا من قبل شركات مثل IBM وGoogle.
4. الحوسبة النانوية والمواد الجديدة
مثل استخدام الجرافين أو الترانزستورات ذات البوابة المفردة (Single Electron Transistors).
- العلاقة بين قانون مور المعدّل والذكاء الاصطناعي العام (AGI)
كل تقدم في القدرة الحوسبية يختصر الزمن اللازم لتدريب نماذج ضخمة من الذكاء الاصطناعي، مثل GPT وGemini وClaude.
وبالتالي، فإن قانون مور المعدّل:
- يقلل تكلفة تدريب النماذج الضخمة
- يتيح أداء عاليا على الأجهزة الطرفية (Edge AI)
- يُسرّع من محاكاة الشبكات العصبية المعقدة
وفقا لتقرير OpenAI (2024)، فإن حجم النماذج الأكثر تطورا تضاعف أكثر من 10 مرات خلال عام واحد فقط، وهو ما كان مستحيلا دون تقدمات في المعالجة الحوسبية.
تأثيرات اقتصادية واستراتيجية
- الدول التي تتحكم في سلاسل إنتاج المعالجات المتقدمة (مثل تايوان وكوريا الجنوبية) باتت تمتلك وزنا جيوسياسيا حاسما.
- صعود الشركات الناشئة التي تطور معالجات مخصصة للذكاء الاصطناعي مثل Cerebras وTenstorrent.
- تشجيع تطوير المعالجات المفتوحة المصدر (مثل RISC-V) كبديل عن هيمنة ARM وx86.
هل هناك حدود لقانون مور المعدّل؟
رغم أنه يسمح بالتحايل على حدود السيليكون، إلا أن:
- الحوسبة الكمومية لا تزال غير عملية على النطاق التجاري
- نقص المهارات المتقدمة والرقائق الدقيقة يعوق التوسع السريع
- الاعتماد على الطاقة يتزايد بشكل خطير، ما يدفع للاهتمام بالاستدامة
خلاصة:
لقد تحول قانون مور من تنبؤ ثابت إلى منظومة من الابتكارات متعددة الاتجاهات. فـ”قانون مور المعدّل” يعكس مرحلة انتقالية في تاريخ التقنية، تجمع بين الهندسة، الذكاء الاصطناعي، والفيزياء المتقدمة.
ومع اقتراب العالم من الوصول إلى ذكاء اصطناعي عام (AGI)، يصبح فهم هذه التحولات أمرا ضروريا لكل باحث ومخطط استراتيجي.
- مراجع:
- Intel Research: “The Evolution of Moore’s Law,” 2023.
https://www.intel.com/content/www/us/en/newsroom/news/evolution-of-moores-law.html - MIT Technology Review: “Why Moore’s Law is dying and what’s next,” 2021.
https://www.technologyreview.com/2021/07/21/1030060/moores-law-slowing-end-whats-next/ - OpenAI Technical Report (2024): Scaling Laws and Hardware Demands.
https://openai.com/research/scaling-laws - IBM Quantum Progress Report (2023): Roadmap and Qubits Scaling.
https://research.ibm.com/blog/quantum-2023-roadmap - Cerebras Systems: “WSE-2: The Largest Chip Ever Built,” 2022.
https://www.cerebras.net/technology/wafer-scale-engine/
