شهدت أنظمة إنترنت الأشياء (Internet of Things – IoT) توسعاً متسارعاً نتيجة الانتشار الواسع للأجهزة الذكية والمستشعرات والأنظمة المضمنة القادرة على جمع كميات كبيرة من البيانات ومعالجتها. وقد أدى الاعتماد التقليدي على الحوسبة السحابية لمعالجة هذه البيانات إلى ظهور تحديات تتعلق بزمن الاستجابة، واستهلاك النطاق الترددي، والخصوصية، واستمرارية الخدمة. وفي هذا السياق برز مفهوم الذكاء الاصطناعي الطرفي (Edge AI) بوصفه اتجاهاً يجمع بين تقنيات الذكاء الاصطناعي والحوسبة الطرفية بهدف نقل جزء من عمليات تحليل البيانات واتخاذ القرار إلى الأجهزة أو العقد القريبة من مصدر البيانات. تهدف هذه المقالة إلى استعراض مفهوم الذكاء الاصطناعي الطرفي، وبنيته الأساسية، وأهم تطبيقاته في أنظمة إنترنت الأشياء، مع التركيز على دوره في تقليل زمن الاستجابة وتحسين كفاءة استخدام الموارد وتعزيز الخصوصية والأمن السيبراني. كما تناقش المقالة أبرز التحديات المرتبطة بنشر نماذج الذكاء الاصطناعي على الأجهزة الطرفية، ومنها محدودية القدرة الحاسوبية والذاكرة والطاقة، وصعوبة تحديث النماذج، وتنوع الأجهزة والبروتوكولات، إضافة إلى التحديات الأمنية. وتشير الدراسات الحديثة إلى أن دمج الذكاء الاصطناعي مع الحوسبة الطرفية يمثل اتجاهاً مهماً في هندسة الحاسوب، خصوصاً في التطبيقات التي تتطلب معالجة فورية للبيانات واتخاذ قرارات في الوقت الحقيقي. الكلمات المفتاحية: هندسة الحاسوب، الذكاء الاصطناعي، Edge AI، إنترنت الأشياء، الحوسبة الطرفية، التعلم الآلي، الأمن السيبراني، الأنظمة المضمنة. 1. المقدمة أدى التطور المتسارع في تقنيات الحوسبة والاتصالات إلى انتشار واسع للأجهزة المتصلة بالشبكات، بدءاً من الهواتف الذكية والأجهزة القابلة للارتداء وصولاً إلى المستشعرات الصناعية وأنظمة المدن الذكية والمركبات ذاتية القيادة. وتولد هذه الأجهزة كميات كبيرة من البيانات التي تحتاج إلى المعالجة والتحليل بهدف استخراج المعلومات واتخاذ القرارات المناسبة. اعتمدت العديد من أنظمة إنترنت الأشياء في مراحلها الأولى على إرسال البيانات إلى الخوادم السحابية لإجراء عمليات المعالجة والتحليل. وعلى الرغم من المزايا التي توفرها الحوسبة السحابية، فإن نقل جميع البيانات إلى مراكز البيانات قد يؤدي إلى زيادة زمن الاستجابة واستهلاك النطاق الترددي، كما قد يثير مخاوف تتعلق بالخصوصية عندما تكون البيانات حساسة. وقد ظهرت الحوسبة الطرفية (Edge Computing) كأحد الحلول لمعالجة هذه المشكلات من خلال تنفيذ عمليات المعالجة بالقرب من مصدر البيانات. ومع تطور تقنيات الذكاء الاصطناعي، أصبح من الممكن تنفيذ نماذج التعلم الآلي والتعلم العميق على الأجهزة الطرفية، وهو ما يعرف بالذكاء الاصطناعي الطرفي. وتشير المراجعات العلمية إلى أن هذا الاتجاه يهدف إلى تحقيق معالجة أسرع للبيانات مع تقليل الاعتماد على البنية السحابية. 2. مفهوم الذكاء الاصطناعي الطرفي يمكن تعريف الذكاء الاصطناعي الطرفي بأنه دمج خوارزميات وتقنيات الذكاء الاصطناعي مع البنية التحتية للحوسبة الطرفية، بحيث يتم تنفيذ عمليات مثل الاستدلال (Inference) وتحليل البيانات بالقرب من المكان الذي يتم فيه توليد البيانات. ويختلف هذا النموذج عن الذكاء الاصطناعي السحابي التقليدي الذي يعتمد بدرجة كبيرة على إرسال البيانات إلى خوادم مركزية. ففي نموذج Edge AI يمكن للكاميرا الذكية، أو المستشعر، أو الهاتف، أو وحدة التحكم المضمنة أن تقوم بجزء من عملية التحليل محلياً. وتشير الدراسات إلى أن الذكاء الاصطناعي الطرفي يمكن أن يحقق فوائد تتعلق بتقليل زمن الاستجابة، وتقليل كمية البيانات المنقولة عبر الشبكة، وتحسين الخصوصية، إضافة إلى دعم التطبيقات التي تتطلب قرارات شبه فورية. 3. البنية العامة لأنظمة Edge AI يمكن تصور بنية النظام على ثلاث طبقات رئيسية: 3.1 طبقة الأجهزة والمستشعرات تتضمن المستشعرات والكاميرات والأجهزة القابلة للارتداء والأنظمة المضمنة التي تقوم بجمع البيانات من البيئة المحيطة. 3.2 طبقة الحوسبة الطرفية تمثل هذه الطبقة المنطقة التي تتم فيها معالجة البيانات بالقرب من مصدرها، وقد تشمل أجهزة Edge Servers أو البوابات الذكية أو الحواسيب المضمنة. 3.3 طبقة الحوسبة السحابية تستخدم لتنفيذ العمليات التي تتطلب موارد حاسوبية كبيرة، مثل تدريب النماذج الكبيرة، وتخزين كميات ضخمة من البيانات، وإدارة النظام على نطاق واسع. وبذلك يمكن أن تعمل البنية بصورة تكاملية، بحيث تتم عمليات الاستدلال السريعة على الطرف، بينما يتم استخدام السحابة للعمليات التي تحتاج إلى موارد أكبر. 4. تطبيقات الذكاء الاصطناعي الطرفي 4.1 الرعاية الصحية الذكية يمكن استخدام Edge AI في الأجهزة القابلة للارتداء وأجهزة المراقبة الطبية لتحليل البيانات الحيوية بالقرب من المريض. ويسمح ذلك باكتشاف بعض الأنماط غير الطبيعية بصورة أسرع وتقليل الحاجة إلى إرسال البيانات الخام باستمرار إلى الخوادم. كما يمكن أن يكون هذا النهج مهماً في التطبيقات التي تتطلب المحافظة على خصوصية البيانات الصحية. 4.2 المدن الذكية يمكن دمج الذكاء الاصطناعي الطرفي مع كاميرات ومستشعرات المدن الذكية لتحليل حركة المرور واكتشاف الازدحام وإدارة الإشارات المرورية بصورة أكثر استجابة. 4.3 الصناعة الذكية في بيئات Industrial IoT يمكن استخدام Edge AI لتحليل بيانات الآلات والمعدات واكتشاف الأنماط غير الطبيعية، مما يساعد في تطوير أنظمة الصيانة التنبؤية. وقد ركزت أبحاث في مجال Edge AI الصناعي على تحقيق الاستجابة السريعة، والتخصيص، والمحافظة على الخصوصية باعتبارها تحديات أساسية في تطبيقات إنترنت الأشياء الصناعية. 4.4 المركبات والأنظمة ذاتية القيادة تحتاج المركبات الذكية إلى تحليل بيانات الكاميرات والرادارات والمستشعرات خلال فترة زمنية قصيرة جداً. لذلك فإن تنفيذ بعض خوارزميات الذكاء الاصطناعي بالقرب من المركبة يمكن أن يقلل الاعتماد على الاتصال المستمر بالسحابة. 4.5 الأمن السيبراني يعد الأمن السيبراني أحد المجالات المهمة لتطبيق Edge AI، إذ يمكن استخدام خوارزميات التعلم الآلي لاكتشاف السلوكيات غير الطبيعية ومحاولات الاختراق داخل شبكات إنترنت الأشياء. وتشير مراجعات حديثة إلى تنامي استخدام الذكاء الاصطناعي والتعلم الآلي في أنظمة كشف التسلل وتحليل الشذوذ في بيئات IoT، مع استمرار وجود تحديات تتعلق بالموارد والطاقة والاتصالات وإمكانية نشر النماذج على الأجهزة الطرفية. 5. دور Edge AI في الأمن السيبراني تتميز أنظمة إنترنت الأشياء بتنوع كبير في الأجهزة والأنظمة والبروتوكولات، كما أن بعضها يمتلك موارد محدودة، الأمر الذي يجعل تأمين هذه البيئات تحدياً هندسياً معقداً. يمكن استخدام الذكاء الاصطناعي في: اكتشاف الهجمات السيبرانية. اكتشاف السلوك غير الطبيعي. تصنيف أنواع الهجمات. تحليل حركة الشبكة. اكتشاف البرمجيات الخبيثة. دعم أنظمة كشف التسلل (IDS). تحسين الاستجابة للحوادث الأمنية. وتوضح الدراسات الحديثة أن دمج AI مع أنظمة IoT-edge يمكن أن يدعم الكشف عن التسلل والشذوذ، إلا أن تقييم النماذج لا يزال يواجه مشكلات تتعلق باختلاف مجموعات البيانات، ومتطلبات الذاكرة والطاقة، وزمن الاستجابة، وقابلية إعادة إنتاج النتائج. 6. التحديات الهندسية على الرغم من المزايا التي يقدمها Edge AI، فإن تطبيقه على أرض الواقع يواجه مجموعة من التحديات. 6.1 محدودية الموارد تتميز العديد من الأجهزة الطرفية بقدرات محدودة من حيث: الذاكرة. المعالجة. الطاقة. التخزين. لذلك لا يمكن دائماً تشغيل نماذج الذكاء الاصطناعي الكبيرة عليها بصورة مباشرة. 6.2 استهلاك الطاقة يعد استهلاك الطاقة عاملاً مهماً، خصوصاً في الأجهزة التي تعمل بالبطاريات مثل أجهزة الاستشعار والأجهزة القابلة للارتداء. 6.3 حجم نماذج الذكاء الاصطناعي قد تكون نماذج التعلم العميق كبيرة ومعقدة، مما يجعل تشغيلها على الأجهزة محدودة الموارد أمراً صعباً. ومن الاتجاهات المستخدمة لمعالجة هذه المشكلة ضغط النماذج (Model Compression) والتكميم (Quantization) والتقطير المعرفي (Knowledge Distillation) بهدف تقليل متطلبات النموذج مع الحفاظ على مستوى مناسب من الأداء. 6.4 الأمن والخصوصية على الرغم من أن معالجة البيانات محلياً قد تقلل الحاجة إلى إرسال البيانات الخام إلى السحابة، فإن الأجهزة الطرفية نفسها قد تكون عرضة للهجمات، ولذلك يجب تصميم آليات أمنية مناسبة لحماية البيانات والنماذج. 6.5 قابلية التوسع كلما زاد عدد الأجهزة الطرفية، تصبح إدارة النماذج وتحديثها ومراقبة أدائها أكثر تعقيداً. 7. التعلم الاتحادي ودوره في Edge AI يمثل التعلم الاتحادي (Federated Learning) أحد الاتجاهات الواعدة لمعالجة بعض مشكلات الخصوصية في أنظمة Edge AI. بدلاً من إرسال البيانات الخام من جميع الأجهزة إلى خادم مركزي، يمكن تدريب النموذج محلياً على الأجهزة ثم إرسال تحديثات النموذج أو المعلمات إلى خادم مركزي لتجميعها. يسمح هذا النهج بتقليل الحاجة إلى نقل البيانات الخام، وهو ما يجعله مناسباً بصورة خاصة لبعض تطبيقات إنترنت الأشياء التي تتعامل مع بيانات حساسة. ومع ذلك، يفرض التعلم الاتحادي تحديات جديدة، منها تكلفة الاتصالات، وعدم تجانس الأجهزة، واختلاف البيانات بين الأجهزة، إضافة إلى التهديدات الأمنية التي قد تستهدف عملية التدريب نفسها. 8. الاتجاهات البحثية المستقبلية تشير الأدبيات الحديثة إلى مجموعة من الاتجاهات التي يمكن أن تشكل محاور مهمة للبحوث المستقبلية في هندسة الحاسوب، ومن أبرزها: تصميم معالجات متخصصة للذكاء الاصطناعي الطرفي. تطوير نماذج ذكاء اصطناعي صغيرة وخفيفة. تحسين كفاءة الطاقة للأجهزة الطرفية. دمج Edge AI مع شبكات الجيل الخامس وما بعدها. تطوير أنظمة كشف اختراق ذكية في الوقت الحقيقي. استخدام التعلم الاتحادي لحماية خصوصية البيانات. تطوير Explainable AI للأجهزة الطرفية. دمج Edge AI مع الأنظمة السيبرانية ذاتية الحماية. تطوير معايير موحدة لتقييم أداء النماذج على الأجهزة الطرفية. دراسة استخدام النماذج اللغوية الكبيرة في بيئات IoT مع تقليل متطلبات الحوسبة. وتشير الأبحاث الحديثة إلى اهتمام متزايد باستخدام تقنيات مثل التعلم الاتحادي، والذكاء الاصطناعي القابل للتفسير، والتعلم العميق، إلى جانب الحاجة إلى تحسين كفاءة النماذج وتقليل المتطلبات الحاسوبية في بيئات IoT. 9. المناقشة يوضح تحليل الأدبيات أن العلاقة بين الحوسبة الطرفية والذكاء الاصطناعي تمثل اتجاهاً متعدد التخصصات يجمع بين هندسة الحاسوب، والأنظمة المضمنة، والشبكات، والذكاء الاصطناعي، والأمن السيبراني. ولا يقتصر نجاح أنظمة Edge AI على اختيار خوارزمية ذات دقة مرتفعة، بل يعتمد أيضاً على مجموعة من المؤشرات الهندسية، مثل زمن الاستجابة، واستهلاك الطاقة، وحجم الذاكرة، وحجم النموذج، وعرض النطاق الترددي، والأمن، وقابلية التوسع. وتشير الدراسات الحديثة إلى أن أحد التحديات المهمة في هذا المجال هو الانتقال من النماذج المختبرية إلى الأنظمة الواقعية، إذ لا تزال بعض الدراسات تركز على مجموعات بيانات معيارية محدودة، في حين لا يتم الإبلاغ بصورة متسقة عن مؤشرات مثل استهلاك الطاقة وزمن الاستجابة والتكاليف الاتصالية. 10. الاستنتاج يمثل الذكاء الاصطناعي الطرفي أحد الاتجاهات المهمة في التطور الحديث لهندسة الحاسوب، نتيجة قدرته على الجمع بين الذكاء الاصطناعي والحوسبة القريبة من مصدر البيانات. ويسهم هذا النهج في تقليل زمن الاستجابة وتقليل حجم البيانات التي تحتاج إلى النقل إلى السحابة، كما يمكن أن يدعم الخصوصية والكفاءة في مجموعة واسعة من تطبيقات إنترنت الأشياء. ومع ذلك، فإن نجاح تطبيق Edge AI يعتمد على معالجة مجموعة من التحديات المتعلقة بالموارد الحاسوبية والطاقة والأمن وقابلية التوسع وإدارة النماذج. ولذلك فإن البحوث المستقبلية ينبغي ألا تركز فقط على تحسين دقة خوارزميات الذكاء الاصطناعي، بل يجب أن تهتم أيضاً بكفاءة النموذج وقابلية نشره وأمنه وأدائه في البيئات الواقعية. وبناءً على ذلك، يمثل دمج الذكاء الاصطناعي والحوسبة الطرفية وإنترنت الأشياء والأمن السيبراني مجالاً بحثياً خصباً لطلبة وباحثي هندسة الحاسوب، ويمكن أن يوفر العديد من الفرص لتطوير أنظمة ذكية وآمنة وفعالة قادرة على العمل في الوقت الحقيقي. المصادر Gill, S. S., et al. (2024). Edge AI: A Taxonomy, Systematic Review and Future Directions. arXiv. Zhou, Z., Chen, X., Li, E., Zeng, L., Luo, K., & Zhang, J. (2019). Edge Intelligence: Paving the Last Mile of Artificial Intelligence With Edge Computing. Proceedings of the IEEE, 107(8), 1738–1762. DOI: 10.1109/JPROC.2019.2918951. Zhou, Z., et al. (2020). Edge Intelligence: The Confluence of Edge Computing and Artificial Intelligence. IEEE Internet of Things Journal, 7(8), 7457–7469. DOI: 10.1109/JIOT.2020.2984887. Mallidi, S. K. R., & Ramisetty, R. R. (2025). Advancements in training and deployment strategies for AI-based intrusion detection systems in IoT: A systematic literature review. Discover Internet of Things, 5, Article 8. DOI: 10.1007/s43926-025-00099-4. Alioanei, C., & Popescu, N. (2025). AI-Based Solutions for Security and Resource Optimization in IoT Environments: A Systematic Review. Information, 16(10), 841. DOI: 10.3390/info16100841. Xue, Q., Xue, P., Wang, Z., & Ma, H. (2026). Artificial Intelligence for Cybersecurity in IoT-Edge Systems: A Structured Review of Methods, Datasets, Evaluation, and Deployment Challenges. Electronics, 15(11), 2409. Edge Computing for Internet of Things IoT—A Review of Architectures, Challenges, and Emerging Trends. IEEE, 2025. DOI: 10.1109/ICRTEECT67512.2025.11448963. The Role of Large Language Models in IoT Security: A Systematic Review of Advances, Challenges, and Opportunities. Internet of Things, 34, 101735, 2025. DOI: 10.1016/j.iot.2025.101735. The Role of Large Language Models in Addressing IoT Challenges: A Systematic Literature Review. Future Generation Computer Systems, 171, 107829, 2025. DOI: 10.1016/j.future.2025.107829. Edge AI: A Comprehensive Survey of Technologies, Applications, and Challenges. IEEE, 2024. DOI: 10.1109/ACET61898.2024.10730112.