Jiacheng Liu Xinyu Wang Yuqi Lin Zhikai Wang et al

الملخص

أصبحت نماذج الانتشار (Diffusion Models) حجر الزاوية في الذكاء الاصطناعي التوليدي الحديث بفضل جودة التوليد العالية والقدرة على التحكم بها. ومع ذلك، فإن طبيعتها المتأصلة في \textit{التكرارات المتعددة الخطوات} و\textit{البنية العظمى المعقدة} تؤدي إلى عبء حسابي كبير وتأخير في التوليد، مما يشكل عقبة رئيسية أمام التطبيقات الزمنية الحقيقية. وعلى الرغم من التقدم الذي أحرزته تقنيات التسرع الحالية، إلا أنها ما زالت تواجه تحديات مثل المحدودية في التطبيق، وتكاليف التدريب العالية، أو التدهور في الجودة.في هذا السياق، تُقدّم \textbf{تَخزين الانتشار} (Diffusion Caching) نموذجًا واعدًا للاستدلال الفعّال، لا يتطلب تدريبًا، ولا يعتمد على بنية معينة، ويتميز بالكفاءة العالية. يكمن مبدأ عملها الأساسي في تحديد وإعادة استخدام التكرارات الحسابية المتأصلة في عملية الانتشار. وبفضل تمكين إعادة الاستخدام على مستوى الميزات بين الخطوات المختلفة، وتنظيم التوقيت بين الطبقات، تقلل هذه الطريقة من الحسابات دون الحاجة إلى تعديل معاملات النموذج. وتُقدّم هذه الورقة مراجعة منهجية للأسس النظرية وتطور مفهوم تَخزين الانتشار، إلى جانب اقتراح إطار موحد لتصنيفه وتحليله.من خلال التحليل المقارن للطرق الممثلة، نُظهر أن تَخزين الانتشار يتطور من \textit{إعادة الاستخدام الثابت} إلى \textit{التوقع الديناميكي}. ويُعزز هذا الاتجاه مرونة التخزين عبر مهام متنوعة، ويُمكّن من دمجها مع تقنيات تسريع أخرى مثل تحسين العينات والتقليل النموذجي (model distillation)، مما يُمهّد الطريق لبناء إطار موحد وفعال للاستدلال في التطبيقات المستقبلية متعددة الوسائط والتفاعلية. ونُؤكد أن هذا النموذج سيصبح عنصرًا محوريًا في تمكين الذكاء الاصطناعي التوليدي الزمني الفعلي والكفوء، ويعزز بدوره النشاط النظري والعملي في مجال \textit{الذكاء التوليدي الفعّال}.