مركز تعلّم الذكاء الاصطناعيEnglish
ترجمة عربية جديدة ✦ نراجعها باستمرار لتحسينها.

الذكاء الاصطناعي على الجهاز والنماذج مفتوحة الأوزان

⁧الذكاء على الجهاز ومفتوح الأوزان: ثلاث معماريات وقرار واحد⁩ ⁧رسم يقارن ثلاث بنى لنشر الذكاء الاصطناعي — على الجهاز، والنماذج مفتوحة الأوزان المستضافة ذاتياً، وواجهات النماذج المتقدمة السحابية — مع مزايا كلٍّ منها وعيوبه وإطار القرار للاختيار بينها.⁩ ⁧الذكاء على الجهاز ومفتوح الأوزان: ثلاث معماريات وقرار واحد⁩ ⁧على الجهاز⁩ ⁧يعمل محليًا على أجهزتك⁩ ⁧من يقدّمه⁩ Apple Intelligence Gemini Nano · Llama 3.2 ⁧Phi-4-mini على الأجهزة الطرفية⁩ ⁧يتفوق في⁩ ⁧الخصوصية — البيانات لا تغادر الجهاز⁩ ⁧السرعة — استجابة بأجزاء من الثانية⁩ ⁧دون اتصال — لا حاجة لشبكة⁩ ⁧استخدمه حين⁩ ⁧تكون حساسية البيانات في أعلاها⁩ ⁧يُطلب تأخير أقل من 50ms⁩ ⁧يكون الاتصال متقطعًا⁩ ⁧المقابل: قدرات محدودة⁩ ⁧مفتوح الأوزان باستضافة ذاتية⁩ ⁧بنيتك التحتية، وأوزان عامة⁩ ⁧من يقدّمه⁩ Llama 3 (8B / 70B) Mistral · Mixtral · Phi-4 ⁧Qwen — ينافس النماذج الرائدة⁩ ⁧يتفوق في⁩ ⁧لا ارتهان لمزوّد ولا رسوم ترخيص⁩ ⁧اضبطه بحرية على بياناتك⁩ ⁧توطين البيانات وسيادتها محلولان⁩ ⁧استخدمه حين⁩ ⁧يمنع التنظيم البيانات لدى طرف ثالث⁩ ⁧تكلفة API > نقطة تعادل الاستضافة الذاتية⁩ ⁧يكون الضبط الدقيق جوهر المنتج⁩ ⁧المقابل: تشغيل منظومة GPU بنفسك⁩ ⁧API سحابية رائدة⁩ ⁧يستضيفها المزوّد، بأقصى قدرة⁩ ⁧من يقدّمه⁩ OpenAI · Anthropic Google · xAI ⁧واجهات API للنماذج الرائدة⁩ ⁧يتفوق في⁩ ⁧قدرات واستدلال رائدة⁩ ⁧لا بنية تحتية لتشغيلها⁩ ⁧تطوير سريع بتغيير API⁩ ⁧استخدمه حين⁩ ⁧تحتاج أعلى جودة متاحة⁩ ⁧يكون الحجم دون نقطة التعادل⁩ ⁧تكون حساسية البيانات قابلة للإدارة⁩ ⁧المقابل: البيانات تغادر نطاقك⁩ ⁧الخيار الافتراضي في 2026: الهجين⁩ ⁧على الجهاز أو مفتوح الأوزان للعمل الحساس والروتيني · والسحابة الرائدة للحالات الصعبة التي تحتاج أقصى قدرة⁩ ⁧وجّه حسب حساسية البيانات وتعقيد المهمة والتكلفة — لا حسب العلاقة مع المزوّد⁩ ⁧لم تعد السحابة وحدها الخيار الافتراضي — ولاعتراضات سيادة البيانات حلول تقنية الآن⁩

ذكاء اصطناعي يعمل على جهازك

حتى عام 2024، كان تشغيل نموذج ذكاء اصطناعي (AI) قادر يتطلب بنية تحتية سحابية: مجموعة من وحدات GPU تخدم طلبات الاستدلال (Inference)، أي تشغيل النموذج، عبر API. هذا الافتراض لم يعد قائمًا. فالنماذج الصغيرة تعمل بزمن استجابة شبه فوري على الحواسيب المحمولة والهواتف الذكية للمستهلكين، وصارت تتولى حصة متزايدة من المهام الروتينية، كالتلخيص والصياغة والتفريغ النصي والتصنيف، التي كانت تتطلب استدعاءً سحابيًا. إن Apple Intelligence وGoogle Gemini Nano وعائلات النماذج الصغيرة مفتوحة الأوزان هي عمليات نشر فعلية، لا تجارب. وانعكاساتها على الخصوصية وزمن الاستجابة والتكلفة وسيادة البيانات كبيرة.

  • معنى «على الجهاز»: أوزان النموذج والاستدلال يعملان محليًا؛ لا طلب عبر الشبكة، ولا بيانات تغادر الجهاز
  • الحجم: نسخ صغيرة من Llama وGemma، وسلسلة Phi للنماذج الصغيرة، وGemini Nano؛ نماذج صغيرة بما يكفي للهاتف لكنها قادرة بما يكفي لمهام حقيقية
  • Apple Intelligence: نماذج على الجهاز للمساعدة في الكتابة والتلخيص وتوليد الصور؛ تعمل بالكامل على شريحة A-series
  • فائدة الخصوصية: البيانات الحساسة (السجلات الطبية، والمستندات القانونية، والرسائل الشخصية) لا تغادر الجهاز أبدًا لمعالجتها
  • فائدة زمن الاستجابة: لا رحلة ذهاب وإياب عبر الشبكة؛ ردود خلال بضعة أجزاء من الألف من الثانية، لا خلال مئات الأجزاء منها

النماذج مفتوحة الأوزان: ذكاء اصطناعي تشغّله بنفسك

غيّرت النماذج مفتوحة الأوزان (Open-weight models)، أي التي تُنشر أوزانها المدرَّبة للعموم، مشهد الذكاء الاصطناعي. فعائلات Llama وDeepSeek وQwen وGemma وPhi (أمثلة وقت كتابة هذا المحتوى؛ إذ تتبدل الإصدارات كل بضعة أشهر) يمكن تنزيلها وتشغيلها وإجراء الضبط الدقيق (Fine-tuning) لها دون تكاليف API أو ارتهان لمزوّد واحد. والتوصيف الصادق لموقعها: النماذج مفتوحة الأوزان تتأخر الآن عن أحدث النماذج المغلقة بأشهر لا بسنوات، وفي طيف واسع من مهام الإنتاج لم تعد هذه الفجوة مهمة.

  • مفتوح الأوزان ≠ مفتوح المصدر: الأوزان منشورة لكن بيانات التدريب والكود قد لا تكون كذلك؛ فكلمة «مفتوح» تشير إلى الأوزان تحديدًا
  • عائلة Llama (Meta): نماذج مفتوحة الأوزان تمتد من أحجام تعمل على الجهاز إلى نطاق مراكز البيانات، برخصة تجارية متساهلة
  • سلسلة DeepSeek (V3/R1 وما تلاها): نماذج مفتوحة الأوزان، منها نماذج استدلال مدرّبة بالتعلّم المعزّز، قلّصت الفجوة بشكل كبير مع أحدث النماذج المغلقة
  • Qwen (Alibaba) وGemma (Google): عائلتان قويتان متعددتا اللغات من النماذج مفتوحة الأوزان؛ وتواصل Phi (Microsoft) خط النماذج الصغيرة للأجهزة والنشر الخاص
  • اقتصاديات الضبط الدقيق: تستطيع المؤسسات تخصيص النماذج مفتوحة الأوزان على بياناتها باستخدام موارد GPU متواضعة، دون الحاجة إلى تدريب مسبق كامل

متى يكون التشغيل على الجهاز أو النموذج مفتوح الأوزان هو الخيار الصحيح

نماذج API السحابية ليست دائمًا الإجابة الصحيحة. فبالنسبة للبيانات الحساسة للخصوصية، أو البيئات المعزولة عن الشبكة، أو اقتصاديات الاستدلال بأحجام كبيرة، أو لأسباب تنظيمية، قد تكون النماذج على الجهاز أو النماذج مفتوحة الأوزان المستضافة ذاتيًا هي البنية الأفضل. وفهم هذه الموازنات يمنع الإفراط في الهندسة والتقصير فيها على حد سواء.

  • اختر التشغيل على الجهاز حين: تكون البيانات أكثر حساسية من أن تُرسل إلى السحابة، أو يجب أن يكون زمن الاستجابة أقل من 50 جزءًا من الألف من الثانية، أو يكون اتصال الجهاز متقطعًا
  • اختر النموذج مفتوح الأوزان المستضاف ذاتيًا حين: تمنع المتطلبات التنظيمية معالجة البيانات لدى طرف ثالث، أو يجعل حجم الاستخدام تكاليف API باهظة، أو يتطلب التخصيص ضبطًا دقيقًا
  • اختر API السحابية حين: تحتاج إلى قدرات أحدث النماذج (النماذج الاستدلالية، وأكبر نوافذ السياق)، أو تكون سرعة التكرار أهم من التكلفة عند حجمك الحالي
  • النمط الهجين: التشغيل على الجهاز أو النماذج مفتوحة الأوزان للمهام الحساسة أو الروتينية، والنماذج السحابية المتقدمة للمهام المعقدة التي تحتاج أقصى قدرة
  • مؤشر التكلفة: عند حجم رموز مرتفع (مليارات شهريًا)، تسترد الاستضافة الذاتية لنموذج مفتوح الأوزان تكلفتها غالبًا خلال 6 أشهر مقارنة بأسعار API

كيف ينطبق هذا عليّ؟

مستخدم عام

الذكاء الاصطناعي على الجهاز يعني ميزات ذكاء اصطناعي تعمل دون إرسال بياناتك إلى خوادم شركة ما. وفي المهام الشخصية الحساسة، الطبية أو القانونية أو المالية، هذا أمر مهم. أما ميزات الراحة اليومية، فالذكاء الاصطناعي السحابي مناسب لها عادة. ومعرفة الفرق تساعدك على اتخاذ خيارات مدروسة.

  • لوحة المفاتيح الذكية في هاتفك، والمساعد الصوتي، ومعالجة الصور تعمل بشكل متزايد على الجهاز؛ فتبقى بياناتك على الجهاز
  • للمستندات الحساسة أو البيانات الصحية الشخصية، ابحث عن أدوات ذكاء اصطناعي تذكر صراحة أن المعالجة تتم على الجهاز
  • النماذج مفتوحة الأوزان تعني أنك تستطيع تشغيل ذكاء اصطناعي قادر محليًا على حاسوبك المحمول مجانًا؛ وأدوات مثل Ollama تجعل ذلك متاحًا دون خبرة تقنية
متخصص أمن

الذكاء الاصطناعي على الجهاز والنماذج مفتوحة الأوزان هما الإجابة على مخاوف سيادة البيانات. فحين تقول مؤسستك «لا يمكننا إرسال بياناتنا إلى ذكاء اصطناعي لدى طرف ثالث»، فلهذا القلق إجابة تقنية.

  • خيارات سيادة البيانات: الاستدلال على الجهاز، أو النماذج مفتوحة الأوزان المستضافة ذاتيًا، أو عمليات نشر API معزولة داخل VPC؛ طابِق حساسية بياناتك مع البنية المناسبة
  • تتيح لك النماذج مفتوحة الأوزان إجراء الضبط الدقيق على بيانات التهديدات الخاصة بك دون مشاركتها مع مزوّد؛ قرّر هل هذا متطلب لديك
  • الزاوية التنظيمية: المادة 28 من GDPR (متطلبات معالج البيانات)، وFedRAMP للجهات الحكومية، وHIPAA للرعاية الصحية؛ لكل منها انعكاسات محددة على مكان إقامة البيانات، يحلّها التشغيل على الجهاز أو الاستضافة الذاتية بوضوح
مطوّر

تغيّر النماذج مفتوحة الأوزان والاستدلال على الجهاز حسابات «البناء أم الشراء» بشكل كبير. فعند حجم كافٍ، تتفوق الاستضافة الذاتية على تكاليف API؛ وعند حساسية كافية، يتفوق التشغيل على الجهاز على أي بنية سحابية.

  • قيّم النماذج مفتوحة الأوزان على مهمتك المحددة؛ فالعائلات الحالية (Llama وDeepSeek وQwen وGemma) تتولى كثيرًا من أعباء الإنتاج بجزء صغير من تكلفة الاستدلال عبر API للنماذج المتقدمة
  • استخدم Ollama أو vLLM أو llama.cpp للتطوير والاختبار المحليين؛ كرّر التجارب على نموذج محلي قبل الالتزام بتكاليف API
  • تكميم النموذج (Quantisation) بصيغة GGUF، بدقة 4-bit أو 8-bit: يقلّل متطلبات الذاكرة بمقدار 2–4× مع خسارة طفيفة في الجودة، ويجعل النماذج الأكبر قابلة للتشغيل على أجهزة المستهلكين
مستشار ذكاء اصطناعي

يجب أن يكون الذكاء الاصطناعي على الجهاز والنماذج مفتوحة الأوزان ضمن كل تحليل لخيارات البنية للعملاء الذين لديهم بيانات حساسة أو حجم استدلال كبير. فتجاهلهما يعني التوصية ببنية دون المستوى الأمثل، وربما غير ممتثلة.

  • أدرج النماذج مفتوحة الأوزان المستضافة ذاتيًا في تحليل الخيارات لأي عميل لديه مخاوف تتعلق بحساسية البيانات أو حجم الاستخدام، لا كفكرة لاحقة
  • اقتصاديات الضبط الدقيق: يمكن تخصيص النماذج مفتوحة الأوزان على بيانات العميل بقدرة حسابية متواضعة؛ وهذا يتيح أداءً متخصصًا في المجال لا تستطيع نماذج API مجاراته دون مشاركة البيانات
  • تدقيق الخصوصية: حدّد فئات البيانات التي يرتاح العميل لإرسالها إلى API لدى طرف ثالث مقابل تلك التي يجب أن تبقى داخل مقرّه؛ هذه الخريطة هي ما يحدد البنية