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

البنية التحتية للنماذج اللغوية الكبيرة

⁧النموذج المدرَّب على القرص لا يفعل شيئًا — ثلاث طبقات توصله للمستخدمين⁩⁧كل طبقة تحل مشكلة مختلفة وتضيف تكلفة وتعقيدًا — اقرأ المنظومة من الأسفل إلى الأعلى⁩⁧المستخدم⁩⁧الطبقة 3 — التقديم · بموثوقية للمستخدمين على نطاق واسع⁩⁧بوابة API — تحديد المعدل، المصادقة، التوجيه، الموازنة⁩⁧تجميع الطلبات — الطلبات المتزامنة تتشارك GPU⁩⁧التوسع التلقائي — السعة تتبع الطلب صعودًا وهبوطًا⁩⁧إصدارات النموذج — إطلاق تجريبي وأزرق-أخضر، 5% من الحركة أولًا⁩⁧هنا تعيش اتفاقيات SLA للمؤسسات⁩⁧الطبقة 2 — التحسين · أصغر، أسرع، أرخص⁩⁧التكميم — دقة أقل، ذاكرة GPU أقل، فقد طفيف في الجودة⁩⁧التقطير — نموذج مدمج يتعلم من نموذج معلّم أكبر⁩⁧التقليم — يزيل الأوزان قليلة الأثر⁩⁧تخزين KV المؤقت وفك الترميز التخميني — توليد أسرع للرموز⁩⁧هذه الطبقة تحدد التكلفة وزمن الاستجابة في أي نقاش تجاري⁩⁧الطبقة 1 — العتاد · الحوسبة المادية⁩⁧وحدات GPU و TPU — عناقيد مسرّعات NVIDIA و Google في مراكز البيانات⁩⁧التدريب الموزّع — النموذج المتقدم لا يتسع له جهاز واحد⁩⁧السحابة (AWS · Azure · GCP) تؤجر الحوسبة عند الطلب⁩⁧داخل المؤسسة — تشتري العتاد: تحكم أكبر، وتكلفة أكبر بكثير⁩⁧معظم المؤسسات تستأجر هذه الطبقة؛ ونادرًا ما تملكها⁩⁧نموذج مدرَّب على القرص — لا يفعل شيئًا وحده⁩⁧حين يُطرح سؤال التكلفة⁩⁧قفزات زمن الاستجابة تحدث عادةً⁩⁧هنا، لا داخل النموذج —⁩⁧متطلبات SLA تشكّل هذه الطبقة⁩⁧اسأل: النموذج الكامل أم نسخة⁩⁧محسّنة — وما التنازلات⁩⁧في الجودة؟⁩⁧المسرّع الواحد يكلّف عشرات⁩⁧الآلاف — والعنقود رأس مال⁩⁧حقيقي؛ احسبه قبل الشراء⁩⁧إجابات لأسئلة البنية التحتية⁩⁧من IT والمشتريات و CISO⁩⁧العتاد يشغّله، والتحسين يجعله ميسورًا، والتقديم يبقيه متاحًا⁩⁧كل طبقة تضيف تكلفة وتعقيدًا — الجواب الصادق عن «لماذا الذكاء الاصطناعي المؤسسي مكلف؟»⁩
⁧ثلاث طبقات من البنية التحتية تفصل النموذج المدرَّب عن مستخدميه — العتاد يشغّله، والتحسين يجعله ميسورًا، والتقديم يجعله موثوقًا.⁩

ثلاث طبقات بين النموذج والمستخدم

النموذج المدرَّب المحفوظ على القرص لا يفعل شيئًا. وإيصاله إلى المستخدمين بموثوقية، وبسرعة، وعلى نطاق واسع، وضمن التكلفة، يتطلب ثلاث طبقات منفصلة من البنية التحتية. كل طبقة تحلّ مشكلة مختلفة، وكل طبقة تضيف تكلفة وتعقيدًا. وفهم ذلك يفيد حين تسأل القيادة لماذا الذكاء الاصطناعي (AI) المؤسسي مكلف، أو لماذا النشر المحلي (On-premise) أصعب مما يبدو.

  • طبقة العتاد: القدرة الحاسوبية المادية التي تدرّب النموذج وتشغّله
  • طبقة التحسين: تقنيات تجعل النماذج أصغر وأسرع وأرخص تشغيلًا
  • طبقة التقديم (Serving): البنية التحتية التي توصل ردود النموذج إلى المستخدمين بموثوقية وعلى نطاق واسع

العتاد: القدرة الحاسوبية المادية

النماذج اللغوية الكبيرة (Large Language Models) كثيفة الحوسبة. والعتاد اللازم لتدريبها وتشغيلها متخصص ومكلف وشحيح. معظم المؤسسات لا تملك هذه الطبقة أبدًا، بل تستأجرها عبر مزوّدي الخدمات السحابية. لكن معرفة ماهيتها تفيد حين تسأل إدارة المشتريات أو أمن تقنية المعلومات عن البنية التحتية الأساسية.

  • وحدات GPU وTPU: الرقائق التي تشغّل الذكاء الاصطناعي — وحدات GPU من NVIDIA لمراكز البيانات (Data centers) (جيل H100، ثم Blackwell حاليًا) لمعظم أحمال الذكاء الاصطناعي، ووحدات TPU الخاصة بـ Google، وهي الآن في جيلها السابع (Ironwood)
  • التدريب الموزّع: يُقسَّم التدريب على عقد كثيرة بالتوازي — فالنموذج الرائد لا يتّسع له جهاز واحد
  • السحابة مقابل النشر المحلي: توفّر AWS وAzure وGCP قدرة GPU عند الطلب؛ أما النشر المحلي فيعني شراء العتاد — تحكّم أعلى، وتكلفة وتعقيد أعلى بكثير
  • يبلغ سعر وحدة H100 نحو 30 ألف دولار؛ وعنقود استدلال صغير يمثّل رأس مال كبيرًا — سياق مفيد عند الموازنة في تكلفة الذكاء الاصطناعي المحلي

التحسين: جعل النماذج أصغر وأرخص

النماذج الرائدة أكبر وأبطأ من أن تُشغَّل بكفاءة كما هي. وهناك مجموعة من التقنيات تضغطها وتسرّعها دون أن تُتلف قدراتها. هذه الطبقة هي ما يجعل تشغيل النماذج القوية على نطاق المؤسسات عمليًا، وتؤثر مباشرة في أرقام التكلفة وزمن الاستجابة في أي نقاش تجاري.

  • التكميم (Quantisation): يخفّض دقة النموذج لتوفير الذاكرة والتكلفة — يعمل أسرع، ويستهلك ذاكرة GPU أقل، مع خسارة طفيفة في الجودة
  • التقطير (Distillation): نموذج أصغر يتعلّم من نموذج «معلّم» أكبر — نموذج مدمج يتصرف مثل الأصلي بجزء من حجمه
  • التقليم (Pruning): يزيل الأوزان قليلة الأثر لتقليص حجم النموذج دون فقدان معظم قدراته
  • التخزين المؤقت للمفاتيح والقيم (KV caching) وفك الترميز التخميني (Speculative decoding): يسرّعان توليد الرموز وقت الاستدلال — وهما أساسيان لأحمال العمل الحوارية

التقديم: إيصال النموذج إلى المستخدمين بموثوقية

طبقة التقديم هي كل ما يقع بين النموذج المحسَّن والمستخدم النهائي. تدير حركة المرور، وتتحكم في التكلفة، وتُبقي النظام عاملًا حين يرتفع الطلب فجأة أو يحدث خلل ما. وفي عمليات النشر المؤسسية، هنا تُحدَّد اتفاقيات مستوى الخدمة (SLAs).

  • بوابة API: تحديد معدل الطلبات، والمصادقة، والتوجيه، وموازنة الأحمال لكل طلب
  • تجميع الطلبات (Batching): يجمع الطلبات المتزامنة لرفع كفاءة GPU — أرخص بكثير من تشغيلها واحدًا تلو الآخر
  • التوسّع التلقائي: يوسّع القدرة الحاسوبية ديناميكيًا حسب الطلب — يضيف سعة حين ترتفع الحركة، ويقلّصها عند الخمول
  • إدارة إصدارات النماذج والنشر التجريبي (Canary): طرح آمن لتحديثات النموذج بأنماط Canary وBlue-green — تذهب الإصدارات الجديدة أولًا إلى نسبة صغيرة من الحركة

كيف ينطبق هذا عليّ؟

مستخدم عام

البنية التحتية خلف الذكاء الاصطناعي هي سبب غلاء الذكاء الاصطناعي المحلي وسهولة الوصول إلى الذكاء الاصطناعي السحابي. وفهم الطبقات الثلاث يشرح لماذا يكلّف الذكاء الاصطناعي المؤسسي ما يكلّفه، ولماذا يتفاوت زمن الاستجابة.

  • الذكاء الاصطناعي المحلي يعني امتلاك طبقة العتاد — ولهذا هو أغلى بكثير من السحابي
  • ارتفاعات زمن الاستجابة تحدث عادةً في طبقة التقديم، لا داخل النموذج نفسه
  • تفعيل تحديثات النموذج دون أن تلاحظ سمةٌ من سمات النشر التجريبي — فالطرح تدريجي بطبيعة تصميمه
متخصص أمن

أسئلة البنية التحتية التي تطرحها تقنية المعلومات والمشتريات ومدير أمن المعلومات (CISO) هي في الحقيقة أسئلة عن هذه الطبقات الثلاث. ومعرفة الطبقات تتيح لك تقديم إجابات ملموسة وموثوقة بدل إحالتها إلى الفريق الهندسي.

  • تكلفة GPU المحلية: يبلغ سعر وحدة H100 نحو 30 ألف دولار؛ وعنقود استدلال صغير إنفاق رأسمالي كبير — قدّر ذلك رقميًا قبل أن تسلك مؤسستك طريق النشر المحلي
  • حدّد متطلبات اتفاقية مستوى الخدمة أولًا — فهي تحدد بنية طبقة التقديم؛ والتوسّع التلقائي والتكرار الاحتياطي والنشر التجريبي حدّ أدنى لأي أداة إنتاجية في مركز العمليات الأمنية
  • أسئلة النشر التجريبي هي في الحقيقة أسئلة حوكمة النماذج — اطرحها على الموردين بوصفها ضوابط مخاطر: «هل تذهب إصدارات النموذج الجديدة أولًا إلى 5% من الحركة، حتى لا نتحمّل التراجع دفعة واحدة؟»
  • التكميم والتقطير هما طريقة الموردين لخفض تكلفة الاستدلال — اسأل هل المنتج الذي تشتريه يستخدم النموذج الكامل أم نسخة محسّنة، وما مفاضلات الجودة المترتبة
مطوّر

التحسين والتقديم هما حيث يعيش الذكاء الاصطناعي في بيئة الإنتاج — ومعظم مكاسب جودة النموذج أثناء التطوير تمحوها قرارات بنية تحتية متسرّعة.

  • قد يخفّض التكميم تكلفة الذاكرة إلى الربع (4x) مع خسارة طفيفة في الجودة — اختبره قبل توفير مزيد من GPU
  • التخزين المؤقت للمفاتيح والقيم أساسي لأحمال العمل الحوارية؛ فبدونه يزداد زمن الاستجابة مع طول المحادثة
  • طبّق النشر التجريبي لتحديثات النموذج — تراجعات القدرات الصامتة أصعب الأخطاء اكتشافًا
مستشار ذكاء اصطناعي

طبقة البنية التحتية هي حيث تفاجئ ميزانيات مشاريع الذكاء الاصطناعي العملاء. ضمّن الطبقات الثلاث في نموذج التكلفة الإجمالية للملكية (TCO) قبل تحديد نطاق المشروع.

  • تكاليف العتاد غالبًا غير مرئية في المنتجات المستضافة سحابيًا حتى يكبر النطاق — احسب تكلفة الاستعلام الواحد عند حجم الإنتاج
  • التحسين قدرة ينبغي أن يطلبها العملاء من الموردين — التكميم والتقطير حدّ أدنى، لا إضافات
  • اتفاقيات مستوى خدمة التقديم مكانها عقد الشراء — لا نقاش ما بعد النشر
✎ أنهيت الوحدة!
اختبر نفسك في «النماذج اللغوية الكبيرة» ←