Yandex: Alice تعالج أوامر المنزل الذكي على السماعة نفسها — بمعدل 6x أسرع من السحابة

• Станция Миди и голосовое управление Zigbee-устройствами без интернета. История разработки — Habr (блог Яндекса), 2023-11
• Итоги Яндекса за 2025: 5,3 млн активных устройств YaOS/YaOS X, 2,9 млрд запросов к Алисе — Habr, 2025
• Яндекс.Станция — линейка устройств, включая Станцию Мини 3 Про с локальной обработкой команд — TAdviser, n/a
• Яндекс Станция Миди — официальная страница продукта (Zigbee-хаб, локальные команды) — Яндекс, n/a

السياق

أليس مساعد صوتي من Yandex يعيش في السماعات الذكية وأجهزة التلفاز على منصات YaOS و YaOS X. حجم النظام البيئي في نهاية عام 2025: 5.3 مليون جهاز نشط، 2.9 مليار طلب تمت معالجتها على مدار العام، و 14 جهازًا ذكيًا جديدًا في المجموعة (بيانات Yandex منشورة على Habr). وهو أحد أكبر الأنظمة البيئية الصوتية خارج العالم الناطق باللغة الإنجليزية.

في نوفمبر 2023، أطلقت Yandex Station Midi — أول سماعة تعلمت فيها أليس فهم وتنفيذ أوامر المنزل الذكي محليًا، مباشرة على الجهاز، دون رحلة ذهاب وإياب إلى السحابة. وتعمل Midi أيضًا كمركز Zigbee بحد ذاتها: تتصل المستشعرات والمصابيح والمقابس بالسماعة مباشرة، متجاوزة خدمات السحابة.

ما يجعل هذه الحالة جديرة بالملاحظة من الناحية الهندسية: Yandex هي شركة نادرة كشفت علنًا عن معمارية الجهاز الخاص بها — وصف الفريق ذلك في منشور تقني على Habr في نوفمبر 2023، مع أحجام نماذج ملموسة وأثار الذاكرة وتاريخ التحسينات. للمقارنة: نقلت كل من Amazon و Google معالجة أوامر الصوت إلى الأجهزة أيضًا، لكنها لم توفر أبدًا مثل هذا التوثيق الهندسي العام المفصل لحلولها.

هذا الانفتاح يجعل الحالة قابلة للتحقق والعملية: يمكنك تتبع كيفية ضغط مكدس التعرف على الكلام والفهم من جانب الخادم الذي يشغل عشرات الجيجابايت في سماعة بسعة جيجابايت واحد من ذاكرة الوصول العشوائي.

المشكلة

معمارية مساعد الصوت الكلاسيكية توجه كل أمر عبر السحابة: يذهب التسجيل الصوتي إلى خادم، ويتم التعرف عليه وتفسيره هناك، وتعود الاستجابة إلى الجهاز. بالنسبة للمنزل الذكي، هذا يعني مشكلتين. أولاً، زمن التأخير بين قول "أطفئ الضوء" وفعل الضوء يطفأ: حتى مع اتصال إنترنت جيد يقوم الأمر برحلة شبكة كاملة ذهابًا وإيابًا، على الرغم من أن السماعة والمصباح في نفس الغرفة. ثانيًا، منزل ذكي غير وظيفي تمامًا أثناء انقطاع الإنترنت: مفتاح ضوء يتوقف عن العمل مع Wi-Fi يقوض الثقة في فكرة المنزل الذكي نفسها.

واجهت نقل المعالجة إلى الجهاز حسابات موارد صعبة. تم تصميم مكدس خادم أليس لمركز بيانات: خدمة NLU السحابية "Begemot" وحدها تتطلب ما لا يقل عن 30 جيجابايت من ذاكرة الوصول العشوائي وحوالي 30 جيجابايت من القرص. تحتوي السماعة الذكية النموذجية (Station Mini) على 256 ميجابايت من ذاكرة الوصول العشوائي و 256 ميجابايت من الذاكرة الفلاش — فجوة أكثر من مائة مرة. يجب أن يعمل التعرف على الكلام على الجهاز أيضًا في وضع البث — بدء تحليل العبارة قبل انتهاء الشخص من التحدث، وإلا فلن يكون هناك كسب في السرعة.

لذلك تم صياغة المهمة ليس كـ "وضع نموذج على سماعة" بل كبرنامج هندسي كامل: إعادة بناء ثلاث أنظمة فرعية — التعرف على الكلام (ASR)، وفهم اللغة (NLU)، ونهاية المنزل الذكي — في إصدارات تناسب ضمن ميجابايت بأرقام فردية وثنائية الأرقام، دون فقدان الجودة على فئة الأوامر المستهدفة.

الحل

تم وضع الأساس في وقت تصميم الأجهزة. تم بناء Station Midi على SoC من Amlogic A113X2 مع معالج عصبي مدمج (NPU) وجيجابايت واحد من ذاكرة الوصول العشوائي و 8 جيجابايت من الذاكرة الفلاش — مقابل 256 ميجابايت لكل منها في Mini. كانت معالجة NPU وفضاء الذاكرة رهانًا متعمدًا على النماذج المحلية، تم قبل أن تكون تلك النماذج جاهزة.

تم بناء التعرف على الكلام (ASR) على محول ترميز مع الانتقال من CTC إلى RNN-T — معمارية تمكن البث والتعرف في الوقت الفعلي: تحلل السماعة العبارة بينما يتم نطقها. تم تدريب النموذج، الذي يحتوي على حوالي عشرة ملايين معامل، على نفس مجموعة البيانات مثل معترف السحابة، مع إضافة أمثلة أوامر المنزل الذكي. للمقارنة: نماذج ASR السحابية أكبر بأوامر من حيث الحجم.

تم حل فهم اللغة من خلال التكيف مع خدمة "Begemot" من جانب الخادم — هكذا ولدت "Begemotik". من خدمة تتطلب ما لا يقل عن 30 جيجابايت من ذاكرة الوصول العشوائي، تم قطع كل شيء غير ضروري لمجال المنزل الذكي: مكونات ML الثقيلة والتعرف على الجغرافيا والتاريخ. النتيجة — 90 ميجابايت من ذاكرة الوصول العشوائي و 73 ميجابايت من الذاكرة الفلاش: ضغط بمقدار اثنين إلى ثلاثة أوامر مع الحفاظ على الجودة على الأوامر المستهدفة.

المكون الثالث هو نهاية المنزل الذكي المحلية في Go: منطق تنفيذ الأمر الذي استهلك 500+ ميجابايت في السحابة تم ضغطه إلى ~200 ميجابايت من ذاكرة الوصول العشوائي و 90 ميجابايت من الذاكرة الفلاش — جزئيًا من خلال التخلي عن تركيب الكلام والحفاظ على تخزين تكوين المنزل الذكي المحلي مع المزامنة.

الرابط الرابط هو مركز Zigbee المدمج: تتصل أجهزة المنزل الذكي بالسماعة مباشرة، لذلك يبقى المسار الكامل "صوت → تعرف → تفسير → أمر الجهاز" داخل الشقة. الإنترنت غير مطلوب على الإطلاق لهذه السيناريوهات. المعمارية هجينة، مع ذلك: أي شيء يتجاوز أوامر المنزل الذكي الروتينية — الموسيقى والبحث والحوار مع أليس — لا يزال ينتقل إلى السحابة، حيث تعمل النماذج كاملة الحجم.

بشكل ملحوظ، لم ينشر الفريق النتيجة فحسب بل تاريخ التطوير مع الإخفاقات والانقسامات المتوسطة (على سبيل المثال، لماذا تم التخلي عن CTC لصالح RNN-T) — وهو مستوى نادر من شفافية الهندسة لمنتج استهلاكي.

النتيجة

وفقًا لفريق Yandex، فإن المعالجة المحلية لأوامر المنزل الذكي أسرع بمتوسط 6x من مسار السحابة — يأتي الكسب من إزالة رحلة الشبكة ذهابًا وإيابًا بالإضافة إلى البث والمعالجة على الجهاز؛ لم تنشر الشركة ميلي ثواني دقيقة، وتختلف سرعة التعرف بتعقيد العبارة. تستمر المصابيح والأجهزة الأخرى من Zigbee في العمل عندما ينقطع الإنترنت — أصبحت المرونة غير المتصلة بالإنترنت ليست تأثيرًا جانبيًا بل ثاني نتيجة رئيسية للمشروع.

التزم النهج عبر المجموعة: حصلت الأجهزة الأحدث، بما في ذلك Station Mini 3 Pro، أيضًا على معالجة أوامر الصوت المحلية (TAdviser) — لم تكن Midi تجربة بل اختبار معمارية للنظام الأساسي بأكمله. استمر النظام البيئي في النمو في هذه الأثناء: 5.3 مليون جهاز YaOS/YaOS X نشط و 2.9 مليار طلب أليس في 2025.

مقياس الضغط الذي وثقه الفريق بالأرقام يتحدث بنفسه: NLU — من ما لا يقل عن 30 جيجابايت من ذاكرة الوصول العشوائي إلى 90 ميجابايت؛ نهاية المنزل الذكي — من 500+ إلى ~200 ميجابايت؛ ASR — إلى نموذج ~10 ملايين معامل، أصغر بأوامر من نظيراتها السحابية. هذه الأرقام هي نقطة مرجعية عامة نادرة لأي شخص يقيم جدوى AI على الجهاز على أجهزة رخيصة.

في رأينا، الدرس الرئيسي القابل للنقل في الحالة هو التحلل الصحيح للهجين: لم تحاول Yandex سحب "كل أليس" على السماعة؛ لقد عزلت المجال الضيق حيث تحقق المحلية أكبر قيمة (أوامر المنزل الذكي الروتينية — عالية التكرار وقصيرة مع مفردات محدودة) وتركت كل شيء آخر للسحابة. هذا الإطار — "محلي لما هو متكرر وبسيط؛ السحابة لما هو نادر ومعقد" — ينطبق بعيدًا جدًا عن المنزل الذكي: من قوائم الصوت البنكية إلى مساعدي السيارات.

الملاحظة الثانية: يبدأ AI على الجهاز بالأجهزة. تم تصميم معالجة NPU في SoC وجيجابايت الذاكرة في Midi مقدمًا — على رقاقة ضعيفة لن تحدث هذه المعمارية. يجب على الفرق التي تخطط نماذج محلية في الأجهزة تخصيص مساحة حوسبة جيل واحد قبل أن تكون النماذج جاهزة — وإلا، بحلول الوقت الذي ينضج فيه البرنامج، لن تتمكن الأجهزة في الأجهزة المباعة بالفعل من التعامل معها.

الدروس المستفادة

1. زمن التأخير هو مقياس منتج المنزل الذكي: يشعر المستخدمون بكسب "بمتوسط 6x" مع كل نقرة مفتاح.
2. AI على الجهاز هو قبل كل شيء انضباط ضغط: ASR بحوالي 10M معامل و NLU مضغوط من 30 جيجابايت إلى 90 ميجابايت كافٍ للأوامر الروتينية — لا يلزم نموذج عملاق.
3. اضغط من خلال قطع المجال، وليس فقط عن طريق التكميم: أصبحت "Begemotik" أصغر بمئات المرات من "Begemot" لأن كل شيء لا يحتاجه المنزل الذكي تم قطعه (الجغرافيا والتواريخ ومكونات ML الثقيلة).
4. حلل الهجين حسب التكرار والتعقيد: محلي للأوامر البسيطة المتكررة، السحابة للاستعلامات المعقدة النادرة؛ لا تحاول سحب المساعد بالكامل على الجهاز.
5. المرونة غير المتصلة بالإنترنت قيمة بحد ذاتها: منزل ذكي يموت مع Wi-Fi يقوض الثقة في الفئة بأكملها.
6. يجب التخطيط للأجهزة المتخصصة (معالجة NPU في SoC وفضاء الذاكرة) في وقت تصميم الجهاز — جيل واحد قبل أن تكون النماذج جاهزة؛ لا يمكنك تثبيت نماذج على الجهاز على رقاقة ضعيفة.
7. ملخص هندسي عام (Habr) مع أحجام نماذج ملموسة وتاريخ الإخفاقات هو ممارسة نادرة وصحيحة: فهو يجعل النتائج المطالب بها قابلة للتحقق.

الأسئلة الشائعة