تجميع عنقود من 1000 جهاز Mac Mini M4 في الصين: أين تكمن الحيلة؟

تتداول قنوات تيليغرام قصة تقول إن عنقودًا من نحو 1000 جهاز Mac Mini M4 جرى تجميعه في الصين لتشغيل الذكاء الاصطناعي محليًا بالكامل، دون سحابة. تبدو الحجج جذابة: سعر يبدأ من $599 للجهاز واستهلاك 10–30 واط، مقابل 300–500 واط لخادم GPU. والفكرة الأساسية وراء هذا التوجه هي تحويل الذكاء الاصطناعي من اشتراك شهري إلى أصل تملكه. لكن لا يمكن التحقق من القصة: فالمنشور لا يذكر اسم الشركة، ولا النموذج المستخدم، ولا سرعة التوليد، أما الرابط الوحيد فيه فيقود إلى قناة صاحب المنشور نفسه. لذلك سنحلل ما قد يكون وراء هذه الفكرة، لا الحالة المزعومة بحد ذاتها.

ما المشكلة التي يحلها هذا النهج؟

آلية الاستدلال السحابي بسيطة: تدفع مقابل الرموز أو الاشتراك، وتُرسل بياناتك إلى مزود الخدمة. وفي قطاعات الصحة والمال والقطاع الحكومي، ولدى أي فريق يتعامل مع وثائق حساسة، كثيرًا ما يكون ذلك عائقًا يمنع الاعتماد عليه. كما ترتفع الفاتورة مع زيادة الحمل، ويصعب توقعها. يغير العنقود المحلي هذه المعادلة: تبقى البيانات داخل حدود المؤسسة، وتتحول النفقات إلى استثمار رأسمالي. تشتري الأجهزة مرة واحدة، ثم تدفع أساسًا مقابل الكهرباء والصيانة.

أين يختل الحساب؟

المقارنة بين «10–30 واط مقابل 300–500 واط» غير سليمة. المطلوب ليس مقارنة الواطات لكل جهاز، بل الطاقة والتكلفة لكل رمز يتم توليده. تكاد سرعة الاستدلال في النماذج اللغوية تكون دائمًا مقيدة بعرض نطاق الذاكرة. ففي الإصدار الأساسي من Mac Mini M4، يبلغ نحو 120 غيغابايت/ثانية مع 16 غيغابايت من الذاكرة الموحدة، بينما يصل في إصدار M4 Pro إلى نحو 273 غيغابايت/ثانية. أما H100 المخصصة للخوادم فتقدم نحو 3.35 تيرابايت/ثانية، أي أعلى برتبة إلى رتبتين من حيث المقدار. يولّد الجهاز الصغير الواحد الرموز ببطء أكبر بوضوح، ولا تتحول ألف آلة صغيرة إلى آلة كبيرة واحدة.

والسبب أن النموذج الكبير يحتاج إلى تقسيمه بين العقد، في حين أن الاتصال عبر Ethernet أو Thunderbolt أبطأ بكثير من الذاكرة. لكن ألف جهاز تناسب سيناريو آخر: يستضيف كل جهاز نسخته الخاصة من نموذج صغير مُكمَّم يضم 7–14 مليار معلمة، وتُوزع الطلبات على الأجهزة. هذا توسع في عدد الطلبات المتزامنة، لا في حجم النموذج.

لنأخذ مثالًا: خدمة داخلية لتلخيص آلاف الوثائق يوميًا، أو روبوت محادثة للدعم يعتمد على نموذج 8B، تلائم هذا التصميم جيدًا؛ فالمهام مستقلة، وجودة النموذج الصغير كافية، والبيانات لا تغادر المكتب. أما تشغيل نموذج يضم مئات المليارات من المعلمات على عنقود كهذا بزمن استجابة مقبول، فلن يكون ممكنًا.

كيف تتعامل مع الفكرة عمليًا؟

ابدأ بحساب التكلفة الحقيقية للرمز: إهلاك الأجهزة على مدى 2–3 سنوات، والكهرباء، ووقت مسؤول النظام، مقسومة جميعًا على العدد الفعلي للرموز المنتجة خلال تلك المدة. قارن النتيجة بسعر واجهة API لنموذج سحابي ذي جودة مماثلة. مع أحمال العمل الصغيرة والمتوسطة، ستكون السحابة على الأرجح أقل تكلفة. ويصبح الخيار المحلي أكثر جدوى عند وجود حمل مرتفع ومستقر، أو متطلبات صارمة للخصوصية.

ضع التشغيل في الحسبان أيضًا. فألف حاسوب مكتبي يعمل بنظام macOS تعني الحاجة إلى منظومة مراقبة خاصة، وتحديثات، واستبدال العقد المعطلة، ورفوف تجهيزات، وتبريد. لا نظام التشغيل مخصص للخوادم ولا التصميم المادي للأجهزة كذلك، ولذلك تلتهم التكاليف الخفية سريعًا جزءًا من الوفورات.

إذا بدت لك الفكرة مثيرة للاهتمام، فلا تبدأ بألف جهاز. استخدم 2–4 أجهزة Mac Mini، وشغّل MLX أو llama.cpp أو أطر عمل للعناقيد مثل exo، واختبر نموذجك بطلباتك الفعلية، ثم قِس عدد الرموز في الثانية، وزمن الاستجابة، واستهلاك الطاقة. بعد ذلك فقط، انتقل إلى التوسع.

الخلاصة: فكرة إنشاء عنقود خاص من أجهزة منخفضة التكلفة والاستهلاك قابلة للتطبيق تمامًا، ولكن في استخدامات متخصصة. وما دامت هذه القصة بلا أرقام، فتعامل معها بوصفها دافعًا لحساب الجدوى الاقتصادية في حالتك، لا دليلًا على أن السحابة لم تعد ضرورية.