مساعد BARY الصوتي ينتقل إلى وحدة تحكم بذاكرة 4 غيغابايت ويتدرّب في 47 دقيقة
خلال عام واحد، نقل مطوّر المساعد المنزلي BARY مشروعه من Orange Pi إلى وحدة التحكم Wiren Board 8 بذاكرة 4 غيغابايت، وهي تدير المنزل فعليًا الآن. في البداية كان تدريب النموذج عليها يجمّد الوحدة. السبب لم يكن الشبكة العصبية نفسها، بل عمليتان إضافيتان لتحميل البيانات استهلكتا الذاكرة. وبعد التعديلات استغرقت دورة التدريب الكاملة نحو 47 دقيقة، وبلغ ذروة استهلاك الذاكرة 1,47 غيغابايت. الخلاصة العملية: قبل شراء عتاد أقوى، قِس أولًا أين تذهب الذاكرة.
معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
قبل عام، بنى مؤلف مشروع BARY مساعدًا صوتيًا محليًا للمنزل الذكي يعمل دون سحابة، وهو يروي الآن ما حدث بعد نقله إلى منصة جديدة. الخلاصة: المساعد بكامله (التعرّف على الكلام، والبحث عن الأمر، والنطق الصوتي) يعمل الآن على وحدة التحكم Wiren Board 8 بذاكرة 4 غيغابايت، ويُعاد تدريبه عليها نفسها خلال 47 دقيقة. في البداية كان هذا التدريب يجمّد وحدة التحكم، لكن السبب لم يكن ضعف العتاد. فقد استنزفت الذاكرة عمليات زائدة حول النموذج. إذا كنت تشغّل الذكاء الاصطناعي على جهاز محدود القدرة، فهذه التجربة مفيدة لك: بدل شراء لوحة أغلى، قِس أولًا ما الذي يشغل الذاكرة فعلًا.
المنزل يعرف من أين نُودي عليه
عبارة «بَري، شغّل الضوء» ناقصة: أي ضوء وفي أي غرفة؟ لذلك صار لكل ميكروفون غرفة محددة. إذا قلتها في المطبخ، يُضاء ضوء المطبخ، ولا حاجة إلى ذكر الاسم الكامل للجهاز. في منزل المؤلف 49 جهازًا في 18 غرفة، ولذلك تبسّط هذه الآلية الكلام كثيرًا.
وكان أفضل ميكروفون هو Seeed ReSpeaker USB Mic Array v2.0، وقد نصح به قراء في تعليقات المقال الأول. يمكن توصيله بوحدة التحكم عبر USB، أو وضعه في غرفة بعيدة مع Raspberry Pi 3B+. وتتعرّف هذه النقطة على الكلام بنفسها عبر VOSK، وترسل إلى وحدة التحكم النص، وخيارات التعرّف مع درجة الثقة، وحدث wake word. وللاحتياط يمكنها إرسال تسجيل WAV أيضًا، فيحلّله GigaAM خلال 240–370 مللي ثانية. يمكن أن يصل عدد النقاط إلى أربع، لكن الاختبارات الحالية تعتمد نقطة واحدة.
وللكلمة «بَري» بُني نموذج مستقل على OpenWakeWord. المصنِّف وحده هو ما يُدرَّب، أما الشبكة العصبية التي تولّد المتجهات فجاهزة. ويحتاج ذلك إلى نحو مئة مقطع موسوم، إضافة إلى مقاطع ضوضاء من مجموعة المكتبة. وكان المؤلف يرصد حالات التفعيل الخاطئ بالتلفاز: كل ما استجاب له النموذج يُضاف إلى قائمة التجاهل. نقطة الضعف: البيانات لا تحوي تقريبًا سوى صوت المؤلف، ولا يستجيب النموذج لصوت زوجته وطفله.
أما نموذج الأوامر نفسه فقد تغيّر أيضًا. في السابق كانت كل توليفة من الإجراء والجهاز والغرفة والمعاملات عبارة مستقلة، ومن هنا جاء الرقم 16 ألف أمر. أما الآن فللنموذج عدة مخرجات: الإجراء، والجهاز، والغرفة، والقيمة، والتأخير. وتتحول عبارة «أطفئ الضوء في المكتب بعد خمس دقائق» إلى بنية جاهزة بالحقول action وdevice وroom وdelay. يضم النموذج نحو 6 ملايين معلمة (كانت نحو 5 ملايين سابقًا)، ويبلغ حجم قاموسه 603 رموز. وتُسحب الأجهزة الجديدة من BARY مع غرفتها وإمكاناتها، وتُضاف المرادفات مثل «التلفاز» بصيغتها العامية دون إعادة تدريب: يكفي إعادة حساب الفهرس، وتستغرق إعادة الحساب الكاملة 9,4 ثانية.
التدريب على وحدة التحكم: الذاكرة لم تستنزفها PyTorch
وحدة التحكم هي Wiren Board 8.5.1 على معالج Allwinner T507 بذاكرة 4 غيغابايت. في أحد القياسات شغل خادم BARY نحو 275 ميغابايت، وإضافة المساعد 182 ميغابايت، وخدمة ML 377 ميغابايت، وVOSK 233 ميغابايت، وPiper 283 ميغابايت. المجموع نحو 1,35 غيغابايت، علمًا أن جمع قيم RSS ببساطة لا يعطي سوى تقدير تقريبي.
انتهت المحاولة الأولى لتدريب النموذج على وحدة التحكم بالانتقال إلى swap ثم التجمّد. وأظهرت القياسات أن DataLoader في PyTorch كان يشغّل عمليتي عمل، لكل منهما نسخته الخاصة من البيانات والمكتبات، بينما كان المساعد قد يعيد حساب فهرس الأوامر في الوقت نفسه. وهذا ما جرى تصحيحه:
- في وحدات التحكم ذات الذاكرة الأقل من 6 غيغابايت تحمّل البيانات عملية واحدة (num_workers=0)؛
- لم يعد التدريب وإعادة حساب الفهرس يعملان في وقت واحد؛
- صار مراقب الذاكرة يحسب العمليات الفرعية، لا العملية الرئيسية وحدها؛
- إذا بقيت MemAvailable أقل من 128 ميغابايت في ثلاثة فحوص متتالية (فحص كل خمس ثوانٍ)، يتوقف التدريب ويحفظ النتيجة الوسيطة؛
- يواصل النموذج القديم العمل إلى أن يكتمل تدريب الجديد ويجتاز الفحص.
لم يتغير النموذج ولا مجموعة البيانات ولا حجم الدفعة. استغرقت دورة من 20 حقبة (epoch) بواقع 64 مثالًا نحو 47 دقيقة، ولم يستخدم المدرّب أكثر من 1,47 غيغابايت، ولم تنخفض الذاكرة الحرة يومًا عن 799 ميغابايت. وبعد التدريب حُمِّل النموذج الجديد تلقائيًا وبنى فهرس الأوامر في 9 ثوانٍ. تحفّظ مهم: التشغيل الأخير ضم 343 مثالًا للتدريب و35 مثالًا للتحقق فقط، وجاء أفضل نموذج في الحقبة الثالثة، ولا يوجد بعد حدّ للدقة على عينة مستقلة.
LLM على حدة والضوء على حدة
تتحكم وحدة التحكم بنفسها في الإضاءة والمناخ والستائر، دون LLM. تُحلَّل العبارة خلال 30–70 مللي ثانية، ويصل الرد على أمر قصير بعد نحو 600 مللي ثانية، منها 500 مللي ثانية ينتظرها المساعد عمدًا إلى أن يُنهي المتحدث عبارته. ولا يريد المؤلف وضع نموذج توليدي بين «شغّل الضوء» والمرحّل (relay): فالشبكة العصبية تحلّل العبارة فقط وتسلّم BARY أمرًا جاهزًا، ومفتاح الجدار يعمل حتى دون المساعد.
ولا تُستخدم LLM إلا في المحادثة الحرة («بَري، لنتحدث») ولتحليل العبارات غير المعروفة. وهي تعمل عبر Ollama على حاسوب ASUS TUF Dash F15 المحمول بمعالج رسوميات RTX 3070 Laptop بذاكرة 8 غيغابايت، والنموذج هو qwen3:8b. يستغرق توليد الرد نحو 12 ثانية. وإذا أُطفئ الحاسوب المحمول، تتوقف المحادثة وحدها، أما الإضاءة والتدفئة فتواصلان العمل. وعند الأسئلة عن BARY نفسه، يعثر المساعد أولًا على الجواب في الوثائق المدمجة ويمرّره إلى النموذج ليقرأ نصًا محدّثًا بدل أن يستذكره من الذاكرة. وأوكل المؤلف نطق الردود إلى مكبّر صوت ذكي: فصوت Piper سيئ، وSilero أفضل لكنه لا يرضيه أيضًا.
إضافة إلى الأجهزة، يستطيع المساعد التحكم في الموسيقى وقائمة المشتريات وتنزيلات الأفلام والمسلسلات. والدرس العملي لمطوّري الأنظمة المحلية بسيط: أبقِ الإجراءات الحرجة خارج النموذج التوليدي، وقبل تغيير العتاد قِس أين يستهلك موارده.
- 12 أكتوبر 2026CLEAT يعلّم وكلاء Qwen3-4B طرح الأسئلة التوضيحية في وقتها: حتى +13,2 نقطة مئوية
- 23 أكتوبر 2026HoloBoxing تعلّم روبوتًا شبيهًا بالبشر الملاكمة في 7 دقائق على وحدة GPU واحدة
- 2 يونيو 2026Gemini في Android Auto: كيف غيّر المساعد الصوتي رحلاتي اليومية
- 2 مايو 2026Yandex Cloud تشرح كيفية اعتماد وكلاء الذكاء الاصطناعي في أمن المعلومات دون حجب خاطئ أو أعطال
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول المنزل يعرف من أين نُودي عليه؟
عبارة «بَري، شغّل الضوء» ناقصة: أي ضوء وفي أي غرفة؟ لذلك صار لكل ميكروفون غرفة محددة. إذا قلتها في المطبخ، يُضاء ضوء المطبخ، ولا حاجة إلى ذكر الاسم الكامل للجهاز. في منزل المؤلف 49 جهازًا في 18 غرفة، ولذلك تبسّط هذه الآلية الكلام كثيرًا. وكان أفضل ميكروفون هو Seeed ReSpeaker USB Mic Array v2.0، وقد نصح به قراء في تعليقات المقال الأول. يمكن توصيله بوحدة التحكم عبر USB، أو وضعه في غرفة بعيدة مع Raspberry Pi 3B+.
ما أبرز التفاصيل حول التدريب على وحدة التحكم: الذاكرة لم تستنزفها PyTorch؟
وحدة التحكم هي Wiren Board 8.5.1 على معالج Allwinner T507 بذاكرة 4 غيغابايت. في أحد القياسات شغل خادم BARY نحو 275 ميغابايت، وإضافة المساعد 182 ميغابايت، وخدمة ML 377 ميغابايت، وVOSK 233 ميغابايت، وPiper 283 ميغابايت. المجموع نحو 1,35 غيغابايت، علمًا أن جمع قيم RSS ببساطة لا يعطي سوى تقدير تقريبي. انتهت المحاولة الأولى لتدريب النموذج على وحدة التحكم بالانتقال إلى swap ثم التجمّد.
ما أبرز التفاصيل حول LLM على حدة والضوء على حدة؟
تتحكم وحدة التحكم بنفسها في الإضاءة والمناخ والستائر، دون LLM. تُحلَّل العبارة خلال 30–70 مللي ثانية، ويصل الرد على أمر قصير بعد نحو 600 مللي ثانية، منها 500 مللي ثانية ينتظرها المساعد عمدًا إلى أن يُنهي المتحدث عبارته. ولا يريد المؤلف وضع نموذج توليدي بين «شغّل الضوء» والمرحّل (relay): فالشبكة العصبية تحلّل العبارة فقط وتسلّم BARY أمرًا جاهزًا، ومفتاح الجدار يعمل حتى دون المساعد. ولا تُستخدم LLM إلا في المحادثة الحرة («بَري، لنتحدث») ولتحليل العبارات غير المعروفة.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.