Liquid AI تطلق نظامًا لتشغيل وكلاء الذكاء الاصطناعي بالكامل على الجهاز

ظلّت فكرة تشغيل نماذج لغوية قوية على الحاسوب الشخصي، دون سحابة ودون أن يغادر بايت واحد من البيانات إلى خوادم الآخرين، هدفًا جذابًا لكنه عصيّ التحقيق لفترة طويلة. ويبدو أن Liquid AI خطت خطوة جادة نحو تحويل هذه الفكرة إلى أداة عملية. فقد قدّمت الشركة نموذج LFM2-24B-A2B وتطبيق LocalCowork المرافق له لسطح المكتب، وهو نظام محلي بالكامل لتنفيذ مسارات عمل وكيلية بمستوى المؤسسات.

ولفهم أهمية هذا الإصدار، يجدر استحضار السياق. Liquid AI شركة ناشئة أسسها خريجون من MIT، وسلكت منذ البداية طريقًا غير تقليدي. فبدلًا من توسيع معماريات المحوّلات (Transformers) على خطى OpenAI وGoogle، ركّز الفريق على ما يُسمّى Liquid Foundation Models، وهي معماريات مستوحاة من الأنظمة الديناميكية وعلوم الأعصاب. وتتميّز نماذجها بصغر الحجم والكفاءة مع الحفاظ على جودة توليد عالية. ويشير الرمز «24B-A2B» في اسم النموذج الجديد إلى 24 مليار معامل مع آلية تفعيل جزء منها فقط، وهو نهج يشبه Mixture of Experts ويتيح الحصول على أداء نموذج كبير بتكاليف حسابية أقل بكثير.

تتمثّل الفكرة الهندسية الأساسية في LocalCowork في أن سلسلة التفاعل الوكيلي بأكملها، من استلام المهمة إلى استدعاء الأدوات وإعادة النتيجة، تجري على جهاز المستخدم. ولتنسيق العمل بين النموذج والأدوات الخارجية يُستخدم Model Context Protocol، وهو معيار مفتوح اقترحته Anthropic في الأصل لتنظيم تفاعل النماذج اللغوية مع البيئات البرمجية. ويتيح MCP للنموذج «معرفة» الأدوات المتاحة له، وصياغة الاستدعاءات الصحيحة، ومعالجة النتائج، وكل ذلك دون اللجوء إلى واجهات API السحابية. وهو في جوهره منسّق محلي يحوّل النموذج اللغوي من مولّد نصوص إلى وكيل رقمي متكامل.

من الناحية التقنية، حُسّنت البنية لتحقيق أدنى زمن استجابة عند توزيع استدعاءات الأدوات. وهذا أمر حاسم للاستخدام العملي: فإذا أمضى الوكيل ثوانيَ في كل استدعاء دالة، تصبح العمليات المعقّدة متعددة الخطوات بطيئة إلى حد لا يُحتمل. وتقول Liquid AI إن LFM2-24B-A2B مضبوط خصيصًا لاتخاذ قرارات سريعة بشأن الأداة التي ينبغي استدعاؤها وبأي معاملات، وهي مهمة تتطلب الدقة وسرعة الاستدلال أكثر مما تتطلب سعة المعرفة. ويتوافر تطبيق LocalCowork بشكل مفتوح عبر مستودع Liquid4All على GitHub، ما يتيح للمطورين دراسة البنية وتكييفها مع احتياجاتهم ودمجها في أنظمة المؤسسات القائمة.

لمن يهمّ هذا الأمر فعلًا؟ أولًا وقبل كل شيء للمؤسسات التي تتعامل مع بيانات حساسة، كالمؤسسات المالية والمنشآت الطبية وشركات المحاماة والجهات الحكومية. فقد واجهت هذه الجهات حتى الآن خيارًا مزعجًا: إما استخدام نماذج سحابية قوية والقبول بخروج البيانات السرية من محيط المؤسسة، وإما الاكتفاء بحلول محلية بدائية. ويقدّم LocalCowork طريقًا ثالثًا: وظائف وكيلية متكاملة دون تنازلات في مجال الخصوصية. ولا يعني غياب استدعاءات API حماية البيانات فحسب، بل الاستقلال عن الخدمات الخارجية أيضًا: فالنظام يعمل حتى دون اتصال بالإنترنت.

ويندرج هذا الإصدار ضمن اتجاه أوسع يتنامى في القطاع. فبعد سنوات من هيمنة النهج السحابي دون منازع، بدأ البندول يتأرجح عائدًا. فـApple Intelligence تعمل في الغالب على الجهاز. وتستثمر Qualcomm وIntel مليارات الدولارات في وحدات NPU للاستدلال المحلي. وتروّج Microsoft لمفهوم Copilot Plus PC. لكن معظم هذه الحلول تقتصر على مهام بسيطة، كالتلخيص والإكمال التلقائي والتصنيف الأساسي. أما Liquid AI فتطمح إلى ما هو أكبر: مسارات عمل وكيلية متكاملة تشمل استدعاء الأدوات والتخطيط متعدد الخطوات وإدارة السياق، وكل ذلك محليًا.

وتبقى بالطبع أسئلة مطروحة. إلى أي مدى سيعمل نموذج بـ 24 مليار معامل، ولو مع التفعيل المتناثر، بسلاسة على حاسوب محمول مؤسسي نموذجي؟ وما مسارات العمل التي يمكن أتمتتها فعلًا بجودة مقبولة؟ وكيف يتعامل النظام مع سلاسل معقّدة تضم عشرات استدعاءات الأدوات؟ ستجيب الممارسة العملية عن هذه الأسئلة، لكن مجرد ظهور حل كهذا في متناول الجميع يغيّر مشهد النقاش. فالسؤال لم يعد: هل الذكاء الاصطناعي الخاص بمستوى المؤسسات على الجهاز ممكن؟ بل: how quickly will it become the standard، أي: ما مدى سرعة تحوّله إلى معيار؟