نموذج لغوي خاص بك في السحابة: كيف تعمل ضمن 16 غيغابايت من ذاكرة الفيديو

تتحول فواتير واجهات API الخاصة بالنماذج اللغوية إلى أحد أكثر بنود الإنفاق التي يصعب التنبؤ بها لدى الفرق التقنية. وقد نشر مطوّر على موقع «خابر» (Habr) الجزء الأول من دليل عملي يقترح حلًّا جذريًا للمشكلة: نشر نموذج لغوي كامل في السحابة ضمن 16 غيغابايت فقط من ذاكرة الفيديو. وليس هذا تمرينًا أكاديميًا، بل إعدادًا عمليًا يدعم الأدوات واستدعاء الدوال والتكامل مع خوادم MCP.

ولفهم سبب الاهتمام الواسع بهذا الموضوع، يكفي النظر إلى كيفية تغيّر وكلاء الذكاء الاصطناعي خلال العام الماضي. فقد توقفت Claude وChatGPT وDeepSeek وما يماثلها منذ زمن عن كونها مجرد روبوتات دردشة بسيطة. وقبل تقديم الإجابة النهائية، قد ينفق الوكيل الحديث عشرات الآلاف من الرموز على الاستدلال الداخلي، ويستعين بواجهات API خارجية، وينفّذ شيفرة برمجية، ويحلل الملفات، بل ويتفاعل مع نظام التشغيل مباشرة. وكل إجراء من هذه الإجراءات يستهلك رموزًا، والرموز تعني مالًا. وعند تشغيل عدة وكلاء بالتوازي مع مهام خلفية وأدوات خاصة، قد تتضاعف فاتورة API الشهرية عدة مرات خلال أسبوع واحد فقط من العمل المكثف.

وهذا الألم تحديدًا هو ما دفع المجتمع التقني إلى البحث عن بدائل. ففكرة النماذج اللغوية المستضافة ذاتيًا ليست جديدة، لكنها ظلت حتى وقت قريب حكرًا على الهواة الذين يملكون إمكانية الوصول إلى عتاد قوي. وتغيّر الوضع بفضل عدة تطورات متوازية: أصبحت كمّية النماذج (quantization) أكثر كفاءة بكثير، وظهرت بيئات تشغيل محسّنة مثل llama.cpp وvLLM، واقتربت نماذج المصدر المفتوح في جودتها من الحلول التجارية في عدد من المهام. ونتيجة لذلك، فإن ما كان يتطلب قبل عام ونصف عنقودًا من وحدات GPU، يمكن اليوم تشغيله على بطاقة رسومات واحدة بذاكرة 16 غيغابايت، من فئة NVIDIA T4 أو RTX 4060 Ti.

والفارق الجوهري بين النهج الموصوف والتجارب المعتادة مع النماذج المحلية هو التركيز على الجاهزية للإنتاج. فالمؤلف لا يكتفي بتشغيل نموذج لتوليد النصوص، بل يبني خدمة API متكاملة متوافقة مع منظومة الأدوات التي اعتاد عليها المطورون. ويعني دعم استدعاء الدوال (function calling) أن النموذج قادر على استدعاء دوال خارجية وفق مخطط منظَّم، تمامًا كما تفعل Claude أو GPT-4 عبر واجهات API الخاصة بهما. أما التكامل مع خوادم MCP، وهو البروتوكول الذي قدّمته Anthropic لتوحيد تفاعل النماذج مع الأدوات الخارجية، فيضيف مستوى آخر من التوافق. وهكذا يصبح النموذج المستضاف ذاتيًا بديلًا جاهزًا (drop-in) لواجهة API التجارية في فئة معينة من المهام.

وبطبيعة الحال، لهذا النهج حدوده، ومن السذاجة توقّع أن يبلغ نموذج بين 7 و13 مليار معامل، مضغوط بالكمّية إلى 16 غيغابايت، مستوى جودة Claude 3.5 Sonnet أو GPT-4o. فالنماذج التجارية لا تزال بلا منافس في المهام المعقدة التي تتطلب استدلالًا عميقًا أو تخطيطًا متعدد الخطوات أو التعامل مع سياق واسع. غير أن نسبة كبيرة من أحمال الإنتاج هي عمليات روتينية: التصنيف، واستخراج البيانات، والتنسيق، وتوليد النصوص البسيطة، وتوجيه الطلبات بين الوكلاء. وفي هذه المهام قد يكون النموذج المحلي ليس كافيًا فحسب، بل الأمثل من حيث نسبة السعر إلى الجودة.

ويندرج هذا الاتجاه ضمن صورة أوسع يسميها المحللون «الاستدلال الهجين» (hybrid inference). فبدلًا من إرسال جميع الطلبات إلى مزوّد واحد، تبني الفرق بنى متعددة المستويات: تتولى المهام البسيطة نماذج محلية أو مستضافة ذاتيًا، بينما تُحال المهام المعقدة إلى السحابة لدى أنظمة أقوى. ولا يقتصر أثر هذا النهج على خفض التكاليف، بل يعالج أيضًا مسائل خصوصية البيانات ويقلل الاعتماد على المزودين الخارجيين. ويجعل ظهور بروتوكولات موحّدة مثل MCP هذه البنية أكثر واقعية، إذ بدأت نماذج من مصادر مختلفة تتحدث لغة واحدة.

والمنشور على «خابر» هو الجزء الأول من سلسلة، ويعِد المؤلف بمتابعتها بسيناريوهات أكثر تقدمًا. لكن حتى الآن، فإن إمكانية نشر نموذج لغوي عامل يدعم الأدوات على بطاقة رسومات لا يتجاوز سعرها بضع مئات من الدولارات تقول الكثير. فالبنية التحتية للاستدلال المحلي في الذكاء الاصطناعي تنضج إلى الحد الذي لا يقتصر فيه استخدامها على الباحثين، بل تستطيع فرق المنتجات العادية الاستفادة منها. وهذا يعني أن احتكار مزودي واجهات API السحابية لسوق الاستدلال سيتآكل تدريجيًا، وهو على الأرجح من أكثر الاتجاهات صحّة في القطاع حاليًا.