الذكاء الاصطناعي للمنزل الذكي: Llama 8B محليًا، والمطبّات الحقيقية، وكيف تستغني عن السحابة

يتحوّل الذكاء الاصطناعي المحلي للمنزل الذكي من تجربة إلى حل عملي، بشرط أن تُبنى المنظومة بالشكل الصحيح وأن تُعرف المطبّات مسبقًا.

يصل الحديث عن الذكاء الاصطناعي في المنزل الذكي عادةً إلى طريق مسدود وفق سيناريو واحد: تُستعرض عشرات الأدوات، وكل منها «يفعل كل شيء»، ثم يتبيّن أنها لا تتحدث إلى بعضها. الصعوبة الحقيقية ليست في العثور على مكوّن، بل في جعل المنظومة تعمل كوحدة واحدة. وهذا بالضبط ما يتناوله الجزء الأول من التحليل المفصّل على Habr: ليس قائمة أدوات، بل بنية التفاعل بينها.

في مركز المنظومة يقف Llama 8B بوصفه نموذجًا لغويًا محليًا. يعالج الأوامر، ويحلّل بيانات المستشعرات، ويدير منطق الأتمتة دون أي طلب إلى السحابة. والتفصيل الجوهري هنا أن المعالجة كلها تجري على عتاد المنزل، ما يحلّ مسألتين في آن واحد: الخصوصية، وعمل المنظومة عند انقطاع الإنترنت.

السؤال الرئيسي هو الأداء. على عتاد منزلي متوسط دون تسريع بوحدة GPU، يعطي Llama 8B زمن استجابة ملحوظًا لكل طلب. ومع التكميم إلى 4-bit وضبط السياق بالشكل الصحيح، ينخفض هذا الزمن إلى مستوى مقبول للمساعد الصوتي. أما للاستجابات الفورية للأحداث، مثل الحركة أو الدخان أو فتح الباب، فتلزم منطقية إضافية دون طبقة LLM في المسار الحرج.

مشكلة Llama 8B محددة: النموذج مدمج بما يكفي للنشر المنزلي، لكن سعته لا تكفي دائمًا لسلاسل الاستدلال المعقدة، خصوصًا عندما يلزم الاحتفاظ بسياق عدة أجهزة في وقت واحد. والحل معماري: يتولى LLM تفسير نوايا المستخدم وتوليد قواعد الأتمتة، بينما ينفّذها محرك حتمي (Home Assistant أو ما يماثله). ويبقى النموذج خارج دائرة الزمن الحقيقي.

أما حزمة الأدوات التي يستعرضها المؤلف فتشمل: Ollama كخادم محلي لتشغيل النموذج، وHome Assistant كمنصة للمنزل الذكي، وجسر API مخصصًا لنقل السياق بينهما. يُضاف إليها Whisper للتعرّف المحلي على الكلام، وTTS لتوليد الردود الصوتية. وتعمل المنظومة بأكملها دون اتصال بالإنترنت.

ويناقش المؤلف بشكل منفصل كيفية تجاوز قيود Llama 8B دون الانتقال إلى نماذج أكبر أو واجهات API سحابية. وأبرز الأساليب: التكميم الحاد، وتقسيم المهام إلى مهام فرعية بموجّهات (prompts) مستقلة، وتخزين الطلبات المتكررة مؤقتًا على مستوى التطبيق. والنتيجة سلوك قريب من سلوك النماذج الأكبر حجمًا مع الحفاظ على نشر محلي بالكامل.

وتنقسم المطبّات إلى ثلاث فئات. إدارة الذاكرة: تحميل عدة نماذج في وقت واحد على جهاز ذي ذاكرة RAM محدودة يؤدي إلى استخدام ذاكرة التبديل (swap) وتأخيرات غير مقبولة، ولذلك يلزم التحميل الكسول بحسب السيناريو. صيغة الموجّهات: Llama 8B حسّاس لبنية الطلب، ويجب تثبيت القالب العامل في ملف الإعدادات بدلًا من إعادة ابتكاره مع كل تحديث للنموذج. إدارة الإصدارات: قد يغيّر الإصدار الجديد من النموذج سلوكًا بدا مستقرًا، ومن دون اختبارات أداء محلية على سيناريوهاتك الخاصة تصبح التحديثات محفوفة بالمخاطر.

الخلاصة الرئيسية للجزء الأول: بلغ الذكاء الاصطناعي المحلي للمنزل الذكي نضجًا تقنيًا، لكنه يتطلب انضباطًا معماريًا. وإقحام LLM في سلسلة التنفيذ بأكملها خطأ شائع. أما المخطط الصحيح فهو أن يكون النموذج مفسّرًا للنوايا عند المدخل، وأن تكون الأتمتة الحتمية هي آلية التنفيذ. عندها تبقى التأخيرات مقبولة، ولا تنهار المنظومة عند تحميل النموذج فوق طاقته.