ستانفورد تكشف OpenJarvis: حزمة وكلاء ذكاء اصطناعي محليين بذاكرة وقدرة على التعلّم

أطلق باحثون في ستانفورد OpenJarvis، وهو إطار عمل مفتوح المصدر لوكلاء الذكاء الاصطناعي الشخصيين الذين يعملون بالكامل على جهاز المستخدم. وصُمّم المشروع ليكون حزمة جاهزة للذكاء الاصطناعي المحلي: من تشغيل النماذج وتنسيق عمل الوكلاء، وصولًا إلى الذاكرة والأدوات ومقاييس الأداء، ثم التدريب اللاحق على البيانات المحلية.

لماذا يهم هذا الأمر

لا تزال معظم أنظمة الذكاء الاصطناعي الشخصية محلية في مظهرها فقط: تعمل الواجهة على الحاسوب المحمول، لكن التفكير الأساسي يُرسَل إلى واجهات API سحابية. وفي المهام المرتبطة بالملفات والملاحظات والرسائل البريدية والسياق الدائم للمستخدم، يعني ذلك زمن استجابة أطول وتكاليف متكررة ونقلًا زائدًا للبيانات الحساسة. يقترح OpenJarvis نموذجًا مختلفًا: تشغيل محلي افتراضيًا، مع إبقاء السحابة خيارًا لا يُلجأ إليه إلا حين يتعذر الاستغناء عنها فعلًا.

وتربط ستانفورد هذا الإصدار بعملها السابق Intelligence Per Watt. ووفق بيانات المختبر، باتت نماذج اللغة المحلية والمسرّعات المحلية قادرة على معالجة 88,7% من الاستعلامات أحادية الخطوة الخاصة بالدردشة والاستدلال بشكل صحيح وبسرعة استجابة تفاعلية، فيما ارتفعت الكفاءة وفق مقياس «الذكاء لكل واط» 5,3 مرة بين عامي 2023 و2025. وفكرة OpenJarvis أن العتاد والنماذج باتت شبه جاهزة، وأن ما كان ينقص السوق هو طبقة برمجية موحدة لمثل هذه الأنظمة.

كيف تُبنى الحزمة

يقوم OpenJarvis على خمسة عناصر أساسية (primitives) يمكن استبدال كل منها واختباره وتحسينه بشكل مستقل عن الآخر. ومن شأن هذا النهج أن يزيل الفوضى المعتادة في تجميعات الذكاء الاصطناعي المحلية، حيث تتشابك عملية الاستدلال (inference) ومنطق الوكلاء والتعامل مع الأدوات والذاكرة والتدريب في مشروع واحد يصعب إعادة إنتاجه. وبذلك يستطيع المطوّر مقارنة طبقة محددة، سواء كانت النموذج أو المحرّك أو الذاكرة أو سلوك الوكيل، بدلًا من مقارنة النظام بأكمله. وهذا يجعل التجارب والنشر الإنتاجي أسهل بوضوح.

• Intelligence — طبقة النماذج، وتضم فهرسًا موحدًا لنماذج LLM المحلية وتجريدًا لعملية اختيارها.
• Engine — بيئة التشغيل عبر Ollama وvLLM وSGLang وllama.cpp ومحركات أخرى.
• Agents — أدوار الوكلاء، ومنها Orchestrator لتفكيك المهام وOperative للسيناريوهات المتكررة.
• Tools & Memory — الوصول إلى الأدوات والذاكرة المحلية والبحث الدلالي وMCP، والتبادل بين الوكلاء عبر A2A.
• Learning — حلقة التحسين التي تستخدم التتبّعات المحلية للضبط الدقيق والتحسين.

وقد جرى التركيز على ألا يقتصر النظام على الدردشة. فبإمكان OpenJarvis البحث محليًا في الملاحظات والمستندات، وربط أدوات مثل البحث على الويب والآلة الحاسبة وعمليات إدخال الملفات وإخراجها وتفسير الشيفرة، والاتصال بخوادم MCP الخارجية. ولهذا يُقدَّم الإطار لا بوصفه غلافًا فوق نموذج واحد، بل بنية تحتية لوكيل شخصي يملك ذاكرة طويلة الأمد ووصولًا إلى بيئة المستخدم الفعلية.

ما المتاح حاليًا

من الناحية العملية، يبدو المشروع واقعيًا إلى حد كبير. يوفّر OpenJarvis واجهة سطر أوامر (CLI) وحزمة Python SDK وواجهة في المتصفح وتطبيق سطح مكتب لأنظمة macOS وWindows وLinux. يحدد الأمر `jarvis init` العتاد المتاح ويوصي بتركيبة مناسبة من المحرّك والنموذج، ويساعد `jarvis doctor` في تشخيص الإعدادات، ويشغّل `jarvis serve` خادم API متوافقًا مع OpenAI على FastAPI، بحيث يستطيع المطورون ربط العملاء والواجهات الأمامية الحالية دون إعادة عمل تُذكر. ووفق التوثيق، يمكن للسيناريوهات الأساسية أن تعمل دون اتصال بالشبكة أصلًا.

ومن نقاط القوة الأخرى قياس الكفاءة، لا جودة الإجابة وحدها. يجمع الإطار بيانات القياس عن الطاقة وزمن الاستجابة وFLOPs والتكلفة المالية للطلب، ويدعم التحليل (profiling) على NVIDIA وAMD وApple Silicon، ويوحّد معايير الأداء عبر `jarvis bench`. وبالتوازي، يحفظ OpenJarvis تتبّعات التفاعل المحلية، من أزواج prompt-completion إلى تسلسلات إجراءات الوكيل واستدعاءات الأدوات. وعلى هذا الأساس يمكن تحسين لا أوزان النموذج فحسب، بل أيضًا التعليمات (prompts) ومنطق الوكيل ومحرّك الاستدلال نفسه، مثلًا عبر التكميم (quantization) أو DSPy أو GEPA أو SFT أو DPO أو GRPO.

ماذا يعني ذلك

يُظهر OpenJarvis أن الذكاء الاصطناعي المحلي ينتقل من خانة التجميعات التجريبية نحو حزمة هندسية متكاملة. وإذا نجح نهج ستانفورد في ترسيخ نفسه، فسيحصل المطورون على أساس معياري لوكلاء شخصيين تبقى بياناتهم لدى المستخدم، وتكلفة تشغيلهم أقل، وتزداد فائدتهم بمرور الوقت بفضل التعلّم من سيناريوهات المستخدم المحلية. وهي إشارة أخرى للسوق: بعض مهام الذكاء الاصطناعي اليومية ستبدأ قريبًا بالانتقال من السحابة إلى الأجهزة الشخصية.