سباق نماذج الذكاء الاصطناعي الصغيرة يتسارع.. لماذا تتجه الشركات إلى حلول تعمل بموارد أقل؟
النماذج المفتوحة، تشغيل الذكاء الاصطناعي محليًا، كفاءة الحوسبة، تطوير النماذج، تطبيقات الذكاء الاصطناعي
لم تعد المنافسة في صناعة الذكاء الاصطناعي تقتصر على تطوير نماذج ضخمة تحتاج إلى مراكز بيانات متقدمة، بل أصبحت تشمل أيضًا بناء نماذج أصغر يمكن تشغيلها بكفاءة على موارد محدودة نسبيًا. ويعكس هذا التوجه محاولة توسيع استخدام التقنية لتشمل المطورين والشركات الصغيرة والأجهزة التي لا تمتلك قدرات حوسبة كبيرة، إلى جانب المؤسسات التي تعتمد على البنية السحابية.
وشهد أكتوبر 2026 إعلانات وإصدارات متعددة في سوق النماذج، من بينها نماذج تحمل أسماء Kimi K3.1 Pro وNemotron 3.5 Bolt E4B، إلى جانب إصدارات أخرى ظهرت خلال الشهر. ويشير تنوع الإصدارات إلى استمرار المنافسة على مستويات مختلفة من الأداء والحجم والاستخدام، بدلًا من التركيز على فئة واحدة من النماذج.
لماذا تحتاج السوق إلى نماذج أصغر؟
تتطلب النماذج الكبيرة موارد حوسبة وذاكرة وطاقة قد تجعل تشغيلها مكلفًا، خصوصًا عند استخدامها على نطاق واسع أو في مهام متكررة لا تحتاج إلى قدرات استدلال متقدمة. وقد يكون تشغيل نموذج ضخم لإجراء تصنيف بسيط أو تلخيص قصير أكثر تكلفة مما تتطلبه المهمة فعليًا.
ومن هنا تأتي أهمية النماذج الصغيرة والمتوسطة، التي تستهدف تقديم أداء مناسب لمهام محددة باستخدام موارد أقل. ويمكن أن تشمل الاستخدامات المحتملة تلخيص المستندات، واستخراج المعلومات من النصوص، وتصنيف الرسائل، والمساعدة في بعض مهام البرمجة، وتشغيل مساعدين داخليين داخل الشركات.
لكن صغر النموذج لا يعني أنه أفضل في جميع الحالات؛ إذ تختلف قدرات النماذج في فهم السياق، والتعامل مع الأسئلة المعقدة، وتحليل المعلومات، وتنفيذ التعليمات الطويلة. ولذلك يعتمد الاختيار على طبيعة المهمة، وليس على حجم النموذج وحده.
ما الذي يميز النماذج التي تستهدف الأجهزة محدودة الموارد؟
يتمثل أحد أهداف تطوير النماذج الصغيرة في تقليل احتياجات الذاكرة والمعالجة، حتى يمكن تشغيلها على أجهزة أو خوادم أقل تكلفة من البنية المطلوبة للنماذج الأكبر. وقد يساعد ذلك على نقل بعض مهام الذكاء الاصطناعي من الخدمات السحابية إلى أجهزة المستخدم أو إلى خوادم المؤسسة نفسها.
ويُعرف هذا التوجه أحيانًا باسم التشغيل المحلي، أي معالجة الطلبات على الجهاز أو ضمن بيئة خاصة بدلًا من إرسال كل شيء إلى خدمة سحابية خارجية. ويمكن لهذا الأسلوب أن يقلل الاعتماد على الاتصال المستمر بالإنترنت في بعض التطبيقات، كما يمنح المؤسسات خيارات إضافية بشأن مكان معالجة البيانات.
ومع ذلك، فإن القدرة على التشغيل المحلي تتوقف على مواصفات الجهاز وطريقة ضغط النموذج وتحسينه، فضلًا عن متطلبات التطبيق. فبعض المهام قد تعمل جيدًا على جهاز عادي، بينما تحتاج مهام أخرى إلى ذاكرة أكبر أو إلى مسرعات حوسبة متخصصة.
هل تعني النماذج الصغيرة تكلفة أقل دائمًا؟
يمكن أن يؤدي تقليل متطلبات الحوسبة إلى خفض بعض تكاليف التشغيل، لكن التكلفة الإجمالية تعتمد على عوامل أخرى أيضًا، مثل عدد الطلبات، وسرعة الاستجابة المطلوبة، واستهلاك الطاقة، ورسوم الترخيص، ووقت المطورين اللازم لدمج النموذج وصيانته.
وقد يكون نموذج صغير أقل تكلفة في تشغيل المهمة الواحدة، لكنه يحتاج إلى تدخل بشري أكبر إذا كانت نتائجه أقل دقة في مجال محدد. وفي المقابل، قد يكون نموذج أكبر أكثر ملاءمة للمهام المعقدة، حتى لو كانت تكلفة تشغيله أعلى.
لذلك تحتاج الشركات إلى اختبار النماذج باستخدام بيانات واقعية تمثل أعمالها اليومية، ومقارنة الدقة والسرعة والتكلفة معًا. ولا يكفي الاعتماد على ترتيب عام أو نتيجة اختبار واحدة، لأن الأداء قد يختلف بين اللغات والقطاعات وأنواع المهام.
ما أهمية النماذج المفتوحة للمطورين؟
تتيح بعض النماذج المفتوحة أو المتاحة وفق تراخيص محددة للمطورين فحص مكونات من النظام أو تنزيله وتشغيله وتعديله ضمن الشروط المقررة. وقد يمنح ذلك المؤسسات مرونة أكبر في بناء تطبيقات مخصصة، بدلًا من الاعتماد الكامل على واجهة برمجية يقدمها مزود خارجي.
لكن وصف نموذج بأنه مفتوح لا يعني بالضرورة أن جميع مكونات تطويره متاحة، أو أن استخدامه بلا قيود. فقد تختلف التراخيص من نموذج إلى آخر، كما قد تتباين الشروط المتعلقة بالاستخدام التجاري وإعادة التوزيع وتوفير البيانات أو الأوزان.
ومن الضروري قراءة الترخيص قبل دمج النموذج في منتج تجاري، خاصة إذا كانت الشركة تخطط لتوزيعه على عملاء أو إعادة تقديمه ضمن خدمة مدفوعة. كما يجب فحص متطلبات الأمان والخصوصية وتحديثات النموذج، لأن القدرة على تشغيله محليًا لا تلغي مخاطر معالجة البيانات أو سوء الاستخدام.
كيف يمكن أن تستفيد الشركات الصغيرة؟
قد تتيح النماذج الأقل احتياجًا إلى الموارد للشركات الصغيرة تجربة الذكاء الاصطناعي في مهام محددة دون الالتزام منذ البداية بتكاليف تشغيل واسعة. ويمكن استخدامها، بعد الاختبار المناسب، في تنظيم المستندات، أو البحث داخل قواعد المعرفة، أو إعداد مسودات أولية، أو مساعدة الموظفين في العثور على المعلومات.
ومن الأفضل أن تبدأ المؤسسة بمهمة واضحة يمكن قياس نتائجها، مثل الوقت اللازم لمعالجة نوع معين من المستندات أو معدل الأخطاء في تصنيف الطلبات. وبعد ذلك يمكن مقارنة أداء النموذج بالتكلفة والوقت اللذين يحتاج إليهما العمل اليدوي، مع الاحتفاظ بإشراف بشري على النتائج المهمة.
ولا ينبغي استخدام نموذج صغير في قرارات حساسة لمجرد أنه سريع أو رخيص؛ فالتطبيقات التي تؤثر في حقوق الأفراد أو أوضاعهم المالية أو فرصهم تحتاج إلى تقييم أشمل وضوابط مناسبة.
التحديات التي تواجه انتشار النماذج الصغيرة
من أبرز التحديات احتمال انخفاض الأداء في المهام التي تتطلب استدلالًا متعدد الخطوات أو معرفة متخصصة واسعة. وقد تحتاج بعض النماذج إلى إعدادات إضافية أو بيانات ملائمة حتى تؤدي المطلوب منها بصورة موثوقة.
كما أن كثرة النماذج المتاحة قد تجعل الاختيار أكثر صعوبة أمام الشركات. فالإصدارات الجديدة تظهر بوتيرة سريعة، وقد تختلف نتائجها بحسب أسلوب الاختبار والعتاد المستخدم واللغة التي يجري تقييمها. ولهذا من الأفضل عدم اتخاذ قرار الشراء أو الدمج اعتمادًا على اسم الإصدار وحده.
وتحتاج المؤسسات كذلك إلى مراعاة تحديثات الأمان، ومصدر النموذج، وشروط الدعم والصيانة، ومدى توافر أدوات تراقب الأداء وتكشف الأخطاء. وقد يكون النموذج الأقل تكلفة في البداية أكثر تعقيدًا من حيث الإدارة إذا تطلب خبرات داخلية لا تمتلكها الشركة.
هل تغير النماذج الصغيرة مستقبل الذكاء الاصطناعي؟
من المرجح أن يستمر السوق في الجمع بين نماذج كبيرة مخصصة للمهام المعقدة ونماذج أصغر تستهدف الاستخدامات اليومية والمتخصصة. وقد تختار الشركات تشغيل نموذج صغير للطلبات الروتينية، مع الاستعانة بنموذج أقوى عند الحاجة إلى تحليل أعمق أو معالجة أكثر تعقيدًا.
ويمنح هذا النهج المؤسسات فرصة لموازنة الأداء والتكلفة، لكنه يتطلب تصميمًا جيدًا للتطبيقات واختبارات مستمرة لضمان اختيار النموذج المناسب لكل مهمة.
وفي النهاية، لا تقاس قيمة النموذج بعدد المعلمات أو حداثة الإصدار وحدهما، بل بقدرته على حل مشكلة حقيقية بصورة دقيقة وآمنة وبتكلفة مناسبة. ومع اتساع الخيارات، ستكون الشركات والمطورون الذين يختبرون النماذج وفق احتياجاتهم الفعلية أكثر قدرة على الاستفادة من التطور السريع في صناعة الذكاء الاصطناعي.
