الاعتماد على النماذج العملاقة في كل شيء ليس تقدما… بل خطأ هندسي مكلف لم يراجع بعد

في السنوات الأخيرة، أصبح الاختيار الافتراضي في مشاريع الذكاء الاصطناعي هو الاعتماد على النماذج العملاقة، باعتبارها الحل الأكثر قدرة وشمولية.

لكن مع نضج التطبيقات وارتفاع متطلبات السيادة على البيانات وكلفة التشغيل، بدأ هذا الافتراض يُعاد النظر فيه.

تظهر اليوم موجة جديدة من النماذج الصغيرة المتخصصة، التي لا تنافس النماذج الكبيرة في العمومية، بل في الكفاءة داخل نطاق ضيق ومحدد من المهام.

في هذا المنشور نستعرض تجربة عملية لبناء نظام يعتمد على نموذج صغير مُكيّف لمهمة محددة، وتناقش كيف يمكن أن تتفوق النماذج الصغيرة عندما يتم تصميمها حول المهمة لا حول الحجم.


نموذج صغير من قوقل يكشف أكبر سوء فهم في عالم الذكاء الاصطناعي

في أواخر 2025 أطلقت غوغل نموذجاً اسمه FunctionGemma بحجم صغير لافت أصغر من أن يقاس بالمليارات، إذ يكفيه أقل من ثلث القيقابايت من الذاكرة. يعمل على هاتف عادي أو حتى على جهاز باقل من الف ريال، ويستجيب فورا دون أي اتصال بالإنترنت. مهمته واحدة فقط يأخذ كلام المستخدم “حول 500 ريال لحساب التوفير” ويحوله إلى أمر منظم ينفذه النظام. مايثرثر ولا يكتب الشعر يفعل شيئا واحدا فقط.

والمفاجأة في التفاصيل النموذج بصيغته الجاهزة كان ضعيفا ينجح في أقل من نصف المحاولات. لكن بعد اعادة ضبط قصيره على المهمة المحددة، قفزت دقته إلى مستوى نماذج تكبره عشرات بل مئات المرات. الدرس الجوهري ليس عن نموذج بعينه، بل عن مصدر القيمة الحقيقي ليست ضخامة النموذج، بل جودة البيانات الموجهة للمهمة.

تجارب سابقة لمستخدمين قاموا بضبط النموذج لاحتياحهم
تجارب سابقة لمستخدمين قاموا بضبط النموذج لاحتياحهم

من “غير صالح” إلى “جاهز للإنتاج” القفزة الأكبر من 10٪ إلى 96٪ تقريبا بعد اعادة ضبطه على المهام المطلوبة.

ثلاثة أرقام يفهمها صانع القرار

هذا ليس رأي جهة واحدة. الأبحاث المستقلة من كبار مزودي البنية التحتية تقول الشيء نفسه: للمهام المتكررة المحددة، النموذج الصغير ليس “أرخص قليلا”، بل أرخص بمراتب.

الرقمماذا يعني
10–30×أرخص في التشغيل من النموذج العملاق
أقل من 200msزمن استجابة محلي بلا رحلة للسحابة
×3نمو متوقّع لاستخدام المؤسسات للنماذج المتخصّصة بحلول ٢٠٢٧

على مستوى المعالجة الفعلية، تقارب كلفة النموذج الصغير 0.0004 دولار لكل ألف وحدة مقابل ما قد يصل إلى 0.09 دولار في العملاق فرق يقارب 225 ضعفا يتراكم إلى ملايين الريالات عند التوسع.

لماذا يعنينا هذا أكثر من غيرها؟

هنا يتحول النقاش من جانب تقني إلى قرار سيادي واستراتيجي. الطموح الرقمي في المملكة كبير والاستثمارات ضخمة، لكن ثلاثة عوامل تجعل النماذج الصغيرة المتخصصة ورقة رابحة

السيادة على البيانات تفرض أنظمة حماية البيانات الشخصية ضوابط صارمة على معالجة البيانات الحساسة وتخزينها. وهنا تأتي أهمية النماذج الصغيرة التي تعمل محليا بالكامل على الجهاز أو داخل بيئة المنظمة التقنية، بحيث تبقى البيانات ضمن الحدود الداخلية ولا ترسل إلى أطراف خارجية، مما يحقق امتثالا تنظيميا أعلى ويقلل مخاطر تسرب البيانات.

شح العتاد وكلفته رغم التوسع في بناء القدرات الحوسبية الوطنية، تبقى وحدات المعالجة الرسومية موردا ثمينا ومحدودا عالميا. لذلك فإن توجيه المهام المتكررة والبسيطة إلى نماذج صغيرة يساهم في تحرير هذه الموارد للمهام المعقدة والأكثر قيمة، بدل استنزافها في عمليات يمكن تنفيذها بكفاءة محليًا.

الانسجام مع التوجه الوطني مع إعلان 2026 عامًا للذكاء الاصطناعي، وانتقال الاستراتيجية من مرحلة وضع الأطر إلى مرحلة التنفيذ، تصبح النماذج الصغيرة المتخصصة أداة عملية تدعم هدف الاستضافة السيادية وتطوير حلول محلية بكلفة أقل وأكثر استدامة، بما يسرع تبني الذكاء الاصطناعي على نطاق واسع داخل الجهات الحكومية والقطاع الخاص.

متى نحتاج العملاق فعلا؟

الإنصاف يقتضي القول إن هذا ليس دعوة للتخلي عن النماذج الكبيرة. فهي تبقى الخيار الأمثل للمهام المفتوحة وغير المحددة: التحليل المعقد، والكتابة الإبداعية، والاستدلال متعدد الخطوات. القاعدة بسيطة: كلما كانت المهمة أضيق وأوضح، زادت جدوى النموذج الصغير المتخصّص.

المعيارالنموذج العملاقالنموذج المتخصّص
المهام المتكررة المحددةمكلِف ومفرطالخيار الأمثل
الاستدلال المعقد المفتوحالأفضلغير كاف وحده
العمل دون اتصالغير ممكنممكن بالكامل
بقاء البيانات محليامكلفافتراضي
الكلفة عند التوسعمرتفعة جدامنخفضة


لذلك فإن البنية المثلى ليست “نموذج واحد لكل شيء”، بل مزيج أسطول من النماذج الصغيرة يتولى الحجم الأكبر من العمليات اليومية، ونموذج كبير يستدعى فقط للحالات المعقدة أو الاستثنائية.

أسطول من المتخصصين، لا عملاق واحد

تصور النظام لا كعقل واحد ضخم، بل كفريق من المتخصصين يوزع عليهم “موجه ذكي” كل طلب حسب طبيعته

فريق من المتخصصين
فريق من المتخصصين


مساعد سياحي يعمل داخل المتصفح

قمنا بتجربة تحويل نموذج FunctionGemma (بحجم 270 مليون معامل) إلى مساعد سياحي يعمل داخل المتصفح. النموذج كان ضعيفا في العربية بشكل افتراضي، لكن تم تكييفه ليصبح قادرا على فهم الطلبات وتحويلها إلى استعلامات منظمة تنفذ مباشرة داخل واجهة الأنشطة السياحية ، دون الحاجة لأي اتصال خارجي.

النتيجة كانت مساعدًا خفيفًا يعمل بالكامل محليا داخل المتصفح، ويحول أوامر المستخدم إلى عمليات بحث منظمة بطريقة فورية وسلسة.

تم تدريب النموذج على مجموعة من المحادثات، ثم تحسين سلوكه تدريجيًا ليتوافق مع طبيعة الاستخدام السياحي.

سير عمل النموذج
سير عمل النموذج

النموذج الأساسي سجل 17 من 40 في الأداء العام، لكن هذا الرقم كان مضللا جزئيا؛ إذ حقق 16 من 16 في الامتناع لأنه ببساطة لم يكن قادرا على إنتاج استدعاءات أدوات صحيحة، فكان يميل إلى الصمت افتراضيا في معظم الحالات.

أما جوهر المهمة الحقيقي—وهو استدعاء الأدوات بالعربية—فكان ضعيفا جدا في البداية، حيث لم يتجاوز 1 من 24.

بعد عملية التدريب الموجه، تغير السلوك بشكل جذري؛ إذ ارتفع أداء استدعاء الأدوات إلى 24 من 24، ما أدى إلى وصول الأداء الكلي إلى 40 من 40.

مقارنة التدريب ونتائج النموذج قبل التدريب وبعد التدريب
مقارنة التدريب ونتائج النموذج قبل التدريب وبعد التدريب

تم بناء حلقة تحسين مغلقة حول النموذج، تبدأ باختبار مجموعة من السيناريوهات المصممة لاكتشاف نقاط الضعف، ثم تستخدم حالات الإخفاق لتوليد أمثلة تصحيحية موجهة، وبعدها يعاد التدريب بشكل تكراري حتى الوصول إلى الأداء المستهدف.

تم التحقق من النتائج بشكل عملي عبر تشغيل النموذج داخل متصفح حقيقي، والتعامل مع واجهة فعلية مباشرة، وليس عبر محاكاة أو افتراضات تجريبية.

وبكل صراحة، هذا نموذج أولي عامل (Working Prototype). ورغم أن حجمه 270 مليون معامل فقط، إلا أنه يقدم أداء ممتازا ضمن نطاق مهمته الأساسية، وهي ليست بناء روبوت دردشة عام، بل تنفيذ استدعاء أدوات مخصص.

وهذا بالضبط جوهر فكرة التخصص: ليس القصور في الحجم أو القدرات العامة، بل في تصميم النموذج ليقوم بمهمة محددة ويتقنها بدقة عالية.


نتائج من النموذج المحلي على المتصفح
نتائج من النموذج المحلي على المتصفح

سانشر لاحقا تدوينة تقنية تشرح تفاصيل البناء والتشغيل لمن يهمه الجانب العملي.

أربع قواعد تأخذها معك

1. ابدأ من المهمة، لا من النموذج القرار لا يبدأ من اختيار النموذج، بل من طبيعة المهمة نفسها. إذا كانت المهمة ضيقة، متكررة، وعالية الحجم، فغالبًا ما يكون النموذج الصغير هو الخيار الأكثر كفاءة وواقعية من حيث الأداء والتكلفة.

2. البيانات هي الأصل، لا الحجم الميزة التنافسية الحقيقية لا تأتي من حجم النموذج، بل من جودة البيانات الموجهة له. البيانات المصممة بعناية للمهمة تمثل أصلًا استراتيجيًا تمتلكه المؤسسة، وغالبًا ما يصعب على المنافسين تقليده.

3. احسب الكلفة الكاملة، لا الدقة فقط تقييم النماذج لا يجب أن يقتصر على الدقة أو الأداء اللحظي، بل يجب أن يشمل الكلفة الكاملة لدورة الحياة: التشغيل، البنية التحتية، الصيانة، والامتثال التنظيمي. أحيانًا النموذج “الأرخص تشغيلاً” يكون هو الأكثر قيمة فعليًا.

4. اجعل السيادة معيار القرار القدرة على التشغيل محليًا، دون اعتماد كامل على مزود خارجي، ليست تفصيلًا تقنيًا، بل عنصرًا استراتيجيًا. السيادة على البيانات والنماذج أصبحت جزءًا أساسيًا من تصميم الأنظمة الحديثة، وليست خيارًا ثانويًا.

—

المصادر

Originally published on X.

مقالات مشابهة

شائغة

شبكات CNN القائمة على المنطقة R-CNN
من Prompt Engineering إلى Loop Engineering
حافظ على خصوصية بياناتك مع التعلم الموزع Federated Learning
نماذج LLM كيف انتجت الخبرة؟