أدوات AI أخرى: مراجعات ومقارنات

عند البدء بنموذج LLM محلي، يكون السؤال الأول دائمًا: هل سيعمل على جهازي؟ الجواب أن 90% من المواصفات تعتمد على VRAM، أي ذاكرة بطاقة الـ GPU لديك. يشرح هذا الدليل جدولًا سريعًا لحجم VRAM المطلوب حسب حجم النموذج، ومعادلة تقريبية بسيطة لحسابه، وكيف يضخّم التكميم وطول السياق هذه الحاجة. كما يعرض سرعات واقعية لكل من GPU وMac، ويقدّم ثلاث تركيبات موصى بها حسب الميزانية حتى يعرف المبتدئ أيّ جهاز يشتري.

ما الفرق فعلاً بين تشغيل LLM محلي على حاسوبك الخاص واستخدام نماذج سحابية مثل Claude وChatGPT وGemini؟ يضع هذا المقال الخيارين في مقارنة واحدة عبر الأداء والتكلفة والخصوصية والعتاد والجهد المطلوب. كما يعرض بصدق إلى أي مدى تقلّصت «فجوة الأداء» التي يُساء فهمها كثيراً اعتباراً من 2026 بعد تصاعد النماذج المفتوحة. وأخيراً يرشدك إلى أيهما تختار بحسب حالتك — ولماذا يكون النهج الهجين هو الحل الأمثل لمعظم الناس.

إعادة تدريب ذكاء اصطناعي ضخم من الصفر مكلفة للغاية، لكنك تريد تعديله ليناسبك فقط؛ يحقق LoRA (Low-Rank Adaptation) هذه الأمنية بتجميد النموذج الأصلي وتدريب جزء إضافي صغير (محوّل) فقط، مقلّصًا المعاملات القابلة للتدريب إلى أقل من 1% من النموذج الأصلي. يجعل LoRA عملية fine-tuning أرخص وأسرع بكثير، وهو شائع جدًا في توليد الصور مثل Stable Diffusion بوصفه ملفًا صغيرًا يضيف شخصية أو أسلوبًا. يشرح هذا المقال الفكرة عبر تشبيه الرقعة. LoRA رائد fine-tuning كفؤ المعاملات (PEFT): اترك الأوزان الأصلية الضخمة مجمّدة، وأدرج مصفوفة إضافية صغيرة في كل طبقة، ودرّب تلك فقط (W = W0 + BA)؛ ويقوم على فرضية أن الرتبة المنخفضة تكفي، وقد دعمتها تجارب الورقة الأصلية (مع تقارير بأنه يتأخر عن التدريب الكامل في الرياضيات والبرمجة). من فوائده: معاملات أقل من 1% من الأصل (نحو جزء من عشرة آلاف مع GPT-3 175B في الورقة الأصلية)، وذاكرة GPU أقل أثناء التدريب (من 1.2TB إلى 350GB في التجربة نفسها)، وتدريب أسرع وأرخص، ودون زمن استجابة إضافي بعد دمج المحوّل، ونسيان أقل للقدرات الأصلية. أكبر قوته هي المحوّلات القابلة للتبديل: أبقِ أساسًا مشتركًا واحدًا وبدّل ملفات LoRA الصغيرة لكل حالة استخدام فوريًا. يلتقي كثيرون بـ LoRA أولًا في توليد الصور حيث تُشارَك LoRA الخاصة بـ Stable Diffusion التي تعلّمت شخصية أو أسلوبًا. يدمج QLoRA الـ quantization، فيدرّب LoRA فوق أساس 4-bit، مما يتيح fine-tuning نموذج 65B — الذي يتطلب أكثر من 780GB عند تدريبه بالكامل بدقة 16-bit — على GPU واحدة بسعة 48GB، ونموذج 33B على GPU استهلاكية بسعة 24GB، بنتائج مماثلة للطرق بدقة 16-bit في مقارنات الورقة (والورقة نفسها تذكر أنها لم تتحقق من مضاهاة 33B و65B للتدريب الكامل). ومقابل fine-tuning الكامل، يكفي LoRA لمعظم العمل. الأرقام مأخوذة من ظروف تجارب الورقة الأصلية وغيرها وهي إرشادية.

نموذج ضخم بحجم 70B يعمل على حاسوب منزلي واحد بدل رفّ من بطاقات GPU في مركز بيانات (مع إسناد ما لا تتسع له بطاقة GPU استهلاكية إلى المعالج والذاكرة الرئيسية)، وما يجعل هذا ممكناً هو التكميم الذي يخفض الدقة العددية لأوزان النموذج لتقليص الحجم والذاكرة بشكل كبير. بينما ينقل تقطير النماذج المعرفة إلى نموذج أصغر منفصل، يجعل التكميم النموذج نفسه أخف. يشرح المقال الفكرة عبر تشبيه ضغط الصور: يستبدل التكميم الأوزان المخزَّنة بصيغة FP16/FP32 بأعداد صحيحة INT8 أو INT4، فيقلل البايتات لكل وزن (FP32=4، INT8=1، INT4=0.5)؛ ومثل ضغط صورة RAW إلى JPEG تضحي بقليل من الدقة مقابل تخفيف كبير، والمفاجأة هي قلة ما تتنازل عنه. على صعيد الذاكرة، يستخدم 4-bit نحو ربع FP16: ينخفض نموذج 70B من نحو 140GB إلى 35GB، ونموذج 8B بـ4-bit يصبح نحو 4.5-5GB، فيتسع في GPU متوسط بذاكرة 8GB للاستخدام المحلي (دمقرطة LLM). على صعيد الدقة، INT8 شبه خالٍ من الفقد وINT4 يتدهور بحسب ما ورد أقل من 4% في مهام المعرفة العامة، لكن الفقد أوضح في الرياضيات وتوليد الشيفرة والاستدلال الصعب (يظهر كارتفاع طفيف في perplexity)، فاختر عدد البتات للمهمة. الطرق الرئيسية: GPTQ (رائد 4-bit الدقيق)، وAWQ (يحمي أهم ~1% من الأوزان، وتفوّقه على GPTQ يختلف بحسب التقييم)، وGGUF (صيغة llama.cpp/Ollama، من Q2_K إلى Q8_0، مزج CPU+GPU، للتشغيل المحلي)، وQLoRA (أساس 4-bit مع LoRA للضبط الدقيق على GPU استهلاكي). يختلف عن التقطير (الانتقال إلى نموذج أصغر منفصل) والضبط الدقيق (إضافة معرفة المهمة)، وتُستخدم الثلاثة عادةً مجتمعة. للبدء، شغّل نموذج GGUF بـOllama بأمر واحد، واختر Q4/Q8 حسب VRAM، وتجنّب INT4 للشيفرة أو الحساب الدقيق. معظم النماذج الرئيسية تُوزَّع مُكمَّمة سلفاً فتنزّلها وتستخدمها فقط. احتفظ بالذكاء وأسقط الوزن فقط.

الذكاء الاصطناعي الضخم وعالي الأداء ذكي لكنه ثقيل ومكلف؛ ويحل تقطير النماذج (تقطير المعرفة) ذلك بنقل معرفة نموذج معلّم كبير إلى نموذج طالب صغير، مع الحفاظ على أداء قريب من المعلّم بحجم أصغر بكثير وسرعة أكبر. يشرح المقال ذلك بتشبيه المعلّم والطالب. المفتاح هو الـ soft labels: التدريب العادي يُعلّم فقط «الجواب قطة» (hard label)، بينما يمرّر التقطير توزيع الاحتمالات الكامل للمعلّم مثل «90% قطة، 8% كلب، 2% ثعلب»، حيث تحمل درجة التردد معلومات غنية؛ ويقوم معامل temperature بتليين الاحتمالات لكشف العلاقات الدقيقة (مثال واقعي: ميزة OpenAI في واجهتها البرمجية عام 2024 لتدريب نماذج صغيرة على مخرجات نماذج كبيرة). الفوائد: سريع ورخيص، أصغر بكثير مع أداء قريب من المعلّم (TinyBERT أصغر بـ7.5 مرة مع أكثر من 96.8%)، يعمل على الـ edge، وقوي في التخصص. منهجان: white-box (وصول كامل للأوزان والتمثيلات الداخلية، نقل أعمق؛ لنماذجك أو نماذج OSS) و black-box (المخرجات/استجابات API فقط؛ استخدام API شركة أخرى كمعلّم قد يخالف الشروط). ويختلف عن quantization (ضغط دقة أوزان النموذج نفسه) و fine-tuning (مواصلة تدريب نموذج موجود لمهمة) — فالتقطير ينقل المعرفة إلى نموذج صغير منفصل، والثلاثة قابلة للدمج. كان الواقع القانوني وشروط الخدمة قضية كبيرة في 2026: التقنية مشروعة، لكن لدى OpenAI و Anthropic و xAI بنود منع تقطير منافس تحظر استخدام المخرجات لبناء نماذج منافسة. نزاع OpenAI ضد DeepSeek يُظهر أن التقييم يعتمد على شروط API مَن تنطبق، وتحوّل Claude Fable 5/Mythos 5 الطلبات المُصنّفة كتقطير إلى نموذج Opus أقل قدرة. نصائح: استخدم نماذجك أو نماذج OSS مرخّصة كمعلّم، وتحقق من بنود منع التقطير قبل استخدام API تجاري. الأرقام مقتبسة من مواد عامة وتوجيهية.

الضبط الدقيق تقنية تُدرّب نموذجًا مدرّبًا مسبقًا أو تضيف إليه مهايئات، لتعديل الأسلوب والتصنيف وأنماط المخرجات. يوضح المقال الفرق عن RAG والتعليمات، والأساليب الكاملة وLoRA وQLoRA، والبيانات والتكاليف وخطوات التقييم. ويفصل الحد الأدنى في OpenAI SFT البالغ 10 أمثلة والتوصية بـ 50 مثالًا عن الشروط المشتركة لكل الأساليب، ويشرح إغلاق الخدمة الذاتية للمستخدمين الجدد وشروط المستخدمين الحاليين، مع مثال تصنيف الاستفسارات قبل قرار الاعتماد.

ربما تفترض أن نموذج LLM لا بد أن يعمل في السحابة، لكن النماذج الصغيرة لا يتجاوز حجمها بضعة غيغابايت وتعمل حتى على حاسوب محمول عادي. ويعني نموذج LLM المحلي تشغيل نموذج ذكاء اصطناعي مباشرةً على جهازك بدلًا من السحابة. مزاياه الخصوصية (المدخلات لا تغادر جهازك)، وغياب رسوم API، والعمل دون اتصال؛ أما عيوبه فهي أنه ليس بذكاء الذكاء الاصطناعي السحابي من الطراز الأول ويحتاج إلى جهاز بقدرات معقولة. يغطي هذا الدليل للمبتدئين الكمّنة (Q4_K_M نحو 30% من حجم fp16: من 16 GB إلى 4.9 GB في Llama 3.1 8B)، وجدولًا بأحجام التنزيل الفعلية من قوائم وسوم Ollama (حتى 30 سبتمبر 2026)، والمتطلبات الرسمية لـ Ollama وLM Studio، وخطوات Ollama الرسمية (install.sh على macOS وLinux، وinstall.ps1 على Windows، ثم ollama run gemma4 وollama ps للتحقق من أنه على GPU)، وتنبيهًا إلى أن نماذج ":cloud" لا تعمل على جهازك، وكيف تختار نموذجًا (بأمثلة Llama 3.1 وGemma 4 وQwen3.8 وDeepSeek-R1)، ومتى تستخدم المحلي مقابل السحابة.

في 9 يونيو 2026، أطلقت Anthropic نموذج Claude Fable 5 — متيحةً لأول مرة، في صورة يستطيع المستخدمون العاديون والمطوّرون استخدامها، قدرةً بمستوى "Mythos"، النموذج الرائد الذي طالما اعتُبر الأقوى داخليًا. وتضعه Anthropic في مكانة أقوى نموذج تقدّمه للعموم، بشعار "مصمَّم للأعمال الطويلة والمعقّدة". يغطّي هذا التحليل المعمّق، المكتوب ليتابعه المبتدئون، ما هو Fable 5 (صورة عامة وآمنة من قدرة بمستوى Mythos، محسَّنة لإنهاء ماراثون لا لسؤال واحد؛ معرّف النموذج claude-fable-5)، وكيف يختلف عن توأمه Mythos 5 (متطابق في الداخل، تختلف ضوابط الأمان فقط؛ العموم يستخدمون Fable)، واختبارات الأداء (SWE-Bench Pro 80.0% مقابل Opus 4.8 69.2 وGPT-5.5 58.6، وأول تجاوز لـ 90% في تحليل Hex الطويل، والأعلى في Cognition FrontierCode وHebbia المالي، وSOTA جديد في الرؤية بلعب Pokémon دون مساعدة)، وقوته الحقيقية في الاستقلالية الطويلة (تركيز عبر ملايين الرموز، استقلالية أطول من أي Claude سابق، وإنجاز Stripe لترحيل Ruby بـ 50 مليون سطر في يوم واحد بدل أكثر من شهرين يدويًا، وذاكرة ملفات تعزّز مهمة لعبة 3 أضعاف Opus 4.8، وتقرير GitHub عن برمجة عالية الاستقلالية بعيدة الأمد)، والتسعير والتوافر ($10 مُدخَل / $50 مُخرَج لكل 1M رمز، سياق 1M ومُخرَج 128K، مجاني ضمن كل خطة 9-22 يونيو ثم أرصدة، API claude-fable-5 وGitHub Copilot)، ومقارنة مباشرة مع Opus 4.8 (القياسي $5/$25 مقابل $10/$50، +10.8 نقطة في SWE-Bench Pro، السياق 1M نفسه، وOpus 4.8 Fast Mode بـ $10/$50؛ قسّم العمل الثقيل لـ Fable 5 واليومي لـ Opus 4.8 القياسي)، وتصميم الأمان الجديد البارز (مصنّفات السيبرانية والأحياء-الكيمياء والتقطير ترتدّ إلى Opus 4.8 عند الخطر فقط، وتُفعَّل في أقل من 5% من الجلسات فيعمل 95%+ بأداء كامل، مع احتفاظ 30 يومًا بحركة مستوى Mythos)، وسياق إطلاقه بعد أيام من التحذير بأن الذكاء الاصطناعي خطير جدًا (طريق ثالث يغلق المجالات الخطيرة فقط)، ومتى تستخدمه. الأرقام منقولة من إعلان Anthropic والتقارير وقد تتغيّر.

اكتب بعض النص فيولد فيديو مصحوب بالصوت في ثوانٍ — ما كان قبل وقت ليس بالبعيد ضربًا من الخيال العلمي صار واقعًا في 2026، والوضع يتغير بوتيرة مذهلة. أوقفت Sora من OpenAI، التي كانت تتصدر الحديث، تطبيقها وموقعها في أبريل 2026 (وتبعتها واجهة API في 24 سبتمبر 2026)؛ وفي مكانها تصدّرت Google Veo وKling وRunway المشهد. يغطي هذا الدليل المحدّث (يونيو 2026) والمستقل عن الأدوات ماهية توليد الفيديو بالذكاء الاصطناعي (إنشاء لقطات متحركة من كلمات أو صورة، مع تزامن الصوت ودقة 1080p–4K وتحويل الصورة إلى فيديو كأمور معيارية الآن)، ومشهد 2026 (إيقاف Sora — الخلفية المُبلَّغ عنها من ضغوط الحوسبة والتكلفة وتراجع المستخدمين — والصدارة الحالية لـ Google Veo 3.1 وKling 3.0 وRunway Gen-4.5، مع التسعير بالثانية كالمعتاد)، وكيف يعمل (نماذج انتشار ممتدة إلى البُعد الزمني؛ تحويل النص إلى فيديو وتحويل الصورة إلى فيديو)، وسير العمل المشترك المكوّن من خمس خطوات (اختر أداة، مطالبة/صورة، اضبط المدة/النسبة/الصوت، ولّد واختر، اربط في المونتاج)، ونصائح مطالبات الفيديو الأساسية (موضوع + حركة + عمل كاميرا + أسلوب + مدة + صوت، مع الأفعال والكاميرا كمفتاح، لقطة واحدة فعل واحد، استخدم تحويل الصورة إلى فيديو، ولّد بكثرة)، وما يستطيع وما لا يستطيع فعله بعد (الأعمال الطويلة دفعة واحدة والاتساق الكامل ما زالا صعبين، والتكلفة بالثانية تتراكم)، وأساسيات الحقوق والعلامات المائية والأخلاقيات (العلامات المائية مثل SynthID تصبح معيارًا ولا يمكن إزالتها في كثير من الخطط، ومعيار إثبات المصدر C2PA ينتشر أيضًا، والناتج المولّد بالذكاء الاصطناعي البحت ضعيف الحماية مع اختلافات بين الدول، والاستخدام التجاري يعتمد على الشروط، والتزييف العميق للأشخاص الحقيقيين محظور). أنشئ لقطات واربطها في المونتاج بدلًا من السعي إلى عمل طويل دفعة واحدة. ولأن المجال يتحرك بسرعة، تحقق دائمًا من الأحدث رسميًا.

"أنا لا أجيد الرسم، إذن هذا الأمر ليس لي" — ذلك التصوّر المسبق عن توليد الصور بالذكاء الاصطناعي مقلوب. اكتفِ بإعطاء التعليمات بالكلمات، وبعد ثوانٍ تحصل على مرئيات بجودة احترافية. يغطّي هذا الدليل العابر للأدوات ما هو توليد الصور بالذكاء الاصطناعي (صنع الصور من الصفر عبر الكلمات — مهارة الإيصال لا الرسم؛ النسخة المرئية من هندسة الموجّهات)، وكيف يعمل (نماذج الانتشار تنحت صورة من ضوضاء عشوائية مستخدمةً موجّهك دليلًا، وترسم من الصفر في كل مرّة فتتذبذب النتائج)، وسير العمل المشترك المكوّن من أربع خطوات الذي يصلح في أي أداة (اختر أداة، اكتب موجّهًا، ولّد واختر، حسّن وأنهِ — والتكرار هو المنطلق)، وتشريح موجّه الصورة الأساسي المكوّن من ستة أجزاء (الموضوع، المشهد/الإطار، الأسلوب، الإضاءة/اللون، التكوين/الزاوية، التقني) إضافةً إلى الموجّهات السلبية ونسبة العرض إلى الارتفاع — مع أن كتابة الاستبعاد ونسبة الأبعاد والنص داخل الصورة تختلف من أداة لأخرى (يستخدم Midjourney --no، وتطلب Google الوصف الإيجابي، وفي واجهة Stability AI حقل negative_prompt، وفق الوثائق الرسمية)، وسبع نصائح للإتقان (اضبط العدد، أضف شيئًا فشيئًا، صور مرجعية، تعبئة داخلية، ثبّت البذرة، ارفع الدقّة، احفظ الموجّهات الجيّدة)، وما يصعب على الذكاء الاصطناعي (اليدان، النص، الاتساق، الدقّة الدقيقة) والحلول، وأساسيات الحقوق والاستخدام التجاري والأخلاقيات للعمل (المخرَج المولّد بالكامل بالذكاء الاصطناعي ضعيف الحماية وفق مكتب حقوق النشر الأمريكي وقضية Thaler التي صارت نهائية بعد رفض المحكمة العليا مراجعتها في 2026، مع اختلافات بين البلدان؛ الاستخدام التجاري يعتمد على شروط كل أداة؛ التزييف العميق وتقليد الأساليب دون إذن ممنوعان؛ وتنتشر بيانات المصدر، إذ تضيف OpenAI إلى صورها بيانات C2PA وعلامة SynthID المائية معًا). أمّا أي أداة تختار والطرق الخاصة بكل أداة فتُحال إلى مقالات المقارنة وMidjourney وStable Diffusion. اعرف التشريح، واضبط العدد، وأضف الكلمات شيئًا فشيئًا — يستطيع أي شخص الاقتراب من اللقطة التي يريدها.

تسأل الذكاء الاصطناعي نفسه الشيء نفسه، ومع ذلك يصفه شخص بأنه عديم الفائدة بينما ينبهر آخر بقدرته — والسبب الحقيقي وراء تلك الفجوة لا يكون في الغالب قدرة الذكاء الاصطناعي بل طريقة كتابة الأمر. هذا موجز عملي لتلك المهارة، هندسة الأوامر، منظَّم بحيث يستطيع المبتدئ استخدامه فورًا. يغطي ما هي هندسة الأوامر (مهارة تصميم تعليمتك للذكاء الاصطناعي وتحسينها — ليست شِفرة بل فن كيفية قول الأشياء)، والمبادئ الثلاثة التي تغيّر نتائجك (كن محددًا، أعطِ سياقًا، حدّد المُخرَج، إضافةً إلى "افعل X" بدلًا من "لا تفعل Y")، والأجزاء الستة الأساسية للأمر الجيد (الدور، السياق، التعليمة، الأمثلة، الصيغة، القيود — العناصر التي تتكرر في الأدلة المنشورة لدى المزوّدين؛ ولست بحاجة إلى الستة جميعها في كل مرة)، وسبع تقنيات عملية (امنح دورًا، اعرض نموذجًا/few-shot، استدل خطوةً بخطوة، ثبّت صيغة المُخرَج، نظّم بفواصل، لا تطلب أكثر من اللازم دفعةً واحدة، وكرّر — وأقواها التكرار)، ومثال قبل/بعد، وتقنيات للمستوى التالي (سلسلة التفكير، الاتساق الذاتي، تسلسل الأوامر، ReAct — مع أن نماذج الاستدلال مثل سلسلة o والتفكير الممتد لدى Claude تؤدي CoT داخليًا، لذا ينجح ذكر الهدف)، وسبعة أخطاء شائعة، ونصائح خاصة بكل نموذج إضافةً إلى أمان الإدخال. مع روابط داخلية إلى نصائح أوامر تطوير التطبيقات واحتياطات الإدخال. حوّل الغامض إلى محدد، والإلقاء إلى حوار — يستطيع أي شخص أن يتحسّن بدءًا من اليوم.

في يونيو 2025، كتب سام ألتمان من OpenAI على مدونته: «لقد تجاوزنا أفق الحدث؛ بدأ الإقلاع» («التفرد اللطيف»). ومع ذلك يرفض باحثون آخرون الفكرة رفضًا قاطعًا باعتبارها شيئًا لن يأتي أبدًا. يشرح هذا الدليل للمبتدئين أن التفرد (التفرد التقني) هو «نقطة التحول التي يتجاوز عندها الذكاء الاصطناعي الذكاء البشري ويبدأ في تحسين نفسه، فيصبح التقدم سريعًا بشكل انفجاري ولم يعد قابلًا للتنبؤ أو السيطرة» (فرضية، غير محققة حتى عام 2026). ويتناول جوهره — انفجار الذكاء = التحسين الذاتي التكراري، حيث يبني ذكاء اصطناعي ذكي ذكاءً اصطناعيًا أذكى ويتغير المُحسِّن من الإنسان إلى الذكاء الاصطناعي؛ وكيف يختلف عن الـ AGI والـ ASI (الـ AGI/ASI «حالتان» للذكاء، والتفرد «حدث» الصيرورة غير القابلة للتنبؤ؛ AGI ← تحسين ذاتي ← القفزة المفاجئة إلى ASI = التفرد)؛ وتاريخ المصطلح («انفجار الذكاء» لدى I. J. Good عام 1965 ← Vinge ينشر المصطلح عام 1993 ← Kurzweil يجعله سائدًا بـ«2045»)؛ والتباين الواسع في التوقعات (Kurzweil 2045، Altman «بدأ بالفعل»، Vinge، ومتشككون مثل Gary Marcus و«مكبح التعقيد» لدى الراحل Paul Allen)؛ والإقلاع الصعب المفاجئ مقابل الإقلاع اللين التدريجي؛ والآمال (اختراقات في الأمراض والعلوم) والمخاطر (فقدان السيطرة ومشكلة المواءمة)؛ والشك العميق (مكبح التعقيد، الحدود الفيزيائية، شيء مختلف تمامًا)؛ والمفاهيم الخاطئة الشائعة مثل «حكم الروبوتات» و«التفرد الفوري بمجرد وصول الـ AGI» و«تثبيت موعده في 2045». لا تخفه بإفراط ولا تحلم به أكثر من اللازم — استفد إلى أقصى حد من ذكاء اليوم الاصطناعي بينما تراقب بهدوء ما قد يأتي لاحقًا.