اقتصاد الرموز في الذكاء الاصطناعي المحلي

هذا هو المقال الذي كان كل مزود سحابي كبير سيفضّل ألا أكتبه. الحسابات ليست مخفية: إنها منشورة بلغة واضحة في صفحات أسعارهم نفسها، وفي وثائقهم نفسها، وفي دراسات القطاع التي يستطيع أي أحد تنزيلها. هم فقط يفضّلون أن تبقى غير مقروءة، لأن كل شركة تجري الحساب وتقيم طبقة الاستدلال الخاصة بها هي شركة تنفق أقل على إيجار API. والجواب عند كل مقياس، شركة ناشئة من خمسة أشخاص أو مؤسسة من خمسين ألف مستخدم أو أي نقطة بينهما على المنحنى، هو نفسه: الفريق الذي يملك طبقة الاستدلال الخاصة به يسترد كلفتها أضعافًا مضاعفة مقارنة بالفريق الذي يستأجر.

البنية

يبدو سعر المليون رمز ثابتًا. وهو ليس كذلك. المخرجات تكلف من ثلاثة إلى عشرة أضعاف المدخلات. ونماذج الاستدلال تدفن رموز سلسلة التفكير داخل فاتورة المخرجات تلك. وكل طلب يدفع من جديد كلفة موجّه النظام وأي سياق RAG مرفق به. لا شيء من ذلك يُفصَّل في صفحة الأسعار. وكله يصل إلى الفاتورة.

أجرت Enterprise Strategy Group المقارنة في 2025 مع Dell Technologies، فنمذجت نشر Llama 3 بحجم 70B معامل مع RAG على نافذة أربع سنوات عبر ثلاث بُنى: Dell AI Factory داخل المنشأة، وIaaS السحابي، والاستهلاك الصرف لواجهات API. هكذا يبدو الحساب عند طرف الاستخدام العالي من المنحنى:

عند 10,000 مستخدم، يأتي الحل داخل المنشأة أرخص بنسبة 52% على نافذة السنوات الأربع. وعند 50,000 مستخدم، أرخص بنسبة 62%. الفجوة تتسع مع الاعتماد، وهذا عكس ما تُبنى عليه أغلب افتراضات المشتريات تمامًا. وإذا أردت إجراء الحساب نفسه على عبئك الخاص، فهناك أداتان مرافقتان في هذا الموقع: حاسبة كلفة LLM تحسب شهر التعادل بين أي نموذج سحابي وأي خيار عتاد محلي بحسب أحجام رموزك المحددة، ومقارنة أسعار مزودي السحابة العملاقة تتتبع Bedrock وAzure Foundry وVertex على النموذج نفسه بأسعار يُتحقق منها أسبوعيًا.

انسَ الأرقام المطلقة لحظة. انظر إلى المنحنيات. إنفاق API ينمو خطيًا مع الحركة ولا يستقر أبدًا. وإنفاق العتاد المملوك يتوقف عند دورة حياة العتاد. الاعتماد هو المتغير الذي يحدد ما إذا كنت قد بنيت خندقًا أم وقّعت على ضريبة. أرقام Dell بمقياس المؤسسات، لكن المنحنى كسوري: شركة ناشئة من خمسة أشخاص ترى فاتورتها الشهرية من Anthropic أو OpenAI تزحف صعودًا وهي تنتقل من النموذج الأولي إلى الإنتاج هي على الخط نفسه، بمضاعف أصغر فقط. الرياضيات لا تهتم بعدد موظفيك؛ تهتم بما إذا كان حجم رموزك المستمر يبقي العتاد المملوك مشغولًا بما يكفي لاستهلاك كلفته.

وهناك محور ثانٍ لا يظهر في مقارنة الدولارات أصلًا. الاستدلال السحابي ينقل كل موجّه، أي سياق النظام والمستندات المسترجعة وحالة الوكيل الوسيطة، عبر حدود الشبكة إلى طرف ثالث. وهذا يستدعي نطاق الامتثال، والتعرض لتسرب الملكية الفكرية، والارتهان للمزود حول خرائط طريق نوافذ السياق وحدود المعدل، ومخاطر التركّز إن تعطل المزود إقليميًا عند الساعة 3 فجرًا، وتفاوت الأسعار حتى بين مزودي السحابة العملاقة الذين يقدمون النموذج نفسه. أسميه سيادة الاستدلال. هو الحديث نفسه الذي دار بين قيادات التقنية حول سيادة البيانات قبل خمس سنوات، لكن على طبقة أدنى من الحزمة.

الاعتراض الذي أسمعه من مديري التقنية عند هذه النقطة وجيه: “لكن Bedrock وVertex وOpenAI تقدم جميعها الضبط الدقيق. لماذا أحتاج وحدة معالجة رسومية خاصة بي؟” لأن الضبط الدقيق المُدار سحابيًا هو إيجار بخطوات إضافية. ما زالت بيانات التدريب تغادر حدودك. وما زالت أوزان المحوّل تعيش على بنية تحتية تخص غيرك. وما زال الاستدلال يعمل بسعر الطلب الذي يحدده غيرك وبحسب خريطة طريق غيرك. لقد أضفت التخصيص إلى التبعية، ولم تُزِل التبعية. المختبر المحلي هو البنية الوحيدة التي يكون فيها نموذجك وبياناتك وحلقة استدلالك ملكًا لك في آن واحد.

البناء

السبب في أن أغلب الفرق لا تقدم على هذه الخطوة هو أنها تخلط بين امتلاك نموذجك وتدريب نموذجك من الصفر. وهما مشكلتان مختلفتان تمامًا يفصل بينهما من أربع إلى ست مراتب من الحجم في الكلفة.

لا تدرّبه تدريبًا مسبقًا

سعّر مؤشر Stanford للذكاء الاصطناعي لعام 2025 حوسبة التدريب وراء النماذج الرائدة: GPT-4 بنحو $78 مليون، وLlama 3.1 405B بـ $170 مليون، وGemini Ultra بـ $191 مليون. هذه دولارات إيجار سحابي مستهلَكة تدريجيًا، حوسبة خام فقط: بلا هندسة بيانات، وبلا MLOps، وبلا رواتب من يستطيعون فعلًا تشغيل عنقود من آلاف وحدات المعالجة الرسومية دون إتلافه. وحتى عند الطرف الصغير من المنحنى، نموذج بحجم 7B من الصفر يكلف $50K–$500K ويستلزم عشرات الآلاف من ساعات وحدات المعالجة الرسومية. وأما 70B فيكلف $1.2M–$6M ويستلزم عنقودًا مخصصًا من 256 وحدة H200 يعمل أسابيع.

لا تفعل ذلك. لا يحتاج إليه أحد خارج ميزانيات المختبرات الرائدة.

طبّق عليه PEFT

الخطوة الفعلية هي الضبط الدقيق الفعّال في المعاملات (Parameter-Efficient Fine-Tuning) فوق أساس مفتوح الأوزان موجود. Llama 3 وMistral وQwen وPhi: طليقة أصلًا بالإنجليزية، سليمة الصياغة، مدركة للعالم. وما تضيفه فوقها هو مجالك: تصنيفك، وتنسيقك، ومنطق قراراتك، ونبرتك. وهذا تعديل ضئيل في فضاء المعاملات، والتقنيات الحديثة تستغله مباشرة.

أرقام عمود VRAM هذا هي قيم مرجعية لنموذج 7B. ولمعرفة ما إذا كان نموذج محدد بتكميم محدد يتسع فعلًا في وحدة معالجة رسومية محددة، تفصّل ذلك حاسبة VRAM لوحدات المعالجة الرسومية: أوزان النموذج مضافًا إليها ذاكرة KV المؤقتة والتنشيطات، مقابل جدول منتقى من وحدات المعالجة الرسومية الاستهلاكية وبطاقات مراكز البيانات وApple Silicon ومسرّعات Pi. وتستحق التشغيل قبل أي قرار عتاد.

يجمّد LoRA الأوزان الأساسية تمامًا ويحقن مصفوفات صغيرة قابلة للتدريب لتحليل الرتبة في طبقات انتباه محددة: أنت تحدّث ما يقارب 1% من عدد المعاملات. ويذهب QLoRA أبعد بتكميم الأساس المجمّد إلى 4 بت، فتنكمش بصمة الذاكرة بما يكفي ليتسع ضبط 7B على وحدة معالجة رسومية استهلاكية واحدة. وتنتهي جولة تكيّف جادة بـ QLoRA عند بضع مئات من الدولارات وتكتمل بين ليلة وضحاها. وشكل السكربت، أي ما هو مخطط للربع القادم من عمل مختبر Gekro على مجموعة بيانات منتقاة، يبدو تقريبًا هكذا:

# gekro_qlora_train.py - Llama 3 8B + QLoRA via Unsloth + TRL
# Target: single consumer GPU (Mac Mini Metal or RTX 4090 class)
from unsloth import FastLanguageModel
from trl import SFTTrainer
from transformers import TrainingArguments

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="unsloth/llama-3-8b-bnb-4bit",
    max_seq_length=4096,
    load_in_4bit=True,
)

model = FastLanguageModel.get_peft_model(
    model,
    r=16,                                # LoRA rank
    target_modules=["q_proj", "k_proj", "v_proj", "o_proj"],
    lora_alpha=16,
    lora_dropout=0.0,
    use_gradient_checkpointing="unsloth",
)

trainer = SFTTrainer(
    model=model,
    tokenizer=tokenizer,
    # Expected JSONL shape per record:
    # {"messages": [{"role": "user", "content": "..."},
    #               {"role": "assistant", "content": "..."}]}
    train_dataset=load_curated_dataset(),    # your domain corpus
    args=TrainingArguments(
        per_device_train_batch_size=2,
        gradient_accumulation_steps=4,
        num_train_epochs=3,
        learning_rate=2e-4,
        optim="adamw_8bit",
        output_dir="./checkpoints",
    ),
)
trainer.train()

ملف واحد. وحدة معالجة رسومية واحدة. جولة واحدة طوال الليل. والمخرجات ملف صغير لأوزان المحوّل تحمّله فوق الأساس المجمّد وقت الاستدلال، وتقدّمه Ollama أو vLLM بالطريقة نفسها التي تقدّم بها النموذج الأساسي.

مستويات العتاد: المختبرات تتوسع مع حجم الفريق لا مع إيرادات الشركة

المهندس الفرد الذي يشغّل مهام ذكاء اصطناعي ثقيلة ينتمي إلى المستوى 1. والفريق الذي يشغّل أعباء وكيلية مستمرة ينتمي إلى المستوى 2. والمؤسسة التي تخدم آلاف المستخدمين تنتمي إلى المستوى 3. البنية نفسها بثلاثة مضاعفات. وعند كل مستوى يكون حساب الاسترداد أسرع من دورة المشتريات التي أجازته: أشهر في المستوى 1، وأسابيع في المستوى 2 متى بدأت المحولات المضبوطة تخدم حركة حقيقية، وأضعافًا مضاعفة في المستوى 3 مقابل إنفاق API مكافئ بمقياس مستمر.

استقرت حزمة التقديم في 2026، وهذا هو الجزء الأقل تناولًا من القصة. فازت vLLM في الإنتاجية: تقسّم خوارزميتها PagedAttention ذاكرة KV كما تقسّم أنظمة التشغيل الذاكرة الافتراضية إلى صفحات، والفرق بين التقديم عبر vLLM والتقديم الساذج على العتاد نفسه هو الفرق بين وحدة معالجة رسومية خاملة وأخرى مشبعة. وفازت Ollama في راحة المطور على سطح المكتب وعلى الحافة. وتعيش TensorRT-LLM حيث التزمت بـ NVIDIA وتريد كل دورة أخيرة. وتتولى MLflow أو Weights & Biases تتبع التجارب، لأن الضبط الدقيق لنماذج اللغة غير حتمي وقابلية إعادة الإنتاج هي الفرق بين عرض بحثي ونظام إنتاج.

لم تعد بحاجة إلى فريق البنية التحتية في Anthropic أو OpenAI لتشغيل استدلال الإنتاج بمقياس كبير. الحزمة التي استغرق بناؤها سنوات لدى تلك الشركات أصبحت الآن pip install وملف إعدادات. هذا جديد في 2026، وهو السبب الكامل لعمل حسابات هذا المقال عند كل مستوى. وقد وثّقت مسبقًا نمط Ollama على Pi كتأمين معماري وGekroLLMClient الذي يجرّد المزودين السحابيين والمحليين خلف واجهة واحدة؛ وكلاهما يتوسع مباشرة من مختبر منزلي إلى مستوى المؤسسة.

المفاضلات

امتلاك طبقة الاستدلال ليس مجانيًا، والتظاهر بغير ذلك هو ما يحوّل المختبرات إلى ثقالات ورق. وثمة أربعة أنماط فشل تستحق التسمية.

نقص الاستخدام يقتل المنحنى. حجة التعادل تعتمد على إنتاجية مستمرة. أقم خادمًا من المستوى 3 وشغّله باستخدام 8% وستكون قد بنيت ثقالة ورق باهظة الثمن. واجهات API السحابية أرخص فعلًا للأعمال المتقطعة قليلة الحجم: هذا هو الشكل الأنسب لها، وينبغي أن تواصل استخدامها فيه. قبل أي قرار عتاد، اسأل: ما حجم الرموز اليومي المستقر للأعباء التي أنقلها إلى الداخل، وهل هو كبير بما يكفي لإبقاء العتاد مشغولًا؟ فإن كان الجواب الصادق لا، فابقَ على API لذلك العبء. العتاد المحلي يكسب رزقه بكونه مشبعًا.

هاوية الجودة حقيقية. نموذج 8B مضبوط على مهمة ضيقة محددة جيدًا يمكن أن يضاهي واجهة API لنموذج رائد في تلك المهمة أو يتفوق عليها: وهذا هو معنى الضبط الدقيق كله. لكن في اللحظة التي ينجرف فيها العبء نحو الاستدلال المفتوح أو المعرفة متعددة المجالات، يسقط النموذج الصغير من الهاوية. شعرت بهذا مباشرة. يشغّل Mac Mini لدي نموذج 70B مكمَّمًا بكل رضا والردود صالحة تمامًا للتلخيص والتصنيف ومراجعة الشيفرة. وهي أيضًا أقل دقة بوضوح مما يعيده Claude أو Gemini Pro على الموجّه نفسه: أقصر وأكثر حرفية وأميل إلى تفويت الدلالة من الدرجة الثانية لسؤال ما. قرار التوجيه هو البنية، ويعيش في غلاف العميل:

# Hybrid routing - local for narrow tasks, cloud for long-tail reasoning
NARROW = {"classify", "extract", "summarize", "format", "tag"}
REASONING = {"design", "plan", "synthesize", "debug-novel"}

def route(task_class: str, prompt: str) -> str:
    if task_class in NARROW:
        return local_finetuned_8b.run(prompt)
    if task_class in REASONING:
        return cloud_frontier.run(prompt)
    return cloud_frontier.run(prompt)        # default: don't guess

المحلي للعمل الضيق عالي الحجم الحساس لزمن الاستجابة. والسحابة الرائدة لاستدلال الذيل الطويل الذي لا يستطيع النموذج المحلي التعامل معه. هذا قلب نمط سيادة API: المختبر لا يحل محل السحابة، بل يلتهم الأعباء المتوقعة أولًا. كل رمز يعالجه المستوى المحلي هو رمز لا تحاسبك عليه فاتورة السحابة. وكل رمز تبقيه على السحابة هو رمز تدعم به عمليًا جولة التدريب القادمة للمزود.

مجموعة البيانات هي الخندق لا وحدة المعالجة الرسومية. الحوسبة رخيصة. جولة QLoRA التي تكلف $300 من وقت وحدة المعالجة الرسومية قد تقوم فوق جهد تعليق كلّف الفريق $60,000 من ساعات الخبراء، وفي جولة DPO أو RLHF جادة تبلغ نسبة التوسيم البشري إلى الحوسبة عادةً عشرين إلى ثلاثين ضعفًا لصالح البشر. هذه ليست حجة ضد الضبط الدقيق. إنها حجة مفادها أنه إن كانت مؤسستك لا تستطيع صياغة تصنيفها كتابةً، ولا تتفق على شكل المخرج الصحيح لمجالك، ولا تستطيع تخصيص خبراء مجال لمراجعة التعليقات، فليست لديك مشكلة ضبط دقيق بعد، بل مشكلة إدارة معرفة. حلّها أولًا. الحوسبة هي النصف السهل. وحين تبدأ بتنسيق أمثلة التدريب، توقع احتكاك الصيغ بين الأطر: مخطط محادثة OpenAI وAlpaca وShareGPT وUnsloth/Llama جميعها تريد البيانات نفسها بشكل مختلف قليلًا. بنيت منسِّق مجموعات بيانات الضبط الدقيق ليتولى التحويل وينبّه إلى أخطاء الأدوار المفقودة التي تسبب إخفاقات تدريب صامتة.

تجديد العتاد قاسٍ. وهذه ميزة لا عيب. تستهلك المحاسبة الخوادم على خمس أو ست سنوات. أما سيليكون الذكاء الاصطناعي فلا يتعاون. تصل أجيال وحدات المعالجة الرسومية الجديدة تقريبًا كل عام بمكاسب كفاءة كبيرة، ما يعني أن H100 اشتُريت في أوائل 2024 تتأخر جيلين معماريين بحلول أواخر 2026. خطط لتجديد كل 24–36 شهرًا في أكثر المستويات تطلبًا ولنمط تتالي القيمة الذي ينقل السيليكون الأقدم إلى أعباء أخف: تدريب النماذج الرائدة في السنتين 1–2، واستدلال الزمن الحقيقي في السنتين 3–4، وتحليلات الدُفعات بعد ذلك. والمرونة في التجديد بجرأة هي بذاتها أصل استراتيجي. التزام المثيلات المحجوزة لثلاث سنوات في السحابة لا يمنحك إياها، ولا يمنحك إياها عقد API طويل الأجل الذي يوشك فريقك المالي على توقيعه.

إلى أين يتجه هذا

هذا المقال في جزء منه تركيب وفي جزء منه خريطة طريقي الخاصة. أشغّل اليوم استدلالًا محليًا على Mac Mini وعنقود Pi، مع GekroLLMClient الذي يوجّه بين السحابة والمحلي بحسب فئة العبء. وما لم أفعله بعد، والذي بُني حوله الربع القادم من عمل المختبر، هو تشغيل QLoRA من البداية إلى النهاية على مجموعة بيانات منتقاة على عتادي الخاص، مع حلقة التقييم وانضباط MLOps اللذين يحوّلان ضبطًا دقيقًا لمرة واحدة إلى خط معالجة قابل لإعادة الإنتاج. وثمة سطح تحسين ثانٍ خاص بمكان إقامتي: شبكة الكهرباء في Texas لها آراؤها الخاصة بشأن متى ينبغي تشغيل مهام التدريب، وهذا لا ينفتح إلا حين تمتلك العتاد أصلًا.

لا شيء من هذا مخفي. مزودو السحابة الذين يكتبون فاتورتك الشهرية يعرفونه أصلًا. هم يراهنون على أن فريق الهندسة لديك مشغول جدًا بشحن الميزات فلا يجري الحساب. أجرِه على أي حال.