ما هو الذكاء الاصطناعي المحلي؟ وكيف تعمل نماذج AI على جهازك دون السحابة؟
لم يعد تشغيل نماذج الذكاء الاصطناعي مرتبطًا دائمًا بمراكز بيانات ضخمة واتصال مستمر بالإنترنت. فمع تطور المعالجات وظهور نماذج أكثر كفاءة، أصبح من الممكن تنفيذ عدد متزايد من مهام الذكاء الاصطناعي مباشرة على الهاتف أو الحاسوب الشخصي دون إرسال كل طلب إلى خادم بعيد.
يُعرف هذا الاتجاه باسم الذكاء الاصطناعي المحلي Local AI أو الذكاء الاصطناعي على الجهاز On-Device AI، وهو يتوسع مع دخول وحدات المعالجة العصبية NPU إلى الحواسيب والهواتف الحديثة، وتحسن قدرة النماذج الأصغر على تنفيذ مهام كانت تتطلب سابقًا موارد حوسبة أكبر.
لكن تشغيل نموذج على جهازك لا يعني تلقائيًا أنه سيقدم قدرات الأنظمة السحابية نفسها، كما لا يعني أن جميع بياناتك أصبحت محمية بصورة مطلقة. فما الذكاء الاصطناعي المحلي؟ وكيف يعمل؟ ولماذا أصبح أحد الاتجاهات المهمة في صناعة الذكاء الاصطناعي؟
ما هو الذكاء الاصطناعي المحلي Local AI؟
الذكاء الاصطناعي المحلي هو تشغيل نموذج أو نظام ذكاء اصطناعي ومعالجة البيانات على جهاز المستخدم نفسه أو على بنية حوسبة محلية، بدل إرسال البيانات إلى خوادم سحابية لتنفيذ عملية الاستدلال ثم إعادة النتيجة.
قد يكون الجهاز حاسوبًا شخصيًا أو هاتفًا ذكيًا أو محطة عمل، وفي بعض الاستخدامات قد تكون المعالجة داخل خادم خاص بالمؤسسة بدل الاعتماد على خدمة ذكاء اصطناعي سحابية خارجية.
الفرق الأساسي هنا هو مكان تنفيذ عملية المعالجة.
عند استخدام خدمة ذكاء اصطناعي سحابية، ينتقل طلب المستخدم عبر الإنترنت إلى مركز بيانات يحتوي على المعالجات التي تشغل النموذج. أما في Local AI، فيكون النموذج أو جزء منه موجودًا على الجهاز، وتنفذ العمليات الحسابية باستخدام موارده المحلية.
وقد أصبح ذلك عمليًا بصورة أكبر مع ظهور نماذج يمكن تشغيلها على الأجهزة الاستهلاكية، إضافة إلى أدوات وبرمجيات تسمح بتشغيل النماذج محليًا دون الحاجة إلى بناء بنية ذكاء اصطناعي كاملة من الصفر.
كيف يعمل الذكاء الاصطناعي على الجهاز؟
لفهم الفكرة، يمكن النظر إلى النموذج باعتباره برنامجًا يحتوي على عدد كبير من المعاملات التي تعلمها أثناء مرحلة التدريب.
لا يحتاج المستخدم عادةً إلى تدريب النموذج من البداية. بدلًا من ذلك، يتم تنزيل نموذج مدرّب مسبقًا إلى الجهاز، ثم يستخدمه برنامج مخصص لتنفيذ ما يعرف باسم Inference أو الاستدلال.
عندما تكتب سؤالًا إلى نموذج لغوي محلي مثلًا، تمر العملية بصورة مبسطة بالمراحل التالية:
- يستقبل البرنامج النص الذي أدخلته.
- يحوله إلى وحدات رقمية يستطيع النموذج التعامل معها.
- ينفذ النموذج العمليات الحسابية المطلوبة على معالج الجهاز.
- يتوقع الرموز التالية بالتتابع.
- يحول البرنامج النتيجة مرة أخرى إلى نص يظهر أمام المستخدم.
في هذا السيناريو لا يحتاج السؤال نفسه إلى مغادرة الجهاز إذا كان التطبيق والنموذج يعملان محليًا بالكامل.
وهنا يظهر اختلاف مهم بين تشغيل نموذج AI وتدريب نموذج AI. فتدريب النماذج الكبيرة قد يحتاج إلى بنية حوسبة ضخمة، بينما يمكن تشغيل نماذج مدربة مسبقًا على أجهزة أصغر بكثير إذا كان حجم النموذج ومتطلبات الذاكرة مناسبين.
ما الأجهزة التي تشغّل الذكاء الاصطناعي المحلي؟
تعتمد قدرة الجهاز على تشغيل نموذج AI على عدة عوامل، أبرزها حجم النموذج والذاكرة المتاحة وسرعة نقل البيانات والقدرة الحسابية.
وتستفيد التطبيقات المحلية عادةً من واحد أو أكثر من أنواع المعالجات التالية.
وحدة المعالجة المركزية CPU
يمكن تشغيل بعض النماذج على CPU، خصوصًا النماذج الصغيرة أو المضغوطة، إلا أن الأداء قد يكون أبطأ مقارنة باستخدام عتاد متخصص.
وحدة معالجة الرسوميات GPU
تتميز وحدات GPU بقدرتها على تنفيذ عدد كبير من العمليات بالتوازي، ولهذا أصبحت عنصرًا أساسيًا في تدريب وتشغيل نماذج الذكاء الاصطناعي.
ولا يقتصر استخدامها على مراكز البيانات؛ فبطاقات الرسوميات في الحواسيب الشخصية تستطيع أيضًا تشغيل نماذج محلية وفق حجم النموذج وذاكرة البطاقة.
وحدة المعالجة العصبية NPU
أصبحت NPU جزءًا مهمًا من موجة الحواسيب والهواتف الموجهة للذكاء الاصطناعي.
وهي معالجات مصممة لتسريع عمليات الشبكات العصبية بكفاءة أعلى في استهلاك الطاقة مقارنة بتنفيذ بعض هذه المهام على CPU أو GPU.
وفي سبتمبر 2026، عرضت Qualcomm مثلًا تشغيل مهام ذكاء اصطناعي وكيلة محليًا على حواسيب Snapdragon X باستخدام Hexagon NPU، مع توزيع الأحمال بين CPU وGPU وNPU بحسب المهمة.
كيف يمكن وضع نموذج ذكاء اصطناعي كبير داخل جهاز شخصي؟
أحد العوامل التي جعلت Local AI أكثر عملية هو تطور تقنيات تقليل الموارد اللازمة لتشغيل النماذج.
من أهمها Quantization أو التكميم، حيث يتم تمثيل أوزان النموذج بدقة رقمية أقل، ما يمكن أن يخفض حجم النموذج واستهلاك الذاكرة مع محاولة الحفاظ على مستوى مناسب من الأداء.
وهناك أيضًا معماريات ونماذج صُممت منذ البداية لتكون أكثر كفاءة على الأجهزة محدودة الموارد.
ولهذا أصبحت بعض الهواتف ذات ذاكرة 8 غيغابايت قادرة بالفعل على تشغيل نماذج لغوية ومهام متعددة محليًا، وإن كانت قدراتها تختلف بصورة كبيرة عن النماذج العملاقة الموجودة في مراكز البيانات.
هذا الاتجاه يقود أيضًا إلى فئة متنامية تسمى النماذج اللغوية الصغيرة Small Language Models، والتي سنخصص لها شرحًا مستقلًا، لأن الهدف منها يتجاوز مجرد تشغيل نموذج كبير بعد ضغطه.
ما الفرق بين الذكاء الاصطناعي المحلي والسحابي؟
الفرق لا يتعلق فقط بالحاجة إلى الإنترنت، بل بطريقة بناء الخدمة نفسها.
| الذكاء الاصطناعي المحلي | الذكاء الاصطناعي السحابي |
| المعالجة على جهاز المستخدم | المعالجة داخل مركز بيانات |
| يمكن أن يعمل دون اتصال بالإنترنت | يحتاج غالبًا إلى اتصال بالخدمة |
| البيانات قد تبقى محليًا | يتم إرسال البيانات إلى خادم خارجي |
| محدود بقدرات الجهاز | يمكنه الوصول إلى موارد حوسبة ضخمة |
| لا يحتاج تكلفة استدلال سحابية لكل طلب | تشغيل الخدمة يتطلب موارد خوادم مستمرة |
| تحديث النموذج قد يتطلب تنزيل إصدار جديد | يمكن تحديث النموذج مركزيًا |
لكن الحدود بين النموذجين ليست دائمًا واضحة.
فبعض أنظمة الذكاء الاصطناعي الحديثة تستخدم بنية هجينة Hybrid AI؛ تنفذ المهام البسيطة أو الحساسة محليًا، بينما ترسل المهام الأكثر تعقيدًا إلى السحابة.
لماذا يتجه الذكاء الاصطناعي نحو الأجهزة المحلية؟
هناك عدة أسباب تجعل الشركات والمطورين مهتمين بهذا الاتجاه.
الخصوصية
عندما تتم المعالجة محليًا بالكامل، يمكن أن تبقى الملفات والصور والنصوص داخل الجهاز بدل إرسالها إلى خدمة خارجية.
وهذا مفيد خصوصًا عند التعامل مع مستندات خاصة أو بيانات مؤسسية حساسة.
لكن من المهم عدم مساواة كلمة “محلي” تلقائيًا بـ”خاص”. فقد أشار بحث منشور في 2026 حول الأنظمة المدمجة في أنظمة التشغيل إلى أن تشغيل الاستدلال محليًا لا يمنع التطبيق بالضرورة من جمع بيانات أو تخزين سياق أو إرسال Telemetry أو تحويل بعض الطلبات إلى السحابة.
لذلك يجب النظر إلى بنية التطبيق وسياسة البيانات كاملة، وليس فقط إلى مكان تشغيل النموذج.
العمل دون إنترنت
إذا كان النموذج والملفات اللازمة موجودة على الجهاز، يمكن تنفيذ بعض المهام دون اتصال بالشبكة.
وهذا يفتح استخدامات للذكاء الاصطناعي في الأماكن التي يكون فيها الاتصال ضعيفًا أو غير متوفر.
تقليل زمن الاستجابة
إرسال البيانات إلى مركز بيانات وانتظار النتيجة يضيف زمنًا مرتبطًا بالشبكة.
المعالجة المحلية يمكن أن تقلل هذا التأخير في التطبيقات التي تحتاج إلى استجابة سريعة، خصوصًا عندما يكون النموذج مناسبًا لقدرات الجهاز.
تقليل الاعتماد على الخوادم
كل طلب يتم تنفيذه في السحابة يستهلك موارد في مركز البيانات.
أما إذا استطاع الجهاز تنفيذ جزء من المهام بنفسه، فيمكن نقل جزء من العبء الحسابي من البنية السحابية إلى أجهزة المستخدمين.
ماذا يمكن أن يفعل الذكاء الاصطناعي المحلي؟
لم يعد Local AI مقتصرًا على تجربة روبوت محادثة بسيط.
بحسب قدرات النموذج والجهاز، يمكن استخدامه في مهام مثل:
- كتابة النصوص وتلخيصها.
- تحليل المستندات المحلية.
- المساعدة في البرمجة.
- تحويل الكلام إلى نص.
- معالجة الصور وفهم محتواها.
- البحث داخل ملفات المستخدم.
- الترجمة.
- تنفيذ بعض مهام الأتمتة والوكلاء.
- إنشاء الصور في بعض البيئات.
- تشغيل مساعدين شخصيين دون إرسال كل تفاعل إلى السحابة.
وتظهر أدوات حديثة تجمع بالفعل بين تشغيل نماذج النصوص والرؤية والصوت وتوليد الصور محليًا على الحواسيب الشخصية.
كما أن Google دفعت هذا الاتجاه على Android خلال 2026 مع Gemma 4 وأدوات تسمح للمطورين ببناء تجارب ذكاء اصطناعي تعمل مباشرة على عتاد الجهاز.
هل يمكن تشغيل الذكاء الاصطناعي دون إنترنت فعلًا؟
نعم، ولكن بشرط أن يكون النموذج وبرنامج التشغيل والبيانات المطلوبة موجودة على الجهاز مسبقًا.
بعد تنزيل النموذج، يستطيع النظام المحلي تنفيذ الاستدلال دون الاتصال بخادم خارجي.
لكن هذا يفرض قيدًا مهمًا: النموذج لا يعرف تلقائيًا ما حدث على الإنترنت بعد تاريخ بياناته، ولا يستطيع البحث عن معلومات آنية ما لم يتم تزويده بأداة أو اتصال يسمح بذلك.
لذلك قد يكون المساعد المحلي ممتازًا في تلخيص مستند موجود على الحاسوب، لكنه لا يستطيع معرفة نتيجة حدث وقع قبل دقائق دون مصدر معلومات خارجي.
هل الذكاء الاصطناعي المحلي أفضل من ChatGPT والخدمات السحابية؟
ليست المقارنة بهذه البساطة.
النماذج السحابية الكبيرة تستطيع الاستفادة من موارد حوسبة وذاكرة لا يمكن توفيرها عادةً داخل هاتف أو حاسوب شخصي، ما يسمح بتشغيل نماذج أكثر قدرة وتنفيذ مهام أكثر تعقيدًا.
في المقابل، يقدم Local AI مزايا مختلفة مثل التحكم الأكبر في البيانات، والعمل دون اتصال، وإمكانية تخصيص البيئة المحلية.
ولهذا قد لا يكون المستقبل اختيارًا بين “محلي” و”سحابي”، بل استخدام كل منهما للمهمة التي يناسبها.
المهام الخاصة والبسيطة والسريعة يمكن تنفيذها على الجهاز، بينما تنتقل المهام التي تحتاج إلى نموذج أكبر أو معلومات حديثة أو قدرة حوسبة مرتفعة إلى السحابة.
ما تحديات تشغيل AI محليًا؟
رغم التطور السريع، لا تزال هناك قيود واضحة.
أولها الذاكرة؛ فكلما ازداد حجم النموذج ارتفعت الموارد اللازمة لتحميله وتشغيله.
وثانيها الأداء واستهلاك الطاقة والحرارة، خصوصًا على الهواتف والأجهزة المحمولة.
كما أن النموذج المحلي يحتاج إلى مساحة تخزين، وقد يصل حجم بعض النماذج إلى عدة غيغابايت أو أكثر.
هناك أيضًا جانب أمني مختلف. وجود النموذج والبيانات على الجهاز يقلل بعض المخاطر المرتبطة بإرسال البيانات إلى السحابة، لكنه يفتح مخاطر مرتبطة بسرقة النموذج أو العبث به أو الوصول إلى الملفات المحلية. وتشير أبحاث حديثة إلى أن أنظمة Mobile On-Device AI تملك بالفعل سطح هجوم خاصًا بها يحتاج إلى وسائل حماية مختلفة.
هل يصبح الذكاء الاصطناعي المحلي الاتجاه القادم؟
المؤشرات التقنية خلال 2026 تظهر أن تشغيل AI على الأجهزة يتحول من ميزة محدودة إلى طبقة أساسية في عدد متزايد من المنتجات.
فقد أصبحت هناك نماذج مصممة للعمل على الهواتف، وحواسيب تحتوي على وحدات NPU مخصصة، وأطر برمجية تسمح للمطورين بتنفيذ الاستدلال على الجهاز، إضافة إلى تطبيقات قادرة على تشغيل نماذج النصوص والرؤية والصوت محليًا.
لكن هذا لا يعني اختفاء مراكز البيانات.
الأرجح أن تتوسع البنية الهجينة: جزء من الذكاء يعمل داخل الهاتف أو الحاسوب، وجزء آخر ينتقل إلى بنية حوسبة أكبر عندما تتجاوز المهمة قدرات الجهاز.
ومع استمرار تحسن كفاءة النماذج والعتاد، قد يصبح السؤال مستقبلًا أقل ارتباطًا بما إذا كان الجهاز يستطيع تشغيل الذكاء الاصطناعي، وأكثر ارتباطًا بـأي جزء من الذكاء يجب أن يبقى على الجهاز، وأي جزء يستحق الانتقال إلى السحابة