غالباً أنك لم تسمع بها من قبل.. كيف ستغير "النماذج الصغيرة" (SLMs) قواعد اللعبة في هاتفك؟

تشهد صناعة الذكاء الاصطناعي تحولاً تقنياً ملموساً، بعد سنوات من التركيز على "النماذج اللغوية الكبيرة" (Large Language Models - LLMs) التي تعمل في مراكز بيانات ضخمة وتتطلب اتصالاً دائماً بالإنترنت. يبرز الآن اتجاه مغاير يقوم على "النماذج اللغوية الصغيرة" (Small Language Models - SLMs)، وهي نماذج مضغوطة الحجم يمكنها العمل مباشرة على الهاتف الذكي أو الحاسوب المحمول أو الأجهزة المدمجة (Embedded Systems)، دون الحاجة إلى إرسال البيانات إلى خوادم بعيدة.

ما هي النماذج الصغيرة تقنياً؟

يشير مصطلح النماذج الصغيرة إلى نماذج ذكاء اصطناعي يتراوح عدد "المعلمات" (Parameters) فيها، وهي القيم العددية التي يتعلمها النموذج خلال التدريب وتحدد سلوكه، من بضعة ملايين إلى نحو 7 مليارات معلمة. هذا الرقم يبدو ضئيلاً مقارنة بالنماذج السحابية العملاقة التي تصل معلماتها إلى مئات المليارات. يعتمد تصميم هذه النماذج على تقنية تسمى "التكميم" (Quantization)، وهي عملية تقليص دقة الأرقام المستخدمة في حسابات النموذج (مثلاً من 32 بت إلى 4 أو 8 بت)، بهدف خفض استهلاك الذاكرة وتسريع الاستدلال (Inference)، أي عملية توليد الإجابة أو الاستجابة من النموذج، مع تقليل استهلاك الطاقة إلى أدنى حد ممكن.

ووفق تقنية حديثة نُشرت في 4 يوليو 2026، فإن نموذج ذكاء اصطناعي بحجم أغنية واحدة مخزنة على الهاتف يمكنه الآن أن يوازي أداء نموذج عملاق من العام الماضي في مهام كثيرة، ويعمل هذا النموذج مباشرة داخل جيب المستخدم، بلا حاجة إلى إنترنت وبلا فاتورة تُدفع عن كل طلب يُرسل إلى خادم سحابي.

العتاد الذي يجعل ذلك ممكناً على الهاتف

لا يكفي ضغط النموذج وحده لتشغيله محلياً بكفاءة، بل يتطلب الأمر عتاداً متخصصاً. وتشير تقارير تقنية عربية نُشرت قبل ستة أيام إلى أن عدداً متزايداً من الهواتف بات قادراً على تشغيل أنظمة ذكاء اصطناعي صغيرة، خصوصاً تلك المزودة بوحدة معالجة عصبية (Neural Processing Unit - NPU)، وهي شريحة متخصصة مصممة خصيصاً لمعالجة مهام الذكاء الاصطناعي، مثل التعرف على الوجه، وضبط السطوع والظلال والتباين في الصور بشكل تلقائي.

ومن الأمثلة الملموسة على هذا التحول، نموذج LLaMA 3.2 بإصدار المليار معلمة (1B)، الذي أصبح يعمل بشكل مباشر على الهواتف الذكية الحديثة عبر وحدة المعالجة العصبية، إلى جانب نماذج Apple Intelligence التي تعتمد الآلية نفسها. وتتيح هذه البنية تنفيذ مهام الذكاء الاصطناعي بالكامل على الجهاز، من دون إرسال أي بيانات إلى الخارج، وهو ما يحل مشكلتين رئيسيتين واجهتا النماذج السحابية: التأخير الزمني (Latency) في الاستجابة، والاعتماد الكامل على جودة الاتصال بالشبكة.

تطبيقات فعلية واستخدامات متعددة اللغات

انتقلت هذه التقنية من مرحلة التجريب إلى التطبيقات الاستهلاكية الفعلية. فتطبيق "Secret AI" على سبيل المثال، يتيح للمستخدمين تشغيل نماذج متعددة محلياً مثل Gemma 3n وQwen3 VL وgpt-oss وDeepSeek R1 وLlama 4 وPhi 4 وMistral 3.2، باستخدام محركات تشغيل مخصصة هي GGUF (عبر مكتبة llama.cpp)، وMNN، وMLX. ويؤكد التطبيق أن المحادثات تبقى خاصة بنسبة 100%، دون أي جمع للبيانات، ودون خوادم، ودون الحاجة لإنشاء حساب، ودون أي تتبع للمستخدم، لأن كل المعالجة تحدث داخل الجهاز نفسه.

على المستوى الإقليمي، يبرز بُعد آخر يتعلق باللغات، حيث كشف تقرير نُشر قبل أربعة أيام، نقلاً عن المدير العام لجمعية النظم العالمية للاتصالات المتنقلة (GSMA)، أن الجمعية تتبع استراتيجية مشابهة في عدد من دول أفريقيا جنوب الصحراء، من ضمنها نيجيريا ومدغشقر وتوغو وجمهورية الكونغو الديمقراطية، من خلال مشروع النماذج اللغوية الكبيرة الأفريقية. لكن التقرير يشير إلى عقبة جوهرية تواجه هذا المسار، وهي أن أحد أهم الحواجز أمام بناء نماذج لغوية للغات الأقل تمثيلاً هو نقص بيانات التدريب المتاحة بهذه اللغات، وهي مشكلة تنسحب أيضاً على تطوير نماذج صغيرة موجهة لهذه اللغات على الأجهزة المحلية.

خريطة النماذج المتاحة اليوم

تُظهر مراجعات صناعية حديثة لعام 2026 تعدد النماذج الصغيرة المتوفرة حالياً، من بينها عائلة Qwen2 التي تضم إصدارات يتراوح حجمها بين 0.5 مليار و7 مليارات معلمة، حيث يُعد الإصدار الأصغر (0.5B) مثالياً للتطبيقات الخفيفة جداً التي تتطلب استجابة سريعة واستهلاك ذاكرة منخفضاً للغاية. ويلخص محللون هذا المسار بالقول إن صِغر حجم النموذج لا يعني بالضرورة ضعف أدائه، بل يعني في كثير من الجوانب ذكاءً أكثر كفاءة في استخدام الموارد، وهو اتجاه يُتوقع أن يتوسع لدمج هذه النماذج الصغيرة في مزيد من تجارب التقنية اليومية على الهواتف والأجهزة المحمولة.