معمارية نشر نماذج اللغة الكبيرة الخاصة

تتعثّر معظم برامج نماذج اللغة الخاصة عند النقطة نفسها. ينجح المشروع التجريبي، ويخدم صندوق GPU واحد فريقاً واحداً بما يكفي، ثم يسأل أحدهم كيف تحصل وحدة أعمال ثانية على الوصول، وكيف تُسجَّل المطالبات (prompts) لأغراض التدقيق، وماذا يحدث حين تُعاد تهيئة العقدة. عند تلك النقطة يتوقف السؤال عن كونه سؤالاً عن النماذج ويصبح سؤالاً عن البنية التحتية، وهو سؤال لا يكون فريق الذكاء الاصطناعي مجهّزاً بالكوادر للإجابة عنه عادةً.

التأطير المفيد في 2026 هو أنه لا يوجد نشر خاص واحد. توجد ثلاث بنى تختلف في مَن يحوز العتاد، لا فيما تفعله البرمجيات. النشر المحلي يعني أن النموذج والبيانات والخدمة تعمل كلها على أجهزة تملكونها داخل حدود شبكتكم. السحابة الخاصة، وهي عادةً VPC معزولة، تعني أن الاستدلال يجري في بنية سحابية تحت إدارة الهوية وضوابط الشبكة والتسجيل لديكم، دون أي إشغال مشترك على مسار الاستدلال. والهجين يعني الاثنين معاً، مع طبقة توجيه تقرّر أي الطلبات يذهب إلى أين.

تجلس البنى الثلاث تحت طبقة التحكّم نفسها: بوابة واجهات برمجية تتولّى المصادقة والتوجيه، ورصد يلتقط المطالبات والاستجابات ومقاييس وحدات المعالجة الرسومية، وطبقة استرجاع إن كانت حالة الاستخدام تشمل مستندات داخلية. ضبط طبقة التحكّم هذه أهم من اختيار البنية نفسه، لأنها ما يتيح لكم تغيير البنية لاحقاً دون إعادة كتابة كل تطبيق يستهلك النماذج.

البنى الثلاث وثمن كل منها

النشر المحلي يمنحكم الحيازة المادية. لا شيء يغادر المبنى، وهذا الوضع الوحيد المقبول للأعمال المعزولة عن الشبكة والخاضعة لضوابط التصدير والقريبة من المجال الدفاعي، وبصورة متزايدة للمؤسسات التي لا يحتمل موقفها القانوني بشأن إقامة البيانات وجود مزوّد سحابي في السلسلة. الثمن أنكم صرتم تملكون شراء العتاد وتخطيط السعة والترقيع والإتاحة العالية وعمليات وحدات المعالجة الرسومية. هذه تخصصات حقيقية يتبعها عدد حقيقي من الموظفين، وهي السبب في أن التجارب المحلية كثيراً ما تتفوّق على الإنتاج المحلي.

السحابة الخاصة (VPC) هي الخيار المؤسسي الافتراضي عملياً، ولسبب وجيه. تحصلون على العزل، وعلى حدود التسجيل والهوية الخاصة بكم، وعلى سعة مرنة لا تتوقف على دورة شراء تُقاس بالأشهر. وتتنازلون عن التحكّم المادي، وتتحمّلون عبء إثبات عزل المستأجرين وضبط الحركة الصادرة أمام مدقّقيكم. هذه مقايضة صحيحة لمعظم المؤسسات الخاضعة للتنظيم.

الهجين هو حيث تنتهي المؤسسات ذات المخاطر المختلطة. تبقى الأحمال الحساسة خاصة، ويمكن لحركة الذروة ومنخفضة المخاطر أن تذهب إلى مكان آخر، وتصبح سياسة التوجيه أثراً خاضعاً للحوكمة. الثمن هو التعقيد في المكان الذي تكون فيه الأخطاء باهظة تحديداً: تصنيف البيانات وإنفاذ السياسة عند البوابة.

ويستحق نمط رابع تسميةً منفصلة لأنه يوفّر مالاً حقيقياً. الاستدلال متعدّد الطبقات يُبقي النماذج الصغيرة عالية الحجم على البنية الخاصة للعمل من الدرجة الأولى مثل التصنيف والاستخراج والتوجيه، ويحتفظ بالنماذج الكبيرة للنسبة الضئيلة من الطلبات التي تحتاج استدلالاً ثقيلاً. معظم حجم الرموز (tokens) في المؤسسات ليس صعباً. وتحجيم طبقتكم الخاصة لخدمة الـ5% الصعبة هو ما يجعل الذكاء الاصطناعي الخاص يبدو أغلى مما هو عليه.

الحزمة المرجعية، طبقةً بطبقة

تتكوّن الحزمة الخاصة الإنتاجية من خمس طبقات، ولكلٍّ منها عدد صغير من الخيارات التي تُتَّخذ فعلاً.

• البنية التحتية. خوادم GPU أو عنقود GPU، بمسارات شبكة وتخزين محجّمة لحركة وحدات المعالجة الرسومية لا للأحمال العامة. هنا تحديداً يقع التقصير في معظم عمليات النشر الأولى، لأن الانتباه يذهب إلى البطاقات لا إلى ما يغذّيها.
• بيئة تشغيل الخدمة. vLLM هو الخيار الشائع للخدمة متعددة المستخدمين عالية التزامن، ويعود ذلك أساساً إلى طريقة تعامله مع ذاكرة KV تحت الضغط. TensorRT-LLM هو الخيار حين تريدون أقصى كفاءة من عتاد NVIDIA وتقبلون خطوة بناء وتحسين أثقل. ويناسب SGLang حين يكون تنظيم التنفيذ أو المخرجات المهيكلة أو تدفّق التحكّم الوكيلي هو الجزء الأصعب من المشكلة. ويبقى Ollama وllama.cpp معقولين للمستخدم الواحد وحالات الحافة، لكنهما ليسا شكل طبقة إنتاج مشتركة.
• البوابة والأمن. وكيل عكسي أو بوابة واجهات برمجية (NGINX أو Envoy أو Traefik أو Caddy) ينهي اتصال TLS ويتولّى المصادقة والتوجيه وتحديد المعدّل. وتتكامل المصادقة مع ما تشغّلونه أصلاً: Active Directory أو Okta أو Entra ID. وتجزئة الشبكة وشبكات VLAN المخصصة معيار في عمليات النشر المحصّنة، ورخيصة عند البناء وباهظة عند التركيب لاحقاً.
• الرصد. سجلات المطالبات والاستجابات، واستغلال وحدات المعالجة الرسومية، ومئينيات زمن الاستجابة، وعمق الطابور، ومعدلات الأخطاء، مُصدَّرة إلى ما تستخدمه مؤسستكم أصلاً. Prometheus وGrafana هما الاقتران الشائع. تعاملوا مع هذا كمتطلّب إنتاجي لا كبند للمرحلة الثانية، لأنكم بدونه لا تستطيعون الإجابة عن أسئلة السعة ولا أسئلة الحوادث.
• الاسترجاع. لحالات استخدام المعرفة، يجلس مخزن متجهات مثل Milvus أو Qdrant أو Weaviate أو pgvector أو Chroma بجوار طبقة الاستدلال. أبقوه منفصلاً معمارياً عن الخدمة. الاسترجاع هو حيث يُنفَّذ التحكّم بالوصول على مستوى المستند، وهو يتوسّع على منحنى مختلف عن الاستدلال.

تعدّد المستأجرين: اختاروا نطاق الانفجار

ما إن يطلب فريق ثانٍ الوصول حتى تتخذوا قراراً بشأن العزل، لاحظتم ذلك أم لا.

• عنقود مشترك بمساحات أسماء معزولة هو الاستخدام الأكفأ لوحدات المعالجة الرسومية والأصعب في التأمين الصحيح. يأتي العزل من مساحات أسماء Kubernetes وسياسات الشبكة والمصادقة لكل مستأجر وإنفاذ الحصص. وهو يعمل حين يكون لديكم فريق منصّة يشغّل أصلاً بنية متعددة المستأجرين.
• طبقة تحكّم مشتركة مع طبقة بيانات مخصصة تمنح المستأجرين بوابة ورصداً وتنظيماً مشتركاً، مع حصول كل منهم على عقد استدلال أو مجموعة عقد خاصة به. هذه هي التسوية المعتادة، وهي ما نوصي به حين تختلف تصنيفات البيانات بين وحدات الأعمال مع بقاء المالك التشغيلي واحداً.
• حزمة مخصصة لكل مستأجر تعني عناقيد وتخزيناً وسجلات منفصلة. وهي الأعلى كلفة والجواب الصحيح للكيانات القانونية المنفصلة، ولقسم خاضع للتنظيم داخل مجموعة أوسع، أو حيث يمتدّ نطاق امتثال مستأجر واحد ليلوّث كل ما عداه.

وأياً كان اختياركم، فالحد الأدنى من الضوابط واحد: المصادقة والتخويل وحدود المعدّل لكل مستأجر والتسجيل وتجزئة الشبكة. ويستحق إنفاذ الحصص انتباهاً خاصاً، لأن مهمة دفعية لفريق ما على وحدات معالجة مشتركة هي حادثة زمن استجابة لفريق آخر.

ما تقرّره البوابة فعلاً

بوابة نماذج اللغة هي القطعة التي تبنيها معظم الفرق أخيراً وينبغي أن تبنيها أولاً. تُوجّه حسب النموذج والمستأجر وحساسية المطالبة وطبقة زمن الاستجابة وسياسة الاحتياط. وحولها تتراكم في عمليات النشر الإنتاجية قوالب المطالبات وخطوط الاسترجاع والتخزين المؤقت الدلالي وفحوص الحواجز ومنع تسريب البيانات وإنفاذ الميزانية لكل تطبيق.

سبب إدخالها مبكراً أنها المكان الوحيد الذي تكون فيه السياسة قابلة للإنفاذ لا مجرّد إرشاد. تصنيف الحساسية وقوائم سماح النماذج وقواعد الحركة الصادرة تسكن هناك. وإذا استدعت التطبيقات نقاط نهاية الاستدلال مباشرةً، صار كل تطبيق جديد مراجعة امتثال منفصلة، وصار تغيير النموذج أو البنية يعني تغيير كل مُستدعٍ.

كيف تقرّرون، ومن أين تبدأون

اعملوا على المعايير بالترتيب. حساسية البيانات والنطاق التنظيمي أولاً: إذا وجب أن تكون البيئة مقطوعة عن الشبكة أو خاضعة لضوابط التصدير، فأنتم في النشر المحلي وبقية القرار يتبع ذلك. وإذا كان الامتثال مطلوباً لكن الضوابط السحابية تُرضي جهتكم التنظيمية وفريقكم القانوني، فالسحابة الخاصة ستوصلكم إلى الإنتاج أسرع. ثم افحصوا النضج التشغيلي بصدق. إن لم تملكوا اليوم عمليات وحدات معالجة رسومية ورصداً وقدرة هندسة منصّات، فسيلتهم النشر المحلي البرنامج قبل أن يسلّم أي شيء.

تأتي الكلفة والاستغلال بعد ذلك. النشر المحلي أرخص عند استغلال عالٍ ومستدام، لكن بعد استيعاب مهل الشراء وعبء التشغيل، ما يعني أنه يكافئ الحمل الثابت ويعاقب الطلب غير المؤكد. والإتاحة هي البوابة الأخيرة: خادما استدلال خلف موزّع أحمال هما خط الأساس، وأي شيء دون ذلك مشروع تجريبي مهما سمّيتموه.

في خبرتنا، أسرع بداية ذات مصداقية هي نشر في سحابة خاصة مع vLLM خلف بوابة، ومخزن متجهات واحد، وقياس كامل من اليوم الأول، محجّم لحمل عملكم الفعلي من الدرجة الأولى لا لأكثره تطلّباً. أوصلوا ذلك إلى الإنتاج بمستخدمين حقيقيين، وقيسوا حجم الرموز وزمن الاستجابة لكل تطبيق، ودعوا تلك الأرقام تقود قرار النشر المحلي. شراء العتاد قبل امتلاك بيانات حركة إنتاجية هو الطريق الذي تنتهي به المؤسسات إلى وحدات معالجة رسومية عاطلة وطبقة نماذج لا تطابق ما يطلبه الناس منها.