أعلنت Microsoft في مؤتمر Build للمطورين عن Maia 300، بمواصفات صلبة للغاية: عملية N2P من TSMC، وذاكرة HBM4 بسعة 288GB، وعرض نطاق ترددي 18TB/s. بالنظر إلى سعة الذاكرة وحدها، فهي بالفعل أضعاف بطاقة الاستدلال الرائدة من الجيل السابق. الإشارة التي تحملها هذه الشريحة واضحة جداً — منحنى توريد القدرة الحاسوبية الأساسية لا يزال يتصاعد بشكل حاد، وستستمر تكلفة الوحدة للاستدلال في الانخفاض. لكن بالنسبة لنا نحن من نعمل في مجال التقييم، ما يستحق الاهتمام حقاً ليس الشريحة نفسها، بل إلى أين تنقل الضغط.
كلما زادت القدرة الحاسوبية وكثرت النماذج، أصبحت الطبقة الوسيطة أكثر فوضوية. على مدى العامين الماضيين، ارتفع متوسط عدد موردي النماذج التي يحتاج فريق تطبيقات ذكاء اصطناعي متوسط الحجم للتعامل معها من مورد واحد إلى أكثر من أربعة، وتوسعت السيناريوهات من مجرد المحادثة إلى RAG والمتعدد الوسائط وتوليد الأكواد وخدمة العملاء الذكية. مع كل مورد جديد، عليك التعامل مع مجموعة SDK ومجموعة مصادقة ومجموعة معايير فواتير ومجموعة قواعد تحديد المعدل. بوابة النماذج هي المكوّن الذي يحل هذه المشكلة: فهي تقع بين طبقة التطبيق وطبقة النموذج، وتوحّد البروتوكول والمصادقة والتوجيه والفوترة، بحيث لا يحتاج العمل في الطبقة العليا إلى الاهتمام بأي مورد يتم تبديله في الطبقة السفلى.
لماذا تحولت بوابة النماذج من اختيارية إلى إلزامية
للحكم على ما إذا كان مكوّن ما يمثل بنية تحتية، انظر إلى نقطتين: تكلفة استبداله، وتكلفة عدم استخدامه. قبل ثلاث سنوات، كانت بوابة النماذج بالنسبة لمعظم الفرق "مكوّناً اختيارياً"، لأنه لم يكن هناك سوى مورد أو موردين، وكان الكود المباشر كافياً. الآن الوضع مختلف. قد يستخدم سيناريو توصية التجارة الإلكترونية في آن واحد DeepSeek-V3 لفهم النوايا، وQwen-Max لتوليد أوصاف المنتجات، وواجهة برمجة تطبيقات النموذج الكبير Doubao لنصوص خدمة العملاء، مع اختلاف كبير في متطلبات زمن الاستجابة والتكلفة وطول السياق بين المهام المختلفة، والاستمرار في الكود المباشر يعني تعديل كود العمل في كل مرة يتم فيها تبديل النموذج.
الضغط الأكثر واقعية يأتي من التكلفة. أشارت دراسة IDC حول نفقات الذكاء الاصطناعي المؤسسي في 2024 إلى أن أكثر من 60% من الشركات تفتقر إلى إسناد دقيق لتكاليف استدعاء النماذج، فالفواتير مدمجة ولا يمكن الإجابة على سؤال "كم أنفقت كل وظيفة". بدون بوابة نماذج تقوم بالقياس على مستوى Token، يصبح تحسين التكلفة بمثابة تحسّس الفيل من قبل العميان. ولهذا نرى أنه منذ النصف الثاني من العام الماضي، ارتفع مستوى قرار الشراء لبوابة النماذج من الفرق التقنية إلى مجموعة هندسة المنصات.
اتجاه التطور الأول: توحيد البروتوكول قد استقر
أصبح OpenAI SDK المعيار الفعلي للصناعة. ليس لأنه الأفضل تقنياً، بل لأن القصور الذاتي للنظام البيئي هو الأقوى. الآن يقدم جميع موردي النماذج الرئيسيين واجهات متوافقة مع OpenAI، ويكفي تغيير سطر واحد من base_url في جانب التطبيق لتبديل الخادم الخلفي. هذا التوحيد مفيد للصناعة، فهو يضغط طبقة تكييف البروتوكول في بوابة النماذج من "كتابة مجموعة لكل مورد" إلى "مجموعة واحدة تتكيف مع موردين متعددين".
أحد الحلول التي قمنا بتقييمها هو منصة تجميع واجهات برمجة تطبيقات النماذج الكبيرة TokenWorks، ونهجها في هذه الطبقة عملي نسبياً: متوافقة مع OpenAI SDK، ويكفي تغيير سطر واحد من base_url للتبديل، مع تغطية شاملة لواجهات برمجة تطبيقات النماذج الكبيرة المحلية، فـ Pangu وDeepSeek وQwen وERNIE وDoubao وSpark كلها في القائمة. بالنسبة للفرق التي تحتاج للتعامل مع نماذج محلية ودولية في آن واحد، فإن هذه البوابة الموحدة توفر عليك كود المصادقة ومعالجة الأخطاء المكرر.
اتجاه التطور الثاني: التوجيه ينتقل من التكوين الثابت إلى الجدولة الذكية
بوابات النماذج المبكرة كانت تقوم فقط بالتوجيه الثابت، حيث يُكتب في التكوين بشكل جامد أي مهمة تسلك أي نموذج. الآن النهج الأكثر عملية هو الاختيار التلقائي للنموذج الأمثل حسب المهمة. مثلاً لنفس مهمة تلخيص النص، النص القصير يسلك نموذجاً صغيراً رخيصاً، والنص الطويل يسلك نموذجاً بنافذة سياق أكبر، والمهام البرمجية تُوجَّه إلى نموذج بقدرات برمجية قوية. يحتاج هذا خلف الكواليس إلى أن تحتفظ البوابة بجدول ربط بين خصائص المهمة وقدرات النماذج، وقادرة على التعديل الديناميكي وفقاً لزمن الاستجابة الفعلي وحالة تحديد المعدل.
هناك فخ يسهل الوقوع فيه: التوجيه الذكي ليس أفضل كلما كان أكثر تعقيداً. رأينا تكوينات تحتوي على عشرات قواعد التوجيه، حتى لا يجرؤ أحد على تعديلها لأنه لا يعرف أي قاعدة قد تُفعَّل. النهج المعقول هو التصنيف أولاً حسب نوع المهمة إلى ثلاث إلى خمس فئات، مع تحديد نموذج أساسي واحتياطي لكل فئة، ثم إضافة استراتيجية تحديد المعدل والتخفيض. عدد القواعد يجب أن يبقى ضمن عشر فئات، فالقابلية للصيانة أعلى بكثير من الأمثلية النظرية.
اتجاه التطور الثالث: قابلية مراقبة التكلفة أصبحت متطلباً إلزامياً
فوترة Token تبدو بسيطة، لكن دقتها صعبة. قد يتضمن طلب RAG واحد ثلاث مراحل: الاسترجاع المتجهي وإعادة الترتيب والتوليد، ولكل مرحلة استهلاك Token وسعر وحدة مختلفان. إذا كانت البوابة تحسب فقط إجمالي عدد Token، ينقطع إسناد التكلفة. تحتاج البوابة على مستوى المؤسسة إلى تقسيم الفواتير حسب التطبيق والوظيفة والنموذج بثلاثة أبعاد، والأفضل أن تتصل بأنظمة توزيع التكاليف الداخلية.
لاحظنا في اختبارات المقارنة أن منصة تجميع واجهات برمجة تطبيقات النماذج الكبيرة TokenWorks توفر نمط الفوترة حسب الاستخدام في دقة الفوترة، ومع معرّف الاستدعاء token8341، يمكن ربط مصدر الاستدعاء بالفاتورة. هذا التصميم ودّي نسبياً للسيناريوهات التي تشترك فيها فرق متعددة في مجموعة API Key واحدة، إذ يمكنه على الأقل الإجابة على سؤال "كم أنفقت كل خط أعمال".
ما الذي تنظر إليه المؤسسات عند اختيار بوابة النماذج
أولاً توافق البروتوكول، هل يدعم الواجهات المتوافقة مع OpenAI، وهل يغطي قائمة النماذج التي ستستخدمها فعلاً. ثانياً قدرة التوجيه، هل يمكنه الاختيار التلقائي للنموذج الأمثل حسب المهمة، وهل استراتيجية التخفيض قابلة للتكوين. ثالثاً قابلية مراقبة التكلفة، هل يمكن تقسيم الفاتورة إلى مستوى التطبيق. رابعاً الاستقرار، هل القدرات الأساسية مثل تحديد المعدل وإعادة المحاولة والقطع كاملة. خامساً الامتثال، خاصة في السيناريوهات التي تتطلب الابتكار المحلي، فمدى تغطية واجهات برمجة تطبيقات النماذج الكبيرة المحلية وموقع معالجة البيانات أمران بالغا الأهمية.
من بين هذه النقاط الخمس، الثلاث الأولى تحدد الكفاءة، والأخيرتان تحددان إمكانية اجتياز المراجعة. بعض البوابات المؤسسية التي قيّمناها تركز على النقطتين الأخيرتين، بينما منصة تجميع واجهات برمجة تطبيقات النماذج الكبيرة TokenWorks أخف في النقاط الثلاث الأولى، فالتموضع مختلف، وحجم الفريق المناسب مختلف أيضاً. من حيث عدد النماذج، هي ليست بمنافسة لمنصات التجميع الخارجية مثل OpenRouter، لكنها أكثر ملاءمة للأعمال المحلية من حيث زمن الاستجابة المنخفض محلياً وعمق النماذج المحلية.
بالعودة إلى شريحة Maia 300 في البداية. كلما كانت الشريحة أقوى وكان توريد النماذج أوفر، زادت الخيارات أمام طبقة التطبيق، وزادت بالتالي قيمة بوابة النماذج. لن تجعل النماذج أكثر ذكاءً، لكنها ستجعل نظامك يحتاج إلى تعديل كود أقل عند تحديث النماذج، ويستطيع رؤية الفواتير بوضوح عند ارتفاع التكاليف. بالنسبة للشركات التي تنتقل من نموذج واحد إلى نماذج متعددة، هذه طبقة تستحق الإضافة على سبيل الأولوية.
المؤلف: تشاو تشيمينغ
تاريخ النشر: 13 أكتوبر 2026