Gemma 4 تعمل محليًا مع Antigravity SDK: هل أصبح الذكاء الاصطناعي قادرًا على العمل بدون إرسال بياناتك إلى السحابة؟
شهدت بنية تطبيقات الذكاء الاصطناعي خلال السنوات الأخيرة تحولًا واضحًا من مجرد روبوتات محادثة تجيب عن الأسئلة إلى أنظمة قادرة على تنفيذ مهام متعددة الخطوات، واستخدام الأدوات، وقراءة الملفات، وكتابة الأكواد، واختبار النتائج. ومع تطور هذا الاتجاه ظهرت مشكلة أخرى أصبحت أكثر أهمية: أين تتم معالجة هذه المهام والبيانات؟
في النموذج السحابي التقليدي، يعتمد التطبيق على خوادم خارجية لتنفيذ الاستدلال. أما النماذج المحلية فتسمح بنقل جزء من هذه المعالجة إلى جهاز المستخدم نفسه. وفي 23 سبتمبر 2026 أعلنت Google عن دعم سير العمل المحلي داخل Antigravity SDK، مع دعم أولي لـ Gemma 4 26B A4B باستخدام Google AI Edge LiteRT.
الأهم من مجرد تشغيل نموذج لغوي محلي هو أن Google تربط النموذج المحلي ببنية Agentic AI، أي وكلاء قادرين على تنفيذ سلسلة من الخطوات بدل الاكتفاء بإنتاج نص. وهذا يجعل الموضوع مختلفًا عن تشغيل Chatbot محلي بسيط.
في هذا المقال سنشرح بالتفصيل ما الذي أعلنته Google، ما هو Antigravity SDK، وما دور Gemma 4 26B A4B وLiteRT، وكيف يمكن بناء سير عمل محلي أو هجين، وما الذي يعنيه ذلك للخصوصية والتكلفة والعمل دون اتصال، بالإضافة إلى المتطلبات التقنية والقيود التي يجب معرفتها قبل اعتبار هذه التقنية بديلًا كاملًا للخدمات السحابية.
📌 فهرس المقال
- لماذا أصبح تشغيل الذكاء الاصطناعي محليًا مهمًا؟
- ما هو Antigravity SDK؟
- ما هي Gemma 4 26B A4B؟
- ما هو LiteRT وما دوره؟
- كيف يعمل الذكاء الاصطناعي محليًا؟
- ما الفرق بين Chatbot والوكيل المحلي؟
- هل يمكن تشغيل الوكيل بدون إنترنت؟
- هل البيانات تبقى فعلًا على الجهاز؟
- ما هو سير العمل الهجين؟
- كيف تعمل فكرة Cloud Architect وLocal Workforce؟
- ماذا أظهرت تجربة Google العملية؟
- استخدام Gemma 4 في البرمجة وتدقيق الكود
- إنشاء أدوات محلية باستخدام الوكيل
- هل التشغيل المحلي يلغي تكاليف API؟
- ما متطلبات تشغيل Gemma 4 26B A4B؟
- ماذا عن السرعة والأداء؟
- دعم Ollama وLM Studio وvLLM
- المخاطر الأمنية عند إعطاء الوكيل صلاحيات
- محلي أم سحابي أم هجين؟
- ماذا يعني هذا للمطورين؟
- ماذا يمكن أن تستفيد الشركات؟
- مستقبل الوكلاء المحليين
- أهم القيود الحالية
- الأسئلة الشائعة
- الخلاصة
🌐 لماذا أصبح تشغيل الذكاء الاصطناعي محليًا مهمًا؟
لفهم أهمية إعلان Google، يجب أولًا فهم المشكلة التي يحاول الذكاء الاصطناعي المحلي حلها. معظم خدمات الذكاء الاصطناعي الحديثة تعمل عبر السحابة. يكتب المستخدم طلبًا، ثم يرسل التطبيق البيانات إلى خادم بعيد، ويقوم النموذج بالمعالجة هناك قبل إرسال النتيجة إلى الجهاز.
هذا الأسلوب له مزايا كبيرة. فالمستخدم لا يحتاج إلى امتلاك بطاقة رسومية قوية أو كمية ضخمة من الذاكرة، كما يمكن لمزود الخدمة تشغيل نماذج كبيرة جدًا على بنية تحتية متخصصة. لكن الاعتماد على السحابة يعني أيضًا وجود اتصال بالشبكة، ووجود بيانات تنتقل بين الجهاز والخدمة، واحتمال وجود تكاليف مرتبطة باستخدام API.
عندما تكون المهمة عبارة عن سؤال بسيط، قد لا تكون هذه النقاط مشكلة كبيرة. لكن الصورة تتغير عندما يبدأ الوكيل بالتعامل مع ملفات مشروع كامل، أو شيفرة مصدرية خاصة، أو مستندات داخل شركة، أو معلومات لا يرغب المستخدم في إرسالها إلى خدمة خارجية.
هنا يظهر مفهوم Local AI. بدل إرسال كل عملية إلى خادم بعيد، يمكن تشغيل النموذج على الجهاز نفسه، بحيث تحدث عملية الاستدلال محليًا باستخدام الموارد المتوفرة مثل GPU والذاكرة.
لكن تشغيل نموذج محلي ليس جديدًا بحد ذاته. الجديد في إعلان Antigravity SDK هو دمج هذه النماذج المحلية داخل سير عمل وكيل قادر على استخدام الأدوات وتنفيذ مهام متعددة الخطوات. وتوضح Google أن الدعم الجديد يتيح تشغيل سير عمل Agentic محليًا وحتى دون اتصال، مع دعم أولي لـ Gemma 4 26B A4B عبر LiteRT.
🤖 ما هو Antigravity SDK؟
Antigravity SDK هو حزمة تطوير من Google تهدف إلى مساعدة المطورين على بناء تطبيقات تعتمد على الوكلاء الذكيين. الفكرة الأساسية في أنظمة الوكلاء هي أن النموذج لا يكتفي بكتابة إجابة، بل يمكن أن يصبح جزءًا من سير عمل أكبر يحتوي على أدوات وملفات وعمليات تنفيذ.
يمكن تصور الأمر بهذه الطريقة: في Chatbot تقليدي، يرسل المستخدم سؤالًا ويحصل على رد. أما في تطبيق Agentic، فقد يطلب المستخدم من النظام إنشاء مشروع، فيقوم الوكيل بفهم المطلوب، ثم تحليل الملفات، وإنشاء ملفات جديدة، وتشغيل اختبارات، وقراءة النتائج، ثم تعديل الكود إذا اكتشف مشكلة.
هذا يعني أن النموذج اللغوي يمثل جزءًا واحدًا فقط من النظام. هناك أيضًا طبقة الأدوات، ونظام إدارة الملفات، والبيئة التي ينفذ فيها الوكيل الأوامر، وسياسات تحدد ما الذي يسمح له بفعله.
مع التحديث الذي أعلنت عنه Google في سبتمبر 2026، أصبح بإمكان Antigravity SDK التعامل مع نماذج محلية وسير عمل يمكن تشغيله على الجهاز. وذكرت Google أن الدعم الأولي يركز على Gemma 4 26B A4B مع LiteRT، إلى جانب دعم خوادم استدلال متوافقة مع OpenAI API مثل Ollama وLM Studio وvLLM.
هذه النقطة مهمة لأنها تعني أن المطور لا يحصل فقط على نموذج محلي، بل يحصل على إطار يمكنه تنظيم استخدام النموذج داخل تطبيق Agentic.
🧠 ما هي Gemma 4 26B A4B؟
Gemma هي عائلة من نماذج الذكاء الاصطناعي التي تطورها Google. وفي الإعلان الخاص بـ Antigravity، اختارت الشركة Gemma 4 26B A4B كأحد المسارات الأولى لتشغيل الوكلاء محليًا باستخدام LiteRT.
اسم النموذج قد يبدو معقدًا في البداية، ولذلك من المفيد عدم التعامل معه كرقم واحد فقط. الرقم 26B يشير إلى فئة حجم النموذج، بينما تشير A4B إلى تصميم النموذج الذي يسمح باستخدام جزء متخصص من البنية أثناء التنفيذ بدل التعامل مع كل المعلمات بالطريقة نفسها في كل خطوة.
المهم بالنسبة للقارئ هو أن هذا ليس نموذجًا صغيرًا جدًا يمكن افتراض تشغيله بكفاءة على أي جهاز. Google توصي في هذا السيناريو بجهاز يحتوي على أكثر من 24GB من VRAM أو الذاكرة الموحدة.
وهذا التفصيل مهم جدًا لأن بعض العناوين المختصرة قد توحي بأن أي كمبيوتر أو هاتف أصبح قادرًا على تشغيل نموذج كبير محليًا. الواقع أكثر تعقيدًا؛ فحجم النموذج وطريقة تمثيله وذاكرة الجهاز وتسريع GPU كلها عوامل تؤثر في إمكانية التشغيل وسرعته.
⚡ ما هو LiteRT وما دوره في تشغيل النموذج؟
LiteRT هو جزء من منظومة Google AI Edge، ويهدف إلى توفير تقنيات تشغيل النماذج على الأجهزة. وفي سيناريو Antigravity، تستخدم Google LiteRT لتشغيل Gemma 4 26B A4B محليًا.
الفرق الأساسي بين الاستدلال السحابي والاستدلال المحلي هو مكان تنفيذ العملية. في الحالة السحابية، تصل البيانات إلى خادم يحتوي على موارد حوسبة متخصصة. أما في الحالة المحلية، فيتم استخدام موارد الجهاز نفسه.
لكن مجرد وجود نموذج على الجهاز لا يكفي. يجب أن تكون هناك طبقة تشغيل قادرة على تحميل النموذج، وإدارة الذاكرة، والاستفادة من قدرات المعالجة المتوفرة، وإرسال المدخلات للنموذج واستقبال النتائج.
هنا تأتي أهمية LiteRT في هذا السيناريو. Google أعلنت أن Antigravity تم تحسينه للعمل مع LiteRT وGemma 4 26B، مع الاستفادة من GPU والذاكرة المحلية في الجهاز.
وهذا يجعل LiteRT جزءًا من البنية التقنية التي تربط النموذج المحلي بالوكيل. فبدل أن يتعامل المطور مع النموذج باعتباره ملفًا منفصلًا فقط، يصبح قادرًا على استخدامه كمحرك استدلال داخل سير العمل.
💻 كيف يعمل الذكاء الاصطناعي محليًا؟
لفهم الفكرة بصورة بسيطة، تخيل أن لديك مشروع Python يحتوي على عشرات الملفات. تريد من الذكاء الاصطناعي اكتشاف الأخطاء وإصلاحها.
في سيناريو سحابي تقليدي، قد يتم إرسال محتوى الملفات إلى خدمة خارجية حتى يستطيع النموذج تحليلها. أما في السيناريو المحلي، يمكن للنموذج الموجود على الجهاز قراءة الملفات المسموح له بالوصول إليها وتنفيذ عملية التحليل محليًا.
لكن الوكيل المحلي يحتاج إلى أكثر من النموذج. يحتاج إلى مساحة عمل، وأدوات للقراءة والكتابة، وربما إمكانية تشغيل الاختبارات، إضافة إلى سياسات تتحكم في الصلاحيات.
لهذا السبب يجب عدم الخلط بين Local Model وLocal Agent. النموذج المحلي هو نموذج يتم تشغيله على جهازك. أما الوكيل المحلي فهو نظام كامل يستخدم نموذجًا محليًا لاتخاذ خطوات وتنفيذ مهام.
بصيغة مبسطة:
النموذج المحلي = العقل اللغوي الذي يعمل على الجهاز.
الوكيل المحلي = النموذج + الأدوات + الملفات + بيئة التنفيذ + قواعد الصلاحيات + سير العمل.
🧩 ما الفرق بين Chatbot محلي ووكيل AI محلي؟
يمكن تشغيل نموذج لغوي محلي وفتح واجهة محادثة معه، وهذا يشبه Chatbot عاديًا يعمل على الكمبيوتر. لكن الوكيل يذهب خطوة أبعد.
الـChatbot عادةً ينتظر طلب المستخدم ثم يولد النص. إذا قلت له "اشرح لي هذا الكود"، فإنه يشرح الكود.
أما الوكيل فيمكن أن يتعامل مع طلب مثل "راجع المشروع، ابحث عن المشاكل، أصلح الأخطاء، وشغل الاختبارات". في هذه الحالة لا تكفي الإجابة النصية؛ يجب أن يستطيع النظام الوصول إلى الملفات وتنفيذ سلسلة من الإجراءات.
يمكن أن يمر الوكيل بمراحل مثل:
- فهم الهدف الذي قدمه المستخدم.
- تحليل محتويات مساحة العمل.
- تحديد الملفات المرتبطة بالمهمة.
- قراءة الكود أو البيانات المطلوبة.
- اقتراح خطة.
- إجراء تعديل.
- تشغيل اختبار.
- قراءة نتيجة الاختبار.
- إصلاح المشكلة إذا فشل الاختبار.
- إعادة الاختبار.
- تقديم النتيجة للمستخدم.
هذا النوع من سير العمل هو السبب في أن تشغيل النموذج محليًا يصبح أكثر إثارة للاهتمام عندما يقترن بالـAgentic AI.
🌐 هل يمكن تشغيل الوكيل بدون إنترنت؟
بحسب إعلان Google، يمكن تشغيل سير العمل الوكيلي المحلي بشكل كامل دون اتصال بالإنترنت عندما تكون جميع المكونات المطلوبة متوفرة محليًا. وتصف Google هذه الإمكانية بأنها تشغيل Agentic assistance عبر النماذج المحلية بشكل Offline.
لكن هناك فرق مهم بين "النموذج المحلي يعمل دون إنترنت" و"كل تطبيق الوكيل يعمل دون إنترنت". إذا كان التطبيق يستخدم خدمة سحابية في إحدى خطواته، فإن هذه الخطوة ستحتاج إلى الاتصال.
على سبيل المثال، إذا كان لديك وكيل يستخدم Gemma 4 محليًا فقط لتحليل ملفات مشروعك، فيمكن تنفيذ المهمة محليًا بعد تجهيز البيئة والنموذج.
أما إذا صممت نظامًا هجينًا يجعل Gemini في السحابة مسؤولًا عن التخطيط، ثم يرسل الخطة إلى Gemma المحلي، فسيحتاج الجزء الخاص بالتخطيط إلى اتصال بالإنترنت.
إذن القدرة على العمل دون اتصال تعتمد على تصميم سير العمل بالكامل، وليس على اسم النموذج فقط.
🔐 هل البيانات تبقى فعلًا على الجهاز؟
الخصوصية واحدة من أهم الأسباب التي تجعل التشغيل المحلي جذابًا. عندما يتم تنفيذ مهمة بالكامل على الجهاز، لا يكون هناك احتياج لإرسال محتوى المهمة إلى API خارجي من أجل الاستدلال المحلي.
Google تذكر الخصوصية كإحدى فوائد تشغيل الوكلاء محليًا، خصوصًا للمطورين الذين يتعاملون مع متطلبات صارمة تتعلق بالبيانات أو بيئات الشركات التي تفرض قيودًا على نقل المعلومات.
لكن يجب الانتباه إلى أن كلمة "محلي" لا تعني تلقائيًا أن التطبيق آمن بنسبة 100%.
إذا كان الوكيل يمتلك صلاحية قراءة مجلد كامل، فهو قادر من الناحية العملية على الوصول إلى الملفات الموجودة في ذلك المجلد. وإذا كان بإمكانه تشغيل أوامر النظام، فقد تكون قدراته أكبر بكثير من مجرد قراءة الملفات.
لذلك تعتمد الخصوصية الفعلية على تصميم التطبيق والصلاحيات التي يحصل عليها الوكيل.
🔄 ما هو سير العمل الهجين؟
من أكثر الأفكار أهمية في إعلان Google مفهوم Hybrid Workflow. بدل النظر إلى السحابة والمحلي باعتبارهما خيارين متنافسين، يمكن الجمع بينهما في نظام واحد.
في هذا التصميم يمكن أن يتولى نموذج سحابي قوي عملية التخطيط، بينما تقوم نماذج محلية بتنفيذ المهام التي تتطلب التعامل مع بيانات حساسة أو كمية كبيرة من عمليات الاستدلال.
هذا التصميم يمكن أن يكون مفيدًا لأن النماذج السحابية تتمتع بموارد حوسبة ضخمة، بينما تتميز النماذج المحلية بالتحكم في البيانات وعدم الحاجة إلى إرسال كل عملية إلى API.
بالتالي يمكن تقسيم المهمة حسب طبيعتها:
- التخطيط: يمكن أن يتم عبر نموذج سحابي.
- تحليل الملفات الحساسة: يمكن أن يتم محليًا.
- تنفيذ الكود: يمكن أن يتم محليًا.
- الاختبارات: يمكن أن تتم داخل بيئة الجهاز.
- المهام التي تحتاج نموذجًا أكبر: يمكن توجيهها إلى السحابة عند الحاجة.
بهذه الطريقة لا يكون السؤال "هل نستخدم السحابة أم الجهاز؟"، وإنما "أي جزء من المهمة يجب أن يعمل أين؟".
🏗️ كيف تعمل فكرة Cloud Architect وLocal Workforce؟
قدمت Google مثالًا واضحًا على هذا الأسلوب من خلال نمط يمكن وصفه بفكرة Architect-Builder.
في المثال المنشور، يعمل نموذج سحابي مثل Gemini 3.8 Flash كطبقة تخطيط وتنسيق، بينما تتولى نسخ محلية من Gemma 4 26B تنفيذ العمل التفصيلي على الجهاز.
الفكرة تشبه مدير مشروع يحدد المطلوب، ثم فريقًا محليًا ينفذ المهام.
على سبيل المثال، يمكن للنموذج السحابي معرفة أن المشروع يحتوي على ملفات باسم:
- auth.py
- billing.py
- database.py
ثم يضع خطة عامة للتدقيق، بينما تقوم النماذج المحلية بقراءة الملفات وتنفيذ الاختبارات وإعداد التعديلات دون إرسال مصدر الكود نفسه إلى النموذج السحابي.
هذا النوع من الهندسة قد يكون مهمًا في بيئات البرمجة التي تحتوي على شيفرة خاصة أو أسرار تجارية، لأن الهدف هو تقليل البيانات التي تحتاج إلى الخروج من الجهاز.
📊 ماذا أظهرت تجربة Google العملية؟
من أهم أجزاء الإعلان تجربة لتدقيق وإصلاح ثلاث وحدات برمجية: auth.py وbilling.py وdatabase.py.
وفقًا لـGoogle، استخدم النموذج السحابي في التجربة للتخطيط وتفكيك المهمة اعتمادًا على أسماء الملفات ووصف المهمة، بينما قامت نماذج Gemma المحلية بتنفيذ سلسلة من عمليات التدقيق والإصلاح والاختبار على الجهاز.
وتقول Google إن 95 رمزًا سحابيًا استُخدمت للتخطيط، بينما تم تنفيذ 3,322 رمزًا محليًا، وهو ما وصفته الشركة بأنه 97.2% من إجمالي الرموز في ذلك التشغيل.
أهمية التجربة لا تكمن فقط في الرقم 97.2%، وإنما في طريقة توزيع العمل. النموذج السحابي لم يكن مضطرًا إلى استقبال محتوى مصدر الكود في ذلك السيناريو، بينما تم تنفيذ العمل المكثف محليًا.
وهذا يوضح كيف يمكن للهندسة الهجينة أن تجمع بين التخطيط السحابي والمعالجة المحلية بدل نقل كامل المهمة إلى السحابة.
👨💻 استخدام Gemma 4 في البرمجة وتدقيق الكود
البرمجة من أكثر المجالات التي يمكن أن تستفيد من الوكلاء المحليين، لأن مشاريع البرمجيات غالبًا ما تحتوي على ملفات كثيرة ومعلومات لا يريد المطور مشاركتها خارجيًا.
يمكن للوكيل المحلي، ضمن الصلاحيات التي يمنحها له المستخدم، تحليل الملفات، البحث عن الأخطاء، كتابة التعديلات، إنشاء ملفات مساعدة، وتشغيل الاختبارات.
تخيل مثلًا أن لديك مشروعًا صغيرًا يحتوي على API وقاعدة بيانات وملفات للمصادقة. بدل نسخ الكود يدويًا إلى Chatbot، يمكن للوكيل المحلي العمل داخل مساحة المشروع.
قد تكون المهمة:
"راجع المشروع بحثًا عن أخطاء واضحة في معالجة المدخلات، أصلح المشكلات التي تجدها، ثم شغل الاختبارات الموجودة."
الوكيل يستطيع تقسيم هذه المهمة إلى خطوات. أولًا يكتشف الملفات، ثم يقرأ الكود، ثم يبحث عن المناطق التي تحتاج إلى مراجعة، ثم ينشئ التعديل، وبعد ذلك يشغل الاختبارات.
هذه الإمكانية هي التي تجعل الوكلاء المحليين مختلفين عن مجرد نموذج سؤال وجواب.
🛠️ إنشاء أدوات محلية باستخدام الوكيل
لم تحصر Google المثال في تدقيق الكود فقط. قدمت الشركة أيضًا مثالًا على استخدام Gemma 4 26B A4B لإنشاء أداة لمراقبة موارد النظام من سطر الأوامر.
في المثال، أعطي الوكيل طلبًا لإنشاء أداة Python تستخدم مكتبات مثل psutil وrich لعرض استخدام المعالج والذاكرة وقائمة بالعمليات التي تستهلك أكبر قدر من الذاكرة، إضافة إلى إنشاء ملف المتطلبات واختبار الكود.
هذا المثال مهم لأنه يوضح أن الفكرة ليست مجرد كتابة نص برمجي، بل تنفيذ دورة عمل كاملة.
يمكن للوكيل:
- فهم المطلوب.
- اختيار طريقة تنفيذ مناسبة.
- كتابة الملف.
- إنشاء requirements.txt.
- تشغيل الاختبار.
- مراجعة النتيجة.
وعندما يتم كل ذلك على الجهاز، يمكن للمطور الاستفادة من قدرات Agentic AI دون الحاجة إلى إرسال المشروع كاملًا إلى نموذج سحابي.
💰 هل التشغيل المحلي يلغي تكاليف API؟
من الناحية العملية، إحدى فوائد التشغيل المحلي هي عدم وجود رسوم API على عمليات الاستدلال التي يتم تنفيذها محليًا. Google تذكر صراحةً أن سير العمل المحلي يمكن تشغيله دون تكاليف API أو حدود معدل مرتبطة بخدمة سحابية.
لكن من الخطأ تحويل ذلك إلى عبارة "الذكاء الاصطناعي المحلي مجاني بالكامل".
هناك تكاليف أخرى يجب أخذها في الاعتبار. أولها تكلفة الجهاز نفسه. تشغيل نموذج كبير يحتاج إلى عتاد مناسب، وقد يحتاج المستخدم إلى GPU أو ذاكرة موحدة كبيرة.
ثانيًا، تشغيل النموذج يستهلك الكهرباء. وإذا كانت المهام طويلة ومتكررة، فقد يصبح استهلاك الطاقة عاملًا مهمًا.
ثالثًا، هناك تكلفة الوقت والإدارة. النموذج المحلي يحتاج إلى تنزيل وتجهيز وتحديث، وقد يحتاج المطور إلى التعامل مع مشكلات توافق أو أداء.
لذلك يمكن القول إن التشغيل المحلي قد يقلل أو يلغي تكلفة API الخاصة بالاستدلال المحلي، لكنه لا يجعل تشغيل الذكاء الاصطناعي بلا تكلفة اقتصادية على الإطلاق.
🖥️ ما متطلبات تشغيل Gemma 4 26B A4B؟
هذه من أهم النقاط التي يجب توضيحها للقارئ، لأن الحديث عن الذكاء الاصطناعي المحلي قد يجعل البعض يعتقد أن أي جهاز قادر على تشغيل النماذج الكبيرة.
في الإعلان الرسمي الخاص بـAntigravity، أوصت Google بجهاز يحتوي على أكثر من 24GB من VRAM أو الذاكرة الموحدة لهذا السيناريو.
وهذا يعني أن المستخدم يحتاج إلى النظر في مواصفات الجهاز قبل محاولة تشغيل النموذج.
1. الذاكرة
الذاكرة من أهم العوامل لأن النموذج وعمليات التشغيل تحتاج إلى مساحة مناسبة. عدم توفر الذاكرة الكافية يمكن أن يؤدي إلى مشاكل في التشغيل أو إلى انخفاض كبير في الأداء.
2. GPU
وجود GPU مناسب يمكن أن يساعد في تسريع الاستدلال، لكن الأداء الفعلي يعتمد على نوع العتاد والدعم البرمجي وطريقة تشغيل النموذج.
3. التخزين
يحتاج المستخدم إلى مساحة تخزين لتنزيل النموذج وملفات البيئة البرمجية والملفات المؤقتة المرتبطة بالتشغيل.
4. نظام التشغيل والبيئة
يجب التأكد من توافق البيئة البرمجية المستخدمة مع نظام التشغيل وإصدارات Python والأدوات المطلوبة.
5. التوقعات الواقعية
حتى إذا استطاع الجهاز تشغيل النموذج، فهذا لا يعني أن السرعة ستكون مساوية لخدمة سحابية تمتلك مراكز بيانات تحتوي على عتاد متخصص.
⚡ ماذا عن السرعة والأداء؟
السرعة في النماذج المحلية ليست رقمًا ثابتًا. تعتمد على الجهاز، ونوع GPU، والذاكرة، وطريقة تحميل النموذج، وحجم المهمة، والعمليات الأخرى التي تعمل في الخلفية.
قد يكون النموذج المحلي سريعًا بما يكفي لبعض المهام على جهاز قوي، بينما يكون بطيئًا على جهاز أضعف. وفي المقابل، قد توفر الخدمة السحابية سرعة مستقرة نسبيًا لأنها تستخدم بنية تحتية متخصصة.
لكن الأداء لا يقاس بالسرعة فقط. هناك أيضًا زمن إرسال البيانات إلى الخادم، وزمن انتظار الاستجابة، وتكلفة الطلب، والخصوصية.
لذلك قد يكون التشغيل المحلي منطقيًا حتى عندما لا يكون أسرع حل في كل حالة.
مثلاً، إذا كانت المهمة تتعامل مع ملف حساس جدًا، فقد يفضل المطور تنفيذها محليًا حتى لو احتاجت وقتًا أطول، لأن عدم إرسال الملف إلى الخارج قد يكون أهم من الحصول على استجابة أسرع.
⚙️ كيف يبدأ المطور باستخدام Antigravity وGemma محليًا؟
نشرت Google خطوات أولية لتجهيز البيئة. تبدأ الفكرة بإنشاء بيئة Python افتراضية حتى تكون حزم المشروع معزولة عن بقية بيئة النظام.
python3 -m venv .venv
source .venv/bin/activate
بعد تفعيل البيئة، يمكن تثبيت Antigravity SDK وLiteRT-LM:
pip install google-antigravity litert-lm
ثم توضح Google طريقة استيراد نسخة Gemma 4 26B A4B المخصصة لـLiteRT-LM من مستودع النموذج، ثم ربطها بالوكيل المحلي.
litert-lm import
--from-huggingface-repo=litert-community/gemma-4-26B-A4B-it-litert-lm
gemma-4-26B-A4B-it-gpu.litertlm
gemma4-26b
بعد ذلك يمكن إنشاء ملف Python واستخدام إعداد LiteRTAgentConfig للإشارة إلى مسار النموذج المحلي.
المثال الرسمي يوضح أن الوكيل يستطيع تنفيذ طلب بسيط مثل معرفة الملفات الموجودة في المجلد الحالي. وهذا الطلب البسيط يوضح فكرة مهمة: الوكيل المحلي لا يجيب فقط، بل يمكن أن يتعامل مع بيئة العمل.
🔌 Antigravity لا يتوقف عند Gemma 4
من أهم النقاط في الإعلان أن Antigravity SDK لا يقتصر على مسار LiteRT وحده.
Google ذكرت دعم خوادم استدلال متوافقة مع OpenAI API، ومن الأمثلة التي أشارت إليها الشركة Ollama وLM Studio وvLLM عبر إعداد LocalOpenAIAgentConfig.
هذه المرونة تعني أن المطور يستطيع تجربة محركات استدلال محلية مختلفة مع الاحتفاظ بطبقة الوكيل والأدوات وسير العمل.
وهذا مهم لأن سوق النماذج المحلية واسع، وهناك نماذج وأحجام وتكوينات مختلفة تناسب أجهزة مختلفة.
بدل بناء نظام Agentic منفصل لكل محرك، يمكن أن تعمل طبقة التنسيق مع أكثر من backend متوافق.
🔒 المخاطر الأمنية عند إعطاء الوكيل صلاحيات
كلما أصبح الوكيل أكثر قدرة على تنفيذ المهام، أصبحت إدارة الصلاحيات أكثر أهمية.
هناك فرق كبير بين نموذج يستطيع قراءة نص يكتبه المستخدم وبين وكيل يستطيع قراءة ملفات المشروع وتعديلها وتشغيل برامج.
إذا منحت الوكيل صلاحية الوصول إلى مجلد معين، فيجب أن تعرف أن أي مهمة ينفذها قد تتعامل مع محتويات ذلك المجلد.
ولهذا السبب ينبغي التفكير في مفهوم Least Privilege، أي منح النظام الحد الأدنى من الصلاحيات التي يحتاج إليها لإنجاز المهمة.
إذا كانت المهمة تتطلب قراءة مجلد واحد فقط، فلا توجد ضرورة منطقية لمنح الوكيل وصولًا إلى جميع ملفات الجهاز.
وإذا كانت المهمة تتطلب كتابة ملف جديد، فمن الأفضل أن تكون مساحة الكتابة محددة.
كما ينبغي الحذر عند استخدام إعدادات تسمح للوكيل بتنفيذ عدد كبير من الأوامر دون مراجعة.
الذكاء الاصطناعي المحلي لا يلغي الأمن.
بل في بعض الحالات يجعل الأمن أكثر أهمية، لأن الوكيل أصبح قريبًا جدًا من ملفات الجهاز وأدواته. كلما زادت صلاحيات الوكيل، يجب أن تكون حدود الوصول أوضح.
☁️ المحلي أم السحابي أم الهجين؟
| العامل | محلي | سحابي | هجين |
|---|---|---|---|
| مكان الاستدلال | الجهاز | الخادم السحابي | الجهاز والسحابة |
| الحاجة إلى الإنترنت | يمكن العمل دون اتصال | عادةً ضرورية | تعتمد على الجزء المستخدم |
| الخصوصية | إمكانية إبقاء البيانات محليًا | تعتمد على سياسة الخدمة | يمكن تقليل البيانات المرسلة |
| العتاد المحلي | مهم | أقل أهمية للمستخدم | مهم حسب حجم المهام المحلية |
| رسوم API | لا توجد على الاستدلال المحلي | قد توجد | توجد فقط في الجزء السحابي |
| المرونة | مرتبطة بالعتاد والنماذج | مرتبطة بالخدمة | مرونة أعلى في توزيع المهام |
لا توجد إجابة واحدة تصلح لكل المطورين. الاختيار يعتمد على نوع المهمة والخصوصية والميزانية والعتاد وسرعة الاتصال.
النموذج المحلي مناسب عندما تكون البيانات الحساسة أو العمل دون اتصال من الأولويات، بينما النموذج السحابي يكون مفيدًا عندما يحتاج التطبيق إلى موارد حوسبة كبيرة دون امتلاكها محليًا.
أما النموذج الهجين فيحاول الجمع بين الاثنين، بحيث يتم اختيار مكان تنفيذ كل جزء من المهمة وفقًا لاحتياجاته.
👨💻 ماذا يعني هذا للمطورين؟
بالنسبة للمطور، أهم تغيير هو أن الذكاء الاصطناعي يمكن أن يصبح جزءًا من بيئة التطوير نفسها بدل أن يكون مجرد موقع ويب منفصل.
بدل فتح صفحة Chatbot ونسخ الكود إليها ثم نسخ الإجابة مرة أخرى إلى المشروع، يستطيع الوكيل المحلي العمل داخل مساحة المشروع وفق الصلاحيات التي يتم منحه إياها.
هذا يمكن أن يقلل العمل اليدوي في بعض السيناريوهات.
كما أن وجود نموذج محلي يعني أن بعض المهام يمكن تنفيذها حتى عندما لا يكون الاتصال بالسحابة متاحًا.
لكن المطور يحتاج أيضًا إلى فهم حدود النموذج. ليس كل تعديل ينتجه الذكاء الاصطناعي صحيحًا، ولذلك يجب أن تبقى الاختبارات والمراجعة البشرية جزءًا من عملية التطوير.
وجود وكيل قادر على تعديل الملفات لا يعني أن كل تعديل يجب قبوله تلقائيًا.
🏢 ماذا يمكن أن تستفيد الشركات؟
قد تكون النماذج المحلية مهمة للشركات التي تتعامل مع بيانات حساسة أو لديها متطلبات صارمة حول مكان معالجة البيانات.
في بعض البيئات، قد لا يكون إرسال ملفات المشروع أو المستندات الداخلية إلى خدمة خارجية خيارًا مناسبًا. هنا يمكن أن توفر المعالجة المحلية طريقة للحفاظ على جزء أكبر من البيانات داخل البنية التحتية الخاصة بالشركة.
لكن الشركات تحتاج إلى دراسة الموضوع من منظور أوسع من مجرد "النموذج يعمل محليًا".
يجب التفكير في إدارة الأجهزة، والتحديثات، والصلاحيات، والمراقبة، وإدارة النماذج، والامتثال، وسلامة سلسلة البرمجيات.
لذلك يمكن أن يكون النموذج المحلي جزءًا من استراتيجية ذكاء اصطناعي أكبر، وليس حلًا منفردًا لكل المشكلات.
🛡️ هل الذكاء الاصطناعي المحلي أكثر خصوصية دائمًا؟
الإجابة الدقيقة هي: ليس بالضرورة.
تشغيل النموذج محليًا يمنح المستخدم إمكانية إبقاء البيانات على جهازه، وهذه ميزة مهمة. لكن الخصوصية تعتمد على النظام كاملًا.
إذا كان الوكيل المحلي يستخدم خدمة خارجية للبحث أو التخطيط أو أي أداة أخرى، فقد تخرج بعض البيانات من الجهاز.
كما أن التطبيقات قد تسجل البيانات محليًا، وقد تكون هناك إضافات أو أدوات ترسل معلومات إلى خدمات أخرى.
لذلك يجب أن يسأل المستخدم:
- ما الملفات التي يستطيع الوكيل قراءتها؟
- ما الملفات التي يستطيع تعديلها؟
- هل يستطيع الوصول إلى الإنترنت؟
- هل يستخدم أي API سحابي؟
- ما البيانات التي يتم إرسالها في كل خطوة؟
- أين يتم حفظ السجلات والنتائج؟
هذه الأسئلة أكثر فائدة من مجرد القول إن "النموذج محلي".
🔮 ماذا يعني هذا لمستقبل الوكلاء الذكيين؟
أحد الاتجاهات المهمة في الذكاء الاصطناعي هو انتقال الأنظمة من نموذج "سؤال ثم إجابة" إلى نموذج "هدف ثم تنفيذ".
في هذا المستقبل، قد يطلب المستخدم من النظام إنجاز مهمة كاملة بدل كتابة كل خطوة بنفسه.
يمكن أن يصبح الكمبيوتر بيئة عمل لوكلاء متعددين، بحيث يعمل كل وكيل على جزء من المهمة.
على سبيل المثال:
- وكيل للتخطيط.
- وكيل لتحليل الملفات.
- وكيل للبرمجة.
- وكيل للاختبار.
- وكيل للمراجعة.
وبعض هذه الوكلاء قد يعمل محليًا، بينما يعمل بعضها الآخر في السحابة.
وهذا يجعل نموذج Google الهجين مهمًا من الناحية المعمارية، لأنه يوضح أن المستقبل قد لا يكون قائمًا على اختيار طرف واحد فقط.
بدلًا من ذلك يمكن توزيع العمل بين الجهاز والسحابة بناءً على متطلبات كل مهمة.
⚠️ ما أهم القيود الحالية؟
1. متطلبات العتاد
أكبر قيد واضح هو الحاجة إلى جهاز قوي نسبيًا لهذا السيناريو. توصية Google بأكثر من 24GB من VRAM أو الذاكرة الموحدة تعني أن التجربة ليست موجهة إلى جميع أجهزة الكمبيوتر.
2. الأداء يختلف من جهاز إلى آخر
حتى الأجهزة التي تستوفي متطلبات الذاكرة قد تقدم مستويات مختلفة من الأداء حسب GPU وبقية المكونات.
3. إعداد البيئة يحتاج إلى معرفة تقنية
تنزيل النموذج وإعداد Python وLiteRT-LM وربط النموذج بالوكيل يتطلب مستوى معينًا من المعرفة التقنية.
4. إدارة الصلاحيات
الوكيل القادر على تعديل الملفات وتشغيل البرامج يحتاج إلى حدود واضحة.
5. ليست كل المهام مناسبة للنموذج المحلي
قد توجد مهام تحتاج إلى نموذج سحابي أكبر أو إلى خدمة متخصصة، ولذلك لا ينبغي اعتبار التشغيل المحلي بديلًا مطلقًا.
6. النموذج الهجين لا يعني العمل دون إنترنت بالكامل
إذا كان جزء من النظام يعتمد على نموذج سحابي، فإن ذلك الجزء يحتاج إلى الاتصال.
7. النتائج تحتاج إلى مراجعة
حتى الوكيل المحلي قد يرتكب أخطاء في الكود أو يفسر الطلب بطريقة غير صحيحة. لذلك لا تزال الاختبارات والمراجعة مهمة.
❓ الأسئلة الشائعة حول Gemma 4 وAntigravity SDK
هل Gemma 4 26B A4B تعمل محليًا؟
نعم. أعلنت Google عن دعم تشغيل Gemma 4 26B A4B محليًا ضمن Antigravity SDK باستخدام LiteRT.
هل يمكن تشغيل الوكيل بدون إنترنت؟
نعم، يمكن تشغيل سير عمل محلي دون اتصال عندما تكون المكونات المطلوبة موجودة على الجهاز ولا يعتمد سير العمل على خدمات سحابية خارجية. Google تصف الدعم الجديد بأنه يتيح Agentic workflows محلية بشكل Offline.
هل التشغيل المحلي مجاني؟
الاستدلال المحلي نفسه لا يحتاج إلى رسوم API سحابية، لكن تشغيل النموذج يحتاج إلى جهاز وموارد حوسبة وطاقة وتخزين، ولذلك لا يعني ذلك أن التجربة بلا أي تكلفة.
ما متطلبات الجهاز التي ذكرتها Google؟
أوصت Google بجهاز يحتوي على أكثر من 24GB من VRAM أو الذاكرة الموحدة لهذا السيناريو.
هل يمكن استخدام Antigravity مع نماذج محلية أخرى؟
نعم. ذكرت Google دعم خوادم استدلال متوافقة مع OpenAI API مثل Ollama وLM Studio وvLLM عبر إعداد LocalOpenAIAgentConfig.
هل إرسال البيانات إلى السحابة يتوقف تمامًا؟
إذا كان سير العمل محليًا بالكامل، يمكن تنفيذ الاستدلال محليًا دون إرسال بيانات النموذج إلى API سحابي. أما في سير العمل الهجين، فقد يتم إرسال المعلومات اللازمة للجزء السحابي فقط. تجربة Google المنشورة استخدمت نموذجًا سحابيًا للتخطيط مع إبقاء مصدر الكود خارج ذلك النموذج.
هل Gemma 4 26B A4B مناسبة للهواتف؟
لا ينبغي استنتاج ذلك من الإعلان. السيناريو الذي قدمته Google يتطلب أكثر من 24GB من VRAM أو الذاكرة الموحدة، لذلك لا يمكن افتراض أن الهواتف أو الأجهزة منخفضة المواصفات قادرة على تشغيل هذا السيناريو بكفاءة.
ما الفرق بين Gemma 4 وAntigravity SDK؟
Gemma 4 هو نموذج ذكاء اصطناعي، بينما Antigravity SDK هو إطار يساعد المطور على بناء وتشغيل سير عمل يعتمد على الوكلاء والأدوات. في الإعلان الجديد يتم استخدام Gemma 4 26B A4B كنموذج محلي داخل Antigravity.
ما دور LiteRT؟
LiteRT هو طبقة تشغيل من منظومة Google AI Edge تساعد على تشغيل النماذج على الأجهزة. وفي هذا السيناريو تستخدم Google LiteRT لتشغيل Gemma 4 26B A4B محليًا.
هل يمكن للوكيل المحلي تعديل الملفات؟
يمكن تصميم سير العمل ليمنح الوكيل صلاحيات التعامل مع الملفات، لكن ذلك يعتمد على الإعدادات والصلاحيات التي يحددها المطور. وكلما حصل الوكيل على صلاحيات أكبر، أصبحت الحاجة إلى سياسات أمنية واختبارات ومراجعة أكثر أهمية.
هل النموذج المحلي أسرع من السحابي؟
ليس بالضرورة. السرعة تعتمد على الجهاز والنموذج وطريقة التشغيل. الخدمات السحابية تستخدم بنية تحتية متخصصة، بينما يعتمد النموذج المحلي على موارد جهاز المستخدم.
هل التشغيل المحلي أفضل لكل المطورين؟
ليس هناك حل واحد مناسب للجميع. المطور الذي يحتاج إلى الخصوصية والعمل دون اتصال قد يستفيد من النموذج المحلي، بينما قد يفضل مطور آخر السحابة بسبب قوة العتاد وسهولة الإدارة. ويمكن أن يكون النموذج الهجين مناسبًا عندما تكون هناك حاجة إلى الجمع بين الاثنين.
🏁 الخلاصة
إعلان Google عن دعم النماذج المحلية داخل Antigravity SDK يمثل خطوة مهمة في تطور الوكلاء الذكيين، ليس لأن تشغيل نموذج على جهاز المستخدم فكرة جديدة تمامًا، ولكن لأن Google تربط النموذج المحلي بسير عمل Agentic قادر على التعامل مع الأدوات والملفات وتنفيذ سلسلة من الخطوات.
النقطة الأساسية في الإعلان هي دعم Gemma 4 26B A4B باستخدام LiteRT، مع إمكانية تشغيل سير عمل محلي دون اتصال، إضافة إلى إمكانية استخدام خوادم استدلال محلية متوافقة مع OpenAI مثل Ollama وLM Studio وvLLM.
وهذا يفتح الباب أمام طريقة مختلفة لبناء تطبيقات الذكاء الاصطناعي. بدل إرسال كل شيء إلى السحابة، يمكن إبقاء جزء من العمليات على الجهاز، خصوصًا عندما تكون المهمة مرتبطة بملفات حساسة أو تحتاج إلى العمل دون اتصال مستقر.
لكن من المهم عدم المبالغة في تفسير الإعلان. تشغيل Gemma 4 26B A4B محليًا ليس أمرًا يمكن افتراض أنه مناسب لأي جهاز؛ Google توصي بأكثر من 24GB من VRAM أو الذاكرة الموحدة لهذا السيناريو. كما أن الأداء يختلف باختلاف العتاد، ولا يعني وجود النموذج محليًا أن جميع جوانب التطبيق أصبحت تلقائيًا خاصة أو آمنة.
القيمة الحقيقية تظهر عندما يتم تصميم النظام بشكل صحيح. يمكن للنموذج المحلي أن يتعامل مع الملفات والمهام الحساسة، بينما يمكن للنموذج السحابي أن يتولى التخطيط أو المهام التي تحتاج إلى قدرات إضافية.
وهنا يصبح مفهوم Hybrid AI أكثر أهمية من فكرة "Local AI" وحدها. المستقبل قد لا يكون قائمًا على استبدال السحابة بالكامل، وإنما على توزيع العمل بذكاء بين الجهاز والسحابة.
الخلاصة في جملة واحدة:
Gemma 4 26B A4B مع LiteRT وAntigravity SDK تقدم للمطورين طريقة لبناء وكلاء ذكاء اصطناعي قادرين على تنفيذ مهام محلية، مع إمكانية العمل دون اتصال وتقليل إرسال البيانات إلى السحابة، بينما يسمح التصميم الهجين بالاستفادة من النماذج السحابية عندما تكون هناك حاجة إليها.
📚 المصادر والمراجع
Google Developers Blog — Introducing Support for Local AI Models in the Antigravity SDK
الإعلان الرسمي من Google بتاريخ 23 سبتمبر 2026، ويتضمن تفاصيل دعم Gemma 4 26B A4B، LiteRT، المتطلبات، التشغيل المحلي، المثال الهجين، ودعم Ollama وLM Studio وvLLM.
ملاحظة تحريرية: تمت كتابة هذا المقال بصياغة تفسيرية مستقلة، مع الفصل بين المعلومات التي أعلنتها Google وبين الاستنتاجات العامة المتعلقة باستخدام النماذج المحلية والوكلاء الذكيين. الأرقام الخاصة بتجربة تدقيق الملفات الثلاثة تخص التجربة المنشورة من Google ولا تمثل ضمانًا للأداء في جميع البيئات.
