ما هو الاستدلال

ملاحظة: هذا المستند هو ترجمة آلية للنسخة الإنجليزية الأصلية.

ما هو الاستدلال

الاستدلال (inference) هو عملية تشغيل نموذج ذكاء اصطناعي مُدرَّب على بيانات جديدة للحصول على نتيجة. عندما يصنّف نموذج صورةً، أو يولّد فقرة نصّ، أو يتنبّأ بدرجة مخاطرة، أو يوصي بإجراء، فإنه يؤدّي استدلالًا. إذا كان التدريب هو كيفية تعلّم النموذج، فإن الاستدلال هو كيفية عمله.

تشبيه مفيد: التدريب هو الدراسة لامتحان — قراءة الكتب المدرسية، وحلّ مسائل تدريبية، واستيعاب الأنماط. الاستدلال هو أداء الامتحان — تطبيق ما تُعلِّم على أسئلة جديدة في ظروف حقيقية. في كل مرّة ينتج فيها نظام ذكاء اصطناعي مُخرَجًا في الإنتاج، فذلك استدلال.

باختصار: التدريب هو الدراسة لامتحان؛ والاستدلال هو أداء الامتحان. في كل مرّة ينتج فيها نظام ذكاء اصطناعي مُخرَجًا في الإنتاج، فذلك استدلال.

كيف يعمل الاستدلال خطوةً بخطوة

رغم أن الاستدلال يبدو لحظيًا للمستخدم النهائي ("كتبتُ سؤالًا وحصلتُ على إجابة")، يعمل خط أنابيب ملموس خلف الكواليس في كل مرّة ينتج فيها النموذج مُخرَجًا.

المدخل

يبدأ كل شيء بـبيانات المدخل — مُحفِّز نصّي، أو صورة، أو مجموعة أرقام، أو تجزئة (hash) معاملة بلوك تشين، أو مقطع صوتي، أو أي بيانات منظَّمة أو غير منظَّمة صُمِّم النموذج لمعالجتها.

المعالجة الأولية

نادرًا ما يُغذَّى المدخل الخام إلى النموذج مباشرةً. تحوّله خطوة معالجة أولية إلى الصيغة التي يتوقّعها النموذج. بالنسبة لنموذج نصّي، يعني هذا التقطيع إلى رموز (tokenization) — تقسيم النصّ إلى رموز (وحدات دون الكلمة) وتحويلها إلى مُعرِّفات رقمية. بالنسبة لنموذج صور، يعني هذا تغيير الحجم، وتطبيع قيم البكسل، وأحيانًا تعزيز الصورة. يجب أن تطابق المعالجة الأولية بالضبط الخطوات المستخدَمة أثناء التدريب؛ وإلّا تلقّى النموذج البيانات بصيغة لم يُدرَّب قط على التعامل معها.

التمرير الأمامي

يُمرَّر المدخل المُعالَج عبر معمارية النموذج — طبقةً تلو الأخرى، عبر كل الأوزان المُتعلَّمة ودوال التنشيط. يُسمّى هذا التمرير الأمامي. خلال هذه الخطوة، يطبّق النموذج الأنماط التي تعلّمها أثناء التدريب على المدخل الجديد. لا تُحدَّث أي أوزان؛ ولا يحدث أي تعلّم. يحسب النموذج ببساطة مُخرَجًا من المدخل باستخدام معرفته الموجودة.

بالنسبة لـنموذج لغوي كبير، ينتج التمرير الأمامي توزيعًا احتماليًا على الرموز التالية الممكنة. بالنسبة لمُصنِّف، ينتج احتمالات لكل فئة. بالنسبة لنموذج صور توليدي، ينتج صورةً مُزالة الضوضاء خطوةً بخطوة.

المُخرَج

ينتج التمرير الأمامي مُخرَجًا خامًا — غالبًا متجه أرقام، أو احتمالات، أو تسلسل رموز. يحتاج هذا المُخرَج الخام إلى تفسير ليصبح مفيدًا.

المعالجة اللاحقة

تحوّل المعالجة اللاحقة المُخرَج الخام إلى نتيجة مقروءة للبشر أو قابلة للاستخدام من النظام. بالنسبة لنموذج لغوي كبير، يعني هذا فكّ ترميز مُعرِّفات الرموز عائدةً إلى نصّ. بالنسبة لمُصنِّف، يعني تعيين درجات الاحتمال إلى علامات الفئات ("سبام" مقابل "ليس سبام"). بالنسبة لنموذج تسجيل، يعني تحويل قيمة خام إلى نطاق درجات يتوقّعه التطبيق.

باختصار:

الخطوة	ماذا يحدث	مثال (نموذج نصّي)
المدخل	تصل البيانات الخام	يكتب المستخدم سؤالًا
المعالجة الأولية	تُحوَّل البيانات إلى صيغة النموذج	يُقطَّع النصّ إلى مُعرِّفات رقمية
التمرير الأمامي	يحسب النموذج المُخرَج من المدخل باستخدام أوزان مُتعلَّمة	توزيع احتمالي على المفردات
المُخرَج الخام	تُنتَج نتيجة رقمية	احتمالات الرموز
المعالجة اللاحقة	يُحوَّل المُخرَج إلى صيغة قابلة للاستخدام	تُفَكّ مُعرِّفات الرموز عائدةً إلى نصّ

أنواع الاستدلال

ليس كل استدلال متماثلًا. تخلق سيناريوهات النشر المختلفة متطلّبات تقنية ومقايضات مختلفة.

الاستدلال الآني مقابل الدفعي

البُعد	الاستدلال الآني	الاستدلال الدفعي
متى يعمل	عند الطلب، لكل طلب	وفق جدول أو عند تراكم دفعة
متطلّب الكمون	منخفض (أجزاء من الثانية إلى ثوانٍ)	مرن (دقائق إلى ساعات مقبولة)
حالة الاستخدام	روبوتات الدردشة، التسجيل الحيّ، الوكلاء التفاعليون	توليد التقارير، التصنيف بالجملة، التحليلات الدورية
ملف الكلفة	أعلى لكل طلب (يجب أن يكون العتاد جاهزًا دائمًا)	أقل لكل عنصر (يُستخدَم العتاد بكفاءة في دفعات)

الاستدلال الآني هو ما يختبره المستخدمون النهائيون عادةً — يرسلون استعلامًا ويتلقّون إجابةً فورًا. الاستدلال الدفعي شائع في خطوط الأنابيب الخلفية حيث يعالج نموذج آلاف نقاط البيانات دفعةً واحدة (مثل تسجيل كل المعاملات من الساعة الماضية لمخاطر الاحتيال).

الاستدلال على الحافة مقابل السحابة

الاستدلال السحابي يعمل على خوادم مركزية (أو عناقيد خوادم) في مركز بيانات. يقدّم عتادًا قويًا (وحدات GPU عالية المستوى، ذاكرة كبيرة) لكنه يُدخِل كمون الشبكة والاعتماد على مزوّد مركزي.
الاستدلال على الحافة يعمل على أجهزة محلية — هواتف ذكية، مستشعرات إنترنت الأشياء، عتاد مدمَج. يقلّل الكمون ويبقي البيانات على الجهاز لكنه محدود بقوّة حوسبة الجهاز وذاكرته.

تجمع كثير من أنظمة الإنتاج بين الاثنين: تعمل نماذج خفيفة على الحافة للاستجابات الأوّلية السريعة، بينما تُحال الاستعلامات المعقّدة إلى نماذج قائمة على السحابة.

الاستدلال على السلسلة مقابل خارجها

هذا التمييز خاصّ بالذكاء الاصطناعي للعملات المشفرة ومحوري في كيفية تقييم DecAIHub للمشاريع:

الاستدلال خارج السلسلة — يعمل النموذج على خوادم تقليدية أو عناقيد GPU. قد تُنشَر النتائج على بلوك تشين بعد ذلك أو لا. هذا أكثر الإعدادات شيوعًا في مشاريع الذكاء الاصطناعي للعملات المشفرة لأن تشغيل النماذج الكبيرة مباشرةً على بلوك تشين غير عملي حوسبيًا.
الاستدلال على السلسلة — يُنفَّذ النموذج (أو إثبات قابل للتحقّق لحوسبته) داخل بيئة تنفيذ البلوك تشين. الاستدلال الحقيقي على السلسلة للنماذج غير التافهة نادر للغاية بسبب القيود الحوسبية لبيئات العقود الذكية. تستخدم المشاريع التي تدّعي استدلالًا على السلسلة عادةً أحد هذه النهج: تشغيل نموذج صغير جدًا داخل عقد ذكي، أو نشر إثبات تشفيري (مثل zkML) على أن الاستدلال أُجري بشكل صحيح خارج السلسلة، أو استخدام آلية شبيهة بـأوراكل (oracle) تُصدَّق فيها نتائج الاستدلال خارج السلسلة وتُسجَّل على السلسلة.

التمييز بين الاستدلال على السلسلة وخارجها وثيق الصلة مباشرةً بمحور Onchain necessity في DecAI Fit.

لماذا يهمّ الاستدلال في الذكاء الاصطناعي للعملات المشفرة

إذا ادّعى مشروع أنه يستخدم الذكاء الاصطناعي، فلا بدّ أن يحدث الاستدلال في مكان ما. نموذج دُرِّب لكنه لا يشغّل الاستدلال أبدًا لا ينتج مُخرَجات ولا يقدّم قيمةً للمستخدمين. الاستدلال هو النقطة التي يتوقّف عندها الذكاء الاصطناعي عن كونه مفهومًا ويبدأ كونه منتجًا.

في بطاقات مشاريع DecAIHub، غالبًا ما يذكر حقل مكوّن الذكاء الاصطناعي آليات متعلّقة بالاستدلال: محرّكات استدلال، استدلال لامركزي، نقاط نهاية استدلال LLM، خدمة النماذج. هذه مؤشّرات ملموسة على أن نموذجًا يُستخدَم فعلًا — لا أنه مجرّد ادعاء.

الكلفة والسرعة والصلة بالحوسبة

الاستدلال ليس مجّانيًا. يتطلّب تشغيل نموذج موارد حوسبة — عادةً وحدات GPU أو مسرّعات متخصّصة مثل وحدات TPU ووحدات ASIC المخصّصة. تعتمد كلفة الاستدلال على عدّة عوامل:

العامل	الأثر على الكلفة والسرعة
حجم النموذج (عدد المعاملات)	النماذج الأكبر تتطلّب ذاكرة وحوسبة أكثر لكل طلب
طول المدخل	المدخلات الأطول (مثل المُحفِّزات النصّية الطويلة) تزيد وقت المعالجة
طول المُخرَج	للنماذج الانحدارية الذاتية (LLMs)، يتطلّب كل رمز مُخرَج تمريرًا أماميًا
حجم الدفعة	معالجة عدّة طلبات معًا يمكن أن تحسّن الإنتاجية لكنها تضيف كمونًا
العتاد	وحدات GPU الأقوى تقلّل الوقت لكنها أغلى كلفةً
التكميم (Quantization)	تقليل الدقّة الرقمية (مثل من 32 بت إلى 8 بت) يخفّض الذاكرة والحوسبة على حساب بعض الدقّة

تحسّن المشاريع الاستدلال عبر عدّة تقنيات:

التكميم (Quantization) — تقليل الدقّة الرقمية للأوزان لاستخدام ذاكرة وحوسبة أقل.
التقطير (Distillation) — تدريب نموذج "طالب" أصغر لمحاكاة نموذج "معلّم" أكبر، ما ينتج نموذجًا أسرع بفقدان جودة مقبول.
التجميع في دفعات (Batching) — تجميع عدّة طلبات معًا لمعالجتها في آنٍ واحد وتقاسم عبء الحوسبة.
التخزين المؤقّت (Caching) — تخزين النتائج وإعادة استخدامها للاستعلامات المتكرّرة أو المتشابهة.
اختيار العتاد — اختيار وحدة GPU أو TPU أو المسرّع المناسب لحمل العمل.

تُعدّ البنية التحتية لـالحوسبة التي تشغّل الاستدلال مجالًا رئيسيًا في الذكاء الاصطناعي للعملات المشفرة. تبني كثير من المشاريع شبكات GPU أو تنسّقها خصّيصًا لخدمة أحمال عمل الاستدلال، فتندرج تحت فئتي الذكاء الاصطناعي/الحوسبة أو الذكاء الاصطناعي/الاستدلال.

الاستدلال اللامركزي

في الذكاء الاصطناعي التقليدي، يعمل الاستدلال على خوادم مركزية تتحكّم فيها شركة واحدة. يوزّع الاستدلال اللامركزي خدمة النماذج عبر شبكة من المزوّدين المستقلّين. هذا نمط أساسي في فئة الذكاء الاصطناعي/الاستدلال من مشاريع الذكاء الاصطناعي للعملات المشفرة.

يُدخِل الاستدلال اللامركزي مجموعة من التحدّيات غير الموجودة في الأنظمة المركزية:

اتّساق المُخرَجات — يجب أن ينتج المزوّدون المختلفون مُخرَجات متطابقة (أو متشابهة بدرجة كافية) للمدخل نفسه. يمكن لاختلافات العتاد، وإصدارات البرمجيات، والدقّة الرقمية أن تسبّب تباعدًا.
التحقّق — كيف تثبت أن النموذج الصحيح استُخدِم فعلًا، وأن المدخل لم يُعبَث به، وأن المُخرَج حُسِب بأمانة؟ تشمل النهج الإجماع متعدّد المزوّدين (تشغيل الاستعلام نفسه على عقد متعدّدة ومقارنة النتائج)، وبيئات التنفيذ الموثوقة (TEE) التي توفّر ضمانات على مستوى العتاد، وإثباتات المعرفة الصفرية (zkML) التي تثبت الحوسبة الصحيحة دون كشف أوزان النموذج أو بيانات المدخل.
الكمون — توجيه الطلبات إلى مزوّدين موزّعين يضيف عبء شبكة مقارنةً بالخوادم المركزية.
تنسيق الدفع — يحتاج المزوّدون إلى تعويض عادل، ما يتضمّن غالبًا آليات دفع على السلسلة مرتبطة بعمل استدلال مُتحقَّق منه.

تُوصَف هذه الآليات بالتفصيل في صفحة الاستدلال كمكوّن للذكاء الاصطناعي.

أين يظهر في بطاقات مشاريع DecAIHub

يظهر الاستدلال في أجزاء متعدّدة من بطاقة مشروع DecAIHub:

AI component — قيم متعلّقة بالاستدلال مثل "inference"، أو "model serving"، أو "LLM inference"، أو "decentralized inference" تشير إلى أن وظيفة الذكاء الاصطناعي الأساسية للمشروع تتضمّن تشغيل النماذج في الإنتاج.
Category — المشاريع في فئة الذكاء الاصطناعي/الاستدلال تركّز تحديدًا على توفير بنية تحتية أو خدمات استدلال.
جدول Evidence — تشمل أدلّة Tier-1 للاستدلال نقاط نهاية API عامة، ومعايير قياس الاستدلال، وقياسات الكمون، وسجلّات حوسبة قابلة للتحقّق.
ai_score — مشروع يثبت استدلالًا عاملًا بأدلّة منشورة يحصل على ai_score أعلى من مشروع يصف نموذجًا فقط دون إظهار أنه يعمل.

يمكن لمشروع أن يدّعي امتلاك نموذج، لكن إذا لم يكن هناك دليل على حدوث الاستدلال في الإنتاج، فإن النموذج لا يقدّم قيمةً للمستخدمين النهائيين.

ما لا يثبته الاستدلال وحده

تشغيل الاستدلال على نموذج طرف ثالث عبر API (مثل استدعاء GPT أو Claude) هو استدلال تقنيًا لكنه لا يثبت قدرة ذكاء اصطناعي مملوكة. انظر ما هو غلاف API.
يثبت الاستدلال أن نموذجًا يعمل — لكنه لا يثبت أن النموذج عالي الجودة أو مناسب للمهمّة. تتطلّب الجودة معايير قياس ومقاييس.
لا يثبت الاستدلال أن الرمز ضروري لعمل خط الأنابيب أو أن المشروع يحتاج إلى أن يكون على السلسلة. هذه محاور منفصلة في DecAI Fit.
ادعاءات السرعة دون معايير قياس أو منهجية منشورة غير قابلة للتحقّق. ادعاء "أسرع استدلال" يتطلّب أدلّة قابلة لإعادة الإنتاج.
وجود نقطة نهاية استدلال لا يثبت أن النموذج خلفها بناه المشروع بدلًا من كونه نسخةً مُستضافة من نموذج مفتوح المصدر.

تحقّق دائمًا من جدول الأدلّة وأدلّة Tier-1/2/3 بحثًا عن أدلّة داعمة.

لا تخلط بين

التدريب ينتج النموذج. الاستدلال يستخدمه. إنهما مرحلتان متسلسلتان من دورة حياة الذكاء الاصطناعي.
الاستدلال كمكوّن للذكاء الاصطناعي يصف كيف يظهر الاستدلال في بطاقات مشاريع DecAIHub تحديدًا. تشرح هذه الصفحة المفهوم نفسه.
فئة الذكاء الاصطناعي/الاستدلال تصنّف المشاريع التي تركّز على بنية الاستدلال التحتية. ينطبق مفهوم الاستدلال على أي مشروع يشغّل نموذجًا، بغضّ النظر عن فئته.
الحوسبة توفّر العتاد. الاستدلال هو حمل العمل العامل على ذلك العتاد. يمكن لشبكة حوسبة أن تخدم أحمال عمل التدريب والاستدلال معًا.
نموذج الذكاء الاصطناعي هو الأثر (الأوزان المُدرَّبة). الاستدلال هو عملية استخدام ذلك الأثر لإنتاج مُخرَجات.

الأسئلة الشائعة

ما الفرق بين التدريب والاستدلال؟

التدريب هو عملية تعليم نموذج بتعريضه للبيانات وتعديل أوزانه لتقليل الأخطاء. إنه مكلف حوسبيًا ويحدث عادةً مرّةً واحدة (أو دوريًا لإعادة التدريب). الاستدلال هو عملية استخدام النموذج المُدرَّب لإنتاج مُخرَجات على بيانات جديدة. يحدث في كل مرّة يتفاعل فيها مستخدم مع النموذج. التدريب ينشئ النموذج؛ والاستدلال يستخدمه.

لماذا تهمّ سرعة الاستدلال؟

تحدّد السرعة تجربة المستخدم والكلفة التشغيلية. روبوت دردشة يستغرق 30 ثانية للردّ غير قابل للاستخدام عمليًا. نظام كشف احتيال يستغرق دقائق لتسجيل معاملة يفوّت نافذة التصرّف. الاستدلال الأسرع يعني أيضًا كلفة حوسبة أقل لكل طلب، ما يؤثّر مباشرةً على الجدوى الاقتصادية لخدمة — خاصةً للشبكات اللامركزية حيث يتحمّل المزوّدون كلفة العتاد.

ما هو الاستدلال اللامركزي؟

يوزّع الاستدلال اللامركزي خدمة النماذج عبر شبكة من مزوّدي الحوسبة المستقلّين بدلًا من الاعتماد على خوادم شركة واحدة. التحدّيات الأساسية هي ضمان اتّساق المُخرَجات، والتحقّق من أن النموذج الصحيح استُخدِم فعلًا، وإدارة الكمون، وتنسيق المدفوعات. غالبًا ما تبني مشاريع الذكاء الاصطناعي للعملات المشفرة في فئة الذكاء الاصطناعي/الاستدلال بنيةً تحتيةً خصّيصًا لهذا الغرض.

كيف يمكن التحقّق من أن الاستدلال يحدث فعلًا؟

ابحث عن أدلّة Tier-1: نقاط نهاية API عامة يمكن اختبارها، ومعايير قياس كمون الاستدلال، وسجلّات الحوسبة، وسجلّات على السلسلة لطلبات الاستدلال ونتائجه، أو إثباتات قابلة للتحقّق (مثل تصديقات TEE أو إثباتات zkML). ادعاءات تسويقية مثل "مدعوم بالذكاء الاصطناعي" دون أيٍّ من هذه الأدلّة لا تشكّل دليلًا على استدلال حقيقي.

ما كلفة تشغيل الاستدلال؟

تعتمد الكلفة على حجم النموذج، وطول المدخل/المُخرَج، والعتاد، وتقنيات التحسين. يمكن أن يكلّف تشغيل استعلام واحد عبر نموذج لغوي كبير أجزاءً من السنت إلى عدّة سنتات حسب المزوّد وحجم النموذج. بالنسبة لشبكات الاستدلال اللامركزية، تُدفَع الكلفة عادةً لكل استعلام أو لكل وحدة حوسبة، غالبًا باستخدام الرمز الأصلي للشبكة أو عملة مستقرّة. اقتصاديات الاستدلال عامل أساسي في ما إذا كان خط أنابيب الذكاء الاصطناعي للمشروع مستدامًا على نطاق واسع.

انظر أيضًا

مراجع خارجية

Hugging Face — Inference Endpoints — بنية تحتية مُدارة لنشر النماذج وتشغيلها في الإنتاج.
Papers With Code — Inference — نتائج معايير قياس وطرائق للاستدلال الفعّال عبر أنواع النماذج.
Stanford HAI — AI Index Report — بيانات سنوية عن كلفة الاستدلال، واتجاهات العتاد، وأنماط النشر.
Google AI Blog — Efficient ML — بحث عن التكميم، والتقطير، وتقنيات تحسين الاستدلال الأخرى.
Wikipedia — Statistical inference — خلفية عن الأسس الإحصائية للاستدلال في تعلّم الآلة.