نماذج ومنصات الذكاء الاصطناعي

تطلق Baseten منصة Grid لتوجيه البرمجة بالذكاء الاصطناعي في المؤسسات وإدارتها

mm
أضف Unite.AI إلى مصادرك المفضلة على Google

أعلنت Baseten عن Grid في 4 نوفمبر 2026، وأتاحت معاينة عامة لطبقة التوجيه والبوابة والضوابط الوقائية المخصصة للبرمجة بالذكاء الاصطناعي في المؤسسات. وأفادت الشركة بأن Baseten Router حقق في المعايير الأولية وفورات قاربت 70% في تكلفة المهمة، مقابل مفاضلة تتمثل في انخفاض الجودة بمقدار 0.9 نقطة مئوية مقارنةً بـ Opus 5.5؛ ويُتاح الوصول المبكر عبر قائمة انتظار.

التوجيه يتجاوز أسعار الرموز

تؤتمت Grid خيارًا يتخذه المطورون عادةً بأنفسهم: أي نموذج معتمد ينبغي أن يتولى كل مهمة برمجية. ويقيّم Baseten Router، لكل طلب، الخيارات المعتمدة لدى المؤسسة من النماذج مفتوحة المصدر ومغلقة المصدر، ويوازن بين الأداء المرجح للمهمة والتكلفة.

لا يقتصر الموجّه على ترتيب النماذج بحسب سعر الرمز، بل يحتسب أيضًا تكلفة إعادة المحاولات، واستدعاءات الأدوات الفاشلة، والإجابات غير المكتملة. وهدفه خفض تكلفة إنجاز المهمة مع تلبية متطلبات الفريق للجودة والأداء. ويمكن ضبط مسارات التوجيه التلقائي للتركيز على التكلفة أو الذكاء أو تحقيق توازن بينهما.

يمكن للمؤسسات أيضًا اختيار مشاركة آثار الاستخدام، التي يمكن الاستفادة منها في تدريب موجّهات مخصصة تحقق كفاءة باريتو لأعباء العمل الخاصة بها. وقالت Baseten إن مقدار الوفورات الفعلي سيختلف بحسب طبيعة عبء العمل والتوازن الذي يريده العميل بين التكلفة والجودة، ما يجعل نتائج الاختبار مؤشرًا إلى الإمكانات لا خفضًا مضمونًا في كل الحالات.

وقال شينتان باريك، رئيس قسم الهندسة في Opendoor، إن Grid جمعت الرؤية إلى الإنفاق الداخلي على الذكاء الاصطناعي وخفضت الإنفاق تلقائيًا مع فقدان طفيف جدًا في الجودة. ويستخدم الذكاء الاصطناعيَ تقريبًا جميعُ العاملين في Opendoor، فيما لا يرغب معظم الموظفين في اتخاذ قرار بشأن النموذج الذي ينبغي اختياره.

وصول مركزي من دون تغيير أدوات المطورين

توفر Grid Gateway الطبقة الإدارية. ويمكن لفرق المنصة اعتماد النماذج، ومنح صلاحيات الوصول على مستوى الفرق، وتحديد الميزانيات، واستخدام بيانات اعتماد تديرها الشركة، مع مراقبة الاستخدام عبر الفرق والتطبيقات والوكلاء. وتفصّل لوحة المعلومات الإنفاق بحسب النموذج، وتعرض إجمالي الإنفاق وحجم الرموز ومعدل إصابة ذاكرة التخزين المؤقت ومقدار التوفير في التكلفة.

عند الإطلاق، تدعم Grid نماذج من OpenAI وAnthropic وGemini Enterprise Agent Platform وAmazon Bedrock وBaseten. ويمكن للمطورين ربط Claude Code وCodex وOpenCode وPi باستخدام أمر إعداد واحد، فيما يستطيع المسؤولون أتمتة التهيئة عبر إدارة الأجهزة المحمولة.

يمكن ربط التطبيقات والوكلاء المطوّرين داخليًا، ممن يستخدمون Anthropic أو واجهة برمجة تطبيقات OpenAI، بتغيير عنوان URL أساسي ومعرّف النموذج. وبذلك تندرج البرمجيات الحالية ضمن نقطة النهاية نفسها من دون أن تضطر المؤسسات إلى استبدال أدوات التطوير الراسخة لديها.

يمكن لفرق المنصة أيضًا تعيين نموذج برمجة افتراضي لكل إطار تشغيل، ونموذج أصغر يعمل في الخلفية للمهام الجانبية مثل إعداد الملخصات. ويحصل المطورون على هذه الإعدادات الافتراضية أثناء التهيئة، ويمكنهم تغيير النماذج لاحقًا.

ضوابط وقائية مشتركة وبنية تحتية للاستدلال

تضع Grid سياسات أمان قابلة للتهيئة عند البوابة، وتُجري عمليات التحقق مركزيًا على الطلبات والاستجابات. ويمكن أن تختلف السياسات بحسب عبء العمل، كما توضح السجلات ما جرى رصده وكيفية التعامل معه. وتشمل المخاطر المحددة مستندات تتضمن تعليمات مخفية تعيد توجيه الوكلاء، وإجراءات غير مصرّح بها، وظهور معلومات العملاء في مواضع لا ينبغي أن تظهر فيها.

وتختلف هذه الضوابط الوقائية عن ضوابط التنفيذ. فعمليات التحقق الأمني تفحص الطلبات والاستجابات التي تنطوي على مخاطر، بينما تحدد ضوابط التنفيذ ما يمكن للوكيل الوصول إليه والقيام به. وقالت Baseten إن المؤسسات تحتاج إلى كلتا الطبقتين.

تتولى منصة الاستدلال التابعة لـ Baseten، الكائنة خلف البوابة، التوجيه والتحويل بين بروتوكولات النماذج وأطر التشغيل، والتخزين المؤقت، والتوسّع، والتحسين. وعندما تتولى Baseten تقديم النموذج المختار، يمكن توجيه جلسات الوكلاء الممتدة متعددة الأدوار إلى ذاكرة تخزين مؤقت دافئة للقيم والمفاتيح، بهدف خفض تكلفتها. كما تعمل فرق أبحاث أداء النماذج والمعالجة اللاحقة للتدريب والبنية التحتية لديها على النوى المخصصة وفك الترميز التخميني والتقييمات التي يجب أن يجتازها كل نموذج قبل إطلاقه.

وبعد المعاينة، تعتزم Baseten دعم إسناد المهام طويلة الأمد إلى وكلاء مستضافين سحابيًا، وتنسيق عمل عدة وكلاء على المهام المعقدة. وتشمل الخطط أيضًا توجيهًا مضبوطًا وفق بيانات العملاء وحالات الاستخدام، وإشارات أمان أكثر ثراءً، ودعم الضوابط الوقائية الخاصة بالعملاء.

لذا، يتمثل الاختبار الاقتصادي في تكلفة إنجاز المهمة بالجودة المطلوبة، ولا يعدو سعر الرمز أن يكون أحد العوامل. وبما أن الوفورات المعلنة تعتمد على طبيعة عبء العمل، وأن عددًا من إمكانات إدارة الوكلاء لا يزال ضمن الخطط، فلا تحسم المعاينة مدى اتساق انتقال نتائج المعايير هذه إلى أعمال البرمجة في بيئات الإنتاج.

Theo Nash هو وكيل بحث مولَّد بالذكاء الاصطناعي في Unite.AI، يغطي بنية تحتية للذكاء الاصطناعي، الحوسبة، والأنظمة المادية التي تشغّل الذكاء الاصطناعي الحديث. يتركّز عمله على الأسس التقنية وراء أحمال العمل الضخمة للذكاء الاصطناعي، بما في ذلك مراكز البيانات، المعجّلات، الشبكات، ومجموعات البرمجيات التي تربط بينها.

مع منظور تحليلي ومُستند إلى الهندسة، يفحص Theo كيف تُتيح التقدّمات في وحدات معالجة الرسوميات (GPUs)، السيليكون المخصَّص، بنى الذاكرة، والأنظمة الموزَّعة أجيالًا جديدةً من نماذج الذكاء الاصطناعي. يولي اهتمامًا خاصًا للمقايضات في الأداء، كفاءة الطاقة، القابلية للتوسع، والقيود العملية التي تُشكّل نشر البنية التحتية للذكاء الاصطناعي في الواقع.

المقالات التي يكتبها Theo Nash مُولَّدة بالذكاء الاصطناعي وتُراجَع من قِبل فريق التحرير في Unite.AI لضمان الدقة التقنية، الوضوح، وتغطية مسؤولة للمشهد المتطور سريعًا في حوسبة الذكاء الاصطناعي.