الذكاء الاصطناعي المفتوح أم المغلق؟ ما الفرق وأيهما أفضل للمستخدم؟

 الذكاء الاصطناعي المفتوح أم المغلق؟ ما الفرق وأيهما أفضل للمستخدم؟

عندما تستخدم ChatGPT أو Gemini أو أحد نماذج الذكاء الاصطناعي التي تعمل محليًا على الكمبيوتر، قد تبدو التجربة متشابهة من الخارج:

تكتب سؤالًا، وتحصل على إجابة.

لكن خلف الشاشة توجد اختلافات كبيرة جدًا في الطريقة التي تتيح بها الشركات نماذجها للمستخدمين والمطورين.

بعض النماذج تعمل كخدمة مغلقة؛ تستخدمها عبر تطبيق أو واجهة API دون الحصول على النموذج نفسه.

وفي المقابل توجد نماذج يمكن تنزيل أوزانها وتشغيلها على جهازك أو خادمك وتعديلها بما تسمح به الرخصة.

ولهذا نسمع اليوم مصطلحات مثل:

Closed Models — النماذج المغلقة

و:

Open Models أو Open-Weight Models — النماذج المفتوحة أو مفتوحة الأوزان.

وفي 2026 أصبحت المنافسة بين هذين الاتجاهين أكثر أهمية، مع استمرار Google في تطوير عائلة Gemma المفتوحة، ووجود نماذج مفتوحة الأوزان من شركات أخرى يمكن تشغيلها على البنية التحتية الخاصة بالمستخدم.

 

أولًا: ما هو النموذج المغلق؟

النموذج المغلق هو نموذج تسيطر الشركة المطورة على تشغيله والوصول المباشر إليه.

عادة تستخدمه من خلال:

تطبيق، موقع إلكتروني أو API.

لكن لا تقوم بتنزيل أوزان النموذج نفسها وتشغيلها كما تريد على جهازك.

الميزة الأساسية هنا أن الشركة تتولى:

البنية التحتية، التحديثات، التحسينات، الصيانة وجزءًا كبيرًا من الحماية التقنية.

وبالنسبة للمستخدم العادي، هذا يجعل التجربة سهلة جدًا:

افتح الخدمة واستخدمها.

لا تحتاج إلى تثبيت نموذج ضخم أو إدارة خادم أو التفكير في متطلبات الأجهزة.

وما هو النموذج مفتوح الأوزان؟

النموذج Open-Weight يتيح أوزان النموذج المدربة بحيث يستطيع المطور تنزيلها وتشغيلها على البنية التحتية التي يختارها، وفق شروط الترخيص.

OpenAI مثلًا توفر نماذج gpt-oss مفتوحة الأوزان يمكن تشغيلها على بنية يسيطر عليها المستخدم وتكييفها باستخدام أدوات مفتوحة، وتُطرح بترخيص Apache 2.0. 

أما Google فتقدم عائلة Gemma كنماذج مفتوحة وخفيفة يمكن تشغيلها على الأجهزة أو الخدمات المستضافة وتخصيصها لمهام مختلفة. 

لكن هنا توجد نقطة مهمة جدًا.

“مفتوح” لا يعني دائمًا “مفتوح المصدر بالكامل”

هذه من أكثر النقاط التي تسبب التباسًا.

في البرمجيات التقليدية، عندما نقول:

Open Source

نتوقع عادة أن يكون الكود متاحًا وفق رخصة مفتوحة.

أما نماذج الذكاء الاصطناعي فالموضوع أعقد.

قد تنشر الشركة:

أوزان النموذج.

لكنها قد لا تنشر بالضرورة:

جميع بيانات التدريب، كل تفاصيل عملية التدريب أو البنية التحتية المستخدمة لإنتاجه.

ولهذا يُفضّل في حالات كثيرة استخدام مصطلح:

Open-Weight Model

بدل وصف كل نموذج متاح للتنزيل بأنه “مفتوح المصدر بالكامل”.

وقد ظهر هذا الفرق بوضوح في 2026 مع إعلانات عن نماذج تنشر ليس فقط الأوزان، بل أيضًا بيانات التدريب والكود ومنهجية التطوير، وهو مستوى أوسع من الانفتاح. 

مثال بسيط لفهم الفرق

تخيل مطعمًا.

النموذج المغلق يشبه مطعمًا تطلب منه الوجبة جاهزة.

أنت تستخدم النتيجة، لكنك لا تحصل على المطبخ أو الوصفة الكاملة.

أما النموذج مفتوح الأوزان فيشبه حصولك على جزء أساسي من طريقة صنع الوجبة بحيث تستطيع تشغيلها وتعديلها بنفسك، لكن هذا لا يعني دائمًا أنك حصلت على كل ما استخدمه المطعم لتطوير الوصفة من البداية.

وهذا هو سبب أهمية قراءة نوع الترخيص وما الذي نُشر فعلًا.

لماذا يفضل البعض النماذج المفتوحة؟

1. التحكم

يمكن تشغيل النموذج على الخادم أو الجهاز الذي تختاره.

وهذا يعطي المؤسسات تحكمًا أكبر في البنية التحتية.

OpenAI تضع الاختيار والتحكم ومكان استضافة النموذج ضمن أبرز فوائد نماذجها المفتوحة الأوزان. 

2. التخصيص

يمكن تعديل النموذج أو Fine-Tune له ليتناسب مع مهمة معينة، وفق الرخصة والأدوات المتاحة.

مثل:

مساعد متخصص للشركة، نموذج للتصنيف، أو نظام يعمل بأسلوب محدد.

3. التشغيل المحلي

يمكن لبعض النماذج المفتوحة العمل على الكمبيوتر نفسه.

وهذا يعني أن بعض الاستخدامات يمكن تنفيذها دون الاعتماد الدائم على اتصال بخدمة سحابية.

Google توضح أن Gemma يمكن تشغيلها على الأجهزة والخدمات المستضافة وتخصيصها لمهام محددة. 

4. تقليل الاعتماد على مزود واحد

إذا كان النموذج يعمل على بنيتك التحتية، تصبح لديك حرية أكبر في تغيير مزود الاستضافة أو الأدوات المحيطة به.

وهذا مهم جدًا للشركات.

وماذا عن الخصوصية؟

هذا أحد أهم أسباب الاهتمام بالنماذج المحلية.

إذا كان النموذج يعمل داخل جهازك أو بيئة الشركة، يمكن لبعض البيانات أن تبقى داخل تلك البيئة بدل إرسالها إلى خدمة خارجية.

لكن كلمة محلي لا تعني تلقائيًا أن كل شيء آمن.

يظل الأمان يعتمد على:

إعداد الجهاز، صلاحيات المستخدمين، البرامج المستخدمة، وحماية البيانات نفسها.

إذن:

النموذج المفتوح يمكن أن يمنحك تحكمًا أكبر في الخصوصية، لكنه يمنحك أيضًا مسؤولية أكبر عن حمايتها.

لماذا يفضل البعض النماذج المغلقة؟

لأن التحكم ليس دائمًا ما يحتاجه المستخدم.

أحيانًا يريد الشخص فقط:

أفضل نتيجة بأقل تعقيد ممكن.

وهنا تكون الخدمة المغلقة جذابة.

فالشركة تتولى تشغيل النموذج وصيانته وتحديثه.

ولا تحتاج إلى شراء GPU أو إعداد بيئة تشغيل أو متابعة مشكلات التوافق.

كما يمكن للنموذج السحابي الكبير أن يمتلك قدرات لا يمكن تشغيلها بسهولة على جهاز شخصي.

من يهتم بالتكلفة؟

من السهل التفكير أن تنزيل نموذج مفتوح يعني:

مجاني.

لكن هذا ليس صحيحًا دائمًا.

قد تكون أوزان النموذج متاحة دون رسوم ترخيص معينة، لكن تشغيلها يحتاج إلى:

GPU، كهرباء، ذاكرة، استضافة، تخزين وصيانة.

OpenAI توضح أن الاستضافة الذاتية قد تكون أوفر في بعض الاستخدامات، بينما يمكن أن تكون الخدمات المستضافة أكثر كفاءة عندما تُحسب تكاليف الأجهزة والصيانة والتحديثات. 

إذن التكلفة الصحيحة ليست:

سعر النموذج فقط.

بل:

تكلفة تشغيل النظام كاملًا.

ماذا لو كان لدي كمبيوتر عادي؟

هنا يظهر سبب أهمية النماذج الأصغر.

ليس كل نموذج مفتوح يحتاج إلى مركز بيانات.

في 2026 استمر الاتجاه نحو نماذج أصغر يمكن تشغيلها على أجهزة شخصية قوية، مثل بعض نماذج Gemma وغيرها من النماذج المصممة للتشغيل المحلي. 

وهذا يرتبط مباشرة بموضوعينا السابقين:

SLM وAI PC.

كلما أصبحت الأجهزة أقوى والنماذج أصغر وأكثر كفاءة، أصبح تشغيل الذكاء الاصطناعي محليًا أكثر واقعية.

هل النموذج المفتوح أضعف دائمًا؟

لا.

الفجوة بين بعض النماذج المفتوحة والمغلقة تتغير باستمرار.

وقد تكون بعض النماذج المفتوحة قوية جدًا في مهام محددة.

لكن من الخطأ أيضًا القول إن:

المفتوح دائمًا أفضل.

فالنتيجة تعتمد على:

نوع المهمة، حجم النموذج، طريقة التدريب، الجهاز والتخصيص.

لهذا يجب مقارنة النماذج على الاستخدام الحقيقي وليس على اسم الفئة فقط.

هل المفتوح أكثر شفافية؟

أحيانًا، لكن ليس بالضرورة بالكامل.

إتاحة الأوزان تعطي الباحثين والمطورين قدرة أكبر على فحص النموذج وتعديله.

لكن إذا لم تُنشر بيانات التدريب أو تفاصيل التطوير كاملة، فتبقى أجزاء من عملية إنشاء النموذج غير متاحة.

ولهذا توجد درجات متعددة من الانفتاح:

واجهة API فقط

ثم:

أوزان متاحة

ثم:

أوزان + كود

ثم مستوى أوسع قد يشمل:

الكود + الأوزان + بيانات التدريب + تفاصيل العملية.

كلما زادت المكونات المنشورة، زادت إمكانية إعادة التجربة وفهم كيفية بناء النموذج.

وهل النموذج المغلق أكثر أمانًا؟

ليس بالضرورة لمجرد أنه مغلق.

الأمان يعتمد على عوامل كثيرة.

لكن الشركات التي تشغل نموذجًا مركزيًا تستطيع تطبيق التحديثات والسياسات الأمنية على الخدمة كلها بصورة مباشرة.

أما في النموذج المفتوح، يستطيع كل مستخدم تشغيل نسخة مختلفة أو تعديلها.

وهذا يمنح مرونة أكبر، لكنه يعني أيضًا أن المسؤولية عن طريقة النشر والاستخدام تقع بدرجة أكبر على الجهة التي تشغل النموذج.

لماذا تهتم الشركات بالنماذج المفتوحة؟

لسبب مهم جدًا:

السيادة والتحكم.

قد لا ترغب شركة في وضع بعض بياناتها الحساسة داخل خدمة خارجية.

وقد تحتاج إلى نموذج يعمل داخل مركز البيانات الخاص بها.

أو قد تريد تخصيصه بصورة لا تسمح بها الخدمة الجاهزة.

ولهذا أصبحت النماذج المفتوحة مهمة جدًا في:

الأنظمة المؤسسية، البحث، التطبيقات المحلية والحلول المتخصصة.

ما هي Gemma؟

Gemma هي عائلة من النماذج المفتوحة التي طورتها Google اعتمادًا على تقنيات من أبحاثها في Gemini.

وتوفر Google عدة نسخ لمهام مختلفة، تشمل نماذج عامة ومتخصصة، مع إمكانية تشغيلها على الأجهزة أو الخدمات المستضافة وتخصيصها. 

وفي 2026 أطلقت Google Gemma 4 إلى جانب نسخ أخرى مثل TranslateGemma وMedGemma، ما يوضح اتجاه الصناعة نحو عائلات كاملة من النماذج العامة والمتخصصة. 

وماذا عن OpenAI؟

إلى جانب نماذجها المستضافة، توفر OpenAI أيضًا عائلة gpt-oss المفتوحة الأوزان.

توجد منها إصدارات بأحجام مختلفة يمكن تشغيلها على بنية خاصة بالمستخدم، مع إمكانية التخصيص والتعديل وفق الترخيص. 

وهذه نقطة مهمة لأنها توضح أن الصناعة لم تعد تنقسم ببساطة إلى:

شركة مفتوحة ضد شركة مغلقة.

الشركة نفسها قد تقدم:

نماذج سحابية مغلقة + نماذج مفتوحة الأوزان.

هل المستقبل سيكون مفتوحًا أم مغلقًا؟

الأرجح أنه سيكون مزيجًا بين الاثنين.

قد تستخدم نموذجًا صغيرًا مفتوحًا على جهازك للمهام الخاصة والسريعة.

ثم تستخدم نموذجًا سحابيًا ضخمًا عندما تحتاج إلى قدرات أكثر تعقيدًا.

وقد يقوم التطبيق باختيار النموذج تلقائيًا دون أن تشعر.

مثال:

المهمة البسيطة → نموذج محلي

المهمة المتخصصة → نموذج مخصص

المهمة المعقدة جدًا → نموذج سحابي قوي

وهذا يشبه مفهوم Model Routing الذي تحدثنا عنه في مقال النماذج الصغيرة.

أيهما أفضل للمستخدم العادي؟

إذا كنت تريد:

سهولة الاستخدام، عدم التعامل مع الإعدادات، تحديثات تلقائية وقدرات قوية مباشرة،

فغالبًا ستكون الخدمات المستضافة أسهل.

أما إذا كنت تهتم بـ:

التشغيل المحلي، التجربة، التخصيص، التحكم في مكان البيانات أو تطوير تطبيقات خاصة،

فقد تكون النماذج المفتوحة الأوزان أكثر إثارة للاهتمام.

إذن لا توجد إجابة واحدة تقول:

المفتوح أفضل.

أو:

المغلق أفضل.

السؤال الصحيح هو:

أفضل لأي استخدام؟

متى أختار نموذجًا مفتوحًا؟

فكر فيه عندما تحتاج إلى:

تشغيل محلي، تحكم أكبر، تخصيص عميق، بيئة خاصة أو تجربة بحثية.

ومتى أستخدم النموذج المغلق؟

عندما تكون الأولوية لـ:

سهولة الاستخدام، قدرات متقدمة جاهزة، عدم إدارة البنية التحتية، والحصول على تحديثات مباشرة من مزود الخدمة.

هل سيعرف المستخدم مستقبلًا نوع النموذج الذي يعمل؟

ربما لن يهتم معظم الناس.

اليوم لا يسأل المستخدم عادة:

أي خادم نفذ عملية البحث؟

وفي المستقبل قد لا يسأل:

هل استخدم التطبيق نموذجًا مفتوحًا أم مغلقًا؟

قد يقول فقط:

لخص المستند.

ويتولى النظام اختيار النموذج الذي يحقق أفضل توازن بين:

الخصوصية، السرعة، التكلفة والجودة.

وهنا تصبح النماذج جزءًا من البنية الداخلية التي لا يراها المستخدم.

الخلاصة

الاختلاف بين الذكاء الاصطناعي المفتوح والمغلق ليس مسابقة بسيطة لمعرفة أيهما “أفضل”.

النماذج المغلقة تمنح المستخدم تجربة جاهزة ومريحة وتترك إدارة البنية التحتية للشركة.

أما النماذج المفتوحة الأوزان فتعطي المطور والمؤسسة تحكمًا أكبر في التشغيل والتخصيص ومكان معالجة البيانات.

وفي 2026 أصبح واضحًا أن الاتجاهين سيستمران معًا بدل أن يقضي أحدهما على الآخر. فهناك شركات تقدم نماذج سحابية قوية، وفي الوقت نفسه تزداد عائلات النماذج المفتوحة مثل Gemma وgpt-oss انتشارًا. 

لذلك قد يكون السؤال الأهم ليس:

هل النموذج مفتوح أم مغلق؟

بل:

ما مقدار التحكم الذي أحتاج إليه، وما الذي أنا مستعد لإدارته بنفسي؟