DeepSeek تفتح مصدر DeepInfer: ماذا يعني أن يصبح محرّك الاستدلال الإنتاجي متاحاً للجميع؟

في 20 أكتوبر 2026 أعلنت DeepSeek أنها فتحت مصدر DeepInfer، وهو محرّك الاستدلال الذي تشغّل به خدماتها الإنتاجية، وذلك بترخيص Apache 2.0. الخبر لا يتعلق بنموذج جديد، بل بالطبقة التي تقع بين النموذج والمستخدم: البرمجيات التي تحوّل الأوزان إلى استجابات سريعة ورخيصة. وهذه الطبقة هي التي تحدد في الواقع كم تدفع لكل رمز، وكم مستخدماً يخدمه الخادم الواحد. في هذا المقال نشرح ما الذي أُعلن، ولماذا يهم المطوّر، وأين تنتهي المعلومات المؤكدة وتبدأ الحاجة إلى الاختبار بنفسك.

ما هو DeepInfer؟

بحسب ما جاء في المستودع، فإن DeepInfer هو إطار الاستدلال الذي يقف خلف خدمات DeepSeek في بيئة الإنتاج، ويدعم عتاداً من إنفيديا وهواوي معاً. والمعلن أنه يستهدف نموذج DeepSeek-V4.1-Flash، ويدعم وحدات Nvidia SM100 ومعالجات Huawei Ascend 950 العصبية. وخلال ساعات تجاوز المستودع 4,700 نجمة على GitHub، وهو رقم يعكس الاهتمام لا الجودة.

المهم هنا كلمة "الإنتاجي". كثير من محركات الاستدلال المفتوحة تُبنى للبحث أو للعروض، أما أن تفتح شركة المحرّك الذي تخدم به عملاءها فعلاً فهذا يعني أن الشيفرة مرّت بضغط حقيقي، وإن كان ذلك لا يضمن أنها ستعمل بالسلاسة نفسها على عتادك أنت.

المزايا المعلنة

يذكر المستودع قائمة تقنية مكثفة. نلخصها هنا بلغة أبسط:

الميزة	ما تعنيه عملياً
نوى مخصصة (Custom kernels)	عمليات حسابية مكتوبة لعتاد محدد بدل الاعتماد على مكتبات عامة، وغالباً هي مصدر أكبر مكاسب السرعة
Attention DP/CP	توزيع حساب الانتباه بين وحدات المعالجة بالتوازي على البيانات أو على السياق الطويل
MoE expert-parallel	توزيع الخبراء في النماذج المختلطة الخبراء على أجهزة مختلفة بدل نسخها كلها
DSpark	فك ترميز تخميني يعتمد جدولة بحسب الثقة، فيُقبل التخمين السريع حين تكون الثقة عالية
جدولة دفعات غير متزامنة	إبقاء العتاد مشغولاً بدل انتظار اكتمال كل دفعة
استدلال ثابت النتيجة مع الدفعات	الحصول على المخرجات نفسها بغض النظر عن حجم الدفعة التي وقع فيها طلبك
أخذ عينات حتمي	إمكانية إعادة إنتاج النتيجة نفسها بالإعدادات نفسها
مخرجات منظمة	إلزام النموذج بصيغة محددة مثل regex وJSON وEBNF

محرّك الاستدلال هو الجزء الذي يحوّل نموذجاً جيداً إلى منتج اقتصادي، وهو الجزء الذي لا يظهر في معظم المقارنات.

لماذا تهم الحتمية وثبات النتيجة؟

معظم المطورين يتعاملون مع النماذج كصندوق احتمالي، فإذا اختلفت المخرجات بين تشغيلين اعتبروا ذلك طبيعياً. لكن في بناء الوكلاء والاختبارات الآلية يصبح هذا الاختلاف مشكلة حقيقية. فحين لا تعرف إن كان الفشل سببه تغيّراً في شيفرتك أم تغيّراً عشوائياً في المخرجات، يصعب عليك تتبع الأخطاء.

وهناك سبب خفي يجعل النتائج تتغير حتى مع درجة حرارة صفرية: طريقة تجميع الطلبات في دفعات. فإذا تغيّر حجم الدفعة تغيّر ترتيب العمليات الحسابية العشرية، فتتغير الأرقام الصغيرة، فيتغير الرمز المختار أحياناً. ولهذا فإن ميزة الاستدلال ثابت النتيجة مع الدفعات (batch-invariant) تستحق الانتباه، لأنها تعالج هذا المصدر تحديداً، وإن كان لها ثمن في السرعة يجب قياسه.

المخرجات المنظمة: لماذا هي مهمة للوكلاء؟

دعم regex وJSON وEBNF داخل المحرّك يعني أن الصيغة تُفرض أثناء التوليد لا بعده. والفرق كبير: في الطريقة التقليدية تطلب من النموذج إخراج JSON ثم تتحقق وتعيد المحاولة إن فشل، وفي الطريقة المقيدة لا يستطيع النموذج أصلاً اختيار رمز يكسر الصيغة. النتيجة وكلاء أقل أعطالاً وكلفة أقل، لأنك لا تدفع ثمن المحاولات الفاشلة.

البعد الجيوسياسي: عتاد إنفيديا وهواوي معاً

دعم Ascend 950 إلى جانب SM100 ليس تفصيلاً تقنياً فقط. فمعظم أدوات الاستدلال المفتوحة بُنيت أولاً حول CUDA وتعاملت مع العتاد الآخر كخيار ثانوي. أما أن يصدر محرّك إنتاجي يعمل على العتادين فهذا يعطي مطوري المناطق التي يصعب فيها الحصول على بطاقات إنفيديا مساراً بديلاً. ومع ذلك لا ينبغي افتراض تكافؤ الأداء، فالمستودع لم يقدّم لنا في المصادر التي راجعناها مقارنة مستقلة بين المنصتين.

ماذا يعني هذا للمطوّر العربي؟

النقاط العملية:

1. من يشغّل نماذجه بنفسه: إذا كانت لديك بنية خاصة وتخدم نماذج DeepSeek، فهذا المحرّك هو الأقرب إلى الطريقة التي تشغّلها بها الشركة نفسها، ويستحق مقارنته بمحركك الحالي.
2. من يعتمد على واجهات برمجية: لن تتغير حياتك مباشرة، لكن انتشار محركات بهذا المستوى يضغط الأسعار على المدى المتوسط.
3. من يبني بحثاً أو أبحاثاً: الشيفرة المفتوحة لتقنيات مثل الجدولة بحسب الثقة مادة تعلم ممتازة.
4. من يهتم بالامتثال: ترخيص Apache 2.0 متساهل ويسمح بالاستخدام التجاري، لكن اقرأ ترخيص أوزان النموذج بشكل منفصل، فترخيص المحرّك لا يحدد حقوقك في الأوزان.

كيف تقيّمه قبل الاعتماد عليه؟

لا تعتمد على عدد النجوم. اتبع خطوات قصيرة:

• شغّله على نموذج صغير أولاً وتأكد من أن البناء يعمل على عتادك، فكثير من المحركات تفترض إصدارات محددة من التعريفات والمكتبات.
• قس الأداء بحمل يشبه حمل تطبيقك: أطوال مدخلات ومخرجات حقيقية، لا اختبارات اصطناعية.
• قارن ثلاثة أرقام: زمن أول رمز، والرموز في الثانية لكل مستخدم، وإجمالي الإنتاجية للخادم.
• جرّب ميزة الحتمية وقس ثمنها في السرعة، ثم قرر إن كنت تحتاجها في الاختبارات فقط أم في الإنتاج.
• راجع نشاط المستودع بعد أسبوعين: وتيرة الإصلاحات وردود المشرفين أصدق من يوم الإطلاق.

متى لا يناسبك؟

إن كان استهلاكك صغيراً ويكفيك استدعاء واجهة برمجية مدفوعة، فتشغيل محرك استدلال بنفسك يضيف أعباء صيانة ومراقبة وتحديث تعريفات لا تستحقها. المحركات المفتوحة تفيد حين يكون حجم الطلبات كبيراً بما يكفي ليظهر فرق الكلفة، أو حين تحتاج إلى سيطرة كاملة على البيانات والمكان الذي تعالج فيه.

تحفظات مهمة

كل ما سبق مأخوذ من وصف المستودع والإعلانات المرافقة، ولم نجرّب المحرّك بأنفسنا. ولم نجد أرقام أداء مستقلة. كما أن "يعمل في إنتاج DeepSeek" لا يعني أنه سهل التركيب خارجها، فالأنظمة الإنتاجية الكبرى غالباً ترتبط ببنية الشركة وأدواتها الداخلية، وقد تحتاج النسخة المفتوحة إلى جهد لتكييفها. تعامل مع الإعلان كدعوة للتجربة، لا كوعد بنتيجة جاهزة.

أسئلة شائعة

هل DeepInfer يعمل مع نماذج غير نماذج DeepSeek؟

المعلن أنه يستهدف DeepSeek-V4.1-Flash. دعم نماذج أخرى غير مؤكد من المصادر التي راجعناها، فتحقق من وثائق المستودع قبل التخطيط.

هل الترخيص يسمح بالاستخدام التجاري؟

ترخيص Apache 2.0 للمحرّك يسمح بذلك عموماً مع الحفاظ على الإشعارات. أما أوزان النماذج فلها ترخيص مستقل يجب قراءته.

هل أحتاج عتاداً خاصاً؟

المعلن دعم Nvidia SM100 وHuawei Ascend 950. إن كان عتادك مختلفاً فاختبر التوافق أولاً ولا تفترضه.

الخلاصة

فتح DeepInfer خطوة مهمة لأنه يكشف الطبقة الأقل ظهوراً في عالم الذكاء الاصطناعي: محرك الاستدلال الذي يقرر الكلفة والسرعة والاستقرار. ما نعرفه حتى الآن يشمل ترخيصاً متساهلاً، ودعماً لعتادين، وميزات متقدمة مثل الجدولة بحسب الثقة والمخرجات المنظمة والحتمية. وما لا نعرفه بعد هو الأداء المستقل وسهولة التركيب خارج بيئة DeepSeek. فإن كنت تشغّل نماذجك بنفسك فجرّبه على حملك الحقيقي، وإلا فراقب ما سيستفيده منه الآخرون من أفكاره في الأشهر القادمة.

المصادر: AI Weekly، LLM Stats.