ما هو الذكاء الاصطناعي مفتوح المصدر

ما هو الذكاء الاصطناعي مفتوح المصدر؟

يُنظر إلى الذكاء الاصطناعي مفتوح المصدر على أنه مفتاح سحري يفتح كل شيء. وهو ليس كذلك. ولكنه طريقة عملية وسهلة لبناء أنظمة ذكاء اصطناعي يمكنك فهمها وتحسينها وطرحها دون الحاجة إلى توسّل البائع. إذا كنت تتساءل عمّا يُعتبر "مفتوح المصدر"، وما هو التسويق فقط، وكيفية استخدامه فعليًا في العمل، فأنت في المكان المناسب. تفضل بشرب فنجان من القهوة - سيكون هذا مفيدًا، وربما يحمل بعض الآراء ☕🙂.

مقالات قد ترغب في قراءتها بعد هذه المقالة:

🔗 كيفية دمج الذكاء الاصطناعي في عملك
خطوات عملية لدمج أدوات الذكاء الاصطناعي لتحقيق نمو أعمال أكثر ذكاءً.

🔗 كيفية استخدام الذكاء الاصطناعي لزيادة الإنتاجية
اكتشف سير عمل الذكاء الاصطناعي الفعّالة التي توفر الوقت وتعزز الكفاءة.

🔗 ما هي مهارات الذكاء الاصطناعي
تعرف على الكفاءات الأساسية في مجال الذكاء الاصطناعي والتي تعد ضرورية للمهنيين المستعدين للمستقبل.

🔗 ما هو Google Vertex AI؟
تعرف على تقنية Vertex AI من Google وكيفية تبسيط التعلم الآلي.

ما هو الذكاء الاصطناعي مفتوح المصدر؟ 🤖🔓

في أبسط صوره، يعني الذكاء الاصطناعي مفتوح المصدر أن مكونات نظام الذكاء الاصطناعي - الكود، وأوزان النماذج، وخطوط أنابيب البيانات، ونصوص التدريب، والتوثيق - تُصدر بموجب تراخيص تتيح لأي شخص استخدامها ودراستها وتعديلها ومشاركتها، بشروط معقولة. وتنبع هذه الحرية الجوهرية من تعريف المصدر المفتوح ومبادئه الراسخة المتعلقة بحرية المستخدم [1]. أما الميزة الجديدة في الذكاء الاصطناعي فهي أن مكوناته تتجاوز مجرد الكود.

بعض المشاريع تنشر كل شيء: الكود، ومصادر بيانات التدريب، والوصفات، والنموذج المُدرَّب. بينما تُصدر مشاريع أخرى الأوزان فقط بترخيص مُخصَّص. يستخدم النظام البيئي أحيانًا اختصارات غير دقيقة، لذا دعونا نُنظِّمه في القسم التالي.

الذكاء الاصطناعي مفتوح المصدر مقابل الأوزان المفتوحة مقابل الوصول المفتوح 😅

هذا هو المكان الذي يتحدث فيه الناس مع بعضهم البعض.

  • الذكاء الاصطناعي مفتوح المصدر - يتبع المشروع مبادئ المصدر المفتوح في جميع جوانبه. يخضع الكود لرخصة معتمدة من OSI، وتسمح شروط التوزيع بالاستخدام والتعديل والمشاركة على نطاق واسع. يعكس هذا المفهوم ما تصفه OSI: حرية المستخدم تأتي أولاً [1][2].

  • الأوزان المفتوحة - يمكن تنزيل أوزان النماذج المُدرَّبة (غالبًا مجانًا) ولكن بشروط مُخصصة. سترى شروط الاستخدام، وحدود إعادة التوزيع، وقواعد إعداد التقارير. توضح عائلة لاما في ميتا هذا: نظام الكود مفتوح المصدر تقريبًا، لكن أوزان النماذج تُشحن بموجب ترخيص مُحدد بشروط استخدام مُحددة [4].

  • الوصول المفتوح - يمكنك الوصول إلى واجهة برمجة التطبيقات (API)، ربما مجانًا، ولكنك لا تحصل على الأوزان. مفيد للتجريب، ولكنه ليس مفتوح المصدر.

لا يقتصر الأمر على الدلالات فحسب، بل تتغير حقوقك ومخاطرك باختلاف هذه الفئات. ويوضح العمل الحالي لـ OSI في مجال الذكاء الاصطناعي والانفتاح هذه الفروق الدقيقة بلغة واضحة [2].

ما الذي يجعل الذكاء الاصطناعي مفتوح المصدر جيدًا بالفعل ✅

دعونا نكون سريعين وصادقين.

  • إمكانية التدقيق - يمكنك قراءة الكود، وفحص وصفات البيانات، وتتبع خطوات التدريب. هذا يُساعد في الامتثال، ومراجعات السلامة، والفضول التقليدي. يُشجع إطار عمل إدارة مخاطر الذكاء الاصطناعي التابع للمعهد الوطني للمعايير والتكنولوجيا (NIST) على ممارسات التوثيق والشفافية التي يُمكن للمشاريع المفتوحة تلبيتها بسهولة أكبر [3].

  • القدرة على التكيف - لستَ مُقيّدًا بخطة البائع. طوّرها، عدّلها، اشحنها. ليغو، وليس بلاستيكًا مُلصقًا.

  • التحكم في التكلفة - استضافة ذاتية عندما يكون ذلك أرخص. الانتقال إلى السحابة عندما لا يكون ذلك ممكنًا. مزج وتنسيق الأجهزة.

  • سرعة التفاعل - تُصلح الأخطاء، وتُنشر الميزات، وتتعلم من زملائك. فوضوية؟ أحيانًا. منتجة؟ غالبًا.

  • وضوح الحوكمة - التراخيص المفتوحة الحقيقية قابلة للتنبؤ. قارن ذلك بشروط خدمة واجهة برمجة التطبيقات (API) التي تتغير بهدوء يوم الثلاثاء.

هل هو مثالي؟ لا. لكن التنازلات واضحة - أكثر مما تحصل عليه من العديد من الخدمات غير الموثوقة.

مجموعة الذكاء الاصطناعي مفتوحة المصدر: الكود، والأوزان، والبيانات، والغراء 🧩

تخيل مشروع ذكاء اصطناعي كطبق لازانيا مميز. طبقات في كل مكان.

  1. الأطر وبيئات التشغيل - أدوات لتحديد النماذج وتدريبها وتقديمها (مثل PyTorch وTensorFlow). المجتمعات والوثائق السليمة أهم من العلامات التجارية.

  2. هندسة النماذج - المخطط التفصيلي: المحولات، نماذج الانتشار، الإعدادات المعززة بالاسترجاع.

  3. الأوزان - المعلمات المُكتسبة أثناء التدريب. يعتمد "المفتوح" هنا على حقوق إعادة التوزيع والاستخدام التجاري، وليس فقط إمكانية التنزيل.

  4. البيانات والوصفات - نصوص التحرير، الفلاتر، الإضافات، جداول التدريب. الشفافية هنا أساس التكرار.

  5. الأدوات والتنظيم — خوادم الاستدلال، وقواعد بيانات المتجهات، وأدوات التقييم، والقدرة على الملاحظة، وCI/CD.

  6. الترخيص - العمود الفقري الذي يُحدد ما يُمكنك فعله. المزيد أدناه.

أساسيات ترخيص الذكاء الاصطناعي مفتوح المصدر 📜

ليس بالضرورة أن تكون محاميًا، بل عليك أن تكتشف الأنماط.

  • تراخيص الكود المسموح بها - MIT، BSD، Apache-2.0. يتضمن Apache منحة براءة اختراع صريحة تُقدّرها العديد من الفرق [1].

  • حقوق النسخ - تتطلب عائلة GPL أن تظل المشتقات مفتوحة بموجب الترخيص نفسه. قوي، لكن خطط له في بنيتك البرمجية.

  • تراخيص خاصة بالنماذج - بالنسبة للأوزان ومجموعات البيانات، ستجد تراخيص مخصصة مثل عائلة تراخيص الذكاء الاصطناعي المسؤول (OpenRAIL). تُشفّر هذه التراخيص الأذونات والقيود القائمة على الاستخدام؛ بعضها يسمح بالاستخدام التجاري على نطاق واسع، بينما يُضيف البعض الآخر حواجز حماية ضد إساءة الاستخدام [5].

  • ترخيص المشاع الإبداعي للبيانات - CC-BY أو CC0 شائعان لمجموعات البيانات والوثائق. يمكن إدارة الإسناد على نطاق ضيق؛ لذا، أنشئ نمطًا مُسبقًا.

نصيحة احترافية: احتفظ بصفحة واحدة تسرد كل تبعية، ورخصتها، وما إذا كان يُسمح بإعادة التوزيع التجاري. ممل؟ نعم. ضروري؟ نعم أيضًا.

جدول المقارنة: مشاريع الذكاء الاصطناعي مفتوحة المصدر الشهيرة وأين تتألق 📊

فوضوية بعض الشيء عن قصد - هكذا تبدو الملاحظات الحقيقية

أداة / مشروع لمن هو؟ السعر-إلى حد ما لماذا يعمل بشكل جيد
باي تورش الباحثون والمهندسون حر رسوم بيانية ديناميكية، مجتمع ضخم، وثائق قوية. مُجرّبة في الإنتاج.
تينسور فلو فرق المؤسسة وعمليات التعلم الآلي حر وضع الرسم البياني، خدمة TF، عمق النظام البيئي. تعلم أكثر عمقًا للبعض، ولكنه لا يزال قويًا.
محولات الوجه المعانقة بناة مع مواعيد نهائية حر نماذج مُدرَّبة مُسبقًا، وخطوط أنابيب، ومجموعات بيانات، وضبط دقيق سهل. باختصار، هذا كل شيء.
ماجستير في القانون الفرق ذات العقلية الأقل حر خدمة LLM سريعة، وذاكرة تخزين مؤقتة KV فعالة، ومعدل إنتاج قوي على وحدات معالجة الرسومات الشائعة.
لاما.cpp العابرون، الأجهزة الطرفية حر تشغيل النماذج محليًا على أجهزة الكمبيوتر المحمولة والهواتف باستخدام التكميم.
لانغ تشين مطورو التطبيقات ومصممو النماذج الأولية حر سلاسل قابلة للتركيب، وموصلات، ووكلاء. نجاحات سريعة إذا حافظت على البساطة.
الانتشار المستقر المبدعون وفرق المنتجات الأوزان الحرة إنشاء الصور محليًا أو سحابيًا؛ تدفقات عمل وواجهات مستخدم ضخمة حولها.
أولاما المطورون الذين يحبون واجهات سطر الأوامر المحلية حر نماذج محلية جاهزة للسحب والتشغيل. تختلف التراخيص باختلاف بطاقة الطراز - انتبه.

نعم، هناك الكثير من الأشياء "المجانية". الاستضافة، ووحدات معالجة الرسومات، والتخزين، وساعات العمل ليست مجانية.

كيف تستخدم الشركات الذكاء الاصطناعي مفتوح المصدر في العمل؟

ستسمع تطرفين: إما أن يستضيف الجميع كل شيء بأنفسهم، أو لا يستضيف أحد. الحياة الواقعية أكثر تعقيدًا.

  1. إنشاء النماذج الأولية بسرعة - ابدأ بنماذج مفتوحة ومتساهلة للتحقق من تجربة المستخدم والتأثير. أعد تصميمها لاحقًا.

  2. خدمة هجينة - استخدم نموذج استضافة VPC أو محليًا للمكالمات الحساسة للخصوصية. ارجع إلى واجهة برمجة تطبيقات مستضافة للمكالمات طويلة الأمد أو المتقطعة. هذا طبيعي جدًا.

  3. الضبط الدقيق للمهام الضيقة - غالبًا ما يتفوق التكيف مع المجال على النطاق الخام.

  4. RAG في كل مكان - يُقلل الجيل المُعزَّز بالاسترجاع من الهلوسة بترسيخ الإجابات في بياناتك. قواعد بيانات المتجهات المفتوحة والمحولات تجعل هذا الأمر سهل المنال.

  5. الحافة وغير المتصلة بالإنترنت — تعمل النماذج خفيفة الوزن التي تم تجميعها لأجهزة الكمبيوتر المحمولة أو الهواتف أو المتصفحات على توسيع مساحة المنتج.

  6. الامتثال والتدقيق - بما أنه بإمكانك فحص الجوانب الأساسية، فإن المدققين لديهم ما يراجعونه. اقرن ذلك بسياسة ذكاء اصطناعي مسؤولة تتوافق مع فئات إطار عمل إدارة المخاطر (RMF) التابع للمعهد الوطني للمعايير والتكنولوجيا (NIST) وإرشادات التوثيق [3].

ملاحظة ميدانية صغيرة: رأيتُ فريق SaaS مُهتمًا بالخصوصية (مستخدمين من السوق المتوسطة في الاتحاد الأوروبي) يتبنى نظامًا هجينًا: نموذج مفتوح صغير داخل VPC لـ 80% من الطلبات؛ وينتقل إلى واجهة برمجة تطبيقات مُستضافة للمطالبات النادرة طويلة السياق. لقد قللوا زمن الوصول للمسار المشترك، وبسّطوا إجراءات تقييم تأثير حماية البيانات (DPIA) - دون عناء كبير.

المخاطر والمشاكل التي يجب عليك التخطيط لها 🧨

دعونا نكون بالغين في هذا الشأن.

  • انحراف الترخيص - يبدأ مستودع MIT، ثم تنتقل الأوزان إلى ترخيص مخصص. حافظ على تحديث سجلك الداخلي وإلا ستواجه مشكلة امتثال مفاجئة [2][4][5].

  • مصدر البيانات - يمكن لبيانات التدريب ذات الحقوق غير الواضحة أن تتدفق إلى النماذج. تتبع المصادر واتبع تراخيص مجموعات البيانات، لا التذبذبات [5].

  • الأمان - تعامل مع نماذج الأعمال الفنية كأي سلسلة توريد أخرى: مجموعات التحقق، والإصدارات الموقعة، ونماذج أوامر التشغيل (SBOMs). حتى ملف SECURITY.md البسيط يتفوق على الصمت.

  • تباين الجودة - تتفاوت النماذج المفتوحة بشكل كبير. قيّمها بناءً على مهامك، وليس فقط من خلال قوائم المتصدرين.

  • تكلفة البنية التحتية الخفية - يتطلب الاستدلال السريع وحدات معالجة رسومية، والتكميم، والتجميع، والتخزين المؤقت. الأدوات المفتوحة تُساعد؛ لكنك لا تزال تدفع ثمن الحوسبة.

  • ديون الحوكمة - إذا لم يكن أحدٌ مسؤولاً عن دورة حياة النموذج، فستواجه مشكلةً في التكوين. قائمة مرجعية بسيطة لعمليات إدارة رأس المال (MLOps) هي الحل الأمثل.

اختيار مستوى الانفتاح المناسب لحالة الاستخدام الخاصة بك 🧭

مسار القرار ملتوٍ بعض الشيء:

  • هل تحتاج إلى شحن سريع مع متطلبات توافقية بسيطة؟ ابدأ بنماذج مفتوحة متساهلة، وضبط بسيط، وخدمة سحابية.

  • هل تحتاج إلى خصوصية تامة أو دون اتصال بالإنترنت ؟ اختر حزمة مفتوحة المصدر مدعومة جيدًا، واستدلالًا ذاتيًا، وراجع التراخيص بعناية.

  • هل تحتاج إلى حقوق تجارية واسعة وإعادة توزيع؟ يُفضّل استخدام كود متوافق مع معايير OSI، بالإضافة إلى تراخيص نموذجية تسمح صراحةً بالاستخدام التجاري وإعادة التوزيع [1][5].

  • هل تحتاج إلى مرونة في البحث ؟ تمتع بالقدرة على الشمولية، بما في ذلك البيانات، لضمان إمكانية إعادة إنتاجها ومشاركتها.

  • لست متأكدًا؟ جرّب كلا المسارين. ستشعر بتحسن ملحوظ في أحد المسارين خلال أسبوع.

كيفية تقييم مشروع الذكاء الاصطناعي مفتوح المصدر مثل المحترفين 🔍

قائمة سريعة أحتفظ بها، أحيانًا على منديل.

  1. وضوح الترخيص - هل تمت الموافقة على الكود من قِبل OSI؟ ماذا عن الأوزان والبيانات؟ هل هناك أي قيود استخدام تُعيق نموذج عملك [1][2][5]؟

  2. التوثيق - التثبيت، البدء السريع، الأمثلة، استكشاف الأخطاء وإصلاحها. التوثيق دليلٌ على ثقافة الشركة.

  3. إيقاع الإصدار — تشير الإصدارات المميزة وسجلات التغييرات إلى الاستقرار؛ وتشير الدفعات المتقطعة إلى البطولات.

  4. معايير الأداء والتقييمات - هل المهام واقعية؟ هل التقييمات قابلة للتنفيذ؟

  5. الصيانة والحوكمة - تحديد مالكي الكود بوضوح، وفرز المشكلات، والاستجابة لطلبات العلاقات العامة.

  6. التوافق مع النظام البيئي - يتوافق بشكل جيد مع أجهزتك ومخازن البيانات والتسجيل والمصادقة.

  7. وضع الأمان - القطع الأثرية الموقعة، ومسح التبعيات، ومعالجة CVE.

  8. إشارة المجتمع - المناقشات، إجابات المنتدى، مستودعات الأمثلة.

لتحقيق توافق أوسع مع الممارسات الجديرة بالثقة، قم بربط عمليتك بفئات NIST AI RMF وتحف التوثيق [3].

الغوص العميق 1: الفوضى في منتصف تراخيص النماذج 🧪

بعض النماذج الأكثر كفاءةً تندرج ضمن فئة "الأوزان المفتوحة مع الشروط". يسهل الوصول إليها، ولكن مع قيود استخدام أو قواعد إعادة توزيع. قد يكون هذا مناسبًا إذا لم يعتمد منتجك على إعادة تغليف النموذج أو شحنه إلى بيئات العملاء. إذا كنت بحاجة إلى ذلك، فتفاوض أو اختر قاعدة مختلفة. يكمن السر في مطابقة خططك النهائية مع الفعلي ، وليس مع منشور المدونة [4][5].

تحاول تراخيص OpenRAIL تحقيق التوازن بين تشجيع البحث والمشاركة المفتوحة، والحد من إساءة الاستخدام. النية حسنة، والالتزامات تبقى مسؤوليتك. اقرأ الشروط وقرر ما إذا كانت تتناسب مع قدرتك على تحمل المخاطرة [5].

الغوص العميق 2: شفافية البيانات وأسطورة إمكانية إعادة الإنتاج 🧬

، لمصدر البيانات ووصفاتها أن يوفرا شفافيةً ذات معنى حتى مع وجود قيود على بعض مجموعات البيانات الخام. يمكنك توثيق المرشحات، ونسب العينات، وأساليب التنظيف بشكل جيد بما يكفي لفريق آخر لتقريب النتائج. إن إمكانية التكرار المثالية أمرٌ جيد. غالبًا ما تكون الشفافية العملية كافية [3][5].

عندما تكون مجموعات البيانات مفتوحة، تُعدّ تراخيص Creative Commons مثل CC-BY أو CC0 شائعة. قد يكون الإسناد على نطاق واسع صعبًا، لذا وحدِّد كيفية التعامل معه مُبكرًا.

الغوص العميق 3: عمليات MLOps العملية للنماذج المفتوحة 🚢

إن شحن نموذج مفتوح يشبه شحن أي خدمة أخرى، بالإضافة إلى بعض الميزات الغريبة.

  • طبقة الخدمة — تعمل خوادم الاستدلال المتخصصة على تحسين التجميع وإدارة ذاكرة التخزين المؤقت KV وتدفق الرموز.

  • التكميم - أوزان أصغر ← استدلال أقل تكلفة ونشر أسهل للحواف. تختلف التنازلات في الجودة؛ قسها وفقًا لمهامك .

  • إمكانية المراقبة - سجّل المطالبات/المخرجات مع مراعاة الخصوصية. عينة للتقييم. أضف عمليات فحص الانحراف كما تفعل في التعلم الآلي التقليدي.

  • التحديثات — يمكن للنماذج تغيير السلوك بشكل طفيف؛ استخدام نماذج الكناري والاحتفاظ بأرشيف للتراجع والتدقيق.

  • تسخير التقييم - حافظ على حزمة تقييم خاصة بالمهمة، وليس فقط معايير عامة. أدرج المطالبات التنافسية وميزانيات زمن الوصول.

مخطط صغير: من الصفر إلى طيار قابل للاستخدام في 10 خطوات 🗺️

  1. حدّد مهمةً ومقياسًا محددين. لا توجد منصاتٌ ضخمةٌ بعد.

  2. اختر نموذجًا أساسيًا مسموحًا به يستخدم على نطاق واسع وموثق جيدًا.

  3. ركّز على الاستدلال المحلي وواجهة برمجة تطبيقات رقيقة. حافظ على طابعها الممل.

  4. أضف استرجاعًا إلى مخرجات الأرض على بياناتك.

  5. قم بإعداد مجموعة تقييم صغيرة مُسمّاة تعكس مستخدميك، بكل عيوبهم ومزاياهم.

  6. قم بإجراء الضبط الدقيق أو الضبط الفوري فقط إذا قال التقييم أنه يجب عليك القيام بذلك.

  7. قيّم مدى تأثير التأخير أو التكلفة. أعد قياس الجودة.

  8. أضف تسجيل الدخول، ومطالبات الفريق الأحمر، وسياسة إساءة الاستخدام.

  9. بوابة بعلم مميز وإطلاق لمجموعة صغيرة.

  10. كرر. أضف تحسينات صغيرة أسبوعيًا... أو عندما يصبح الوضع أفضل.

خرافات شائعة حول الذكاء الاصطناعي مفتوح المصدر، تم تفنيدها قليلاً 🧱

  • خرافة: النماذج المفتوحة أسوأ دائمًا. الحقيقة: بالنسبة للمهام المُستهدفة ذات البيانات الصحيحة، يمكن للنماذج المفتوحة المُعدّلة بدقة أن تتفوق على النماذج المُستضافة الأكبر حجمًا.

  • خرافة: الانفتاح يعني انعدام الأمان. الحقيقة: الانفتاح يُحسّن التدقيق. الأمن يعتمد على الممارسات، لا على السرية [3].

  • خرافة: الترخيص لا يُهم إن كان مجانيًا. الحقيقة: أهميته تكمن في كونه مجانيًا، لأنه يُحسّن الاستخدام. أنت تريد حقوقًا صريحة، لا مجرد مؤثرات [1][5].

الذكاء الاصطناعي مفتوح المصدر 🧠✨

الذكاء الاصطناعي مفتوح المصدر ليس دينًا. إنه مجموعة من الحريات العملية التي تتيح لك البناء بمزيد من التحكم، وحوكمة أوضح، وتكرار أسرع. عندما يقول أحدهم إن نموذجًا ما "مفتوح"، اسأل أي الطبقات مفتوحة: الكود، الأوزان، البيانات، أو مجرد الوصول. اقرأ الترخيص، وقارنه بحالة استخدامك. ثم، والأهم من ذلك، اختبره مع عبء عملك الفعلي.

من الغريب أن الجانب الأفضل ثقافي: فالمشاريع المفتوحة تدعو إلى المساهمات والتدقيق، مما يُحسّن البرمجيات والأفراد على حد سواء. قد تكتشف أن الخطوة الرابحة ليست النموذج الأبرز أو المعيار الأكثر جاذبية، بل هي التي يمكنك فهمها وإصلاحها وتحسينها في الأسبوع المقبل. هذه هي القوة الكامنة للذكاء الاصطناعي مفتوح المصدر - ليس حلاً سحريًا، بل أداة متعددة الاستخدامات قديمة الطراز تُنقذ الموقف باستمرار.

طويل جدًا ولم أقرأه 📝

الذكاء الاصطناعي مفتوح المصدر هو حرية حقيقية في استخدام أنظمة الذكاء الاصطناعي ودراستها وتعديلها ومشاركتها. يظهر هذا عبر طبقات: أطر عمل، نماذج، بيانات، وأدوات. لا تخلط بين المصدر المفتوح والأوزان المفتوحة أو الوصول المفتوح. تحقق من الترخيص، وقيّمه بمهامك الفعلية، وصمّمه لضمان الأمان والحوكمة من البداية. افعل ذلك، وستحصل على السرعة والتحكم وخارطة طريق أكثر سلاسة. نادر بشكل مدهش، ولكنه لا يُقدّر بثمن حقًا 🙃.

مراجع

[1] مبادرة المصدر المفتوح - تعريف المصدر المفتوح (OSD): اقرأ المزيد
[2] OSI - الغوص العميق في الذكاء الاصطناعي والانفتاح: اقرأ المزيد
[3] NIST - إطار عمل إدارة مخاطر الذكاء الاصطناعي: اقرأ المزيد
[4] Meta - ترخيص نموذج Llama: اقرأ المزيد
[5] تراخيص الذكاء الاصطناعي المسؤول (OpenRAIL): اقرأ المزيد

ابحث عن أحدث الذكاء الاصطناعي في متجر مساعد الذكاء الاصطناعي الرسمي

معلومات عنا

العودة إلى المدونة