الذكاء الاصطناعي المحلي 2026: شغّل DeepSeek وQwen على جهازك بدون اشتراك

أفضل برامج تشغيل الذكاء الاصطناعي المحلي: Ollama و LM Studio و Jan AI

الثلاثة جميعًا مجانية وتعتمد على محرك llama.cpp في النهاية، لذلك فرق الأداء الخام بينها أقل من 5%. الفرق الحقيقي في تجربة الاستخدام والمميزات الإضافية. اخترنا هذه الأدوات بناء على شعبيتها ودعمها النشط ووثائقها العربية أو الإنجليزية الواضحة.

Ollama: الخيار القياسي للمطورين

Ollama أداة سطر أوامر خفيفة تستهلك أقل قدر من موارد النظام مقارنة بمنافسيها. مكتبتها تضم أكثر من 100 نموذج جاهز للتنزيل بأمر واحد، وتدعم تشغيل عدة نماذج معًا في نفس الوقت. أصبحت Ollama منذ مارس 2026 تدعم محرك MLX من Apple بشكل تجريبي على رقاقات M-series، ما يعطي قفزة سرعة ملحوظة على الماك. لها مكتبتان رسميتان لـ Python و JavaScript، وتتكامل مع Open WebUI و Cursor و Continue. التحدي الوحيد: لا توجد واجهة رسومية افتراضية، وعليك التعامل مع الطرفية لتحميل النماذج أو ضبط الإعدادات.

LM Studio: أسهل واجهة رسومية

LM Studio مجاني للاستخدام الشخصي والتجاري، ويتميز بواجهة مكوّنة من ثلاث لوحات بسيطة: متصفح النماذج، الإعدادات، ثم نافذة الدردشة. يستغرق تحميل أول نموذج وتشغيله نحو دقيقتين. متصفح النماذج المدمج يبحث في Hugging Face مباشرة ويعرض جميع نسخ التكميم (Quantization) المتاحة مع توقعات حجم وسرعة لكل نسخة. أضافت النسخة 0.4.0 الصادرة في يناير 2026 دعم الطلبات المتوازية مع batching مستمر، وأداة llmster لتشغيل LM Studio كخادم بدون واجهة. العيب الوحيد أن الكود مغلق المصدر، عكس Ollama و Jan.

Jan AI: المنصة المتكاملة مفتوحة المصدر

Jan هي الأحدث والأطمح: منصة محلية كاملة تجمع بين واجهة دردشة، نظام إضافات (Extensions)، متجر نماذج، وخادم API متوافق مع OpenAI، كلها في تطبيق واحد مفتوح المصدر بترخيص Apache 2.0. توفر صورة Docker رسمية لتشغيل Jan على خادم بدون واجهة، وهو ما يجعلها مفضلة للفرق الصغيرة التي تريد ChatGPT داخلي خاص. عيبها الرئيسي: لأنها أحدث، عدد إضافاتها أقل، وبعض المزايا المتقدمة (مثل MLX) لم تصل إليها بعد بنفس نضج LM Studio.

توصيتنا الواضحة: ابدأ بـ LM Studio إذا لم تستخدم الطرفية من قبل، انتقل إلى Ollama إذا كنت مطورًا تريد دمج الذكاء الاصطناعي في تطبيق، واختر Jan إذا كنت تبني حلًا للفريق بالكامل.

أفضل نماذج الذكاء الاصطناعي المحلي بالعربية: Qwen 3 و DeepSeek R1 و Llama 3.3

ليست كل النماذج المفتوحة المصدر متساوية في دعم العربية. اختبرنا الفئات الثلاث الأكثر شعبية، وهذه نتائج عملية مبنية على بيانات السوق الحالية ووثائق المطورين الرسمية.

Qwen 3: الأقوى عربيًا بلا منازع

Qwen 3 من Alibaba هو الأفضل لمن يكتب أو يقرأ بالعربية. يدعم النموذج أكثر من 100 لغة ولهجة، ويتعامل مع التشكيل والترجمة من وإلى العربية بدقة قريبة من Claude في كثير من الاختبارات. النسخة الكبرى Qwen3-235B-A22B تستخدم بنية Mixture-of-Experts بـ 235 مليار معامل إجمالي و 22 مليار نشط لكل توكن، لكنها تحتاج جهازًا قويًا. للمستخدم العادي، نسخة Qwen 3 8B تكفي تمامًا للمحادثة والكتابة العربية اليومية، وحجمها بعد التكميم Q4 حوالي 5GB (5.2GB في Ollama).

DeepSeek R1: التفكير العميق على جهازك

تتوفر نسخ DeepSeek R1 المقطّرة بأحجام متدرجة: 1.5B (1.1GB)، و 7B (4.7GB)، و 8B (4.9GB)، و 14B (9GB)، و 32B (نحو 64GB بدون تكميم). النسخ الأصغر تعمل على ماك 16GB بدون مشاكل، لكنها أضعف في العربية من Qwen. النسخ الأكبر (32B و 70B) تنافس GPT-4 في الاستدلال المنطقي والرياضيات، لكنها تحتاج ذاكرة 32GB+. نسخة DeepSeek R1 8B Llama Distill بحجم 4.9GB توفر أفضل توازن بين الحجم والقدرة لمن يهتم بالاستدلال.

Llama 3.3 و Phi-4: الخفيف والأسرع

Llama 3.3 70B تنافس GPT-4 في كثير من المعايير، لكنها تحتاج رام 48GB+ لتعمل بنسخة Q4_K_M (نحو 43GB). من ناحية أخرى، نموذج Phi-4 Mini من Microsoft يعطي أعلى سرعة بين النماذج الصغيرة (نحو 135 توكن/ثانية على M5 Max)، وهو خيار ممتاز للمحادثات السريعة، لكن دعمه العربي أضعف من Qwen.

للمزيد عن DeepSeek وأسعار نسخها السحابية، راجع دليلنا العملي ديب سيك بالعربي 2026. أما لمقارنة موسعة لقدرات النماذج في البرمجة، فلدينا أفضل ذكاء اصطناعي للبرمجة 2026.

متطلبات الجهاز: كم رام تحتاج لتشغيل النماذج محليًا

القاعدة الذهبية: حجم الرام يحدد حجم النموذج الذي يمكنك تشغيله، وليس قوة المعالج. على Apple Silicon، الرام موحدة (Unified Memory)، أي أن كامل رام الجهاز يستخدم كذاكرة GPU، عكس أجهزة PC حيث ذاكرة VRAM في البطاقة محدودة. هذا الفارق الجوهري يجعل ماك 64GB أقوى من PC ببطاقة RTX 5090 (32GB VRAM) في تشغيل النماذج الكبيرة محليًا.

16GB رام: نقطة البداية الواقعية

الحد الأدنى لتشغيل نموذج محلي قوي. على هذا الحجم، يمكنك تشغيل نماذج 7B-8B بتكميم Q4 دون مشاكل: Qwen 3 8B، Llama 3.1 8B، DeepSeek R1 8B، Phi-4 Mini. الأداء على Mac mini M4 16GB يصل إلى 30-40 توكن/ثانية لنماذج 8B، وهو أسرع من ChatGPT المجاني. التحذير: لا تترك تطبيقات ثقيلة تعمل في الخلفية، فالنظام يحتاج 4-6GB لنفسه، وأي ضغط يجعل macOS يستخدم Swap على SSD وتنخفض السرعة بشكل حاد.

32GB رام: المنطقة المريحة

في هذا المستوى تُتاح لك نماذج 30B بتكميم Q4 بسهولة. Qwen 3 32B، DeepSeek R1 32B، Ministral 3 14B (نسخة Mistral المحلية للأجهزة الشخصية) كلها تعمل بسلاسة. هذا هو الحد الموصى به للمحترفين الذين يستخدمون الذكاء الاصطناعي يوميًا في العمل ويتركون متصفحًا بـ 30 تبويب وتطبيقات تصميم تعمل في نفس الوقت. سرعة الاستدلال على M4 Pro 32GB تتراوح بين 18-25 توكن/ثانية لنماذج 30B.

64GB رام وأكثر: عالم نماذج 70B

هنا تدخل منطقة Llama 3.3 70B و Qwen 3 72B التي تنافس GPT-4 الأصلي. Llama 3.3 70B بتكميم Q4_K_M تشغل نحو 40-45GB، فترك ذاكرة كافية لـ KV Cache والنظام يتطلب 64GB كحد عملي. على M5 Max 64GB، تحصل على 12-18 توكن/ثانية لنماذج 70B، وهي سرعة قراءة مريحة للمحادثة. لمن يبني تطبيقات احترافية أو يدير وكلاء (Agents) محليين، هذا هو الإعداد الأمثل.

لماذا تتفوق Apple Silicon في تشغيل الذكاء الاصطناعي المحلي

وفقًا لمعايير LLMCheck المنشورة في أبريل 2026، تحتل أجهزة Mac M5 Max الصدارة في معظم اختبارات تشغيل الذكاء الاصطناعي المحلي. الأداء الفعلي على M5 Max باستخدام محرك MLX يبلغ 158 توكن/ثانية لنموذج Gemma 4 E2B، و 135 توكن/ثانية لـ Phi-4 Mini، و 55 توكن/ثانية لـ Qwen 3.6 35B-A3B (المصنف الأول في SWE-bench بنسبة 73.4%). هذه السرعات تتفوق على ChatGPT Plus نفسه في كثير من الأحيان.

السر في معمارية Apple Silicon ثلاثة عوامل. أولًا، الذاكرة الموحدة تلغي حاجز VRAM المحدود في بطاقات Nvidia الاستهلاكية، فبدلًا من نسخ البيانات بين رام النظام و VRAM البطاقة، يقرأ المعالج والـ GPU من نفس البركة. ثانيًا، محرك MLX المخصص لـ Apple Silicon يعمل أصلًا على Metal بدون طبقات ترجمة، ما يجعله أسرع من llama.cpp التقليدي بنسبة 20-40% في النماذج الصغيرة. ثالثًا، التصميم الموفر للطاقة يجعل الجهاز يعمل ساعات بدون تسخين أو ضوضاء، عكس PC مع GPU قوي يحتاج تبريدًا صاخبًا ويستهلك 400-600 وات.

الفائدة العملية للمستخدم العربي: ماك ميني M4 16GB بسعر يبدأ من 799$ (بعد رفع Apple لسعر البداية في مايو 2026) يمكنه تشغيل نموذج بقدرة GPT-3.5 Turbo بسرعة معقولة، بدون اشتراك ولا حدود. ماك ميني M4 Pro 24GB بسعر 1,399$ يصل إلى مستوى GPT-4 الأصلي محليًا. هذه أرقام صادمة لأي شخص قارن بكلفة API لـ OpenAI أو Anthropic لمشروع متوسط الحجم. كمقارنة، PC ببطاقة RTX 5090 (32GB GDDR7) تتداول حاليًا بين 3,049$ و 3,899$ بمفردها قبل احتساب باقي المكونات بسبب نقص ذاكرة GDDR7، وتظل سعتها 32GB VRAM فقط، أي أقل بكثير من ماك ميني 64GB بسعر مقارب.

على PC، الخيار الأفضل لتشغيل الذكاء الاصطناعي المحلي حاليًا هو NVIDIA RTX 5090 (32GB VRAM) أو الجهاز الجديد NVIDIA DGX Spark، لكن السعر يبدأ من 4,000$ ويصل إلى 4,699$ بعد رفع NVIDIA لسعر DGX Spark Founders Edition في فبراير 2026 بسبب نقص ذاكرة GDDR. لمن يفضل بيئة Linux ولديه ميزانية مفتوحة، PC هو الخيار الأقوى للنماذج الضخمة بفضل دعم CUDA الواسع. أما للمستخدم العادي والمحترف الفردي، Apple Silicon هو نقطة الدخول المثلى من حيث السعر مقابل القدرة.

حالات استخدام عملية للذكاء الاصطناعي المحلي في 2026

الكلام النظري عن الخصوصية والتكلفة لا يساوي تجربة ملموسة. هذه أربع حالات استخدام يومية يحلها الذكاء الاصطناعي المحلي بشكل أفضل من النماذج السحابية، مأخوذة من سيناريوهات حقيقية لمحترفين عرب.

كاتب محتوى يخاف من تسرب أفكاره

كاتب يعمل لشركات منافسة لا يستطيع رفع مسودات استراتيجية إلى ChatGPT لأن سياسة الاستخدام تسمح لـ OpenAI بمراجعة المحادثات لتحسين النماذج. الذكاء الاصطناعي المحلي يحل المشكلة جذريًا: نموذج Qwen 3 8B على ماك ميني M4 يعطيه نفس القدرة على التلخيص وإعادة الصياغة بدون أن تخرج كلمة واحدة من جهازه. لمزيد من الأدوات المتخصصة في توليد المحتوى، راجع فوائد الذكاء الاصطناعي العملية.

طبيب يحلل ملفات مرضى

الطبيب لا يستطيع رفع تقرير أشعة أو تحليل دم إلى Claude بسبب قوانين حماية البيانات. مع تشغيل نموذج محلي على لاب توب 32GB، يستطيع الطبيب مناقشة الحالة بأمان كامل بدون قلق، والحصول على آراء ثانية فورية بدون انتظار. كثير من المستشفيات الكبرى في الإمارات والسعودية بدأت بالفعل بتجربة هذا النهج.

مطور يبني تطبيقًا داخليًا للشركة

مطور يبني روبوت محادثة لخدمة عملاء شركة مالية. استخدام API لـ GPT-5.5 يكلف 3,000$ شهريًا تقريبًا في حجم استدعاءات متوسط (5 ملايين توكن يوميًا). الذكاء الاصطناعي المحلي على خادم Ollama واحد يوفر هذه التكلفة بالكامل، مع زمن استجابة أقل لأن الخادم في نفس الشبكة. الاستثمار الأولي 5,000-8,000$ في الجهاز، يسترد في 3-4 أشهر فقط.

طالب جامعي يكتب رسالة دكتوراه

الطالب يحتاج مساعد كتابة يحترم سرية بحثه قبل النشر. تشغيل DeepSeek R1 8B محليًا يوفر له شريك تفكير على مدار الساعة بدون قلق من رفع المحتوى لمنصات تستخدم في تدريب نماذج المنافسين. كثير من الجامعات الأمريكية والأوروبية بدأت تنصح بهذا النهج رسميًا في إرشاداتها للباحثين.

متى يستحق الذكاء الاصطناعي المحلي ومتى لا

الذكاء الاصطناعي المحلي ليس بديلًا كاملًا للنماذج السحابية. لكل خيار حالات استخدام يتفوق فيها. هنا إطار قرار واضح يساعدك على الاختيار بناء على احتياجاتك الفعلية.

اختر المحلي عندما

تتعامل مع بيانات حساسة (طبية، مالية، قانونية، تعريف شخصي للعملاء) لا يمكن إرسالها إلى خوادم خارجية. تستخدم الذكاء الاصطناعي يوميًا بكثافة وكلفة الاشتراكات أو API ترهقك ماليًا. تعمل في بيئة محدودة الإنترنت أو تحتاج إجابات حتى عند انقطاع الاتصال. تطور تطبيقًا أو وكيلًا (Agent) يحتاج آلاف الاستدعاءات يوميًا. تريد الحرية الكاملة من سياسات الاستخدام والقيود التي قد تفرضها الشركات.

اختر السحابي عندما

تحتاج أحدث القدرات (GPT-5.5، Claude Opus 4.7، Gemini 3.1 Pro)، فالنماذج المحلية متأخرة 3-6 أشهر عن قمة الصناعة. تعمل على مهام متخصصة تحتاج معايرة دقيقة (مثل البرمجة المعقدة، تحليل الفيديو، الاستدلال متعدد الخطوات). جهازك ضعيف (8GB رام أو أقل) ولا تريد ترقيته. تستخدم الذكاء الاصطناعي بشكل عرضي، فاشتراك شهر بـ 20$ أرخص بكثير من شراء جهاز جديد. لمقارنة شاملة بين الخيارات السحابية، راجع أفضل برنامج ذكاء اصطناعي 2026.

الحل الهجين: الأفضل في معظم الحالات

كثير من المحترفين يستخدمون الاثنين معًا: نموذج محلي للمهام اليومية والمحادثات الخاصة، ونموذج سحابي للمهام المتقدمة التي تحتاج آخر القدرات. هذا التركيب يعطيك خصوصية الأساسيات مع قدرة الوصول إلى أحدث ما في السوق عند الحاجة، وغالبًا يخفض كلفتك الشهرية بنسبة 60-80%.

خطوات البدء على جهازك خطوة بخطوة

إعداد ذكاء اصطناعي محلي على جهازك أبسط من تركيب أي تطبيق عادي. هذه خطوات عملية تعمل على Mac و Windows و Linux.

الخطوة الأولى: تحقق من جهازك. افتح "حول هذا الماك" أو إعدادات النظام على Windows واقرأ حجم الرام. إذا كان أقل من 16GB، فكر في الترقية أو ابدأ بنماذج صغيرة جدًا (1.5B-3B). إذا كان 16GB، أنت جاهز لنماذج 7B-8B. إذا كان 32GB+، فلديك حرية الاختيار.

الخطوة الثانية: حمل LM Studio من الموقع الرسمي lmstudio.ai. حجم التحميل نحو 400MB. ثبت التطبيق وافتحه. ستصلك واجهة بثلاث لوحات.

الخطوة الثالثة: اختر نموذجك الأول. ننصح المستخدم العربي بالبحث عن "Qwen 3 8B Instruct Q4" في تبويب البحث. حجم التحميل نحو 5GB، يستغرق 5-10 دقائق على إنترنت 100Mbps. بعد التحميل، اضغط "Load" ثم "New Chat" وستبدأ المحادثة بالعربية فورًا.

الخطوة الرابعة (اختياري للمطورين): ثبت Ollama من ollama.com ثم نفذ الأمر ollama run qwen3:8b في الطرفية. تحصل على نفس النموذج عبر سطر الأوامر، مع API محلي على المنفذ 11434 يمكنك استدعاؤه من أي تطبيق. لمن يهتم بهندسة الأوامر للحصول على أفضل النتائج، راجع دليلنا هندسة الأوامر العملي.

الخطوة الخامسة: جرب نماذج متعددة. لن يستهلك التحميل بياناتك المتنقلة، فالنماذج تبقى محفوظة محليًا. جرب Qwen 3 8B للعربية، DeepSeek R1 8B للاستدلال، Llama 3.3 8B للمحادثة العامة، Phi-4 Mini للسرعة القصوى. احذف ما لا تحتاجه لتوفير المساحة.

أخطاء شائعة احذرها

أول خطأ يقع فيه المبتدئون: تنزيل أكبر نموذج متاح ظنًا أن الأكبر دائمًا أفضل. الحقيقة أن النموذج الأكبر سيعمل ببطء شديد على جهاز متواضع، وقد لا يعمل أصلًا. ابدأ بنماذج 7B-8B واصعد تدريجيًا فقط إذا احتجت قدرات أكثر. الخطأ الثاني: عدم إغلاق التطبيقات الثقيلة قبل تشغيل النموذج، ما يدفع النظام لاستخدام Swap على SSD ويبطئ كل شيء بشكل كارثي. الخطأ الثالث: تجاهل التكميم وتنزيل نسخة FP16 الكاملة، التي تستهلك ضعف ذاكرة Q4 بدون فائدة عملية ملحوظة. اختر دائمًا Q4_K_M في الإعدادات الافتراضية، وطور إلى Q5 أو Q8 فقط إذا لاحظت تراجعًا واضحًا في الجودة لمهمتك المحددة.

المصادر

اعتمد هذا الدليل على المصادر الرسمية والمعايير المستقلة التالية:

• LM Studio Blog: 0.3.4 ships with Apple MLX
• Ollama Blog: MLX preview on Apple Silicon
• Ollama Library: DeepSeek R1 model sizes
• LLMCheck: Apple Silicon LLM benchmarks 2026
• SiliconFlow: Best open source LLM for Arabic 2026
• SolidAITech: Mac RAM requirements for local LLMs
• اليوم السابع: طفرة مبيعات Mac بسبب الذكاء الاصطناعي
• Digital Today: Goldman Sachs blocks Claude in Hong Kong