چرا کارهای کوچک را به مدل زبانی محلی می‌سپارم، نه ChatGPT و Claude و Gemini

اشتراک‌های هوش مصنوعی برخلاف سرویس‌هایی مانند نتفلیکس یا اسپاتیفای، همیشه امکان استفاده نامحدود نمی‌دهند. کاربر ممکن است ماهانه ۲۰ یا حتی ۱۰۰ دلار بپردازد و همچنان با پیامی مواجه شود که می‌گوید به محدودیت مصرف (Usage Limit) رسیده است. همین موضوع یکی از دلایل اصلی روی آوردن به مدل‌های زبانی محلی (Local LLM) برای کارهای کوچک است.

چرا همه کارها باید به هوش مصنوعی ابری سپرده شود؟

نویسنده این مطلب می‌گوید بسیاری از کاربران به‌جای جست‌وجو در موتورهای جست‌وجو، اکنون پرسش‌های خود را مستقیم از ChatGPT، Claude یا Gemini می‌پرسند. این عادت تنها به پرسش‌های جدی محدود نمی‌شود و حتی برای کارهای بسیار ساده نیز از چت‌بات‌ها کمک گرفته می‌شود. مشکل اینجاست که هر درخواست، چه حل یک مسئله پیچیده باشد و چه بازنویسی یک جمله ساده، از محدودیت مصرف (Usage Limit) کاربر کم می‌کند.

دلیل دیگری که نویسنده به آن اشاره می‌کند، اثر زیست‌محیطی هوش مصنوعی ابری (Cloud-based AI) است. اجرای مدل‌های قدرتمند به توان محاسباتی (Computing Power) زیادی نیاز دارد و مراکز داده (Data Centers) برای تأمین برق و خنک‌سازی (Cooling) منابع قابل‌توجهی مصرف می‌کنند. او پیشنهاد نمی‌کند که استفاده از هوش مصنوعی ابری کنار گذاشته شود، اما معتقد است باید پرسید آیا هر کار کوچکی واقعاً نیازمند ارسال به یک مرکز داده بزرگ در نیمه دیگر جهان است یا خیر.

کارهای کوچک؛ جایی که مدل محلی کافی است

به گفته نویسنده، بخش زیادی از استفاده روزمره از هوش مصنوعی به کارهایی اختصاص دارد که به پژوهش گسترده، استدلال پیچیده یا دسترسی به تازه‌ترین اطلاعات نیاز ندارند. نمونه‌هایی مانند اصلاح یک جمله نامناسب، رفع خطاهای دستوری، حرفه‌ای‌تر کردن متن یک ایمیل یا کوتاه کردن یک پاراگراف طولانی در این دسته قرار می‌گیرند. برای چنین کارهایی، استفاده از یکی از قدرتمندترین مدل‌های جهان ضروری نیست و یک مدل زبانی محلی (Local LLM) می‌تواند پاسخ مناسبی ارائه دهد.

نویسنده می‌گوید ماه‌هاست از مدل زبانی محلی خود به‌عنوان جایگزینی برای Grammarly استفاده می‌کند. او همچنین به‌عنوان یک دانشجو، از هوش مصنوعی برای پرسش‌های درسی و توضیح مفاهیم دشوار کمک می‌گیرد. در بسیاری از موارد، پرسش‌هایی مانند معنی یک اصطلاح، دریافت مثال دیگر یا توضیح سریع یک مفهوم، به توان استدلالی بالای مدل‌های ابری نیاز ندارند و مدل‌های محلی کوچک‌تر از عهده آن‌ها برمی‌آیند.

خودکارسازی کارهای روزمره با مدل محلی

یکی دیگر از کاربردهای مورد اشاره، خودکارسازی وظایف ساده است؛ برای مثال خلاصه‌سازی ایمیل‌های مهم یا ارائه فهرستی از برنامه‌های روز. نویسنده همچنین از ابزاری سفارشی برای تغییر نام خودکار اسکرین‌شات‌ها استفاده می‌کند تا به‌جای نام پیش‌فرض macOS، نامی توصیفی بر اساس محتوای تصویر انتخاب شود. او ابتدا این کار را با ساخت یک مهارت (Skill) در Claude انجام می‌داد، اما بعداً آن را با پیاده‌سازی مبتنی بر اسکریپت (Script-based Implementation) و اجرای محلی Gemma 4 روی مک جایگزین کرد. نتیجه نهایی تقریباً یکسان است، با این تفاوت که دیگر نیازی به مدل ابری یا مصرف محدودیت Claude برای تغییر نام اسکرین‌شات نیست.

اجرای مدل محلی روی گوشی و مک‌بوک

نویسنده از مدل‌های زبانی محلی هم روی گوشی و هم روی مک‌بوک استفاده می‌کند. مک‌بوک او تنها ۸ گیگابایت رم دارد، بنابراین اجرای مدل‌های سنگین برای کارهای پیچیده در اولویت نیست و بیشتر کارهای سبک به مدل محلی سپرده می‌شوند. او چند مدل محلی را آزمایش کرده و در نهایت Gemma 4 را انتخاب کرده است؛ نسخه‌های سبک‌تر (Lightweight Variants) این مدل به‌اندازه‌ای کم‌مصرف هستند که روی سخت‌افزار او بدون کند شدن سایر برنامه‌ها اجرا شوند و در عین حال بیشتر وظایف روزمره را انجام دهند.

او استفاده از مدل محلی روی گوشی را بسیار راحت می‌داند؛ زیرا می‌تواند Google AI Edge Gallery را به همان سادگی ChatGPT، Claude یا Gemini باز کند و پرسش خود را بدون نیاز به اتصال اینترنت و بدون نگرانی از محدودیت مصرف مطرح کند. به باور نویسنده، هوش مصنوعی محلی لزوماً پیچیده نیست و می‌تواند برای بسیاری از کارهای کوچک، جایگزینی سبک‌تر و در دسترس‌تر برای مدل‌های ابری باشد.