من ذكاء التجارة إلى النماذج الرائدة: عقد البنية التحتية لدى Hanzo

بدأت معظم شركات الذكاء الاصطناعي في 2022. بدأنا نحن في 2014.

هذه الفجوة أهم مما تبدو. اثنا عشر عامًا من قرارات البنية التحتية، والتجارب الفاشلة، وتصميمات البروتوكولات، وبصائر الإنتاج التي اكتُسبت بشق الأنفس، تتراكم حتى تصير شيئًا لا يُشترى ولا يُقلَّد: معرفة معمارية عميقة. هذه هي القصة التقنية لكيف انتقل Hanzo من محرك توصيات للتجارة الإلكترونية إلى تشغيل 94+ نموذجًا رائدًا على نطاق الاستدلال.

2014: الأساس — Crowdstart وEARLE

انطلق Hanzo باسم Crowdstart، منصة ذكاء اصطناعي للتجارة بمسألة تبدو محددة على نحو خادع: التنبؤ بأي العملاء سيشتري، وبأي سعر، وفي أي وقت — ثم التصرف بناءً على ذلك التنبؤ تلقائيًا.

أول نظام ذي أثر كان EARLE — محرك التعلّم للتوصيات التكيفية القائم على الكيانات. لم يكن EARLE مرشحًا تعاونيًا بسيطًا. كان يحافظ على رسوم بيانية للكيانات عبر هرميات المنتجات، وشرائح العملاء، والمتواليات السلوكية، ويحدّث أوزان الحواف في الزمن الحقيقي مع وصول تدفقات المعاملات. بُني مخزن البيانات الأساسي على طبقة مفتاح-قيمة موزعة من صنعنا — قرار متعمد للسيطرة على الكمون في طبقة التخزين الدائم بدل قبول مقايضات قواعد البيانات المُدارة المتاحة.

ما علّمنا إياه EARLE: الكمون قيد تصميم من الدرجة الأولى، لا تمريرة تحسين لاحقة. التوصية التي تصل متأخرة 200ms لا تُسلَّم — بل تُهجر.

2015: التحليلات في الزمن الحقيقي عند الحافة

بحلول 2015، لم يعد EARLE كافيًا. احتاج العملاء لا إلى التوصيات وحدها بل إلى خطوط تحليلات سلوكية كاملة: تحليل القمع، وتتبّع المجموعات، وإسناد الإيراد عبر قنوات التسويق. بنينا محركًا لتحليلات التدفق باستيعاب أحداث sub-50ms وكمون استعلام في نطاق المللي ثانية ذي الرقم الواحد.

أرسى هذا العمل نمطًا التزمنا به منذ ذلك الحين: امتلاك المسار الحرج. كل مكوّن على المسار الساخن — التسلسل، والفهرسة، وتخطيط الاستعلام — كُتب وفق مواصفاتنا. لم تُقبَل التبعيات الخارجية إلا في الأطراف.

ناقل أحداث النشر والاشتراك الذي بنيناه في 2015 لربط EARLE بطبقة التحليلات هو السلف المباشر لبنية الأحداث التي تقوم عليها منصة Hanzo الحالية. تغيّرت الواجهة. والمعمارية لم تتغيّر.

2016: تحسين التسويق بالخوارزميات الجينية

تبدو الخوارزميات الجينية للتسويق بديهية بعد فوات الأوان. في 2016، لم يكن أحد تقريبًا يطبّقها في الإنتاج.

حافظ النظام على جمهرة من تهيئات الحملات — استراتيجيات المزايدة، وتنويعات المادة الإبداعية، وأشجار تجزئة الجمهور — وطوّرها بضغط انتخاب تطبّقه نتائج التحويل الحقيقية. كانت الطفرات محدودة: احتجنا إلى قابلية التكرار وقابلية التدقيق، وهو ما لا يوفّره التحور العشوائي الصرف. كانت دالة اللياقة متعددة الأهداف منذ البداية، توازن بين الإيراد، والهامش، وقيمة عمر العميل، وقيود التعرّض للعلامة.

كانت هذه أول تجربة لنا في إدارة مقايضة الاستكشاف والاستغلال على نطاق الإنتاج. الدرس الذي ترسّخ: لا يمكن للخوارزمية أن تكون أذكى من إشارة لياقتها. «المدخلات الرديئة تعطي مخرجات رديئة» ليست عبارة مبتذلة في تعلّم الآلة — بل قانون معماري.

2017: Techstars وإطلاق المنصة

Techstars '17. استخدمنا البرنامج لا للتحقق بل للتوزيع — الصلات بعملاء التجارة في المؤسسات، الذين يختبر حجمهم بالضغط ما بنيناه.

أُطلقت منصة Hanzo في أواخر 2017 بوصفها أول حزمة متكاملة لذكاء التجارة: توصيات EARLE، ومحرك التحسين الجيني، والتحليلات في الزمن الحقيقي، وطبقة جديدة لتنسيق الحملات، موصولة كلها عبر سطح API موحّد. كانت المعمارية مستندة إلى الأحداث منذ البداية؛ كل تغيّر في حالة الحملة حدث دائم، فمنحنا سجل تدقيق كاملًا والقدرة على إعادة عرض التاريخ لإعادة تدريب النماذج.

علّمنا Techstars '17 شيئًا كنا نشتبه فيه أصلًا: التوزيع ليس مشكلة منتج. إنه مشكلة بنية تحتية. لا تستطيع البيع للمؤسسات إذا كانت أنظمتك تتوقف.

2018: Checkout 2.0 وكشف الاحتيال بتعلّم الآلة

الاحتيال في الدفع مشكلة محلولة لدى البنوك الكبيرة. ولدى منصات التجارة التي تخدم تجار السوق المتوسطة، لم تكن محلولة في 2018.

أدخل Checkout 2.0 كشف الاحتيال المدعوم بتعلّم الآلة بوصفه مكوّن دفع من الدرجة الأولى. كانت معمارية النموذج تجميع نماذج: أشجار تعزيز متدرج للسمات الجدولية (تكوين السلة، وتطابق عنواني الشحن والفوترة، وبصمة الجهاز) مع نموذج متواليات لتاريخ الطلبات الأخيرة. كان التجميع ضحلًا عمدًا — قابلية التفسير متطلب منتج، لا تفضيل بحثي. احتاج التجار إلى فهم سبب وسم المعاملة.

عمل نظام الاحتيال بكمون sub-100ms لكل قرار، بما في ذلك استخراج السمات، واستدلال النموذج، وتطبيق القواعد. اقتضى ذلك وضع بيئة تشغيل الاستدلال في الموقع نفسه مع خدمة الدفع، لا تمرير القرار عبر API تنبؤ منفصل. كان التعقيد التشغيلي أعلى؛ وملف الكمون غير قابل للتفاوض.

2019: بوابة API V1، والتشفير الشبكي، ومنظومة SDK

ثلاثة خيوط متزامنة في 2019 لم تلتقِ إلا بعد سنوات.

بوابة API V1 وُلدت من مشكلة عملية: كان لدينا عشرة خدمات داخلية وأربعون تكاملًا خارجيًا. لكل خدمة قصتها في المصادقة، وتحديد المعدّل، وقابلية المراقبة. بنينا طبقة بوابة موحّدة — لم تكن بعد بوابة الذكاء الاصطناعي التي نشحنها اليوم، لكنها المعمارية التأسيسية نفسها: توجيه الطلبات، ووسيط المصادقة، وتحديد المعدّل لكل مستهلك، وتسجيل منظّم. بوابة Hanzo AI في 2026 هي التكرار الرئيسي السابع لهذا النظام.

بحث التشفير الشبكي بدأ عملًا في الخلفية. كان مسار توحيد التشفير ما بعد الكم لدى NIST جاريًا، وكنا نراقبه. السؤال الذي طرحناه: إذا كنا نبني بنية تحتية دائمة، فما نموذج التهديد التشفيري على أفق 15 عامًا؟ أشار الجواب بوضوح إلى المقاومة الكمومية. بدأنا دمج CRYSTALS-Dilithium وCRYSTALS-Kyber في بنية التوقيع التجريبية — عمل غذّى مباشرة بنية التوقيع ما بعد الكم في الإنتاج في العام التالي.

منظومة SDK: صدرت أولى حزم SDK من Hanzo في 2019، وتغطّي Python وTypeScript وGo. كان مبدأ التصميم أصغر سطح مع أكبر قابلية للتركيب. شحننا ستة أجيال من SDK منذ ذلك الحين. والمبدأ لم يتغيّر.

2020: التشفير ما بعد الكم في الإنتاج

انتقل بحث الشبكات من 2019 إلى الإنتاج في 2020. كانت منطلقات التصميم حادة: أمن ما بعد الكم من الأساس، وطبقة توقيع تستطيع استضافة منطق التطبيق بوصفه شأنًا من الدرجة الأولى، وخصائص أداء تجعل التواقيع المقاومة للكم عملية على نطاق واسع.

أدخل محرك التوقيع جولات التزام قائمة على العتبة توفّر ضمانات حتمية ضمن زمن محدود، بدل الاعتماد على أخذ العينات المتكرر لثقة احتمالية. النتيجة العملية: يُنجَز التحقق من التواقيع في أقل من ثانية واحدة في الظروف العادية، مع خصائص تدهور يمكن التنبؤ بها تحت الحمل العدائي.

كل مفتاح توقيع يستخدم CRYSTALS-Dilithium منذ البداية. ليس بوصفه مسار ترقية اختياريًا — بل بوصفه متطلبًا أساسيًا. كلفة أداء التواقيع ما بعد الكم حقيقية لكنها قابلة للإدارة؛ نشرنا قياساتنا، ومنها تحسينات التحقق المجمّع من التواقيع التي خفّضت الكلفة الإضافية لكل توقيع إلى ما دون 0.3ms.

2021: البحث متعدد الوسائط وأولى مسودات MCP

اتضحت لنا في 2021 قدرة معمارية المحوّلات، التي ثبتت، على توحيد تمثيلات النص والصورة والصوت. بدأنا برنامج بحث متعدد الوسائط صار في النهاية معمارية Jin — إطار ترميز وفك ترميز موحّد للفهم عبر الوسائط.

خرجت أولى مسودات بروتوكول سياق النموذج من خيط موازٍ: كنا نبني أطر الوكلاء ونواجه المشكلة الأساسية لإدارة الحالة عبر تفاعلات متعددة الجولات مع نماذج بلا ذاكرة دائمة. يعرّف بروتوكول MCP واجهة منظّمة لنوافذ السياق، واسترجاع الذاكرة، ونقل الحالة بين النماذج. كانت مسودات 2021 خشنة. وقد عالج تنفيذ الإنتاج في 2026 أكثر من مليار عملية سياق.

2022: بروتوكول ASO وأول ضبط دقيق للمحوّلات

إسهامان تقنيان من 2022 شكّلا السنوات الأربع التالية.

التحسين السربي التكيفي (ASO) بروتوكول تحسين موزّع مستوحى من سلوك الأسراب البيولوجي. حيث تحافظ الخوارزميات الجينية على أفراد جمهرة متقطعين، يحافظ ASO على حقل كثافة مستمر فوق فضاء المعلمات، بقواعد تحديث توازن معلومات التدرج المحلية وقيود الكثافة العامة. صُمّم البروتوكول لأوضاع تكون فيها دالة الهدف مكلفة التقييم وتكون التقييمات موزعة على حوسبة غير متجانسة — ملاءمة طبيعية لأنظمة الذكاء الاصطناعي متعددة الوكلاء. ظهر أول منشور عن ASO في أواخر 2022.

أول تشغيل إنتاجي للضبط الدقيق لمحوّل: ضبطنا محوّلًا مفتوح الأوزان من 7B معلمة لفهم المستندات الخاص بالتجارة. كلف التشغيل $6,200 من الحوسبة واستغرق 48 ساعة. كان النموذج الناتج أفضل من الأساس بنسبة 11% على حزمة تقييمنا، وأفضل بقدر ملحوظ على توزيع مهام الإنتاج لدينا. والأهم أن الخبرة التشغيلية — خطوط البيانات، وإعداد التدريب الموزع، وإدارة نقاط الحفظ، وعدة التقييم — صارت القالب لكل تشغيل تدريب لاحق. جودة العملية تتوسع؛ والتشغيلات المرتجلة لا تتوسع.

2023: HMM، وأطر الوكلاء، وبحث PoAI

الدمج الهرمي للنماذج (HMM) كان الجواب عن مشكلة ظلّت تواجهنا: كانت لدينا نماذج عدة مضبوطة بدقة، كل منها ممتاز في مجاله الضيق، وأردنا نموذجًا موحّدًا يرث أفضل ما فيها جميعًا. متوسط الأوزان الساذج يُضعِف كل المتخصصين. يطبّق HMM استراتيجية دمج هرمية تتعرّف التمثيلات الخاصة بالمجال في فضاء الأوزان وتحفظها أثناء الدمج، بدل أن يمحوها المتوسط. أظهرت التقنية تحسنًا بنسبة 4-7% على الدمج الساذج في تقييمات المجالات المحجوزة.

أطر الوكلاء: صدرت أول بيئة تشغيل لوكلاء Hanzo في 2023، مبنية على بروتوكول MCP مع استخدام الأدوات، واسترجاع الذاكرة، والتخطيط متعدد الخطوات. كان التصميم متعمدًا: الوكلاء عمليات ذات حالة، لا معالجات طلبات بلا حالة. تدير بيئة التشغيل دورة حياة الوكيل كاملة — التهيئة، وإيفاد الأدوات، واستمرار الحالة، والتعافي من الخطأ. بناء هذا على مستوى البروتوكول، لا بوصفه شفرة تطبيق، جعل التكاملات اللاحقة مباشرة.

بحث إجماع إثبات الذكاء الاصطناعي (PoAI): هل يمكن جعل حساب الذكاء الاصطناعي قابلًا للتحقق واستخدامه لبنة أساسية للإجماع؟ سؤال البحث ليس هينًا — حسابات الذكاء الاصطناعي غير حتمية بطبيعتها على مستوى الفاصلة العائمة. عالج بحث PoAI هذا عبر مخططات تكميم حتمية تجعل التمريرات الأمامية قابلة للتكرار عبر العتاد، فتمكّن إجماعًا قائمًا على العتبة فوق مخرجات النموذج. غذّى البحث معمارية zLLM في شبكة Zoo.

2024: بداية Zen LM، ومعمارية Jin، وأدوات Hanzo MCP

بدأ مشروع Zen LM في 2024 بأطروحة بسيطة: أفضل النماذج مفتوحة الأوزان ينبغي أن يبنيها من لديهم أكبر خبرة إنتاج في تشغيلها. كانت تلك الخبرة لدينا.

كانت أولى نماذج Zen ضبطًا دقيقًا لنماذج أساس من سلسلة Qwen3-series، تستهدف ملامح قدرة محددة: توليد الشفرة، والاستدلال طويل السياق، واتباع التعليمات. توسّع خط التدريب الذي بُني في 2022 ليدعم تشغيلات بـ 70B+ معلمة من دون إعادة تصميم جوهرية — واستثمار العملية آتى أكله.

صاغت معمارية Jin بحثنا متعدد الوسائط في نظام إنتاج. يستخدم Jin فضاء رموز موحّدًا للنص، ورقع الصور، ومخططات طيف الصوت — بلا مرمّزات خاصة بكل وسيط تتطلب مسارات تدريب واستدلال منفصلة. أزال تبسيط المعمارية فئة كاملة من تعقيد التقديم: نموذج واحد، وبيئة استدلال واحدة، ووسائط عدة.

أدوات Hanzo MCP صدرت بوصفها أول تنفيذ علني لبروتوكول سياق النموذج. تغطّي حزمة الأدوات البحث في الويب، وتنفيذ الشفرة، وعمليات الملفات، واسترجاع الذاكرة، والتواصل بين الوكلاء. دمج أكثر من عشرة آلاف مطوّر أدوات MCP خلال الربع الأول من توفرها.

2025: عائلة Zen على نطاق واسع، ومعمارية MoDE، وzenlm.org

أربعة وتسعون نموذجًا. ذلك ما ضمّته عائلة Zen بنهاية 2025.

اقتضى النطاق معمارية تقديم ما كان يمكن تصميمها لولا بحث BitDelta (arXiv:2402.10193): فروق النماذج المضبوطة بدقة مضغوطة إلى تمثيلات ببت الإشارة بطول 1-bit، فتنخفض ذاكرة GPU لكل تنويعة من عشرات الجيجابايت إلى جيجابايت برقم واحد. مع وزن أساس مشترك في ذاكرة GPU وفروق سلوكية لكل نموذج في طبقة تخزين مؤقت، نستطيع تقديم 14 تنويعة من Zen من بصمة بنية تحتية كانت تكفي سابقًا لاثنين أو ثلاثة.

Zen MoDE — مزيج الخبراء المقطّرة — هو الاختراق المعماري الذي وسم 2025. نماذج MoE التقليدية تدرّب الخبراء من الصفر. يجمع MoDE ثلاث تقنيات: تهيئة الخبراء من التقطير (لا من العشوائية)، وDrop-Upcycling (arXiv:2502.19261) لكسر ارتباط الأوزان بين الخبراء، وبروتوكول الدمج HMM لدينا لتخصيص الخبراء لاحقًا من دون إعادة تدريب كاملة. النتيجة: يحقق Zen4 Max جودة فئة 13B بإجمالي 30B معلمة و3B فقط نشطة في كل تمريرة أمامية.

التنويعات Abliterated: عمل إزالة الرفض — المطبَّق بعناية وعمد على نماذج مخصصة للبحث والاستخدام المهني — بيّن أن الخصائص السلوكية قابلة للتوطين في فضاء الأوزان. فهم موضع السلوك داخل النموذج معرفة أساسية، لا سبيل التفاف. سلسلة zen4-abliterated هي أول عائلة نماذج تُشحن بإحداثيات موثّقة لتوطين السلوك.

2026: بوابة Hanzo AI وما يأتي بعد

يمثل إطلاق البوابة في فبراير 2026 ذروة عمل بوابة API الذي بدأ في 2019: نقطة نهاية واحدة لـ 100+ نموذج، متوافقة مع OpenAI، بلا إضافة على سعر مزودي الطرف الثالث، ونماذج Zen هي الطبقة الخاصة.

خيوط البحث النشطة حاليًا:

GT-QLoRA: تكييف منخفض الرتبة مُكمَّم مع إذابة البوابات لضبط سلوك MoE. تطبيق LoRA القياسي على نماذج MoE يترك بوابات التوجيه مجمّدة، فيمنع الضبط الدقيق من التأثير في اختيار الخبراء. يحرر GT-QLoRA معلمات البوابة بتحديثات مقيّدة — تستطيع بنية التوجيه أن تتكيّف مع بقاء تخصص الخبراء.

DSO (التحسين الدلالي اللامركزي): البروتوكول الذي تقوم عليه معمارية zLLM لدى Zoo. تكييف بلا حوسبة عبر حقن الخبرة، تحكمه آليات DAO. الفجوة بين تكلفة الضبط الدقيق ($15K+) وتكلفة DSO ($18) حقيقية. المعمارية في الإنتاج على شبكة Zoo.

MPC الآمن كموميًا: بروتوكولات حوسبة متعددة الأطراف لأوزان النماذج باستخدام بدائيات ما بعد الكم. إذا كانت أوزان النماذج أثمن ملكية فكرية في بنية الذكاء الاصطناعي التحتية، فهي تستحق حماية تشفيرية تعادل أفضل الأصول المالية.

اثنا عشر عامًا زمن طويل في الذكاء الاصطناعي. طويل بما يكفي لرؤية دورات الضجيج تجيء وترحل، ورؤية أنساق كاملة يحل بعضها محل بعض، ورؤية شركات بُنيت على SOTA العام الماضي تنهار حين يتحرك SOTA. ما يبقى هو البنية التحتية: خطوط البيانات، وأنظمة التقديم، وتنفيذات البروتوكولات، والمعرفة التشغيلية المكتسبة بشق الأنفس التي تجعل شحن الذكاء الاصطناعي وتشغيله على نطاق واسع أمرًا ممكنًا فعلًا.

نبني تلك البنية التحتية منذ 2014. ولم ننتهِ.

Hanzo AI هو Techstars '17. نبني ذكاءً اصطناعيًا رائدًا والبنية التحتية لتشغيله. hanzo.ai