# هل يوفّر نموذج مزيج الخبراء (MoE) الطاقة فعلًا؟

> كيف تُفعّل نماذج مزيج الخبراء جزءًا فقط من معاملاتها لكل رمز، ومتى يوفّر ذلك الطاقة مقارنة بنموذج كثيف، وما الذي يجب قياسه.

Source: https://greenai.guide/ar/كيف/هل-يوفّر-نموذج-مزيج-الخبراء-moe-الطاقة-فعلًا/  
Updated: 2026-11-19

## باختصار

يوجّه نموذج مزيج الخبراء كل رمز (token) إلى عدد قليل من الشبكات الفرعية المتخصصة، فلا يعمل إلا جزء من النموذج لكل رمز. فـ Mixtral، مثلًا، يضم 47 مليار معامل لكنه يستخدم 13 مليارًا لكل رمز. وقد يخفّض ذلك الحوسبة لكل إجابة مقارنة بنموذج كثيف بجودة مماثلة، لكن جميع الخبراء يجب أن يبقوا في الذاكرة، لذا قارنوا الجودة وزمن الاستجابة والطاقة لكل طلب على عتادكم الخاص.

## Steps

1. اختاروا نموذج مزيج خبراء ونموذجًا كثيفًا بجودة مماثلة لمهمتكم.
2. تحققوا من أن كليهما يتسع في ذاكرة GPU المتاحة لديكم، مع احتساب جميع الخبراء.
3. شغّلوا الاثنين على مجموعة التقييم لديكم بحجم دفعتكم الفعلي.
4. قارنوا الجودة وزمن الاستجابة والطاقة لكل طلب جنبًا إلى جنب.
5. اختاروا بناءً على المعايير الثلاثة، وفكّروا في نموذج كثيف أصغر إن نجح.

**يمكن لنماذج مزيج الخبراء (MoE) أن تقدّم جودة النماذج الكبيرة بحوسبة أقل لكل رمز (token)، لكن ليس بذاكرة أقل.** وكونها
توفّر الطاقة لكم يعتمد على عتادكم وحركتكم.

## كيف يعمل مزيج الخبراء؟ {#how-does-a-mixture-of-experts-work}

يستخدم النموذج الكثيف كل معامل لكل رمز. أما نموذج MoE فيضم شبكات فرعية "خبيرة" كثيرة وموجّهًا صغيرًا يختار بضعة خبراء
لكل رمز. ويمنح نموذج Mixtral of Experts من Jiang وزملائه كل رمز إمكانية الوصول إلى 47 مليار معامل، لكنه لا يستخدم إلا 13
مليار معامل نشط أثناء الاستدلال، ويُفيد المؤلفون بأنه يتفوق على Llama 2 70B وGPT-3.5 أو يضاهيهما في المعايير التي
قيّموها. انظروا أيضًا [مدخل المسرد](/ar/المسرد/#mixture-of-experts).

## متى يوفّر الطاقة؟ {#when-does-it-save-energy}

- **مقارنة بنموذج كثيف بجودة مماثلة**، يعني عدد أقل من المعاملات النشطة في العادة حوسبة أقل لكل رمز.
- **حين تتوفر لديكم الذاكرة.** فجميع الخبراء يجب تحميلهم، لذا قد تحتاجون إلى عدد وحدات GPU نفسه الذي يحتاج إليه النموذج
  الكثيف. والذاكرة الخاملة تظل تسحب الكهرباء.
- **عند استغلال جيد.** مع التجميع في دفعات، تستخدم الرموز المختلفة خبراء مختلفين، ما يُبقي العتاد أكثر انشغالًا.

## أخطاء شائعة {#common-mistakes}

- **المقارنة بخط أساس خاطئ.** إن كان نموذج كثيف صغير يبلغ مستوى الجودة المطلوب، فسيتفوق في العادة على الاثنين.
  انظروا [كيف تختارون نموذج ذكاء اصطناعي أصغر](/ar/كيف/كيف-أختار-نموذج-ذكاء-اصطناعي-أصغر/).
- **اعتبار المعاملات النشطة الكلفة كلها.** فالذاكرة والاتصال بين وحدات GPU وأعباء التوجيه تُحسب أيضًا.
- **عدم القياس.** حيث تغطي التصنيفات العامة مثل AI Energy Score مرشحيكم، استخدموها؛ وإلا فاختبروا الاثنين على العتاد
  نفسه.

للاطلاع على المنهجية الأوسع، اقرؤوا [اختاروا النموذج المناسب](/ar/الممارسات-الجيدة/اختاروا-النموذج-المناسب-للمهمة/).

## المصادر

- [Mixtral of experts](https://arxiv.org/abs/2401.04088), Jiang et al., Mistral AI (2024)
- [AI Energy Score](https://huggingface.github.io/AIEnergyScore/), Hugging Face (2025)
