راهنمای جامع اجرای هوش مصنوعی روی سیستم شخصی: مزایا و روش‌های استفاده از هوش مصنوعی آفلاین

اجرای هوش مصنوعی روی سیستم شخصی دیگر فقط یک ایده تخصصی برای برنامه‌نویسان و پژوهشگران نیست؛ امروزه بسیاری از کاربران می‌توانند مدل‌های زبانی، ابزارهای تولید تصویر و دستیارهای هوشمند را مستقیماً روی رایانه خود اجرا کنند. این روش به اینترنت دائمی وابسته نیست و امکان پردازش داده‌ها را در محیطی خصوصی‌تر فراهم می‌کند. هوش مصنوعی آفلاین، در صورت انتخاب مدل و سخت‌افزار مناسب، می‌تواند برای تولید متن، خلاصه‌سازی، ترجمه، تحلیل فایل‌ها و انجام برخی وظایف روزمره، گزینه‌ای کاربردی و قابل‌اعتماد باشد.

برای شروع، باید توان پردازشی سیستم، مقدار حافظه رم، فضای ذخیره‌سازی و وجود کارت گرافیک مناسب بررسی شود؛ زیرا اجرای مدل‌های بزرگ به منابع بیشتری نیاز دارد. کاربران می‌توانند از برنامه‌های آماده برای مدیریت مدل‌های محلی استفاده کنند یا سراغ ابزارهای تخصصی‌تر بروند که امکان تنظیمات دقیق‌تری ارائه می‌دهند. در اجرای هوش مصنوعی روی سیستم شخصی، انتخاب مدل کم‌حجم و بهینه‌شده اهمیت زیادی دارد؛ چون چنین مدل‌هایی معمولاً سرعت بالاتر و مصرف منابع کمتری دارند و برای استفاده روزمره مناسب‌تر هستند.

چرا باید به فکر اجرای هوش مصنوعی روی سیستم شخصی باشیم؟

یکی از مهم‌ترین دلایلی که کاربران را به سمت اجرای هوش مصنوعی روی سیستم شخصی سوق می‌دهد، حفظ حریم خصوصی و کنترل بیشتر بر داده‌هاست. زمانی که مدل به‌صورت محلی اجرا می‌شود، فایل‌ها، متن‌ها و اطلاعات حساس الزاماً به سرورهای خارجی ارسال نمی‌شوند و این موضوع برای کسب‌وکارها، تولیدکنندگان محتوا و حتی کاربران عادی اهمیت زیادی دارد. علاوه بر این، هوش مصنوعی آفلاین می‌تواند در شرایطی که اینترنت ضعیف، ناپایدار یا محدود است نیز بدون توقف به کار خود ادامه دهد و تجربه‌ای پایدارتر ارائه کند.

دلیل مهم دیگر، کاهش وابستگی به سرویس‌های اشتراکی و افزایش انعطاف‌پذیری در استفاده است. بسیاری از ابزارهای آنلاین هوش مصنوعی دارای محدودیت درخواست، هزینه ماهانه یا قوانین متغیر هستند، اما وقتی مدل روی رایانه شخصی اجرا شود، کاربر آزادی بیشتری برای آزمایش، شخصی‌سازی و استفاده مداوم خواهد داشت. اجرای هوش مصنوعی روی سیستم شخصی همچنین به کاربران کمک می‌کند سرعت پاسخ‌گویی، نوع مدل و شیوه پردازش را متناسب با نیاز خود تنظیم کنند و محیطی اختصاصی‌تر برای کارهای حرفه‌ای بسازند.

تفاوت هوش مصنوعی ابری (Cloud) با هوش مصنوعی آفلاین چیست؟

هوش مصنوعی ابری برای پردازش درخواست‌ها به سرورهای ارائه‌دهنده خدمات وابسته است؛ داده ابتدا از طریق اینترنت ارسال می‌شود و نتیجه پس از پردازش بازمی‌گردد. در مقابل، هوش مصنوعی آفلاین روی رایانه یا سرور شخصی اجرا می‌شود و برای پاسخ‌گویی به اتصال دائمی اینترنت نیاز ندارد. تفاوت این دو روش در محل پردازش، میزان کنترل بر داده‌ها، هزینه، سرعت، قدرت مدل و وابستگی به شبکه مشخص می‌شود و انتخاب نهایی به نیاز کاربر بستگی دارد.

مقایسه هوش مصنوعی ابری و هوش مصنوعی آفلاین:

هوش مصنوعی ابری برای کاربرانی مناسب است که به مدل‌های بزرگ، قابلیت‌های پیشرفته و به‌روزرسانی‌های منظم نیاز دارند، بدون آنکه سخت‌افزار قدرتمندی تهیه کنند. هوش مصنوعی آفلاین برای اطلاعات محرمانه، محیط‌های بدون اینترنت و استفاده مستمر گزینه مناسب‌تری است؛ بااین‌حال، عملکرد آن به پردازنده، رم، کارت گرافیک و مدل انتخابی وابسته خواهد بود. سرویس ابری معمولاً هزینه اشتراک یا مصرف دارد، اما اجرای هوش مصنوعی روی سیستم شخصی بیشتر به سرمایه‌گذاری اولیه و نگهداری سخت‌افزار نیازمند است. ترکیب هر دو روش نیز گاهی انتخابی متعادل و کاربردی محسوب می‌شود.

مزایای کلیدی استفاده از مدل‌های زبانی محلی (Local LLMs)

مدل‌های زبانی محلی یا Local LLMs، ابزارهایی هستند که مستقیماً روی رایانه شخصی یا سرور داخلی اجرا می‌شوند و برای پردازش درخواست‌ها به ارسال دائمی داده‌ها به سرویس‌های ابری نیاز ندارند. این مدل‌ها می‌توانند در تولید محتوا، خلاصه‌سازی، ترجمه، پاسخ‌گویی و تحلیل اطلاعات به کار گرفته شوند. استفاده از آن‌ها برای کاربرانی مناسب است که علاوه بر بهره‌مندی از قابلیت‌های هوش مصنوعی، به حریم خصوصی، کنترل داده‌ها، دسترسی پایدار و امکان شخصی‌سازی محیط پردازش اهمیت می‌دهند.

مهم‌ترین مزایای مدل‌های زبانی محلی:

• حفظ حریم خصوصی: اطلاعات روی سیستم شخصی پردازش می‌شوند و نیاز به ارسال آن‌ها به سرورهای خارجی کاهش می‌یابد.
• استفاده بدون اینترنت: مدل در محیط‌های بدون اتصال یا دارای اینترنت ناپایدار نیز قابل اجراست.
• کاهش هزینه‌های اشتراک: کاربر به پرداخت ماهانه یا محدودیت‌های رایج سرویس‌های ابری وابسته نیست.
• کنترل بیشتر: امکان انتخاب مدل، تنظیمات اجرا، نسخه نرم‌افزار و شیوه مدیریت داده‌ها وجود دارد.
• شخصی‌سازی بهتر: مدل را می‌توان به فایل‌ها، ابزارها و نیازهای اختصاصی کاربر یا سازمان متصل کرد.
• انعطاف‌پذیری در توسعه: برنامه‌نویسان می‌توانند مدل‌های مختلف را آزمایش و در پروژه‌های داخلی استفاده کنند.
• پاسخ‌گویی محلی: در صورت برخورداری از سخت‌افزار مناسب، ارتباط مستقیم با مدل می‌تواند تأخیر شبکه را حذف کند.

اجرای هوش مصنوعی روی سیستم شخصی به کاربران اجازه می‌دهد محیطی متناسب با نیاز خود بسازند و وابستگی کمتری به سیاست‌ها یا تغییرات سرویس‌های آنلاین داشته باشند. بااین‌حال، کیفیت عملکرد مدل‌های محلی به عواملی مانند مقدار رم، توان پردازنده، کارت گرافیک، حجم مدل و روش بهینه‌سازی وابسته است. بنابراین پیش از نصب، باید مدلی متناسب با سخت‌افزار انتخاب شود. هوش مصنوعی آفلاین برای داده‌های محرمانه و کارهای مستمر مناسب است، اما نگهداری و به‌روزرسانی آن بر عهده کاربر خواهد بود.

پیش‌نیازهای سخت‌افزاری برای اجرای هوش مصنوعی در سیستم شخصی

برای اجرای هوش مصنوعی روی سیستم شخصی، ابتدا باید توان سخت‌افزاری رایانه را با نیازهای مدل انتخابی مقایسه کرد. پردازنده چند‌هسته‌ای مناسب، حداقل ۱۶ گیگابایت رم و فضای ذخیره‌سازی سریع مانند SSD، نقطه شروع قابل‌قبولی برای مدل‌های سبک و متوسط هستند. بااین‌حال، مدل‌های بزرگ‌تر به حافظه بیشتری نیاز دارند و وجود کارت گرافیک مجزا می‌تواند سرعت پردازش را به شکل محسوسی افزایش دهد. مقدار حافظه گرافیکی یا VRAM، در اجرای مدل‌های محلی اهمیت ویژه‌ای دارد.

کارت گرافیک قدرتمند برای پردازش موازی مدل‌های زبانی و تولید تصویر کاربرد دارد، اما همه کاربران الزاماً به سخت‌افزار حرفه‌ای نیاز ندارند. مدل‌های کم‌حجم و فشرده‌شده را می‌توان با پردازنده و رم مناسب نیز اجرا کرد؛ هرچند سرعت پاسخ‌گویی ممکن است کمتر باشد. فضای کافی برای نصب مدل‌ها، سیستم خنک‌کننده مناسب و منبع تغذیه پایدار نیز نباید نادیده گرفته شوند. پیش از نصب هوش مصنوعی آفلاین، بهتر است مشخصات مدل، حجم فایل و میزان رم یا VRAM موردنیاز آن بررسی شود.

معرفی بهترین نرم‌افزارها و پلتفرم‌ها برای اجرای هوش مصنوعی آفلاین

برای اجرای هوش مصنوعی آفلاین، ابزارهای مختلفی وجود دارند که هرکدام برای گروه خاصی از کاربران طراحی شده‌اند. برخی نرم‌افزارها رابط گرافیکی ساده‌ای دارند و برای کاربران عادی مناسب‌اند، درحالی‌که بعضی دیگر مانند محیط‌های توسعه و سرویس‌های محلی، کنترل بیشتری در اختیار برنامه‌نویسان قرار می‌دهند. انتخاب ابزار مناسب به عواملی مانند نوع مدل، سیستم‌عامل، توان سخت‌افزاری، نیاز به رابط کاربری، استفاده از API و میزان شخصی‌سازی مورد انتظار بستگی دارد.

نرم‌افزارها و پلتفرم‌های پیشنهادی برای اجرای مدل‌های محلی:

• Ollama: محیطی ساده برای اجرای مدل‌های زبانی محلی از طریق خط فرمان و API؛ مناسب توسعه‌دهندگان و ساخت برنامه‌های مبتنی بر مدل‌های محلی.
• LM Studio: نرم‌افزاری گرافیکی برای دانلود، مدیریت و اجرای مدل‌ها با امکان راه‌اندازی سرور محلی و استفاده از API سازگار با OpenAI.
• GPT4All: چت‌بات دسکتاپ خصوصی برای اجرای مدل‌های زبانی روی ویندوز، مک و لینوکس، همراه با قابلیت گفت‌وگو با اسناد محلی.
• Jan: پلتفرمی متن‌باز با ظاهر شبیه ChatGPT که امکان اجرای مدل‌های محلی و اتصال به برخی ارائه‌دهندگان آنلاین را فراهم می‌کند.
• llama.cpp: موتور سبک و کم‌وابستگی برای اجرای مدل‌ها با کنترل فنی بیشتر، پشتیبانی از پردازنده و کارت گرافیک و استفاده از مدل‌های GGUF.
• LocalAI: موتور سرویس‌دهی محلی با API سازگار با OpenAI که از مدل‌های متنی، تصویری و صوتی روی پردازنده یا کارت گرافیک پشتیبانی می‌کند.
• Open WebUI: رابط وب self-hosted برای کار با مدل‌های محلی یا ابری که می‌تواند به ابزارهایی مانند Ollama و LocalAI متصل شود.

برای کاربران تازه‌کار، LM Studio و GPT4All معمولاً شروع ساده‌تری دارند؛ زیرا نصب مدل و گفت‌وگو با آن‌ها از طریق رابط گرافیکی انجام می‌شود. توسعه‌دهندگان می‌توانند از Ollama یا llama.cpp برای ساخت برنامه، استفاده از API و مدیریت دقیق‌تر منابع بهره ببرند. در پروژه‌هایی که به یک محیط وب چندکاربره نیاز دارند، اتصال Open WebUI به Ollama یا LocalAI گزینه کاربردی‌تری است. هنگام اجرای هوش مصنوعی روی سیستم شخصی، بهتر است پیش از نصب، سازگاری مدل با رم، پردازنده و کارت گرافیک بررسی شود.

گام‌به‌گام: چطور مدل‌های هوش مصنوعی را روی کامپیوتر خود نصب کنیم؟

نخست باید هدف خود را مشخص کنید؛ زیرا مدل مناسب برای گفت‌وگوی متنی، تولید تصویر، برنامه‌نویسی یا تحلیل اسناد یکسان نیست. سپس مشخصات سیستم، شامل نوع پردازنده، مقدار رم، فضای خالی SSD و حافظه کارت گرافیک را بررسی کنید. برای شروع، مدل‌های کم‌حجم و فشرده‌شده انتخاب بهتری هستند؛ زیرا منابع کمتری مصرف می‌کنند. همچنین باید سیستم‌عامل و معماری رایانه را در نظر بگیرید تا نرم‌افزار اجرای مدل با دستگاه شما سازگار باشد و فرایند نصب بدون خطا پیش برود.

در گام بعد، یکی از ابزارهای اجرای مدل محلی مانند Ollama، LM Studio یا GPT4All را از وب‌سایت رسمی آن دریافت و نصب کنید. پس از اجرای برنامه، فهرست مدل‌های سازگار را بررسی کرده و مدلی متناسب با توان سخت‌افزاری سیستم انتخاب کنید. حجم فایل مدل و میزان رم یا VRAM موردنیاز آن را پیش از دانلود بخوانید. بعضی مدل‌ها با فرمت‌هایی مانند GGUF عرضه می‌شوند و برای اجرای هوش مصنوعی روی سیستم شخصی، بهینه‌سازی مناسبی دارند و فضای کمتری اشغال می‌کنند.

پس از دانلود مدل، آن را در محیط نرم‌افزار بارگذاری و یک گفت‌وگوی آزمایشی اجرا کنید. سرعت پاسخ، میزان مصرف حافظه، دمای سخت‌افزار و کیفیت خروجی را بررسی کنید؛ زیرا عملکرد واقعی ممکن است با نیاز اعلام‌شده مدل تفاوت داشته باشد. اگر پاسخ‌گویی کند بود، مدل کوچک‌تری انتخاب کنید یا تعداد پردازش‌های هم‌زمان را کاهش دهید. در این مرحله، هوش مصنوعی آفلاین بدون ارسال درخواست به سرور خارجی کار می‌کند، اما به‌روزرسانی نرم‌افزار، مدل‌ها و تنظیمات امنیتی همچنان باید به‌صورت دوره‌ای انجام شود.

چالش‌ها و محدودیت‌های اجرای هوش مصنوعی بر روی سخت‌افزار خانگی

اجرای هوش مصنوعی روی سیستم شخصی مزایای مهمی مانند حفظ حریم خصوصی و کاهش وابستگی به اینترنت دارد، اما بدون محدودیت نیست. مدل‌های زبانی و تصویری، به‌ویژه نسخه‌های بزرگ، برای پاسخ‌گویی روان به رم، فضای ذخیره‌سازی و توان پردازشی قابل‌توجهی نیاز دارند. در بسیاری از رایانه‌های خانگی، نبود کارت گرافیک مجزا یا حافظه گرافیکی کافی باعث کندی تولید پاسخ می‌شود. همچنین انتخاب نادرست مدل می‌تواند مصرف منابع را افزایش دهد و تجربه کاربر را تحت تأثیر قرار دهد.

مهم‌ترین چالش‌های اجرای مدل‌های محلی:

• نیاز به سخت‌افزار مناسب: مدل‌های بزرگ معمولاً به رم و VRAM بیشتری نیاز دارند.
• سرعت پاسخ‌گویی کمتر: اجرای مدل روی پردازنده، نسبت به کارت گرافیک قدرتمند، زمان بیشتری می‌برد.
• محدودیت در انتخاب مدل: همه مدل‌های پیشرفته روی سیستم‌های معمولی قابل اجرا نیستند.
• مصرف فضای ذخیره‌سازی: فایل مدل‌ها، نسخه‌های فشرده و داده‌های جانبی می‌توانند فضای زیادی اشغال کنند.
• گرما و مصرف انرژی: پردازش طولانی‌مدت ممکن است دمای سیستم و مصرف برق را افزایش دهد.
• نیاز به تنظیمات فنی: نصب ابزار، انتخاب فرمت مدل و رفع خطاها برای کاربران مبتدی دشوار است.
• به‌روزرسانی دستی: نگهداری نرم‌افزار و مدل‌ها غالباً بر عهده خود کاربر قرار دارد.

برای مدیریت این محدودیت‌ها، بهتر است کاربران با مدل‌های کوچک و فشرده‌شده آغاز کنند و پس از بررسی عملکرد، به سراغ گزینه‌های بزرگ‌تر بروند. استفاده از SSD، افزایش رم و انتخاب مدل سازگار با پردازنده یا کارت گرافیک، تأثیر زیادی بر تجربه استفاده دارد. هوش مصنوعی آفلاین برای کارهای روزمره، تحلیل اسناد خصوصی و آزمایش مدل‌ها بسیار مفید است، اما نباید انتظار داشت همه مدل‌های ابری بزرگ با همان سرعت و کیفیت روی هر رایانه خانگی اجرا شوند.

بهینه‌سازی سرعت اجرای هوش مصنوعی آفلاین در سیستم‌های ضعیف‌تر

اجرای هوش مصنوعی آفلاین روی رایانه‌های ضعیف‌تر با انتخاب مدل مناسب و تنظیم درست نرم‌افزار امکان‌پذیر است. مدل‌های کوچک و فشرده‌شده معمولاً به رم و توان پردازشی کمتری نیاز دارند و سریع‌تر پاسخ می‌دهند. پیش از نصب، باید حجم مدل، تعداد پارامترها و میزان حافظه موردنیاز آن بررسی شود. استفاده از حافظه SSD، بستن برنامه‌های اضافی و به‌روزرسانی درایورهای سخت‌افزاری نیز می‌تواند زمان بارگذاری و سرعت پردازش را بهبود دهد و فشار کمتری به سیستم وارد کند.

راهکارهای افزایش سرعت اجرای مدل‌های محلی:

• انتخاب مدل‌های کم‌حجم و کم‌پارامتر متناسب با توان سیستم
• استفاده از نسخه‌های کوانتیده‌شده مانند مدل‌های چهار یا هشت‌بیتی
• کاهش طول متن ورودی و محدودکردن اندازه حافظه مکالمه
• بستن مرورگر و برنامه‌های غیرضروری هنگام اجرای مدل
• استفاده از SSD به‌جای هارددیسک معمولی برای ذخیره و بارگذاری مدل
• کاهش تعداد درخواست‌های هم‌زمان و پردازش‌های پس‌زمینه
• فعال‌کردن شتاب‌دهی سخت‌افزاری در صورت پشتیبانی نرم‌افزار
• انتخاب مدل‌های تخصصی برای کار مشخص، به‌جای مدل‌های عمومی بزرگ

در سیستم‌های ضعیف، کوانتایز کردن مدل یکی از مؤثرترین روش‌ها برای کاهش مصرف حافظه و افزایش سرعت است؛ هرچند کاهش بیش‌ازحد دقت ممکن است کیفیت پاسخ را کمی پایین بیاورد. همچنین بهتر است اندازه متن ورودی و خروجی محدود شود، زیرا پردازش زمینه‌های طولانی منابع بیشتری مصرف می‌کند. اجرای هوش مصنوعی روی سیستم شخصی زمانی روان‌تر خواهد بود که مدل با سخت‌افزار هماهنگ انتخاب شود. اگر سرعت همچنان پایین بود، استفاده از مدل کوچک‌تر یا ترکیب پردازنده و کارت گرافیک می‌تواند نتیجه بهتری ایجاد کند.

کاربردهای عملی هوش مصنوعی محلی در حوزه‌های مختلف

هوش مصنوعی محلی در بسیاری از کارهای روزمره و حرفه‌ای، بدون ارسال اطلاعات به سرورهای خارجی قابل استفاده است. کاربران می‌توانند از آن برای تولید و ویرایش متن، خلاصه‌سازی مقاله‌ها، ترجمه، استخراج اطلاعات از اسناد و پاسخ‌گویی به پرسش‌های داخلی استفاده کنند. دانشجویان و پژوهشگران نیز می‌توانند فایل‌های آموزشی خود را به‌صورت آفلاین بررسی کنند و محتوای پیچیده را بهتر سازمان دهند. این روش برای افرادی که با داده‌های محرمانه کار می‌کنند، کنترل بیشتری بر اطلاعات فراهم می‌سازد.

در محیط‌های کاری، اجرای هوش مصنوعی روی سیستم شخصی یا سرور داخلی می‌تواند به خودکارسازی فرایندهای مختلف کمک کند. تهیه پیش‌نویس ایمیل، دسته‌بندی درخواست‌های مشتریان، جست‌وجو در اسناد سازمانی، تولید گزارش و تحلیل داده‌های متنی، از کاربردهای رایج این فناوری هستند. برنامه‌نویسان نیز می‌توانند برای تکمیل کد، توضیح خطاها، تولید نمونه‌های آزمایشی و مستندسازی پروژه‌ها از مدل‌های محلی بهره ببرند. اجرای این وظایف در محیط داخلی، وابستگی به سرویس‌های ابری را کاهش می‌دهد.

در حوزه‌های تخصصی‌تر، هوش مصنوعی آفلاین برای پردازش تصویر، تبدیل گفتار به متن، تشخیص الگو و تحلیل داده‌های حسگرها نیز کاربرد دارد. فروشگاه‌ها می‌توانند موجودی کالا را بررسی کنند، کارگاه‌ها وضعیت تجهیزات را تحلیل کنند و مراکز آموزشی ابزارهای هوشمند خود را با نیازهای محلی هماهنگ سازند. البته کیفیت نتیجه به مدل، داده‌های مورد استفاده و توان سخت‌افزاری بستگی دارد. بنابراین پیش از انتخاب ابزار، باید هدف، سطح محرمانگی اطلاعات و منابع سیستم به‌دقت ارزیابی شود.

آینده‌ی شخصی‌سازی شده: وقتی هوش مصنوعی با سیستم شما یکی می‌شود

تا چند سال پیش، «شخصی‌سازی» بیشتر یعنی پیشنهاد فیلم بعدی یا تنظیم تم تاریک. امروز مرز بین «ابزار» و «محیط» کم‌کم محو می‌شود: هوش مصنوعی دیگر فقط در یک اپ جداگانه جواب می‌دهد؛ به فایل‌ها، تقویم، ایمیل، ترجیحات کاری و حتی عادت‌های زمانی شما دسترسی دارد—البته با اجازه‌ی شما. وقتی با سیستم‌تان یکی شود، منظور این نیست که همه‌چیز را خودکار کند؛ یعنی زمینه را بفهمد: الان در حال نوشتنید یا در جلسه‌اید، چه سبکی از خلاصه‌سازی می‌خواهید، و کدام کارها را اصلاً نباید بدون تأیید شما انجام دهد. نتیجه کمتر «چت‌بات هوشمند» و بیشتر هم‌راهی است که پیش‌بینی می‌کند چه چیزی به شما کمک می‌کند، نه اینکه فقط به سؤال پاسخ دهد.

این یکپارچگی فرصت و ریسک دارد. از یک طرف، اصطکاک روزمره کم می‌شود: پیش‌نویس پاسخ‌ها، یادآوری بر اساس اولویت واقعی، جستجو در اسناد با زبان طبیعی، و یادگیری از بازخورد شما بدون اینکه هر بار از صفر شروع کند. از طرف دیگر، هرچه AI عمیق‌تر در سیستم بنشیند، حریم خصوصی، امنیت و شفافیت مهم‌تر می‌شود—شما باید بدانید چه داده‌ای کجا می‌رود، چه زمانی مدل «فراموش» می‌کند، و چطور می‌توانید مرزها را بکشید. آینده‌ی شخصی‌سازی‌شده احتمالاً به سمت عامل‌هایی می‌رود که در پس‌زمینه کار می‌کنند، ولی همیشه قابل توقف، قابل ممیزی و تحت کنترل شما هستند؛ نه جایگزین قضاوت انسانی، بلکه لایه‌ای که سیستم را برای شما بهینه می‌کند، نه برای میانگین یک میلیارد کاربر.

پیشنهاد مطالعه: ملزومات هوش مصنوعی Gemma 4