Nativ: حذف هزینه‌های اشتراکی با انتقال پردازش هوش مصنوعی به سیستم

تصور کنید تمام قدرت تحلیل مدل‌های زبانی پیشرو را دارید، اما بدون اینکه حتی یک کلمه از داده‌های حساس شما از محیط لپ‌تاپ خارج شود. با Nativ، دیگر نیازی نیست برای دسترسی به هوش مصنوعی، هر ماه مبلغی را به شرکت‌های ابری بپردازید یا منتظر پاسخ‌های کندِ سرورهای دوردست باشید.

این ابزار که در ۲۰ ژوئیه ۲۰۲۶ منتشر شد، اجازه می‌دهد مدل‌های هوش مصنوعی مستقیماً روی تراشه‌های Apple Silicon اجرا شوند. طبق اعلام توسعه‌دهندگان، هدف Nativ حذف کامل حساب‌های کاربری، اشتراک‌ها و اتصال به ابر است تا کاربر مالکیت کامل بر داده‌های خود داشته باشد.

همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، انتقال پردازش به لبه (Edge Computing) تنها یک ترجیح فنی نیست، بلکه یک ضرورت امنیتی است. در دنیای امروز که پرامپت‌ها به‌طور گسترده برای آموزش مدل‌های تجاری استفاده می‌شوند، Nativ برای پژوهشگران و توسعه‌دهندگانی طراحی شده که نمی‌خواهند «هوش خود را اجاره کنند». این تمایل به استقلال از ابر، مشابه رویه‌ای است که در موفقیت چشمگیر دستیار Meetily با تکیه بر مدل‌های محلی نیز شاهد بودیم.

این اپلیکیشن بر پایه MLX-VLM — یعنی کتابخانه‌ای که مخصوص حافظه یکپارچه سری M و Metal بهینه شده — ساخته شده است تا از هر وات مصرف انرژی بیشترین بهره را ببرد. طبق مستندات این پروژه، قابلیت‌های کلیدی Nativ عبارتند از:

• کتابخانه منتخب: پیشنهاد مدل‌های بهینه از شرکت‌های Google، Cohere و Liquid AI بر اساس سخت‌افزار کاربر.
• پشتیبانی چندوجهی (Multimodal) — مدلی که هم‌زمان متن، عکس و صدا را می‌فهمد؛ شبیه به ما که با چند حس دنیا را می‌خوانیم — شامل پردازش تصویر، ویدیو و تبدیل گفتار به متن.
• تله‌متری توسعه‌دهنده: نمایش لحظه‌ای تعداد توکن (Token) — تکه‌های کوچکی از متن که مدل تکه‌تکه می‌خورد — در ثانیه، فشار حافظه و وضعیت حرارتی پردازنده.
• اندپوینت‌های محلی: یکپارچگی با عامل‌های کدنویسی مانند Claude Code، Hermes و OpenCode.

با انتشار هر خط از کد این برنامه تحت لایسنس MIT، Nativ الگوی «پوسته های تجاری» را شکست. این یعنی قدرت از دست ارائه‌دهندگان SaaS خارج شده و به مالک سخت‌افزار بازگشته است؛ به‌گونه‌ای که مک به یک مرکز هوش مستقل تبدیل می‌شود.

برای شما به عنوان کاربر، این به معنای پایان محدودیت‌های اعتباری و نشت داده‌هاست. شما مالک کل مسیر هستید؛ از لحظه نوشتن پرامپت تا تولید آخرین توکن، تماماً به‌صورت آفلاین.

اکنون کاربران می‌توانند با بررسی کتابخانه مدل‌ها، متوجه شوند کدام وزن‌های باز (Open Weights) — یعنی مدل‌هایی که «دستور پخت» آن‌ها علناً منتشر شده — با تراشه سری M آن‌ها سازگارتر است.

گام بعدی شما

• اگر کاربر مک سری M هستید، Nativ را نصب کنید و مدل‌های کوچک (SLM) را برای کارهای روتین تست کنید.
• برای کاهش مصرف باتری، تله‌متری برنامه را بررسی کنید تا بفهمید کدام مدل فشار حرارتی بیشتری به دستگاه می‌آورد.
• بررسی کنید آیا ابزارهای کدنویسی شما می‌توانند از طریق اندپوینت محلی به Nativ متصل شوند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ اثر بهینه‌سازی‌های MLX بر سرعت استنتاج را در تحلیل ما درباره تراشه‌های نسل جدید بررسی کنید.