Geekcom A7 Mini: پردازش محلیِ ارزان‌قیمت که در توسعهٔ اپلیکیشن شکست خورد

اگر می‌خواهید بدون پرداخت هزینه‌های گزاف، ابزارهای هوش مصنوعی را به‌صورت محلی و خصوصی اجرا کنید، ۶۹۹ دلار ممکن است کافی باشد؛ اما به شرطی که توقعاتتان از سخت‌افزار متناضع باشد. طبق گزارش ZDNET در ۱۰ اکتبر ۲۰۲۶، مینی‌پی‌سی Geekcom A7 Mini می‌تواند دیکتهٔ صوتی را در لحظه پردازش کند، اما وقتی فشار برای ساخت یک نرم‌افزار کامل روی آن می‌آید، سیستم به‌طور کامل کرش می‌کند.

بسیاری تصور می‌کنند برای اجرای هوش مصنوعی محلی به قدرت پردازشی عظیم نیاز است و اغلب به سراغ ایستگاه‌های کاری رده‌بالا می‌روند. برای درک بهتر زمینه، سخت‌افزارهای با عملکرد بالا مانند System76 Thelio — که مجهز به پردازنده ۱۲ هسته‌ای AMD Ryzen 9 7900X، پردازنده گرافیکی AMD Radeon RX 7600 (Navi 33) و ۳۲ گیگابایت رم است — به‌طور کامل قادر به ساخت اپلیکیشن‌ها یا اجرای دیکتهٔ صوتی مبتنی بر هوش مصنوعی محلی هستند. همان‌طور که در پوشش خبری قبلی ما درباره‌ی VZmore AX Max اشاره کردیم، آن دستگاه بارهای کاری پیچیده هوش مصنوعی را بدون لگ سیستم مدیریت می‌کرد، اما A7 Mini لایه متفاوتی از بازار را هدف قرار داده است؛ لایه‌ای که بودجه‌محورتر است. این دستگاه خود را به عنوان ابزاری برای وظایف سبک هوش مصنوعی معرفی می‌کند، نه برای توسعه‌های سنگین نرم‌افزاری.

مشخصات سخت‌افزاری

این دستگاه یک سیستم با فرم‌فاکتور کوچک (SFF) است که ابعاد آن ۵.۴۷ در ۵.۲ در ۱.۷۱ اینچ است. بر اساس گزارش ZDNET، مشخصات فنی اصلی آن عبارت است از:

• پردازنده (CPU): Ryzen 7 7730U (۸ هسته‌ای، ۱۶ رشته، با فرکانس تا ۴.۵ گیگاهرتز). لازم است ذکر شود این پردازنده برخلاف VZMORE AX9 Mini Max PC، به‌طور خاص برای AI بهینه نشده است.
• رم (RAM): ۳۲ گیگابایت
• حافظه: ۵۰۰ گیگابایت SSD PCIe Gen4
• اتصالات: دو پورت USB-C، پنج پورت USB 3.2، دو خروجی HDMI 2.0 و شبکه 2.5G LAN
• بدنه: ساختار فلزی ممتاز (Premium metal construction)

مدیریت حرارتی و طراحی

برای مدیریت گرما در هنگام بارهای کاری هوش مصنوعی، این دستگاه از فناوری IceBlast 3.0 استفاده می‌کند. این سیستم از دو لوله گرمای مسی و یک فن با اندازه بزرگ (oversized) بهره می‌برد که دمای سیستم را تا ۵۲٪ کاهش می‌دهد، در حالی که سطح نویز را در ۳۲ دسی‌بل نگه می‌دارد.

داشتن یک سیستم خنک‌کننده مستحکم هنگام اجرای بارهای کاری متقاضی AI حیاتی است. در طول تست‌ها، صدای فن شنیده می‌شد اما بیش از حد بلند نبود و شبیه به اکثر کامپیوترهای مدرن به نظر می‌رسید. علاوه بر این، شرکت Geekcom ادعا می‌کند که مدل A7 ضد گرد و غبار و دارای قابلیت خودتمیزشوندگی است، هرچند تایید این ادعاها نیازمند استفاده طولانی‌مدت است.

عملکرد دیکتهٔ صوتی در لحظه

اولین آزمون اصلی روی پلتفرم Myna انجام شد؛ یک پلتفرم دیکتهٔ مبتنی بر هوش مصنوعی از شرکت Canonical که روی اوبونتو ۲۶.۱۰ (نسخه بتا) اجرا می‌شد. چون Myna در حال توسعه فعال است، عملکرد آن می‌تواند روز به روز تغییر کند؛ بنابراین این تست بیشتر برای سنجش این بود که آیا A7 «به اندازه کافی ماشین هست» تا پردازش محلی را هندل کند یا خیر، نه اینکه یک بنچمارک سخت‌گیرانه باشد.

ابزار Myna از مدل‌های هوش مصنوعی آفلاین و نصب‌شده به‌صورت محلی استفاده می‌کند. تست‌کننده مدل Parakeet را به جای Whisper شرکت OpenAI انتخاب کرد، زیرا:

• وزن: مدل Parakeet سبک‌تر است.
• توان عملیاتی: از نظر Throughput عملکرد بهتری نسبت به Whisper دارد.
• زبان: از آنجایی که فقط از زبان انگلیسی استفاده شد، پشتیبانی گسترده زبانی Whisper غیرضروری بود.
• بده‌بستان: Whisper در مدیریت نویز پس‌زمینه بهتر است، که یک مشکل بالقوه شناخته شده برای این تست بود اما اولویت نداشت.

برای نصب Myna روی سیستم‌عامل بتا، دستورات زیر مورد نیاز بود:
sudo add-apt-repository ppa:charles05/myna-config
sudo apt install myna-config
sudo snap set system experimental.user-daemons=true
sudo snap install myna --edge

نتایج نشان داد A7 Mini متن‌های دیکته شده را تقریباً در لحظه (Real-time) پردازش می‌کند. تست‌کننده از یک سند LibreOffice و کلید میانبر Myna (Super + J) برای فعال کردن AI استفاده کرد. اگرچه تأخیر (lag) اندکی وجود داشت، اما عملکرد آن به‌طور قابل توجهی بهتر از محیط‌های ماشین مجازی بود. دقت تبدیل متن بالا بود، هرچند در شناسایی اسامی خاص دچار مشکل شد؛ برای مثال «ZDNET» و نام تست‌کننده «Wallen» را به اشتباه «Mollin» و «Myna» را به صورت «MINA» نوشت و همچنین مشکلاتی در علائم نگارشی کلی داشت.

نقطه شکست: توسعهٔ اپلیکیشن

اوضاع زمانی تغییر کرد که از A7 Mini خواسته شد یک کلاینت ایمیل را با استفاده از Bionic در LM Studio بسازد. این وظیفه در برابر یک ایستگاه کاری System76 Thelio (با Ryzen 9 7900X، Radeon RX 7600 و ۳۲ گیگابایت رم) مقایسه شد.

شکاف عملکردی تکان‌دهنده بود:

۱. دستگاه Thelio نسخه اولیه اپلیکیشن را در حدود ۲۰ دقیقه ساخت.
۲. A7 Mini بعد از ۳۰ دقیقه هنوز در حال پردازش اولین بیلد (Build) بود.
۳. تا زمانی که Thelio دو تکرار (Iteration) را به پایان رساند، A7 Mini هنوز در حال ایجاد ساختار دایرکتوری اولیه بود.

نکته جالب این بود که A7 Mini در طول این فرآیند، همچنان به سایر وظایف سیستم‌عامل پاسخ می‌داد. تست‌کننده توانست بدون اینکه سیستم غیرپاسخگو شود، چندوظیفگی (Multitask) را انجام دهد، که این موضوع معمولاً نقطه شکست سیستم‌های رده‌پایین تحت فشار شدید است. با این حال، A7 در نهایت به یک دیوار سخت‌افزاری برخورد کرد. حافظه سیستم تمام شد، دستگاه به‌طور کامل قفل کرد و برای بازیابی نیاز به یک ریبوت سخت‌افزاری (Hard Reboot) داشت.

ارزش خرید

در مقایسه با VZmore AX9 Mini که با قیمت ۱۴۹۹ دلار در آمازون فروخته می‌شود، قیمت ۶۹۹ دلاری A7 Mini یک جذابیت بزرگ است. AX9 انتخاب واضح برای توسعه سنگین AI و کسانی است که به حداکثر قدرت نیاز دارند، اما A7 برای کاربرانی که فقط به استنتاج (Inference) محلی برای ابزارهایی مثل Myna نیاز دارند، کافی است.

برای کاربر عادی، این بدان معناست که اکنون می‌توانید ابزارهای بهره‌وری خصوصی و آفلاین AI را بدون پرداخت بیش از هزار دلار اجرا کنید. شما قابلیت آموزش مدل یا ساخت اپلیکیشن را فدا می‌کنید، اما در عوض یک PC هوش مصنوعی کاربردی را به قیمت یک لپ‌تاپ میان‌رده به دست می‌آورید.

اگر امروز در حال انتخاب سخت‌افزار هستید، تعیین کنید که آیا گردش کار شما شامل «مصرف» هوش مصنوعی است یا «تولید» آن. A7 Mini یک دستگاه مصرف‌کننده است؛ در حالی که AX9 و Thelio دستگاه‌های تولید هستند.

منتظر انتشار رسمی اوبونتو ۲۶.۱۰ باشید تا ببینید آیا پایداری Myna روی سخت‌افزارهای ارزان‌قیمت بهبود می‌یابد یا خیر، و یا مدل‌های زبانی کوچک (SLMs) دیگر را بررسی کنید که ممکن است در محدوده رم ۳۲ گیگابایتی A7 جای بگیرند.