تصور کنید در یک پالایشگاه نفت یا نیروگاه برق هسته‌ای هستید؛ جایی که حتی یک میلی‌ثانیه تأخیر در شبکه یا یک نفوذ سایبری می‌تواند به فاجعه‌ای فیزیکی منجر شود. در چنین محیطی، استفاده از هوش مصنوعی ابری یک ریسک غیرقابل‌قبول است، اما انتشار پروژه Arca Sophia Open-Core در ۱۳ اوت ۲۰۲۶، این معادله را تغییر داد.
این معماری مرجع به‌طور خاص برای اجرای استنتاج (Inference) — که مثل لحظهٔ آشپزی واقعی است، نه دوره‌ی آموزش آشپز — در شبکه‌های فناوری عملیاتی (OT) کاملاً ایزوله یا Air-gapped طراحی شده است. این رویکرد با پیش‌بینی‌های اخیر همسو است که نشان می‌دهد بسیاری از سازمان‌ها در حال انتقال استنتاج هوش مصنوعی به لبه‌های شبکه هستند تا بهره‌وری و امنیت را افزایش دهند. طبق گزارش مستندات فنی این پروژه، ادغام هوش مصنوعی در سیستم‌های کنترل صنعتی (ICS) معمولاً مدیران را بین دو راه سخت قرار می‌داد: یا قدرت مدل‌های ابری را بپذیرند یا امنیت حلقه‌های بسته را حفظ کنند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، ارسال داده‌های حساس تله‌متری به سرورهای شخص ثالث به‌دلیل پروتکل‌های سخت‌گیرانه ایمنی، برای اکثر مدیران تأسیسات غیرممکن است. به نقل از راهنمای فنی dev.to، این سیستم برای عبور از این موانع از یک پشته‌ی ماژولار Docker استفاده می‌کند که بر سه رکن اصلی استوار است:
- موتور استنتاج: اجرای مدل‌های GGUF با کوانتیده (Quantization) ۴ بیتی — که شبیه فشرده‌سازی یک فایل حجیم برای جایگیری در حافظه کم است — به‌ویژه مدل Qwen3-8B-Instruct بدون نیاز به اینترنت.
- لایه شبیه‌ساز PLC: یک کانتینر ایزوله که تله‌متری SCADA و خواندن رجیسترها را در لحظه مدیریت می‌کند.
- سپر قطعی (SILIC-ETHIC): یک لایه نظارتی مبتنی بر قوانین که خروجی‌های هوش مصنوعی را پیش از رسیدن به عملگرهای PLC، با آستانه‌های عملیاتی فیزیکی تطبیق داده و پاک‌سازی می‌کند.
محدودیت‌های سخت‌افزاری محرک اصلی این طراحی بوده‌اند. این سیستم برای گره‌های لبه در کابینت‌های صنعتی بهینه شده و در محدودیت شدید ۴ پردازنده مجازی (vCPU) و ۸ گیگابایت رم اجرا می‌شود. این تمرکز بر بهینه‌سازی، یادآور موفقیت مدل‌های کوچک در فراخوانی ابزارهاست که ثابت کرد حجم کمتر لزوماً به معنای کارایی پایین‌تر نیست.
این رویکرد، هوش مصنوعی صنعتی را از یک ابزار «پیشنهاددهنده» به یک اپراتور «کنترل‌شده» تبدیل می‌کند. با قرار دادن یک سپر قطعی بین مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — و سخت‌افزار، این معماری تضمین می‌کند که یک توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد — منجر به فاجعه فیزیکی نشود.
مهندسان اکنون می‌توانند از کد این پروژه با مجوز AGPLv3 برای ساخت خطوط لوله‌ی استنتاج محلی استفاده کنند که مرزهای ایمنی فیزیکی را به رسمیت می‌شناسد.
گام بعدی شما
- بررسی مستندات Arca Sophia برای استقرار مدل‌های Qwen روی سخت‌افزارهای لبه.
- تحلیل لایه SILIC-ETHIC برای تعریف قوانین ایمنی در محیط‌های صنعتی.
- تست مدل‌های کوانتیده ۴ بیتی روی سخت‌افزارهای با رم محدود (زیر ۸ گیگابایت).
اما چالش اصلی در این مسیر، مدیریت حافظه در مدل‌های کوچک‌تر است — به تحلیل ما درباره‌ی بهینه‌سازی KV Cache در لبه مراجعه کنید.
گفتگو