aiحریم خصوصیابزارهاامنیت

مقدمه‌ای بر Private AI

اجرای مدل‌ها به‌صورت محلی، در مرورگر یا در خانه

به‌روزرسانی شده ۲۱ تیر ۱۴۰۵مطالعه 7 دقیقه‌ایPrivateNote.ai

چگونگی تکامل هوش مصنوعی خصوصی، دلیل انتشار وزن‌های باز توسط آزمایشگاه‌ها، و نحوه اجرای مدل‌ها با Ollama، در مرورگر یا روی GPU شخصی خود—به‌علاوه نگاهی به Gemma 4، Llama، Mistral، Qwen و مهندسی پشت Write with Private AI.

فردی که پشت میز کار خانگی با یک لپ‌تاپ نشسته که در حال نمایش بصری‌سازی شبکه عصبی است و یک سرور هوش مصنوعی محلی کوچک در کنار آن قرار دارد
فردی که پشت میز کار خانگی با یک لپ‌تاپ نشسته که در حال نمایش بصری‌سازی شبکه عصبی است و یک سرور هوش مصنوعی محلی کوچک در کنار آن قرار دارد

نکات کلیدی

  • Private AI means keeping prompts and context under your control.
  • Local and in-browser models reduce cloud training exposure.
  • Still verify what leaves the device when tools call external APIs.
  • Combine private drafting with encrypted sharing for sensitive text.

Private AI به معنای اجرای یک مدل زبانی بزرگ روی سخت‌افزاری است که مستقیماً کنترل می‌کنید (لپ‌تاپ، مرورگر یا سروری در دفتر کار خودتان)، بنابراین متن ورودی شما هرگز برای استنتاج به یک ابر (Cloud) شخص ثالث ارسال نمی‌شود. این پاسخ عملی به یک سوال ساده است: آیا می‌توانم بدون سپردن کلماتم به کامپیوتر شخص دیگر، کمک با کیفیت بالا از هوش مصنوعی بگیرم؟

این سوال هر سال اهمیت بیشتری پیدا می‌کند. دستیارهای ابری بسیار قدرتمند هستند، اما دستورات شما را روی زیرساخت‌های از راه دور پردازش می‌کنند. برای یادداشت‌ها، اطلاعات حساس، پیش‌نویس‌های حقوقی، اطلاعات سلامت یا هر چیزی که حاضر نیستید در یک چت‌بات عمومی کپی کنید، هوش مصنوعی محلی و سمت مرورگر دیگر یک کنجکاوی برای آماتورها نیست؛ بلکه یک نیاز امنیتی حیاتی است.

این راهنما روند تکامل هوش مصنوعی خصوصی، دلیل انتشار وزن‌های مدل توسط آزمایشگاه‌های بزرگ، روش‌های اصلی اجرای محلی مدل‌ها، پروژه‌های متن‌باز و خانواده‌های مدل مهم، وضعیت پیشرفته در 2026 و نحوه هماهنگی PrivateNote با Write with Private AI (که کاملاً داخل تب مرورگر شما اجرا می‌شود) را بررسی می‌کند.

یک تکامل کوتاه: از آزمایشگاه‌ها تا لپ‌تاپ شما

سال‌ها مدل‌های زبانی کاربردی تقریباً منحصراً در اختیار غول‌های فناوری با خوشه‌های عظیم GPU بودند. آموزش آن‌ها مستلزم میلیون‌ها دلار هزینه محاسباتی، تیم‌های متخصص و مجموعه‌داده‌های اختصاصی بود. اگر دستیار هوش مصنوعی می‌خواستید، از یک API یا یک اپلیکیشن تحت وب ابری استفاده می‌کردید و متن شما دستگاهتان را ترک می‌کرد.

سه تغییر در صنعت، این تصویر را کاملاً دگرگون کرد:

  • قوانین مقیاس‌پذیری ترنسفورمر (Transformer scaling laws) — تحقیقات نشان داد که مدل‌های به‌خوبی آموزش‌دیده روی مجموعه‌داده‌های بزرگ و باکیفیت، می‌توانند قابلیت‌های عمومی شگفت‌انگیزی ارائه دهند—و این موضوع فقط محدود به مقیاس‌های پیشرو نیست.
  • انتشار وزن‌های باز (Open-weight releases) — با شروع خانواده Llama از Meta و به دنبال آن Mistral، Google Gemma، Alibaba Qwen و دیگران، پارامترهای قابل دانلود در دسترس توسعه‌دهندگان سراسر جهان قرار گرفت.
  • بلوغ ابزارهای استنتاج (Inference tooling maturation) — پروژه‌هایی مانند llama.cpp، Ollama، vLLM، WebLLM و Transformers.js اجرای آن وزن‌ها را روی سخت‌افزارهای مصرف‌کننده عملی کردند.

تا سال 2026، شکاف بین «فقط ابری» و «اجرا روی دستگاه من» به شدت کاهش یافته است. مدل‌های ابری پیشرو همچنان بزرگ‌تر و سریع‌تر هستند، اما مدل‌های باز کوچک و متوسط در پیش‌نویس، خلاصه‌سازی، بازنویسی و پاسخ به سوالات روزمره—به‌ویژه برای نوشتارهای کوتاه مانند یادداشت‌ها—بسیار توانمند هستند.

چرا شرکت‌ها وزن‌های مدل را منتشر می‌کنند

انتشار وزن‌ها یک کار خیریه نیست. آزمایشگاه‌ها پارامترها را به دلایل استراتژیکی منتشر می‌کنند که کل اکوسیستم را شکل می‌دهد.

  • اهرم‌سازی اکوسیستم — وقتی توسعه‌دهندگان بر روی مدل شما کار می‌کنند، معماری شما به یک استاندارد پیش‌فرض تبدیل می‌شود. مدل‌های Fine-tune، ابزارها و ادغام‌ها به دنبال آن وزن‌ها می‌آیند.
  • اعتبار پژوهشی — وزن‌های باز باعث بازبینی، بازتولیدپذیری و پذیرش آکادمیک می‌شوند. این دیده شدن، رهبری فنی را تقویت می‌کند.
  • موقعیت‌سازی در حوزه مقررات و اعتماد — بازیگران اروپایی مانند Mistral و برندهای جهانی مانند Meta و Google از انتشار نسخه‌های باز برای نشان دادن شفافیت و تمایز از APIهای کاملاً بسته استفاده می‌کنند.
  • تقطیر و تخصصی‌سازی — مدل‌های کوچک‌تر که از مدل‌های بزرگ‌تر آموزش دیده‌اند، قابلیت‌ها را به سطوح پایین‌تر منتقل می‌کنند. انتشار وزن‌های مدل مادر، این فرآیند را در کل جامعه تسریع می‌کند.
  • فشار رقابتی — زمانی که یک آزمایشگاه بزرگ مدل قدرتمندی را به‌صورت باز منتشر می‌کند، سایرین با فشار مواجه می‌شوند تا با آن رقابت کنند یا خطر از دست دادن توجه توسعه‌دهندگان را بپذیرند.

وزن‌های باز همیشه به معنای دقیق کلمه «متن‌باز» (open source) نیستند. مجوزها ممکن است استفاده تجاری را محدود کنند، نیاز به ذکر منبع داشته باشند یا حوزه‌های خاصی را مستثنی کنند. همیشه قبل از استفاده در محیط عملیاتی، مدل کارت (model card) را مطالعه کنید.

سه روش برای استقرار هوش مصنوعی خصوصی

هیچ معماری واحدی به عنوان «بهترین» وجود ندارد. انتخاب درست به سخت‌افزار، الزامات حریم خصوصی و اینکه آیا به یک مدل عمومی با 70 میلیارد پارامتر نیاز دارید یا یک دستیار سریع برای یادداشت‌های کوتاه، بستگی دارد.

بیشتر استقرارهای هوش مصنوعی خصوصی در یکی از این الگوها قرار می‌گیرند:

نگاهی اجمالی به سه الگوی استقرار
  1. گزینه 1

    محیط‌های اپلیکیشن محلی (Ollama و اپلیکیشن‌های دسکتاپ)

    ابزارهایی مانند Ollama، LM Studio و GPT4All وزن‌های مدل را دانلود کرده و آن‌ها را به‌صورت بومی روی سیستم Mac، Windows یا Linux شما اجرا می‌کنند. شما استنتاج آفلاین، شتاب‌دهی بومی GPU و دسترسی به مدل‌های بزرگ‌تری که یک مرورگر به‌راحتی می‌تواند بارگذاری کند را خواهید داشت. نقاط ضعف: فضای دیسک قابل توجه (اغلب ده‌ها گیگابایت برای هر مدل)، رم یا VRAM اختصاصی، و به‌روزرسانی‌های دستی.

  2. گزینه 2

    محیط‌های Sandbox (در مرورگر WebGPU)

    مرورگرهای مدرن WebGPU را ارائه می‌دهند که اجازه می‌دهد JavaScript شبکه‌های عصبی را بدون نصب هیچ چیزی روی GPU شما اجرا کند. پروژه‌هایی مانند WebLLM، MLC LLM و Transformers.js مدل‌ها را برای وب کامپایل می‌کنند. شما از اندازه مدل و سرعت خام صرف‌نظر می‌کنید، اما یک ویژگی فوق‌العاده به دست می‌آورید: پرامپت شما برای استنتاج هرگز تب مرورگر را ترک نمی‌کند. بدون نیاز به حساب کاربری، بدون رفت و برگشت به سرور، و بدون ثبت پیش‌نویس شما توسط ارائه‌دهنده.

  3. گزینه 3

    محاسبات اختصاصی (سرورهای خانگی یا اداری)

    تیم‌هایی که دارای GPUهای اختصاصی NVIDIA، یک Mac Studio یا یک سرور رک کوچک هستند، اغلب از vLLM، llama.cpp یا Ollama به عنوان یک نقطه پایانی (endpoint) داخلی مشترک استفاده می‌کنند. این الگوی استاندارد برای هوش مصنوعی خصوصی با کیفیت حداکثری است: پنجره‌های بافت (context windows) بزرگ، مدل‌های حجیم‌تر و چندین کاربر در یک شبکه LAN. ملاحظات: هزینه سخت‌افزار، مصرف برق، سیستم خنک‌کننده و نگهداری عملیاتی مداوم.

رشته مشترک در هر سه مورد یکسان است: استنتاج (inference) روی زیرساختی انجام می‌شود که خودتان کنترل می‌کنید، نه در یک فضای ابری چندمستاجری که متن شما به بار پردازشی شخص دیگری تبدیل شود.

پروژه‌های متن‌باز که بیشترین اهمیت را دارند

مدل‌ها تنها نیمی از داستان هستند. این پروژه‌های بنیادین، وزن‌های خام را به نرم‌افزاری تبدیل کردند که میلیون‌ها نفر واقعاً می‌توانند آن را اجرا کنند.

  • llama.cpp** — استنتاج بسیار کارآمد با C/C++؛ زیربنای استقرار بی‌شمار مدل‌های محلی روی CPU و GPU.
  • Ollama** — یک CLI کاربرپسند و تجربه‌ای دسکتاپ برای دانلود، به‌روزرسانی و چت با مدل‌ها به صورت محلی.
  • vLLM** — سرویس‌دهی دسته‌ای (batched) با توان عملیاتی بالا برای سرورهای GPU مشترک تیمی و حجم کاری در مقیاس API.
  • Hugging Face Transformers** — کتابخانه و هاب استاندارد برای کشف، دانلود، تنظیم دقیق (fine-tuning) و اشتراک‌گذاری مدل‌ها.
  • WebLLM / MLC LLM** — کامپایل مدل‌ها برای اجرای بدون نیاز به نصب و بومی در مرورگر از طریق WebGPU.
  • Transformers.js** — اجرای مدل‌های صادر شده به فرمت ONNX مستقیماً در JavaScript؛ مسیری دیگر برای استنتاج در سمت مرورگر.

خانواده‌های مدل که ارزش شناخت دارند

هر ماه ده‌ها چک‌پوینت جدید ظاهر می‌شوند. چهار خانواده در گفتگوهای مربوط به هوش مصنوعی خصوصی در 2026 غالب هستند.

  • Meta Llama — مدل‌های Llama 3 و خطوط جدیدتر Llama 4 معیار را برای مدل‌های عمومی با وزن‌های باز تعیین می‌کنند: استدلال قوی، پشتیبانی گسترده از ابزارها و اکوسیستم عظیم برای تنظیم دقیق.
  • Google Gemma — خانواده‌های Gemma 2، Gemma 3 و Gemma 4 بر کارایی تمرکز دارند؛ عملکرد بالا به ازای هر پارامتر، مدل‌های کوچک عالی و نسخه‌های تنظیم‌شده برای استنتاج روی دستگاه یا میزبانی‌شده.
  • Mistral AI (Europe) — شرکت مستقر در پاریس، مدل‌های فشرده و توانمند (Mistral، Mixtral، Codestral) را با مجوزهای توسعه‌دهنده-محور و روایتی متمایز از حاکمیت داده‌های اروپایی عرضه می‌کند.
  • Alibaba Qwen — سری‌های Qwen 2.5 و Qwen 3 در وظایف چندزبانه عالی عمل می‌کنند و نسخه‌های بسیار کوچکی (کمتر از ۱ میلیارد پارامتر) ارائه می‌دهند که روی لپ‌تاپ‌ها و سخت‌افزارهای مرورگر بسیار خوب اجرا می‌شوند.

هوش مصنوعی مرورگرِ PrivateNote از Gemma 2 2B و Qwen3 0.6B از طریق WebLLM استفاده می‌کند؛ مدل‌های با وزن باز که برای WebGPU کامپایل شده‌اند، نه یک چک‌پوینت بسته و اختصاصی. نسخه‌های بزرگ‌تر Gemma 4 در مسیر اختیاری Cloud Assist ظاهر می‌شوند، اما امروز در Write with Private AI موجود نیستند.

آخرین دستاوردهای تکنولوژی در 2026

مرز تکنولوژی دوپاره شده است. APIهای بسته از سوی OpenAI، Anthropic و Google همچنان در توانایی خام، استفاده از ابزار در مقیاس بزرگ و بزرگ‌ترین پنجره‌های بافت پیشتاز هستند. اما وزن‌های باز برای بسیاری از جریان‌های کاری واقعی به اندازه کافی نزدیک هستند و در زمینه حریم خصوصی، کنترل هزینه و شخصی‌سازی پیشرو می‌باشند.

در میان مدل‌های باز، Gemma 4، Llama 4، Qwen 3 و چک‌پوینت‌های بزرگ Mistral نماینده نسل فعلی هستند: پیروی بهتر از دستورالعمل‌ها، بهبود در کدنویسی و ریاضیات، و پاسخ‌های منفی (refusals) قابل اعتمادتر در برابر درخواست‌های حساس. نسخه‌های کوچک‌ترِ تقطیر شده (distilled)، بخشی از این کیفیت را به لپ‌تاپ‌ها و مرورگرها می‌آورند.

مدل‌های چندوجهی (متن + تصویر) هم در نسخه‌های ابری و هم در نسخه‌های باز در حال گسترش هستند، اما برای یادداشت‌برداری و انتقال اطلاعات محرمانه، مدل‌های کوچکِ متن‌محور همچنان بهترین گزینه هستند: به اندازه کافی سریع برای تعامل و به اندازه کافی کوچک برای باقی ماندن در محیط محلی.

Private AI در PrivateNote: نوشتن با Private AI

PrivateNote برای یادداشت‌های رمزگذاری‌شده و موقت ساخته شده است، نه برای جایگزینی کل پشته (stack) هوش مصنوعی شما. با این حال، پیش‌نویس یک پیام حساس دقیقاً همان جایی است که هوش مصنوعی سمت مرورگر می‌درخشد: شما قبل از رمزگذاری، کمکِ نوشتاری دریافت می‌کنید، بدون اینکه متن خود را برای استنتاج به سرورهای ما ارسال کنید.

PrivateNote را باز کنید و Write with Private AI را انتخاب کنید. انتخابگر دستی مدل وجود ندارد؛ در دسکتاپ‌های پشتیبانی شده با WebGPU، سطح سخت‌افزاری دستگاه شما تعیین می‌کند که کدام چک‌پوینت اجرا شود:

درباره سبک و سنگین بودن‌ها صادق باشید. وزن‌ها در حافظه مرورگر دانلود می‌شوند و استنتاج به‌صورت محلی اجرا می‌شود—اما هوش مصنوعی مرورگر کندتر از دیتاسنترهای ابری است و نمی‌تواند با پنجره‌های بافت (context windows) بزرگ مدل‌های سطح سرور رقابت کند. همچنین به سخت‌افزار وابسته است: بسیاری از گوشی‌ها و لپ‌تاپ‌های قدیمی‌تر به حالت تایپ بدون هوش مصنوعی یا Cloud Assist اختیاری بازمی‌گردند. اما برای پیش‌نویس یک یادداشت خصوصی کوتاه، پیام انتقال رمز عبور، یا یک پاسخ محرمانه، کاملاً توانمند است—و ویژگی‌های حریم خصوصی آن اساساً با جریان‌های کاری چسباندن متن در ChatGPT متفاوت است.

  • سخت‌افزار متوسط — مدل Qwen3 0.6B را بارگذاری کرده و استنتاج را به‌صورت محلی از طریق WebGPU اجرا می‌کند.
  • دسکتاپ‌های توانمند — مدل Gemma 2 2B را بارگذاری کرده و استنتاج را به‌صورت محلی از طریق WebGPU اجرا می‌کند.
  • حریم خصوصی مبتنی بر معماری — با Write with Private AI، پیش‌نویس شما در مرورگر پردازش می‌شود. برای استنتاج مدل، به سرورهای PrivateNote ارسال نمی‌شود.
  • رمزنگاری پس از پیش‌نویس — پس از اینکه از متن راضی بودید، یادداشت پیش از آپلود به‌صورت محلی رمزنگاری می‌شود—با همان مدلی که در سایر PrivateNoteها استفاده می‌شود.
  • Cloud Assist اختیاری — اگر دستگاه شما نمی‌تواند مدل‌های محلی را اجرا کند، می‌توانید Cloud Assist را انتخاب کنید (Google Gemma 4 26B از طریق Cloudflare Workers AI). این مسیر سریع‌تر و توانمندتر است، اما کاملاً خصوصی نیست—اعلان (prompt) شما به‌صورت متن ساده از دستگاه خارج می‌شود و باید آن را صراحتاً فعال کنید. برای مقایسه کامل، نحوه عملکرد PrivateNote را ببینید.
  • ابزار مناسب برای کار مناسب — برای پیش‌نویس‌های حساس از Private AI مرورگر استفاده کنید. زمانی که به اسناد طولانی، بافت (context) عظیم یا بزرگترین مدل‌های متن‌باز نیاز دارید، از Ollama یا یک سرور GPU خانگی استفاده کنید.

Private AI در مرورگر سعی نمی‌کند در بنچمارک‌ها مدل‌های پیشرو ابری را شکست دهد. هدف آن عملی کردن پیش‌نویس خصوصی برای یادداشت‌هایی است که افراد هم‌اکنون در PrivateNote می‌سازند.

انتخاب تنظیمات هوش مصنوعی خصوصی شما

اگر در زمینه هوش مصنوعی خصوصی تازه‌کار هستید، ساده شروع کنید: Ollama را نصب کنید و یک چک‌پوینت Llama یا Gemma با اندازه متوسط را برای نوشتن روزمره در لپ‌تاپ خود امتحان کنید.

اگر مدل تهدید شما مستلزم آن است که پیش‌نویس‌ها هرگز از دستگاه خارج نشوند—حتی قبل از رمزنگاری—از ابزارهای سمت مرورگر، از جمله Write with Private AI در داخل PrivateNote استفاده کنید. حاکمیت داده و اتوماسیون هوشمند دیگر با هم در تضاد نیستند؛ شما صرفاً حساسیت متن را با معماری اجراکننده آن مطابقت می‌دهید.

اگر در حال ایمن‌سازی یک تیم هستید، یک سرور GPU مشترک با vLLM و کنترل‌های دسترسی را ارزیابی کنید—و برای اینکه بدانید سیستم‌های عامل (agentic) چگونه مرز اعتماد را تغییر می‌دهند، ایمن‌سازی عامل‌های هوش مصنوعی مانند کارمندان را بخوانید. برای توسعه‌دهندگانی که عامل‌ها را به جریان‌های کاری متصل می‌کنند، PrivateNote برای توسعه‌دهندگان و ادغام Codex MCP را ببینید.

پیش‌نویس خصوصی را در مرورگر خود امتحان کنید

PrivateNote را باز کنید، Write with Private AI را انتخاب کنید و پیش‌نویس یادداشت حساس بعدی خود را بدون ارسال آن به یک مدل ابری خارجی بنویسید. وقتی آماده بودید آن را رمزنگاری کنید—سپس یک لینک امن و یک‌بار مصرف به اشتراک بگذارید.

اشتراک‌گذاری فایل‌ها هم؟ انتقال امن فایل از همان رمزنگاری سمت مرورگر استفاده می‌کند. ارسال فایل مستلزم داشتن حساب رایگان است؛ گیرندگان لینک‌ها را بدون ثبت‌نام باز می‌کنند.

محلی پیش‌نویس کنید. ابتدا رمزنگاری کنید. لینک را به اشتراک بگذارید.

ایجاد یادداشت جدید
عکس: Léna Le Roy · Unsplash.