Snowflake Cortex AI Gateway يخفض تكاليف استعلامات الذكاء الاصطناعي 3x

مقدمة تحليلية

أعلنت Snowflake في 18 أغسطس 2026 عن توفر قدرة توجيه نماذج الذكاء الاصطناعي الديناميكي ضمن Cortex AI Gateway. تهدف هذه الخطوة إلى خفض تكاليف الرموز (token costs) بنسبة تصل إلى 3x، وهو رقم مستمد من الاختبارات الداخلية للشركة. يواجه فرق الشركات التي تشغل وكلاء الذكاء الاصطناعي على نطاق واسع مشكلة التكلفة المرتفعة للاستعلامات البسيطة أو عدم كفاءة النماذج المعقدة للمهام الصعبة. وقد وجدت Snowflake أن الأسئلة البسيطة غالباً ما تُعالَج بواسطة نماذجها الأكثر قدرة، مما يجعل الاستجابات أكثر تكلفة وبطئاً من اللازم.

هذه القدرة الجديدة، التي تتيح للشركات اختيار "auto" بدلاً من نموذج ثابت، تعيد توجيه كل مهمة تلقائياً إلى النموذج الذي يقدم أفضل مزيج من الجودة والتكلفة. يأتي هذا التحرك وسط تحول صناعي أوسع نحو التوجيه الآلي للنماذج، حيث أعلنت شركات مثل Databricks وAWS وGoogle Cloud وNvidia عن تقنيات مماثلة. كانت Snowflake قد أطلقت Cortex AI Gateway في يوليو 2026 كطبقة حوكمة لحركة الوكلاء والنماذج، مما يؤكد تركيزها على الكفاءة والتحكم.

التحليل التقني

يعتمد توجيه النماذج الديناميكي في Cortex AI Gateway على آليتين أساسيتين لضمان الكفاءة وخفض التكاليف. قبل هذه الميزة، كان اختيار النموذج يعتمد على قائمة ثابتة لكل مهمة، وليس نظام احتياطي حقيقي. الآلية الأولى، التي تسميها Snowflake نمط المستشار (advisor pattern)، تتضمن محاولة نموذج أصغر إنجاز المهمة أولاً. إذا لم يتمكن النموذج الأصغر من إكمال المهمة، فإنه يستدعي نموذجاً أكبر كأداة ويواصل العمل من تلك النقطة. الآلية الثانية هي مصنف (classifier) يتم تدريبه على الاستعلامات السابقة، والذي يقوم تلقائياً بتوجيه الأسئلة المباشرة إلى نماذج أبسط وأقل تكلفة.

بالإضافة إلى هذه الآليات، يبقى التوجيه التلقائي اختيارياً. يمكن للعملاء تقييد التوجيه بنموذج واحد أو مجموعة محددة من النماذج، وفي هذه الحالة، يعمل النظام ضمن تلك الحدود فقط. لا تفرض Snowflake رسوماً منفصلة على قرار التوجيه بحد ذاته؛ فالتسعير يعتمد بالكامل على استخدام الرموز (token usage)، مما يعني أن التوجيه إلى نموذج أرخص ينتج عنه فاتورة أقل.

حوكمة الوصول والسياق

تربط Snowflake التوجيه بضوابط الوصول ذاتها التي تستخدمها لحوكمة البيانات، بدءاً من مستوى البيانات بضوابط الوصول المستندة إلى الأدوار. تمتد هذه الحوكمة إلى النماذج، حيث تُعيّن أدوار العملاء لمجموعات من النماذج المعتمدة. كما تمتد إلى الوكلاء، حيث يمكن تقييد الوكيل بامتيازات أضيق من المستخدم الذي يستدعيه. يمكن تشغيل النماذج المفتوحة من منطقة العميل الخاصة لتلبية متطلبات الإقامة الإقليمية للبيانات. تؤكد Snowflake أن جميع عمليات الاستدلال (inference)، سواء للنماذج المفتوحة أو الخاصة، تبقى ضمن حدود أمان Snowflake ولا تُرسَل إلى مزود خارجي. هذه البنية الإقليمية والمحيطية حاسمة بشكل خاص للنماذج المفتوحة من أصول غير أمريكية، بما في ذلك DeepSeek-V4-Flash وGLM-5.3، وكلاهما تم تطويرهما في الصين.

يعزز استحواذ Snowflake الأخير على Natoma هذا الجانب، حيث يضيف أكثر من 100 موصل MCP مع وصول محكوم ومحدد النطاق. على سبيل المثال، يمكن لوكيل الحصول على وصول للقراءة فقط لأداة متصلة مثل البريد الإلكتروني، بدلاً من صلاحيات أوسع. كما أعلنت Snowflake مؤخراً عن أدوات Horizon Context وCortex Sense التي توفر قدرات السياق. بدون سياق جيد، يجب على النموذج القيام بالعمل الاستكشافي بنفسه، مثل كتابة واختبار SQL والبحث في البيانات وإعادة المحاولة عند الفشل. هذه العملية مكلفة وتتطلب عادةً نموذجاً أكثر قدرة. يزيل تغليف السياق مسبقاً هذه الخطوة الاستكشافية، مما يعني أن نموذجاً أبسط وأرخص يمكنه غالباً التعامل مع نفس المهمة. تدمج Snowflake أيضاً ذاكرة الوكيل في هذا السياق، بحيث تُحدّث ذاكرة الوكيل مع الاستخدام المتكرر وتُضمَّن في الاستعلامات المستقبلية، مما يمنع النظام من حل نفس المشكلة من الصفر في كل مرة.

السياق وتأثير السوق

تتعدد التقنيات في مجال توجيه النماذج، مما يؤكد أن Snowflake لا تعمل في فراغ. يُعد OpenRouter أحد الخيارات المعروفة على نطاق واسع، ويوفر منصة تمكن المؤسسات من التوجيه بناءً على التكلفة والأداء. أعلنت Nvidia في 11 أغسطس عن Switchyard كطبقة تقنية للمساعدة في توجيه اختيار نماذج الذكاء الاصطناعي، والتي نجحت في خفض تكاليف المهام إلى الثلث في اختباراتها الخاصة. كما تقدم Databricks حلاً خاصاً بها باسم Smart Routing لبوابة Unity AI Gateway الخاصة بها. يرى سانجيف موهان، المدير والمؤسس لـ SanjMo، أن التمايز في هذا السوق قد تحرك. يقول موهان إن Snowflake لا تبيع التوجيه بحد ذاته، بل تبيع توجيهاً لا يغادر حدود البيانات المحكومة، مع ضوابط وصول وتصنيف وتحديد للتكاليف مرفقة بالفعل. بالنسبة للشركات التي ترتكز بياناتها وامتثالها بالفعل على Snowflake، فإن التوجيه الذي يحافظ على البيانات في مكانها ويعزو الإنفاق حسب الفريق يمثل حلاً حقيقياً لمشكلاتهم.

يصنف موهان السوق إلى ثلاثة معسكرات متميزة بدلاً من مجال تنافسي واحد. يتبع Databricks نهج الحوكمة من هندسة البيانات وسلالة التعلم الآلي، حيث يقوم Unity Catalog بحوكمة البيانات والنماذج وخطوط الأنابيب للفرق التي تبني وتدرب النماذج. تتبع Snowflake نهج الحوكمة من التحليلات وضوابط الوصول، وتتحكم في من يمكنه الوصول إلى أي بيانات وتُعزَى الاستخدام عبر وحدات الأعمال. المعسكر الثالث يشمل البوابات المحايدة مثل OpenRouter وLiteLLM وPortkey وموجهات المزودين السحابيين الكبار مثل Azure AI Foundry. تتنافس هذه الحلول على اتساع نطاق النماذج وتجنب الارتباط بمزود واحد، بدلاً من الحوكمة العميقة. أصبحت القدرة على توجيه النماذج ضرورية للشركات؛ القرار الحاسم يكمن في نموذج الحوكمة الذي يتناسب مع كيفية تنظيم بياناتهم وفرقهم، وليس أيهما أسرع أو أرخص. أصبحت عملية الاختيار اليدوي للنماذج عبئاً على التكلفة عند توسيع نطاق استخدام الوكلاء. مئات الوكلاء الذين يقومون باستدعاءات روتينية للنماذج دون فحص آلي للتكلفة يتراكم بسرعة.

رؤية Glitch4Techs

تخفيض Snowflake لتكاليف استعلامات الذكاء الاصطناعي بنسبة 3x عبر توجيه النماذج الذكي هو تطور حتمي، وليس ثورياً. إنه يعالج نقطة ألم واضحة في مجال الذكاء الاصطناعي للشركات، حيث أدت الاستخدامات غير المُحكمة إلى هدر كبير. ومع ذلك، فإن القيمة الحقيقية لهذا الإعلان محصورة بشكل صارم في نطاق بيئة Snowflake البيئية. كما يوضح موهان، "لا تبدأ بالموجه، بل ابدأ حيث توجد بياناتك المحكومة والتزامك بالمنصة بالفعل".

بالنسبة للمؤسسات التي ترتكز عملياتها بالكامل على Snowflake، فإن التوجيه داخل المنصة الذي يحترم نموذج الوصول الحالي ويُفوتر مراكز التكلفة سيوفر قيمة مباشرة. أما الشركات التي تفتقر إلى هذا "المركز الثقالي"، فستجد أن الحلول المحايدة أو تلك الموجهة نحو سلالة التعلم الآلي، مثل Databricks، تقدم نطاقاً أوسع من النماذج أو حوكمة تتناسب مع بنيتها التحتية الحالية. هذا ليس فوزاً عالمياً، بل هو تحسين وظيفي مهم ومستهدف جداً، وتأثيره المالي يعتمد بشكل مباشر على مدى عمق انغماس الشركة في منظومة Snowflake تحديداً.