كنت أخطط لبنية تحتية للذكاء الاصطناعي بنفس الطريقة التي أخطط بها لرحلة بالسيارة: أختار مسارًا، وأتمنى أن يسلك حركة المرور سلوكًا جيدًا، وأكتشف تكاليف الرسوم لاحقًا. غيّر مساعد @CottoniaAI هذه المحادثة بالنسبة لي. التدفق بسيط بشكل شبه مزعج. فهو يطلب الأشياء التي تُحدّد فعليًا التكلفة والحوسبة—نوع التطبيق، عدد الطلبات اليومية المتوقعة، طول السياق، والنموذج الذي تستخدمه—ثم يعود بحساب تقريبي للبنية التحتية المطلوبة، وفرص التحسين، وفحص التكلفة قبل الالتزام. لا حاجة لحفر في لوحات التحكم. ولا حاجة للتخمين حول ما إذا كان خط أنابيب RAG طويل السياق يحتاج نفس الشكل مثل مساعد برمجي يعمل بفترات متقطعة. ما أقدّره أكثر هو فلسفة التصميم الكامنة وراءه: يجب أن تتصرف البنية التحتية كشريك نشط في التحسين، وليس كحوض موارد سلبي. إن جدولة Cottonia المُدركة للذكاء الاصطناعي وإدارتها الطبقية للسياق تستهدف مباشرة الهدر الذي أراه في أحمال العمل الحقيقية—التكرار المستمر للسياق، الإدخال الزائد للرموز، وخطوات الاستنتاج التي تضيف تأخيرًا دون إضافة قيمة. الادعاء بخفض بنسبة 20–50٪ في إدخال الرموز المكررة في السيناريوهات عالية التردد هو النوع من الأرقام التي أرغب حقًا في اختبارها مقابل حركة المرور الخاصة بي. ملاحظتي الصادقة الوحيدة: توصية المساعد لا تُعدّ أفضل من المدخلات التي تقدمها له. إذا قمت بتحديد حجم الطلبات أو كثافة السياق بشكل غير كافٍ، فستبدو الخطة أنظف من الواقع. لكن هذا بالضبط هو جوهر الفكرة—Cottonia تحول تخطيط البنية التحتية إلى حلقة تغذية راجعة، وليس إلى جدول بيانات لمرة واحدة. إذا كنت تبني منتجات ذكاء اصطناعي ولا تزال تحجم البنية التحتية بناءً على الإحساس، فهذا يستحق النظر. #Cottonia @CottoniaAI