# Google-ის LiteRT.js ბრაუზერში მოაქვს ტექნიკით დაჩქარებული AI დასკვნა

Source: TechNewsList (https://technewslist.com)
Canonical URL: https://technewslist.com/ka/article/google-litertjs-browser-ai-inference-2026-08-03-morning-ka
Section: Software (https://technewslist.com/ka/software)
Author: TechNewsList
Language: ka
Published: 2026-08-03T05:42:19.348+00:00
Updated: 2026-08-03T05:42:19.541961+00:00

> Google აძლევს ვებ დეველოპერებს JavaScript-ს LiteRT-სთვის, რომელიც აწარმოებს კონვერტირებულ მოდელებს ადგილობრივად WebAssembly-ის, WebGPU-ის და ახალი WebNN მხარდაჭერის მეშვეობით, სერვერზე ყველა დასკვნის გაგზავნის ნაცვლად.

## TL;DR
- Google-მა LiteRT.js გამოაცხადა 2026 წლის 9 ივლისს, როგორც მაღალი ხარისხის ვებ AI გაშვების დრო.
- JavaScript-ის სავალდებულო გაშვება LiteRT-ის მოდელებს პირდაპირ ბრაუზერებში დაბალი შეყოვნების, ლოკალური კონფიდენციალურობისა და სერვერის ნულოვანი დასკვნის ღირებულებისთვის.
- დეველოპერებს შეუძლიათ გადააკეთონ PyTorch მოდელები და გამოიყენონ CPU, GPU და NPU-ის განვითარებადი აჩქარება LiteRT სტეკის მეშვეობით.
- გაშვების დრო მოიცავს npm პაკეტს, დემოს, TensorFlow.js თავსებადობას და ბრაუზერზე დაფუძნებული ვექტორული ძიების გზას.
- გამოშვება აქცევს მოწყობილობაზე AI-ს პლატფორმის სპეციფიკური ფუნქციიდან უფრო პორტატულ ვებ განლაგების ვარიანტად.

## Key points
- LiteRT.js იყენებს WebAssembly-ს პორტატული შესრულებისთვის, ხოლო გამოაქვეყნებს WebGPU-ს და WebNN-ს ტექნიკის აჩქარებისთვის.
- მოდელის კონვერტაციის გზა მხარს უჭერს TensorFlow, JAX და PyTorch სამუშაო ნაკადებს LiteRT ეკოსისტემის მეშვეობით.
- ბრაუზერში დასკვნის გაშვებამ შეიძლება შეამციროს სერვერის ღირებულება და შეინარჩუნოს მგრძნობიარე მონაცემები ადგილობრივი.
- ლოკალური შესრულება ანაწილებს პასუხისმგებლობას მოდელის ზომაზე, მეხსიერების გამოყენებაზე, მოწყობილობის თავსებადობასა და განახლების მიწოდებაზე.
- მიღების პრაქტიკული ტესტი იქნება, შეუძლიათ თუ არა ვებ გუნდებს მუშაობის დროის ინტეგრირება მათი ML მილსადენის აღდგენის გარეშე.

# Google-ის LiteRT.js ბრაუზერში მოაქვს ტექნიკით დაჩქარებული AI დასკვნა

ბრაუზერი გახდა აპლიკაციის გაშვების უნარი, მაგრამ ხელოვნური ინტელექტის ფუნქციები მაინც ხშირად აგზავნის მომხმარებლის მონაცემებს დისტანციური მოდელის სერვერზე. Google-ის LiteRT.js შექმნილია იმისთვის, რომ მეტი სამუშაო გადაიტანოს მოწყობილობაზე. JavaScript-ის სავალდებულო LiteRT გაშვების დრო საშუალებას აძლევს ვებ აპლიკაციებს კონვერტირებული მოდელების ლოკალურად გაშვება, WebAssembly და ბრაუზერის აპარატურის API-ების გამოყენებით, ნაცვლად იმისა, რომ ყველა დასკვნა განიხილებოდეს როგორც ქსელის მოთხოვნა.

![Google LiteRT.js ბრაუზერის AI დასკვნის ილუსტრაცია.](https://storage.googleapis.com/gweb-developer-goog-blog-assets/images/Gemini_Generated_Image_9xjum29xju.2e16dba.fill-1200x600.jpg)

## რა მოხდა

Google-მა LiteRT.js გამოაცხადა 2026 წლის 9 ივლისს, როგორც მაღალი ხარისხის Web AI-ის გაშვების დრო წარმოების ვებ აპლიკაციებისთვის. ეს არის LiteRT-ის JavaScript-ის შეკვრა, Google-ის მოწყობილობაზე დასკვნის დასკვნა და ის გამიზნულია, რომ ადგილობრივი მანქანათმცოდნეობის დასკვნა ხელმისაწვდომი გახდეს დესკტოპის და მობილური ბრაუზერების მასშტაბით.

თავდაპირველი გამოშვება მოიცავს `@litertjs/core` npm პაკეტს, დემოს, მოდელის კონვერტაციის ხელსაწყოებს და არსებულ TensorFlow.js მილსადენებთან თავსებადობას. Google ამბობს, რომ დეველოპერებს შეუძლიათ შეასრულონ ისეთი ამოცანები, როგორიცაა ტექსტის შექმნა, ობიექტების ამოცნობა და აუდიო დამუშავება მთლიანად კლიენტის მხარეს. ამან შეიძლება შეამციროს შეყოვნება, თავიდან აიცილოს სერვერის დასკვნის ხარჯები და შეინარჩუნოს მგრძნობიარე მონაცემები მომხმარებლის მოწყობილობაზე.

LiteRT.js იყენებს WebAssembly-ს პორტატული CPU-ს შესასრულებლად და ავლენს WebGPU-ს GPU-ს აჩქარებისთვის. Google ასევე მიუთითებს გაჩენილ WebNN API-ზე ნერვული დამუშავების ერთეულის მხარდაჭერისთვის. მიზანი არ არის ცალკე გაშვების დრო ყველა მოწყობილობის კლასისთვის, არამედ ერთი მოდელი და API გზა, რომელსაც შეუძლია გამოიყენოს ბრაუზერში არსებული უძლიერესი backend.

![LiteRT.js არქიტექტურის მიმოხილვის დიაგრამა.](https://storage.googleapis.com/gweb-developer-goog-blog-assets/images/diagram1_uua0KLc.original.png)

## რატომ არის მნიშვნელოვანი

ადგილობრივი დასკვნა ცვლის ვებ ფუნქციის ეკონომიკასა და კონფიდენციალურობის მოდელს. ბრაუზერის ხელსაწყოს, რომელიც ახარისხებს სურათს, აჯამებს დოკუმენტს ან ეძებს კერძო კოლექციას, არ არის აუცილებელი ატვირთოს ნედლეული შეყვანა სერვერზე. მას შეუძლია უფრო სწრაფად რეაგირება, როდესაც მოდელი და მონაცემები უკვე ლოკალურია და დეველოპერი არ იხდის თითო მოთხოვნის დასკვნის გადასახადს მომხმარებლის ყოველი ურთიერთქმედებისთვის.

ეს სარგებელი მნიშვნელოვანია, მაგრამ ისინი არ არის უფასო. ადგილობრივი მოდელები მოიხმარენ მოწყობილობის მეხსიერებას, ბატარეას და გამოთვლას. მოდელი, რომელიც მყისიერად იგრძნობა ბოლო ლეპტოპზე, შეიძლება იყოს ძალიან დიდი ან ძალიან ნელი ძველ ტელეფონზე. დეველოპერებს ასევე სჭირდებათ მართონ მოდელის ჩამოტვირთვები, ქეშის გაუქმება, ვერსიების დაბრუნების ქცევა, როდესაც ბრაუზერს აკლია WebGPU ან WebNN.

LiteRT.js საინტერესოა, რადგან ის წარმოადგენს ადგილობრივ AI-ს, როგორც ვებ განლაგების პრობლემას და არა მხოლოდ მობილური ან მშობლიური აპლიკაციის პრობლემას. გუნდს შეუძლია ბრაუზერის აპლიკაციის გავრცელება და კვლავ გამოიყენოს ტექნიკის აჩქარება, როდესაც გარემო მხარს უჭერს მას. ეს განსაკუთრებით სასარგებლოა ინსტრუმენტებისთვის, რომლებსაც სჭირდებათ მუშაობა ბევრ ორგანიზაციაში ინსტალაციის ან საზიარო ბექენდზე წვდომის გარეშე.

## ტექნიკური დეტალები

LiteRT.js იყენებს იგივე `.tflite` მოდელის ფორმატს, როგორც უფრო ფართო LiteRT ეკოსისტემა. Google-ის დოკუმენტაცია აღწერს კონვერტაციის ბილიკებს PyTorch-დან, JAX-დან და TensorFlow-დან, კვანტიზაციის ხელსაწყოებით, რომლებიც ხელმისაწვდომია მოდელის ზომის შესამცირებლად და მუშაობის გასაუმჯობესებლად. Runtime-ს შეუძლია ატვირთოს მოდელი, შეადგინოს ის არჩეული ამაჩქარებლისთვის, გაუშვას ტენსორები და დააბრუნოს შედეგები JavaScript ან TypeScript აპლიკაციის შიგნით.

ბრაუზერს შეუძლია შეარჩიოს WebGPU, WebNN ან WebAssembly. Google ამბობს, რომ მხარდაუჭერელი ოპერაციები შეიძლება დაბრუნდეს CPU-ს გზაზე, რამაც უნდა გახადოს განლაგება უფრო ელასტიური მოწყობილობებში. სტეკი ასევე მხარს უჭერს პირდაპირ გამოყენებას TensorFlow.js ტენსორებთან, ასე რომ, არსებულ აპლიკაციებს შეუძლიათ მიიღონ გაშვების დრო ყოველი წინასწარი და შემდგომი დამუშავების საფეხურის შეცვლის გარეშე.

Google-ის განცხადება ხაზს უსვამს ბრაუზერზე დაფუძნებულ ვექტორულ ძიებას, როგორც ადრეულ დემონსტრირებას. ლოკალური ჩაშენების მოდელს შეუძლია გადააქციოს პირადი დოკუმენტები ან მომხმარებლის მონაცემები საძიებელ ვექტორებად კონტენტის ღრუბლოვან API-ში გაგზავნის გარეშე. დეველოპერებისთვის, ეს აერთიანებს ნაცნობ ვებ-ინტერფეისს მონაცემთა უფრო დამოუკიდებელ გზასთან.

![LiteRT.js ვებ დასკვნის ტექნიკური ილუსტრაცია.](https://storage.googleapis.com/gweb-developer-goog-blog-assets/images/Data_image_1600x900.original.png)

## გავლენა ბაზარზე და ინდუსტრიაზე

LiteRT.js აძლევს ვებ დეველოპერებს კიდევ ერთ ვარიანტს ბაზარზე, რომელიც ჩვეულებრივ იყოფა სერვერის AI API-ებსა და მოწყობილობებზე არსებულ ჩარჩოებს შორის. სერვერის დასკვნა რჩება უმარტივესი გზა დიდი მოდელების გამოსაყენებლად და განახლებების ცენტრალიზებულად შესანარჩუნებლად. მშობლიურ აპებს ჯერ კიდევ უფრო ღრმა წვდომა აქვთ ოპერაციული სისტემის აპარატურაზე. ბრაუზერის მუშაობის დრო შუაშია: პორტატული, ინსტალაციის გარეშე და შეუძლია გამოიყენოს ადგილობრივი აჩქარება მოდელებისთვის, რომლებიც შეესაბამება მოწყობილობას.

გამოშვებამ შეიძლება შექმნას ახალი ზეწოლა ვებ აპლიკაციის არქიტექტურაზე. დეველოპერებს შეუძლიათ შეიმუშავონ ფუნქციები ჰიბრიდული შესრულების ირგვლივ, გამოიყენონ მცირე ლოკალური მოდელი კერძო ან ლატენტურად მგრძნობიარე სამუშაოსთვის და დისტანციური მოდელი ამოცანებისთვის, რომლებსაც მეტი შესაძლებლობები სჭირდება. ამან შეიძლება შეამციროს ღირებულება და გააუმჯობესოს მდგრადობა, მაგრამ ასევე ქმნის უფრო რთულ გადაწყვეტილებებს მოდელის მარშრუტიზაციის, ტელემეტრიისა და მომხმარებლის თანხმობის შესახებ.

მიღების ყველაზე დიდი ბარიერი არ არის API სინტაქსი. ეს არის ოპერატიული ნდობა. გუნდებმა უნდა იცოდნენ, თუ როგორ იქცევა მოდელი ბრაუზერებში, რამდენ მეხსიერებას მოიხმარს, როგორ იშლება თერმული ლიმიტების ქვეშ და როგორ აიცილონ განახლებული მოდელი, რომ არ გახდეს ასი მეგაბაიტი ტვირთი.

## რას უნდა დავაკვირდეთ შემდეგ

უყურეთ დემოს ხარისხს, WebNN-ის მხარდაჭერის სიგანს და საწარმოო ჩარჩოების რაოდენობას, რომლებიც LiteRT.js-ს ამტკიცებენ. ასევე დააკვირდით, ავლენენ თუ არა ბრაუზერის გამყიდველები უფრო თანმიმდევრულ წვდომას NPU-ებზე და ხდება თუ არა მოდელის შეკუმშვა საკმარისად კარგი უფრო მდიდარი ადგილობრივი ამოცანებისთვის.

უფრო ფართო პროგრამული სიგნალი არის ის, რომ AI უახლოვდება აპლიკაციის საზღვრებს. თუ LiteRT.js მუშაობს ისე, როგორც დაგეგმილია, ვებ აპს ყოველთვის არ დასჭირდება თხოვნა შორეულ სერვერს მომხმარებლის მონაცემების გასაგებად. თავად ბრაუზერი გახდება მოდელის კიდევ ერთი სერიოზული ადგილი.

## წყაროები

- [Google Developers Blog: LiteRT.js](https://developers.googleblog.com/en/litertjs-googles-high-performance-web-ai-inference/) - 2026 წლის 9 ივლისი.
- [LiteRT ვებ დოკუმენტაციისთვის](https://developers.google.com/edge/litert/web) - გაშვების და ამაჩქარებლის მითითება.
- [LiteRT.js npm პაკეტი] (https://www.npmjs.com/package/@litertjs/core) - ინსტალაცია და პაკეტის კონტექსტი.

კატეგორიის სიგნალი: პროგრამული უზრუნველყოფა.

Mentions: Google, LiteRT.js, LiteRT, WebAssembly, WebGPU, WebNN, TensorFlow.js

## Sources
- [Google Developers ბლოგი](https://developers.googleblog.com/en/litertjs-googles-high-performance-web-ai-inference/)
- [Google AI Edge](https://developers.google.com/edge/litert/web)
- [LiteRT.js npm-ზე](https://www.npmjs.com/package/@litertjs/core)