Microsoft MAI-Base-2: نموذج بـ2.8 تريليون معامل بلا موعد إصدار، فما الذي يهمّ المطوّر فعلاً؟

في 15 أكتوبر 2026 أعلنت Microsoft AI أنها أكملت التدريب المسبق (Pre-training) لنموذج MAI-Base-2، وهو نموذج أساس بنمط خليط الخبراء (MoE) بإجمالي 2.8 تريليون معامل، ينشط منها 80 مليار فقط لكل رمز. الرقم لافت، لكن الأهم لمن يبني منتجات هو ما لم يُعلن بعد: لا موعد إصدار ولا سعر، والنموذج ما زال في مرحلة ما بعد التدريب. في هذا المقال نفصل بين المعلن فعلاً والمزاعم التي تنتظر تحققاً مستقلاً، ونشرح ما يعنيه ذلك لخططك.

ما الذي أُعلن بالضبط؟

• البنية: خليط خبراء في كل طبقة، يُوجَّه كل رمز إلى 7 خبراء من أصل 512 مع خبير مشترك واحد.
• الحجم: 2.8 تريليون معامل إجمالاً و80 مليار نشطة. وصفه مصطفى سليمان في منشور بأنه من فئة «3 تريليون»، والرقم الفني المعتمد هو 2.8.
• الرؤية: تدريب أصيل مع الصور بمعمارية بلا مشفّر مستقل (Encoder-free)، وشكّلت بيانات الرؤية واللغة نحو 18% من الخليط.
• البيانات: 50 تريليون رمز، بزيادة نحو 36% في الرموز الفريدة عن MAI-Base-1، وتاريخ المعرفة مارس 2026.
• العتاد: 16 ألف معالج GB200 على مدى 38 يوماً في أغسطس وسبتمبر.

الكفاءة: الرقم الذي يستحق الحذر

تقول Microsoft إن النموذج يحتاج بين 4.2 و12.3 ضعفاً أقل من الحوسبة ليبلغ أداء DeepSeek-V4-Pro-Base. هذه نتائج تقييم داخلي، لا مقارنة مستقلة. كما أن المقارنة بين نماذج أساس قبل ما بعد التدريب لا تخبرك كثيراً عن أداء المنتج النهائي في الكود أو الوكلاء.

نموذج الأساس هو المادة الخام لا المنتج؛ ما تستعمله فعلاً هو ما يخرج بعد الضبط والمحاذاة والتقييم.

أرقام التشغيل التي تكشف الصورة

المقياس	القيمة
متوسط استغلال FLOPs (MFU)	21%
الإنتاجية الفعلية (Goodput)	89%
عدد المعالجات	16 ألف GB200
مدة التدريب	38 يوماً

استغلال 21% يبدو متواضعاً، لكنه شائع في نماذج MoE الضخمة بسبب كلفة التواصل بين الخبراء. أما نسبة 89% فتعني أن التدريب لم يضع وقتاً كبيراً في الأعطال، وهذا إنجاز هندسي بذاته.

ماذا يعني لك كمطوّر؟

1. لا تغيّر خطتك اليوم

لا واجهة برمجية ولا أوزان متاحة. تخطّط Microsoft لترخيص الأوزان لشركاء موثوقين عبر Foundry، أي أن الوصول الأول سيكون مقيداً.

2. توقّع تنويع الموردين

دخول Microsoft بنموذج أساس خاص بها يقلل اعتمادها على شركاء خارجيين، وقد يعني خيارات إضافية داخل Azure. اجعل طبقة النموذج في تطبيقك قابلة للاستبدال لتستفيد دون إعادة بناء.

3. قِس بنفسك عند الإتاحة

حين يتوفر النموذج، شغّل مجموعة اختباراتك الخاصة على مهامك الحقيقية، ولا تعتمد على جداول المقارنة المنشورة.

لماذا خليط الخبراء بهذا الحجم؟

الفكرة الأساسية في MoE أن النموذج يحتوي عدداً هائلاً من «الخبراء»، لكن موجّهاً صغيراً (Router) يختار لكل رمز عدداً قليلاً منهم فقط. هنا يُختار 7 من 512 مع خبير مشترك، أي أن أقل من 3% من المعاملات تعمل عند كل رمز. النتيجة نظرياً: سعة معرفية تقترب من نموذج كثيف ضخم بكلفة حساب أقرب إلى نموذج بـ80 مليار معامل.

لكن هذا التصميم يفرض أثماناً عملية:

• الذاكرة: يجب تحميل الأوزان كلها، ولو بدقة منخفضة، ما يتطلب عنقوداً من المعالجات لا خادماً واحداً.
• التواصل: توجيه الرموز بين الخبراء الموزعين على معالجات مختلفة يستهلك عرضاً نطاقياً كبيراً، وهو سبب انخفاض MFU إلى 21%.
• توازن الحمل: إن أفرط الموجّه في استخدام خبراء بعينهم تتعطل بقية المعالجات، ويحتاج التدريب إلى تقنيات لموازنة التوزيع.

الرؤية الأصيلة بلا مشفّر مستقل

اختارت Microsoft تدريب النموذج على الصور والنص معاً منذ البداية بمعمارية بلا مشفّر رؤية منفصل. في الأسلوب الشائع تُدمج نماذج لغة مع مشفّر صور جاهز، وقد ينتج عن ذلك فجوة بين فهم النص وفهم الصورة. أما التدريب المشترك فيَعِد بتكامل أعمق، لكن لا يوجد حتى الآن اختبار مستقل يثبت أفضليته، فاعتبره فرضية معمارية لا حقيقة مؤكدة.

كيف تقرأ إعلانات نماذج الأساس؟

هناك أسئلة بسيطة تفصل الإعلان عن القيمة العملية:

1. هل النموذج متاح؟ إعلان التدريب شيء والإتاحة شيء آخر تماماً.
2. من أجرى المقارنة؟ نتائج الجهة المطوّرة تحتاج تأكيداً مستقلاً.
3. ما نوع النموذج؟ نموذج أساس لا يتبع التعليمات كمساعد جاهز، وقيمته تظهر بعد الضبط.
4. ما شروط الترخيص؟ الترخيص للشركاء الموثوقين يختلف عن أوزان مفتوحة للجميع.
5. ما الكلفة الكلية؟ الاستدلال على نموذج بهذا الحجم قد يلغي أي وفر نظري في التدريب.

بتطبيق هذه الأسئلة على MAI-Base-2 تجد أن الإجابة عن الأول والرابع والخامس غير معروفة بعد، وهذا وحده سبب كافٍ للتريث.

السياق: سباق الاستقلال في النماذج

يأتي الإعلان في أسبوع شهد أيضاً إطلاق Meta أوزان Muse Spark Open بـ816 مليار معامل. التزامن يعكس اتجاهاً أوسع: الشركات الكبرى تريد نماذج أساس خاصة بها لتتحكم في الكلفة والاعتماد على الموردين. وبالنسبة لك كمطوّر، تعدد النماذج القوية يعني ضغطاً على الأسعار وخيارات أكثر، بشرط أن تبقي بنيتك مستقلة عن مورد بعينه.

ما الذي لا نعرفه بعد؟

تبقى أسئلة جوهرية بلا إجابة: ما حجم نافذة السياق؟ وكيف سيؤدي النموذج في البرمجة والاستدلال متعدد الخطوات بعد ما بعد التدريب؟ وهل ستتوفر نسخ مكمّمة أو أصغر تناسب فرقاً لا تملك عنقوداً من GB200؟ وما سياسة الترخيص بعد مرحلة الشركاء؟ كل إجابة من هذه ستغيّر قيمة النموذج لك، وقد تجعله مهماً جداً أو بعيداً عن احتياجاتك. لذلك الأفضل متابعة الإعلانات الرسمية وتقارير التقييم المستقلة بدل بناء توقعات على أرقام التدريب وحدها.

خطوات عملية للاستعداد

• ضع طبقة تجريد بين تطبيقك ومزوّد النموذج، بحيث يكون تبديل النموذج تغيير إعداد لا إعادة كتابة.
• ابنِ مجموعة تقييم صغيرة من مهامك الحقيقية، تشغّلها على أي نموذج جديد خلال ساعات.
• سجّل الكلفة وزمن الاستجابة لكل طلب، فالمقارنة الحقيقية تكون بالكلفة لكل مهمة منجزة.
• تابع مسار Foundry إن كنت عميلاً على Azure، فهو القناة المتوقعة للوصول الأول.

أسئلة شائعة

هل يمكنني استخدام MAI-Base-2 الآن؟

لا. النموذج في مرحلة ما بعد التدريب ولم تُحدد Microsoft موعد إصدار أو تسعيراً.

لماذا يهم أن تنشط 80 مليار معامل فقط؟

لأن كلفة الاستدلال تتبع المعاملات النشطة لا الإجمالية، لكن الذاكرة المطلوبة لتخزين الأوزان تتبع الإجمالي، وهذا يحدد نوع العتاد اللازم.

هل ادعاء الكفاءة مؤكد؟

لا، فهو من تقييم Microsoft نفسها وينتظر اختبارات مستقلة.

الخلاصة

MAI-Base-2 إعلان تدريب ضخم لا إطلاق منتج. الأرقام المعمارية موثقة، أما مزاعم الكفاءة فتحتاج تحققاً خارجياً، والوصول سيبدأ مقيداً عبر Foundry. أبقِ طبقة النماذج في تطبيقك مرنة، وانتظر الاختبارات المستقلة قبل أي قرار بناء عليه.