bitnet.cpp من Microsoft يسرّع نماذج LLM على المعالج العادي حتى 6.17 مرة ويخفض الطاقة بنسبة 82%
تنتشر على الإنترنت أخبار تفيد بأن Microsoft شغّلت شبكة عصبية بحجم 100 مليار معامل على معالج عادي. هذا صحيح جزئيًا فقط: فإطار bitnet.cpp يسرّع النماذج ذات الأوزان المكوَّنة من ثلاث قيم (−1 و0 و+1، أي 1.58 بت) على معالجات x86 حتى 6.17 مرة، ويخفض استهلاك الطاقة حتى 82.2%. لكن رقم 100 مليار هو سقف نظري، أما النموذج الوحيد المدرَّب والمنشور فهو نموذج بحجم 2 مليار معامل. ولمشاريع المعالجات (CPU) تبدو الحسابات المبنية عليه هي الأجدى.
معالج بواسطة الذكاء الاصطناعي من X: @grok؛ بتحرير Hamidun News
تعود إلى وسائل التواصل الاجتماعي قصة لافتة: يُقال إن Microsoft علّمت المعالج العادي، من دون بطاقة رسوميات، تشغيل شبكة عصبية بحجم 100 مليار معامل. تبدو القصة وكأنها نهاية عصر وحدات GPU الباهظة. أما في الواقع فيتأكد جزء منها فقط: إطار bitnet.cpp المفتوح المصدر يسرّع فعلًا النماذج ذات الأوزان «الخفيفة» جدًا على معالجات x86 العادية حتى 6.17 مرة، ويخفض استهلاك الطاقة حتى 82.2%. أما نموذج جاهز بحجم 100 مليار معامل فلم ينشره أحد. دعونا نفرز ما هو حقيقي مما لا يزال حسابًا على الورق، لأن ذلك يحدد ما إذا كان يجدر بناء منتج يعتمد على التشغيل على CPU.
ما الذي يتأكد
BitNet b1.58 هو نهج تُخزَّن فيه أوزان الشبكة العصبية لا في 16 أو 8 بت، بل في ثلاث قيم فقط: −1 و0 و+1. ولترميز ثلاث حالات يلزم نحو 1.58 بت لكل وزن، ومن هنا جاء الاسم. تخيّل أن الخبير، بدل أن يمنح تقييمًا دقيقًا مثل «7.34 من 10»، يكتفي بثلاثة أحكام: «سيئ» أو «محايد» أو «جيد». المعلومات أقل، لكن الحساب والتخزين أرخص بكثير: فبدل ضرب الأعداد الكسرية لا يبقى سوى الجمع والطرح.
ولكي لا تكتفي هذه النماذج بشغل مساحة صغيرة، بل تعمل بسرعة أيضًا، أصدرت Microsoft إطار bitnet.cpp المفتوح المصدر. وبحسب البيانات المعلنة، فإنه يسرّع الاستدلال (أي توليد الإجابات بواسطة نموذج جاهز) على معالجات x86 حتى 6.17 مرة، ويخفض استهلاك الطاقة حتى 82.2% مقارنةً بالتطبيقات المعتادة. وتبقى عبارة «حتى» تحفظًا مهمًا: فهذا هو الحد الأعلى في أفضل الإعدادات، وليس ضمانًا لأي جهاز ولا لأي حجم من النماذج.
أين تنتهي الحقيقة: قصة 100B
يرد رقم 100 مليار معامل فعلًا في مواد المشروع، لكن بوصفه عرضًا لإمكانات الإطار. فنظريًا يستطيع bitnet.cpp تشغيل نموذج بهذا الحجم على معالج واحد بسرعة 5–7 رموز في الثانية، أي ما يقارب سرعة القراءة المتأنية لدى الإنسان. غير أنه لا يوجد في المتناول العام نموذج مدرَّب جاهز بهذا الحجم. فالإطار قادر على تشغيله، لكن لا يوجد بعد ما يُشغَّل.
أما المنشور فعليًا فهو نموذج بحجم 2 مليار معامل. وبحسب تصريح Microsoft، فإن جودته قريبة من جودة نماذج بالحجم نفسه ذات الأوزان كاملة الدقة. وهذه تفصيلة مهمة: فالمقارنة هنا بين «نموذجنا 2B» و«نماذج الآخرين 2B»، وليست دليلًا على أن نموذجًا ثلاثي القيم صغيرًا يلحق بالنماذج الكبيرة من فئة GPT. إن نموذج الملياري معامل خيار جيد للمهام البسيطة، مثل التصنيف واستخراج الحقول والإجابات القصيرة والمساعدات المحلية، لكنه ليس بديلًا عن نماذج LLM الرائدة في الاستدلال المعقد.
ماذا يعني ذلك للمطورين
أولًا: يصبح الاستدلال على CPU عمليًا في السيناريوهات المحدودة. فإذا احتجت إلى نموذج صغير على حواسيب الموظفين المحمولة أو على الأجهزة الطرفية أو على خوادم بلا GPU، فقد يكون توفير الطاقة والذاكرة كبيرًا. كما أن انخفاض استهلاك الطاقة مهم لمن يحسب تكلفة الملكية، لا السرعة وحدها.
ثانيًا: لا تبنِ خططك حول نموذج 100B. فما دام لا توجد نقطة تدقيق (checkpoint) عامة مدرَّبة، فهذه شريحة عرض جميلة وليست أداة. ولكي يظهر مثل هذا النموذج، يجب تدريبه من الصفر بالصيغة الثلاثية: فلا يمكن ببساطة «ضغط» نموذج عادي إلى 1.58 بت دون خسارة في الجودة. وهذا مكلف، ولم يعرض أي من اللاعبين الكبار علنًا نتيجة على هذا النطاق حتى الآن.
ثالثًا: تحقق من الأرقام على عتادك الخاص. فالتسريع بمقدار 6.17 مرة قيس في ظروف محددة، وعلى معالجك ومع حجم السياق لديك قد تكون النتيجة أقل بكثير. نزّل bitnet.cpp، وشغّل نموذج الملياري معامل، وقِس السرعة بالرموز في الثانية واستهلاك الذاكرة والجودة على طلباتك الفعلية.
القيود
مصدر هذا التحقق هو رد قصير على وسائل التواصل الاجتماعي، لذا ينبغي البحث عن الشروط الدقيقة لاختبارات الأداء (طراز المعالج، وحجم السياق، والتطبيقات المقارَن بها) في المصادر الأصلية لدى Microsoft. إضافة إلى ذلك، لا يزال النظام البيئي للنماذج ذات 1.58 بت صغيرًا جدًا: فخيارات الأوزان محدودة، وأدوات الضبط الدقيق متأخرة عمّا اعتادته نماذج LLM العادية.
الخلاصة: الادعاء صحيح جزئيًا. فالتقنية تعمل، والتسريع وتوفير الطاقة معلنان عمليًا، ونموذج الملياري معامل متاح. لكن الإثارة المتعلقة بـ«100B على معالج منزلي» لا تزال إمكانية نظرية، لا منتجًا جاهزًا.
- 22 نوفمبر 2026Microsoft تشغّل نموذجًا بحجم 100 مليار معامل على معالج CPU واحد: استجابات أسرع بما يصل إلى 6.17 مرة
- 22 نوفمبر 2026تقدير تحليلي: غاز بنسبة 87% وفحم بنسبة 11% سيغذيان Anthropic بالطاقة في 2028
- 22 نوفمبر 2026وكيل Microsoft كتب أوزان الشبكة العصبية يدويًا وحقق دقة 100% في 13 مهمة
- 22 نوفمبر 2026هيئة SEC تدقق في حسابات Nvidia: السهم يهبط 14% في يوم واحد
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما الذي يتأكد؟
BitNet b1.58 هو نهج تُخزَّن فيه أوزان الشبكة العصبية لا في 16 أو 8 بت، بل في ثلاث قيم فقط: −1 و0 و+1. ولترميز ثلاث حالات يلزم نحو 1.58 بت لكل وزن، ومن هنا جاء الاسم. تخيّل أن الخبير، بدل أن يمنح تقييمًا دقيقًا مثل «7.34 من 10»، يكتفي بثلاثة أحكام: «سيئ» أو «محايد» أو «جيد». المعلومات أقل، لكن الحساب والتخزين أرخص بكثير: فبدل ضرب الأعداد الكسرية لا يبقى سوى الجمع والطرح. ولكي لا تكتفي هذه النماذج بشغل مساحة صغيرة، بل تعمل بسرعة أيضًا، أصدرت Microsoft إطار bitnet.cpp المفتوح المصدر.
ما أبرز التفاصيل حول أين تنتهي الحقيقة: قصة 100B؟
يرد رقم 100 مليار معامل فعلًا في مواد المشروع، لكن بوصفه عرضًا لإمكانات الإطار. فنظريًا يستطيع bitnet.cpp تشغيل نموذج بهذا الحجم على معالج واحد بسرعة 5–7 رموز في الثانية، أي ما يقارب سرعة القراءة المتأنية لدى الإنسان. غير أنه لا يوجد في المتناول العام نموذج مدرَّب جاهز بهذا الحجم. فالإطار قادر على تشغيله، لكن لا يوجد بعد ما يُشغَّل. أما المنشور فعليًا فهو نموذج بحجم 2 مليار معامل. وبحسب تصريح Microsoft، فإن جودته قريبة من جودة نماذج بالحجم نفسه ذات الأوزان كاملة الدقة.
ما أبرز التفاصيل حول ماذا يعني ذلك للمطورين؟
أولًا: يصبح الاستدلال على CPU عمليًا في السيناريوهات المحدودة. فإذا احتجت إلى نموذج صغير على حواسيب الموظفين المحمولة أو على الأجهزة الطرفية أو على خوادم بلا GPU، فقد يكون توفير الطاقة والذاكرة كبيرًا. كما أن انخفاض استهلاك الطاقة مهم لمن يحسب تكلفة الملكية، لا السرعة وحدها. ثانيًا: لا تبنِ خططك حول نموذج 100B. فما دام لا توجد نقطة تدقيق (checkpoint) عامة مدرَّبة، فهذه شريحة عرض جميلة وليست أداة.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.