Microsoft تشغّل نموذجًا بحجم 100 مليار معامل على معالج CPU واحد: استجابات أسرع بما يصل إلى 6.17 مرة
نشرت Microsoft برنامج bitnet.cpp، وهو برنامج مفتوح المصدر يشغّل النماذج اللغوية على معالج عادي دون بطاقة رسومية. يكمن السر في النماذج ذات البت الواحد: فكل وزن فيها يساوي −1 أو 0 أو +1 فقط، ولذلك يحلّ الجمع محل عمليات الضرب الثقيلة. وتصدر الإجابات أسرع بما يصل إلى 6.17 مرة، بينما تنخفض الطاقة المستهلكة بما يصل إلى 82.2%. وهذه فرصة للمساعدات المحلية العاملة دون GPU، لكن يجب أن يكون النموذج قد دُرّب منذ البداية بصيغة البت الواحد.
معالج بواسطة الذكاء الاصطناعي من X: @simplifyinAI؛ بتحرير Hamidun News
لتشغيل نموذج لغوي كبير على جهازك الخاص، يضطر المرء عادةً إلى شراء بطاقة رسومية باهظة ذات ذاكرة ضخمة. أما Microsoft فقد عرضت طريقًا مختلفًا: إطار العمل مفتوح المصدر bitnet.cpp يشغّل النماذج على المعالج المركزي (CPU) العادي، وهو نفسه الموجود في الحاسوب المحمول أو الخادم. وبحسب ما أعلنته الشركة، يمكن بهذه الطريقة تشغيل نموذج بحجم 100 مليار معامل (100B) حتى، أي بمئة مليار إعداد داخلي تحدد كيف «يفكّر». وتزداد سرعة الاستدلال، أي توليد الإجابة، بما يصل إلى 6.17 مرة مقارنةً بالتطبيقات المعتادة، بينما ينخفض استهلاك المعالج للكهرباء بما يصل إلى 82.2%. ولا يعمل ذلك كله إلا مع نماذج خاصة ذات البت الواحد، وسنشرح أدناه ما يعنيه هذا.
كيف يعمل ذلك ببساطة
في الشبكة العصبية التقليدية، يكون كل وزن رقمًا عشريًا (فاصلة عائمة) يشغل 16 بتًا. وللحصول على إجابة، يضرب المعالج مليارات الأرقام من هذا النوع. وهذا ثقيل ومكلف من حيث الطاقة.
أما في نماذج عائلة BitNet فيمكن أن يكون الوزن إحدى ثلاث قيم فقط: −1 أو 0 أو +1. ويعادل ذلك رسميًا نحو 1.58 بت لكل وزن، ولهذا تُسمّى هذه النماذج «نماذج البت الواحد». تخيّل محاسبًا لا يحتاج بدل ضرب المبالغ المعقدة إلا إلى إضافة الرقم أو طرحه أو تجاوزه. فيعمل أسرع، ويستهلك من الورق (أي الذاكرة) أقل بكثير.
و bitnet.cpp هو مجموعة من النوى المحسّنة لهذا النوع من الحساب. وتتوافر إصدارات منفصلة لمعمارية x86 (معالجات Intel وAMD) ولمعمارية ARM (رقاقات Apple والهواتف الذكية).
ماذا تُظهر الأرقام
وفق بيانات Microsoft، يتسارع الاستدلال على معالجات x86 بمقدار 2.37–6.17 مرة مقارنةً بالتطبيقات المعتادة، وينخفض استهلاك الطاقة بنسبة 71.9–82.2%. وعلى ARM يكون المكسب أكثر تواضعًا: تسارع بمقدار 1.37–5.07 مرة، وتوفير في الطاقة بنسبة 55.4–70%. أما المنشور الذي انتشر في وسائل التواصل الاجتماعي فذكر القيم القصوى فقط: «حتى 6.17 مرة» و«حتى 82.2%». وتعتمد النتيجة الفعلية على المعالج وحجم النموذج.
وأكثر الأرقام لفتًا للانتباه هو نموذج بحجم 100 مليار معامل على معالج CPU واحد. وبحسب وصف المشروع، تبلغ السرعة حينها 5–7 رموز في الثانية، أي ما يقارب سرعة القراءة لدى الإنسان. وفي المحادثة أو المساعد المحلي، حيث لا أحد يلاحق أجزاء الثانية، يكفي هذا.
ما القيود
هنا لا بد من تحفظ مهم. فصيغة البت الواحد لا يمكن تطبيقها على أي نموذج جاهز مثل Llama أو Qwen: إذا ضُغط النموذج إلى هذا الحد بعد التدريب، تنخفض جودته انخفاضًا حادًا. ويجب تدريب النموذج منذ البداية مع قيد على الأوزان، كما في BitNet b1.58. وتوجد نماذج كهذه، لكنها صغيرة، مثل BitNet b1.58 2B4T بحجم 2 مليار معامل.
وبقدر المعروف، أُجري عرض 100B على نموذج ذي المعمارية المطلوبة، وليس على نموذج مدرَّب يمكن استخدامه مباشرةً. ولا يوجد حتى الآن نموذج جاهز بالبت الواحد بهذا الحجم تضاهي جودته أفضل النماذج اللغوية الكبيرة مفتوحة المصدر. ويتضح من ذلك أن bitnet.cpp يُظهر جاهزية البنية التحتية، أما النماذج الكبيرة «الذكية» المناسبة لها فلا يزال تدريبها مطلوبًا.
ماذا يفعل المطورون بهذا
إذا كنت تبني مساعدات محلية أو تطبيقات تعمل دون اتصال أو ميزات ذكاء اصطناعي مدمجة لأجهزة بلا GPU، فمن المجدي أن تجرّب bitnet.cpp على نماذج BitNet الصغيرة وتقيس السرعة والجودة على عتادك الخاص.
وإذا كنت تحسب تكاليف الاستدلال السحابي، فمن الأفضل متابعة هذا الاتجاه. فعندما تبدأ المختبرات الكبرى بإصدار نماذج بالبت الواحد، سيصبح بالإمكان نقل جزء من المهام من عناقيد GPU إلى خوادم عادية. أما الآن فهذه تقنية واعدة، وليست بديلًا جاهزًا للنماذج المعتادة.
- 22 نوفمبر 2026bitnet.cpp من Microsoft يسرّع نماذج LLM على المعالج العادي حتى 6.17 مرة ويخفض الطاقة بنسبة 82%
- 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 كيف يعمل ذلك ببساطة؟
في الشبكة العصبية التقليدية، يكون كل وزن رقمًا عشريًا (فاصلة عائمة) يشغل 16 بتًا. وللحصول على إجابة، يضرب المعالج مليارات الأرقام من هذا النوع. وهذا ثقيل ومكلف من حيث الطاقة. أما في نماذج عائلة BitNet فيمكن أن يكون الوزن إحدى ثلاث قيم فقط: −1 أو 0 أو +1. ويعادل ذلك رسميًا نحو 1.58 بت لكل وزن، ولهذا تُسمّى هذه النماذج «نماذج البت الواحد». تخيّل محاسبًا لا يحتاج بدل ضرب المبالغ المعقدة إلا إلى إضافة الرقم أو طرحه أو تجاوزه. فيعمل أسرع، ويستهلك من الورق (أي الذاكرة) أقل بكثير.
ما أبرز التفاصيل حول ماذا تُظهر الأرقام؟
وفق بيانات Microsoft، يتسارع الاستدلال على معالجات x86 بمقدار 2.37–6.17 مرة مقارنةً بالتطبيقات المعتادة، وينخفض استهلاك الطاقة بنسبة 71.9–82.2%. وعلى ARM يكون المكسب أكثر تواضعًا: تسارع بمقدار 1.37–5.07 مرة، وتوفير في الطاقة بنسبة 55.4–70%. أما المنشور الذي انتشر في وسائل التواصل الاجتماعي فذكر القيم القصوى فقط: «حتى 6.17 مرة» و«حتى 82.2%». وتعتمد النتيجة الفعلية على المعالج وحجم النموذج. وأكثر الأرقام لفتًا للانتباه هو نموذج بحجم 100 مليار معامل على معالج CPU واحد.
ما أبرز التفاصيل حول ما القيود؟
هنا لا بد من تحفظ مهم. فصيغة البت الواحد لا يمكن تطبيقها على أي نموذج جاهز مثل Llama أو Qwen: إذا ضُغط النموذج إلى هذا الحد بعد التدريب، تنخفض جودته انخفاضًا حادًا. ويجب تدريب النموذج منذ البداية مع قيد على الأوزان، كما في BitNet b1.58. وتوجد نماذج كهذه، لكنها صغيرة، مثل BitNet b1.58 2B4T بحجم 2 مليار معامل. وبقدر المعروف، أُجري عرض 100B على نموذج ذي المعمارية المطلوبة، وليس على نموذج مدرَّب يمكن استخدامه مباشرةً.
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.