مايكروسوفت تكشف عن ثلاثة نماذج للتعامل مع النصوص والصوت والصور

توسّع Microsoft AI سلسلة خدماتها التوليدية الخاصة، وتُظهر أنها لم تعد ترغب في الاعتماد على نماذج الشركاء وحدها. فقد قدّمت الوحدة البحثية في الشركة دفعة واحدة ثلاثة حلول جديدة: MAI-Transcribe-1 لتحويل الكلام إلى نص، وMAI-Voice-1 لتوليد الصوت، وMAI-Image-2 لإنشاء الصور انطلاقًا من وصف نصي. وبالنسبة إلى Microsoft، لا يمثّل هذا مجرد إطلاق جديد آخر، بل إعلانًا عن دور أكثر استقلالية في سباق منصات الذكاء الاصطناعي.

تغطي السلسلة الجديدة عدة سيناريوهات رئيسية مطلوبة في المنتجات المؤسسية والخدمات السحابية. يستطيع MAI-Transcribe-1 تحويل الكلام إلى نص بـ25 لغة، ويعمل، بحسب بيانات Microsoft، أسرع بـ2.5 مرة من خدمة Azure Fast. وتكتسب هذه الميزة أهميتها في مراكز الاتصال، وتفريغ الاجتماعات، وتحليل محادثات العملاء، وتوطين المحتوى في الوقت الفعلي. أما MAI-Voice-1 فيولّد مقطعًا صوتيًا مدته دقيقة في ثانية واحدة تقريبًا، ويدعم تخصيص الأصوات لمهام مختلفة، من التعليق الصوتي للواجهات إلى المساعدين الصوتيين وأتمتة الإنتاج الإعلامي. ويتولى MAI-Image-2 إنشاء المحتوى المرئي بناءً على طلب نصي، أي إنه يُكمل الوظائف النصية والصوتية بوحدة بصرية متكاملة.

يُظهر إطلاق ثلاثة نماذج دفعة واحدة أن Microsoft لا تراهن على منتجات استعراضية منفصلة، بل على بنية تحتية متعددة الوسائط خاصة بها. وتتولى هذا العمل داخل الشركة فرقة MAI Superintelligence، المعنية بأبحاث أنظمة الذكاء الاصطناعي المتقدمة. ويقود الوحدة مصطفى سليمان، الذي انضم لتعزيز مسار الذكاء الاصطناعي في Microsoft وبناء منظومة تقنية أكثر استقلالية. والمنطق واضح: فحين تمتلك الشركة نماذجها الخاصة للنصوص والصوت والصور، تحصل على سيطرة أكبر على الجودة والسرعة والسعر ووتيرة تطوير المنتجات. وبالنسبة إلى شركة بهذا الحجم، فإن المسألة تتعلق أيضًا بموقعها التفاوضي: فكلما قلّ الاعتماد على مورّد خارجي للنماذج، زادت مرونة بناء الاستراتيجية المنتجية والسحابية.

ويُسلَّط الضوء بصورة خاصة على تكلفة الاستخدام. فـMicrosoft تحاول المنافسة ليس بالجودة فحسب، بل أيضًا باقتصاديات الحوسبة مقارنةً ببدائل Google وOpenAI. تبدأ تسعيرة تفريغ الكلام نصيًّا من 0.36 دولار للساعة. ويُقدَّر توليد الكلام بـ22 دولارًا لكل 1 مليون حرف. وفي توليد الصور، أُعلن عن 5 دولارات لكل 1 مليون رمز إدخال و33 دولارًا لكل 1 مليون رمز إخراج. ويكتسب هذا النهج أهمية خاصة للشركات التي لا تحسب إمكانات النماذج فحسب، بل أيضًا التكلفة الفعلية لكل سيناريو، من معالجة المكالمات إلى الإنشاء الآلي للمحتوى الإعلامي. وإذا تأكدت المؤشرات المعلنة عمليًا، فسيكون بمقدور Microsoft الترويج للنماذج الجديدة أداةَ عمل للمهام واسعة النطاق، لا للمهام التجريبية فقط.

وقد نُشرت النماذج الثلاثة بالفعل على منصة Microsoft Foundry، كما أن حلَّي تفريغ الكلام نصيًّا وتوليد الكلام متاحان أيضًا في MAI Playground. وهذا يعني أن الشركة لم تكتفِ بإعلان بحثي، بل قرّبت النماذج فورًا من الاستخدام العملي من جانب المطورين والعملاء المؤسسيين. وهذه الخطوة مهمة لأن السوق لم تعد تهتم كثيرًا بالعروض المخبرية المنفصلة؛ فالقيمة تظهر حيث يمكن دمج النموذج بسرعة في منتج، واختباره على الحمل الفعلي، وحساب الاقتصاديات النهائية. وهذا بالضبط ما يوفره Foundry وPlayground: طريقًا من الإعلان إلى التطبيق.

ومع ذلك، لا تتخلى Microsoft عن استراتيجية الشراكة السابقة. فالشركة تواصل التعاون مع OpenAI وتحتفظ بعقد طويل الأمد، رغم أنها استثمرت في شريكها أكثر من 13 مليار دولار. وعمليًا، تبني Microsoft منظومة متنوعة تُكمل فيها حلولها الخاصة حلول الشركاء، ولا تحل محلها فورًا. ويشبه ذلك استراتيجية معتمدة في قطاع العتاد، حيث تُشترى المكونات الحرجة من عدة موردين لتقليل المخاطر وتفادي الارتهان لمسار تقني واحد.

والخلاصة الرئيسية أن Microsoft تعيد بناء استراتيجيتها في الذكاء الاصطناعي باتجاه قدر أكبر من الاستقلالية. فلا تزال الشركة من أبرز حلفاء OpenAI، لكنها باتت تطوّر نماذجها الخاصة والبنية التحتية المحيطة بها بنشاط أكبر بوضوح. وبالنسبة إلى السوق، تشكّل هذه إشارة إلى أن المنافسة بين كبار اللاعبين في الذكاء الاصطناعي لن تدور حول جودة التوليد فقط، بل أيضًا حول السرعة والتكلفة وعمق الدمج في سير العمل. أما بالنسبة إلى عملاء Microsoft، فيعني ذلك على الأرجح خيارًا أوسع من الأدوات داخل منظومة واحدة، وتبعية أقل لمورّد وحيد للنماذج.