شرح نماذج Microsoft MAI: 7 نماذج AI داخلية

في مؤتمر Build 2026، كشفت Microsoft النقاب عن سبعة نماذج MAI من إنتاجها الخاص، تشمل التفكير، والبرمجة، والصور، والنسخ الصوتي، والصوت. تم تدريب جميع هذه النماذج من الصفر دون أي عملية تقطير (distillation) من مختبرات أخرى — وهي دفعة متعمدة نحو ما تسميه Microsoft الاكتفاء الذاتي طويل الأمد، بعد سنوات من الاعتماد على OpenAI.¹

ملخص

في 2 يونيو 2026، أعلن مصطفى سليمان، رئيس قسم Microsoft AI، عن عائلة مكونة من سبعة نماذج MAI (Microsoft AI) جديدة تم بناؤها بالكامل داخليًا.¹ وأبرز هذه النماذج هو MAI-Thinking-1، وهو نموذج تفكير يحتوي على 35 مليار معلمة نشطة (active parameter) تقول Microsoft إنه ينافس Claude Opus 4.6 على مقياس SWE-Bench Pro، ونموذج MAI-Code-1-Flash، وهو نموذج برمجة بـ 5 مليارات معلمة نشطة يتم طرحه الآن داخل GitHub Copilot.²³ قامت Microsoft بتدريب هذه النماذج من الأساس على بيانات نظيفة ومرخصة — دون تقطير من المختبرات المنافسة — وصممتها بالتعاون مع معالجات Maia 200 الخاصة بها. الرسالة الاستراتيجية واضحة: تريد Microsoft التوقف عن الاعتماد على شريك واحد في مجال الذكاء الاصطناعي المتقدم.

ما ستتعلمه

• ما هي نماذج MAI السبعة والمهمة التي يتعامل معها كل نموذج
• كيفية أداء MAI-Thinking-1 و MAI-Code-1-Flash في اختبارات Microsoft القياسية
• لماذا يعد "التدريب من الصفر، بدون تقطير" هو الجوهر الاستراتيجي للإطلاق
• ما هو Frontier Tuning ولماذا يجب أن تهتم به الشركات
• أين يمكنك استخدام النماذج فعليًا اليوم

لماذا قامت Microsoft ببناء نماذجها الخاصة

أمضت Microsoft سنوات كواحدة من أكبر الداعمين الماليين لشركة OpenAI، وكان Copilot يعتمد بشكل كبير على نماذج OpenAI. بدأت Microsoft في شحن نماذج داخلية في عام 2025 مع MAI-1-preview و MAI-Voice-1؛ ويعد إصدار Build 2026 توسعًا كبيرًا لهذه التشكيلة لتشمل التفكير والبرمجة الوكيلية (agentic coding)، مما يعزز التحول الذي تصفه الشركة بأنه "اكتفاء ذاتي طويل الأمد".¹⁴ وصفت CNBC هذه الخطوة بأنها محاولة من Microsoft لتقليل اعتمادها على OpenAI وخفض التكاليف للمطورين.⁵

صاغ سليمان الإطلاق حول مفهوم الحجم (scale). وأشار إلى أن الحوسبة المستخدمة لتدريب النماذج الرائدة قد نمت بمعامل تريليون، وقال إن Microsoft تتوقع زيادة أخرى بمقدار ألف ضعف خلال السنوات الثلاث القادمة.¹ الهدف المعلن هو ما تسميه Microsoft "آلة تسلق التلال" (hill-climbing machine) — وهي مؤسسة ومنظومة عمل تستمر في التحسن دورة بعد دورة مع إضافة المزيد من الحوسبة، وبيانات أفضل، وتقييمات أدق.

نظرة سريعة على نماذج MAI السبعة

عائلة MAI هي تشكيلة متعددة الوسائط (multimodal)، حيث يتخصص كل نموذج في نوع مختلف من العمل الواقعي.¹

هناك خيط ثابت يربط بين السبعة جميعًا: تقول Microsoft إنها لا تقوم بالتقطير من مختبرات أخرى ولا تعتمد على بيانات غامضة. توصف مجموعات بياناتها بأنها نظيفة، وقابلة للتتبع، وذات جودة مؤسسية.¹

MAI-Thinking-1: نموذج التفكير الرائد

يعد MAI-Thinking-1 نموذج التفكير في العائلة وأكثر ادعاءاتها طموحًا. إنه نموذج "خليط من الخبراء" (Mixture-of-Experts) متناثر مع 35 مليار معلمة نشطة من إجمالي تريليون معلمة تقريبًا — وهو بصمة استنتاج صغيرة مقارنة بالأنظمة الرائدة الأكبر بكثير.² على الرغم من الحجم النشط المتواضع، تقول Microsoft إنه "ينافس Claude Opus 4.6 على SWE-Bench Pro"، وهو مقياس البرمجة المتنوع والواقعي.²

في الرياضيات، ذكرت Microsoft أن MAI-Thinking-1 سجل 97.0% في AIME 2025 و 94.5% في AIME 2026.² كما أجرت الشركة تقييمًا بشريًا أعمى جنبًا إلى جنب مع شريك التقييم Surge، شمل 1,276 مهمة أحادية ومتعددة الأدوار، حيث فضل المقيمون MAI-Thinking-1 على Claude Sonnet 4.6.²

للاستخدام المؤسسي، يدعم النموذج نافذة سياق تبلغ 256,000 توكن — وهو ما يكفي لوثيقة مكونة من 600 صفحة تقريبًا — إلى جانب استدعاء الوظائف (function calling)، وتعليمات المطورين متعددة الطبقات، والتوافق مع API Chat Completions واسع الاستخدام.² وهو متاح في معاينة خاصة على Microsoft Foundry، مع وعد بمعاينة عامة على MAI Playground قريبًا.²

الإطار العام يهم بقدر الأرقام. تجادل Microsoft بأن "القدرات يجب أن تُكتسب، لا أن تُورث" — وهي حجتها للتدريب من الصفر بدلاً من تقطير نموذج معلم، وهو ما تقول إنه ينتج نظامًا أكثر قابلية للتوجيه والتكيف.²

MAI-Code-1-Flash: صغير وسريع وداخل Copilot

يُعد MAI-Code-1-Flash هو "حصان العمل" البرمجي، المصمم لمساعدة المطورين في مهامهم اليومية بدلاً من السعي وراء أمجاد الاختبارات المعيارية. مع 5 مليارات معلمة نشطة، فإنه يقارن بـ Claude Haiku 4.5 ولكنه أرخص في التشغيل، وفقاً لـ Microsoft.¹³

قامت Microsoft بتدريبه مباشرة باستخدام أدوات GitHub Copilot المستخدمة في الإنتاج، لذا يتعلم النموذج التفاعل مع الأدوات المحيطة بالطريقة التي يقوم بها وكيل برمجة حقيقي. في تقييمات Microsoft الخاصة، يتفوق على Claude Haiku 4.5 في كل اختبار برمجي أساسي تم اختباره، بما في ذلك تقدم بـ 16 نقطة في SWE-Bench Pro (51.2% مقابل 35.2%).³ كما أنه أكثر رشاقة: تشير Microsoft إلى أنه يحل مشكلات أصعب باستخدام توكنز أقل بنسبة تصل إلى 60% في SWE-Bench Verified.³

لاستكشاف التفكير المنطقي الحقيقي بدلاً من الحفظ، قامت Microsoft ببناء اختبار معياري مكون من 186 سؤالاً و34 فئة من الفخاخ التنافسية — كلاسيكيات مقلوبة، مهام مستحيلة، سيناريوهات غير محددة — حيث حقق MAI-Code-1-Flash دقة معدلة بنسبة 85.8%.³ يتم الآن طرح النموذج لمستخدمي GitHub Copilot الأفراد في VS Code، حيث يظهر في كل من منتقي النماذج والمنتقي التلقائي (Auto picker).³ إذا كنت تكتب كوداً باستخدام Copilot، فهذا هو نموذج MAI الذي من المرجح أن تتعامل معه أولاً. (للحصول على الصورة الأكبر حول مساعدي البرمجة بالذكاء الاصطناعي، راجع دليلنا حول مساعدة الذاء الاصطناعي في البرمجة.)

Frontier Tuning: العرض الموجه للشركات

الجزء الأكثر إثارة للاهتمام من الناحية الاستراتيجية ليس نموذجاً على الإطلاق — بل هو طريقة تسمى Microsoft Frontier Tuning. باستخدام التعلم التعزيزي في بيئات العالم الحقيقي (ما تسميه Microsoft بـ RLEs، أو "صالات تدريب" للذكاء الاصطناعي)، يمكن للعملاء تكييف نموذج MAI مع الآثار المحددة لكيفية إنجاز العمل فعلياً داخل مؤسستهم.¹

مثال Microsoft: نموذج MAI تم ضبطه لـ Excel ضاهى GPT-5.4 بينما كان أكثر كفاءة بنسبة تصل إلى 10 مرات، وحقق نموذج تم ضبطه وفقاً لمعايير مؤسسة رائدة في السوق أعلى معدل فوز لأي نموذج تم اختباره بتكلفة أقل بنحو 10 مرات.¹ العرض المقدم للمؤسسات هو الملكية — أنت تبني نموذجك الخاص، المدرب على بياناتك، في بيئتك، ويظل ملكك.

السيليكون المخصص وقصة البنية التحتية

تقوم Microsoft بتصميم نماذج MAI بالاشتراك مع مسرع Maia 200 الخاص بها، وتقول إنها تشهد بالفعل زيادة في الكفاءة بمقدار 1.4 مرة من هذا التصميم المشترك.¹ كما يشير المختبر إلى أن عنقود GB200 من الجيل التالي أصبح قيد التشغيل الآن.¹ إن امتلاك المزيد من المكونات — من السيليكون مروراً بمسار التدريب وصولاً إلى ما بعد التدريب — هو أمر مركزي في أطروحة الاكتفاء الذاتي. إنه يعكس توجهاً أوسع لمزودي السحابة الكبار نحو رقائق الذكاء الاصطناعي المخصصة التي غطيناها في صفقة Meta-Broadcom MTIA.

التعاون مع Mayo Clinic

إلى جانب النماذج، أعلنت Microsoft عن شراكة مع Mayo Clinic للمشاركة في إنشاء نموذج ذكاء اصطناعي رائد للرعاية الصحية، يجمع بين الخبرة السريرية لـ Mayo والبيانات السريرية مجهولة الهوية مع الذكاء الاصطناعي التأسيسي من Microsoft.¹ سيتم نشر النموذج أولاً داخل بيئة Mayo الخاصة، وبمجرد التحقق من صحته، سيتم توفيره للمؤسسات الأخرى من خلال Microsoft Foundry. والجدير بالذكر أن النموذج النهائي سيكون مملوكاً لـ Mayo Clinic — وهو هيكل تربطه Microsoft بثقة المرضى والإشراف المسؤول على البيانات الصحية.¹

ماذا يعني ذلك

لا يتوج إطلاق MAI شركة Microsoft كقائد جديد للمجال؛ فأقوى الادعاءات هي ادعاءات Microsoft نفسها، والتي تم قياسها على أدوات Microsoft الخاصة. ولكنه يمثل محفظة ذاتية موثوقة وواسعة النطاق تم شحنها في منتجات حقيقية — Copilot و VS Code و Foundry — بدلاً من كونها مجرد معاينة بحثية. بالنسبة لشركة بنت استراتيجيتها للذكاء الاصطناعي على شراكة واحدة، فإن إثبات قدرتها على تدريب نماذج تفكير وبرمجة تنافسية من الصفر هو العنوان الأبرز، بغض النظر عن الاختبار المعياري الذي تفوز به. ومع قيام Microsoft بتوسيع نطاق الحوسبة الذي وعدت به، يظل السؤال المفتوح هو مدى سرعة تحول "التنافس مع" إلى "التفوق على". تُظهر الخلفية التنافسية الأوسع — بما في ذلك تجاوز Anthropic لشركة OpenAI في الإيرادات السنوية — مدى سرعة تحرك هذا المجال.

الخلاصة

تمثل نماذج MAI السبعة من Microsoft أوضح تحرك لها حتى الآن نحو الاكتفاء الذاتي في مجال الذكاء الاصطناعي. تُظهر نماذج MAI-Thinking-1 و MAI-Code-1-Flash أن الشركة قادرة على بناء نماذج استنتاج وبرمجة تنافسية من الصفر، بينما يكشف كل من Frontier Tuning وتصميم Maia 200 المشترك عن استراتيجية تهدف إلى امتلاك البنية التحتية والبرمجية بالكامل. وسواء كانت هذه النماذج تقود الطليعة أو تكتفي بالوصول إليها، فقد أثبتت Microsoft أنها لم تعد مضطرة للاعتماد على أي جهة أخرى للوصول إلى هناك.