زیلوش آخرین اخبار تکنولوژی 
متا مدل جدید هوش مصنوعی خود با نام Muse Glimmer را منتشر کرده است؛ مدلی کوچکتر از سیستمهای پرچمدار رقبایی مانند OpenAI و Anthropic که برای اجرای وظایف عاملمحور طراحی شده و میتواند روی یک کامپیوتر شخصی یا مک مجهز به تنها یک کارت گرافیک اجرا شود.
همزمان با انتشار این مدل، مارک زاکربرگ، مدیرعامل متا، از سیاستگذاران آمریکایی خواسته محدودیتهای موجود بر توسعه مدلهای Open-Weight را بازنگری کنند. از نگاه او، اگر آمریکا میخواهد در این بخش از رقابت هوش مصنوعی از چین عقب نماند، شرکتهای آمریکایی نباید با محدودیتهایی روبهرو باشند که رقبای خارجی با آنها مواجه نیستند.
این موضع در شرایطی مطرح شده که مدلهای Open-Weight چینی به سرعت در حال پیشرفت هستند و شرکتها نیز بیش از گذشته به دنبال گزینههایی ارزانتر، قابل شخصیسازی و قابل اجرا روی سختافزار خودشان هستند.
Muse Glimmer برای رقابت با بزرگترین مدلها نیامده است
Muse Glimmer قرار نیست با مدلهای بزرگ و پرهزینهای که در دیتاسنترهای عظیم اجرا میشوند، از نظر اندازه یا قدرت خام رقابت کند. رویکرد متا در این محصول متفاوت است. Glimmer برای انجام وظایف عاملمحور ساخته شده و میتواند مستقیماً روی دستگاه کاربر اجرا شود. طبق اعلام متا، یک مک یا کامپیوتر مجهز به یک GPU میتواند میزبان این مدل باشد.
این ویژگی میتواند برای توسعهدهندگانی که نمیخواهند هر درخواست را به یک سرویس ابری ارسال کنند، اهمیت زیادی داشته باشد. اجرای محلی مدل به معنای وابستگی کمتر به زیرساخت ابری و در بسیاری از کاربردها، کنترل بیشتر روی دادههاست.
البته کوچکتر بودن مدل یک مزیت مطلق نیست. مدلهای کوچک معمولاً برای همه وظایف پیچیده به اندازه مدلهای مرزی قدرتمند نیستند. اما برای کارهایی که نیاز به اجرای سریع و محلی دارند، همین محدودیت میتواند در عمل قابل قبول باشد.
چرا مدلهای Open-Weight دوباره مورد توجه قرار گرفتهاند؟
مدلهای Open-Weight در ماههای اخیر بیش از گذشته مورد توجه شرکتها قرار گرفتهاند. یکی از دلایل، هزینه است. استفاده گسترده از مدلهای پیشرفته ابری میتواند برای کسبوکارها هزینه قابل توجهی ایجاد کند. در مقابل، مدلهایی که وزنهای اصلی آنها در دسترس قرار میگیرد، امکان اجرای مدل روی زیرساخت اختصاصی و شخصیسازی آن را فراهم میکنند.
تفاوت دیگری هم وجود دارد. در مدلهای بسته، شرکت سازنده کنترل بیشتری روی نحوه استفاده از سیستم دارد. اما در مدلهای Open-Weight، توسعهدهندگان میتوانند بخشهای مختلف مدل را برای نیازهای خود تغییر دهند و آن را با داده و زیرساخت خودشان تطبیق دهند. این آزادی برای بعضی کاربردهای تخصصی، بهخصوص در حوزههایی مانند امنیت سایبری، اهمیت زیادی پیدا کرده است.
اتفاقی که برای Hugging Face رخ داد نمونه جالبی از همین موضوع بود. این پلتفرم که در جریان یک حمله سایبری هدف قرار گرفته بود، اعلام کرد برای مقابله با حمله از یک مدل Open-Weight چینی استفاده کرده است؛ چرا که مدلهای بسته محدودیتهایی برای استفاده در برخی فعالیتهای امنیت سایبری دارند.
چین در مدلهای Open-Weight جلو افتاده است؟
یکی از نگرانیهای اصلی زاکربرگ همینجاست. شرکتهای چینی در ماههای اخیر مدلهایی را عرضه کردهاند که عملکردشان در برخی آزمونها به مدلهای پیشرفته آزمایشگاههای آمریکایی نزدیک شده است. Kimi K3 از Moonshot، Qwen3.8-Max از Alibaba و V4-Flash از DeepSeek در همین دسته قرار میگیرند.
در طرف آمریکایی، شرکتهایی مانند OpenAI، Anthropic و Google همچنان بخش عمده مدلهای پیشرفته خود را بهصورت بسته عرضه میکنند.
این تفاوت رویکرد باعث شده بحث Open-Weight از یک تصمیم فنی به موضوعی در سطح سیاستگذاری تبدیل شود. مسئله دیگر فقط این نیست که کدام مدل بهتر است؛ سؤال این است که کدام کشور میتواند اکوسیستم گستردهتری از مدلهای قابل توسعه و قابل استفاده ایجاد کند. زاکربرگ معتقد است آمریکا در این بخش با یک مشکل ساختاری روبهرو است.
زاکربرگ: محدودیتهای آمریکا باید بازنگری شود
مدیرعامل متا میگوید آزمایشگاههای خارجی در توسعه مدلهای Open-Weight مزیتهایی دارند که شرکتهای آمریکایی از آنها برخوردار نیستند.
به گفته زاکربرگ، یکی از این موارد محدودیتهای بیشتری است که شرکتهای آمریکایی در زمینه استفاده از دادههای آموزشی با آن روبهرو هستند. او معتقد است این محدودیتها هزینه و پیچیدگی توسعه مدلهای Open-Weight در آمریکا را افزایش میدهد.
زاکربرگ خواستار کاهش این اصطکاک شده و گفته اگر آمریکا میخواهد مدلهای Open-Weight آمریکایی در بلندمدت پیشتاز باشند، سیاستگذاری فعلی نیاز به بازنگری دارد. او در عین حال مخالفت خود را با محدود کردن دسترسی به مدلهای Open-Weight خارجی بهعنوان راهحل این مشکل مطرح کرده است.
این موضع با روندی که در واشنگتن شکل گرفته هم ارتباط دارد. طبق گزارش رویترز، دولت دونالد ترامپ در اوایل ماه جاری به شرکتهای فعال در حوزه هوش مصنوعی اعلام کرده که قصد ندارد مدلهای Open-Weight را مشمول آزمایشهای ایمنی داوطلبانه قرار دهد.
مدلهای کوچکتر میتوانند بخش مهمی از آینده AI باشند
انتشار Muse Glimmer فقط یک محصول جدید برای سبد هوش مصنوعی متا نیست. این مدل نشان میدهد رقابت در هوش مصنوعی بهتدریج از «بزرگترین مدل» فاصله میگیرد و به سمت سؤال دیگری میرود: کدام مدل را میتوان ارزانتر و راحتتر در دنیای واقعی استفاده کرد؟
برای بسیاری از کاربران، اجرای یک مدل روی لپتاپ یا کامپیوتر شخصی ممکن است کاربردیتر از دسترسی به قدرتمندترین مدل ابری باشد؛ مخصوصاً زمانی که حریم خصوصی دادهها، هزینه پردازش یا تأخیر پاسخ اهمیت دارد. متا با Muse Glimmer دقیقاً روی همین نقطه دست گذاشته است.
البته اجرای محلی به معنی حل شدن همه مشکلات نیست. کاربر همچنان به سختافزار مناسب نیاز دارد و مدلهای کوچکتر نیز محدودیتهای خودشان را دارند. اما اگر عملکرد آنها برای وظایف مشخص به اندازه کافی خوب باشد، میتوانند بازار بزرگی را هدف بگیرند که الزاماً به مدلهای غولپیکر ابری نیاز ندارد.
متا همزمان روی Distillation حساب باز کرده است
زاکربرگ در کنار دفاع از مدلهای Open-Weight، از Model Distillation نیز حمایت کرده است. در این روش، یک مدل قدرتمند برای آموزش یک مدل کوچکتر استفاده میشود. هدف این است که بخشی از تواناییهای مدل بزرگ به سیستمی منتقل شود که هزینه اجرای پایینتری دارد و راحتتر میتوان آن را روی سختافزارهای محدود اجرا کرد.
این رویکرد با فلسفه Muse Glimmer همخوانی دارد: به جای اینکه هر کاربردی به یک مدل عظیم و زیرساخت ابری گرانقیمت نیاز داشته باشد، بخشی از کارها میتواند به مدلهای کوچکتر منتقل شود. متا همچنین اعلام کرده برای انتشار مدلهای آینده، ساختار حاکمیتی جدیدی ایجاد خواهد کرد که به اعضای مستقل هیئتمدیره اختیار تأیید معیارهای ایمنی پیش از انتشار مدلها را میدهد.
این بخش با توجه به حوادث امنیتی اخیر در صنعت هوش مصنوعی اهمیت بیشتری پیدا کرده است. هرچه مدلها قابلیت اجرای مستقل بیشتری پیدا کنند، تصمیم درباره اینکه یک مدل چه زمانی و با چه محدودیتهایی منتشر شود، پیچیدهتر خواهد شد.
Muse Glimmer در نهایت ممکن است بزرگترین مدل هوش مصنوعی متا نباشد و حتی هدفش هم این نیست. اهمیت این محصول جای دیگری است: متا میخواهد نشان دهد برای بعضی از کاربردهای عاملمحور، یک مدل کوچک، محلی و قابل استفاده روی سختافزار معمولی میتواند انتخاب منطقیتری باشد.
همزمان، زاکربرگ تلاش میکند این مسیر را به یک بحث بزرگتر درباره آینده صنعت هوش مصنوعی آمریکا تبدیل کند؛ رقابتی که حالا فقط بر سر ساخت قدرتمندترین مدل نیست و به این سؤال هم رسیده که چه کسی میتواند مدلهای قابل استفادهتر، ارزانتر و بازتر را سریعتر در اختیار توسعهدهندگان قرار دهد.
