نموذج Inkling ورهان التخصيص: ماذا يعني نموذج مفتوح مصمم للتدريب على بياناتك لأعمالك

في 15 يوليو 2026 أطلقت Thinking Machines Lab، شركة الذكاء الاصطناعي التي أسستها ميرا موراتي المديرة التقنية السابقة لدى OpenAI، أول نموذج لها. يأتي Inkling مفتوح الأوزان برخصة Apache 2.0 التي تسمح بالاستخدام التجاري، وهو عمداً لا يُباع كروبوت محادثة جاهز. تقول مواد الشركة نفسها إنه "ليس أقوى نموذج متاح اليوم، مغلقاً كان أو مفتوحاً"، بل يُقدَّم كنقطة انطلاق: نموذج أساس تدرّبه المنشآت بنفسها على بياناتها وسير عملها. إذا كنت تدير عملاً وتوازن بين اشتراك في واجهة برمجية للذكاء الاصطناعي وبين حل مبني حول عملياتك، فهذا الإصدار يستحق عشر دقائق من انتباهك — لا لأن عليك استخدام Inkling، بل بسبب القرار الذي يشير إليه.

ماذا حدث

نموذج Inkling من نوع خليط الخبراء بإجمالي 975 مليار معامل، ينشط منها نحو 41 ملياراً عند معالجة أي رمز. يقبل النص والصور والصوت كمدخلات، ويُنتج نصاً، ويدعم نافذة سياق تصل إلى مليون رمز. جرى تدريبه المسبق على 45 تريليون رمز، وأُطلق بأوزانه الكاملة على Hugging Face مع بطاقة نموذج ودعم في أطر الاستدلال مفتوحة المصدر المعتادة. كما جرى استعراض نموذج أصغر باسم Inkling-Small، لكن أوزانه لم تصدر بعد.

تفصيلان في بطاقة النموذج يهمان قارئ الأعمال أكثر من أي اختبار أداء. الأول هو الرخصة: Apache 2.0، وهي الرخصة المتساهلة نفسها المستخدمة في كثير من نماذج Mistral وQwen من علي بابا، ما يعني أن الشركة تستطيع تنزيل النموذج وتعديله وتدريبه ونشره تجارياً دون تفاوض على شروط. الثاني هو العتاد: النسخة كاملة الدقة تتطلب عنقود معالجات رسومية بذاكرة مجمّعة لا تقل عن 2 تيرابايت، أي ما يعادل تقريباً ستة عشر معالج NVIDIA H200، وحتى النسخة المضغوطة NVFP4 تحتاج 600 جيجابايت على الأقل موزعة على أربعة إلى ثمانية معالجات من فئة مراكز البيانات. تتوقع Thinking Machines أن يصل معظم المستخدمين إلى النموذج عبر منصتها للتدريب المخصص Tinker أو عبر مزودي استضافة مثل Together AI وFireworks وDatabricks وBaseten، لا أن يشغّلوه بأنفسهم.

يأتي الإصدار في خضم نقاش تخوضه الصناعة علناً. قبل يومين، حذّر ساتيا ناديلا الرئيس التنفيذي لمايكروسوفت من أن المنشآت التي تستخدم نماذج ذكاء اصطناعي مملوكة تدفع مرتين فعلياً: مرة في رسوم الاشتراك، ومرة بتسليم المعرفة التجارية الكامنة في أوامرها وتصحيحاتها، والتي يمكن أن تُمتص في إصدارات النماذج المقبلة. وفي أواخر يونيو نشرت Thinking Machines نتائج مشتركة مع صندوق Bridgewater Associates درّبا فيها نموذجاً مفتوحاً قائماً على خبرة الصندوق المالية، فسجّل 84.7% في اختبارات الاستدلال المالي — متقدماً على أبرز النماذج المملوكة، وبنحو واحد على أربعة عشر من تكلفة التشغيل. هذه النتيجة من تقييم الشركتين نفسيهما لا من جهة مستقلة، فتعامل معها كإشارة لا كبرهان. لكن اتجاه الإشارة واضح: في نطاق ضيق محدد جيداً، يمكن لنموذج متوسط مدرَّب على بياناتك أن يتفوق على نموذج حدودي لم يرَ أعمالك قط.

لماذا يهم المشغّلين

الدرس العملي الأول غير مريح لمن يساوي بين "أوزان مفتوحة" و"تشغيله في غرفة الخوادم الخلفية". نموذج بـ975 مليار معامل وحد أدنى 600 جيجابايت من ذاكرة المعالجات ليس شيئاً ستستضيفه مجموعة مطاعم أو سلسلة عيادات أو مشغّل تجزئة محلياً في يوم من الأيام. انقسم سوق النماذج المفتوحة: في طرف، نماذج قابلة فعلاً للاستضافة الذاتية بين 7 و70 مليار معامل تعمل على معالج رسومي واحد جاد؛ وفي الطرف الآخر، نماذج مفتوحة بحجم حدودي مثل Inkling وDeepSeek وKimi، "مفتوحة" في الرخصة لكنها بفئة مراكز البيانات عملياً. بالنسبة لمعظم الشركات السعودية، الطرق الواقعية للوصول إلى نموذج كهذا هي واجهة برمجية مستضافة أو منصة تدريب مُدارة — ما يعني أن أسئلة التحكم بالبيانات لا تختفي لمجرد أن الرخصة متساهلة.

وهذا يقود مباشرة إلى الدرس الثاني. تدريب نموذج على عملياتك يعني إرسال بياناتك التشغيلية — الطلبات والتذاكر والعقود وسجلات الموظفين — إلى حيث يجري التدريب. وبالنسبة لشركة سعودية، هذا سؤال يخص نظام حماية البيانات الشخصية قبل أن يكون سؤالاً تقنياً. البيانات الشخصية في مجموعة تدريب تُرسل إلى منصة مستضافة في الولايات المتحدة تحتاج مراجعة نقل عابر للحدود كأي ترتيب معالجة آخر، وبعض البيانات، كسجلات الموظفين وهويات العملاء، قد يكون الأفضل إخفاء هويتها أو استبعادها كلياً. صار قرار البناء مقابل الشراء في الذكاء الاصطناعي المخصص بثلاثة مسارات لا اثنين: استئجار واجهة برمجية عامة، أو التدريب المخصص على منصة طرف آخر، أو التدريب والاستضافة ضمن بنية تحتية تتحكم بها. ولكل مسار كلفة وقدرات وملف امتثال مختلف.

ثالثاً، بالنسبة للعمليات التي تعمل بالعربية أولاً، الجواب الصادق هو: غير مُتحقَّق منه. تذكر بطاقة النموذج "الإنجليزية، ودعماً متعدد اللغات عاماً"، وتورد نتيجة محترمة 88.7% في Global-MMLU-Lite، لكنها لا تنشر أي تقييم خاص بالعربية ولا تغطية للهجات ولا أمثلة عربية. هذا ليس انتقاداً — إنها ببساطة فجوة عليك اختبارها قبل أن تعهد إليه بأي شيء يواجه العملاء. الخيارات المدرَّبة إقليمياً مثل «علّام»، التي غطيناها في يونيو، ما تزال تحمل الادعاء الأقوى المتحقق منه في العربية.

أين يفيد هذا، وأين هو سابق لأوانه

الفكرة المفيدة فعلاً في هذا الإصدار ليست النموذج، بل فئة المنتجات التي يحاول ترسيخها: التدريب المخصص كنشاط أعمال اعتيادي لا كمشروع بحثي. نمط Bridgewater — خذ نموذجاً مفتوحاً، ودرّبه على نطاق ضيق تملك فيه منشأتك خبرة حقيقية، وشغّله بجزء من كلفة الواجهات الحدودية — ينطبق مباشرة على برمجيات التشغيل. المرشحون هم المهام المملة عالية الحجم التي تعيش قواعدها في رؤوس موظفيك: ترميز فواتير الموردين إلى الحسابات الصحيحة، وفرز تذاكر الدعم حسب الأولوية والقسم، وصياغة ملخص العمليات الأسبوعي بصيغة منشأتك، واستخراج تفاصيل الطلبات من الرسائل الصوتية. هذه بالضبط المهام التي يكون فيها روبوت المحادثة العام متوسط الأداء، لأنه لم يرَ تصنيفاتك ولا استثناءاتك ولا تنقّل موظفيك بين العربية والإنجليزية في الجملة الواحدة.

لكن من السابق لأوانه أن تدرّب معظم الشركات أي شيء هذا الربع. ما يزال التدريب المخصص يتطلب حكماً هندسياً في تعلم الآلة: بناء مجموعة تقييم، وتوليد بيانات التدريب أو وسمها، ومعرفة متى يكون النموذج المدرَّب أفضل فعلاً لا مخطئاً بطريقة مختلفة. تقييم TechCrunch — أن هذا "يتطلب كفاءات جادة في تعلم الآلة" — يطابق خبرتنا. ومن السابق لأوانه أيضاً المراهنة على نموذج واحد بعينه. صدر Inkling أمس؛ وشقيقه الأصغر بلا أوزان بعد؛ والجيل المفتوح التالي من Qwen ما يزال منتظراً؛ والأسعار والرخص تتغير شهرياً. الشركة التي تربط بنيتها بنموذج هذا الأسبوع ستعيد التفاوض مع نفسها بحلول أكتوبر.

رأي Cicada Solutions

نصيحتنا أن تستعد للذكاء الاصطناعي المدرَّب تخصيصاً دون أن تشتريه بعد، لأن الاستعداد نفسه ذو قيمة. ابدأ باختيار مهمة واحدة لا استراتيجية: عمل واحد عالي الحجم قليل الغموض يمكنك فيه تعريف شكل الإجابة الصحيحة — فالفاتورة المرمّزة إلى الحساب الصحيح إما أن تطابق قرار محاسبك أو لا. ثم جهّز البيانات: تكتشف معظم الشركات أن عائقها الحقيقي ليس اختيار النموذج، بل أن الأمثلة التي سيتعلم منها النموذج مبعثرة بين واتساب وجداول البيانات وتصدير من نقاط البيع. النظام الذي يلتقط تلك القرارات بشكل نظيف — التذكرة، والتصنيف الذي اختاره الإنسان، والتصحيح حين أخطأ — مفيد اليوم لإعداد التقارير ويصبح بيانات تدريب غداً. ابنِ مجموعة التقييم الآن أيضاً: من خمسين إلى مئة مثال حقيقي بإجابات صحيحة معروفة، وهي الأداة نفسها التي ستحتاجها للحكم على عرض أي مورد ذكاء اصطناعي. أجرِ مراجعة نظام حماية البيانات الشخصية قبل أن تغادر أي بيانات بيئتك، وفضّل التصاميم التي لا تدخل فيها المعرّفات الشخصية مجموعة التدريب أصلاً. وأبقِ النموذج قابلاً للاستبدال: أياً كان ما تبنيه، عامل النموذج كقطعة قابلة للتبديل خلف واجهة، لأن الأمر الوحيد المؤكد في يوليو 2026 أن الخيار الأفضل في يناير 2027 سيكون مختلفاً. ما تغيّر هذا الأسبوع ليس أن عملك صار فجأة بحاجة إلى نموذج بـ975 مليار معامل، بل أن أموال الصناعة الجادة تراهن الآن على أن القيمة الباقية في الذكاء الاصطناعي تكمن في بياناتك وسير عملك، لا في اشتراك أي روبوت محادثة. وهذا رهان يستطيع المشغّلون الاستعداد بهدوء لكسبه.

المصادر

• Thinking Machines Lab: Inkling — Our open-weights model - نُشر 2026-07-15، تم الاطلاع 2026-07-16.
• بطاقة نموذج Inkling، Thinking Machines Lab - نُشر 2026-07-15، تم الاطلاع 2026-07-16.
• Hugging Face: thinkingmachines/inkling - تم الاطلاع 2026-07-16.
• Thinking Machines Lab: Learning to Replicate Expert Judgment in Financial Tasks - نُشر أواخر يونيو 2026، تم الاطلاع 2026-07-16.
• TechCrunch: Thinking Machines amps up its bet against one-size-fits-all AI with its first open model, Inkling - نُشر 2026-07-15، تم الاطلاع 2026-07-16.