مایکروسافت از «MAI-Thinking-1» و خانواده مدل‌های داخلی خود رونمایی کرد؛ نشانه‌ای از گسست از وابستگی به OpenAI

مایکروسافت رسماً از خانواده مدل‌های MAI در کنفرانس توسعه‌دهندگان Build 2026 خود رونمایی کرد که توسط یک موتور استدلالی پرچمدار جدید به نام MAI-Thinking-1 هدایت می‌شود. این اعلامیه نقطه عطف مهمی در تلاش شرکت برای ساخت قابلیت‌های اساسی هوش مصنوعی به طور کامل در داخل سازمان است.[1][8]

برای سال‌ها، استراتژی هوش مصنوعی مایکروسافت عملاً با نقشه راه OpenAI تفاوتی نداشت. معرفی خانواده MAI نشان‌دهنده یک چرخش استراتژیک عمدی از وابستگی کامل به سمت اختیاری بودن زنجیره تأمین است که به شرکت اجازه می‌دهد سرنوشت فناوری خود را کنترل کند.[2][3]

ادعای اصلی در مورد MAI-Thinking-1 کارایی معماری آن است. این سیستم به عنوان یک مدل «ترکیب متخصصان» (Mixture of Experts یا MoE) پراکنده ساخته شده است که تقریباً یک تریلیون پارامتر کلی دارد، اما تنها ۳۵ میلیارد پارامتر را به ازای هر توکن در طول عملیات فعال می‌کند.[1][5]

شواهد این کارایی در یکپارچگی سخت‌افزاری مایکروسافت ریشه دارد. مایکروسافت با طراحی مشترک این مدل در کنار شتاب‌دهنده‌های استنتاج سفارشی خود به نام مایا (Maia)، ادعا می‌کند که می‌تواند وظایف استدلالی پیچیده را با کسری از هزینه مدل‌های پیشرو عظیم اجرا کند، اگرچه تأخیر در مقیاس واقعی هنوز باید به طور مستقل تأیید شود.[2][6]

ادعای مهم دوم این است که MAI-Thinking-1 با «تقطیر صفر» (zero distillation) آموزش دیده است. مایکروسافت اظهار می‌دارد که این مدل به طور کامل از ابتدا با استفاده از ۳۰ تریلیون توکن داده دارای مجوز تجاری و عمومی ساخته شده است، نه اینکه با تقلید از خروجی‌های سیستم‌های OpenAI یا Anthropic یاد بگیرد.[1][4]

این شجره داده‌ای پاک، تضمین‌های سازمانی قوی را فراهم می‌کند. مایکروسافت با اجتناب از تقطیر، اطمینان می‌دهد که مدل سوگیری‌های پنهان، اشکالات طراحی یا مسئولیت‌های احتمالی حق نسخه‌برداری سیستم رقیب را به ارث نمی‌برد و آن را برای استقرار شرکتی بسیار جذاب می‌کند.[4][7]

در جبهه عملکرد، مایکروسافت ادعا می‌کند که MAI-Thinking-1 قابلیت‌های استدلال و کدنویسی در سطح پیشرو را ارائه می‌دهد. این شرکت امتیاز ۹۷.۰٪ را در معیار ریاضیات پیشرفته AIME 2025 و ۵۳٪ را در ارزیابی مهندسی نرم‌افزار SWE-Bench Pro گزارش کرده است.[1][4]

ابهام پیرامون این معیارهای عملکرد شفاف است: ارقام منحصراً از ارزیابی‌های داخلی مایکروسافت نشأت می‌گیرند. در حالی که این امتیازات مدل را هم‌تراز با Claude Opus 4.6 از Anthropic قرار می‌دهد، آزمایش مستقل شخص ثالث هنوز این نتایج را تأیید نکرده است.[5][8]

فراتر از موتور استدلالی پرچمدار، خانواده MAI شامل شش مدل تخصصی دیگر است. برجسته‌ترین آن‌ها MAI-Code-1-Flash است، یک دستیار کدنویسی سبک که در حال حاضر در GitHub Copilot و Visual Studio Code ادغام می‌شود.[2][8]

این مجموعه گسترده‌تر همچنین شامل MAI-Image-2.5 برای تولید متن به تصویر، در کنار MAI-Voice-2 و MAI-Transcribe-1.5 برای پردازش صوتی چندزبانه و شبیه‌سازی صدا است.[4][8]

ملموس‌ترین شواهد تغییر استراتژیک مایکروسافت، استقرار فوری این مدل‌ها برای کاهش هزینه‌ها است. این شرکت به طور فعال ده‌ها هزار درخواست (prompt) در هفته در اکسل (Excel) و اوت‌لوک (Outlook) را از مدل‌های شخص ثالث به سمت سیستم‌های MAI داخلی خود هدایت می‌کند.[3][6]

مصطفی سلیمان، مدیرعامل هوش مصنوعی مایکروسافت، صراحتاً اعلام کرده است که هدف، کاهش حدود ۵۰۰ میلیون دلار هزینه سالانه مدل‌های Anthropic است. این هدایت داخلی نشان می‌دهد که رقابت هوش مصنوعی سازمانی به طور فزاینده‌ای اقتصاد استقرار مقیاس‌پذیر را بر رهبری مدل خام اولویت می‌دهد.[6][9]

مایکروسافت با ارائه MAI-Thinking-1 از طریق Microsoft Foundry و شرکایی مانند Baseten، تلاش می‌کند تا کنترل داده‌های مدل‌های منبع باز را با زیرساخت مدیریت شده سیستم‌های بسته ترکیب کند و در اختیار توسعه‌دهندگان قرار دهد.[7]

مایکروسافت در حال کنار گذاشتن شراکت‌های سطح بالای خود نیست؛ مدل‌های پیشرو مانند GPT-5.4 و Claude 4.8 همچنان برای حجم کاری که به آن‌ها نیاز دارند، در Azure در دسترس خواهند بود.[8]

در عوض، این شرکت در حال ساخت یک اکوسیستم «مسیریابی چندمدلی» است که در آن حجم کاری سازمانی به صورت پویا با مقرون‌به‌صرفه‌ترین موتور موجود مطابقت داده می‌شود و انحصار راه‌حل‌های تک ارائه‌دهنده را می‌شکند.[6]

در نهایت، خانواده MAI ثابت می‌کند که بلوک‌های ساختمانی اساسی هوش مصنوعی پیشرفته در حال تبدیل شدن به کالا هستند. برای بخش سازمانی، این تغییر مستقیماً به معنای کاهش هزینه‌های عملیاتی، منشأ داده‌ای پاک‌تر و یک زنجیره تأمین فناوری انعطاف‌پذیرتر است.[2][7][9]