Grok 4.8 هو نموذج بحجم 2.5T - لكن حزمة C++ الجديدة هي القصة الأهم

لم تُطرح Grok 4.8 للعامة، لكن إيلون ماسك كشف بالفعل عن تفصيلين مهمين على نحو غير معتاد: فهي نموذج يضم 2.5 تريليون معلمة، وقد درّبتها xAI باستخدام حزمة برمجيات جديدة بلغة C++. كما قال إن النموذج سينتقل إلى التعلم المعزز بعد مرحلة التدريب الحالية.

سيحظى رقم 2.5 تريليون بمعظم العناوين. لكن حزمة C++ قد تخبرنا بالمزيد عن الاتجاه الذي يتخذه الذكاء الاصطناعي المتقدم. فعلى هذا النطاق، لا تعتمد النماذج الأفضل على البنية والتدريب والبيانات فحسب، بل أيضًا على مدى كفاءة تواصل آلاف المسرّعات، وتعافيها من الأعطال، ونقلها للبيانات، وحفظها لنقاط التحقق، واستمرارها في العمل لأسابيع أو أشهر.

ما الذي نعرفه فعليًا عن Grok 4.8؟

لا تزال المعلومات العامة محدودة، ولذلك من المهم الفصل بين التفاصيل المؤكدة والتكهنات.

اعتبارًا من 20 سبتمبر 2026، لا تزال وثائق النماذج العامة الخاصة بـxAI تدرج Grok 4.6 بوصفه نموذجها الرائد للأغراض العامة. ولا تملك Grok 4.8 حتى الآن صفحة نموذج عامة لواجهة API أو تقريرًا تقنيًا.

هذا التمييز مهم لأن إكمال مرحلة تدريب رئيسية لا يعني إطلاق نموذج مكتمل.

لماذا قد تكون حزمة التدريب الجديدة بلغة C++ أهم من 2.5 تريليون معلمة

تعاملت xAI مع البنية التحتية باعتبارها جزءًا من تطوير النموذج منذ البداية. وقد وصف منشور هندسة Grok الأصلي للشركة حزمة مخصصة للتدريب والاستدلال مبنية حول JAX وRust وKubernetes، وشدد على صعوبة الحفاظ على إنتاجية مجموعات GPU الكبيرة رغم أعطال الأجهزة.

على نطاق النماذج الرائدة، يجب أن تدير برمجيات التدريب ما هو أبعد بكثير من الشبكة العصبية نفسها.

• استخدام وحدات GPU والجدولة
• الاتصال بين المسرّعات
• تقسيم المعلمات والتنشيطات
• تخصيص الذاكرة
• تحميل البيانات
• إنشاء نقاط الحفظ
• اكتشاف الأعطال والاسترداد
• المزامنة الموزعة
• تنفيذ النواة
• المراقبة والقياس عن بُعد

قد تضم مجموعة عنقودية قدرة حوسبية نظرية هائلة، ومع ذلك تهدر جزءًا مهمًا منها إذا أمضت المسرّعات وقتًا طويلًا في انتظار الاتصالات أو البيانات أو المزامنة أو الاسترداد.

هذا هو السبب الحقيقي وراء إثارة حزمة C++ الجديدة الخاصة بـGrok 4.8 للاهتمام. فالميزة المحتملة لا تتمثل ببساطة في أن «C++ أسرع من Python»، بل في أن حزمة مخصصة منخفضة المستوى قد تمنح xAI تحكمًا أكبر في الأجزاء المكلفة من التدريب الموزع.

يظهر المبدأ نفسه الخاص بالاختناق على نطاق أصغر بكثير في الذكاء الاصطناعي المحلي. فقد يمتلك النظام وحدة GPU قوية، لكنه يظل منتظرًا الوصول إلى الذاكرة أو التخزين أو الشبكة. إن فهم ما إذا كان القيد يتمثل في الحوسبة أو الذاكرة أو التخزين أو الشبكة أكثر فائدة من افتراض أن كل مشكلة أداء تحتاج إلى وحدة GPU أكبر.

هل تجعل لغة C++ تدريب الذكاء الاصطناعي أسرع تلقائيًا؟

لا.

تنفذ أطر الذكاء الاصطناعي الحديثة بالفعل معظم عمليات الموترات الثقيلة من خلال نوى GPU المترجمة ومكتبات المسرّعات ومصرّفات الرسوم البيانية. وغالبًا ما تعمل Python كواجهة عالية المستوى بدلًا من تنفيذ عملية ضرب المصفوفات الفعلية بنفسها.

قد يكون لتنفيذ C++ أهمية إذا حسّن جدولة المهام أو إدارة الذاكرة أو الاتصالات أو حفظ نقاط التحقق أو النوى المخصصة أو استعادة الأعطال. لكن إلى أن تنشر xAI بنية حِزمتها الجديدة، فإن الادعاءات حول مصدر التحسينات تحديدًا ستظل محض تكهنات.

من المبكر أيضًا القول إن xAI تخلت تمامًا عن JAX. فقد بُني Grok-1.5 صراحةً على إطار تدريب باستخدام JAX وRust وKubernetes. ويؤكد تصريح ماسك بشأن Grok 4.8 وجود حزمة جديدة بلغة C++، لكنه لا يوضح أي المكونات الأقدم ما زالت مستخدمة.

ماذا يعني فعليًا وجود 2.5 تريليون معلمة؟

يبدو الرقم الخام استثنائيًا، لكن إجمالي المعلمات والمعلمات النشطة ليسا الشيء نفسه.

إذا كان Grok 4.8 يستخدم بنية كثيفة، فقد تشارك معظم هذه المعلمات أو جميعها أثناء الاستدلال. أما إذا كان يستخدم بنية مزيج من الخبراء، فقد لا تنشط سوى مجموعة فرعية منها لكل رمز.

لم تفصح xAI عن البنية التي يستخدمها Grok 4.8.

يوضح Grok-1 سبب أهمية هذا التمييز. وفقًا لـالمستودع الرسمي لـGrok-1، كان النموذج السابق يضم:

هذا لا يثبت أن Grok 4.8 يستخدم البنية نفسها. بل يوضح لماذا لا يمكن لـ«2.5 تريليون معلمة» وحدها أن تخبرنا بتكلفة الاستدلال أو متطلبات الذاكرة أو القدرة الحاسوبية الفعلية لكل رمز.

إلى أن تنشر xAI بنية النموذج، تظل عدة أسئلة مفتوحة:

• هل Grok 4.8 كثيف أم من نوع الخبراء المتعددين؟
• كم عدد الخبراء الذين يحتوي عليهم؟
• كم معلمة تُفعَّل لكل رمز؟
• ما عدد معلماته النشطة؟
• ما مقدار رقم 2.5 تريليون الذي يخص المكونات متعددة الوسائط؟

هذا أحد أهم الأسباب التي تجعل من غير الصائب مقارنة النماذج الحدّية باستخدام إجمالي أعداد المعلمات وحده.

هل يعني نموذج بحجم 2.5 تريليون تلقائيًا ذكاءً أفضل؟

لا. يقيس عدد المعلمات سعة النموذج، وليس قدراته المكتملة.

يعتمد الأداء في العالم الواقعي أيضًا على:

• بنية النموذج
• جودة بيانات التدريب
• مزيج البيانات
• استقرار التحسين
• ما بعد التدريب
• التعلم المعزز
• استخدام الأدوات
• القدرة الحاسوبية وقت الاختبار
• تصميم التقديم والاستدلال

تُظهر إصدارات xAI الأخيرة بالفعل مدى أهمية ما بعد التدريب. ففي إعلان Grok 4.5، أكدت xAI على التعلم المعزز عبر مئات الآلاف من المهام وعمليات التشغيل الوكيلي طويلة الأمد بدلًا من تقديم حجم النموذج على أنه المصدر الوحيد للتحسن.

هذا يعني أن السؤال المفيد ليس:

ما حجم Grok 4.8؟

إنه:

ما مدى فعالية xAI في تحويل تلك القدرة إلى الاستدلال والبرمجة واستخدام الأدوات وسلوك وكيلي موثوق؟

ماذا يعني «بدء التعلم المعزز» بالنسبة إلى Grok 4.8؟

الانتقال إلى التعلم المعزز لا يعني أن Grok 4.8 على وشك الإطلاق فورًا.

قد يظل النموذج الحدّي بحاجة إلى عمل كبير بعد عملية التدريب الأساسية، بما في ذلك:

• التعلم المعزز وغيره من مراحل ما بعد التدريب
• تحسين اتباع التعليمات
• تدريب الوكلاء واستخدام الأدوات
• تقييمات السلامة والقدرات
• تحسين تقديم الخدمة
• ضبط زمن الاستجابة والذاكرة
• تكامل واجهات API والمنتجات

يمكن للتعلم المعزز أن يؤثر بدرجة كبيرة في سلوك النموذج حتى عندما لا يتغير عدد معلماته الأساسي.

قد يحتوي النموذج على معرفة كافية لحل مشكلة برمجية صعبة، لكنه مع ذلك قد يكون أداؤه ضعيفًا كوكيل إذا توقف مبكرًا جدًا، أو اختار الأداة الخطأ، أو أهدر عددًا كبيرًا من الخطوات، أو فشل في التحقق من عمله بنفسه.

يجعل التوجه الحالي لـ xAI هذا الأمر مهمًا بشكل خاص. إذ يُقدَّم Grok 4.6 صراحةً على أنه مخصص للوكلاء طويلي التشغيل، والبرمجة، وأعمال المعرفة، ويؤكد الإصدار الرسمي استمراره عبر المهام متعددة الخطوات.

لذلك، قد تكون مرحلة التعلم المعزز في Grok 4.8 مهمة تقريبًا بقدر أهمية نطاق التدريب المسبق البالغ 2.5 تريليون عندما يتعلق الأمر بما سيختبره المستخدمون في النهاية.

لماذا تصبح برمجيات التدريب ميزة تنافسية عند التوسع الحدّي

كلما كبرت عملية التدريب، أصبحت أوجه عدم الكفاءة الصغيرة أكثر تكلفة.

ركّزت بنية Grok الأصلية لدى xAI صراحةً على تعظيم الحوسبة المفيدة لكل واط والحفاظ على معدل استخدام مرتفع لعمليات النموذج العائمة حتى عند تعطل الأجهزة.

وهذا يمنح حزمة C++ الخاصة بـ Grok 4.8 تفسيرًا أكثر فائدة:

تتنافس مختبرات الذكاء الاصطناعي المتقدم على نحو متزايد ليس فقط في تصميم النماذج، بل أيضًا في مقدار الذكاء المفيد الذي يمكنها استخراجه من الأجهزة المكلفة نفسها.

المبدأ مشابه على نحو مدهش للذكاء الاصطناعي المحلي، رغم اختلاف الحجم اختلافًا هائلًا. وتستفيد الأنظمة المحلية أيضًا من مواءمة كل عبء عمل مع المورد المناسب بدلًا من شراء مزيد من الأجهزة على نحو عشوائي.

هل يمكن تشغيل Grok 4.8 محليًا؟

لا يوجد حاليًا أي أساس للقول إن Grok 4.8 يمكن تشغيله محليًا.

لم تُصدر xAI:

• أوزان Grok 4.8
• بنية نموذج
• أعداد المعاملات النشطة
• نقاط تفتيش مكمّمة
• متطلبات الأجهزة المحلية
• تعليمات الاستضافة الذاتية

حتى الرقم 2.5T لا يمكنه تقديم تقدير ذي معنى لذاكرة VRAM من دون معرفة ما إذا كان النموذج كثيفًا أم متناثرًا.

وهذا يجعل Grok 4.8 مختلفًا جدًا عن النماذج المفتوحة التي يمكن تكميمها ونقلها إلى أجهزة استهلاكية. وفي الوقت الحالي، ينتمي إلى جانب الحوسبة المركزية المتقدمة في الذكاء الاصطناعي.

هذا لا يجعل الذكاء الاصطناعي المحلي بلا أهمية، بل يجعل فصل أعباء العمل أكثر أهمية.

لماذا قد يجعل نموذج متقدم بحجم 2.5T الذكاء الاصطناعي المحلي أكثر قيمة

يعمل الذكاء الاصطناعي المتقدم والذكاء الاصطناعي المحلي على نحو متزايد على تحسين قيود متعارضة.

السؤال المهم للمستخدم المحلي ليس ما إذا كان نموذج بحجم 7B أو 14B أو 30B يستطيع التفوق على Grok 4.8 إجمالًا.

السؤال هو ما إذا كانت المهمة الحالية تحتاج أصلًا إلى مستوى ذكاء مماثل لـ Grok 4.8.

لهذا السبب يصبح الذكاء الاصطناعي الهجين وتوجيه النماذج أكثر فائدة مع ازدياد حجم الأنظمة المتقدمة. ويمكن إبقاء أعباء العمل الروتينية والخاصة والمتكررة محليًا، بينما تُحال الحالات الصعبة إلى واجهة API لنموذج متقدم.

قد يحتفظ مساعد ذكاء اصطناعي خاص، على سبيل المثال، بالاسترجاع والوصول إلى المستندات والذاكرة والاستدلال الخفيف بالقرب من الملفات المحلية، من دون الحاجة إلى أقوى نموذج سحابي في كل خطوة.

حدود الخصوصية مهمة أيضًا. فلا يُعد النظام محليًا حقًا لمجرد أن نموذج اللغة الكبير الرئيسي يعمل في المنزل. فقد تظل التضمينات أو المصادقة أو التوجيه أو استدعاءات الأدوات معتمدة على خدمات بعيدة. ويجب أن يظل سير عمل الذكاء الاصطناعي القادر على العمل دون اتصال محليًا عبر سلسلة التبعيات بأكملها.

Grok 4.8 هو في الحقيقة قصة عن البنية التحتية

عند إطلاق Grok 4.8، من المرجح أن ينتقل معظم الاهتمام إلى نتائج المعايير، ونتائج البرمجة، واختبارات الاستدلال، والمقارنات مع النماذج الرائدة الأخرى.

لكن قبل أن تصبح هذه الأرقام واقعًا، فإن قصة بنيتها التحتية ظاهرة بالفعل.

بدأت xAI بحزمة مخصصة تعتمد على JAX وRust وKubernetes. وقد شددت علنًا على أعطال وحدات معالجة الرسومات، ونقاط التحقق، والمزامنة، والقدرة الحاسوبية المفيدة لكل واط، ومعدل استخدام عمليات الفاصلة العائمة للنموذج. والآن يقول ماسك إن نموذجًا بحجم 2.5 تريليون معلمة يُدرَّب باستخدام حزمة برمجية جديدة مكتوبة بلغة C++.

يشير ذلك إلى أن التنافس في الطليعة ينتقل إلى عمق أكبر داخل البنية التحتية.

بالنسبة إلى xAI، يتمثل السؤال في كيفية استخراج قدر أكبر من التدريب المفيد من كميات هائلة من القدرة الحاسوبية.

بالنسبة إلى مستخدمي الذكاء الاصطناعي المحلي، السؤال الأكثر فائدة هو العكس: ما مقدار القدرة الحاسوبية التي يمكننا تجنّب استخدامها من الأساس؟

قد لا يكون أفضل نظام محلي هو النظام الذي يحاول إعادة إنتاج نموذج رائد بحجم 2.5 تريليون معلمة في المنزل. بل قد يكون النظام الذي يُبقي الأعمال الروتينية محلية، ويستخدم نماذج متخصصة حيثما أمكن، ولا يستدعي الذكاء الرائد إلا عندما تغيّر القدرة الإضافية النتيجة فعلًا.