أطلقت Mind Lab نموذج Macaron-V1 الذي يستخدم بنية Mixture-of-LoRA مع 748B معلمة و4 LoRA مستقلة، واحتل المرتبة الأولى في قدرات البرمجة بدرجة 85.6 في تقييم SWE-bench Verified. وقد حققت هذه المختبر الصيني الذي لم يتجاوز عمره عامًا واحدًا مستوى تقنيًا مماثلًا لفرق بقيمة 2 مليار دولار في سيليكون فالي، باستخدام تمويل بقيمة 50 مليون دولار، حيث أيد قادة الصناعة مثل ريتشارد ساتون، حائز جائزة تورينغ، وليانغ وينفنغ من DeepSeek، مسار التعلم المعزز بالـ LoRA. كما طرحت Mind Lab مفاهيم "التعلم المستمر" و"الذكاء الجماعي"، مشيرةً إلى أن النموذج يمكنه الاستمرار في التعلم والتعاون في البيئات الحقيقية بعد مغادرته المختبر. وحققت الشركة إيرادات سنوية متجددة (ARR) قدرها 10 ملايين دولار خلال أسبوعين فقط من التسويق، مما يؤكد أن هذا المسار التقني يحل مشكلات حقيقية.

مؤلف المقال، المصدر: جديد الذكاء

في الأسبوع الماضي، كان الجميع في مجال الذكاء الاصطناعي يناقشون شيئًا واحدًا، لكن معظم الناس رأوا فقط نصف الصورة.

في 15 يوليو، أطلقت ميرا موراتي، الرئيسة السابقة لتقنية المعلومات في OpenAI، النموذج الأول لـ Thinking Machines Lab المسمى Inkling في سان فرانسيسكو.

تمويل بقيمة 2 مليار دولار أمريكي، 975 مليار معلمة، فريق متميز مكون من 100 شخص — أخيرًا، كشفت شركة الذكاء الاصطناعي الناشئة الأكثر إثارة للانتباه في سيليكون فالي عن نفسها.

في نفس اليوم تقريبًا، أعلَن ريتشارد ساتون، أب التعلم المعزز وحاصل جائزة تورينغ لعام 2024، البالغ من العمر قرابة السبعين عامًا، عن تأسيس Oak Lab.

الكلمات الأصلية للسيد العجوز: "الأساليب الحالية للتعلم العميق هشة وغير فعالة، ولا تحتاج إلى إصلاحات جزئية، بل إلى إعادة البناء من الأساس."

ليس ساتون فقط هو من يفكر هكذا. فقد قدم ليان وينفنغ، مؤسس DeepSeek، حكمًا شبه مطابق.

لقد قارن تطور الذكاء الاصطناعي بسلسلة من الدرجات: نماذج اللغة، CoT، الوكلاء... وبعد الوكلاء، فإن الدرجة التالية التي يجب تجاوزها هي التعلم المستمر.

رأيه هو أن القدرة الأساسية للنموذج القادم يجب أن تكون القدرة على التعلم المستمر، وإلا فلا يمكن تسميته نموذجًا قادمًا. إذا تم تطوير التعلم المستمر أولًا، فقد يصبح الذكاء العام سهلًا بسهولة.

عندما يتم دعم مسار تقني من قبل حائزي جائزة تورينغ، وأكثر شركات الذكاء الاصطناعي الناشئة إثارةً في وادي السيليكون، ومؤسسي أكبر نماذج اللغة الابتكارية في الصين، فإنه لم يعد خيارًا تقنيًا، بل إجماعًا صناعيًا.

الاتجاه تغير.

بينما كان الجميع يركزون على وادي السيليكون، على الجانب الآخر من المحيط الهادئ، قدمت مختبر صيني تأسس منذ أقل من عام، ورقة إجابة مفاجئة على نفس المسار.

Mind Lab، الإصدار الرسمي لـ Macaron-V1.

تأسست Mind Lab في أكتوبر 2025، وهي مختبر بحثي متقدم تابع لـ Mindverse (Mindverse Technology). يضم الفريق أكثر من ثلاثين عضوًا، قادمين من xAI وDeepMind وDeepSeek وByteDance Seed وMIT وتشينغهوا. أنهى الفريق في بداية العام تمويلًا من السلسلة A بقيمة 50 مليون دولار، بقيادة Meituan، مع مشاركة Ant Group وSequoia Capital China وZhenFund وغيرها.

يرجى ملاحظة هذا الرقم: 50 مليون دولار، وسيتم استخدامه لاحقًا.

748B معلمة تعزيز التعلم المباشر

كل LoRA يدير مهمة خاصة به

انظر أولاً إلى النموذج.

يأتي ماكارون-ف1 بنسختين:

• الإصدار الاحترافي Venti، بـ 748B معلمة، مكون من قاعدة GLM-5.2 بـ 744B وأربعة LoRA بـ 1B كل منها، مع سياق فائق الطول أصلي يبلغ 2M؛
• الإصدار القياسي Tall، 35B، مُدرَّب لاحقًا على Qwen-3.7، ويمكن تشغيله على جهاز Mac.

لكن المفتاح ليس في المعلمات — بل في تلك اللورا الأربعة.

في الماضي، كان LoRA نسخة مخفضة للضبط الكامل للمعلمات. وفر المال، لكن بخصم.

Mind Lab أعادت تعريفها: النموذج الأساسي هو "الخصائص المشتركة"، وLoRA هو "الشخصية".

ماذا يعني ذلك؟ مثلما أن جميع أجهزة iPhone تستخدم نفس نظام iOS، إلا أن التطبيقات التي تقوم بتثبيتها، وعاداتك في استخدام لوحة المفاتيح، وعملياتك المتكررة، تجعل جهاز iPhone الخاص بك يصبح "جهاز iPhone الخاص بك".

الدردشة يجب أن تكون طبيعية وذات تعاطف، والبرمجة يجب أن تكون صارمة ودقيقة، والوكيل يجب أن يخطط على خطوات متعددة، وواجهة المستخدم التوليدية يجب أن تُصمم للتفاعل — عندما تُدرَّب جميعها ضمن مجموعة واحدة من المعلمات، ستتصادم مع بعضها البعض.

طريقة Macaron-V1 بسيطة وصريحة: فك.

أربعة LoRA مستقلة، تُدار كل منها للدردشة، العامل، البرمجة، وGenUI، مع تدريب وتقييم واسترجاع منفصلين لكل منها.

التبديل الديناميكي للموجه أثناء التشغيل — عندما تقول "ساعدني في ترتيب جدولك"، يتم استخدام Agent LoRA؛ عندما تقول "هناك خطأ في هذا الكود"، يتم التبديل إلى Coding LoRA. تمامًا شفاف للمستخدم.

يُعرف هذا الهيكل باسم رسمي: مزيج من LoRA (MoL) — حيث تُدرّب قدرات مختلفة بشكل مستقل على قاعدة مشتركة، وتُدمج بطريقة مرنة وتُستدعى حسب الحاجة. لا يُجبر نموذج واحد على أن يصبح خبيرًا في كل شيء، بل يُمكن مجموعة من الخبراء المتخصصين العمل معًا.

من حيث الأداء، لم يصل Macaron-V1 بعد إلى مستوى أفضل النماذج المغلقة من حيث جميع القدرات. لكنه في مجموعة التقييمات الكاملة، تمكّن بالفعل من المساواة أو تجاوز Opus 4.8 وGPT-5.5 وGemini 3.1 Pro في معظم المهام—خاصة في مجالات الحياة اليومية وقدرات البرمجة وتوليد واجهات المستخدم.

تم التحقق من SWE-bench — أحد أكثر تقييمات القدرة على البرمجة احترامًا في الصناعة، حيث احتل Macaron-V1-Venti المركز الأول بدرجة 85.6، متفوقًا على المركز الثاني بفارق 3 نقاط، ومتخطيًا DeepSeek-V4-Pro (80.6) وMiniMax-M3 (80.5) وKimi-K2.6 (80.2).

الأكثر إثارةً هو Deep-SWE، المصمم خصيصًا لاختبار مهام هندسة البرمجيات الطويلة والمعقدة. حصل Macaron-V1-Venti على 58.4 نقطة، بينما جاء النموذج الأساسي له GLM-5.2 في المركز الثاني بـ 46.2 نقطة. نفس الأساس، بعد تدريبه بتعلم التعزيز LoRA، تفوق مباشرةً بـ 12 نقطة. هذا هو القيمة الإضافية التي يمكن أن يحققها التدريب بعد التدريب الأساسي.

الأهم من ذلك: الأوزان المفتوحة، قابلة للنشر الخاص. حتى لو كانت النماذج المغلقة المصدر أقوى، فبياناتك يجب أن تمر عبر خوادم طرف ثالث. Macaron-V1 يسمح لك بنقل النموذج إلى منزلك، دون الحاجة إلى تسليم أي بايت من بياناتك.

عندما قدم أندرو عرضًا في WAIC، أظهر حالةً: حيث يلتقط المستخدم صورة لمكعب سحري مُربك ويُرسلها، ثم يُعرّف النموذج الحالة، ويحلّها باستخدام الخوارزمية، ويُولّد دليلاً تفاعليًا ثلاثي الأبعاد للحل — وهذا يتطلب تكاملًا بين أربع قدرات: فهم البصر، الخوارزميات، استدعاء أدوات الوكيل، وGenUI.

هناك تصميم آخر يُهمل بسهولة ولكنه متقدم جدًا: التصميم المشترك للنموذج والهيكل.

ما المقصود؟ غالبًا ما تكون بيئة تدريب النماذج وبيئة النشر الفعلي منفصلتين — الأدوات والواجهات وسير العمل المستخدمة أثناء التدريب لا تتوافق مع البيئة الحقيقية بعد الإطلاق، مما يؤدي إلى تراجع في الأداء.

Macaron-V1 يدرب النموذج وبيئة الإنتاج معًا منذ البداية، بحيث تكون طريقة استدعاء الأدوات وتشغيل المحطة وتنفيذ المهام الطويلة أثناء التدريب مطابقة تمامًا للوضع بعد النشر.

يتيح مُثبت REPL المرافق للنموذج دمج الأدوات عبر الكود، وحفظ الحالة الوسيطة، وإعادة استخدام السير الذكية — دون الحاجة إلى البدء من الصفر في كل مرة، مما يقلل من الاستدعاءات المتكررة وإهدار السياق.

هذا ليس نموذجًا يتحدث فقط، بل هو وكيل ذكي قادر على تنفيذ المهام.

لماذا هو "الوحيد عالميًا اثنان"؟

قد تقول: ما الذي يميز ضبط LoRA؟ إنه متاح في كل مكان.

المكان الرائع في كلمتين: الحجم.

يمكن للعديد من الفرق تنفيذ تعلم التعزيز LoRA على نموذج بحجم 30B. لكن عندما يصل حجم المعلمات إلى تريليونات، يزداد الصعوبة بشكل أسّي.

الصعوبة الأساسية تكمن في عدم التوافق بين التدريب والاستدلال. يتطلب التعلم المعزز تدريباً واستدلالاً متزامنين لجمع الملاحظات، وعندما يتم تقسيم نموذج MoE بتريليونات المعلمات إلى عشرات وحدات معالجة الرسوميات (GPU)، فإن أي اختلاف طفيف في دقة التدريب ودقة الاستدلال يؤدي إلى انحراف التدرجات، مما يجعل منحنى التدريب لا يتقارب على الإطلاق.

على سبيل المثال: في فرقة موسيقية داخلية مكونة من 30 عازفًا، يمكن تحمل انحراف طفيف في النغمة. لكن عند التحول إلى أوركسترا سيمفونية مكونة من مائة عازف، فإن أي آلة واحدة تخرج عن النغمة ستؤدي إلى كارثة كاملة.

فقط فريقان في العالم يمكنهما تشغيل LoRA للتعلم المعزز على نطاق معلمات تريليون.

واحدة هي Thinking Machines Lab الخاصة بـ Mira Murati. والأخرى هي Mind Lab.

لا يوجد طرف ثالث.

في ديسمبر 2025، نجح Mind Lab في تشغيل LoRA RL على Kimi K2 — النموذج النادر جدًا MoE بحجم إجمالي 1.04 تريليون — بقوة حوسبة تبلغ فقط عشرة في المائة من التFine-tuning الكامل، مع انخفاض مستقر ومتقارب في منحنى التدريب.

LongStraw لهذا الشهر، قام بدفع تدريب التعلم المعزز إلى سياق 2M تحت نفس قوة معالجة GPU. Macaron-V1 هو عرض جماعي لهذه التراكمات.

هذا الطريق لا يسلكه Mind Lab وحدها. جون شولمان، العالم الرئيسي في TML ومؤسس مشارك في OpenAI ومبتكر خوارزمية PPO، نشر في عام 2025 ورقة بعنوان "LoRA without Regret"، وأثبتت التجارب أن LoRA تحقق أداءً مطابقًا تمامًا للضبط الكامل في معظم سيناريوهات ما بعد التدريب. وأطلق على هذا ما يسميه "منطقة الخسارة المنخفضة".

الصناعة أيضًا تُدلي بأصواتها بمال حقيقي. فقد أكملت Fireworks AI جولة D بقيمة 1.5 مليار دولار أمريكي الأسبوع الماضي، بقيمة سوقية قدرها 17.5 مليار دولار أمريكي، ويمكنها استضافة مئات من LoRA؛ بينما أكملت Together AI جولة C بقيمة 800 مليون دولار أمريكي، وقد جعلت LoRA الطريقة الافتراضية للضبط الدقيق.

استثمرت سيليكون فالي 2 مليار دولار في البنية التحتية، بينما استخدمت هي عشرة أضعاف ذلك لتقف على أكتاف العمالقة

هناك مقارنة مثيرة جدًا.

Mind Lab وTML تتبعان نفس المسار التقني، لكن استراتيجياتهما الأساسية متعاكستان تمامًا.

بسبب أسباب متعددة، اختار TML تدريب قاعدته من الصفر. Inkling، بـ 975 مليار معلمة و45 تريليون رمزًا — لكن موراتي اعترفت علنًا أيضًا: "هذا ليس أقوى نموذج حاليًا."

أظهرت التقييمات أن Inkling أضعف بكثير مقارنةً بالنماذج المفتوحة المصدر الصينية مثل GLM وKimi. إن البدء من الصفر كلفهم طاقةً كبيرةً وقوة حوسبة.

Mind Lab بالعكس. إنه لا يدرب قاعدته بنفسه، بل يقف مباشرة على أكتاف البيئة الصينية المفتوحة المصدر للنماذج.

يستخدم Kimi K2 تحققًا من LoRA RL بتريليونات المعلمات، وV1-Preview مبني على GLM-5.1، والإصدار الرسمي Venti يستخدم GLM-5.2، وTall يستخدم Qwen-3.7 — كل ترقية للنموذج الأساسي ترفع خط الانطلاق للتدريب اللاحق مستوىً واحدًا.

قد وصلت النماذج المفتوحة المصدر الصينية إلى مستوى قريب جدًا من SOTA على مستوى العالم. باستخدام هذه الأساسيات القريبة من الحد الأقصى، يمكن تعزيز القدرات الأساسية من خلال LoRA والتعلم المعزز لدفعها إلى مستوى SOTA الحقيقي.

لا تحتاج إلى زراعة القمح بنفسك لخبز أفضل خبز.

كيف تكون المقارنة قاسية؟

TML: تمويل بقيمة 2 مليار دولار، فريق مكون من 100 شخص، شراكة مع نيفيديا بقدرة تصل إلى جيجاواط — لا تزال قدرات Inkling متخلفة عن GLM-5.2.

Mind Lab: أكثر من ثلاثين شخصًا، تمويل أقل من 50 مليون دولار أمريكي — طوروا نماذج أقوى في عدة جوانب مثل Chat وAgent وCoding.

في مجال تعلم LoRA المعزز، قد تكون Mind Lab الفريق الأعلى عائدًا على الاستثمار في العالم. لا أحد غيرها.

التعلم المستمر: لماذا يصبح النموذج أكثر ذكاءً مع الاستخدام المتكرر؟

بعد مناقشة التقنية والمقارنة، نصل إلى السؤال الأكثر جوهرية: ما الذي تخطط له Mind Lab حقًا؟

الإجابة مخفية في عنوان مقالة نُشرت بالاشتراك بين ريتشارد ساتون وديفيد سيلفر، الباحث الرئيسي السابق في ألفا جو: Welcome to the Era of Experience.

التدريب المسبق هو "عصر البيانات": حيث يتعلم النموذج من النصوص الموجودة مسبقًا من قبل البشر.

العصر القادم هو "عصر التجربة": قدرات الذكاء الاصطناعي لن تأتي من البيانات الموجودة مسبقًا، بل من إجراءات الوكلاء المستمرة في البيئات الحقيقية، والتغذية الراجعة، والتعلم المستمر.

الصراع الأساسي للنماذج الكبيرة اليوم هو هنا — بعد التدريب، تُجمَّد.

مستخدم صحح نفس الخطأ عشر مرات، وعليه أن يعيد النموذج قراءة سجل المحادثة في المرة القادمة. وكيل البرمجة يفشل مرارًا وتكرارًا في نفس قاعدة الكود، ولا يتحول الفشل إلى قدرة جديدة. يعالج النموذج مهام هائلة يوميًا، لكنه يفقد كل خبرته.

إنه مجرد محرك استدلال يعيد التكرار بلا حدود، وليس كيانًا ينمو.

ما يهدف إليه ميند لاب هو كسر هذه الدورة المغلقة. هدفهم هو إنشاء "آلة ذكية تجريبية" — تستمر النموذج في التعلم في العالم الحقيقي حتى بعد مغادرته المختبر.

الخبرة تتحول إلى قدرات جديدة، والقدرات الجديدة تمكنها من حل مشكلات أصعب، والتي بدورها تجلب خبرات أكثر ثراءً.

الذكاء الاصطناعي لم يعد نتيجة تدريب واحد، بل أصبح عملية نمو مستمرة.

LoRA لم تعد هنا "أداة لتوفير التكاليف"، بل هي حالة دائمة قابلة للكتابة، والعودة للخلف، والتطور المستقل.

القاعدة تحمل المعرفة العامة، بينما يحمل LoRA تفضيلاتك وأسلوبك البرمجي ومنطقك التجاري. إنها ليست تصحيحات ثابتة، بل ذاكرة تنمو مع التفاعل.

أثبتت التجارب أن وحدة التكيف الخفيفة، عندما تُضغط إلى أقل من 0.5% من معلمات النموذج الأساسي، لا تزال مستقرة وموثوقة — كلما كان النموذج الأساسي أقوى، أصبحت التحديثات الصغيرة أكثر فعالية.

استغرق طريق Mind Lab ثلاث سنوات. في عام 2023، تعاون المؤسس أندرو مع كارثيك ناراسيمهان، مؤلف GPT-1، وياو شون يو، لنشر FireAct — أول عمل يستخدم تعلم المعاملات لتعزيز قدرات الوكلاء. بعد كتابة مسارات الوكيل في المعاملات، انخفض وقت التنفيذ الواحد من 9.0 ثانية إلى 2.7 ثانية.

ادفع تكلفة واحدة للتعلم، ثم يكون كل استخدام بعد ذلك عائدًا. من FireAct إلى Macaron-V1، تم تكبير هذا المنطق إلى مقياس تريليونات المعلمات.

الذكاء الجماعي: المنحنى الثالث للقياس

التعلم المستمر هو فقط نصف القصة. المفهوم الأساسي الثاني الذي يجسدّه Macaron-V1، والذي قد يكون أكثر إثارة للانقلاب، هو الذكاء الجماعي.

كل نموذج يتعلم باستمرار بناءً على تجاربه الخاصة، مما يؤدي إلى اتجاهات مختلفة بين الأمثلة المختلفة. تُشكّل ملاحظات المستخدمين المختلفة، والمهام المختلفة، والبيانات المختلفة، قدرات مختلفة. مهما انبثق نفس النموذج الأساسي، مع مرور الوقت، يصبح "أشخاصًا مختلفين".

هل هذا التنوع عيب أم ميزة؟ النتائج التجريبية مذهلة.

من نفس قاعدة Qwen3-30B، هدف التدريب وخوارزمية التدريب متطابقان تمامًا، مع تغيير ترتيب البيانات والـ masking فقط.

دقة مُلائم واحد على AIME24: 36.44%. 198 ملائمًا مختلفًا باستخدام التصويت بالأغلبية: 48.67%. إعادة أخذ عينات من نفس المُلائم 198 مرة، أعلى دقة فقط: 43.78%.

تُنتج التجارب المختلفة تكاملًا لا يمكن لأي نموذج واحد تقديمه. هذا ليس مجرد "المحاولة عدة مرات" — بل هو تأثير تعاوني حقيقي بين مسارات تعلم متنوعة.

يسمي أندرو هذا في WAIC المنحنى الثالث للتوسع.

البند الأول: معلمات التوسع على غرار GPT-3 — المعلمات الأكبر تؤدي إلى ذكاء أعلى.

البند الثاني: رموز التفكير المقياس على غرار DeepSeek R1 — مزيد من رموز الاستدلال تؤدي إلى ذكاء أعلى.

البند الثالث: عدد النماذج الموسعة — التعاون بين مزيد من النماذج يُحقق حدًا أعلى من الذكاء.

في التجربة، زاد عدد النماذج من بضعة نماذج إلى 200 نموذجًا، وتحسّنت الأداء خطياً على محور لوغاريتمي. إذا كانت المنحنى صحيحة، فإن الخطوة التالية هي التوسع من 200 إلى 20,000 ثم 2,000,000.

لقد أنشأت منصة MinT التي طورتها Mind Lab دليلاً يحتوي على مليون LoRA قابل للوصول. يشارك مليون LoRA نفس القاعدة الأساسية ذات التريليون معلمة.

ملاحظة —这不是100万个小型模型，而是100万个万亿参数的大模型。

يشارك البشر أكثر من 99٪ من الجينوم، لكن الأساس البيولوجي شبه المتطابق لم يُنتج عقولًا متطابقة. إن تنوع الذكاء وتعاونه هو ما أدى إلى أعظم إنجازات الحضارة البشرية.

2 أسبوعًا، 10 ملايين دولار ARR: أسرع تحقق تجاري

حتى لو كانت خريطة الطريق التقنية ممتازة، فإن السوق لن يشتريها إذا لم تكن سوى عرض تقديمي. فتحت Mind Lab واجهة برمجة التطبيقات للتجارة في أوائل يوليو.

نتيجة أسبوعين، 10 ملايين دولار ARR.

من المرجح أن هذا هو أسرع سجل لشركة نموذج تحقق إيرادات سنوية متجددة بمبلغ عشرة ملايين دولار منذ إصدار أول نموذج.

الأرقام مهمة، لكن الأهم هو السرعة. أن يتم التصويت بسرعة من قبل العملاء بأموالهم الحقيقية على طريق تقني ما، يدل على أنه يحل مشكلة حقيقية ومؤلمة.

Mind Lab لا تبيع فقط رموزًا. منطقها التجاري الأساسي هو أن العميل يشتري قدرة النموذج على التعلم المستمر والتطور في سيناريوهاته الخاصة.

تُدرّب شركات الهواتف المحمولة معرفة المنتجات في LoRA مخصصة، وتُدخل شركات سماعات الرأس تفضيلات التفاعل في حالة النموذج — لا حاجة لنقل البيانات الأساسية إلى شركات النموذج الأساسي لإعادة التدريب، حيث يتحكم العملاء بأنفسهم.

تمت إضافة Shaoyin Technology وOdyss، وهي شركة ناشئة في مجال الأجهزة الذكية، وشركة هواتف رائدة إلى قائمة الشركاء.

كما توضح بنية استدعاء واجهة برمجة التطبيقات المشكلة: 20٪ محادثات، 30٪ سير عمل الوكلاء، 30٪ توليد الكود، والباقي من GenUI — توزيع المشاهد متوازن، وليس ازدهارًا زائفًا يعتمد على ظاهرة واحدة فقط.

النسخة الممتازة: 6 دولارات لكل مليون رمز، النسخة القياسية: 4 دولارات، النسخة الفائقة السرعة: 2 دولار.

الرؤية التي قدمها Mind Lab هي جملة واحدة فقط: من يستطيع استخدام Token، يستطيع تدريب Token.

عملية تدريب النموذج يجب أن تكون ببساطة مثل استدعاء النموذج. لا حاجة إلى فريق مبيعات كبير أو موارد بشرية مخصصة. التعلم المستمر نفسه هو قدرة قابلة للتوسع في النموذج.

الباب انفتح

ريتشارد ساتون يُطلق مصطلح "عصر التجربة" في تورونتو. يرى ليانغ وينفنغ أن القدرة على التعلم المستمر ضرورية لوصف النماذج من الجيل التالي. ميرا موراتي تبني بنية تحتية للتعلم المعزز LoRA بتريليونات المعاملات في سان فرانسيسكو. تُقدر Fireworks AI بـ 17.5 مليار دولار أمريكي.

الجميع يراهن على الاتجاه نفسه: يجب أن يستمر النموذج في التعلم بعد النشر. يُعد LoRA التقنية الأساسية التي تجعل هذا ممكنًا على نطاق تريليونات المعلمات.

ميند لاب هي أصغر متنافس في هذا المجال. لكن وضع الانطلاق قد يكون الأكثر كفاءة — دون بناء قاعدة من الصفر، بل الوقوف على نظام البيئة المفتوحة المصدر الصيني، حقق فريق يضم أكثر من ثلاثين شخصًا وتمويلًا أقل من 50 مليون دولار أمريكي، قدرات تقنية توازي فرق سيليكون فالي التي تبلغ قيمتها مئات المليارات من الدولارات.

هذا يعود إلى حكم بسيط لكن عميق:

النهاية النهائية لمنافسة النماذج الكبيرة ليست في "من يُدرب أكبر قاعدة أساسية"، بل في "من يستطيع جعل النموذج يصبح أكثر ذكاءً باستمرار".

التدريب المسبق هو بنية تحتية لمرة واحدة. التعلم المستمر هو الحاجز الحقيقي.

ما يسعى ميند لاب إلى بنائه هو آلة ذكية تجريبية — حيث يستمر النموذج في التعلم داخل العالم الحقيقي حتى بعد مغادرته المختبر، ليصبح أكثر ذكاءً مع الاستخدام. عندما يبدأ عدد كافٍ من هذه الذكاءات في التعاون، سيُفتح طريق جديد نحو ذكاء أعلى.

يستخدم موراتي 2 مليار دولار وفريقًا مكونًا من 100 شخص في سان فرانسيسكو لفتح هذا الباب.

لكن أول من فتح الباب قليلاً هو هذا المختبر الشاب من جانب المحيط الهادئ، الذي يقف على أكتاف النظام البيئي المفتوح المصدر الصيني.