BitNet.cpp من Microsoft: هل تشغّل الذكاء الاصطناعي على CPU دون كرت شاشة؟

في هذا المقال 8 أقسام
  1. وش هو BitNet.cpp؟
  2. هل الأرقام المنشورة صحيحة؟
  3. طيب، هل فعلاً يمكن تشغيل 100 مليار معامل على CPU؟
  4. ما الفرق عن تشغيل نموذج عادي عبر Ollama أو LM Studio؟
  5. كيف تجرب النموذج على Windows؟
  6. هل هذا خبر جديد في أكتوبر 2026؟
  7. الخلاصة
  8. المصادر والروابط الرسمية
رسم نتائج اختبارات نموذج BitNet b1.58 2B من مستودع Microsoft الرسمي على GitHub
رسم اختبارات الأداء المنشور ضمن ملفات مشروع BitNet الرسمية. الأرقام تخص اختبارات محددة، وليست نتيجة تجربة مستقلة من HAKAMIQ. المصدر: Microsoft على GitHub.

المنشور: Oliver Prompts على X. المصدر الأساسي: المستودع الرسمي microsoft/BitNet.

هل ممكن تشغّل نموذج ذكاء اصطناعي محلياً على الكمبيوتر بدون الاعتماد على كرت الشاشة؟ Microsoft تعمل على هذا الاتجاه من خلال BitNet.cpp، وهو إطار مفتوح المصدر مخصص لتشغيل نماذج منخفضة الدقة بكفاءة عالية. انتشر منشور يذكر سرعة أعلى بـ6.17 مرة، وتوفير طاقة يصل إلى 82.2%، وحتى تشغيل نموذج بحجم 100 مليار معامل على CPU. خلّنا نفصل الأرقام ونشوف ما الذي تقدر تجربه فعلاً.

التقنية
BitNet b1.58
تسارع x86 المُعلن
حتى 6.17×
توفير الطاقة المُعلن
حتى 82.2%
الترخيص
MIT

وش هو BitNet.cpp؟

النماذج المعتادة تخزّن أوزانها بدقة عددية قد تتطلب مساحة كبيرة في الذاكرة وحسابات كثيرة عند توليد الإجابة. أما نماذج BitNet b1.58 فتستخدم أوزاناً بثلاث قيم فقط: -1 و0 و+1، ولذلك توصف بدقة تقارب 1.58-bit. الهدف تقليل تكلفة الحساب والذاكرة مع المحافظة على جودة مناسبة مقارنة بنماذج من الفئة نفسها.

برنامج BitNet.cpp ليس نموذج محادثة بحد ذاته؛ هو محرك تشغيل Inference Framework يعتمد على تعليمات ومعالجات محسّنة للاستفادة من هذا النوع من النماذج. ولهذا لا يكفي أن تحمل أي نموذج عادي وتغيّر اسمه إلى BitNet لتحصل على نفس النتائج.

هل الأرقام المنشورة صحيحة؟

الأرقام مأخوذة من وصف Microsoft لمشروعها: على معالجات x86 تذكر الشركة تسارعاً يتراوح بين 2.37× و6.17×، مع انخفاض في استهلاك الطاقة بين 71.9% و82.2%. وعلى معالجات ARM تذكر تسارعاً من 1.37× إلى 5.07×، وخفضاً للطاقة من 55.4% إلى 70.0%.

المهم: هذه حدود نتائج الاختبار في ظروف ومقارنات محددة، وليست وعداً بأن أي مستخدم سيلاحظ سرعة 6.17 مرة أو توفير 82.2% على كمبيوتره. حجم النموذج ونوع المعالج ونواة التنفيذ وعدد الخيوط عوامل تغير النتيجة.

مخطط الأداء التجريبي الأصلي لمحرك BitNet.cpp المنشور داخل مستودع Microsoft
من الرسوم التجريبية الأصلية في مستودع BitNet. تُقرأ النتائج ضمن بيئة الاختبار ونوع المعالج والنموذج المذكورين في المصدر، ولا تُعمم على كل الأجهزة. الصورة الأصلية.

طيب، هل فعلاً يمكن تشغيل 100 مليار معامل على CPU؟

Microsoft تذكر إمكانية تشغيل نموذج من عائلة BitNet b1.58 بحجم 100B على معالج واحد بسرعة تقارب 5–7 tokens/second في سياق بحثي. لكن هذا لا يعني أن نموذج Microsoft الرسمي المتاح للتنزيل اليوم حجمه 100 مليار معامل، ولا يعني أن أي معالج أو ذاكرة RAM كافية لهذا الحجم.

النموذج الرسمي الذي يستطيع المستخدم تنزيله وتجربته من Microsoft هو BitNet b1.58 2B4T، وحجمه نحو 2.4B معامل، وقد دُرب على أربعة تريليونات رمز Tokens. كما يوضح مستودع المشروع أن بعض اختبارات الأحجام غير المتاحة علناً تستخدم نماذج تجريبية وهمية لاختبار سرعة التشغيل، وليست نماذج محادثة جاهزة.

ومع أن ضغط الأوزان يقلل الاستهلاك، تحتاج أيضاً إلى ذاكرة لتشغيل البرنامج وبيانات النموذج وسياق المحادثة. لذلك عبارة «100 مليار على أي CPU» غير دقيقة.

ما الفرق عن تشغيل نموذج عادي عبر Ollama أو LM Studio؟

برامج مثل Ollama وLM Studio تقدم طرقاً لتشغيل نماذج متنوعة محلياً. BitNet.cpp يركز على تنفيذ محسّن لمعمارية نماذج منخفضة الدقة، خصوصاً الأوزان الثلاثية. هما ليسا الشيء نفسه: واجهة تشغيل سهلة لا تعني بالضرورة الاستفادة من BitNet بالشكل الذي اختبرته Microsoft.

توضح بطاقة نموذج Microsoft أن استخدامه عبر مكتبة Transformers القياسية لا يحقق تلقائياً مزايا السرعة والطاقة المعلنة؛ للحصول على تلك المزايا تحتاج إلى التنفيذ المحسن المخصص في BitNet.cpp.

كيف تجرب النموذج على Windows؟

المشروع مناسب لمن يحب تجربة أدوات الذكاء الاصطناعي المحلية، لكنه ليس مثبتاً عادياً بخطوة واحدة. دليل Microsoft يتطلب Python 3.10+ وCMake 3.22+ وClang 18+، إلى جانب مكونات التطوير المطلوبة من Visual Studio 2022. افتح Developer PowerShell for VS 2022 بدلاً من PowerShell العادي لتنفيذ خطوات البناء.

بداية الخطوات من المستودع الرسمي:

git clone --recursive https://github.com/microsoft/BitNet.git
cd BitNet
conda create -n bitnet-cpp python=3.10
conda activate bitnet-cpp
pip install -r requirements.txt

وبعد تجهيز المتطلبات، يوضح الدليل تنزيل نسخة GGUF وبناء بيئة التنفيذ ثم تشغيل النموذج:

huggingface-cli download microsoft/BitNet-b1.58-2B-4T-gguf --local-dir models/BitNet-b1.58-2B-4T
python setup_env.py -md models/BitNet-b1.58-2B-4T -q i2_s
python run_inference.py -m models/BitNet-b1.58-2B-4T/ggml-model-i2_s.gguf -p "You are a helpful assistant" -cnv

تنبيه: هذه الأوامر من تعليمات المشروع ولم ننفذ اختبار بناء على جهاز القارئ. يجب مراجعة صفحة التثبيت الرسمية لأي تغييرات في الأدوات أو المسارات. كما أن جودة العربية في هذا النموذج تحتاج تجربة؛ بطاقة النموذج تشير إلى محدودية دعمه لبعض اللغات غير الإنجليزية.

هل هذا خبر جديد في أكتوبر 2026؟

المشروع قديم نسبياً، لكنه مستمر في التطوير. صدرت نسخة bitnet.cpp 1.0 في 17 أكتوبر 2024. وفي أبريل 2025 نشرت Microsoft نموذجها الرسمي 2B4T، ثم أضافت مساراً للعمل على GPU في مايو 2025. وفي يناير 2026 أعلنت تحسينات أخرى لتشغيل CPU بسرعة إضافية تتراوح بين 1.15× و2.1× مقارنة بالتنفيذ السابق، وفي يوليو 2026 أضافت نماذج Embeddings منخفضة الدقة ومشروع VibeASR.cpp للتعرف على الكلام.

لذلك صياغة «Microsoft أطلقت BitNet اليوم» غير صحيحة؛ الجديد هنا هو تداول المشروع مجدداً، بينما التطورات الفعلية موزعة على هذه التواريخ.

الخلاصة

BitNet.cpp مشروع تقني مهم لأنه يوسع فرصة تشغيل نماذج ذكاء اصطناعي محلياً من دون الاعتماد الدائم على كرت شاشة قوي. لكن الأرقام الكبيرة يجب فهمها في سياقها: السرعة والطاقة نتائج اختبارات محددة، واختبار 100 مليار معامل ليس نموذجاً رسمياً جاهزاً لكل كمبيوتر. إن كنت تريد تجربته، ابدأ بالنموذج الرسمي الأصغر واتبع دليل Microsoft، ثم قارن الأداء على جهازك بنفسك.

مشاركة المقال

شارك هذا المقال

اختر المنصة المناسبة أو انسخ الرابط مباشرة.

التعليقات 0

جاري تحميل التعليقات…

استكشف المزيد

تابع القراءة