ميتا تكسر قواعد لعبة الذكاء الاصطناعي.. هل بدأ عصر النماذج العملاقة خارج مراكز البيانات؟

ميتا تكسر قواعد لعبة الذكاء الاصطناعي.. هل بدأ عصر النماذج العملاقة خارج مراكز البيانات؟

816 مليار معامل ونافذة سياقية بمليون رمز.. هل نحن أمام ثورة حقيقية في الذكاء الاصطناعي أم سباق جديد للأرقام الضخمة؟

بقلم: الأستاذ الدكتور وائل بدوي
أستاذ هندسة الحاسبات والذكاء الاصطناعي
كلية الهندسة – الجامعة المصرية الروسية

لم يعد السؤال الأهم في عالم الذكاء الاصطناعي هو: من يمتلك النموذج الأكبر؟ بل أصبح: من يستطيع تشغيل النموذج الأكثر قدرة، بأقل تكلفة، وبأكبر قدر من الاستقلالية والتحكم في البيانات؟

هذا التحول يفسر أهمية الإعلان الأخير لشركة ميتا⁠ عن نموذجها الجديد Muse Spark Open، الذي أثار اهتمام الأوساط التقنية بعدما كشفت الشركة عن نموذج مفتوح الأوزان يضم 816 مليار معامل، مع نافذة سياقية تصل إلى مليون رمز، وإمكانية تشغيله محليًا على تجهيزات حاسوبية متقدمة.

لكن أهمية الإعلان لا تكمن في ضخامة الأرقام وحدها.

فما يحدث يعكس تحولًا أعمق في صناعة الذكاء الاصطناعي، يتعلق بمستقبل الحوسبة السحابية، وسيادة البيانات، والبرمجيات مفتوحة الأوزان، واستقلال المؤسسات عن مزودي الخدمات المركزية.

والسؤال الذي يستحق المناقشة هو:

هل نحن أمام بداية انتقال الذكاء الاصطناعي المتقدم من مراكز البيانات العملاقة إلى أجهزة المؤسسات والباحثين، أم أننا نستبدل الاعتماد على السحابة بالاعتماد على أجهزة محلية مرتفعة التكلفة؟

أولًا: ماذا يعني نموذج يمتلك 816 مليار معامل؟

لفهم أهمية الإعلان، ينبغي أولًا التمييز بين الحجم الإجمالي للنموذج والحجم المستخدم فعليًا أثناء معالجة الطلبات.

فوفقًا للمعلومات المنشورة، يمتلك Muse Spark Open نحو 816 مليار معامل، لكن عدد المعاملات النشطة أثناء الاستدلال يبلغ نحو 42 مليارًا.

وهذا يشير إلى تصميم يعتمد على تفعيل جزء من قدرات النموذج بدلًا من استخدام جميع المعاملات في كل عملية معالجة.

وتسمح هذه الفلسفة المعمارية، التي ترتبط عادة بنماذج الخبراء المتعددين (Mixture of Experts)، بزيادة السعة الكلية للنموذج دون الحاجة إلى تنفيذ جميع العمليات الحسابية المرتبطة بمعاملاته في كل مرة.

لكن من المهم تصحيح تصور شائع.

وجود 816 مليار معامل لا يعني أن النموذج يستخدم 816 مليار معامل في كل إجابة، كما أن تفعيل 42 مليار معامل لا يعني أن بقية الأوزان لا تحتاج إلى ذاكرة.

فالمعاملات غير النشطة حسابيًا قد تظل بحاجة إلى التخزين أو الإتاحة عند اختيار خبراء مختلفين أثناء الاستدلال.

ولهذا، فإن عدد المعاملات النشطة يؤثر في التكلفة الحسابية، بينما يرتبط استهلاك الذاكرة أيضًا بالحجم الكلي للأوزان، ودقة تمثيلها، وآلية توزيعها على الأجهزة.

وعند تخزين 816 مليار معامل بدقة 16 بت، فإن الحجم النظري للأوزان وحدها يبلغ نحو 1.63 تيرابايت، دون احتساب الذاكرة اللازمة للتنفيذ والتخزين المؤقت.

أما استخدام تقنيات التكميم إلى 4 بت فقد يخفض الحجم النظري للأوزان إلى نحو 408 جيجابايت، قبل احتساب البيانات الإضافية وأعباء التشغيل.

وهذه الحسابات توضح أن الحديث عن التشغيل المحلي لا يعني بالضرورة تشغيل النموذج بسهولة على حاسوب شخصي عادي.

بل قد يتطلب تجهيزات متخصصة وذاكرة كبيرة وتقنيات متقدمة لتحسين كفاءة التنفيذ.

إن الثورة الحقيقية ليست في عدد المعاملات، بل في القدرة على تحويل هذا الحجم الهائل إلى نظام عملي يمكن تشغيله بتكلفة مقبولة.

ثانيًا: مليون رمز من السياق.. هل أصبح الذكاء الاصطناعي قادرًا على قراءة مكتبة كاملة؟

من أبرز الخصائص المعلنة للنموذج نافذة سياقية تصل إلى مليون رمز (Token).

والرمز ليس كلمة بالضرورة؛ فقد يمثل كلمة كاملة أو جزءًا منها أو علامة ترقيم، بحسب نظام الترميز المستخدم.

وتسمح النافذة السياقية الكبيرة بإدخال كميات ضخمة من المعلومات ضمن الطلب الواحد.

وهذا يفتح إمكانات مهمة في البحث العلمي والهندسة وتطوير البرمجيات.

فيمكن، من حيث المبدأ، تزويد النموذج بعدد كبير من الأوراق العلمية، أو وثائق مشروع هندسي، أو ملفات برمجية متعددة، وطلب تحليل العلاقات بينها.

لكن هناك حقيقة ينبغي ألا تغيب وسط الحماس للأرقام.

القدرة على استقبال مليون رمز لا تعني القدرة على فهم كل معلومة داخل هذا المليون بالدقة نفسها.

فقد يستطيع النموذج معالجة سياق طويل من الناحية التقنية، لكنه قد يفشل في استرجاع معلومة محددة، أو الربط بين معلومات متباعدة، أو اكتشاف تناقض داخل الوثائق.

كما أن تكلفة معالجة السياقات الطويلة قد ترتفع بصورة ملحوظة، سواء من حيث الذاكرة أو زمن الاستجابة.

ولهذا، فإن تقييم هذه النماذج يجب ألا يقتصر على الإعلان عن طول النافذة السياقية.

بل ينبغي قياس قدرتها الفعلية على استرجاع المعلومات، والاستدلال متعدد الوثائق، والتعامل مع المعلومات المتعارضة، والمحافظة على الدقة مع زيادة طول المدخلات.

فالفرق كبير بين نموذج يستطيع استقبال مليون رمز ونموذج يستطيع الاستفادة منها بكفاءة وموثوقية.

ثالثًا: التعاون مع آبل.. هل بدأ الذكاء الاصطناعي يغادر السحابة؟

أحد أكثر جوانب الإعلان إثارة للاهتمام هو الحديث عن تحسين تشغيل النموذج محليًا باستخدام إطار MLX على أجهزة Mac Studio المتقدمة.

ووفقًا للتقرير المنشور، ترتبط هذه الإمكانية بتجهيزات تعتمد على معالجات M5 Ultra وذاكرة موحدة كبيرة، مع إمكانية الجمع بين جهازين لتوفير سعة ذاكرة أكبر. 

وتكمن أهمية هذه الخطوة في أن معظم المستخدمين اعتادوا الوصول إلى النماذج المتقدمة من خلال خدمات سحابية.

فالمستخدم يرسل طلبه عبر الإنترنت، ويُعالج الطلب داخل بنية حاسوبية يديرها مزود الخدمة، ثم تعود النتيجة إلى جهازه.

أما التشغيل المحلي فيسمح بتنفيذ النموذج داخل بيئة حاسوبية تمتلكها المؤسسة أو تديرها مباشرة.

وهذا قد يحقق مزايا مهمة تتعلق بالخصوصية، والتحكم في البيانات، وتقليل الاعتماد على الاتصال الدائم بالإنترنت.

لكن يجب ألا نبالغ في الاستنتاج.

فالتشغيل المحلي لا يلغي الحاجة إلى تجهيزات مرتفعة التكلفة، ولا يضمن أن يكون التنفيذ أسرع أو أقل تكلفة في جميع الحالات.

كما أن توزيع النموذج على جهازين قد يضيف أعباء اتصال وتنسيق تؤثر في الأداء.

وتظل سرعة توليد الرموز، وزمن الاستجابة الأول، واستهلاك الطاقة، ومتطلبات الذاكرة، وتكلفة امتلاك الأجهزة وتشغيلها، عوامل حاسمة في تقييم الجدوى الاقتصادية.

فليس كل ما يمكن تشغيله محليًا يصبح بالضرورة اقتصاديًا أو عمليًا.

ومع ذلك، فإن مجرد توسيع خيارات التشغيل يمثل تطورًا مهمًا، لأنه يمنح المؤسسات قدرة أكبر على اختيار البنية المناسبة لاحتياجاتها.

رابعًا: مفتوح الأوزان لا يعني مفتوح المصدر بالكامل

من القضايا التي تستحق اهتمامًا خاصًا وصف النموذج بأنه مفتوح الأوزان.

فهناك فرق جوهري بين النموذج مفتوح الأوزان والنموذج مفتوح المصدر بالمعنى الكامل.

فإتاحة الأوزان تسمح للمطورين بالحصول على معاملات النموذج واستخدامها وفق شروط الترخيص.

لكن ذلك لا يعني بالضرورة إتاحة بيانات التدريب، أو الشفرة المستخدمة في التدريب، أو جميع تفاصيل إعداد النموذج، أو السماح باستخدامه دون قيود.

وهذا التمييز مهم للباحثين والجامعات.

فإمكانية تنزيل نموذج وتشغيله لا تعني القدرة على إعادة إنتاج عملية تدريبه من البداية.

كما أن قابلية التخصيص لا تعني بالضرورة الشفافية الكاملة.

ومن هنا، ينبغي أن يكون تقييم الانفتاح قائمًا على ما هو متاح فعليًا، وشروط الترخيص، وإمكانية التدقيق، وإعادة الإنتاج، وليس على المصطلحات التسويقية وحدها.

وقد وصفت ميتا النموذج بأنه من أبرز النماذج الأميركية مفتوحة الأوزان من حيث القدرة، وهو توصيف ينبغي تقييمه في ضوء اختبارات مستقلة ومقارنات قابلة لإعادة الإنتاج. 

خامسًا: هل ينتهي عصر الاحتكار السحابي للذكاء الاصطناعي؟

لسنوات، ارتبط تشغيل النماذج المتقدمة بامتلاك موارد حوسبية ضخمة.

وقد منح ذلك الشركات القادرة على بناء مراكز بيانات عملاقة ميزة تنافسية واضحة.

لكن التقدم في تقنيات التكميم، والاستدلال الموزع، وإدارة الذاكرة، وتصميم النماذج المتخصصة، بدأ يوسع نطاق الجهات القادرة على تشغيل أنظمة متقدمة خارج البنية السحابية العامة.

ولا يعني ذلك أن مراكز البيانات ستفقد أهميتها.

بل من المرجح أن يستمر دورها المحوري في تدريب النماذج الكبيرة وتشغيل الخدمات واسعة النطاق.

لكننا قد نشهد توزيعًا جديدًا للأدوار.

فالتدريب واسع النطاق قد يظل متركزًا في البنى الحاسوبية العملاقة، بينما تتوسع إمكانات الاستدلال المحلي داخل الشركات والجامعات والمؤسسات البحثية.

وهنا تظهر فرصة اقتصادية مهمة.

فالمؤسسة التي تحتاج إلى معالجة بيانات حساسة بصورة مستمرة قد تجد في التشغيل المحلي خيارًا مناسبًا.

أما المؤسسة التي تحتاج إلى قدرات متقدمة بصورة متقطعة، فقد تظل الخدمات السحابية أكثر جدوى.

ولذلك، فإن المستقبل لن يكون بالضرورة سحابيًا بالكامل أو محليًا بالكامل.

الأرجح أننا نتجه نحو نماذج تشغيل هجينة، تجمع بين الحوسبة المحلية والسحابية وفق طبيعة المهمة ومتطلبات الخصوصية والتكلفة.

سادسًا: الذكاء الاصطناعي الوكيل.. من الإجابة عن الأسئلة إلى تنفيذ المهام

لا تقتصر أهمية Muse Spark Open على معالجة النصوص الطويلة.

فالإعلان يشير أيضًا إلى قدرات موجهة نحو البرمجة وتنفيذ المهام المعقدة متعددة الخطوات.

وهنا ننتقل إلى أحد أهم الاتجاهات الحديثة في الذكاء الاصطناعي: الأنظمة الوكيلة أو Agentic AI.

فالنموذج التقليدي يستقبل سؤالًا ويقدم إجابة.

أما النظام الوكيل فيمكن أن يتعامل مع هدف أوسع، ويقسمه إلى مهام فرعية، ويستخدم أدوات برمجية، ويحلل النتائج، ثم يواصل العمل وفق خطة محددة.

على سبيل المثال، يمكن لنظام وكيل متخصص في البرمجة أن يقرأ متطلبات مشروع، ويفحص الملفات، ويقترح تعديلات، ويشغل الاختبارات، ويحلل الأخطاء.

لكن القدرة على تنفيذ خطوات متعددة لا تعني بالضرورة الاستقلالية الموثوقة.

فكل خطوة إضافية قد تخلق فرصة لخطأ جديد.

وقد يسيء النموذج فهم التعليمات، أو يختار أداة غير مناسبة، أو يفسر نتيجة اختبار بصورة خاطئة.

ولهذا، فإن تطوير الذكاء الاصطناعي الوكيل يجب أن يصاحبه تطوير مماثل في أنظمة التحقق والرقابة.

ولا يكفي أن نقيس عدد المهام التي يستطيع النموذج تنفيذها.

بل يجب أن نقيس نسبة نجاح المهام كاملة، وقدرته على اكتشاف أخطائه، والتراجع عن الإجراءات غير الصحيحة، والالتزام بالصلاحيات الممنوحة له.

إن الذكاء الاصطناعي الذي يستطيع اتخاذ خطوات متعددة دون رقابة ليس بالضرورة أكثر تقدمًا من نظام يعرف متى يتوقف ويطلب المراجعة البشرية.

سابعًا: ماذا يعني هذا التطور للبحث العلمي؟

بالنسبة إلى الجامعات ومراكز البحث العلمي، فإن النماذج الكبيرة مفتوحة الأوزان تفتح مجالًا مهمًا لتطوير أدوات بحثية قابلة للتخصيص.

فقد تستخدمها فرق البحث في تحليل الأدبيات العلمية، ومراجعة الشفرة البرمجية، وإدارة الوثائق التقنية، ودعم تصميم التجارب.

كما يمكن أن تساعد في بناء مساعدين بحثيين متخصصين في مجالات مثل الأمن السيبراني، والهندسة الطبية، وتحليل البيانات، والتوأم الرقمي.

لكن ينبغي التمييز بين المساعدة البحثية وإنتاج الدليل العلمي.

فالنموذج يستطيع اقتراح فرضية، لكنه لا يثبت صحتها.

ويستطيع كتابة شفرة لتجربة، لكنه لا يضمن سلامة تصميمها.

ويستطيع تلخيص أوراق علمية، لكنه قد يخطئ في تفسير نتائجها.

ويستطيع إنتاج نص يبدو علميًا، لكنه لا يستطيع تحويل نتائج غير منفذة إلى تجارب حقيقية.

ومن هنا، فإن الاستخدام المسؤول لهذه النماذج يجب أن يعتمد على التحقق المستقل، وتوثيق مصادر البيانات، وإعادة إنتاج التجارب، ومراجعة النتائج.

فالذكاء الاصطناعي يمكن أن يسرع البحث العلمي، لكنه لا يستطيع أن يحل محل المنهج العلمي.

ثامنًا: ماذا يعني هذا التطور لمصر والجامعات العربية؟

قد يكون هذا الجانب هو الأكثر أهمية بالنسبة إلينا.

فإذا أصبحت النماذج المتقدمة متاحة للتشغيل والتخصيص داخل المؤسسات، فإن ذلك قد يفتح فرصًا جديدة أمام الجامعات العربية لتطوير حلول تناسب احتياجاتها المحلية.

لكن الاستفادة من هذه الفرص تتطلب أكثر من شراء أجهزة مرتفعة التكلفة.

فالمطلوب بناء منظومة متكاملة تشمل الكفاءات البشرية، والبيانات الجيدة، والبنية الحاسوبية، والبرمجيات، وآليات التقييم والحوكمة.

وفي مصر، يمكن توجيه هذه الإمكانات نحو تطوير نماذج متخصصة باللغة العربية، وتحليل الوثائق، ودعم التعليم، وتحسين الخدمات الحكومية، وتطوير تطبيقات صناعية وطبية وبحثية.

لكن ينبغي أن نطرح سؤالًا اقتصاديًا قبل الاستثمار:

هل نحتاج فعلًا إلى تشغيل نموذج يضم مئات المليارات من المعاملات؟

أم أن نموذجًا أصغر، جرى تخصيصه وتقييمه جيدًا، يمكن أن يحقق نتائج أفضل في المهمة المطلوبة بتكلفة أقل؟

ففي كثير من التطبيقات المؤسسية، لا يكون النموذج الأكبر هو الاختيار الأمثل.

وقد تكون جودة البيانات، والتكامل مع الأنظمة، ودقة التقييم، أهم من الحجم المطلق للنموذج.

ولهذا، فإن الجامعات العربية تحتاج إلى الانتقال من ثقافة استهلاك أدوات الذكاء الاصطناعي إلى ثقافة تقييمها وتطويرها وتخصيصها.

فامتلاك نموذج ضخم لا يعني امتلاك قدرة بحثية متقدمة، كما أن شراء حاسوب قوي لا يعني بناء مختبر ذكاء اصطناعي ناجح.

القيمة الحقيقية تأتي من القدرة على تحويل التكنولوجيا إلى معرفة وتطبيقات قابلة للقياس.

تاسعًا: أين الاختبارات المستقلة؟

رغم أهمية الإعلان، فإن التعامل العلمي معه يتطلب الحذر من المبالغة.

فعبارات مثل «قدرات خارقة» أو «الأقوى على الإطلاق» قد تكون مناسبة لجذب الانتباه الإعلامي، لكنها لا تمثل مقاييس علمية محددة.

ولكي نستطيع تقييم النموذج بصورة موضوعية، ينبغي أن تتوافر نتائج قابلة للمقارنة في مجالات متعددة.

ومن أهمها دقة الاستدلال، وجودة توليد الشفرة، والقدرة على تنفيذ المهام الوكيلة، وكفاءة استخدام السياقات الطويلة، ومعدلات الخطأ، واستهلاك الذاكرة والطاقة، وزمن الاستجابة.

كما ينبغي إجراء الاختبارات على تجهيزات موثقة، وباستخدام إعدادات واضحة، مع الإفصاح عن تأثير التكميم وتوزيع النموذج على الأداء.

ولا يكفي أن نعرف أن النموذج يمكن تشغيله على جهاز معين.

بل يجب أن نعرف كيف يعمل على هذا الجهاز، وبأي سرعة، وتحت أي ظروف، وبأي تكلفة.

كذلك ينبغي التمييز بين نتائج الشركة المطورة ونتائج التقييم المستقل.

فالإعلان التجاري يقدم معلومات مهمة، لكنه ليس بديلًا عن التجارب القابلة لإعادة الإنتاج.

إن حجم النموذج حقيقة هندسية، أما تفوقه على المنافسين فهو ادعاء تجريبي يحتاج إلى دليل.

عاشرًا: السباق الحقيقي لم يعد على الحجم وحده

تكشف التطورات الأخيرة أن صناعة الذكاء الاصطناعي تدخل مرحلة أكثر تعقيدًا من مجرد زيادة عدد المعاملات.

فالمنافسة أصبحت تدور حول عدة عناصر متداخلة: القدرة، والكفاءة، والتكلفة، والخصوصية، وإمكانية التخصيص، وسهولة النشر، والسلامة.

وقد يتفوق نموذج ضخم في اختبارات معينة، بينما يكون نموذج أصغر أكثر ملاءمة لتطبيقات عملية محددة.

وقد تقدم النماذج السحابية أداءً أفضل في بعض المهام، بينما توفر النماذج المحلية مزايا أكبر في التحكم بالبيانات.

وقد يحقق نموذج مفتوح الأوزان قيمة بحثية مهمة، حتى لو لم يكن الأعلى ترتيبًا في جميع الاختبارات.

ولهذا، فإن الحكم على مستقبل الذكاء الاصطناعي من خلال رقم واحد أصبح أكثر تضليلًا من أي وقت مضى.

فالمليون رمز لا يضمن مليون رمز من الفهم الدقيق.

و816 مليار معامل لا تضمن تفوقًا مطلقًا.

والتشغيل المحلي لا يضمن انخفاض التكلفة.

والأوزان المتاحة لا تعني انفتاحًا كاملًا.

والقدرة على تنفيذ المهام لا تعني ضمان صحة النتائج.

هذه الفروق هي التي ستحدد الفائز الحقيقي في المرحلة المقبلة.

الخاتمة: الثورة ليست في أن يصبح الذكاء الاصطناعي أكبر.. بل في أن يصبح أكثر استقلالًا وكفاءة

يمثل الإعلان عن Muse Spark Open خطوة مهمة في تطور النماذج الكبيرة، خصوصًا من زاوية الجمع بين الحجم الضخم، والتصميم الحسابي الذي يفعّل جزءًا من المعاملات، والنافذة السياقية الطويلة، وإمكانات التشغيل المحلي.

لكن القيمة الحقيقية لهذا التطور لن تتحدد بالأرقام المنشورة في الإعلان.

بل ستتحدد بما يستطيع الباحثون والمطورون والمؤسسات تحقيقه عمليًا باستخدام النموذج.

هل يمكن تشغيله بتكلفة اقتصادية مقبولة؟

هل يقدم أداءً موثوقًا في المهام المعقدة؟

هل يستطيع التعامل مع السياقات الطويلة دون فقدان الدقة؟

هل يوفر للمؤسسات استقلالًا حقيقيًا في إدارة بياناتها؟

وهل يمكن للجامعات الاستفادة منه في تطوير تطبيقات علمية قابلة لإعادة الإنتاج؟

هذه هي الأسئلة التي ينبغي أن تقود النقاش.

فقد اعتدنا خلال السنوات الماضية أن نقيس تقدم الذكاء الاصطناعي بحجم النماذج وعدد المعاملات.

لكن المرحلة المقبلة قد تفرض معيارًا مختلفًا.

ليس المهم كم مليار معامل يمتلك النموذج، بل كم مشكلة حقيقية يستطيع حلها، وبأي تكلفة، وبأي درجة من الدقة والموثوقية.

وبالنسبة إلى مصر والعالم العربي، فإن الرسالة أكثر وضوحًا.

لا ينبغي أن يكون هدفنا مجرد متابعة الإعلانات العالمية أو الاحتفاء بالأرقام القياسية.

بل يجب أن نمتلك القدرة على اختبار هذه النماذج، وفهم بنيتها، وتطوير تطبيقات مستقلة باستخدامها، وبناء خبرات وطنية في تشغيلها وتقييمها.

فالمنافسة المستقبلية لن تكون فقط بين الشركات التي تطور النماذج الأكبر.

بل ستكون أيضًا بين الدول والمؤسسات التي تستطيع تحويل هذه النماذج إلى قيمة اقتصادية وعلمية ومجتمعية.

لقد كان السؤال في الماضي: من يمتلك أكبر مركز بيانات؟

أما السؤال الذي قد يحدد المستقبل فهو: من يمتلك المعرفة والقدرة على تشغيل الذكاء الاصطناعي والتحكم فيه وتطويره دون اعتماد كامل على الآخرين؟

وهنا تكمن الأهمية الاستراتيجية لإعلان ميتا.

فهو لا يعني نهاية الحوسبة السحابية، ولا يثبت أن النماذج العملاقة أصبحت في متناول الجميع.

لكنه يشير إلى أن الحدود بين الذكاء الاصطناعي المركزي والذكاء الاصطناعي المحلي بدأت تتغير.

والثورة الحقيقية لن تحدث عندما نستطيع تشغيل 816 مليار معامل على جهاز أصغر، بل عندما نستطيع استخدام هذه القدرة لإنتاج معرفة أفضل، وقرارات أدق، وحلول أكثر فائدة للمجتمع.

فمستقبل الذكاء الاصطناعي لا تصنعه الأرقام الضخمة وحدها.

يصنعه من يعرف كيف يحول هذه الأرقام إلى علم نافع وتكنولوجيا موثوقة.

الأستاذ الدكتور وائل بدوي
أستاذ هندسة الحاسبات والذكاء الاصطناعي
كلية الهندسة – الجامعة المصرية الروسية

للاطلاع على المعلومات الأصلية:

الإعلان والأبحاث المنشورة عبر موقع Meta AI Research الرسمي⁠