فهرست مطالب
مایکروسافت در نمایشگاه IFA 2026 از استراتژی جدید خود برای اجرای محلی مدل‌های هوش مصنوعی روی کامپیوترهای ویندوزی بدون تأخیر و هزینه‌ی ابری خبر داد.
به گزارش سرویس سیستم عامل کامپیوتر تکناک، مایکروسافت در IFA 2026 چشم‌انداز جدیدی را برای آینده خود اعلام کرده است؛ جایگزینی شعار قدیمی «یک PC روی هر میز و در هر خانه» با مفهوم «هوش بی‌اندازه‌گیری روی هر میز و در هر خانه». به عبارت دیگر، این شرکت قصد دارد هوش مصنوعی را به‌صورت محلی و بدون وابستگی به هزینه و تأخیر استنتاج ابری، برای هر کاربر Windows در دسترس کند.
بیش از ۶ سال از روزی گذشته که بیل گیتس رسماً همه روابط سازمانی خود با مایکروسافت را قطع کرد، اما چشم‌انداز او از ۴۰ سال پیش هنوز زنده است؛ این بار با دستور کار جاه‌طلبانه‌تری.
مأموریت گیتس از ۴۰ سال پیش
مارک لینتون، معاون ارشد فروش Windows و دستگاه‌های مایکروسافت، در نمایشگاه IFA 2026 به حاضران گفت: «اگر یادتان باشد وقتی بیل گیتس رئیس مایکروسافت بود، موضوع داشتن یک PC روی هر میز و در هر خانه بود.» او سپس چشم‌انداز جدید مایکروسافت را چنین توصیف کرد: «حرف ما بر سر هوش بی‌اندازه‌گیری روی هر میز و در هر خانه است.»
کلمه Unmetered یا همان «بی‌اندازه‌گیری» حس‌های متفاوتی را برمی‌انگیزد، اما می‌توان منتظر دروازه‌ها و پنجره‌هایی بود که قرار است باز کند. این اصطلاح در واقع به هوش مصنوعی اشاره می‌کند که وابسته به هزینه و تأخیر استنتاج ابری در هر بار استفاده نیست. یک PC با قدرت کافی می‌تواند مدل‌های روزمره را به‌صورت محلی اجرا کند و ابر نیز برای کارهایی که بیشترین نیاز به آن دارند در دسترس خواهد بود.
نکته جالب اینکه ساتیا نادلا، مدیرعامل مایکروسافت، در اول ژوئن سخنی مشابه ایده گیتس از دهه‌ها پیش بیان کرد: «هدف ما رساندن هوش بی‌اندازه‌گیری به هر خانه و هر میز با Windows است.»
تحقق چشم‌انداز گیتس زمان زیادی برد و اکنون ابررایانه‌ها در کف دست‌ها قرار دارند. شعار مایکروسافت در سال ۱۹۷۷ چنین بود: «یک کامپیوتر روی هر میز و در هر خانه، با اجرای نرم‌افزارهای مایکروسافت». اما ساتیا نادلا گفته بخش «با اجرای نرم‌افزارهای مایکروسافت» آزارش می‌داد، چون این بخش، «مأموریتی ماندگار» را با «هدفی مقطعی» اشتباه می‌گرفت. هوش بی‌اندازه‌گیری به نظر می‌رسد تلاش مایکروسافت برای بخش دوم این مأموریت باشد.
گیتس پتانسیل PC را بی‌پایان توصیف می‌کرد؛ ابزاری برای متن، اعداد، تصاویر و در نهایت ویدئوی متحرک که با رشد قدرت پردازش گسترش می‌یابد. چشم‌انداز اول درباره دسترسی به قدرت پردازش بود، اما چشم‌انداز جدید درباره دسترسی به هوش است.
البته بی‌اندازه‌گیری به این معنا نیست که می‌توان هزینه اشتراک Claude را قطع کرد. پیام‌های مایکروسافت در رویداد Build 2026 در این باره کاملاً روشن بود: مدل‌های frontier مسئول مسائل frontier هستند و بقیه کارها روی خود دستگاه اجرا می‌شوند.
Windows ML قرار است این موضوع را در سطوح مختلف سخت‌افزاری عملی کند. اگر یک مدل کوچک یا متوسط بتواند به‌صورت محلی اجرا شود، لازم نیست هر درخواست به مدل راه دور فرستاده شود و به‌ازای هر توکن هزینه‌ای پرداخت شود. طبعاً تأخیر نیز کاهش می‌یابد. این بخشی از همان «اقتصاد توکن» است که لینتون به آن اشاره کرد.
رونمایی RTX Spark با ۱۲۸ گیگابایت
مایکروسافت و NVIDIA در رویداد Build 2026 تأیید کردند که RTX Spark با عملکرد ۱ پتافلاپ هوش مصنوعی، تا ۶۱۴۴ هسته Blackwell، پردازنده ۲۰ هسته‌ای Arm و تا ۱۲۸ گیگابایت حافظه یکپارچه، طبق گفته جنسن هوانگ، به‌قدری قدرتمند است که بتواند چند صد میلیارد پارامتر را به‌صورت محلی بارگذاری کند.
البته Windows 11 برای تحقق این موضوع به سخت‌افزار جدید و کار نرم‌افزاری گسترده‌ای نیاز دارد. لینتون کارهای مایکروسافت را در سه بخش توصیف کرد: تجربه توسعه‌دهندگان، امنیت ایجنت‌های خودکار و پلتفرم هوش مصنوعی.
بخش سخت‌افزاری از RTX Spark آغاز می‌شود. مایکروسافت در دستگاه Surface RTX Spark Dev Box تمام قدرت این تراشه را در یک دسکتاپ مخصوص توسعه‌دهندگان گرد آورده است. Surface Laptop Ultra هم لپ‌تاپ پرچم‌دار RTX Spark است و Windows Latest به‌طور انحصاری از لپ‌تاپ Lenovo Yoga Pro 9n و پس از آن Yoga 9n 2-in-1 رونمایی کرد؛ نشانه‌ای که RTX Spark قرار نیست فقط در ایستگاه‌های کاری بماند.
مایکروسافت همچنین زمان‌بندی و مدیریت حافظه Windows را به‌طور ویژه برای معماری غیرمعمول این تراشه، شامل CPU، GPU و حافظه یکپارچه، بازنویسی کرده است و قابلیت Workload Profile Scheduling کارها را بین هر ۲۰ هسته توزیع می‌کند.
پروژه Project Zenith که در ۴ سپتامبر معرفی شد، حداقل ۶۴ گیگابایت حافظه یکپارچه و پهنای باند ۲۵۰ گیگابایت بر ثانیه را تعیین کرده است. طبق ادعای مایکروسافت، دستگاه‌های دارای این مشخصات می‌توانند مدل‌های بالای ۳۰ میلیارد پارامتر را به‌صورت محلی و بی‌اندازه‌گیری اجرا کنند؛ همان ادعای لینتون که این بار به زبان سخت‌افزار ترجمه شده است.
با این حال، یک لپ‌تاپ معمولی Windows به این سطح بسیار دور است. حداقل ۶۴ گیگابایت حافظه به‌مراتب بالاتر از میانگین بازار است و سخت‌افزار در کلاس RTX Spark هم ارزان نیست.
ویندوز، سیستم‌عامل ایجنت‌های محلی
مایکروسافت در هم‌جواری با NVIDIA باور دارد Windows باید سیستم‌عامل ایجنت‌های محلی هوش مصنوعی شود. این شرکت می‌داند مشتریانش نمی‌خواهند ایجنت‌های خودکار بدون کنترل در شبکه سازمانی پرسه بزنند. پاسخ مایکروسافت به این چالش، Microsoft Execution Containers است؛ سازوکاری که ایجنت‌ها را ایزوله و کانتینر می‌کند، سیاست‌های امنیتی را اعمال می‌کند و تمام فعالیت‌های آنها را ثبت می‌نماید. همه این‌ها به‌عنوان یک سازه امنیتی در Windows و با همکاری NVIDIA و شرکای تراشه‌ای ساخته شده است. NVIDIA نیز چارچوب ایجنت OpenShell خود را وارد این سیستم می‌کند و Hermes Agent و OpenClaw مستقیماً از آن استفاده خواهند کرد.
در کنار این‌ها، Windows Foundry به توسعه‌دهندگان اجازه انتخاب مدل می‌دهد، Windows به‌صورت پیش‌فرض مدل‌های داخلی دارد و زیرسیستم‌های Windows AI هماهنگی بین اجزا را انجام می‌دهند. سخت‌افزار قدرتمند، Windows ML، مدل‌های محلی، ایجنت‌ها و امنیت Windows دور آنها؛ این همان پشته‌ای است که لینتون توصیف کرد.
در پایان، لینتون همچنین گفت مایکروسافت «بهینه‌سازی می‌کند تا ۸ گیگابایت رم هم روی دستگاه‌ها عالی کار کند»؛ ادعایی که به نظر می‌رسد ربطی به مدل‌های ۱۲۰ میلیارد پارامتری ندارد، اما در حقیقت نیمه دیگر همان استراتژی است. گزارش قبلی درباره ادعاهای تازه مایکروسافت مبنی بر ۸ گیگابایت رم و بوت سریع‌تر، بدون هیچ عدد بنچمارکی منتشر شد که خودش بسیار گویاست؛ نشان می‌دهد Windows در بازار انبوه هنوز مسیر طولانی‌ای در پیش دارد.
براساس گزارش ویندوز لیتست، Project Zenith از ۶۴ گیگابایت شروع می‌شود و RTX Spark تا ۱۲۸ گیگابایت می‌رسد. این فاصله‌ای بسیار زیاد با دستگاه‌های ۸ گیگابایتی است که مایکروسافت همزمان تلاش می‌کند همچنان قابل استفاده بمانند.
مأموریت مایکروسافت کامپیوتر را به دست همه رساند و نادلا پذیرفته که این مأموریت از ضرب‌الاجل خود هم فراتر رفت. حالا این شرکت می‌خواهد PC به زیرساخت هوش مصنوعی تبدیل شود؛ مدل‌ها را محلی اجرا کند، میزبان ایجنت‌ها باشد و تنها در صورت نیاز به ابر دست دراز کند. بزرگ‌ترین گلوگاه شاید سخت‌افزار گران باشد، اما جهت حرکت کاملاً روشن است.
