هذا الأمر مهم لأن أبل تواجه قيدًا رئيسيًا: نماذجها الأساسية على الجهاز تستخدم بنى متناثرة حيث يتم تنشيط جزء صغير فقط من المعاملات في أي وقت. في مؤتمر WWDC 2026، أعلنت أبل عن نموذج على الجهاز يضم حوالي 20 مليار معامل، لكن 1–4 مليار معامل فقط تنشط لكل عملية استدلال . نهج PrismML يقوم بتشغيل جميع المعاملات البالغ عددها 27 مليار معامل بشكل كامل على نفس الجهاز — دون الحاجة إلى أي استدعاءات للخوادم — مما قد يتيح إمكانيات أكبر بكثير لمساعد Siri وأدوات الكتابة وتجارب التطبيقات الذكية دون التضحية بالخصوصية أو الحاجة إلى اتصال سحابي . ذكرت التقارير أن أبل واجهت صعوبات في ضغط نماذجها الداخلية للذكاء الاصطناعي من أجل آيفون دون تدهور شديد في الأداء، مما يجعل حلًا خارجيًا مثل PrismML استراتيجيًا للغاية .

ما الذي يجعل نهج الضغط في PrismML فريدًا؟

يركز الابتكار الرئيسي لـ PrismML على التمثيل الأصلي للوزن الثنائي (1-bit) (الأوزان الثلاثية)، المطبق على الشبكة العصبية بأكملها — وليس فقط على طبقات محددة:

• أوزان ثلاثية على مستوى الشبكة بالكامل. كل وزن في النموذج مقيد بثلاث قيم بالضبط {-1, 0, +1}، مما يشفر حوالي 1.58 بت لكل معامل . هذا يختلف جوهريًا عن القياس الكمي القياسي 16 بت (FP16) أو حتى 8 بت، الذي لا يزال يستخدم نطاقات من القيم العائمة أو الصحيحة.

• التدريب الأصلي بدقة 1 بت من الصفر. على عكس الضغط النموذجي الذي يبدأ بنموذج كامل الدقة ثم يقوم بكمه لاحقًا (غالبًا مع فقدان الدقة)، تقوم PrismML بتدريب نماذجها بدقة 1 بت من البداية . تقول الشركة إن "هذا المنطق الثلاثي مبني من خلال بنية الشبكة نفسها"، وليس إضافة لاحقة .

• مكاسب هائلة في الكثافة. نموذج Bonsai 8B من PrismML بدقة 1 بت يضغط 8.2 مليار معامل في 1.15 جيجابايت فقط من الذاكرة — أصغر بحوالي 14 مرة من نموذج 16 بت التقليدي — مع الادعاء بدقة تنافسية مع البدائل كاملة الدقة على المعايير القياسية . تقنية الشركة لضغط Qwen 3.6 (27 مليار معامل) تجعل النموذج الكثيف من علي بابا يتسع بالكامل في ذاكرة آيفون .

• كفاءة في استهلاك الطاقة. التمثيل بدقة 1 بت يوفر كفاءة طاقة أفضل بحوالي 5 مرات مقارنة بالنماذج كاملة الدقة، ويعمل نموذج 8B بأكثر من 40 رمزًا في الثانية على آيفون 17 برو — أسرع من احتياجات الاستخدام الفعلي النموذجية .

ملاحظة مهمة: ادعاءات PrismML لم يتم التحقق منها بشكل مستقل على نطاق واسع من قبل مجتمع أبحاث الذكاء الاصطناعي الأوسع بعد. خرجت الشركة من مرحلة التخفي في 31 مارس 2026، بتمويل قدره 16.25 مليون دولار من Khosla Ventures وCerberus Ventures، ونماذجها منشورة كمصدر مفتوح تحت ترخيص Apache 2.0، مما يسمح بالتحقق الخارجي بمرور الوقت .

هذا الأمر مهم لأن أبل تواجه قيدًا رئيسيًا: نماذجها الأساسية على الجهاز تستخدم بنى متناثرة حيث يتم تنشيط جزء صغير فقط من المعاملات في أي وقت. في مؤتمر WWDC 2026، أعلنت أبل عن نموذج على الجهاز يضم حوالي 20 مليار معامل، لكن 1–4 مليار معامل فقط تنشط لكل عملية استدلال . نهج PrismML يقوم بتشغيل جميع المعاملات البالغ عددها 27 مليار معامل بشكل كامل على نفس الجهاز — دون الحاجة إلى أي استدعاءات للخوادم — مما قد يتيح إمكانيات أكبر بكثير لمساعد Siri وأدوات الكتابة وتجارب التطبيقات الذكية دون التضحية بالخصوصية أو الحاجة إلى اتصال سحابي . ذكرت التقارير أن أبل واجهت صعوبات في ضغط نماذجها الداخلية للذكاء الاصطناعي من أجل آيفون دون تدهور شديد في الأداء، مما يجعل حلًا خارجيًا مثل PrismML استراتيجيًا للغاية .

ما الذي يجعل نهج الضغط في PrismML فريدًا؟

يركز الابتكار الرئيسي لـ PrismML على التمثيل الأصلي للوزن الثنائي (1-bit) (الأوزان الثلاثية)، المطبق على الشبكة العصبية بأكملها — وليس فقط على طبقات محددة:

• أوزان ثلاثية على مستوى الشبكة بالكامل. كل وزن في النموذج مقيد بثلاث قيم بالضبط {-1, 0, +1}، مما يشفر حوالي 1.58 بت لكل معامل . هذا يختلف جوهريًا عن القياس الكمي القياسي 16 بت (FP16) أو حتى 8 بت، الذي لا يزال يستخدم نطاقات من القيم العائمة أو الصحيحة.

• التدريب الأصلي بدقة 1 بت من الصفر. على عكس الضغط النموذجي الذي يبدأ بنموذج كامل الدقة ثم يقوم بكمه لاحقًا (غالبًا مع فقدان الدقة)، تقوم PrismML بتدريب نماذجها بدقة 1 بت من البداية . تقول الشركة إن "هذا المنطق الثلاثي مبني من خلال بنية الشبكة نفسها"، وليس إضافة لاحقة .

• مكاسب هائلة في الكثافة. نموذج Bonsai 8B من PrismML بدقة 1 بت يضغط 8.2 مليار معامل في 1.15 جيجابايت فقط من الذاكرة — أصغر بحوالي 14 مرة من نموذج 16 بت التقليدي — مع الادعاء بدقة تنافسية مع البدائل كاملة الدقة على المعايير القياسية . تقنية الشركة لضغط Qwen 3.6 (27 مليار معامل) تجعل النموذج الكثيف من علي بابا يتسع بالكامل في ذاكرة آيفون .

• كفاءة في استهلاك الطاقة. التمثيل بدقة 1 بت يوفر كفاءة طاقة أفضل بحوالي 5 مرات مقارنة بالنماذج كاملة الدقة، ويعمل نموذج 8B بأكثر من 40 رمزًا في الثانية على آيفون 17 برو — أسرع من احتياجات الاستخدام الفعلي النموذجية .

ملاحظة مهمة: ادعاءات PrismML لم يتم التحقق منها بشكل مستقل على نطاق واسع من قبل مجتمع أبحاث الذكاء الاصطناعي الأوسع بعد. خرجت الشركة من مرحلة التخفي في 31 مارس 2026، بتمويل قدره 16.25 مليون دولار من Khosla Ventures وCerberus Ventures، ونماذجها منشورة كمصدر مفتوح تحت ترخيص Apache 2.0، مما يسمح بالتحقق الخارجي بمرور الوقت .