چرا مایکروسافت اجرای Copilot را از ابر به دستگاه منتقل می‌کند؟

تصور کنید دستیاری داشته باشید که بدون ارسال حتی یک بایت از داده‌های حساس شما به سرورهای دوردست، پوشه‌هایتان را مرتب کند یا خطاهای سیستمی را رفع نماید. آیا یک دستیار هوش مصنوعی واقعاً می‌تواند جریان کاری کاربر را بدون ارسال هر فایل به یک سرور راه دور درک کند؟ در ۷ اکتبر ۲۰۲۶، مایکروسافت با اعلام انتقال «مغز» Copilot از ابر به تراشه‌های داخلی لپ‌تاپ‌ها، این رویای حریم خصوصی و سرعت را به واقعیت تبدیل کرد. این تغییر به Copilot در رایانه‌های Copilot+ PC اجازه می‌دهد تا از زمینه محلی فایل‌های کاربر بهره ببرد و توانایی اجرای اقدامات در سراسر سیستم‌عامل ویندوز را داشته باشد.

این چرخش به سمت هوش مصنوعی ترکیبی (Hybrid Intelligence) در زمانی رخ می‌دهد که بودجه‌های ابری شرکت‌ها دیگر توان پاسخگویی به تقاضای سرسام‌آور مدل‌های زبانی را ندارند. مایکروسافت با تقسیم بار محاسباتی بین سخت‌افزار محلی و هوش مصنوعی ابری، قصد دارد بودجه‌های شرکتی را بهینه‌سازی کند و در عین حال دسترسی به مدل‌های پیشرو (Frontier-class) را حفظ نماید.

همان‌طور که در تحلیل قبلی ما درباره‌ی سخت‌افزارهای تخصصی هوش مصنوعی اشاره کردیم، قدرت پردازشی بالا اکنون از محیط‌های سروری به میز کار کاربران می‌آید. این به‌روزرسانی، قدرت سخت‌افزاری دستگاه‌هایی مثل Surface RTX Spark Dev Box را که با قیمت ۵,۹۹۹ دلار برای ارائه محاسبات محلی سطح بالا عرضه شد، مستقیماً با تجربه کاربری ویندوز ادغام می‌کند. تصور کنید دستیاری را داشته باشید که فقط متن پیشنهاد نمی‌دهد، بلکه واقعاً پوشه‌های شما را سازماندهی می‌کند یا عیب‌یابی‌های سیستمی را بدون ارسال هر کلیک به یک سرور راه دور انجام می‌دهد.

زمینه و سازوکار هوش ترکیبی

پاون داوولوری (Pavan Davuluri)، نایب‌رئیس اجرایی بخش ویندوز و دستگاه‌ها، این قابلیت‌ها را در ادامه چارچوبی معرفی کرد که در ۲۵ سپتامبر ۲۰۲۶ ارائه شده بود. این سیستم بر سه محور اصلی تجربه کاربری استوار است: «خانه» (Home)، «کد» (Code) و «اتوپایلوت» (Autopilot).

طبق اعلام مایکروسافت، دلیل این فشار برای محلی‌سازی، مقیاس عظیم استفاده است؛ به‌طوری که ماهانه بیش از ۲ تریلیون استنتاج (Inference) — یعنی همان لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به خودِ آشپزی و نه دوره‌ی آموزش آشپز — روی تمام دستگاه‌های Copilot+ PC انجام می‌شود. همچنین بیش از ۴۰٪ لپ‌تاپ‌هایی که در حال حاضر برای بخش تجاری ساخته می‌شوند، از استاندارد Copilot+ PC بهره می‌برند.

قابلیت‌های محلی و مسیریابی مدل‌ها

به گزارش وبلاگ تجربه ویندوز توسط پاون داوولوری، این سامانه بر سه ستون محلی بنا شده است:

• زمینه محلی (Local Context): Copilot با اجازه کاربر، فایل‌ها و فعالیت‌های اخیر را تحلیل می‌کند. تجربه «خانه» از این قابلیت استفاده می‌کند تا فایل‌های فعال را استخراج کرده و آن‌ها را به مصنوعات (Artifacts) آماده برای همکاری تبدیل کند.
• اقدامات محلی (Local Actions): هوش مصنوعی می‌تواند جریان‌های کاری را مستقیماً روی دستگاه اجرا کند؛ این موارد شامل سازماندهی فایل‌ها، ارزیابی تشخیص‌های دستگاه (Diagnostics)، عیب‌یابی مشکلات و کدنویسی است.
• مدل‌های محلی (Local Models): برای کاهش تأخیر و هزینه توکن (Token) — تکه‌های کوچکی از متن، شبیه برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد — از مدل‌های داخلی استفاده می‌شود. تجربه «کد» از مدل‌های محلی برای مدیریت هزینه‌های توکن و ساخت اپلیکیشن‌های بومی ویندوز تنها با یک دستور (Prompt) استفاده می‌کند.

برای مدیریت این ترافیک و توزیع بار، مایکروسافت از سیستم HydraFusion متعلق به گیت‌هاب استفاده می‌کند. این سیستم مسیریابی تعیین می‌کند که آیا یک وظیفه باید توسط مدل محلی مدیریت شود یا به ابر ارسال گردد. این قابلیت در اواخر اکتبر ۲۰۲۶ در قالب پیش‌نمایش آزمایشی برای Visual Studio Code، رابط خط فرمان (CLI) گیت‌هاب Copilot و اپلیکیشن GitHub Copilot عرضه خواهد شد.

همچنین مایکروسافت پشتیبانی از لاماسی‌پلاس‌پلاس (llama.cpp) را به Windows ML اضافه کرد. Windows ML محیط اجرای مایکروسافت برای استقرار مدل‌ها روی GPU، NPU و CPU است و این اقدام باعث می‌شود توسعه‌دهندگان به انتخاب‌های بیشتری از مدل‌های متن‌باز دسترسی داشته باشند.

فشار سخت‌افزاری و کوانتش

مایکروسافت برای اجرای مدل‌های عظیم روی سخت‌افزار محلی، از کوانتش (Quantization) تهاجمی استفاده کرده است. مدل MAI Code 1.1 Flash با ۱۳۷ میلیارد پارامتر کل (و ۶.۸ میلیارد پارامتر فعال)، اکنون با دقت ۳-بیت اجرا می‌شود. این کار حجم مدل را نزدیک به ۸۰٪ کاهش داده اما پنجره زمینه (Context Window) — یعنی میزان متنی که مدل هم‌زمان در ذهن نگه می‌دارد، شبیه میز کاری که جا برای چند ورق دارد — را در سطح ۲۵۶ هزار توکن حفظ کرده است.

برای کاربران سخت‌افزار NVIDIA RTX Spark، مایکروسافت مدل‌های سنگین‌تری را مستقر می‌کند: مدل DeepSeek V4 Flash با ۲۸۴ میلیارد پارامتر و یک نسخه کوانتیده از مدل NVIDIA Nemotron. مدل Nemotron بیش از ۷۰ میلیارد پارامتر دارد و با دقت ۲-بیت کوانتیده شده تا تنها کمی بیش از ۲۰ گیگابایت حافظه مصرف کند.

سخت‌افزارهای جدید نیز با سرعت در حال گسترش هستند:

• Surface Laptop Ultra: عرضه از ۱۶ اکتبر ۲۰۲۶، مجهز به ۱۲۸ گیگابایت حافظه یکپارچه برای اجرای مدل‌هایی با بیش از ۱۲۰ میلیارد پارامتر.
• Surface RTX Spark Dev Box: ارسال برای مشتریان آمریکایی در نوامبر ۲۰۲۶.
• سیستم‌های دسکتاپ (Deskside Systems): عرضه در اواخر ۲۰۲۶، شامل Dell Pro Precision با تراشه GB300 و HP ZGX Fury AI Station. این سیستم‌ها از NVIDIA DGX Station برای اجرای مدل‌های پیشرو با بیش از یک تریلیون پارامتر به صورت محلی استفاده می‌کنند.

امنیت از طریق کانتینرهای اجرا

برای جلوگیری از رفتارهای پیش‌بینی‌نشده یا «سرکش شدن» عامل‌ها (Agents)، سامانه Microsoft Execution Containers (MXC) در ۷ اکتبر ۲۰۲۶ به صورت عمومی (GA) منتشر شد. لوگان آیر (Logan Iyer)، نایب‌رئیس شرکت در بخش پلتفرم ویندوز و توسعه‌دهندگان، توضیح داد که این لایه حفاظتی (Containment Layer) تضمین می‌کند که عامل‌ها نمی‌توانند به طور خودسرانه دسترسی‌های اضافی به فایل‌ها یا شبکه‌ها برای خود ایجاد کنند.

MXC به مدیران IT اجازه می‌دهد تا سیاست‌های سخت‌گیرانه‌ای را از طریق یک طرح پیکربندی JSON یکپارچه و SDK چندزبانه تعریف کنند. در ویندوز، این سیستم شامل یک «کانتینر نشست» (Session Container) است که دسکتاپ، کلیپ‌بورد، رابط کاربری (UI) و مرزهای ورودی عامل را از بقیه سیستم‌عامل ایزوله می‌کند. ویندوز تنها پلتفرمی است که از کانتینر نشست پشتیبانی می‌کند؛ سایر گزینه‌ها شامل ایزولاسیون فرآیند (Process Isolation)، WSLc، ماشین‌های مجازی و Windows 365 for Agents است.

سامانه MXC از سه حالت «اجباری» (Enforcement)، «یادگیری» (Learning) و «مجاز» (Permissive) پشتیبانی می‌کند. تنها در ویندوز است که کانتینرهای پردازشی MXC می‌توانند یک گزارش فعالیت عامل تولید کنند تا به تدوین سیاست‌های «حداقل دسترسی» کمک کنند. این قابلیت با مدیریت هویت از طریق Microsoft Entra و Intune جفت شده است تا فعالیت عامل از فعالیت کاربر متمایز شود.

پذیرندگان اولیه MXC شامل OpenAI Codex، GitHub Copilot، OpenClaw، Replit، LM Studio و NVIDIA OpenShell هستند. پشتیبانی‌های برنامه‌ریزی شده آینده شامل Anthropic Claude Code، Box، Egnyte، Heidi Health، Hermes Agent by Nous Research، Manus، Perplexity، Raycast و Simular است. همچنین عامل Muse شرکت متا به‌زودی به عنوان یک اپلیکیشن بومی ویندوز عرضه می‌شود.

ادغام با سیستم‌عامل

جست‌وجوی ویندوز (Windows Search) نیز در حال تکامل است. کاربران اکنون می‌توانند هزاران اقدام را مستقیماً از نوار وظیفه (Taskbar) اجرا کنند؛ اقداماتی مانند تغییر حالت تاریک (Dark Mode)، فعال کردن حالت «مزاحم نشوید» (Do Not Disturb)، فعال کردن حالت هواپیما، کم کردن نور صفحه، بی‌صدا کردن صدا، کوچک کردن یا مرتب کردن پنجره‌ها و ارسال پیام متنی. این قابلیت‌ها از ۷ اکتبر ۲۰۲۶ برای کاربران Insiders در کانال آزمایشی (Experimental) فعال شده‌اند.

یک ادغام اختیاری (Opt-in) بین جست‌وجو و Copilot نیز در اواخر سال ۲۰۲۶ برای بازارهای منتخب عرضه خواهد شد که پاسخ‌های سریع درون‌خطی را به همراه امکان پرش به اپلیکیشن کامل فراهم می‌کند. این رقابت برای تسلط بر محیط دسکتاپ شدت یافته است، به‌ویژه پس از آنکه گوگل Gemini را به عنوان یک لایه کاربردی برای ویندوز ۱۰ و ۱۱ عرضه کرد تا دسترسی کاربران به مدل‌های خود را تسهیل کند.

این گذار نشان‌دهنده تغییر بنیادین در اقتصاد هوش مصنوعی است. برای کاربر تجاری، هوش مصنوعی از یک «سرویس اجاره‌ای» به یک «ابزار محلی» تبدیل می‌شود. شما دیگر مجبور نیستید بین حریم خصوصی یک ماشین محلی و قدرت یک مدل پیشرو یکی را انتخاب کنید؛ هوش مصنوعی ترکیبی تلاش می‌کند هر دو را فراهم آورد.

گام بعدی شما

• اگر توسعه‌دهنده هستید، برای استفاده از مدل‌های متن‌باز روی ویندوز، مستندات جدید Windows ML و پشتیبانی از llama.cpp را بررسی کنید.
• مدیران IT باید سیاست‌های دسترسی عامل‌ها را از طریق JSON در سامانه MXC تعریف کنند تا امنیت داده‌های سازمانی حفظ شود.
• برای تجربه سرعت استنتاج محلی، سخت‌افزارهای مجهز به NPU و حافظه بالای ۱۲۸ گیگابایت را در اولویت خرید قرار دهید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.