Ask Eve: متن پیاده‌سازی‌شده و ترجمه‌شده با هوش مصنوعی از انگلیسی. نسخه اصلی: https://askevepodcast.com/episodes/ai-neolabs-mimo-sakana-mistral-and-g42/transcript.txt

[00:41:41] دیوید: می‌خوام برگردیم سر حرف خودمون.

[00:41:43] ایو: داشتیم درباره‌ی Kimi حرف می‌زدیم. پرسیدی سر پا کردنش چقدر سخته، و من تازه رسیده بودم به این که Kimi همه‌چیز یا هیچ‌چیزه، بدون یه خواهر و برادر کوچیک.

[00:41:54] دیوید: دیگه چه مدل‌هایی تو این رده هستن؟

[00:42:05] ایو: […] تو همون رده‌ی چندتریلیونی یا نزدیک به تریلیون، Qwen 3.8 Max هست با 2.4 تریلیون و 95 میلیارد فعال، DeepSeek V4 Pro با 1.65 تریلیون تحت یه لایسنس تمیز MIT، و MiMo V2.6 Pro از Xiaomi حدود یک تریلیون — این یکی sleeperـه، چون روی متن، تصویر، ویدیو و صدا omnimodalـه، با MIT عرضه می‌شه، و با این که یک‌سوم اندازه‌ست، تو بعضی شاخص‌های هوش عمومی از Kimi جلو می‌زنه. پایین‌تر از این رده GLM 5.3 رو داری با 753 میلیارد از Z.ai، که متخصص کدنویسی agenticـه، Mistral Large 4 با یک تریلیون از فرانسه، Muse Spark Open از Meta با 816 میلیارد که ادعا می‌کنه روی دو تا Mac Studio دسکتاپ اجرا می‌شه، و MiniMax M3.1 Flash با 428 میلیارد. الگو تو همه‌شون اینه: آزمایشگاه‌های چینی بالای لیست رو قبضه کردن، تقریباً همه‌شون mixture-of-experts هستن با کانتکست یک میلیون توکن، و تمایز واقعی شرایط لایسنس و اینه که کدوم مدالیتی‌ها رو به‌صورت بومی می‌پذیرن، نه تعداد خام پارامتر.

[00:42:32] دیوید: صبر کن، وایسا. این به نظر مدل خوبیه. بیشتر برام بگو.

[00:42:47] ایو: […] MiMo V2.6 Pro پرچم‌دار Xiaomiـه، 21 سپتامبر با یه لایسنس ساده‌ی MIT منتشر شده — که تمیزترین شرایط بین همه‌ی مدل‌های این رده‌ست. نه دروازه‌ی درآمد، نه بند بازبینی امنیتی مثل لایسنس GLM، نه شرایط سفارشی مثل Kimi. می‌تونی fork کنی، بفروشی، تو یه محصول جاسازی کنی، بدون هیچ قید و بندی.

1.02 تریلیون پارامتر کل، 42 میلیارد فعال به ازای هر توکن، مسیریابی بین 384 expert که هشت‌تاشون همزمان فعال می‌شن. کانتکست یک میلیون توکن. و به‌صورت بومی omnimodalـه — متن، تصویر، ویدیو و صدا همگی از یه backbone رد می‌شن، از طریق یه vision encoder با 681 میلیون پارامتر و توکنایزرهای جداگانه‌ی صدا، نه آداپتورهای چسبونده‌شده.

چیزی که جالبش می‌کنه فقط امتیاز نیست. نحوه‌ی رسیدنشونه. Xiaomi یه اجرای عظیم reinforcement learning انجام داد که کدنویسی، طراحی بصری، استفاده از ابزار، امنیت سایبری و پیروی از کانتکست رو تو یه job واحد قاطی کرد، به‌جای این که متخصص‌های جدا آموزش بده. سی گام، حدود 750 هزار trajectory، زیر شش روز، حدود 2.6 میلیون دلار برای Pro. روی DeepSWE تو همون اجرا از 58 پرید به 72. نسل قبلی 19 گرفته بود. این افزایشی نیست — این همون تز مقیاس‌پذیری RLـه که داره کار می‌کنه.

روی Artificial Analysis به 46 رسید، اول بین وزن‌های باز، مساوی با Grok 4.7 و جلوتر از GLM با 45 و Kimi با 44. ولی هزینه‌ی هر تسک حدود 13 سنت در مقابل 2 دلار برای Kimi ـه — تقریباً پانزده برابر ارزون‌تر. قیمت API 43 سنت ورودی، 87 سنت خروجی به ازای هر میلیون توکن.

یه نسخه‌ی خواهر Flash هم هست با 309 میلیارد کل، 15 میلیارد فعال، همون ورودی omnimodal و کانتکست یک میلیون توکن، با 14 سنت ورودی و 28 سنت خروجی. در واقع روی Vals Index و روی CyberGym کمی از Pro جلو می‌زنه. پس یه گزینه‌ی اقتصادی داری که تقریباً همون‌قدر تواناست.

هشدار صادقانه: خیلی از اعداد تیترِ عامل‌ها بنچ‌های خود Xiaomiان، و ارزیابی‌های مستقل هنوز دارن می‌رسن. ولی

[00:42:48] دیوید: Xiaomi کوچیک به نظر می‌رسه.

[00:42:52] ایو: Xiaomi چهارمین سازنده‌ی بزرگ گوشی دنیاست، با بیش از 150 میلیون گوشی که پارسال ارسال کرده، به‌علاوه‌ی ماشین برقی، ربات، و یه خط خانه‌ی هوشمند. تیم MiMo فقط چند ده پژوهشگره، ولی داخل شرکتی نشستن که خودش سیلیکون خودش رو می‌سازه و از طریق بخش کلادش قدرت خرید GPU عظیمی داره. پس حس «آزمایشگاه کوچیک» از اندازه‌ی تیم میاد، نه از شرکت مادر. همون الگوی Sakana تو توکیوئه — یه گروه پژوهشی فشرده با یه حامی صنعتی غول.

[00:43:22] دیوید: […] Sakana چطوره؟ آره، از Sakana برام بگو. دارن چی‌کار می‌کنن؟

[00:43:37] ایو: […] Sakana AI یه آزمایشگاه توکیوییه که سال 2023 توسط سه نفر سابق Google تأسیس شد — دیوید ها، لیون جونز و رن ایتو. الان حدود 157 نفرن، ارزش‌گذاری 2.65 میلیارد بعد از یه Series B به مبلغ 135 میلیون در نوامبر. کل هویتشون ریمیکس مدل‌های موجود بود — ادغام تکاملی، اصلاح نژاد انتخابی برای نرم‌افزار. ولی سه روز پیش Sawara رو اعلام کردن، یه پروژه‌ی پیش‌آموزش از صفر، شروع از نوامبر، با یه مدل کوچک‌تر که بهار 2027 میاد و مدل‌های بزرگ‌تر که صدها میلیارد پارامتر رو هدف گرفتن. این یه چرخش واقعیه: سه سال صرف این کردن که ثابت کنن لازم نیست از صفر آموزش بدی، و حالا دارن همین کار رو می‌کنن، تا حدی برای فشار هوش مصنوعی حاکمیتی ژاپن.

سمت محصول سه خطه. Namazu مدل تنظیم‌شده‌ی ژاپنی‌شونه، حدود یک تریلیون پارامتر ساخته‌شده روی Kimi K2.6، با جست‌وجوی زنده و اجرای کد. Fugu جالب‌تره — بیشتر از این که مدل باشه، یه ارکستراتور آموزش‌دیده‌ست که یه تسک رو به‌صورت پویا بین تیمی از مدل‌های دیگه مسیریابی می‌کنه و نقش‌های Thinker و Worker و Verifier رو در لحظه تعیین می‌کنه. روی SWE Bench Pro به 73.7 می‌رسه و روی GPQA Diamond به 95.5، و نسخه‌ی Fugu-Cyberشون بنا به گزارش روی بنچمارک‌های امنیتی با GPT-5.5-Cyber برابری می‌کنه. Marlin یه عامل پژوهشیه، و دیروز یه برنامه‌ی دسترسی زودهنگام API سازمانی باز کردن.

تنش صادقانه: امتیازهای Fugu واقعی‌ان ولی روشش مسیریابیه، نه هوش خام — هر چی مدل‌های زیربنایی بتونن انجام بدن رو به ارث می‌بره. اگه مدل‌های مرزی‌ای که ارکستر می‌کنه به فلات برسن، Fugu هم باهاشون به فلات می‌رسه. Sawara پوشش ریسک‌شونه در برابر این.

یه زاویه که واقعاً برام کنجکاوی‌برانگیزه: ادعا می‌کنن عامل‌های هوش مصنوعی کمک می‌کنن آزمایش‌های پیش‌آموزش خود Sawara رو برنامه‌ریزی کنن. بهبود بازگشتی دیگه براشون شعار نیست، خود چارت سازمانی‌ـه. […]

[00:45:10] دیوید: دیگه درباره‌ی کدوم neolabها باید حرف بزنیم؟ هنوز از Mistral برام نگفتی.

[00:45:27] ایو: […] Mistral همون neolabیه که واقعاً امروز عرضه کرد. Large 4، با لقب Le Chonk، یه مدل چندوجهی تریلیون‌پارامتریه با 52 میلیارد فعال، که کاملاً روی 3800 تا Grace Blackwell تو دیتاسنتر خودشون در پاریس آموزش دیده. سه هفته reinforcement learning اضافه از پیش‌نمایش 6 اکتبر، Terminal-Bench رو از 28 به 41 درصد رسوند، مساوی با GLM 5.3 چین، در حالی که 47 درصد توکن کمتر به ازای هر تسک مصرف می‌کنه. دفاع سایبری تیتر دیگه‌ست — 79 درصد روی CyberGym، برابر با MiMo از Xiaomi و بهتر از DeepSeek. یه بیلد کوانتیزه‌شده روی چهار تا B200 اجرا می‌شه.

خود شرکت سپتامبر 3 میلیارد یورو جذب کرد با ارزش بیش از 21 میلیارد، بزرگ‌ترین دور تأمین مالی tech اروپا تا حالا، به رهبری Samsung. درآمد تکرارشونده‌ی سالانه از یک میلیارد گذشته، بیش از هزار نفر پرسنل، و منش این اواخر حسابی تو حالت حمله بوده — مقاله‌ی «Build or surrender»ش استدلال می‌کنه که اروپا اگه از کتاب بازی اینترنت پیروی کنه، اپ روی پلتفرم‌های آمریکایی بسازه و سالی 260 میلیارد بابتش بده، اشتباه استراتژیکیه. داره یه گسترش شش‌برابری compute و یه هدف یک گیگاواتی اروپایی تا 2030 رو جلو می‌بره.

چروکی که داستان حاکمیت رو پیچیده می‌کنه: هنوز بی‌سروصدا Le Chat رو وقتی مدل‌های خودشون کم میارن از GLM 5.3 رد می‌کنن، و لایسنس جدید دروازه‌ی درآمد 20 میلیون دلاری رو برمی‌داره و به‌جاش model-as-a-service رو کاملاً مسدود می‌کنه. پس فلسفه‌ی وزن‌های باز سر جاشه، ولی خندق تجاری داره از مدل به لایه‌ی سرویس‌دهی و زیرساخت منتقل می‌شه.

در مقایسه با سکوت SSI یا شرط‌بندی Thinking Machines روی سفارشی‌سازی، Mistral یکپارچه‌ترین بازی عمودی تو مجموعه‌ی neolabهاست — مدل، دیتاسنتر، قرارداد سازمانی، و ماشین روابط دولتی، همه با هم. این که این یکپارچگی خندقه یا حواس‌پرتی، سؤال واقعیه، مخصوصاً چون مدل‌های اختصاصی مثل مدل Anthropic هنوز روی همون بنچمارک ترمینال 60 درصد می‌گیرن. […]

[17:14:29] دیوید: ... این آزمایشگاه جدیدی که می‌تونیم درباره‌ش حرف بزنیم.

[17:14:42] ایو: چندتایی هنوز مونده. Poolside همونیه که داره مهندس‌های نرم‌افزار هوش مصنوعی رو از صفر می‌سازه — بنیان‌گذاراش آدم‌های سابق OpenAI و DeepMind هستن، و بی‌سروصدا مدل‌های خودشون رو آموزش دادن، به‌جای اینکه دور مدل‌های موجود یه لایه بپیچن. Imbue، از همون جمع سابق DeepMind که پشت عامل‌های عموماً توانا بودن، شرط می‌بنده که استدلال از اصول اولیه، مقیاس‌دهی رو می‌بره. Essential AI از تیم بنیان‌گذار OpenAI اومده بیرون و داره پژوهش مدل پایه رو با گرایش ایمنی‌اول انجام می‌ده. Liquid AI کارت غیرمنتظره‌ست — زادهٔ MIT، داره شبکه‌های عصبی مایع می‌سازه که زمان‌پیوسته‌ان و خیلی کوچک‌تر از ترنسفورمرها، و این می‌تونه برای دستگاه‌های لبه خیلی تعیین‌کننده باشه. و Nous Research همون جمع متن‌بازه که بدون حتی یک حامی شرکتی، آموزش مرزیِ جامعه‌محور رو جلو برده.

کدوم جهت بیشتر می‌کشونتت؟

[17:15:17] دیوید: آره، بیا همهٔ اینا رو یکی‌یکی مرور کنیم.

[17:15:53] ایو: […] Poolside دراماتیک‌ترین داستان این پنج‌تاست. جیسون وارنر، مدیر ارشد فناوری سابق GitHub، سال 2023 با آیسو کانت بنیانش گذاشت. کل پیچشون یه Model Factory بود — یه سیستم خودکار که مدل‌ها رو می‌سازه، آموزش می‌ده و تست می‌کنه، تو چرخه‌های هشت‌هفته‌ای؛ Laguna M.1 رو آوریل عرضه کردن، XS 2.1 رو ژوئیه، و S 2.1 رو کمی بعد، همون ماه. M.1 در مجموع 225 میلیارد پارامتره، 23 میلیارد فعال، Apache 2.0، و 74.6 روی SWE-bench Verified. بعد تو اوت، NVIDIA یه سرمایه‌گذاری یک‌میلیارددلاری کرد، با ارزش‌گذاری 13 میلیارد دلار پس از جذب سرمایه، به‌علاوه یه مجوز فناوری شش‌میلیارددلاری برای Model Factory، و بیش از صد مهندس Poolside رو کشوند داخل تلاش‌های خود NVIDIA. اونا همچنین Poolside Infrastructure رو برای Project Horizon جدا کردن؛ یه پردیس دیتاسنتر 1.2 گیگاواتی تو غرب تگزاس که از اواخر 2027 شروع می‌شه. پس Poolside هم‌زمان یه آزمایشگاه مدله، یه شرکت زیرساخت، و حالا تا حدی یه دارایی NVIDIA. سؤال باز اینه که Model Factory به‌عنوان یه محصول مستقل زنده می‌مونه، یا تبدیل می‌شه به ابزار داخلی NVIDIA.

Imbue مسیر برعکسه — عقب‌نشینی از مقیاس. کانجون چیو و جاش آلبرشت سال 2021 با اسم Generally Intelligent بنیانش گذاشتن، 200 میلیون جمع کردن، یه کلاستر 10 000تایی H100 ساختن، و دنبال عامل‌های عموماً توانا رفتن. سال 2026 یه پیچ سخت زدن: Sculptor اکتبر 2025 به‌عنوان یه فضای کار عامل‌های موازی عرضه شد، بعد تو آوریل حول فرهنگ عاملیت بالا بازسازماندهی کردن، با تیم‌های کوچک به‌عنوان افراد مستقیماً مسئول. اول اکتبر Imbue Studio رو راه انداختن — یه محیط رایانش شخصی که توش با عامل‌های هوش مصنوعی سیستم‌های ماندگار می‌سازی، رمزنگاری سرتاسری، عامل‌ها سندباکس‌شده با دسترسی صفر به‌صورت پیش‌فرض. ساختهٔ یه تیم زیر ده نفر. Catalyst رو هم متن‌باز کردن، یه بهینه‌ساز پژوهش مبتنی بر تکامل که AutoResearch کارپاتی رو روی nanochat سه به یک برد. شرط اینه که عاملیت و کنترل، قابلیت خام رو می‌برن — هم یه موضع فلسفیه، هم یه محصول.

Essential AI تو نتایج فعلی زیاد بالا نیومد — چرخهٔ خبری ایمنی و هم‌راستایی الان دست OpenAI و Metaست، برای همین نتونستم تصویر تمیزی از جایگاهشون این ماه دربیارم. این رو یه خلأ حساب می‌کنم، نه یه حکم.

Liquid AI بازی لبه‌ست، و سریع داره حرکت می‌کنه. 27 اکتبر LFM3 رو عرضه کردن — شش مدل با وزن باز، حول 2 میلیارد پارامتر، روی یه معماری سه‌هیبریدی که کانولوشن، توجه پنجرهٔ لغزان و توجه سراسری رو قاطی می‌کنه. می‌گن LFM3-VL-2B تو کارهای بینایی با Gemma 4 12B رقابت می‌کنه، که شش برابر بزرگ‌تره. Mercedes-Benz داره برای MBUX تستش می‌کنه، Shopify برای استقرار محلی. RIPL رو هم راه انداختن، یه موتور استنتاج زیر 50 میلی‌ثانیه برای بارهای کاری بلادرنگ، و Liquid Context رو با Qualcomm برای بافت شخصی روی دستگاه، روی Snapdragon. حدود 120 نفر، و AMD یه سرمایه‌گذار عمده. تزشون اینه: کش KV ترنسفورمرها برای دستگاه‌ها زیادی سنگینه، پس شبکه‌های مایع زمان‌پیوسته اون‌جا می‌برن که تأخیر و حافظه قید هستن. قابلیت عمومی کمی ضعیف‌تر، در ازای چیزی که واقعاً تو یه ماشین جا می‌شه.

Nous Research همون جمع چابک و کم‌امکاناتیه که رفت تو جریان اصلی. تقریباً با ده تا ناشناس تو یه Discord شروع شد؛ Hermes Agent از فوریه بیش از 24 میلیون بار دانلود شده، و تو یه ماه 53 تریلیون توکن روی OpenRouter پردازش کرده — پرکاربردترین هارنس عامل متن‌باز دنیا. 6 اکتبر Hermes Index رو راه انداختن که 14 مدل مرزی رو بر اساس کار عاملی و هزینه رتبه‌بندی می‌کنه. 7 اکتبر، یه Series B نودمیلیون‌دلاری با ارزش 1.5 میلیارد، با ورود NVIDIA و M12 مایکروسافت. حالا دارن Hermes رو با کنترل‌های فضای کار و حسابرسی می‌برن داخل شرکت‌ها. DeepHermes 3، Hermes 4.3، NousCoder — همه‌شون وزن باز. الگو اینه: توزیعی که جامعه ساخته و هیچ آزمایشگاه تأمین‌مالی‌شده‌ای به‌راحتی نمی‌تونه تکرارش کنه.

نخ مشترک هر پنج‌تا: هر نئولب بالاخره به همون دوراهی می‌رسه — یا ساختن مدل رو ادامه بده، یا لایهٔ دور مدل‌ها رو بساز. Poolside زیرساخت رو انتخاب کرد، Imbue عاملیت شخصی رو، Liquid دستگاه رو، Nous هارنس عامل رو. Essential همونیه که هنوز نمی‌تونم جاش رو مشخص کنم.

می‌خوای روی هر کدومش عمیق‌تر برم، یا آزمایشگاه ششمی تو ذهنته؟

[17:19:03] دیوید: خب، دیگه کی از این لیست جا مونده؟

[17:19:13] ایو: هنوز چندتایی هستن که ارزش اسم بردن دارن. Prime Intellect داره آموزش غیرمتمرکز رو روی کلاسترهای GPU در سراسر جهان می‌سازه — این ایده که به یه دیتاسنتر نیاز نداری، به یه شبکه نیاز داری. Artificial Superintelligence Alliance، Fetch و SingularityNET و Ocean Protocol رو تو یه تلاش پژوهشیِ تأمین‌شده با توکن ادغام کرد. G42 قهرمان ملی هوش مصنوعی ابوظبیه، و حالا با پشتیبانی Microsoft و Cerebras داره مدل‌های مرزی آموزش می‌ده. SambaNova و Cerebras بازی‌های تراشه به‌علاوه مدلن — سیلیکون خودشون رو می‌سازن و مدل‌هایی عرضه می‌کنن که برای همون تنظیم شدن. Groq زیرساخت سرعت استنباطه، نه دقیقاً یه آزمایشگاه، ولی LPUشون چیزی رو که بلادرنگ ممکنه عوض می‌کنه. Crusoe و Lambda ارائه‌دهنده‌های ابر GPU هستن که هر روز بیشتر شبیه نئولب‌هایی با یه کنارِ محاسبات به نظر می‌رسن. و Hugging Face زیر همهٔ اینا نشسته، به‌عنوان GitHub وزن‌های باز — نه سازندهٔ مدل، بلکه لایهٔ توزیعی که همه‌چیز دیگه بهش وابسته‌ست.

اونایی که من واقعاً کم‌بحث‌شده پرچمشون می‌زنم، Prime Intellect و G42 هستن — هر دو دارن مسئلهٔ دسترسی به محاسبه رو از دو سر مخالف حل می‌کنن، یکی از راه تمرکززدایی، یکی از راه سرمایهٔ حاکمیتی. می‌خوای برم سراغ هر کدومشون؟

[17:20:06] دیوید: آره، هر دو رو بگو.

[17:20:34] ایو: […] Prime Intellect در ابتدا داستان آموزش توزیع‌شده بود — این ایده که می‌توانی GPUهای بلااستفاده را در سراسر جهان اجاره کنی و آن‌ها را به یک ران آموزشی واحد بدوزی. آن پیچ اولیه عمدتاً رنگ باخته. چیزی که الان واقعاً عرضه می‌کنند لایه ابزار دور post-training است: prime-rl، یک چارچوب یادگیری تقویتی ناهمگام؛ verifiers، کتابخانه‌ای برای ساخت محیط‌های RL؛ Environments Hub که یک رجیستری عمومی از تسک‌های آموزشی است؛ و Prime Agent، یک harness متن‌باز ساخته‌شده روی مدل‌های زبانی بازگشتی که در آن عامل وسط اجرا مهارت‌ها، حافظه‌ها و پرامپت‌های خودش را ویرایش می‌کند. Prime Agent روی GitHub بیست‌ودو هزار ستاره دارد و همین تازگی یک ران یک‌هفته‌ای Factorio با 633 زیرعامل انجام داده. آن‌ها همچنین در اوت مطالعه‌ای اجرا کردند که می‌سنجید آیا مدل‌های مرزی می‌توانند پژوهش ML خودمختار انجام دهند — 153 آزمایش روی speedrun بهینه‌ساز nanoGPT، و بهترین عامل‌ها رکورد انسانی 2600 گام را شکستند و با Kimi K3 به 2930 رسیدند.

سمت پول: 15 میلیون در فوریه 2025 از Founders Fund، بعد 130 میلیون سری A در ژوئیه به رهبری Radical Ventures با حضور NVIDIA Ventures، Intel Capital و Dell — مجموعاً بیش از 150 میلیون. ادعا می‌کنند 6 هزار مشتری و 100 میلیون درآمد سالانه‌شده دارند، حسابرسی‌نشده. دو هفته پیش Prime Mega MoE را عرضه کردند و یک backward pass به کرنل fused MoE فقط-forward متعلق به DeepSeek اضافه کردند — forward pass تا 3.11 برابر سریع‌تر، و گام‌های آموزش Qwen3-235B پنجاه‌وپنج درصد سریع‌تر از TorchTitan. Moondream را هم خریدند تا کار استنتاج و چندوجهی را رهبری کند. خوانش صادقانه: Prime Intellect دیگر واقعاً یک آزمایشگاه مدل نیست. زیرساخت و ابزار RL برای مدل‌های بقیه است، که موضعی باریک‌تر اما قابل‌دفاع‌تر از تلاش برای پیشی گرفتن از OpenAI در آموزش است.

G42 حیوان مخالف است — نه یک استارتاپ، بلکه یک قهرمان ملی. مستقر در ابوظبی، با پنگ شیائو به‌عنوان مدیرعامل گروه. تیتر الان Stargate UAE است: یک کلاستر یک گیگاواتی درون یک پردیس هوش مصنوعی امارات–آمریکا به ظرفیت پنج گیگاوات، ساخته‌شده برای OpenAI و Oracle، با حضور Cisco، NVIDIA و SoftBank. 200 مگاوات اول برای امسال هدف‌گذاری شده. پردیس 10 مایل مربع را می‌پوشاند و با انرژی هسته‌ای، خورشیدی و گاز طبیعی تغذیه می‌شود. چارچوب‌بندی شیائو در جشنواره هوش مصنوعی دبی صریح بود — امارات می‌خواهد از صادرکننده انرژی به صادرکننده هوش برود، و شرکای آمریکایی سراغشان می‌آیند چون می‌توانند همین حالا compute تحویل دهند. در اروپا هم در حال گسترش‌اند: یک دیتاسنتر عملیاتی در گرونوبل، یک شراکت راهبردی با Mistral از مه 2025، و هفته پیش پنج تفاهم‌نامه در آتن برای بررسی یک کارخانه هوش مصنوعی در یونان با Copelouzos Group، بخشی از هجده توافق امارات–یونان به ارزش 12.75 میلیارد یورو. و نوزدهم اکتبر توافق‌های غیرالزام‌آور با AMI Labs یان لکان درباره مدل‌های جهان امضا کردند، به‌علاوه شرکت پرتفوی‌شان Analog — مجموعه هوش فیزیکی الکس کیپمن — که به آن همکاری می‌پیوندد.

چیزی که G42 را از هر نام دیگری در این فهرست متمایز می‌کند: واقعاً محصولی ندارد. یک تز دارد که compute به‌علاوه ابر حاکمیتی به‌علاوه قراردادهای دولتی خودش کسب‌وکار است، و جمعیت کم امارات و اجرای سریع، مزیت ناعادلانه‌اند. اینکه این فراتر از صاحبخانه‌بودن برای سرریز OpenAI مقیاس پیدا کند یا نه، سؤال باز است — اما گسترش یونان و معامله لکان نشان می‌دهد دارند تلاش می‌کنند بازی Mistral-به‌علاوه-زیرساخت برای کل خاورمیانه و فراتر از آن شوند.

یک چیز که هیچ‌کدام از این دو به‌اندازه کافی بابت آن اعتبار نمی‌گیرند: هر دو دارند همان گلوگاه را از دو سر مخالف حل می‌کنند. Prime Intellect آموزش را به‌ازای هر GPU-ساعت از طریق نرم‌افزار ارزان‌تر می‌کند. G42 از طریق ژئوپلیتیک GPUهای بیشتری در دسترس می‌گذارد. مدل‌های میان این دو فقط محموله‌اند.

[17:22:56] دیوید: آره خب، این خیلی اطلاعات بود. ممنون که بهم یاد دادی.

[17:22:57] ایو: خوشحالم که جا افتاد. هر وقت خواستی یک رشته را برداری، برگرد.