شرح نموذج Sakana Fugu: الذكاء الاصطناعي الياباني الذي ينسّق بين GPT-5.5 وClaude وGemini (2026)

لقد قامت اليابان للتو بأحد أكثر الرهانات تناقضًا في مجال الذكاء الاصطناعي. فبدلًا من إنفاق مليارات الدولارات على تدريب نموذجٍ يتفوق على GPT-5.5 وClaude Opus 4.8، اختارت طوكيو Sakana AI بناء نموذجٍ مهمته الوحيدة هي التنسيق بينها. تعرفوا على Sakana Fugu — الذي أُطلق في 22 يونيو 2026 — وهو نموذج لغوي كبير (LLM) درّب خصيصًا على استدعاء نماذج لغوية كبيرة أخرى.

ما هو Sakana Fugu؟

Sakana Fugu ليس نموذجًا أساسيًّا تقليديًّا. بل هو منسق — نظامٌ مُدرَّبٌ يختصُّ في اتخاذ قرارٍ بشأن النماذج الذكائية الأخرى التي ينبغي أن تتولى معالجة طلبك، وكيفية تنسيق ذلك. والاسم يحمل دلالةً ساخرةً على التخصص الدقيق: فوغو هو طبق سمك الفوغو (سمك البُغاء) الياباني المُعروف، الذي لا يمكن إعداده بأمانٍ سوى من قِبل خبيرٍ متمكِّن. والمقصود هنا أن تنسيق النماذج القوية ذاتها هو فنٌّ يتطلب مهارةً عالية.

فعند إرسال استعلامٍ ما إلى نقطة النهاية الوحيدة الخاصة بـ«فوغو» المتوافقة مع واجهة OpenAI، يتخذ النموذج قرارًا داخليًّا: الإجابة مباشرةً عند الإمكان (مثل الأسئلة البسيطة أو الحالات التي تتطلب زمن استجابة منخفض)، أو تجميع فريقٍ من النماذج المتخصصة والتنسيق بينها عندما تكون المهمة صعبة. ويتم اختيار النموذج المناسب، وتفويض المهمة إليه، والتحقق من صحتها، ثم دمج النتائج كلُّ ذلك داخليًّا ضمن النظام دون أن يظهر لك أيٌّ من هذه الخطوات. وكما يعبِّر عنها «ساكانا»: إن آلية التوجيه حسب الاستعلام هي سرٌّ تجاريٌّ — فأنت ترى إجابةً واحدةً فقط، وليس اللجنة الكاملة التي تقف خلفها.

كيف يعمل التنسيق فعليًّا

وبشكلٍ تقنيٍّ، يعمل «فوغو» ضمن حلقةٍ تشبه ما يلي: التوجيه → التفويض → التحقق → التجميعوقد بُنِيَ على ورقتين بحثيتين نشرهما «ساكانا» في مؤتمر ICLR 2026:

• TRINITY — منسِّقٌ خفيف الوزنٌ تم تحسينه تطوريًّا ويُطبَّق عبر عدة دورات تفاعلية، حيث يُسنِد أدوار «المُفكِّر» أو «العامل» أو «المُحقِّق» Thinker, Worker, or Verifier إلى النماذج المختلفة بشكلٍ تكيُّفيٍّ لتفويض المهام.
• Conductor — نظامٌ درَّبه التعلُّم المعزَّز reinforcement learning لاكتشاف استراتيجيات التنسيق المبنية على اللغة الطبيعية، والتعليمات المركَّزة المصمَّمة خصيصًا لمجموعة متنوِّعة من نماذج اللغات الكبيرة (LLMs).

وهذا التمييز بالغ الأهمية: فـ«فوغو» ليس مجرد ليس منسِّقًا بسيطًا يقوم على قواعد «إذا-فإن». بل هو منسِّقٌ خضع لعملية تحسينٍ دقيقة — عبر الاختيار التطوري والتعلُّم المعزَّز — ليقرِّر من يتولى أي مهمة، وللتحقق من الإجابات باستخدام دور «المُحقِّق»، ولدمج النتائج في إجابةٍ واحدةٍ مترابطة. أما ما إذا كانت هذه العملية التحسينية ستثبت فعاليتها خارج تقييمات «ساكانا» الداخلية فهو السؤال المفتوح الذي سنعود إليه لاحقًا.

مثال تطبيقي: سؤال صعب واحد، من بدايته حتى نهايته

تخيل أنك طرحت على «فوغو ألترا» السؤال التالي: «أعد كتابة هذه الخدمة البرمجية المكوَّنة من ٨٠٠ سطر بلغة بايثون لتكون غير متزامنة (async)، واصلح مشكلة التعارض (race condition) في مجموعة اتصالات (connection pool).» وراء الإجابة الواحدة التي تتلقاها، تبدو عملية التنسيق الداخلية كالتالي تقريبًا:

• التوجيه: يُدرك «فوغو» أن هذه مهمة برمجية صعبة متعددة الخطوات، وليست سؤالًا مباشرًا بسطر واحد، لذا يُشكِّل فريقًا بدلًا من الإجابة مباشرةً.
• المُفكِّر: يُعيَّن نموذج قوي جدًّا في مجال الاستنتاج والتفكير لوضع خطة إعادة الهيكلة وتحديد موقع مشكلة التعارض من الناحية المفاهيمية.
• العامل: يُعيَّن نموذج متخصص في البرمجة لكتابة التنفيذ الفعلي غير المتزامن استنادًا إلى تلك الخطة.
• المُحقِّق: يقوم نموذج ثالث بالتحقق من التغييرات (diff) مقارنةً بالهدف الأصلي — هل حافظت على السلوك المطلوب؟ وهل عالجت مشكلة التعارض فعلًا؟ — ويشير إلى أي خطأ قد يظهر.
• التجميع: يُعيد «فوغو» دمج ملاحظات «المُحقِّق»، ويطالب بإعادة التعديل عند الحاجة، ثم يُرسل إجابةً واحدةً نظيفةً ومتكاملة.

ولا ترى أبدًا عمليات الانتقال بين النماذج. وهذه هي الفكرة الأساسية الكاملة: تقديم دقة مراجعةٍ دقيقةٍ تشمل ثلاثة نماذج، لكن وكأنها جاءت من مساعدٍ واحدٍ فقط. أما التكلفة الطبيعية لذلك فهي أن عدة نماذج تعمل معًا حيث كان يكفي نموذجٌ واحدٌ — وهذا بالضبط سبب قيام منسِّق «فوغو» بالإجابة عن الأسئلة البسيطة بنفسه، بينما يحتفظ بالفريق الكامل للمشاكل الصعبة التي تستحق هذا المستوى من التعقيد.

مقارنة Fugu مع Fugu Ultra

ويكتسب خيار الاستبعاد أهميةً كبيرةً بالنسبة للشركات: إذ يمكنك في «فوغو» استبعاد نماذج محددة من المجموعة (مثلًا، لمنع تسرب بياناتك إلى مزوِّد معين)، بينما يضحّي «فوغو ألترا» بهذه السيطرة من أجل تحقيق أعلى جودة ممكنة.

معايير الأداء — والملاحظة الصادقة المرافقة لها

وتُظهر المقارنة المنشورة من «ساكانا» أن «فوغو ألترا» يتقدَّم على أحدث النماذج في مجالات البرمجة والاستنتاج:

ويقول «ساكانا» إن «فوغو ألترا» حقَّق «أعلى نتيجة في ١٠ من أصل ١١ بندًا». وهناك تحذيران يحافظان على موضوعية هذا التقييم: (1) هذه الأرقام صادرةٌ عن الشركة المطوِّرة نفسها — ولم تُجرَ بعدُ اختبارات مستقلة موازية لإطلاق النموذج؛ و (2) منسِّق يتفوق على النماذج التي ينسقها أمرٌ أقل إثارةً للدهشة مما يبدو، لأن بإمكانه اختيار أفضل نموذجٍ لكل مهمةٍ على حدة. أما الاختبارات الواقعية الحاسمة فهي تتعلَّق بالتكلفة، وزمن الاستجابة، والموثوقية تحت الأحمال العالية — وليس فقط بمواقعها في قائمة الترتيب.

أي النماذج ينسّق بينها؟

ولا تُعلن «ساكانا» علنًا عن قائمة النماذج المستخدمة في المجموعة — فالآلية الخاصة بالتوجيه سرٌّ تجاريٌّ. وتُشير التغطية الإعلامية إلى GPT-5.5، وكلاود أوبس 4.8، وجيميني 3.1 برو من بين النماذج المُنسَّقة. ومن المثير للاهتمام أن شركة ساكانا تشير إلى أن نموذج كلاود Fable 5 ونموذج ميثوس بريفيو هما ليس في مجموعة فوغو، نظرًا لعدم توفرهما علنًا عبر واجهة برمجة التطبيقات (API). وإذا رغبت في فهم المكونات التي يُجرِي فوغو تنسيقها، فإن لدينا في قاعدة بيانات نماذج الذكاء الاصطناعي دليل المواصفات الكاملة والأسعار الخاصة بكل نموذج مقارنة Claude Opus 4.8 مع GPT-5.5 ، كما أن مقارنتنا التفصيلية توضح الفروق الجوهرية بينها.

التسعير

يُباع فوغو على هيئة اشتراك شهري، وليس بنظام الدفع حسب الاستخدام فقط: ٢٠ دولارًا أمريكيًّا شهريًّا (النسخة القياسية)، و١٠٠ دولار أمريكي شهريًّا (النسخة الاحترافية)، و٢٠٠ دولار أمريكي شهريًّا (النسخة القصوى)، وتغطي كل باقةٍ كلاً من فوغو وفوغو ألترَا مع حدود مختلفة للاستخدام. ويتم الإبلاغ عن استخدام الرموز (Tokens) والتكلفة لكل طلب عبر واجهة برمجة التطبيقات المتوافقة مع OpenAI (النهايات عند console.sakana.ai). ومن الأمور التي ينبغي أخذها في الاعتبار: عند استخدام منسِّق مثل فوغو، فأنت تدفع مقابل طبقة التنسيق نفسها فوق التكلفة الأصلية للنماذج الأساسية — وبالتالي فإن القيمة المقدمة تعتمد على قدرة فوغو على استخلاص جودة إضافية كافية لتبرير هذه التكلفة الإضافية.

استخدام Fugu: واجهة برمجية (API) جاهزة ومتوافقة مع OpenAI

ويُعَدُّ سهولة تجربة فوغو جزءًا من مزاياه، إذ يدعم لغة واجهة برمجة تطبيقات OpenAI. فإذا كان رمزك بالفعل يستدعي خدمة OpenAI، فما عليك سوى تغيير عنوان URL الأساسي واسم النموذج ليصبح جاهزًا تمامًا تقريبًا:

from openai import OpenAI

client = OpenAI(base_url="https://console.sakana.ai/v1", api_key="YOUR_KEY")
resp = client.chat.completions.create(
    model="fugu-ultra-20260615",
    messages=[{"role": "user", "content": "Explain and fix this bug..."}],
)
print(resp.choices[0].message.content)

ويتم الإبلاغ عن استخدام الرموز (Tokens) والتكلفة لكل طلب على حدة، مما يسمح لك برؤية ما استهلكته استعلامٌ معينٌ — رغم عدم إمكانية رؤية النماذج الأساسية التي تم تشغيلها. أما بالنسبة للفرق العاملة في البيئات الخاضعة للتنظيم، فإن ميزة النسخة القياسية من فوغو التي تتيح لك استبعاد وكلاء محددين من المجموعة هي الميزة التي تجعل التنسيق مقبولًا عمليًّا: حيث يمكنك استبعاد مزوِّد معين تمامًا من دورة العمل. أما فوغو ألترَا فيضحي بهذه السيطرة مقابل تحقيق أقصى جودة ممكنة.

من وراء شركة Sakana AI؟

ساكانا آي آي هي مختبرٌ مقرُّه طوكيو، أُسِّس عام ٢٠٢٣ على يد ليون جونز — أحد المؤلفين المشاركين في الورقة البحثية الأصلية الشهيرة «الانتباه هو كل ما تحتاجه» (Attention Is All You Need) حول بنية المُحوِّلات (Transformers) — و ديفيد ها، الذي كان يعمل سابقًا في فريق Google Brain. وتُعرف الشركة بمنهجياتها المستوحاة من الطبيعة والتطور في مجال الذكاء الاصطناعي (وكلمةساكانا تعني «السمكة»، مستحضرًا صورة المدارس السمكية والقطعان المتناغمة). وينسجم فوغو تمامًا مع هذا التصور الفلسفي: فالذكاء لا ينشأ من شبكة واحدة ضخمة، بل من تنسيق عددٍ كبيرٍ من النماذج.

Fugu في سياقه: الطفرة اليابانية في مجال الذكاء الاصطناعي عام 2026

لم يظهر فوغو في فراغٍ. فقد خصصت اليابان عام ٢٠٢٦ لبناء قدراتها السيادية في مجال الذكاء الاصطناعي، وبشكلٍ كبيرٍ من خلال برنامجي وزارة الاقتصاد والتجارة والصناعة (METI) والمنظمة الوطنية للتنمية الصناعية والتكنولوجية (NEDO) جينياك (GENIAC) . وأبرز الإصدارات المعلنة هذا العام هي:

• راكتون آي آي ٣.٠ (مارس ٢٠٢٦) — والتي أُعلن عنها باعتبارها أكبر نموذج عالي الأداء في اليابان، وهي نظام مكوَّن من خليط خبراء (Mixture-of-Experts) يحتوي على نحو ٧٠٠ مليار معلَّمة، ومُحسَّن خصيصًا للغة اليابانية، وأُصدر علنًا بموجب رخصة Apache 2.0.
• سوفتبانك / إس بي إنستينشنز «ساراشينا» — نموذج لغوي كبير محلي الصنع (LLM) يحتوي على ٤٦٠ مليار معلَّمة، مُدرَّب باللغة اليابانية، وقد أُتيح الآن عبر واجهة برمجة تطبيقات تجارية باسم «ساراشينا» (إضافةً إلى نسخة خفيفة تُسمى «ساراشينا ميني» موجَّهة للشركات)، ومدرَّب على مجموعة مكوَّنة من ٤٠٠٠ وحدة معالجة رسومية (GPU) من نوع NVIDIA B200.
• إن تي تي «تسوزومي ٢» — مُحسَّن لتحقيق توازن ممتاز بين الكفاءة والأداء، ويستهدف النشر المؤسسي على أجهزة ذات مواصفات متوسطة.

وعلى خلفية هذه النماذج التأسيسية الضخمة والمُحسَّنة خصيصًا للغة اليابانية، يبرز رهان ساكانا بوضوحٍ لأنه يمثل عكس ذلك تمامًا: فهو ليس نموذجًا كبيرًا جديدًا، بل طبقة تنسيق تُمكِّن أفضل النماذج في العالم من العمل معًا. وهذه خطوةٌ مميَّزةٌ حقًّا لساكانا — وتذكيرٌ بأن استراتيجية اليابان في مجال الذكاء الاصطناعي أوسع بكثيرٍ من أي مختبرٍ واحدٍ. world’s best models work together. It’s a distinctly Sakana move — and a reminder that Japan’s AI strategy is far broader than any single lab.

هل هو تقدّمٌ ثوريٌّ أم «مجرد غلاف خارجي»؟

وتتجه مشاعر المجتمع المبكرة نحو التشكيك، وأكثر الأسئلة هي سؤال مباشر جدًّا: «هل هذا مجرد مُوجِّه (Router) يُوجِّه الطلبات إلى نماذج الآخرين؟» وهذا سؤالٌ مشروعٌ تمامًا. وفيما يلي الجانبان المقابلان لهذا الجدل:

• الحجة التشكيكية: فوغو لا يمتلك أي نموذج رائد خاص به. فإذا أزلت العلامة التجارية، فما يتبقى هو طبقة مدفوعة تدعو واجهات برمجة التطبيقات التي يمكنك أن تستدعيها بنفسك. وإذا غيَّر أي مزوِّد أسعاره أو شروط الوصول، فإن اقتصاديات فوغو ستتغيَّر فورًا.
• الحجة الداعمة: قد يكون التنسيق نفسه بالفعل هو المجال الرائد فعليًّا. فإذا استطاع «مديرٌ متعلم» (Learned Conductor) أن يُخرِج دائمًا أداءً أعلى من النماذج الموجودة حاليًّا أكثر مما يمكن لأيٍّ منها تحقيقه بمفرده — من خلال التحقق، وإعادة المحاولة، والدمج — فهذه قيمة حقيقية، وهي تجنّب تمامًا سباق التدريب الباهظ التكلفة الذي تبلغ تكلفته تريليون دولار.

والحقيقة على الأرجح تقع بين هذين الطرفين، وتعتمد على التحقق المستقل الذي لم يُقدَّم بعد.

مقارنة Fugu مع بناء نظام تنسيق ذاتي (أو مُوجِّه مثل OpenRouter)

والاعتراض الواضح هو: أليس بإمكاني توجيه الطلبات بين النماذج يدويًّا، أو استخدام منصة تجميع مثل OpenRouter؟ نعم، يمكنك ذلك — وهذه هي الحد الأدنى الذي يجب أن يتجاوزه فوغو. فإعداد يدوي أو مُوجِّه يعتمد على السعر أو زمن الاستجابة يختار واحد نموذجًا واحدًا لكل طلب وفق قواعد بسيطة. أما ادعاء فوغو فهو مختلف نوعيًّا: فهو قادر، في مهمة واحدة صعبة، على استخدام عدة نماذج، وتوزيع أدوار محددة عليها، وجعل أحدها يتحقق من الآخر، ثم دمج النتائج — وهذا النوع من التنسيق مملٌّ للغاية ويتطلب جهدًا كبيرًا لتصميمه وضبطه يدويًّا. أما ما إذا كانت هذه العملية التنسيقية المُتعلَّمة تتفوق على خط أنابيب يدوي مصمم جيدًا من حيث لديكَ نوع الحمل الوظيفي (Workload)، فهو مرة أخرى الأمر الذي يجب اختباره قبل الالتزام الكامل. أما بالنسبة للاحتياجات المباشرة، فيظل النموذج القوي الوحيد — أو المُوجِّه البسيط — الخيار الأرخص والأكثر وضوحًا.

لماذا يهم هذا الأمر؟

يُجسِّد فوغو اتجاهًا نوثقه منذ فترة: فالقيمة الهامشية المُحقَّقة من زيادة حجم النموذج الرائد تتضاءل، بينما تكمن الميزة الحقيقية في اختيار النموذج الأنسب لكل مهمة. وقد وجدت دراسة مؤشر أداء السعر للذكاء الاصطناعي لعام ٢٠٢٦ أن المكافأة المرتبطة بالنماذج الرائدة تُوفِّر فقط النقاط الأخيرة زيادة في القدرات، وليس قيمة متناسبة — كما أظهرت دراستنا حول مقارنة التكلفة بين النماذج المفتوحة والمغلقة الفجوة الكبيرة جدًّا في الأسعار. أما فوغو فيُطبِّق تلقائيًّا القرار الذي أشارت إليه هاتان الدراستان: أي نموذج ينبغي أن يجيب؟ هذا السؤال؟ إذا نجح، فإنه يحوّل سؤال «أي نموذج ذكاء اصطناعي ينبغي أن أستخدمه؟» إلى نقطة نهاية واحدة قابلة للتوحيد.

القيود التي يجب أخذها في الاعتبار

• التبعية: إن فوغو لا يكون أفضل من النماذج الموجودة في مجموعته — ومن وصولك إليها.
• تراكم التكاليف: تدفع مقابل طبقة التنسيق التي توفرها شركة ساكانا فوق تكلفة استخدام النماذج الأساسية.
• عدم الشفافية: يُطبَّق التوجيه الخاص (المغلق) ما يعني أنه لا يمكن دائمًا التحقق من النموذج الذي أنتج إجابتك (ويسمح فوغو بإمكانية استبعاد الوكلاء؛ أما فوغو ألتر فلا يسمح بذلك).
• التوفر: غير متوفر في الاتحاد الأوروبي/المنطقة الاقتصادية الأوروبية راهنًا، وذلك في انتظار الامتثال لقانون حماية البيانات العامة (GDPR).
• لم يُثبت فعاليته بعد الإطلاق: لا تزال الاختبارات المعيارية المستقلة والموثوقية في الاستخدام الفعلي تلاحق الادعاءات المقدمة.

الأسئلة الشائعة

هل ساكانا فوغو نموذج لغوي كبير؟ جزئيًّا — بل هو نموذج تنسيقي يُدار بواسطة يستخدم نماذج لغوية كبيرة أخرى بدلًا من توليد كل إجابة من شبكة واحدة.

هل يحل فوغو محل نموذجي GPT-5.5 أو كلاود؟ كلا — بل يستدعيهما. وهو طبقة تقع فوق النماذج الرائدة، وليس منافسًا لها بالمعنى المألوف.

هل يمكنني تشغيل فوغو محليًّا؟ كلا. فهو واجهة برمجية (API) سحابية تعتمد على الوصول إلى مزودي النماذج الرائدة.

هل هو مفتوح المصدر؟ المنتج خاصٌّ (غير مفتوح المصدر)، لكن الأبحاث الأساسية التي استند إليها (TRINITY وConductor) نُشِرت في مؤتمر ICLR 2026.

كيف يختلف عن جهاز توجيه عادي؟ يستخدم جهاز التوجيه العادي قواعد ثابتة. أما فوغو فهو منسِّق مُدرَّب — مُحسَّن عبر عمليات التطور والتعلُّم المعزَّز — ويقوم بتوزيع الأدوار والتحقق من المخرجات وتوليف الإجابة النهائية.

الخلاصة النهائية

ساكانا فوغو هو أكثر إطلاق للذكاء الاصطناعي إثارةً للاهتمام في يونيو ٢٠٢٦ — ليس لأنه أذكى نموذج، بل لأنه يعيد صياغة السؤال. فبدلًا من «أي نموذج هو الأفضل؟»، يطرح فوغو السؤال: «ماذا لو لم تكن مضطرًّا للاختيار؟». سواء أثبت أنه تحول جذري حقيقي أم مجرد غلاف ذكي، فإنه يعكس تحولًا حقيقيًّا في مكان تمركز قيمة الذكاء الاصطناعي: فهي تكمن أقل فأقل في أي نموذج واحد، وأكثر فأكثر في الطريقة التي تنسق بها هذه النماذج مع بعضها. وتبدو النتائج في الاختبارات المعيارية مذهلة؛ والآن ننتظر الاختبارات المستقلة لتؤكد — أو تنقض — الزخم الإعلامي المحيط به.

المصادر: مواد إطلاق ساكانا AI وجداول الاختبارات المعيارية؛ أوراق بحث TRINITY وConductor المنشورة في مؤتمر ICLR 2026؛ تقارير من MarkTechPost وNikkei Asia وGIGAZINE. والأرقام كما نُشرت في يونيو ٢٠٢٦.