Il 15 ottobre 2026 Microsoft AI ha annunciato il lancio di MAI-Base-2, il nuovo modello di base della sua divisione di intelligenza artificiale, guidata da Mustafa Suleyman. Si tratta di una rete di esperti (Mixture‑of‑Experts, MoE) composta da 2,8 trilioni di parametri totali, di cui 80 miliardi sono attivi per ogni token generato. L’addestramento è stato completato in 38 giorni, utilizzando 16 000 GPU Nvidia GB200, per un totale di circa 14,6 milioni di ore‑GPU.

Caratteristiche tecniche di MAI-Base-2

Il modello si basa interamente su una architettura MoE, dove ogni token attiva solo una piccola frazione del network. In pratica, il router sceglie 7 esperti su 512 più un esperto condiviso, con una percentuale di attivazione pari al 2,9 % del totale. Questo approccio consente di ridurre i costi di calcolo mantenendo una capacità di apprendimento elevata.

Le specifiche più rilevanti sono riassunte nella tabella seguente:

    • Parametri totali: 2,8 trilioni
    • Parametri attivi per token: 80 miliardi
    • Categorie di strati: 102 (vs 78 di MAI-Base-1)
    • Token di addestramento: 50 miliardi (vs 30 miliardi)
    • Visione: supporto nativo a immagini senza encoder separato
    • Ottimizzatore: AdamW per la maggior parte, Muon (una variante di AdamW) per gli embedding

Confronto con MAI-Base-1

MAI-Base-1, rilasciato nel 2026, contava 1 trilione di parametri totali e 35 miliardi di parametri attivi per token. La differenza di scala è notevole: MAI-Base-2 più che raddoppia il numero di strati, aggiunge capacità visiva e amplia il corpus di training da 30 a 50 miliardi di token. Inoltre, il numero di esperti attivi per token è stato ridotto da 8 a 7, con l’inserimento di un esperto condiviso permanente.

Efficienza computazionale e metriche di qualità

Microsoft ha valutato il modello con la metrica bits per byte (BPB), che misura quante informazioni binarie sono necessarie per predire un byte di testo non visto. Un valore più basso indica una migliore compressione e, di conseguenza, una maggiore capacità di generalizzazione. Secondo il documento tecnico, MAI-Base-2 registra il BPB più basso rispetto a tutti i modelli open‑source testati.

Il confronto con i principali concorrenti – DeepSeek‑V4‑Pro‑Base, Kimi K3, Qwen3.8‑Max e MiMo‑V2.6‑Pro‑RL – evidenzia tre punti chiave:

    • MAI-Base-2 utilizza da 4,2 a 12,3 volte meno FLOP per raggiungere lo stesso BPB di DeepSeek‑V4‑Pro‑Base.
    • Il modello richiede meno risorse di calcolo rispetto a Qwen3.8 (2,4 trilioni di parametri, 95 miliardi attivi) e a Kimi K3 (2,8 trilioni di parametri, 104 miliardi attivi).
    • Le valutazioni sono state condotte con set di test interni, evitando contaminazioni con dati di training, e includono test STEM, Q&A e code generation affidati a fornitori esterni.

Dettaglio dei confronti

La seguente tabella riassume i parametri totali e attivi per token dei modelli più noti:

    • MAI‑Base‑1: 1 T totale, 35 B attivi (3,5 %)
    • MAI‑Base‑2: 2,8 T totale, 80 B attivi (2,9 %)
    • DeepSeek‑V4‑Pro: 1,6 T totale, 49 B attivi (3,1 %)
    • Qwen3.8: 2,4 T totale, 95 B attivi (4,0 %)
    • Kimi K3: 2,8 T totale, 104 B attivi (3,7 %)

Dati di addestramento e procedura di raccolta

MAI‑Base‑2 è stato addestrato su un corpus organico, privo di qualsiasi processo di distillazione da modelli pre‑esistenti. Il 45 % del dataset è costituito da codice sorgente, mentre il 55 % comprende testi generali. La componente visiva, pari a 4,5 miliardi di token unici, rappresenta il 18 % dei 50 miliardi di token totali. Il crawler interno di Microsoft rispetta i file robots.txt e le meta‑tag di limitazione, escludendo fonti non conformi alle politiche di IA responsabile.

Le fonti sono state filtrate per garantire l’assenza di sovrapposizioni con i set di valutazione, riducendo al minimo il rischio di “data leakage”. Il limite temporale delle conoscenze è fissato a marzo 2026, consentendo al modello di avere una copertura di informazioni recenti ma non in tempo reale.

Hardware e performance di training

L’intero processo di addestramento ha consumato 14,6 milioni di ore‑GPU, con una Media Utilization Factor (MFU) del 21 % e un goodput dell’89 %. Questi valori indicano che, nonostante la massiccia scala, l’infrastruttura Nvidia GB200 è stata sfruttata in maniera efficace, con pochi downtime e pochi riavvii. La prossima generazione di chip proprietari Microsoft, Maia 300, è prevista per il 2027 e dovrebbe ulteriormente migliorare l’efficienza.

Strategia di prodotto e roadmap

Al momento MAI‑Base‑2 è disponibile solo per uso interno; nessun cliente esterno può ancora testare il modello. La fase di post‑training, in cui il modello apprende a seguire istruzioni, gestire conversazioni e rifiutare richieste pericolose, è ancora in corso. Una volta completata, Microsoft intende integrare MAI‑Base‑2 nei propri prodotti, dalla suite Office alle soluzioni Azure AI, e offrirlo attraverso la piattaforma Microsoft Foundry, la marketplace dedicata a modelli e agenti per le imprese.

Il precedente modello di ragionamento, MAI‑Thinking‑1, è stato costruito su MAI‑Base‑1 e rilasciato in pre‑versione pubblica il 12 agosto 2026. Con MAI‑Base‑2, Microsoft punta a migliorare sia la capacità di ragionamento che le performance multimediali, grazie all’integrazione nativa di dati visivi.

Confronto strategico con i competitor

Microsoft continua a sviluppare modelli proprietari per ridurre la dipendenza da OpenAI e Anthropic, pur mantenendo partnership per l’integrazione di modelli di terze parti, come Decision 1 basato su Qwen. La strategia di “modelli interni a 3 trilioni di parametri” mira a posizionare l’azienda nella fascia alta del mercato AI, dove l’efficienza computazionale e la qualità dei dati sono i fattori distintivi.

In sintesi, MAI‑Base‑2 rappresenta un passo significativo nella corsa alle architetture MoE di grandi dimensioni, combinando una scala senza precedenti, un’efficienza energetica migliorata e un dataset organico rigorosamente curato. Il vero test arriverà nella fase di post‑training e nell’adozione da parte dei clienti, ma le prime metriche suggeriscono che Microsoft possa offrire un’alternativa competitiva ai leader del settore.