كشفت شركة تيثر عن إطار عمل تدريبي متعدد المنصات للذكاء الاصطناعي تقول الشركة إنه يمكن من خلاله تحسين نماذج اللغة الكبيرة على أجهزة المستهلك، بما في ذلك الهواتف الذكية ووحدات معالجة الرسومات غير التابعة لـ NVIDIA. يعتمد النظام، وهو جزء من منصة QVAC الخاصة بتيثر، على بنية BitNet وتقنيات LoRA لتقليل متطلبات الذاكرة والحساب، مما قد يخفض التكاليف والحواجز المادية للمطورين. وتضع الشركة الإعلان على أن الإطار متوافق مع مجموعة واسعة من الشرائح—من AMD وIntel إلى Apple Silicon، بالإضافة إلى وحدات معالجة الرسومات المحمولة من Qualcomm وApple. وفقًا للاختبارات الداخلية، قام المهندسون بضبط نماذج تصل إلى مليار معلمة على الهواتف الذكية في أقل من ساعتين، مع إمكانية ضبط نماذج أصغر خلال دقائق، ودعم نماذج تصل إلى 13 مليار معلمة على الأجهزة المحمولة.
نقاط رئيسية
يستخدم إطار QVAC من تيثر بنية نموذج 1-بت (BitNet) لخفض استهلاك VRAM بشكل كبير، مما يتيح تشغيل نماذج أكبر على أجهزة ذات موارد محدودة.
تم توسيع ضبط Fine-tuning المستند إلى LoRA ليشمل الأجهزة غير التابعة لـ NVIDIA، مما يعزز التوافق عبر منصات AMD وIntel وApple Silicon، بالإضافة إلى وحدات معالجة الرسومات المحمولة من Qualcomm وApple.
يُبرز التدريب على الجهاز والتعلم الفيدرالي كحالات استخدام محتملة، مما يشير إلى تقليل الاعتماد على الحوسبة السحابية المركزية لتحديث النماذج.
تحسينات الأداء تمتد إلى الاستنتاج، حيث يُقال إن وحدات معالجة الرسومات المحمولة تقدم نتائج أسرع لنماذج BitNet مقارنة بأعباء العمل التقليدية على المعالجات المركزية.
تتماشى هذه الخطوة مع اتجاه صناعي أوسع يتمثل في توسع شركات العملات المشفرة في الحوسبة الذكية والأنظمة عالية الأداء، مع التركيز على سعة مراكز البيانات والوكيلات البرمجية المستقلة.
الرموز المذكورة: $BTC، $USDT، $USDC، $COIN، $HIVE
المشاعر: محايد
سياق السوق: يعكس الدفع نحو تقريب تدريب واستنتاج الذكاء الاصطناعي من الأجهزة الطرفية تحولًا أوسع نحو الذكاء الاصطناعي على الجهاز والتعلم الموزع ضمن أنظمة العملات المشفرة والتكنولوجيا المالية، إلى جانب تخصيص رؤوس الأموال المستمر لمراكز بيانات الحوسبة الذكية من قبل مشغلي التعدين وشركات مراكز البيانات.
لماذا يهم الأمر
بالنسبة لسوق مبني على الثقة في المال القابل للبرمجة والنظم غير المصرح بها، فإن القدرة على تشغيل أعباء عمل ذكاء اصطناعي كبيرة على أجهزة المستهلك قد تعيد تقييم من يمكنه تدريب وتحسين النماذج. من خلال تقليل متطلبات VRAM بنسبة تصل إلى 77.8% مقارنة بالنماذج ذات 16-بت المماثلة، وفقًا لتيثر، يعالج إطار العمل المستند إلى BitNet أحد أكثر نقاط الاحتكاك المستمرة في الذكاء الاصطناعي على الحافة: قيود الذاكرة. قد يمكّن ذلك المطورين من دفع المزيد من التجارب إلى الأجهزة الأقرب للمستخدمين، مما يفتح الباب أمام تدريب محلي يحفظ الخصوصية والتعلم الفيدرالي، حيث يتم تجميع التحديثات محليًا بدلاً من رفعها إلى الخوادم المركزية.
إلى جانب الابتكار المتمثل في تشغيل نماذج ذات مليار معلمة على الهواتف الذكية، تشير المبادرة إلى استراتيجية أوسع: حيث تتجه شركات العملات المشفرة نحو الذكاء الاصطناعي والحوسبة عالية الأداء لدعم منتجات وخدمات جديدة، من تحليلات السلسلة إلى الوكيلات المستقلة التي تتاجر أو تتفاعل مع الخدمات. وتذكر المقالة أن اللاعبين الرئيسيين بدأوا بالفعل في دمج الذكاء الاصطناعي في العمليات الأساسية أو استكشاف بنية تحتية تعتمد على الذكاء الاصطناعي. مع سعي مشغلي التعدين ومراكز البيانات لتحقيق حالات استخدام ذات هوامش ربح أعلى، يصبح الحوسبة الذكية الطبيعي امتدادًا لبنية القطاع التحتية. يتماشى ذلك مع اتجاه أوسع يتجه فيه اللاعبون المؤسساتيون نحو تنويع أعباء العمل في الذكاء الاصطناعي، مما يبرز كيف ترى الشركات الأصلية للبلوكشين الذكاء الاصطناعي كمكون حاسم في قابلية التوسع طويلة الأمد وتطوير المنتجات.
على صعيد التقنية، تشير القدرة على العمل عبر المنصات إلى تحول بعيدًا عن تكديسات الذكاء الاصطناعي التي تهيمن عليها NVIDIA نحو نهج أكثر اعتمادًا على الأجهزة غير المحددة. يجمع الجمع بين بنية نموذج 1-بت مع ضبط LoRA على أجهزة غير تابعة لـ NVIDIA، مما يوسع مجموعة الأجهزة المحتملة لتطوير الذكاء الاصطناعي، وهو خطوة قد تسرع التجارب وتقلل الحواجز أمام الفرق الصغيرة أو المطورين الأفراد الذين يعتمدون على أجهزة المستهلك. من المحتمل أن تؤثر هذه التطورات أيضًا على كيفية تدريب وتحديث وكلاء الذكاء الاصطناعي—برامج مستقلة تتفاعل مع الخدمات وتنفذ المهام—على الجهاز، مما يعزز حالات الاستخدام التي تحافظ على الخصوصية من خلال تقليل نقل البيانات إلى السحابة.
الخلفية الصناعية الأوسع تشمل توسع شركات العملات المشفرة في خدمات مدعومة بالذكاء الاصطناعي ومراكز البيانات. على سبيل المثال، تم الإبلاغ في الأرباع الأخيرة عن تحركات استراتيجية من قبل المعدنين وموردي البنية التحتية لتوسيع قدرات الحوسبة الذكية، مع سعي العديد من اللاعبين الكبار إلى نشرات مراكز بيانات تعتمد على الذكاء الاصطناعي وشراكات. على الرغم من أن التأثير المباشر لإطار عمل تيثر لا يزال قيد الإثبات على نطاق واسع، فإن التركيز على التوافق عبر المنصات والقدرات على الجهاز يوحي بمستقبل تصبح فيه أدوات الذكاء الاصطناعي أكثر وصولًا لمجموعة أوسع من الأجهزة، بما في ذلك تلك ذات الميزانيات المحدودة للحوسبة.
ما الذي يجب مراقبته بعد ذلك
وتيرة الاعتماد: هل ستقوم شركات العملات المشفرة الأخرى ومطورو الذكاء الاصطناعي بنشر تدريبات تعتمد على BitNet على الأجهزة الاستهلاكية علنًا، وما هي التطبيقات التي ستظهر أولاً؟
التوسع عبر المنصات: كم بسرعة ستتوسع سير العمل المدعوم بـ LoRA ليشمل المزيد من وحدات معالجة الرسومات غير التابعة لـ NVIDIA والمعجلات المحمولة؟
نماذج الذكاء الاصطناعي على الجهاز: هل سنشهد نشرات حقيقية للتعلم الفيدرالي أو تجارب تدريب على الجهاز تُظهر فوائد الخصوصية؟
معايير الأداء: اختبارات مستقلة تقارن بين تدريب يعتمد على BitNet وسير عمل تقليدي يركز على وحدات معالجة الرسومات عبر الأجهزة الطرفية ومراكز البيانات.
شراكات النظام البيئي: أي تعاون مع مزودي المحافظ، أو وكلاء الذكاء الاصطناعي، أو منصات تحليلات السلسلة التي تدمج النماذج المدربة على الجهاز في المنتجات الموجهة للمستخدم.
المصادر والتحقق
إعلان إطلاق QVAC من تيثر الذي يوضح إطار عمل BitNet/LoRA متعدد المنصات وأهدافه. تحقق من الموقع الرسمي لأخبار تيثر المرتبط بالإعلان.
الادعاءات المتعلقة بتقليل VRAM وقوة المعلمات في إطار QVAC/BitNet، كما ورد في إصدار تيثر.
إيرادات وأداء شركة HIVE Digital Technologies المدعومين بالذكاء الاصطناعي/الحوسبة عالية الأداء، كما ورد في تغطية Industry من Cointelegraph.
الوكيل AI AgentKit والقدرات المتعلقة بالتحقق والدفع، كما هو موضح في الاتصالات والتغطية الرسمية لـ World.
بنية محفظة Coinbase لوكلاء الذكاء الاصطناعي والوصول إلى بيانات blockchain عبر USDC، كما ورد في التغطية المشار إليها في المقال.
ما الذي يجب مراقبته بعد ذلك
تابع تحديثات تيثر حول معالم QVAC، بما في ذلك أي تكاملات أوسع للمنصة أو إعلانات عن توافق إضافي مع الأجهزة. راقب ما إذا كانت شركات العملات المشفرة أو التكنولوجيا المالية الأخرى تبدأ في نشر معايير أداء أو تجارب ميدانية تؤكد مزاعم التدريب على الجهاز. وأخيرًا، تتبع تحركات لاعبي الذكاء الاصطناعي والعملات المشفرة نحو التعلم الفيدرالي والاستنتاج على الجهاز الذي يحفظ الخصوصية، والذي قد يعيد تشكيل كيفية تدريب النماذج وتحديثها في الشبكات الموزعة.
المصادر والتحقق
إطلاق تيثر لـ QVAC: https://tether.io/news/tethers-qvac-launches-worlds-first-cross-platform-bitnet-lora-framework-to-enable-billion-parameter-ai-training-and-inference-on-consumer-gpus-and-smartphones/
سياق إيرادات HIVE Digital Technologies: https://cointelegraph.com/news/hive-digital-focus-crypto-mining-ai-data-centers
وكلاء AI من World AgentKit والتحقق من صحة الإنسان: https://cointelegraph.com/news/world-launches-agentkit-coinbase-integration-enable-human-verified-ai-agents-embargo
بنية محفظة Coinbase لوكلاء AI: https://cointelegraph.com/news/coinbase-launches-crypto-wallets-built-ai-agents
الوصول إلى بيانات وكلاء AI باستخدام USDC عبر منصة Alchemy: https://cointelegraph.com/news/alchemy-ai-agents-pay-access-blockchain-data-usdc
الأرقام الرئيسية والخطوات القادمة
مع تقديم تيثر لـ QVAC كإطار عمل حوسبة متعدد المنصات وذكر تقليل كبير في متطلبات الذاكرة، تشير الشركة إلى تحول استراتيجي نحو تمكين أعباء العمل في الذكاء الاصطناعي على الأجهزة المتاحة على نطاق واسع. إذا اكتسب الإطار زخمًا، قد يشهد المطورون تسريعًا في التجارب على الأجهزة الاستهلاكية، مما يوسع نطاق أدوات التحليل والتشغيل الذكي على السلسلة. الأشهر القادمة ستكشف ما إذا كانت هذه القدرات ستترجم إلى اعتماد أوسع من قبل المطورين، وتجارب عملية على الجهاز، وتقليل ملموس في الطلب على الحوسبة السحابية لمهام الذكاء الاصطناعي المرتبطة بالعملات المشفرة.
ما الذي قد يعنيه ذلك للمستخدمين والبنائين
بالنسبة للمستخدمين النهائيين، هناك إمكانية لميزات أسرع وأكثر خصوصية تعتمد على الذكاء الاصطناعي مدمجة في المحافظ والخدمات على السلسلة. بالنسبة للبنائين، يقلل الإطار من الحواجز أمام نمذجة، واختبار، وتحسين نماذج الذكاء الاصطناعي دون الحاجة إلى وحدات معالجة رسومات عالية الأداء لمراكز البيانات. في قطاع حيث يمكن أن يكون تكلفة الحوسبة عائقًا، يتماشى هذا التحول نحو اعتماد الذكاء الاصطناعي على الحافة مع الأهداف طويلة الأمد في اللامركزية، والخصوصية، والكفاءة. كما يسلط الضوء على التقاء مستمر بين بنية تحتية للعملات المشفرة والحوسبة المتقدمة للذكاء الاصطناعي، وهو تطور قد يؤثر على كل شيء من خدمات البيانات على السلسلة إلى تصميم الوكيلات المستقلة وأدوات الحوكمة. وكأي تقنية جديدة، فإن قابلية التوسع، والأمان، ومعايير التوافق ستشكل مدى نضوج هذه القدرات وسرعة اعتمادها على نطاق أوسع في النظام البيئي.
تم نشر هذا المقال أصلاً بعنوان تيثر يطلق إطار تدريب الذكاء الاصطناعي للهواتف ووحدات معالجة الرسومات للمستهلكين على Crypto Breaking News – مصدر موثوق لأخبار العملات المشفرة، أخبار البيتكوين، وتحديثات البلوكشين.
