تيثر تطلق إطار عمل تدريب الذكاء الاصطناعي للهواتف وبطاقات الرسومات الاستهلاكية

(MENAFN- كريبتو بريكينغ) كشفت شركة تيثر عن إطار عمل تدريبي متعدد المنصات للذكاء الاصطناعي تقول الشركة إنه يمكن من خلاله تحسين نماذج اللغة الكبيرة على أجهزة المستخدمين، بما في ذلك الهواتف الذكية ووحدات معالجة الرسومات غير التابعة لـ NVIDIA. يعتمد النظام، وهو جزء من منصة QVAC الخاصة بـ تيثر، على بنية BitNet من مايكروسوفت وتقنيات LoRA لتقليل متطلبات الذاكرة والحساب، مما قد يخفض التكاليف والحواجز المادية للمطورين. وتضع الشركة الإعلان كإطار عمل متوافق مع مجموعة واسعة من الشرائح - من AMD و Intel إلى Apple Silicon - بالإضافة إلى وحدات معالجة الرسوميات المحمولة من Qualcomm و Apple. وفقًا للاختبارات الداخلية، قام المهندسون بضبط نماذج تصل إلى مليار معلمة على الهواتف الذكية في أقل من ساعتين، مع إمكانية ضبط نماذج أصغر في دقائق، ودعم نماذج تصل إلى 13 مليار معلمة على الأجهزة المحمولة.

نقاط رئيسية

• يعتمد إطار عمل QVAC من تيثر على بنية نموذج 1-بت (BitNet) لخفض استهلاك VRAM بشكل كبير، مما يتيح تشغيل نماذج أكبر على أجهزة ذات موارد محدودة.
• يتم توسيع ضبط Fine-tuning باستخدام LoRA ليشمل الأجهزة غير التابعة لـ NVIDIA، مما يعزز التوافق عبر منصات AMD و Intel و Apple Silicon، بالإضافة إلى وحدات معالجة الرسوميات المحمولة من Qualcomm و Apple.
• يُبرز التدريب على الجهاز والتعلم الفيدرالي كحالات استخدام محتملة، مما يشير إلى تقليل الاعتماد على الحوسبة السحابية المركزية لتحديثات النماذج.
• تتوسع مكاسب الأداء لتشمل الاستنتاج، حيث يُقال إن وحدات معالجة الرسوميات المحمولة تقدم نتائج أسرع لنماذج BitNet مقارنة بأعباء العمل التقليدية على المعالجات المركزية.
• تتماشى هذه الخطوة مع اتجاه أوسع في الصناعة يتمثل في توسع شركات العملات المشفرة في الحوسبة الذكية والأنظمة عالية الأداء، مع التركيز على سعة مراكز البيانات والوكيلات الذاتية التشغيل.

** الأسهم المذكورة:** $BTC، $USDT، $USDC، $COIN، $HIVE

المشاعر: محايد

سياق السوق: يعكس الدفع لجلب تدريب واستنتاج الذكاء الاصطناعي أقرب إلى الأجهزة الطرفية تحولًا أوسع نحو الذكاء الاصطناعي على الجهاز والتعلم الموزع ضمن أنظمة العملات المشفرة والتكنولوجيا المالية، إلى جانب تخصيص رأس المال المستمر للحوسبة الذكية من قبل مشغلي التعدين وشركات مراكز البيانات.

لماذا يهم الأمر

بالنسبة لسوق مبني على الثقة في المال القابل للبرمجة والنظم غير المسموح بها، فإن القدرة على تشغيل أعباء عمل الذكاء الاصطناعي الكبيرة على أجهزة المستخدمين قد تعيد تقييم من يمكنه تدريب وتحسين النماذج. من خلال تقليل متطلبات VRAM بنسبة تصل إلى 77.8% مقارنة بالنماذج ذات 16-بت المماثلة، يتصدى إطار العمل المبني على BitNet لأحد 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 قد يتيح تدريبًا على الجهاز يحفظ الخصوصية والتعلم الفيدرالي، حيث يتم تجميع التحديثات محليًا بدلاً من رفعها إلى الخوادم المركزية.

إلى جانب الجديدية في تشغيل نماذج بمليارات المعلمات على الهواتف الذكية، تشير المبادرة إلى استراتيجية أوسع: حيث تتجه شركات العملات المشفرة نحو الذكاء الاصطناعي والحوسبة عالية الأداء لدعم منتجات وخدمات جديدة، من التحليلات على السلسلة إلى الوكلاء الذاتيين الذين يتاجرون أو يتفاعلون 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 ومشغلي مراكز البيانات لتحقيق حالات استخدام ذات هوامش ربح أعلى، يصبح الحوسبة الذكية الطبيعي امتدادًا لبنية القطاع التحتية. يتماشى ذلك مع اتجاه أوسع لتنويع المؤسسات في أعباء عمل الذكاء الاصطناعي، مما يبرز كيف ترى الشركات الأصلية للبلوكشين الذكاء الاصطناعي كمكون حاسم في قابلية التوسع طويلة الأمد وتطوير المنتجات.

على جانب 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 المرتبطة بمورد معين. يجمع الجمع بين بنية نموذج 1-بت وتقنيات LoRA على أجهزة غير تابعة لـ NVIDIA، مما يوسع مجموعة الأجهزة المحتملة لتطوير الذكاء الاصطناعي، وهو خطوة قد تسرع التجارب وتقليل الحواجز أمام الفرق الصغيرة أو المطورين الأفراد الذين يعتمدون على الأجهزة الاستهلاكية. من المحتمل أن تؤثر هذه التطورات أيضًا على كيفية تدريب وتحديث الوكلاء الذاتييين - البرامج الذاتية التي 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 عن تحركات استراتيجية من قبل المعدنين وموردي البنية التحتية لتوسيع قدرات الحوسبة الذكية، مع سعي العديد من اللاعبين الكبار لنشر مراكز بيانات تعتمد على الذكاء الاصطناعي وشراكات. على الرغم من أن التأثير المباشر لإطار عمل تيثر لا يزال يتعين إثباته على نطاق واسع، فإن التركيز على التوافق عبر المنصات والقدرات على الجهاز يشير إلى مستقبل 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 علنًا على الأجهزة الاستهلاكية، وما التطبيقات التي ستظهر أولاً؟
• التوسع عبر المنصات: كم من الوقت سيستغرق توسيع سير العمل المدعوم بـ LoRA ليشمل وحدات معالجة الرسوميات غير التابعة لـ NVIDIA ومحركات الأجهزة المحمولة؟
• تجارب 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 الرسوميات عبر الأجهزة الطرفية ومراكز البيانات.
• الشراكات في النظام البيئي: أي تعاون مع مزودي المحافظ، أو وكلاء الذكاء الاصطناعي، أو منصات التحليل على 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 صفحة أخبار تيثر الرسمية المرتبطة بالإعلان.
• الادعاءات الخاصة بتقليل VRAM وعدد المعلمات في إطار QVAC كما ورد في إصدار تيثر.
• إيرادات وأداء شركة HIVE Digital Technologies المدعومة بالذكاء الاصطناعي والحوسبة عالية الأداء، كما ورد في تغطية Industry من Cointelegraph.
• قدرات التحقق والدفع لوكلاء AI من World’s AgentKit، كما هو موضح في الاتصالات والتغطية الرسمية.
• بنية محفظة Coinbase لوكلاء AI ونظام Alchemy الذي يتيح الوصول 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 بنشر معايير أداء أو تجارب ميدانية تؤكد مزاعم التدريب على الجهاز. وأخيرًا، تتبع تحركات لاعبي صناعة 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 QVAC من تيثر: (رابط غير متوفر)
• سياق إيرادات HIVE Digital Technologies: (رابط غير متوفر)
• World AgentKit والوكيلات المدعومة بالذكاء الاصطناعي: (رابط غير متوفر)
• بنية محفظة Coinbase لوكلاء AI: (رابط غير متوفر)

الأرقام الرئيسية والخطوات القادمة

مع وضع تيثر لـ QVAC كإطار عمل حوسبة متعدد المنصات وذكره تقليل كبير في متطلبات الذاكرة، تشير الشركة إلى تحول استراتيجي نحو تمكين أعباء عمل الذكاء الاصطناعي على أجهزة متاحة 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. ستكشف الأشهر القادمة 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 الرسوميات عالية الأداء في مراكز البيانات. في قطاع حيث يمكن أن يكون تكلفة الحوسبة عائقًا، يتماشى هذا التحول نحو اعتماد الذكاء الاصطناعي على الحافة مع الأهداف طويلة المدى من 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 الوكلاء الذاتيين وأدوات الحوكمة. وكأي تقنية جديدة، فإن قابلية التوسع، والأمان، ومعايير التوافق ستشكل مدى نضوج هذه القدرات وسرعة اعتمادها عبر النظام البيئي.

ملاحظة المخاطر والروابط التابعة: الأصول المشفرة متقلبة ورأس المال معرض للخطر. قد يحتوي هذا المقال على روابط تابعة.