تتعمق شركة Tether في مجال الذكاء الاصطناعي من خلال إصدار جديد قد يقلل بشكل كبير من عائق تدريب نماذج اللغة الكبيرة.
قامت الشركة، المعروفة بإصدار عملة Tether (USDT)، بتقديم إطار عمل ضمن منصة QVAC الخاصة بها والذي يمكّن من ضبط نماذج الذكاء الاصطناعي بدقة على أجهزة المستهلكين اليومية - بما في ذلك الهواتف الذكية ووحدات معالجة الرسومات غير التابعة لشركة Nvidia.
الوجبات السريعة الرئيسية
- قدمت شركة Tether إطار عمل QVAC جديدًا يمكّن من ضبط نماذج الذكاء الاصطناعي الكبيرة بدقة على الهواتف الذكية والأجهزة المخصصة للمستهلكين.
- يؤدي دمج Microsoft BitNet إلى تقليل استخدام الذاكرة بشكل كبير، مما يجعل من الممكن تشغيل نماذج ذات مليارات المعلمات على الأجهزة المحدودة.
- يزيل النظام الاعتماد على Nvidia من خلال دعم تدريب الذكاء الاصطناعي عبر رقائق من AMD و Intel و Apple ووحدات معالجة الرسومات المحمولة.
- تُظهر المعايير أن نماذج الذكاء الاصطناعي يمكن تدريبها في غضون دقائق إلى ساعات على الهواتف الذكية، مع أداء استدلال أسرع على وحدات معالجة الرسومات المحمولة مقارنة بوحدات المعالجة المركزية.
- يتماشى هذا التطور مع اتجاه أوسع لشركات العملات المشفرة للتوسع في البنية التحتية للذكاء الاصطناعي وحلول الحوسبة اللامركزية على الأجهزة.
التحول عن البنية التحتية المكلفة للذكاء الاصطناعي
لطالما تطلّب تدريب أنظمة الذكاء الاصطناعي الحديثة الوصول إلى أجهزة متخصصة، لا سيما وحدات معالجة الرسومات من إنفيديا، أو بنية تحتية سحابية باهظة الثمن. ويهدف أحدث تطوير لشركة تيثر إلى تغيير هذا الواقع.
بفضل اعتمادها على منصة مايكروسوفت بيت نت ودمجها مع تقنيات لورا (التكيف منخفض الرتبة)، تُقلل هذه البنية بشكلٍ كبير من متطلبات الذاكرة والحوسبة. ووفقًا للشركة، يُتيح ذلك ضبط نماذج تصل إلى مليار مُعامل بدقة على الهواتف الذكية في أقل من ساعتين، بينما تُكمل النماذج الأصغر حجمًا تدريبها في دقائق معدودة.
تم تصميم النظام ليعمل على نطاق واسع من الأجهزة، بما في ذلك الرقائق من Intel و AMD و Apple، بالإضافة إلى وحدات معالجة الرسومات المحمولة من Qualcomm وأجهزة Apple.
في اختبارات قياس الأداء، أفاد مهندسو Tether أنه يمكن تدريب نموذج مكون من 125 مليون معلمة في حوالي 10 دقائق على جهاز Android رائد، بينما أكمل نموذج مكون من مليار معلمة مهام مماثلة في أكثر من ساعة بقليل على كل من أجهزة Android و iOS.
كما دفع الفريق الحدود إلى أبعد من ذلك، حيث أثبت أنه يمكن ضبط نماذج تصل إلى 13 مليار معلمة بدقة على هاتف ذكي.
تحسين الكفاءة من خلال بنية 1 بت
يعود أحد العوامل الرئيسية وراء هذا الأداء المتميز إلى تصميم نموذج BitNet أحادي البت، الذي يقلل بشكل كبير من استهلاك الذاكرة مقارنةً بالأنظمة التقليدية ذات 16 بت. وتزعم شركة Tether أن نهجها يُمكن أن يُقلل من متطلبات ذاكرة الوصول العشوائي للفيديو (VRAM) بنسبة تصل إلى 77.8%، مما يُتيح موارد إضافية لتشغيل نماذج أكبر على أجهزة ذات موارد محدودة.
كما يُحسّن هذا الإطار سرعات الاستدلال. وبحسب التقارير، تعمل النماذج القائمة على BitNet على وحدات معالجة الرسومات المحمولة بسرعة تتراوح بين ضعفين إلى أحد عشر ضعفًا مقارنةً بوحدات المعالجة المركزية، مما يشير إلى أن الهواتف الذكية الحديثة أصبحت قادرة بشكل متزايد على التعامل مع أعباء العمل التي كانت حكرًا على مراكز البيانات.
ومن الإنجازات البارزة الأخرى توافق إطار العمل مع الأجهزة غير التابعة لشركة Nvidia لضبط تقنية LoRa بدقة، وهو أمر كان مقتصراً في السابق على نظام Nvidia البيئي. وهذا يوسع نطاق الوصول للمطورين الذين يعملون مع شرائح بديلة وأجهزة استهلاكية.
تطوير الذكاء الاصطناعي اللامركزي
تُسوّق شركة Tether هذا الإصدار كجزء من مسعى أوسع نحو لامركزية الذكاء الاصطناعي. فمن خلال تمكين التدريب على الجهاز نفسه، يسمح النظام ببقاء البيانات الحساسة محلية بدلاً من إرسالها إلى خوادم مركزية. وهذا يفتح المجال أمام التعلم الموحد، حيث يمكن تحديث النماذج عبر أجهزة موزعة دون المساس بالخصوصية.
أكد باولو أردوينو، الرئيس التنفيذي لشركة تيثر، على الآثار الأوسع نطاقاً لهذا التحول:
وأضاف أن الاعتماد على البنية التحتية المركزية يُنذر بإبطاء الابتكار وتركيز السلطة، في حين أن القدرات الموجودة على الجهاز يمكن أن تجعل تطوير الذكاء الاصطناعي أكثر شمولاً.
شركات العملات المشفرة تُضاعف استثماراتها في مجال الذكاء الاصطناعي
يعكس إعلان شركة Tether اتجاهاً أوسع نطاقاً في قطاع العملات المشفرة ، حيث تستثمر الشركات بشكل متزايد في البنية التحتية للذكاء الاصطناعي والحوسبة عالية الأداء.
بدأت شركات تعدين العملات الرقمية، على وجه الخصوص، في إعادة توظيف أجهزتها لتطبيقات الذكاء الاصطناعي. وقد أبرمت شركة "سايفر ماينينغ" مؤخرًا اتفاقية بمليارات الدولارات مرتبطة بسعة مراكز بيانات الذكاء الاصطناعي، بينما حصلت شركة "كور ساينتيفيك" على تسهيلات ائتمانية كبيرة لتوسيع بنيتها التحتية. وفي الوقت نفسه، أفادت شركة "هايف ديجيتال تكنولوجيز" عن ارتفاع إيراداتها مدفوعة جزئيًا بعملياتها التي تركز على الذكاء الاصطناعي.
في الوقت نفسه، تكتسب برامج الذكاء الاصطناعي - وهي برامج مستقلة قادرة على تنفيذ المعاملات والتفاعل مع الخدمات - زخمًا متزايدًا ضمن أنظمة البلوك تشين. وقد طرحت منصات مثل Coinbase وAlchemy أدوات تُمكّن هذه البرامج من العمل على البلوك تشين، بينما تستكشف مبادرات مدعومة من شركات مثل Franklin Templeton حالات استخدام مؤسسية.
ماذا يعني هذا للمطورين
إذا ثبتت صحة ادعاءات شركة Tether مع ازدياد انتشارها، فقد تكون التداعيات كبيرة. فالمطورون الذين كانوا يعتمدون سابقًا على مجموعات وحدات معالجة الرسومات باهظة الثمن قد يتمكنون قريبًا من تدريب النماذج وتخصيصها محليًا باستخدام الأجهزة التي يمتلكونها بالفعل.
قد يُسهم هذا في تسريع وتيرة التجارب، لا سيما في المناطق أو المجتمعات التي تعاني من محدودية الوصول إلى البنية التحتية المتطورة. كما أنه يتماشى مع المخاوف المتزايدة بشأن خصوصية البيانات، حيث أن المعالجة على الجهاز تُقلل من الحاجة إلى نقل المعلومات الحساسة إلى خوادم جهات خارجية.
ومع ذلك، لا تزال هناك تساؤلات حول قابلية التوسع، والأداء في العالم الحقيقي عبر أحمال العمل المتنوعة، وكيف تتم مقارنة الإطار بخطوط تدريب الذكاء الاصطناعي الراسخة.
لكن من الواضح أن الخط الفاصل بين أجهزة المستهلكين وقدرات الذكاء الاصطناعي للمؤسسات بدأ يتلاشى. فمن خلال إطار عمل BitNet LoRA من QVAC، تراهن Tether على أن مستقبل تطوير الذكاء الاصطناعي سيكون أكثر انتشارًا وأسهل وصولًا بكثير مما هو عليه اليوم.
