Tether s'engage plus profondément dans l'intelligence artificielle avec une nouvelle version qui pourrait considérablement abaisser les barrières à l'entraînement de grands modèles de langage.
L'entreprise, surtout connue pour avoir émis Tether (USDT), a introduit un cadre au sein de sa plateforme QVAC qui permet d'affiner les modèles d'IA sur les appareils grand public courants, y compris les smartphones et les GPU non-Nvidia.
Points clés à retenir
- Tether a introduit un nouveau framework QVAC qui permet d'affiner les grands modèles d'IA sur les smartphones et le matériel grand public.
- L'intégration de Microsoft BitNet réduit considérablement l'utilisation de la mémoire, permettant ainsi d'exécuter des modèles à un milliard de paramètres sur des appareils aux capacités limitées.
- Le système s'affranchit de la dépendance à Nvidia en prenant en charge l'entraînement de l'IA sur des puces AMD, Intel, Apple et des GPU mobiles.
- Les tests de performance montrent que les modèles d'IA peuvent être entraînés en quelques minutes à quelques heures sur smartphones, avec des performances d'inférence plus rapides sur les GPU mobiles que sur les CPU.
- Cette évolution s'inscrit dans une tendance plus large où les entreprises de cryptomonnaies se développent dans les infrastructures d'IA et les solutions informatiques décentralisées embarquées.
Un changement de paradigme par rapport aux infrastructures d'IA coûteuses
L'entraînement des systèmes d'IA modernes a longtemps nécessité l'accès à du matériel spécialisé, notamment des GPU de Nvidia, ou à une infrastructure cloud coûteuse. La dernière innovation de Tether vise à changer la donne.
Basé sur Microsoft BitNet et combinant les techniques LoRA (Low-Rank Adaptation), ce framework réduit considérablement les besoins en mémoire et en puissance de calcul. Selon l'entreprise, il permet d'affiner des modèles comportant jusqu'à un milliard de paramètres sur smartphones en moins de deux heures, tandis que les modèles plus petits peuvent être entraînés en quelques minutes.
Le système est conçu pour fonctionner sur une large gamme de matériels, notamment des puces Intel, AMD et Apple, ainsi que des GPU mobiles Qualcomm et des appareils Apple.
Lors de tests de référence, les ingénieurs de Tether ont indiqué qu'un modèle de 125 millions de paramètres pouvait être entraîné en une dizaine de minutes sur un appareil Android haut de gamme, tandis qu'un modèle d'un milliard de paramètres effectuait des tâches similaires en un peu plus d'une heure sur les appareils Android et iOS.
L'équipe a également repoussé les limites encore plus loin, démontrant que des modèles comportant jusqu'à 13 milliards de paramètres pouvaient être finement réglés sur un smartphone.
Gains d'efficacité grâce à l'architecture 1 bit
L'un des principaux facteurs expliquant ces performances est la conception du modèle 1 bit de BitNet, qui réduit considérablement la consommation de mémoire par rapport aux systèmes 16 bits traditionnels. Tether affirme que son approche permet de réduire les besoins en VRAM jusqu'à 77.8 %, libérant ainsi des ressources pour l'exécution de modèles plus volumineux sur du matériel aux capacités limitées.
Ce framework améliore également la vitesse d'inférence. Sur les GPU mobiles, les modèles basés sur BitNet s'exécuteraient de deux à onze fois plus vite que sur les CPU, ce qui suggère que les smartphones modernes sont de plus en plus capables de gérer des charges de travail autrefois réservées aux centres de données.
Autre avancée majeure : la compatibilité du framework avec le matériel non-Nvidia pour le réglage fin de LoRa, une fonctionnalité jusqu’ici réservée à l’écosystème Nvidia. Ceci élargit l’accès aux développeurs travaillant avec des puces alternatives et des appareils grand public.
Décentralisation du développement de l'IA
Tether présente cette nouveauté comme une étape importante vers la décentralisation de l'IA. En permettant l'entraînement directement sur l'appareil, le système garantit la conservation des données sensibles en local plutôt que leur envoi vers des serveurs centralisés. Ceci ouvre la voie à l'apprentissage fédéré, où les modèles peuvent être mis à jour sur différents appareils sans compromettre la confidentialité.
Paolo Ardoino, PDG de Tether, a souligné les implications plus larges de ce changement :
Il a ajouté que la dépendance à une infrastructure centralisée risque de ralentir l'innovation et de concentrer le pouvoir, tandis que les capacités embarquées pourraient rendre le développement de l'IA plus inclusif.
Les entreprises crypto misent tout sur l'IA
L'annonce de Tether reflète une tendance plus large à travers le secteur crypto, où les entreprises investissent de plus en plus dans l'infrastructure d'IA et le calcul haute performance.
Les entreprises de minage, notamment, ont commencé à réorienter leur matériel vers les charges de travail d'IA. Cipher Mining a récemment conclu un accord de plusieurs milliards de dollars lié à la capacité de ses centres de données dédiés à l'IA, tandis que Core Scientific a obtenu une importante ligne de crédit pour étendre son infrastructure. Parallèlement, HIVE Digital Technologies a annoncé une hausse de son chiffre d'affaires, en partie due à ses activités axées sur l'IA.
Parallèlement, les agents d'IA — des programmes autonomes capables d'exécuter des transactions et d'interagir avec des services — gagnent du terrain au sein des écosystèmes blockchain. Des plateformes comme Coinbase et Alchemy ont introduit des outils permettant à ces agents d'opérer sur la blockchain, tandis que des initiatives soutenues par des entreprises telles que Franklin Templeton explorent des cas d'utilisation en entreprise.
Ce que cela signifie pour les développeurs
Si les affirmations de Tether se confirment avec une adoption plus large, les implications pourraient être considérables. Les développeurs qui dépendaient auparavant de coûteux clusters de GPU pourraient bientôt entraîner et personnaliser des modèles localement à l'aide des appareils qu'ils possèdent déjà.
Cela pourrait accélérer l'expérimentation, notamment dans les régions ou les communautés ayant un accès limité aux infrastructures de pointe. Cela répond également aux préoccupations croissantes concernant la protection des données, car le traitement sur l'appareil réduit la nécessité de transmettre des informations sensibles à des serveurs tiers.
Des questions subsistent néanmoins concernant l'évolutivité, les performances réelles sur diverses charges de travail et la façon dont ce cadre se compare aux pipelines d'entraînement d'IA établis.
Ce qui est certain, c'est que la frontière entre le matériel grand public et les capacités d'IA d'entreprise s'estompe. Avec le framework BitNet LoRA de QVAC, Tether parie sur un avenir du développement de l'IA bien plus distribué et accessible qu'aujourd'hui.
