تيرتر تطلق إطار عمل ذكاء اصطناعي لتدريب نماذج الهواتف الذكية

الرؤى الرئيسية

• أطلقت تيتر إطارًا يمكّن تدريب نماذج اللغة الكبيرة على الهواتف الذكية.
• استخدم النظام بنية BitNet وضبط LoRA لتقليل احتياجات الحوسبة.
• زادت شركات التشفير إنفاقها على البنية التحتية للذكاء الاصطناعي والحاسوب عالي الأداء.

تيرتر أطلقت إطار عمل جديد للتدريب بالذكاء الاصطناعي يوم الثلاثاء يمكّن النماذج اللغوية الكبيرة من التشغيل والضبط الدقيق على الأجهزة الاستهلاكية. ويشكل النظام جزءًا من منصة QVAC الخاصة بالشركة ويدعم الهواتف الذكية إلى جانب عدة معالجات غير من Nvidia. وصمم المهندسون الإطار لتقليل متطلبات الذاكرة، وبالتالي خفض عائق التكلفة لبناء واختبار النماذج اللغوية.

جاء الإطلاق مع قيام شركات البنية التحتية للعملات المشفرة بالتوسع أكثر في تطوير الذكاء الاصطناعي وأسواق الحوسبة. وقد وصفت تيتر، المصدرة لأكبر عملة مستقرة من حيث القيمة السوقية، الإطلاق على أنه محاولة للامركزية لقدرات التعلم الآلي. وحاججت الشركة أن تمكين تدريب النماذج على الأجهزة المتاحة على نطاق واسع يمكن أن يقلل من الاعتماد على مزودي السحابة المركزيين.

وصف إعلان تيتر الإطار على أنه بيئة تدريب مبنية على بنية Microsoft BitNet. استخدم التصميم هياكل الشبكات العصبية ذات بت واحد مع أساليب الضبط الدقيق LoRA، مما يسمح للمطورين بتعديل النماذج مع الحفاظ على انخفاض متطلبات الحوسبة.

قال مهندسو الشركة إن النظام درّب نماذج اللغة ذات ما يصل إلى مليار معلمة على الهواتف الذكية في أقل من ساعتين. وأُبلغ أن النماذج الأصغر أكملت التدريب خلال دقائق عندما تم تحسينها من خلال نفس النهج. كما أفادت الشركة أن المنصة تدعم النماذج التي تصل إلى ثلاثة عشر مليار معلمة على الأجهزة المحمولة.

قام المهندسون ببناء النظام للعمل عبر عدة أنظمة أساسية للعتاد بدلاً من الاعتماد على شرائح Nvidia. ودعم الإطار معالجات AMD وهياكل Intel وأنظمة Apple Silicon ومعالجات الرسومات المحمولة من Qualcomm وApple. ووسع هذا التوافق الوصول إلى تجارب التعلم الآلي خارج مجموعات الحوسبة عالية الأداء التقليدية.

كما قلّل التصميم التقني من متطلبات ذاكرة الرسومات مقارنةً بالنمط القياسي. وأظهرت نتائج الهندسة الداخلية أن هندسة BitNet خفّضت استخدام VRAM بنسبة تصل إلى 77.8% مقارنةً بأنظمة 16 بت المماثلة.

قالت تيتر إن البنية تسمح بالضبط الدقيق LoRA على أجهزة خارج نظام Nvidia. كان المطورون يعتمدون تاريخيًا على معالجات الرسومات الخاصة بـ Nvidia لمهام التدريب لأن هذه الرقاقات تتعامل بكفاءة مع حسابات التنسور الكبيرة. حاول مهندسو تيتر إزالة هذا القيد من خلال السماح بأساليب التدريب منخفضة الدقة على معالجات بديلة.

جادلت الشركة أن البنية ساعدت أيضًا على تحسين سرعات الاستنتاج للعبء العمل المحمول. أشارت الاختبارات إلى أن وحدات معالجة الرسومات المحمولة معالجة نماذج BitNet عدة مرات أسرع من وحدات المعالجة المركزية القياسية. سمح هذا الفرق للنماذج بالعمل محليًا على الأجهزة المحمولة بدلاً من الحاجة إلى بنية تحتية سحابية عن بُعد.

استكشف المطورون أيضًا طرق التعلم الآلي الموزعة داخل النظام. وصفت تيتر استخدامات محتملة لنماذج التعلم التعاوني التي تُحدّث عبر شبكات من الأجهزة المستقلة. وتحت هذا الهيكل، تتعلم النماذج من البيانات المحلية مع الاحتفاظ بالمعلومات على كل جهاز بدلاً من رفعها إلى خوادم مركزية.

اقترحت الشركة أن هذا النهج يمكن أن يدعم بيئات تدريب تركز على الخصوصية. ظلت البيانات محلية، بينما تم نقل تحديثات النموذج فقط عبر الشبكات. عكست هذه البنية الاتجاهات داخل أنظمة الحوسبة اللامركزية وشبكات التشفير الموزعة.

أظهر نشاط السوق في قطاع الأصول الرقمية ارتفاعًا في الاستثمارات في البنية التحتية للذكاء الاصطناعي. وبدأت شركات العملات المشفرة في إعادة توظيف قدرات الحوسبة التي تم بناؤها أصلاً لعمليات البلوكشين نحو أحمال عمل التعلم الآلي.

كشفت المستندات العامة أن شركات التكنولوجيا أقامت شراكات لتأمين قوة حوسبة مرتبطة بطلب الذكاء الاصطناعي. وقد أُعلن عن صفقة في سبتمبر منحت جوجل حصة أقلية في Cipher Mining كجزء من اتفاق مدته 10 سنوات بقيمة 3 مليارات دولار. وربطت هذه الترتيبات قدرة مركز البيانات باحتياجات معالجة الذكاء الاصطناعي.

أشارت الإعلانات المؤسسية لاحقًا إلى أن شركات تعدين البيتكوين أيضًا أعادت توجيه رؤوس الأموال نحو خدمات التعلم الآلي. في ديسمبر، وضحت شركة التعدين IREN خططها لجمع حوالي 3.6 مليار دولار لتوسيع البنية التحتية لعمليات الذكاء الاصطناعي.

أكدت تقارير الأرباح الشركاتية في بداية العام على نفس الاتجاه. أبلغت HIVE Digital Technologies عن إيرادات قدرها 93.1 مليون دولار بعد توسيع خدمات حوسبة عالية الأداء. وفي نفس الفترة تقريبًا، حصلت Core Scientific على قرض بقيمة 500 مليون دولار من Morgan Stanley لدعم نمو بنية الحوسبة الخاصة بها.

كما جرب المطورون وكلاء ذكاء اصطناعي ذاتيًا متكاملين مع بنية تحتية للسلسلة الكتلية. أطلقت Coinbase أدوات محفظة تسمح للوكلاء البرمجيين بتنفيذ المعاملات مباشرة على السلسلة. وقد قدمت Alchemy خدمات تمكن الوكلاء من الوصول إلى بيانات السلسلة الكتلية مع تسديد المدفوعات عبر بنية تحتية للعملات المستقرة.

استكشفت شبكات الهوية أيضًا العلاقة بين أنظمة الذكاء الاصطناعي والتحقق الرقمي. أطلقت World، شبكة الهوية التي أسسها سام ألتمان الرئيس التنفيذي لشركة OpenAI، AgentKit في وقت سابق من هذا الأسبوع. وسمح هذا الأدوات للوكلاء البرمجيين بالتحقق من ارتباطهم بهوية بشرية فريدة من خلال نظام World ID.

دخل الإطار الأحدث لتايتير نفس القطاع المتنامي حيث تتقاطع موارد الحوسبة والتعلم الآلي وأنظمة البلوكشين.

قالت الشركة إن المطورين يمكنهم دمج أدوات التدريب في التطبيقات الموزعة والأجهزة المحلية دون الاعتماد على خوادم مركزية.

سيعتمد التطور التالي لإطار العمل الذكاء الاصطناعي الخاص ب Tether’s على اعتماد المطورين واختبار الأداء على مستوى الأجهزة. من المرجح أن يراقب المهندسون كيفية تعامل منصة QVAC مع النماذج الكبيرة عبر الأجهزة الاستهلاكية الموزعة خلال الإصدارات القادمة.

ظهرت المقالة Tether تكشف عن إطار عمل ذكاء اصطناعي يمكّن تدريب النماذج على الهواتف الذكية لأول مرة على The Coin Republic.