Tether lança framework de IA para treinamento de modelo de smartphone

Principais Insights

• Tether introduziu um framework que permite o treinamento de modelos de linguagem de grande porte em smartphones.
• O sistema utilizou a arquitetura BitNet e o ajuste fino LoRA para reduzir as necessidades de computação.
• Empresas de criptomoedas aumentaram os gastos com infraestrutura de IA e computação de alto desempenho.

Tether lançou um novo framework de treinamento de inteligência artificial na terça-feira que permite que modelos de linguagem grandes sejam executados e ajustados em hardware de consumo. O sistema faz parte da plataforma QVAC da empresa e suporta smartphones juntamente com vários processadores não-Nvidia. Os engenheiros projetaram o framework para reduzir os requisitos de memória, diminuindo assim a barreira de custo para construir e testar modelos de linguagem.

O lançamento ocorreu à medida que empresas de infraestrutura cripto aprofundavam seu envolvimento no desenvolvimento de inteligência artificial e nos mercados de computação. A Tether, emissora da maior stablecoin por capitalização de mercado, apresentou o lançamento como uma tentativa de descentralizar capacidades de aprendizado de máquina. A empresa argumentou que permitir o treinamento de modelos em hardware amplamente disponível poderia reduzir a dependência de provedores de nuvem centralizados.

O anúncio da Tether descreveu o framework como um ambiente de treinamento construído sobre a arquitetura BitNet da Microsoft. O design utilizou estruturas de rede neural de um bit combinadas com métodos de fine-tuning LoRA, permitindo que desenvolvedores ajustem modelos mantendo as demandas computacionais baixas.

Engenheiros da empresa disseram que o sistema treinou modelos de linguagem com até um bilhão de parâmetros em smartphones em menos de duas horas. Modelos menores concluíram o treinamento em minutos quando otimizados pela mesma abordagem. A empresa também afirmou que a plataforma suporta modelos com até treze bilhões de parâmetros em dispositivos móveis.

Os engenheiros desenvolveram o sistema para operar em vários ecossistemas de hardware, em vez de depender de chips Nvidia. O framework suportava processadores AMD, arquiteturas Intel, sistemas Apple Silicon e processadores gráficos móveis da Qualcomm e da Apple. Essa compatibilidade ampliou o acesso à experimentação de aprendizado de máquina além dos clusters tradicionais de computação de alto desempenho.

O design técnico também reduziu os requisitos de memória gráfica em comparação com modelos padrão. Resultados internos de engenharia mostraram que a arquitetura BitNet reduziu o uso de VRAM em até 77,8% em comparação com sistemas de 16 bits comparáveis.

A Tether afirmou que a arquitetura permitiu o fine-tuning LoRA em hardware fora do ecossistema Nvidia. Os desenvolvedores historicamente dependiam de processadores gráficos da Nvidia para cargas de treinamento, pois esses chips realizavam cálculos de tensores grandes de forma eficiente. Os engenheiros da Tether tentaram remover essa limitação, permitindo métodos de treinamento de baixa precisão em processadores alternativos.

A empresa argumentou que a arquitetura também melhorou as velocidades de inferência para cargas de trabalho móveis. Os testes indicaram que os processadores gráficos móveis processaram modelos BitNet várias vezes mais rápido do que unidades centrais de processamento padrão. Essa diferença permitiu que os modelos fossem executados localmente em dispositivos portáteis, em vez de exigirem infraestrutura remota em nuvem.

Desenvolvedores também exploraram métodos de aprendizado de máquina distribuído dentro do sistema. A Tether descreveu possíveis usos para modelos de aprendizado federado que são atualizados em redes de dispositivos independentes. Sob essa estrutura, os modelos aprendem com dados locais, mantendo as informações em cada dispositivo em vez de enviá-las para servidores centralizados.

A empresa sugeriu que a abordagem poderia apoiar ambientes de treinamento focados em privacidade. Os dados permaneceram locais, enquanto apenas as atualizações do modelo foram transferidas entre redes. Essa arquitetura refletiu tendências dentro de sistemas de computação descentralizada e redes criptográficas distribuídas.

A atividade de mercado no setor de ativos digitais mostrou aumento no investimento em infraestrutura de inteligência artificial. Empresas de criptomoedas cada vez mais reutilizaram capacidade de computação originalmente construída para operações de blockchain em cargas de trabalho de aprendizado de máquina.

Arquivos públicos revelaram que empresas de tecnologia formaram parcerias para garantir poder de computação ligado à demanda por inteligência artificial. Um acordo anunciado em setembro deu ao Google uma participação minoritária na Cipher Mining como parte de um acordo de 10 anos avaliado em US$ 3 bilhões. O arranjo vinculou a capacidade de data centers às necessidades de processamento de inteligência artificial.

Anúncios corporativos posteriores indicaram que empresas de mineração de bitcoin também redirecionaram capital para serviços de aprendizado de máquina. Em dezembro, a mineradora IREN detalhou planos de arrecadar cerca de 3,6 bilhões de dólares para expandir a infraestrutura para operações de inteligência artificial.

Os relatórios de resultados corporativos no início do ano reforçaram a mesma tendência. A HIVE Digital Technologies relatou receita de US$ 93,1 milhões após expandir seus serviços de computação de alto desempenho. Cerca de mesmo período, a Core Scientific garantiu um facility de empréstimo de US$ 500 milhões do Morgan Stanley para apoiar o crescimento de sua infraestrutura de computação.

Desenvolvedores também experimentaram com agentes autônomos de inteligência artificial integrados à infraestrutura de blockchain. A Coinbase lançou ferramentas de carteira que permitem que agentes de software executem transações diretamente na cadeia. A Alchemy introduziu serviços que permitem que agentes acessem dados da blockchain enquanto realizam pagamentos por meio da infraestrutura de stablecoins.

Redes de identidade também exploraram a conexão entre sistemas de inteligência artificial e verificação digital. World, a rede de identidade co-fundada por Sam Altman, chefe da OpenAI, lançou o AgentKit na semana passada. O kit de ferramentas permitiu que agentes de software verificassem sua conexão a uma identidade humana única por meio do sistema World ID.

O último framework da Tether entrou no mesmo setor em expansão onde recursos de computação, aprendizado de máquina e sistemas de blockchain se intersectam.

A empresa disse que os desenvolvedores poderiam integrar as ferramentas de treinamento em aplicações distribuídas e dispositivos locais sem depender de servidores centralizados.

O próximo desenvolvimento do framework de inteligência artificial da Tether dependerá da adoção por desenvolvedores e dos testes de desempenho em nível de dispositivo. Os engenheiros provavelmente monitorarão como a plataforma QVAC lida com modelos grandes em hardware consumidor distribuído durante as próximas versões.

A postagem Tether Apresenta Framework de IA que Permite o Treinamento de Modelos em Smartphones apareceu pela primeira vez em The Coin Republic.