تيثر توفر الذكاء الاصطناعي للأجهزة في أجهزة المستهلك من خلال إطار عمل QVAC Fabric الجديد

يتحول تدريب الذكاء الاصطناعي من الخوادم السحابية إلى الأجهزة اليومية مع وصول الذكاء الاصطناعي على الأجهزة إلى الهواتف الذكية الرائدة ووحدات معالجة الرسومات للمستهلكين.

تيثر تكشف عن QVAC Fabric لتدريب الذكاء الاصطناعي المحلي

أطلقت شركة تيثر، مُصدرة عملة USDT المستقرة، إطار عمل جديد لتدريب الذكاء الاصطناعي يُسمى QVAC Fabric، مصمم لتشغيل نماذج اللغة الكبيرة على الهواتف الذكية ووحدات معالجة الرسومات للمستهلكين باستخدام بنية Microsoft’s BitNet وتقنيات تحسين LoRA.

تقول الشركة إن QVAC Fabric يمكن أن يقلل من استهلاك الذاكرة بنسبة تصل إلى 90% مقارنة بالنماذج القياسية ذات 16 بت. علاوة على ذلك، فإن هذا التخفيض يسمح بتشغيل نماذج كانت تتطلب عادة مراكز بيانات مباشرة على الهواتف المحمولة وأجهزة اللابتوب ووحدات معالجة الرسومات غير من Nvidia.

تذكر تيثر أن مهندسيها قاموا بضبط نماذج تحتوي على ما يصل إلى مليار معلمة على الهواتف الذكية في أقل من ساعتين، بينما استغرقت النماذج الأصغر بضع دقائق فقط. ومع ذلك، فإن الإطار لا يقتصر على الشبكات الصغيرة ويمكن أن يتوسع بشكل كبير.

تشغيل نماذج بمليار معلمة على iPhone وAndroid

على أجهزة الرائدة مثل iPhone 16 وPixel 9 وGalaxy S25، دفع الفريق عملية الضبط الدقيق لنماذج تصل إلى 3.8 مليار معلمة. وعلى هاتف Apple الأحدث تحديدًا، ذكروا أنهم وصلوا إلى 13 مليار معلمة.

يدعم الإطار مجموعة واسعة من الأجهزة، بما في ذلك شرائح AMD وIntel وApple Silicon، بالإضافة إلى وحدات معالجة الرسومات المحمولة من Qualcomm وApple. ومع ذلك، فهو مصمم بشكل صريح للعمل بدون الاعتماد على نظام Nvidia، مما يعكس توجهًا نحو بنية تحتية أكثر وصولًا للذكاء الاصطناعي.

وفقًا لتيثر، يمكن لوحدات معالجة الرسومات المحمولة التي تعمل بنموذج BitNet أن تعمل بسرعة تتراوح بين مرتين إلى إحدى عشرة مرة أسرع من التكوينات التي تعتمد فقط على المعالج المركزي. يبرز هذا الفارق في الأداء أهمية الاعتماد على بنى معمارية موجهة للهواتف المحمولة لتدريب النماذج محليًا.

التعلم الفيدرالي والذكاء الاصطناعي الموجه للخصوصية

واحدة من الاستخدامات الرئيسية التي أبرزتها تيثر هي التعلم الفيدرالي، وهو نهج يتم فيه تحديث نماذج الذكاء الاصطناعي عبر العديد من الأجهزة دون إرسال البيانات الشخصية إلى الخوادم المركزية. عمليًا، يتيح ذلك للمستخدمين تخصيص النماذج محليًا مع الاحتفاظ بالمعلومات الحساسة على أجهزتهم الخاصة.

علاوة على ذلك، يقلل هذا الأسلوب من الاعتماد على مزودي السحابة الكبار وقد يخفض التكاليف للمختبرات الصغيرة والمطورين المستقلين. قامت تيثر بفتح مصدر رمز منصة QVAC على GitHub، داعية المجتمع لتجربة وتطوير الإطار.

تعتبر تيثر QVAC Fabric وسيلة لجعل الذكاء الاصطناعي على الأجهزة أكثر عملية على نطاق واسع، خاصة للتطبيقات التي تتطلب خصوصية صارمة للبيانات. ومع ذلك، فإن نجاحها يعتمد على مدى سرعة اعتماد المطورين للأدوات في المنتجات الواقعية.

الشركات المشفرة تتسابق لبناء بنية تحتية للذكاء الاصطناعي

يتماشى إطلاق تيثر مع تحول أوسع في قطاع العملات الرقمية، حيث تستثمر الشركات المرتبطة بالأصول الرقمية بشكل كبير في الذكاء الاصطناعي والحوسبة عالية الأداء. في سبتمبر 2024، استحوذت Google على حصة قدرها 5.4% في Cipher Mining ضمن صفقة بقيمة 3 مليارات دولار مرتبطة بسعة مراكز البيانات للذكاء الاصطناعي.

أعلنت شركة Bitcoin miner IREN في ديسمبر 2024 عن خطط لجمع حوالي 3.6 مليار دولار لتوسعة بنية تحتية للذكاء الاصطناعي. علاوة على ذلك، في فبراير 2025، أعلنت شركة HIVE Digital Technologies عن إيرادات قياسية بلغت 93.1 مليون دولار، مدفوعة بنمو الذكاء الاصطناعي والحوسبة عالية الأداء.

وفي مارس، حصلت شركة Core Scientific على تسهيل قرض بقيمة 500 مليون دولار من Morgan Stanley، مع خيار لزيادته إلى مليار دولار. تظهر هذه الاستثمارات كيف أن المعدنين ومزودي البنية التحتية ي diversifying beyond pure bitcoin operations.

ويب 3 يلتقي بوكاءات الذكاء الاصطناعي وأدوات الهوية

في نفس اليوم الذي كشفت فيه تيثر عن QVAC Fabric، أطلقت شركة World، مشروع الهوية الذي شارك في تأسيسه سام ألتمان من OpenAI، أداة AgentKit. تتيح مجموعة الأدوات لوكلاء الذكاء الاصطناعي التحقق من روابط بشرية حقيقية باستخدام World ID وبدء المدفوعات عبر بروتوكول المدفوعات الصغيرة.

أيضًا في فبراير، قدمت شركة Alchemy نظامًا يتيح لوكلاء الذكاء الاصطناعي الوصول إلى خدمات بيانات blockchain باستخدام USDC على شبكة Base. يعكس هذا التكامل تزايد التقاء الوكلاء الذكيين وطبقات الهوية والتسوية على السلسلة.

بشكل عام، تؤكد QVAC Fabric على كيف أن تيثر وشركات أخرى أصيلة في مجال العملات الرقمية تضع نفسها عند تقاطع الأصول الرقمية، وأبحاث الذكاء الاصطناعي، والبنية التحتية اللامركزية، مما قد يعيد تشكيل طرق تدريب النماذج المتقدمة ونشرها على الحافة.