Tether telah meluncurkan kerangka kerja pelatihan AI lintas platform yang dikatakan perusahaan dapat menyempurnakan model bahasa besar pada perangkat keras konsumen, termasuk ponsel dan GPU non-NVIDIA. Sistem ini, bagian dari platform QVAC Tether, mengandalkan arsitektur BitNet dari Microsoft dan teknik LoRA untuk mengurangi kebutuhan memori dan komputasi, berpotensi menurunkan biaya dan hambatan perangkat keras bagi pengembang. Pengumuman ini menempatkan kerangka kerja tersebut sebagai kompatibel dengan berbagai chip—dari AMD dan Intel hingga Apple Silicon—serta GPU mobile dari Qualcomm dan Apple. Dalam pengujian internal, insinyur dilaporkan menyempurnakan model dengan hingga 1 miliar parameter di ponsel dalam waktu kurang dari dua jam, dengan model yang lebih kecil dapat diselesaikan dalam hitungan menit, dan mendukung model sebesar 13 miliar parameter di perangkat mobile.
Intisari utama
Kerangka kerja QVAC Tether memanfaatkan arsitektur model 1-bit (BitNet) untuk secara drastis mengurangi penggunaan VRAM, memungkinkan model yang lebih besar berjalan di perangkat keras terbatas.
Fine-tuning berbasis LoRA diperluas ke perangkat keras non-NVIDIA, memperluas kompatibilitas di seluruh platform AMD, Intel, dan Apple Silicon, serta GPU mobile dari Qualcomm dan Apple.
Pelatihan di perangkat dan federated learning disorot sebagai potensi penggunaan, menunjukkan pengurangan ketergantungan pada komputasi cloud terpusat untuk pembaruan model.
Peningkatan kinerja juga berlaku untuk inferensi, dengan GPU mobile dilaporkan memberikan hasil lebih cepat untuk model BitNet dibandingkan beban kerja CPU tradisional.
Langkah ini sesuai dengan tren industri yang lebih luas di mana perusahaan kripto memperluas ke komputasi AI dan komputasi berkinerja tinggi, menyentuh kapasitas pusat data AI dan agen perangkat lunak otonom.
Ticker yang disebutkan: $BTC, $USDT, $USDC, $COIN, $HIVE
Sentimen: Netral
Konteks pasar: Dorongan untuk membawa pelatihan dan inferensi AI lebih dekat ke perangkat edge mencerminkan pergeseran yang lebih luas menuju AI di perangkat dan pembelajaran terdistribusi dalam ekosistem kripto dan fintech, bersama dengan alokasi modal yang berkelanjutan ke komputasi AI oleh operator penambangan dan perusahaan pusat data.
Mengapa ini penting
Untuk pasar yang dibangun atas kepercayaan terhadap uang yang dapat diprogram dan ekosistem tanpa izin, kemampuan menjalankan beban kerja AI besar di perangkat keras konsumen dapat mengubah siapa yang dapat melatih dan menyempurnakan model. Dengan mengurangi kebutuhan VRAM hingga 77,8% dibandingkan model 16-bit sejenis, menurut Tether, kerangka kerja berbasis BitNet ini mengatasi salah satu hambatan paling umum dalam AI edge: keterbatasan memori. Ini dapat memungkinkan pengembang untuk mendorong lebih banyak eksperimen ke perangkat yang lebih dekat ke pengguna, berpotensi memungkinkan pelatihan di perangkat yang menjaga privasi dan federated learning, di mana pembaruan dikumpulkan secara lokal daripada diunggah ke server pusat.
Selain dari inovasi menjalankan model dengan miliaran parameter di ponsel, inisiatif ini mengisyaratkan strategi yang lebih luas: perusahaan kripto sedang mengadopsi AI dan HPC untuk mendukung produk dan layanan baru, mulai dari analitik on-chain hingga agen otonom yang melakukan transaksi atau berinteraksi dengan layanan. Artikel ini mencatat bahwa pemain besar sudah mulai mengintegrasikan AI ke operasi inti mereka atau menjajaki infrastruktur berbasis AI. Saat operator penambangan dan pusat data mencari penggunaan yang lebih menguntungkan, komputasi AI menjadi perluasan alami dari infrastruktur sektor ini. Ini sejalan dengan tren yang lebih luas di mana pemain institusional diversifikasi ke beban kerja AI, menegaskan bagaimana perusahaan yang berbasis blockchain memandang AI sebagai komponen penting untuk skalabilitas jangka panjang dan pengembangan produk.
Di sisi teknologi, kemampuan lintas platform menandai pergeseran dari tumpukan AI yang didominasi Nvidia menuju pendekatan yang lebih hardware-agnostic. Kombinasi arsitektur model 1-bit dengan fine-tuning LoRA pada perangkat keras non-NVIDIA memperluas potensi perangkat keras untuk pengembangan AI, sebuah langkah yang dapat mempercepat eksperimen dan mengurangi hambatan bagi tim kecil atau pengembang individu yang bergantung pada perangkat konsumen. Pengembangan ini juga kemungkinan akan mempengaruhi cara agen AI—program otonom yang berinteraksi dengan layanan dan menjalankan tugas—dilatih dan diperbarui di perangkat, berpotensi memperkuat penggunaan yang menjaga privasi dengan meminimalkan transfer data ke cloud.
Latar belakang industri yang lebih luas mencakup ekspansi perusahaan kripto ke layanan berbasis AI dan pusat data. Misalnya, langkah strategis oleh penambang dan vendor infrastruktur untuk meningkatkan kapasitas komputasi AI telah dilaporkan dalam kuartal terakhir, dengan beberapa pemain besar mengejar pengembangan pusat data berbasis AI dan kemitraan. Meskipun dampak langsung dari kerangka kerja Tether masih harus dibuktikan secara skala, penekanan pada interoperabilitas lintas platform dan kemampuan di perangkat menunjukkan masa depan di mana alat AI menjadi lebih mudah diakses oleh berbagai perangkat, termasuk yang memiliki anggaran komputasi terbatas.
Apa yang harus diperhatikan selanjutnya
Kecepatan adopsi: Apakah perusahaan kripto lain dan pengembang AI akan secara terbuka menerapkan pelatihan berbasis BitNet di perangkat konsumen, dan aplikasi apa yang akan muncul terlebih dahulu?
Perluasan lintas platform: Seberapa cepat workflow yang didukung LoRA akan meluas ke GPU non-NVIDIA dan akselerator mobile lainnya?
Pilot AI di perangkat: Akankah kita melihat penerapan federated learning nyata atau pilot pelatihan di perangkat yang menunjukkan manfaat privasi data?
Benchmark kompetitif: Pengujian independen yang membandingkan pelatihan berbasis BitNet dengan workflow tradisional yang berfokus pada GPU di perangkat edge dan pusat data.
Kemitraan ekosistem: Kolaborasi dengan penyedia wallet, agen AI, atau platform analitik on-chain yang mengintegrasikan model yang dilatih di perangkat ke produk pengguna.
Sumber & verifikasi
Pengumuman peluncuran QVAC dari Tether yang merinci kerangka kerja lintas platform BitNet/LoRA dan tujuannya. Verifikasi di halaman berita resmi Tether yang terkait dalam pengumuman.
Klaim pengurangan VRAM dan kekuatan parameter dari kerangka kerja QVAC, sebagaimana dijelaskan dalam rilis Tether.
Pendapatan dan metrik kinerja berbasis AI/HPC dari HIVE Digital Technologies yang dilaporkan dalam liputan industri dari Cointelegraph.
Verifikasi dan kemampuan pembayaran agen AI World’s AgentKit, sebagaimana dijelaskan dalam komunikasi resmi dan liputan World.
Infrastruktur wallet Coinbase untuk agen AI dan sistem Alchemy yang memungkinkan akses data blockchain melalui USDC, sebagaimana dilaporkan dalam liputan yang dikutip dalam artikel.
Apa yang harus diperhatikan selanjutnya
Pantau pembaruan dari Tether tentang tonggak QVAC, termasuk integrasi platform yang lebih luas atau pengumuman kompatibilitas perangkat keras tambahan. Amati apakah perusahaan kripto atau fintech lain mulai menerbitkan benchmark kinerja atau pilot yang memvalidasi klaim pelatihan di perangkat. Terakhir, ikuti langkah-langkah pemain industri AI dan kripto menuju federated learning dan inferensi di perangkat yang menjaga privasi, yang dapat mengubah cara model dilatih dan diperbarui dalam jaringan terdistribusi.
Sumber & verifikasi
Peluncuran Tether QVAC: https://tether.io/news/tethers-qvac-launches-worlds-first-cross-platform-bitnet-lora-framework-to-enable-billion-parameter-ai-training-and-inference-on-consumer-gpus-and-smartphones/
Konteks pendapatan HIVE Digital Technologies: https://cointelegraph.com/news/hive-digital-focus-crypto-mining-ai-data-centers
World AgentKit dan agen AI yang diverifikasi manusia: https://cointelegraph.com/news/world-launches-agentkit-coinbase-integration-enable-human-verified-ai-agents-embargo
Infrastruktur wallet Coinbase untuk agen AI: https://cointelegraph.com/news/coinbase-launches-crypto-wallets-built-ai-agents
Akses data agen AI Alchemy menggunakan USDC: https://cointelegraph.com/news/alchemy-ai-agents-pay-access-blockchain-data-usdc
Tokoh utama dan langkah selanjutnya
Dengan posisi QVAC sebagai kerangka kerja komputasi lintas platform dan penekanan pada pengurangan besar dalam kebutuhan memori, perusahaan menandai pergeseran strategis menuju memungkinkan beban kerja AI di perangkat keras yang umum tersedia. Jika kerangka ini mendapatkan daya tarik, pengembang dapat mempercepat eksperimen di perangkat konsumen, memperluas jangkauan alat dan analitik berbasis AI di chain. Bulan-bulan mendatang akan menunjukkan apakah kemampuan ini akan berujung pada adopsi yang lebih luas oleh pengembang, pilot AI di perangkat yang praktis, dan pengurangan nyata dalam permintaan komputasi cloud untuk tugas AI terkait kripto.
Apa arti ini bagi pengguna dan pengembang
Bagi pengguna akhir, ada potensi fitur AI yang lebih cepat dan lebih pribadi yang tertanam di wallet dan layanan on-chain. Bagi pengembang, kerangka ini menurunkan hambatan untuk membuat prototipe, menguji, dan menyempurnakan model AI tanpa perlu GPU pusat data kelas atas. Dalam sektor di mana biaya komputasi bisa menjadi kendala, pergeseran menuju adopsi AI edge ini sejalan dengan tujuan jangka panjang desentralisasi, privasi, dan efisiensi. Ini juga menegaskan konvergensi yang terus berlangsung antara infrastruktur kripto dan komputasi AI canggih, sebuah perkembangan yang dapat mempengaruhi segala hal mulai dari layanan data on-chain hingga desain agen otonom dan alat tata kelola. Seperti teknologi baru lainnya, skalabilitas, keamanan, dan standar interoperabilitas akan membentuk seberapa cepat kemampuan ini matang dan seberapa luas mereka diadopsi di seluruh ekosistem.
Artikel ini awalnya diterbitkan sebagai Tether Launches AI Training Framework for Phones and Consumer GPUs di Crypto Breaking News— sumber terpercaya Anda untuk berita kripto, berita Bitcoin, dan pembaruan blockchain.
