Tether представила міжплатформову систему навчання штучного інтелекту, яка, за словами компанії, може тонко налаштовувати великі мовні моделі на споживчому обладнанні, включаючи смартфони та не-NVIDIA GPU. Система, частина платформи QVAC від Tether, базується на архітектурі Microsoft BitNet і техніках LoRA для зменшення вимог до пам’яті та обчислень, потенційно знижуючи вартість і бар’єри для розробників. Оголошення позиціонує цю систему як сумісну з широким спектром чипів — від AMD і Intel до Apple Silicon, а також мобільних GPU від Qualcomm і Apple. За внутрішніми тестами, інженери нібито тонко налаштовували моделі з до 1 мільярда параметрів на смартфонах менш ніж за дві години, а менші моделі — за кілька хвилин, підтримуючи моделі до 13 мільярдів параметрів на мобільних пристроях.
Ключові висновки
QVAC від Tether використовує архітектуру моделі з 1-бітовою точністю (BitNet), що значно зменшує використання VRAM, дозволяючи запускати більші моделі на обмеженому обладнанні.
Тонке налаштування на основі LoRA розширено на не-NVIDIA апаратне забезпечення, що розширює сумісність з платформами AMD, Intel і Apple Silicon, а також мобільними GPU від Qualcomm і Apple.
На пристрої навчання та федеративне навчання виділяються як потенційні сценарії використання, що зменшує залежність від централізованих хмарних обчислень для оновлення моделей.
Покращення продуктивності поширюються і на інференцію: мобільні GPU нібито забезпечують швидший результат для моделей BitNet, ніж традиційні CPU.
Цей крок відповідає ширшій тенденції галузі — криптовалютні компанії розширюють свої можливості у сфері AI обчислень і високопродуктивних обчислень, торкаючись питань обчислювальної потужності AI дата-центрів і автономних програмних агентів.
Згадані тикери: $BTC, $USDT, $USDC, $COIN, $HIVE
Настрій: нейтральний
Контекст ринку: Стремління зробити навчання і інференцію AI ближчими до краю пристроїв відображає ширший зсув у бік AI на пристроях і розподіленого навчання у крипто- та фінтех-екосистемах, а також постійне інвестування у AI обчислення майнерами і дата-центрами.
Чому це важливо
Для ринку, побудованого на довірі до програмованих грошей і безпекових екосистем, здатність запускати значні AI навантаження на споживчому обладнанні може змінити правила гри у тренуванні і тонкому налаштуванні моделей. За словами Tether, зменшення вимог до VRAM до 77,8% у порівнянні з аналогічними 16-бітовими моделями вирішує одну з найстійкіших проблем — пам’ять. Це може дозволити розробникам проводити більше експериментів на пристроях, що ближчі до користувачів, потенційно забезпечуючи приватність за рахунок локального навчання і федеративного навчання, коли оновлення збираються локально, а не завантажуються на централізовані сервери.
Крім запуску моделей з мільярдами параметрів на смартфонах, ця ініціатива натякає на ширшу стратегію: криптофірми активно використовують AI і HPC для підтримки нових продуктів і сервісів — від аналітики в блокчейні до автономних агентів, що здійснюють транзакції або взаємодіють із сервісами. У статті зазначається, що великі гравці вже почали інтегрувати AI у свої основні операції або досліджують AI-інфраструктуру. Оскільки майнинг і оператори дата-центрів прагнуть до більш високих маржинальних сценаріїв, AI обчислення стає природним продовженням інфраструктурного профілю галузі. Це відповідає ширшій тенденції диверсифікації інституційних гравців у AI-обчислення, підкреслюючи, що блокчейн-орієнтовані компанії бачать AI як ключовий компонент довгострокової масштабованості і розвитку продуктів.
З технологічної точки зору, міжплатформова здатність сигналізує про зсув від домінування Nvidia у AI-стеку до більш апаратно-нейтральних підходів. Поєднання архітектури моделі з 1-бітовою точністю з тонким налаштуванням LoRA на не-NVIDIA апаратному забезпеченні розширює потенційний пул обладнання для AI-розробок, що може прискорити експерименти і знизити бар’єри для менших команд або окремих розробників, що використовують споживчі пристрої. Це також може вплинути на те, як навчаються і оновлюються AI-агенти — автономні програми, що взаємодіють із сервісами і виконують завдання — на пристроях, потенційно посилюючи приватність за рахунок мінімізації передачі даних у хмару.
Загальний фон галузі включає розширення криптофірм у сфери AI-послуг і дата-центрів. Наприклад, у останніх кварталах повідомлялося про стратегічні кроки майнерів і постачальників інфраструктури щодо масштабування AI-обчислень, з кількома великими гравцями, що прагнуть до AI-центричних дата-центрів і партнерств. Хоча масштабний вплив системи Tether ще має бути продемонстрований, акцент на міжплатформову сумісність і можливості на пристрої натякає на майбутнє, де інструменти AI стануть більш доступними для широкого кола пристроїв, включно з обмеженими обчислювальними ресурсами.
Що слід спостерігати далі
Темпи впровадження: Чи почнуть інші криптофірми і розробники AI публічно використовувати тренування на основі BitNet на споживчому обладнанні, і які застосунки з’являться першими?
Міжплатформове розширення: Як швидко технічний процес з LoRA пошириться на додаткові не-NVIDIA GPU і мобільні прискорювачі?
Пілоти AI на пристроях: Чи побачимо реальні впровадження федеративного навчання або пілотні проєкти на пристроях, що демонструють переваги приватності?
Конкурентні бенчмарки: Незалежні тести порівняння тренувань на основі BitNet і традиційних GPU-орієнтованих процесів на краях і в дата-центрах.
Партнерства в екосистемі: будь-які співпраці з гаманцевими провайдерами, AI-агентами або платформами аналітики, що інтегрують моделі, навчені на краю, у продукти для користувачів.
Джерела та перевірка
Оголошення про запуск QVAC від Tether із деталізацією міжплатформового фреймворку BitNet/LoRA та його цілей. Перевіряйте на офіційній сторінці новин Tether, посилання в оголошенні.
Заявлені зменшення VRAM і параметрів у QVAC/BitNet, описані у релізі Tether.
Звіт про доходи і показники AI/HPC від HIVE Digital Technologies, наведені у галузевих матеріалах Cointelegraph.
Перевірки і можливості платформи AgentKit і пов’язаних AI-агентів, описані у офіційних повідомленнях і матеріалах World.
Інфраструктура гаманця Coinbase для AI-агентів і система Alchemy для доступу до даних блокчейну через USDC, згадані у статтях.
Що слід спостерігати далі
Стежте за оновленнями від Tether щодо ключових етапів QVAC, включаючи будь-які розширення платформи або анонси додаткової підтримки обладнання. Спостерігайте за тим, чи почнуть інші крипто- або фінтех-компанії публікувати бенчмарки продуктивності або пілотні проєкти, що підтверджують можливості навчання на пристроях. Нарешті, слідкуйте за рухами у галузі AI і криптоіндустрії щодо федеративного навчання і приватного інференсу на пристроях, що може змінити підходи до тренування і оновлення моделей у розподілених мережах.
Джерела та перевірка
Запуск QVAC від Tether: 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/
Ринковий контекст доходів HIVE Digital Technologies: https://cointelegraph.com/news/hive-digital-focus-crypto-mining-ai-data-centers
World AgentKit і людськи перевірені AI-агенти: https://cointelegraph.com/news/world-launches-agentkit-coinbase-integration-enable-human-verified-ai-agents-embargo
Інфраструктура гаманця Coinbase для AI-агентів: https://cointelegraph.com/news/coinbase-launches-crypto-wallets-built-ai-agents
Доступ до даних AI-агентів через USDC за допомогою Alchemy: https://cointelegraph.com/news/alchemy-ai-agents-pay-access-blockchain-data-usdc
Ключові фігури і наступні кроки
З позиціонуванням QVAC як міжплатформового обчислювального фреймворку і з суттєвими зниженнями пам’яті, Tether сигналізує про стратегічний поворот у бік підтримки AI-навчання на широкодоступному обладнанні. Якщо ця система набуде популярності, розробники зможуть прискорити експерименти на споживчих пристроях, розширюючи застосування AI-інструментів і аналітики у блокчейні. Наступні місяці покажуть, чи ці можливості перетворяться у широку підтримку розробниками, практичні пілоти AI на пристроях і реальні зменшення навантаження на хмарні обчислення для крипто-орієнтованих AI-задач.
Що це означає для користувачів і розробників
Для кінцевих користувачів потенційно відкриваються швидші, більш приватні функції на базі AI, інтегровані у гаманці і сервіси на блокчейні. Для розробників — знижується бар’єр для прототипування, тестування і вдосконалення моделей AI без необхідності високопродуктивних дата-центрів. У секторі, де вартість обчислень може бути обмежуючим фактором, цей перехід до edge AI відповідає довгостроковим цілям децентралізації, приватності і ефективності. Це також підкреслює зростаючу конвергенцію криптоінфраструктури і передових AI-обчислень, що може вплинути на все — від сервісів даних у блокчейні до розробки автономних агентів і інструментів управління. Як і з будь-якою новою технологією, масштабованість, безпека і стандарти сумісності визначатимуть швидкість її розвитку і поширення в екосистемі.
Ця стаття спочатку була опублікована під назвою Tether Launches AI Training Framework for Phones and Consumer GPUs на Crypto Breaking News — вашому надійному джерелі новин у криптовалюті, Bitcoin і блокчейні.
