أعلنت Tether عن QVAC Fabric، الذي يمكّن من تدريب نماذج الذكاء الاصطناعي واسعة النطاق مباشرة على الهواتف الذكية والأجهزة اليومية.

اختراق كبير في حدود تدريب الذكاء الاصطناعي

في مجال تطوير نماذج الذكاء الاصطناعي، كان تدريب نماذج اللغة الكبيرة يتطلب عادةً أجهزة باهظة الثمن وموارد سحابية مكلفة، مما أدى إلى تركيز هذه التقنية في عدد محدود من المؤسسات الكبرى.

(المصدر: Tether)

أطلقت Tether مؤخرًا QVAC Fabric، وهو إطار LoRA جديد للتخصيص مصمم خصيصًا لـ BitNet (نموذج لغة كبير بقدرة 1-بت). هذا الإنجاز يقلل بشكل كبير من متطلبات الحوسبة والذاكرة، مما يتيح للمستخدمين العاديين المشاركة في تدريب نماذج الذكاء الاصطناعي.

التشغيل عبر المنصات: دعم شامل من الحواسيب إلى الأجهزة المحمولة

من أبرز مزايا QVAC Fabric توافقه الواسع مع الأجهزة المختلفة. يعمل الإطار على مجموعة متنوعة من الأجهزة، منها:

• الحواسيب المحمولة

• وحدات معالجة الرسوميات للمستهلكين (Intel، AMD، Apple Silicon)

• الهواتف الذكية (بما في ذلك العديد من وحدات معالجة الرسوميات المحمولة)

وهذا يعني أن نماذج الذكاء الاصطناعي لم تعد محصورة في مراكز البيانات أو الأجهزة المتخصصة، بل يمكن الآن تدريبها وتشغيلها مباشرة على الأجهزة اليومية.

تدريب النماذج الكبيرة على الهواتف المحمولة

تتميز هذه التقنية بقدرتها على تخصيص النماذج على الأجهزة المحمولة.

على سبيل المثال:

• على جهاز Samsung S25 (Adreno GPU)، يمكن تخصيص نموذج يحتوي على 125 مليون معلمة خلال حوالي 10 دقائق

• على نفس الجهاز، يستغرق نموذج يحتوي على مليار معلمة حوالي ساعة و18 دقيقة

• على iPhone 16، يحتاج نموذج يحتوي على مليار معلمة تقريبًا ساعة و45 دقيقة

وقد نجح الفريق أيضًا في تشغيل نماذج تصل إلى 13 مليار معلمة على هاتف ذكي، مما يبرز الإمكانيات المتزايدة للذكاء الاصطناعي في الأجهزة المحمولة.

تقدمات رئيسية في الأداء وتحسين الذاكرة

مقارنة بالنماذج التقليدية، يظهر هيكل BitNet مزايا واضحة في الأداء وكفاءة الموارد:

الأداء

• سرعة الاستدلال عبر وحدات معالجة الرسوميات المحمولة أسرع من وحدة المعالجة المركزية بمعدل يتراوح بين 2 و11 مرة

• قادر على معالجة أعباء عمل كانت تتطلب سابقًا مراكز بيانات

استخدام الذاكرة

• يقلل من استخدام VRAM بنسبة تصل إلى حوالي %77.8 مقارنة بالنماذج ذات 16-بت

• يوفر قدرة تشغيلية أكبر، ويدعم نماذج أكبر وتطبيقات شخصية

تُسهّل هذه التحسينات نشر تطبيقات الذكاء الاصطناعي على الأجهزة الطرفية.

تجاوز الاعتماد على NVIDIA والسحابة

كان تدريب الذكاء الاصطناعي التقليدي يعتمد بشكل كبير على أجهزة NVIDIA والخدمات السحابية. يكسر QVAC Fabric هذا الاعتماد من خلال إتاحة تخصيص LoRA لنماذج LLM ذات 1-بت على أجهزة غير NVIDIA، بما في ذلك AMD، Intel، Apple Silicon، ووحدات معالجة الرسوميات المحمولة مثل Adreno وMali. هذا التحول لا يقتصر على خفض التكلفة فحسب، بل يعزز أيضًا تطوير الذكاء الاصطناعي بشكل أكثر لامركزية.

تعزيز اللامركزية وحماية الخصوصية

ميزة رئيسية أخرى لـ QVAC Fabric هي دعمه لحماية البيانات والتعلم الموزع:

• يمكن إجراء تدريب النموذج محليًا دون الحاجة إلى رفع البيانات الحساسة

• يسهل التعلم الاتحادي

• يقلل الاعتماد على البنية التحتية المركزية

تشير هذه الميزات إلى مسار أكثر أمانًا وقابلية للتوسع لمستقبل منظومة الذكاء الاصطناعي.

رؤية Tether لمستقبل الذكاء الاصطناعي

يشير Paolo Ardoino إلى أن الذكاء الاصطناعي سيؤدي دورًا محوريًا في مجتمع المستقبل، ويجب ألا تحتكر تقدمه مجموعة صغيرة من أصحاب الموارد. ويؤكد أن الاعتماد المفرط على البنى المركزية في تدريب الذكاء الاصطناعي لا يعيق الابتكار فحسب، بل يهدد أيضًا استقرار المنظومة ككل. لذا فإن تمكين الذكاء الاصطناعي من العمل على الأجهزة الشخصية يُعد خطوة أساسية نحو اعتماد أوسع.

ملخص

يمثل QVAC Fabric من Tether ليس مجرد ابتكار تقني، بل تحولًا محتملاً في نماذج تطوير الذكاء الاصطناعي. من خلال خفض حواجز الأجهزة وتعزيز القدرات عبر المنصات، تخرج نماذج اللغة الكبيرة تدريجيًا من مراكز البيانات إلى الأجهزة اليومية. ومع استمرار تطور هذه التقنيات، يتجه الذكاء الاصطناعي نحو مستقبل أكثر انفتاحًا ولامركزية وإتاحة للجميع.