أعلنت Tether عن إطار عمل جديد للذكاء الاصطناعي يتيح للأجهزة المحمولة تدريب نماذج تضم مليارات المعاملات، مما يسرّع التحول نحو عصر الذكاء الاصطناعي اللامركزي

نظرة عامة على الحدث: تَحَوُّل Tether إلى قطاع بنية الذكاء الاصطناعي التحتية

مصدر الصورة: الإعلان الرسمي من Tether

يشهد تقارب الذكاء الاصطناعي وصناعة الكريبتو تسارعًا ملحوظًا. في هذا الإطار، تتطور Tether من جهة إصدار عملات مستقرة تقليدية إلى لاعب تقني متكامل عبر القطاعات.

إطلاق إطار QVAC Fabric AI مؤخرًا يمثل دخول Tether الرسمي إلى مجال بنية الذكاء الاصطناعي التحتية. الميزة الجوهرية: تمكين الأجهزة الاستهلاكية مثل الهواتف الذكية من تدريب نماذج ذكاء اصطناعي تصل إلى مليار مُعامِل.

وفقًا للمصادر العامة، الأداء كالتالي:

• نموذج يحتوي على 100 مليون مُعامِل: يكتمل تدريبه خلال دقائق معدودة

• نموذج بمليار مُعامِل: يستغرق حوالي 1–2 ساعة

• الحد الأقصى المدعوم: قابل للتوسع حتى 13 مليار مُعامِل

هذه الإمكانية تقلل بشكل كبير من عوائق تطوير الذكاء الاصطناعي، وتتيح التدريب المحلي للنماذج الكبيرة.

استراتيجيًا، يمثل ذلك خطوة محورية من Tether في مجالي الذكاء الاصطناعي وقوة الحوسبة، ويشير إلى توسعها خارج البنية المالية التحتية نحو منظومة مركبة من "البيانات + قوة الحوسبة + الذكاء الاصطناعي".

تحليل إطار QVAC: آلية تحقيق التدريب على الجهاز

الهدف الرئيسي لـ QVAC هو نقل تدريب الذكاء الاصطناعي من السحابة إلى الأجهزة النهائية، لتحقيق "ذكاء اصطناعي على الجهاز" فعلي.

تقدم بنيته عدة ميزات رئيسية:

• توافق عبر المنصات: يدعم عدة معماريات شرائح، بما فيها وحدات معالجة الرسومات للهواتف والكمبيوترات المكتبية

• إمكانية التدريب المحلي: يلغي الحاجة للاعتماد على موارد الحوسبة السحابية

• التعاون الموزع: يتيح التدريب التعاوني عبر أجهزة متعددة

• تصميم يحافظ على الخصوصية: يسمح ببقاء البيانات على الجهاز المحلي

تُعيد هذه البنية تعريف طريقة عمل الذكاء الاصطناعي:

النموذج التقليدي: تُرفع البيانات إلى السحابة وتُدَرَّب النماذج في مراكز البيانات.

نموذج QVAC: تبقى البيانات على الجهاز، ويتم تدريب النماذج محليًا أو عبر شبكات موزعة.

هذا التحول لا يقلل التكاليف فقط، بل يمنح أيضًا مزايا مهمة في حماية الخصوصية والتحكم في الكمون.

تفكيك التكنولوجيا الأساسية: دمج BitNet و LoRA

يعتمد تطوير QVAC على دمج تقنيتين رئيسيتين:

1. BitNet: بنية نموذجية منخفضة الدقة للغاية

BitNet هو نموذج كمي منخفض البتات يستخدم أوزان 1-بت أو ثلاثية القيم لتمثيل المعاملات، ما يقلل من تعقيد النموذج بشكل كبير.

المزايا الرئيسية:

• تقليل كبير في استهلاك الذاكرة (حتى %70 أو أكثر)

• زيادة ملحوظة في كفاءة الاستدلال

• مُحسّن للاستخدام على الأجهزة المحمولة

هذا النهج يقبل بعض فقدان الدقة مقابل تحقيق كفاءة حسابية أعلى بكثير.

2. LoRA: آلية ضبط دقيق منخفضة التكلفة

LoRA (Low-Rank Adaptation) هو حل رائد لضبط النماذج الضخمة. الفكرة الأساسية:

• تثبيت معاملات النموذج الأصلية

• تدريب عدد صغير فقط من المعاملات الإضافية

المزايا الرئيسية:

• تقليل كبير في التكاليف الحسابية

• تسريع عملية التدريب بشكل ملحوظ

• مثالي للتكرار السريع

3. قوة التكامل بين التقنيتين

يوفر دمج BitNet + LoRA بنية عالية الكفاءة:

• BitNet يضغط حجم النموذج

• LoRA يخفض تكاليف التدريب

معًا، يتيحان تدريب نماذج ضخمة على الهواتف الذكية.

الأداء وبيانات الاختبار: نتائج التدريب الفعلي على الهواتف الذكية

توضح بيانات الاختبار أداء QVAC مع أحجام النماذج المختلفة:

• نموذج 125M: حوالي 10 دقائق

• نموذج 1B: حوالي ساعة

• نماذج 3B–4B: قابلة للتشغيل على هواتف ذكية متطورة

• نموذج 13B: تم تدريبه على بعض الأجهزة

في مرحلة الاستدلال، تتفوق وحدات معالجة الرسومات للهواتف على المعالجات المركزية بمعدل 2–10 أضعاف، مع انخفاض كبير في استهلاك الذاكرة.

تشير هذه النتائج إلى أن الأجهزة النهائية للمستخدمين باتت قادرة على التعامل مع نماذج ذكاء اصطناعي متوسطة الحجم. (ملاحظة: "التدريب" هنا يشير أساسًا إلى الضبط الدقيق وليس التدريب الكامل للنموذج من الصفر.)

السياق الصناعي: تحولات هيكلية في قوة الحوسبة للذكاء الاصطناعي

تشهد صناعة الذكاء الاصطناعي تغيرات هيكلية جذرية:

• تكاليف قوة الحوسبة في تصاعد: تدريب النماذج الكبيرة يتطلب مجموعات GPU مكلفة وتشكل حاجز دخول مرتفع.

• موارد الحوسبة مركزة بشدة: معظمها تحت سيطرة عدد محدود من عمالقة التقنية، ما يخلق "احتكار قوة الحوسبة".

• قطاع الكريبتو يبحث عن سرديات جديدة: مع تغير دورات السوق، يبحث القطاع عن مجالات نمو جديدة—الذكاء الاصطناعي، DePIN (البنية التحتية المادية اللامركزية)، وشبكات الحوسبة الموزعة.

في هذا السياق، يوفر QVAC قاعدة عملية لشبكات الحوسبة الموزعة.

الذكاء الاصطناعي اللامركزي: مسارات الانتقال من السحابة إلى الأطراف

الأثر الأعمق لإطار QVAC يتمثل في تعزيز الذكاء الاصطناعي اللامركزي.

1. الحوسبة الطرفية كنقطة ارتكاز

قد تُبنى شبكات الذكاء الاصطناعي المستقبلية من أعداد ضخمة من الأجهزة النهائية:

• الهواتف الذكية

• الكمبيوترات الشخصية

• أجهزة إنترنت الأشياء

تعمل هذه الأجهزة كمصادر بيانات ومزودي قوة حوسبة في آن واحد.

2. ازدهار التعلم الموحد

يدعم QVAC التعلم الموحد:

• البيانات لا تغادر الجهاز أبدًا

• يتم تدريب النماذج عبر مشاركة المعاملات

هذا مهم بشكل خاص للقطاعات الحساسة للخصوصية.

3. شبكات الحوسبة اللامركزية

بالاقتران مع آليات البلوكشين، يمكن أن يتيح ذلك:

• المستخدمون يقدمون قوة الحوسبة ويحصلون على مكافآت

• توزيع مهام تدريب النماذج عبر الشبكة

• الذكاء الاصطناعي يصبح خدمة قابلة للتداول

تتوافق هذه الرؤية مع السرد الحالي لـ DePIN.

نماذج الأعمال والمنظومة: المستفيدون

تنفيذ QVAC سيؤثر على عدة أطراف:

• المطورون: انخفاض تكاليف التطوير، عدم الحاجة لموارد سحابية، مرونة أكبر في نشر النماذج

• المستخدمون: خصوصية بيانات أعلى، إمكانية المشاركة في تدريب الذكاء الاصطناعي، وفرص تحقيق مكافآت

• مصنعو الأجهزة: قيمة مضافة للهواتف الذكية والأجهزة النهائية مع الذكاء الاصطناعي كميزة تسويقية جديدة

• مشاريع الكريبتو: فرصة لبناء شبكات ذكاء اصطناعي موزعة وابتكار نماذج اقتصادية للرموز

المخاطر والتحديات: ربط التقنية بالواقع

رغم الآفاق الواعدة، ثمة تحديات واقعية قائمة:

1. قيود الأداء: قوة الحوسبة في الهواتف الذكية ما زالت محدودة جدًا مقارنة بمراكز البيانات؛ المهام المعقدة تتطلب السحابة.

2. استهلاك الطاقة وتآكل الأجهزة: التدريب المطول قد يؤدي إلى ارتفاع الحرارة وتدهور البطارية.

3. منظومة غير ناضجة: أدوات التطوير وسيناريوهات التطبيقات في مراحلها الأولى.

4. مخاوف أمنية: النماذج المحلية أكثر عرضة للتلاعب، والتدريب الموزع يواجه مخاطر هجمات.

5. حلقة أعمال غير مكتملة: تحفيز المستخدمين على تقديم قوة الحوسبة لا يزال تحديًا مفتوحًا.

التوجهات المستقبلية: إعادة تشكيل ديناميكيات إنتاج الذكاء الاصطناعي

قد يشكل QVAC بداية حقبة جديدة في ديناميكيات إنتاج الذكاء الاصطناعي.

• أصبح تدريب الذكاء الاصطناعي متاحًا للجميع—منتقلًا من هيمنة شركات التقنية الكبرى إلى نموذج مفتوح يتيح للمطورين والأفراد المشاركة.

• هيكل قوة الحوسبة ينتقل من مراكز بيانات مركزية إلى شبكات موزعة تضم عددًا هائلًا من الأجهزة النهائية.

• قد تتحول نماذج الذكاء الاصطناعي من أدوات برمجية إلى "أصول" اقتصادية قابلة للتداول، تُدمج كمكونات أساسية في تطبيقات متنوعة، وتصبح جزءًا من اقتصاد Web3.

هذه التحولات ستعيد تعريف وظيفة إنتاج الذكاء الاصطناعي، وتخفض التكاليف، وتوسع المشاركة، وتسرع الابتكار—لتدفع القطاع نحو مرحلة أكثر انفتاحًا وكفاءة.

الخلاصة

يعد إطار QVAC AI من Tether ابتكارًا تقنيًا وتجربة جديدة في بنية الذكاء الاصطناعي التحتية.

مع اقتراب "تدريب نماذج بمليار مُعامِل على الهواتف الذكية" من الواقع، يُعاد رسم حدود الذكاء الاصطناعي:

• من السحابة إلى الجهاز النهائي

• من المركزية إلى اللامركزية

• من الانغلاق إلى الانفتاح

قد يشكل هذا الاتجاه نقطة انطلاق رئيسية لاندماج الذكاء الاصطناعي وWeb3 مستقبلًا.