تطلق "تيثر" إطار عمل "بيتنت" للذكاء الاصطناعي المخصص للهواتف الذكية، مما يلغي الحاجة إلى وحدات معالجة الرسومات من "إنفيديا"

إطار عمل Tether AI يقلل استخدام ذاكرة VRAM بأكثر من 70%، ويوسع نطاق الحوسبة الطرفية

كشفت Tether يوم الثلاثاء عن إطار عمل متعدد المنصات لضبط LoRA لنماذج Bitnet من Microsoft، حيث قدمت ما وصفته بأنه أول نظام قادر على تدريب وتشغيل نماذج لغوية كبيرة ذات 1 بت عبر الأجهزة الاستهلاكية، بما في ذلك الهواتف الذكية وأجهزة الكمبيوتر المحمولة.

يأتي هذا الإصدار كجزء من حزمة QVAC Fabric من Tether، وهو مصمم لتقليل متطلبات الحوسبة والذاكرة الكبيرة التي ترتبط عادةً بتطوير الذكاء الاصطناعي، والتي كانت محصورة إلى حد كبير بمزودي الخدمات السحابية وأجهزة Nvidia المتطورة.
من خلال دعم الأجهزة غير المتجانسة — بما في ذلك الرقائق من Intel و AMD و Apple، بالإضافة إلى وحدات معالجة الرسومات (GPU) المحمولة — يتيح الإطار للمطورين ضبط النماذج محليًا دون الاعتماد على بنية تحتية مركزية.

في الواقع، يعني ذلك أن أحمال عمل الذكاء الاصطناعي التي كانت مخصصة في السابق لمراكز البيانات يمكن الآن تشغيلها على أجهزة موجودة في حقيبة الظهر أو الجيب، وهو تحول يمكن أن يخفض التكاليف ويوسع نطاق الوصول للمطورين في جميع أنحاء الولايات المتحدة والعالم.
قالت Tether إن مهندسيها نجحوا في إثبات إمكانية ضبط Bitnet على وحدات معالجة الرسومات (GPU) المحمولة، بما في ذلك رقائق Adreno وMali وApple Bionic، مما يمثل سابقة أولى لهندسة النماذج الناشئة ذات 1 بت.

تُظهر معايير الأداء التي أصدرتها الشركة أنه يمكن ضبط نموذج مكون من 125 مليون معلمة في حوالي 10 دقائق على جهاز Samsung S25، بينما يكمل نموذج مكون من مليار معلمة المهمة نفسها في حوالي ساعة و18 دقيقة على نفس الجهاز.

على أجهزة Apple، أبلغت الشركة عن نتائج مماثلة، حيث تم ضبط نموذج يحتوي على مليار معلمة في حوالي ساعة و45 دقيقة على جهاز iPhone 16، كما أجريت تجارب دفعت النماذج إلى ما يصل إلى 13 مليار معلمة على الجهاز.

أظهر الإطار أيضًا مكاسب قابلة للقياس في سرعة الاستدلال، حيث قدمت وحدات معالجة الرسومات (GPU) المحمولة أداءً يتراوح بين ضعفين و11 ضعفًا مقارنةً بوحدات المعالجة المركزية (CPU)، وفقًا لمعايير الأداء الداخلية لشركة Tether.

تعد كفاءة الذاكرة نقطة بيع رئيسية أخرى، حيث يستخدم Bitnet-1B ذاكرة VRAM أقل بنسبة تصل إلى 77.8٪ مقارنة بالنماذج المماثلة ذات 16 بت وأقل بنسبة تزيد عن 65٪ مقارنة بالبنى الأخرى المستخدمة على نطاق واسع، مما يتيح تشغيل نماذج أكبر على أجهزة محدودة.

وقالت Tether إن النظام يتيح أيضًا ضبط LoRA بدقة على أجهزة غير تابعة لشركة Nvidia لأول مرة في هذه الفئة، وهي خطوة يمكن أن تقلل من الاعتماد على الرقائق المتخصصة والخدمات السحابية مع الاحتفاظ بالبيانات الحساسة مخزنة محليًا على أجهزة المستخدمين.
وأضافت الشركة أن هذا النهج يمكن أن يجعل التعلم الفيدرالي أكثر عملية من خلال السماح بتدريب النماذج عبر أجهزة موزعة دون مركزية البيانات، وهو مجال يزداد الاهتمام به في تطوير الذكاء الاصطناعي الذي يركز على الخصوصية.

قال باولو أردوينو، الرئيس التنفيذي لشركة Tether، في بيان: "من خلال تمكين التدريب الهادف للنماذج الكبيرة على الأجهزة الاستهلاكية، بما في ذلك الهواتف الذكية، يثبت نظام QVAC من Tether أن الذكاء الاصطناعي المتقدم يمكن أن يكون لامركزيًا وشاملًا وممكّنًا للجميع"، مضيفًا أن الشركة تخطط لمواصلة الاستثمار في البنية التحتية للذكاء الاصطناعي على الأجهزة.

تم نشر الإصدار الفني، بما في ذلك المعايير وتفاصيل التنفيذ، عبر Hugging Face، مما يشير إلى جهد للوصول إلى المطورين مباشرةً بدلاً من حصر التكنولوجيا وراء الأنظمة الاحتكارية.

الأسئلة الشائعة 🔎

• ما هو إطار عمل الذكاء الاصطناعي الجديد من Tether؟
  يقدم QVAC Fabric من Tether نظامًا متعدد المنصات لتدريب وتشغيل نماذج الذكاء الاصطناعي Bitnet على الأجهزة الاستهلاكية مثل الهواتف وأجهزة الكمبيوتر المحمولة.
• هل يمكن للهواتف الذكية حقًا تدريب نماذج الذكاء الاصطناعي؟
  نعم، تُظهر معايير Tether أنه يمكن ضبط نماذج ذات مليار معلمة على أجهزة مثل Samsung S25 وiPhone 16 في غضون ساعات.
• لماذا يعد هذا مهمًا للمطورين في الولايات المتحدة؟
  إنه يقلل من الاعتماد على البنية التحتية السحابية باهظة الثمن ووحدات معالجة الرسومات المتخصصة، مما يقلل التكاليف ويزيد من إمكانية الوصول إلى تطوير الذكاء الاصطناعي.
• ما الذي يميز Bitnet عن النماذج الأخرى؟
  تستخدم BitNet بنية 1 بت تقلل بشكل كبير من استخدام الذاكرة وتحسن الكفاءة مقارنة بالنماذج التقليدية ذات 16 بت.