Tether a dévoilé un cadre d'entraînement AI multiplateforme que la société affirme capable d'affiner de grands modèles linguistiques sur du matériel grand public, y compris les smartphones et les GPU non-NVIDIA. Le système, faisant partie de la plateforme QVAC de Tether, s'appuie sur l'architecture BitNet de Microsoft et les techniques LoRA pour réduire la consommation de mémoire et de calcul, ce qui pourrait diminuer les coûts et les barrières matérielles pour les développeurs. L'annonce présente le cadre comme compatible avec un large éventail de puces — AMD, Intel, Apple Silicon — ainsi qu'avec les GPU mobiles de Qualcomm et Apple. Lors de tests internes, des ingénieurs auraient affiné des modèles jusqu’à 1 milliard de paramètres sur des smartphones en moins de deux heures, avec des modèles plus petits réalisables en quelques minutes, et supporté des modèles allant jusqu’à 13 milliards de paramètres sur des appareils mobiles.
Points clés
Le cadre QVAC de Tether exploite une architecture de modèle à 1 bit (BitNet) pour réduire drastiquement l’utilisation de VRAM, permettant à des modèles plus grands de fonctionner sur du matériel contraint.
L’affinement basé sur LoRA est étendu au matériel non-NVIDIA, élargissant la compatibilité à AMD, Intel, Apple Silicon, ainsi qu’aux GPU mobiles de Qualcomm et Apple.
La formation sur appareil et l’apprentissage fédéré sont mis en avant comme cas d’usage potentiel, indiquant une dépendance réduite au calcul cloud centralisé pour les mises à jour de modèles.
Les gains de performance s’étendent à l’inférence, avec des GPU mobiles offrant apparemment des résultats plus rapides pour les modèles BitNet que les charges de travail CPU traditionnelles.
Ce mouvement s’inscrit dans une tendance plus large de l’industrie où les entreprises de crypto s’étendent dans le calcul AI et le calcul haute performance, touchant à la capacité des centres de données AI et aux agents logiciels autonomes.
Tickers mentionnés : $BTC, $USDT, $USDC, $COIN, $HIVE
Sentiment : Neutre
Contexte du marché : La volonté de rapprocher l’entraînement et l’inférence AI des appareils en périphérie reflète une évolution vers l’IA sur appareil et l’apprentissage distribué dans les écosystèmes crypto et fintech, parallèlement à l’allocation continue de capitaux dans le calcul AI par les opérateurs miniers et les entreprises de centres de données.
Pourquoi c’est important
Pour un marché basé sur la confiance dans la monnaie programmable et les écosystèmes permissionless, la capacité à exécuter des charges de travail AI importantes sur du matériel grand public pourrait rééquilibrer qui peut entraîner et affiner des modèles. Selon Tether, en réduisant les besoins en VRAM jusqu’à 77,8 % par rapport à des modèles 16 bits comparables, le cadre basé sur BitNet s’attaque à l’un des points de friction persistants de l’IA en périphérie : les contraintes de mémoire. Cela pourrait permettre aux développeurs d’expérimenter davantage sur des appareils proches des utilisateurs, favorisant potentiellement la formation locale et l’apprentissage fédéré, où les mises à jour sont agrégées localement plutôt que téléchargées vers des serveurs centraux.
Au-delà de la nouveauté d’exécuter des modèles à milliards de paramètres sur des smartphones, cette initiative suggère une stratégie plus large : les entreprises crypto misent sur l’IA et le HPC pour soutenir de nouveaux produits et services, allant de l’analyse en chaîne à des agents autonomes qui effectuent des transactions ou interagissent avec des services. L’article note que des acteurs majeurs ont déjà commencé à intégrer l’IA dans leurs opérations principales ou à explorer une infrastructure pilotée par l’IA. Alors que les opérateurs miniers et les centres de données cherchent des cas d’usage à marges plus élevées, le calcul AI devient une extension naturelle de leur empreinte infrastructurelle. Cela s’inscrit dans une tendance plus large où les acteurs institutionnels diversifient leurs charges de travail IA, soulignant comment les entreprises natives de la blockchain voient l’IA comme un composant clé de leur scalabilité et développement à long terme.
Côté technologie, la capacité multiplateforme signale un déplacement d’un stack IA dominé par Nvidia vers des approches plus hardware-agnostiques. La combinaison d’une architecture de modèle à 1 bit avec l’affinement LoRA sur du matériel non-NVIDIA élargit le pool potentiel de matériel pour le développement IA, ce qui pourrait accélérer l’expérimentation et réduire les barrières pour les petites équipes ou développeurs individuels utilisant des appareils grand public. Ce développement pourrait aussi influencer la façon dont les agents IA — programmes autonomes interagissant avec des services et exécutant des tâches — sont entraînés et mis à jour sur appareil, renforçant potentiellement les cas d’usage respectueux de la vie privée en minimisant le transfert de données vers le cloud.
Le contexte plus large de l’industrie inclut l’expansion des entreprises crypto dans les services IA et les centres de données. Par exemple, des mouvements stratégiques de mineurs et de fournisseurs d’infrastructure pour augmenter la capacité de calcul IA ont été rapportés récemment, avec plusieurs grands acteurs poursuivant des déploiements et partenariats centrés sur l’IA. Bien que l’impact immédiat du cadre de Tether reste à démontrer à grande échelle, l’accent mis sur l’interopérabilité multiplateforme et les capacités sur appareil suggère un avenir où les outils IA deviendront plus accessibles à une gamme plus large d’appareils, y compris ceux avec des budgets de calcul limités.
À suivre
Taux d’adoption : D’autres entreprises crypto et développeurs IA déploieront-ils publiquement une formation basée sur BitNet sur du matériel grand public, et quelles applications émergeront en premier ?
Expansion multiplateforme : À quelle vitesse le flux de travail activé par LoRA s’étendra-t-il à d’autres GPU non-NVIDIA et accélérateurs mobiles ?
Pilotes IA sur appareil : Verrons-nous des déploiements réels d’apprentissage fédéré ou des pilotes de formation sur appareil démontrant des bénéfices en matière de confidentialité ?
Références de performance : Tests indépendants comparant la formation basée sur BitNet à des flux de travail traditionnels centrés sur GPU, à la fois sur appareils en périphérie et dans les centres de données.
Partenariats dans l’écosystème : Collaborations avec des fournisseurs de portefeuilles, des agents IA ou des plateformes d’analyse en chaîne intégrant des modèles entraînés en périphérie dans des produits destinés aux utilisateurs.
Sources & vérification
Annonce de lancement de QVAC par Tether détaillant le cadre multiplateforme BitNet/LoRA et ses objectifs. Vérifier sur la page officielle de Tether.
Réduction revendiquée de la VRAM et des paramètres dans le cadre QVAC/BitNet, comme décrit dans le communiqué de Tether.
Chiffres de revenus et performances liés à l’IA/HPC de HIVE Digital Technologies, cités dans la couverture de Cointelegraph.
Capacités de vérification et de paiement des agents AI d’AgentKit de World, comme décrit dans leurs communications officielles.
Infrastructure de portefeuille Coinbase pour agents IA et accès aux données blockchain via USDC, selon la couverture mentionnée dans l’article.
À suivre
Surveiller les mises à jour de Tether concernant les jalons de QVAC, y compris toute intégration de plateforme plus large ou annonces de compatibilité matérielle supplémentaire. Observer si d’autres acteurs crypto ou fintech publient des benchmarks de performance ou déploient des pilotes validant la formation sur appareil. Enfin, suivre l’évolution des acteurs de l’IA et de la crypto vers l’apprentissage fédéré et l’inférence sur appareil respectueuse de la vie privée, ce qui pourrait transformer la façon dont les modèles sont entraînés et mis à jour dans des réseaux distribués.
Sources & vérification
Lancement de 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/
Contexte des revenus de HIVE Digital Technologies : https://cointelegraph.com/news/hive-digital-focus-crypto-mining-ai-data-centers
AgentKit de World et agents IA vérifiés par des humains : https://cointelegraph.com/news/world-launches-agentkit-coinbase-integration-enable-human-verified-ai-agents-embargo
Infrastructure de portefeuille Coinbase pour agents IA : https://cointelegraph.com/news/coinbase-launches-crypto-wallets-built-ai-agents
Accès aux données IA d’Alchemy utilisant USDC : https://cointelegraph.com/news/alchemy-ai-agents-pay-access-blockchain-data-usdc
Chiffres clés et prochaines étapes
En positionnant QVAC comme un cadre de calcul multiplateforme et en évoquant des réductions substantielles de mémoire, Tether indique une orientation stratégique vers la prise en charge des charges de travail IA sur du matériel largement accessible. Si le cadre gagne en traction, les développeurs pourraient accélérer l’expérimentation sur appareils grand public, élargissant la portée des outils et analyses IA intégrés en chaîne. Les mois à venir révéleront si ces capacités se traduisent par une adoption plus large par les développeurs, des pilotes IA sur appareil concrets, et une réduction tangible de la demande en calcul cloud pour les tâches IA liées à la crypto.
Ce que cela pourrait signifier pour les utilisateurs et les créateurs
Pour les utilisateurs finaux, il existe un potentiel pour des fonctionnalités IA plus rapides et plus privées intégrées dans les portefeuilles et services en chaîne. Pour les créateurs, le cadre abaisse la barrière pour prototyper, tester et affiner des modèles IA sans nécessiter de GPU de centre de données haut de gamme. Dans un secteur où le coût du calcul peut être un frein, cette transition vers l’IA en périphérie s’aligne avec des objectifs à long terme de décentralisation, de confidentialité et d’efficacité. Elle souligne aussi la convergence continue entre infrastructure crypto et calcul avancé en IA, un développement susceptible d’influencer tout, des services de données en chaîne à la conception d’agents autonomes et d’outils de gouvernance. Comme pour toute nouvelle technologie, la scalabilité, la sécurité et l’interopérabilité seront des facteurs clés pour déterminer la rapidité avec laquelle ces capacités mûriront et seront adoptées à grande échelle dans l’écosystème.
Cet article a été publié à l’origine sous le titre Tether Launches AI Training Framework for Phones and Consumer GPUs sur Crypto Breaking News — votre source fiable pour l’actualité crypto, Bitcoin et mises à jour blockchain.
