TetherはQVAC Fabricを公開し、大規模なAIモデルをスマートフォンや一般的なデバイス上で直接学習させることを可能にしました。

AIトレーニングの閾値を大きく引き下げる画期的な進展

AIモデル開発の分野では、これまで大規模言語モデルのトレーニングには高額なハードウェアやクラウドリソースが必要であり、技術は一部の大手機関に集中していました。

（出典：Tether）

Tetherが新たに発表したQVAC Fabricは、BitNet（1ビット大規模言語モデル）専用のLoRAファインチューニングフレームワークです。この技術革新により、計算・メモリ要件が大幅に軽減され、一般ユーザーでもAIモデルのトレーニングに参加できるようになりました。

クロスプラットフォーム対応：コンピューターからモバイル端末まで幅広くサポート

QVAC Fabricの大きな強みは、幅広いハードウェア対応です。このフレームワークは、以下のような多様なデバイスで動作します。

• ノートパソコン

• コンシューマー向けGPU（Intel、AMD、Apple Silicon）

• スマートフォン（各種モバイルGPUを含む）

これにより、AIモデルはデータセンターや専用ハードウェアに縛られることなく、日常のデバイス上で直接トレーニングや運用が可能となります。

モバイル端末での大規模モデルのトレーニング

この技術の注目すべき特徴は、モバイル端末上でモデルのファインチューニングができる点です。

例えば：

• Samsung S25（Adreno GPU）では、1億2,500万パラメータのモデルを約10分でファインチューニング可能

• 同端末で10億パラメータのモデルは約1時間18分

• iPhone 16では、10億パラメータのモデルが約1時間45分

さらに、スマートフォン上で最大130億パラメータのモデル実行にも成功しており、モバイルハードウェアのAI性能向上が著しいことが示されています。

パフォーマンスとメモリ最適化の主な進展

従来モデルと比較し、BitNetアーキテクチャはパフォーマンスとリソース効率で明確な優位性を持ちます。

パフォーマンス

• モバイルGPUによる推論速度はCPUの2～11倍

• かつてはデータセンターが必要だった作業負荷にも対応可能

メモリ使用量

• 16ビットモデル比でVRAM使用量を最大約77.8%削減

• より大規模なモデルや個別最適化アプリケーションの運用が可能

これらの進歩により、エッジデバイスでのAIアプリ展開が格段に容易になりました。

NVIDIAやクラウドへの依存からの脱却

従来のAIトレーニングはNVIDIA製ハードウェアやクラウドサービスへの依存が強いものでした。QVAC Fabricは、AMD、Intel、Apple Silicon、AdrenoやMaliなどのモバイルGPUを含む非NVIDIAハードウェア上で1ビットLLMのLoRAファインチューニングを可能にし、この依存を打破します。これによりコストが削減され、AI開発の分散化が促進されます。

分散化とプライバシー保護の推進

QVAC Fabricのもう一つの大きな利点は、データプライバシーと分散学習のサポートです。

• モデルのトレーニングをローカルで実施できるため、機密データのアップロードが不要

• 連合学習（フェデレーテッドラーニング）を推進

• 中央集権的なインフラ依存を軽減

これらの特徴により、より安全かつスケーラブルなAIエコシステムへの道が開かれます。

Tetherが描くAIの未来

Paolo Ardoino氏は、AIが今後の社会で極めて重要な役割を果たすこと、そしてその発展が一部のリソース保有者だけに独占されるべきではないと強調しています。AIトレーニングにおける中央集権型アーキテクチャへの過度な依存は、イノベーションを阻害し、エコシステム全体の安定性を脅かすと指摘。AIを個人デバイスで活用できるようにすることが、普及拡大への重要な一歩だと述べています。

まとめ

TetherのQVAC Fabricは、単なる技術革新にとどまらず、AI開発モデルを根本から変える可能性を持っています。ハードウェアの障壁を下げ、クロスプラットフォーム対応を強化することで、大規模言語モデルはデータセンターから日常のデバイスへと着実に広がっています。今後、これらの技術が進化し続けることで、AIは中央集権的なリソースから、よりオープンで分散化され、広く利用可能な未来へと移行していくでしょう。