Ideas clave
- Tether introdujo un marco que permite el entrenamiento de grandes modelos lingüísticos en teléfonos inteligentes.
- El sistema utilizó la arquitectura BitNet y el ajuste fino LoRA para reducir las necesidades de cálculo.
- Las empresas de criptomonedas aumentaron el gasto en infraestructura de IA y computación de alto rendimiento.
Tether lanzó el martes un nuevo marco de entrenamiento de inteligencia artificial que permite ejecutar y afinar grandes modelos lingüísticos en hardware de consumo. El sistema forma parte de la plataforma QVAC de la empresa y es compatible con smartphones y varios procesadores que no son de Nvidia. Los ingenieros diseñaron el marco para reducir los requisitos de memoria, disminuyendo así la barrera del coste para construir y probar modelos lingüísticos.
El lanzamiento se produjo cuando las empresas de infraestructuras criptográficas se adentraron en el desarrollo de la inteligencia artificial y los mercados de computación. Tether, emisor de la mayor stablecoin por capitalización bursátil, enmarcó el lanzamiento como un intento de descentralizar las capacidades de aprendizaje automático. La empresa argumentó que permitir el entrenamiento de modelos en hardware ampliamente disponible podría reducir la dependencia de proveedores centralizados en la nube.
Tether presentó un sistema de formación basado en BitNet
El anuncio de Tether describía el marco como un entorno de entrenamiento construido sobre la arquitectura BitNet de Microsoft. El diseño utilizaba estructuras de red neuronal de un bit combinadas con métodos de ajuste fino LoRA, lo que permitía a los desarrolladores ajustar los modelos manteniendo bajas las demandas de computación.
Los ingenieros de la empresa afirmaron que el sistema entrenó modelos lingüísticos con hasta mil millones de parámetros en smartphones en menos de dos horas. Según se informa, los modelos más pequeños completaron el entrenamiento en cuestión de minutos cuando se optimizaron mediante el mismo enfoque. La empresa también declaró que la plataforma admitía modelos que alcanzaban los trece mil millones de parámetros en dispositivos móviles.
Los ingenieros construyeron el sistema para que funcionara en varios ecosistemas de hardware, en lugar de depender de los chips de Nvidia. El marco era compatible con procesadores AMD, arquitecturas Intel, sistemas Apple Silicon y procesadores gráficos móviles de Qualcomm y Apple. Esa compatibilidad amplió el acceso a la experimentación de aprendizaje automático más allá de los clusters tradicionales de computación de alto rendimiento.
El diseño técnico también redujo los requisitos de memoria gráfica en comparación con los modelos estándar. Los resultados de ingeniería interna mostraron que la arquitectura BitNet reducía el uso de VRAM hasta un 77,8% en comparación con los sistemas comparables de 16 bits.
Tether lleva el cálculo de IA más allá del hardware de Nvidia
Tether dijo que la arquitectura permitía el ajuste fino de LoRA en hardware fuera del ecosistema de Nvidia. Históricamente, los desarrolladores dependían de los procesadores gráficos de Nvidia para las cargas de trabajo de entrenamiento, porque esos chips gestionaban los grandes cálculos tensoriales con eficacia. Los ingenieros de Tether intentaron eliminar esa limitación permitiendo métodos de entrenamiento de bits bajos en procesadores alternativos.
La empresa argumentó que la arquitectura también mejoraba las velocidades de inferencia para cargas de trabajo móviles. Las pruebas indicaron que los procesadores gráficos móviles procesaban los modelos BitNet varias veces más rápido que las unidades centrales de procesamiento estándar. Esa diferencia permitió que los modelos se ejecutaran localmente en dispositivos portátiles, en lugar de requerir una infraestructura remota en la nube.
Los desarrolladores también exploraron métodos de aprendizaje automático distribuido dentro del sistema. Tether describió los usos potenciales de los modelos de aprendizaje federado que se actualizan a través de redes de dispositivos independientes. Con esa estructura, los modelos aprenden a partir de datos locales, manteniendo la información en cada dispositivo en lugar de cargarla en servidores centralizados.
La empresa sugirió que el planteamiento podría servir de apoyo a los entornos de formación centrados en la privacidad. Los datos permanecían locales, mientras que sólo las actualizaciones de los modelos se transferían a través de las redes. Esta arquitectura reflejaba las tendencias de los sistemas informáticos descentralizados y las redes criptográficas distribuidas.
La expansión de Tether refleja el impulso de la IA en la industria de las criptomonedas
La actividad del mercado en el sector de los activos digitales mostró un aumento de la inversión en infraestructura de inteligencia artificial. Las empresas de criptomonedas reorientaron cada vez más la capacidad informática creada originalmente para las operaciones de blockchain hacia cargas de trabajo de aprendizaje automático.
Los archivos públicos revelaron que las empresas tecnológicas formaron asociaciones para asegurarse potencia de cálculo vinculada a la demanda de inteligencia artificial. Un acuerdo anunciado en septiembre dio a Google una participación minoritaria en Cipher Mining como parte de un acuerdo de 10 años valorado en 3.000 millones de dólares. El acuerdo vinculaba la capacidad de los centros de datos a las necesidades de procesamiento de la inteligencia artificial.
Los anuncios corporativos posteriores indicaron que las empresas mineras de Bitcoin también reorientaron el capital hacia los servicios de aprendizaje automático. En diciembre, la minera IREN esbozó planes para recaudar unos 3.600 millones de dólares con el fin de ampliar la infraestructura para operaciones de inteligencia artificial.
Los informes de beneficios empresariales de principios de año reforzaron la misma tendencia. HIVE Digital Technologies declaró unos ingresos de 93,1 millones de dólares tras ampliar sus servicios informáticos de alto rendimiento. Aproximadamente en el mismo periodo, Core Scientific obtuvo un préstamo de 500 millones de dólares de Morgan Stanley para apoyar el crecimiento de su infraestructura informática.
Los desarrolladores también experimentaron con agentes autónomos de inteligencia artificial integrados en la infraestructura de la cadena de bloques. Coinbase lanzó herramientas de monedero que permiten a los agentes de software ejecutar transacciones directamente en la cadena. Alchemy introdujo servicios que permiten a los agentes acceder a los datos de la cadena de bloques mientras liquidan pagos a través de la infraestructura de stablecoin.
Las redes de identidad también exploraron la conexión entre los sistemas de inteligencia artificial y la verificación digital. World, la red de identidad cofundada por el jefe de OpenAI, Sam Altman, lanzó AgentKit a principios de esta semana. El conjunto de herramientas permitía a los agentes de software verificar su conexión con una identidad humana única a través del sistema de identificación de World.
El último marco de Tether entró en el mismo sector en expansión en el que se cruzan los recursos informáticos, el aprendizaje automático y los sistemas blockchain.
La empresa dijo que los desarrolladores podrían integrar las herramientas de formación en aplicaciones distribuidas y dispositivos locales sin depender de servidores centralizados.
El próximo desarrollo del marco de inteligencia artificial de Tether dependerá de la adopción por parte de los desarrolladores y de las pruebas de rendimiento a nivel de dispositivo. Es probable que los ingenieros supervisen cómo la plataforma QVAC gestiona los modelos de gran tamaño a través del hardware de consumo distribuido durante los próximos lanzamientos.
