ฝ่าย QVAC ของ Tether ประกาศเมื่อวันที่ 17 มีนาคม 2026 ว่าได้เปิดตัวกรอบงานการปรับแต่ง LoRA ข้ามแพลตฟอร์มแห่งแรกของโลกสำหรับโมเดล BitNet ของ Microsoft (1-bit LLMs) ซึ่งช่วยให้สามารถฝึกและทำ inference AI ที่มีพารามิเตอร์เป็นพันล้านบน GPU สำหรับผู้บริโภคและสมาร์ทโฟน
กรอบงานนี้ ซึ่งรวมอยู่ใน QVAC Fabric ช่วยลดความต้องการหน่วยความจำและการคำนวณได้อย่างมาก จนสามารถปรับแต่งโมเดลที่มีพารามิเตอร์สูงสุดถึง 13 พันล้านบนอุปกรณ์ต่าง ๆ รวมถึง iPhone 16, Galaxy S25 และ Pixel 9 โดยโมเดลที่มี 125 ล้านพารามิเตอร์สามารถฝึกได้ในประมาณ 10 นาทีบนฮาร์ดแวร์มือถือ
การเปิดตัวนี้เป็นก้าวสำคัญในกลยุทธ์ของ Tether ที่เปลี่ยนจากผู้ให้บริการ stablecoin ไปสู่ผู้ให้บริการโครงสร้างพื้นฐานในวงกว้าง ซึ่งท้าทายโมเดลการพัฒนา AI แบบรวมศูนย์ที่ครองโดยผู้ให้บริการคลาวด์และฮาร์ดแวร์ NVIDIA เฉพาะทาง
ความก้าวหน้าทางเทคนิค: BitNet LoRA บนอุปกรณ์ขอบ (Edge Devices)
ความสามารถข้ามแพลตฟอร์ม
กรอบงาน QVAC Fabric ช่วยให้สามารถปรับแต่ง LoRA (Low-Rank Adaptation) และเร่งความเร็ว inference ได้บนฮาร์ดแวร์ผู้บริโภคที่หลากหลาย รวมถึง:
GPU เดสก์ท็อป: AMD, Intel, NVIDIA
ระบบนิเวศของ Apple: ชิป Apple Silicon M และ Bionic สำหรับมือถือ
GPU มือถือ: Adreno (Samsung), Mali และอื่น ๆ
ความเข้ากันได้กว้างขวางนี้ช่วยขจัดความจำเป็นก่อนหน้านี้ที่ต้องใช้ระบบ NVIDIA ระดับองค์กรหรือโครงสร้างคลาวด์ ซึ่งเป็นการรวมศูนย์การพัฒนา AI ไว้ในองค์กรที่มีงบประมาณฮาร์ดแวร์เฉพาะทาง
ข้อมูลเบรคกิ้งพอยต์ด้านประสิทธิภาพบนมือถือ
ทีมวิศวกรรมของ Tether แสดงให้เห็นว่าการปรับแต่งสำเร็จบนสมาร์ทโฟนเรือธง โดยมีผลลัพธ์ดังนี้:
โมเดล 125M พารามิเตอร์: การปรับแต่งบน Samsung Galaxy S25 (GPU Adreno) เสร็จในประมาณ 10 นาที สำหรับชุดข้อมูลชีวเวชศาสตร์ประมาณ 300 เอกสาร (ประมาณ 18,000 โทเคน)
โมเดล 1B พารามิเตอร์: การปรับแต่งข้อมูลชีวเวชศาสตร์เดียวกันเสร็จใน 1 ชั่วโมง 18 นาทีบน Samsung S25 และ 1 ชั่วโมง 45 นาทีบน iPhone 16
ความจุสูงสุด: โมเดลที่มีพารามิเตอร์สูงสุดถึง 13 พันล้านสามารถปรับแต่งได้สำเร็บน iPhone 16 ซึ่งแสดงให้เห็นความสามารถของอุปกรณ์ขอบที่เกินกว่าการสาธิตโมเดลที่มีพารามิเตอร์ต่ำกว่า 3 พันล้านอย่างมาก
การปรับปรุงประสิทธิภาพ inference
การ inference ด้วย BitNet บน GPU มือถือแสดงให้เห็นว่ามีความเร็วเพิ่มขึ้นอย่างมากเมื่อเทียบกับ baseline CPU:
ข้อได้เปรียบด้านประสิทธิภาพหน่วยความจำ
การลดที่สามารถวัดได้
เบรคกิ้งพอยต์แสดงให้เห็นว่ามีการประหยัดหน่วยความจำอย่างมีนัยสำคัญเมื่อเทียบกับโมเดลทั่วไป:
การลดนี้ใช้ได้ทั้งในงาน inference และการปรับแต่ง LoRA ทำให้มีพื้นที่หน่วยความจำสำหรับโมเดลขนาดใหญ่และการปรับแต่งส่วนตัวบนฮาร์ดแวร์ที่เคยถือว่าขาดแคลน
ข้อได้เปรียบด้านสถาปัตยกรรม
กรอบงานนี้ช่วยให้สามารถปรับแต่งโมเดลที่มีขนาดสองเท่าของ Q4 ที่ไม่ใช่ BitNet บนอุปกรณ์ขอบ ซึ่งแสดงให้เห็นถึงประสิทธิภาพหน่วยความจำที่เหนือกว่าโครงสร้าง BitNet
ผลกระทบเชิงกลยุทธ์
การกระจายอำนาจการพัฒนา AI
ซีอีโอของ Tether, Paolo Ardoino กล่าวว่า การเปิดตัวนี้เป็นส่วนหนึ่งของวิสัยทัศน์ที่กว้างขึ้นของ AI ที่เข้าถึงได้ง่ายขึ้นว่า “ปัญญาจะเป็นปัจจัยสำคัญในอนาคตของสังคม เมื่อการฝึกโมเดลภาษาขนาดใหญ่ขึ้นอยู่กับโครงสร้างพื้นฐานแบบรวมศูนย์ นวัตกรรมจะหยุดชะงัก ระบบนิเวศจะเปราะบาง และสมดุลของสังคมจะเสี่ยง การเปิดโอกาสให้การฝึกโมเดลขนาดใหญ่บนฮาร์ดแวร์ผู้บริโภค รวมถึงสมาร์ทโฟน แสดงให้เห็นว่า AI ขั้นสูงสามารถกระจายอำนาจ เข้าถึงได้ และเสริมพลังให้ทุกคน”
การสนับสนุนการเรียนรู้แบบรวมกลุ่ม (Federated Learning)
ประสิทธิภาพที่เพิ่มขึ้นทำให้การเรียนรู้แบบรวมกลุ่มเป็นไปได้ โดยสามารถฝึกและแบ่งปันการอัปเดตโมเดลที่ปรับแต่งแล้วผ่านอุปกรณ์ที่กระจายกัน โดยยังคงรักษาความลับของข้อมูลผู้ใช้ไว้ในเครื่อง ซึ่งลดการพึ่งพาโครงสร้างพื้นฐานแบบรวมศูนย์และส่งเสริมการพัฒนาร่วมกันของโมเดล
ประโยชน์ด้านความเป็นส่วนตัวของข้อมูล
โดยลดการพึ่งพาผู้ให้บริการคลาวด์ กรอบงานนี้ช่วยให้ผู้ใช้สามารถเก็บข้อมูลที่ละเอียดอ่อนไว้ในอุปกรณ์ของตนเองในระหว่างการปรับแต่ง ซึ่งเป็นการแก้ปัญหาด้านความเป็นส่วนตัวที่เกี่ยวข้องกับการส่งข้อมูลไปยังเซิร์ฟเวอร์กลาง
การวางตำแหน่งทางการแข่งขัน
การท้าทายแนวคิด AI ของบิ๊กเทค
การเปิดตัวของ Tether ท้าทายโมเดลการพัฒนา AI แบบรวมศูนย์ที่ครองโดยผู้ให้บริการ hyperscalers และคลาวด์ โดยการสนับสนุนให้ทำงาน AI บนฮาร์ดแวร์ผู้บริโภคอย่างมีความหมาย บริษัทจึงวางตำแหน่งตัวเองเป็นผู้ให้บริการโครงสร้างพื้นฐานในสแต็ก AI ขอบ โดยไม่ขึ้นอยู่กับเขตอำนาจของคลาวด์แบบดั้งเดิม
การแจกจ่ายแบบโอเพ่นซอร์ส
กรอบงาน รวมถึงเอกสาร, ตัวเชื่อมต่อ, เบรคกิ้งพอยต์, และไบนารีข้ามแพลตฟอร์ม พร้อมให้ดาวน์โหลดบน Hugging Face วิธีการเปิดเผยนี้มุ่งหวังให้ QVAC เป็นเส้นทางหลักสำหรับนักพัฒนาอิสระและห้องปฏิบัติการขนาดเล็กในการนำ AI ไปใช้บนฮาร์ดแวร์ผู้บริโภค สร้างความเกี่ยวข้องทางวัฒนธรรมและเทคนิคที่อยู่นอกกรอบกฎระเบียบแบบดั้งเดิม
การเปลี่ยนกลยุทธ์ของ Tether
การเปิดตัวนี้เป็นส่วนหนึ่งของการขยายตัวของ Tether จากการออก stablecoin ไปสู่โครงสร้างพื้นฐานดิจิทัลที่สำคัญ ตามโครงการ QVAC ก่อนหน้านี้ รวมถึงชุดข้อมูล Genesis I มูลค่า 41 พันล้านโทเคน และ AI Workbench ท้องถิ่น บริษัทได้แสดงความตั้งใจที่จะลงทุนต่อเนื่องในโครงสร้างพื้นฐาน AI แบบกระจายศูนย์ใน “สัปดาห์ เดือน และปีที่จะมาถึง”
ความพร้อมทางเทคนิค
เอกสารทางเทคนิคเต็มรูปแบบ รวมถึงเบรคกิ้งพอยต์ด้านประสิทธิภาพ รายละเอียดการใช้งาน และไบนารีข้ามแพลตฟอร์ม พร้อมให้ดูผ่านบล็อก Hugging Face: “LoRA Fine-Tuning BitNet b1.58 LLMs บน GPU ขอบที่หลากหลายผ่าน QVAC Fabric”
เกี่ยวกับ Tether
Tether ระบุภารกิจของตนในการส่งเสริมเสรีภาพ ความโปร่งใส และนวัตกรรมผ่านเทคโนโลยี ซึ่งช่วยให้การแลกเปลี่ยนข้อมูลแบบ peer-to-peer โดยตรงโดยไม่ต้องพึ่งพาตัวกลางที่ไม่จำเป็น บริษัทมุ่งหวังที่จะทดแทนโมเดลแบบรวมศูนย์ด้วยโครงสร้างพื้นฐานแบบกระจายศูนย์ที่ออกแบบมาเพื่อความเป็นส่วนตัว ประสิทธิภาพ และความทนทาน
คำถามที่พบบ่อย
ฮาร์ดแวร์ใดบ้างที่สามารถรันกรอบงาน AI ใหม่ของ Tether ได้?
กรอบงาน QVAC Fabric BitNet LoRA รองรับ GPU สำหรับผู้บริโภคจาก AMD, Intel, NVIDIA; ระบบนิเวศของ Apple รวมถึงชิป Silicon M และ Bionic สำหรับมือถือ; และ GPU มือถืออย่าง Adreno (Samsung), Mali และอื่น ๆ ซึ่งช่วยให้สามารถปรับแต่ง AI บนแล็ปท็อป เดสก์ท็อป และสมาร์ทโฟนเรือธงโดยไม่ต้องใช้ฮาร์ดแวร์ระดับองค์กรเฉพาะทาง
inference บน GPU มือถือเร็วกว่า CPU เท่าไหร่?
จากเบรคกิ้งพอยต์ของ Tether การ inference บน GPU ของอุปกรณ์มือถือระดับเรือธงทำงานได้เร็วขึ้น 2 ถึง 11 เท่าจาก baseline CPU การใช้หน่วยความจำลดลงสูงสุดถึง 77.8% เมื่อเทียบกับโมเดลทั่วไป ซึ่งช่วยให้สามารถรันโมเดลขนาดใหญ่ขึ้นภายในข้อจำกัดของฮาร์ดแวร์เดียวกัน
การปรับแต่งโมเดล 13B บนสมาร์ทโฟนมีความสำคัญอย่างไร?
การปรับแต่งโมเดล 13 พันล้านพารามิเตอร์บนสมาร์ทโฟนเป็นการเปลี่ยนแปลงครั้งสำคัญจากการแสดง AI บนอุปกรณ์ที่มักใช้โมเดลต่ำกว่า 3B หรือส่งงานหนักไปยังคลาวด์ ความสามารถนี้ชี้ให้เห็นอนาคตที่การปรับแต่งโมเดลและการปรับให้เหมาะสมกับโดเมนเฉพาะสามารถทำได้ในเครื่องโดยไม่ต้องส่งข้อมูลผู้ใช้ไปยังเซิร์ฟเวอร์กลาง
