استارتاپ پیشگام PrismML با معرفی مدل‌های زبانی کوچک و متن‌باز خود برای عینک‌های هوشمند مجهز به پردازنده‌های کوالکام، گام بزرگی در جهت پردازش بومی و بدون نیاز به اینترنت هوش مصنوعی برداشته است. این فناوری نویدبخش استفاده بهینه از سخت‌افزارهای موجود و ارتقای حریم خصوصی کاربران است.
امروزه دنیای فناوری با سرعتی باورنکردنی به سمت محلی‌سازی هوش مصنوعی (On-Device AI) حرکت می‌کند. در این میان، استارتاپ PrismML با یک نوآوری هیجان‌انگیز توجه رسانه‌ها را به خود جلب کرده است. این شرکت موفق شده مدل‌های زبانی کوچک (Tiny LLMs) خود را به عینک‌های هوشمند مجهز به تراشه‌های کوالکام (Qualcomm) بیاورد. این اقدام، گامی بزرگ به سوی آینده‌ای است که در آن عینک‌های واقعیت افزوده بدون نیاز به اتصال دائم به ابر (Cloud) و با تکیه بر سخت‌افزار داخلی خود، پردازش‌های پیچیده هوش مصنوعی را انجام می‌دهند.
هدف بزرگ‌تر PrismML، توسعه هوش مصنوعی با وزن‌های باز (Open-Weight AI) است که به طور مستقیم روی دستگاه‌های مصرف‌کننده اجرا می‌شود. این رویکرد به کاربران اجازه می‌دهد تا از حداکثر توان پردازشی دستگاه‌هایی که در حال حاضر مالک آن‌ها هستند، استفاده کنند، بدون اینکه نیازی به ارتقای مداوم سخت‌افزار یا پرداخت هزینه‌های سنگین اشتراک ابری داشته باشند.
انقلابی در پردازش محلی: چرا مدل‌های کوچک زبانی اهمیت دارند؟
در سال‌های اخیر، مدل‌های غول‌پیکر هوش مصنوعی مانند GPT-4 یا Claude توجه همگان را جلب کرده‌اند. اما این مدل‌ها یک نقطه ضعف بزرگ دارند: آن‌ها به پهنای باند اینترنت بالا و سرورهای ابری فوق‌العاده قدرتمند نیاز دارند. این موضوع برای گجت‌های پوشیدنی مانند عینک‌های هوشمند که باید سبک، کم‌مصرف و سریع باشند، یک چالش جدی است.
مدل‌های زبانی کوچک یا Tiny LLMs پاسخ این چالش هستند. این مدل‌ها با وجود حجم بسیار کمتر، بهینه‌سازی شده‌اند تا وظایف خاص و کاربردی را با سرعت بالا و مصرف انرژی بسیار کم انجام دهند. شرکت PrismML با تمرکز بر این بخش از بازار، نشان داده است که می‌توان بدون فدا کردن کارایی، هوش مصنوعی را به معنای واقعی کلمه «پوشیدنی» کرد.
همکاری PrismML و کوالکام؛ هوش مصنوعی روی چشم شما
سخت‌افزارهای کوالکام، به ویژه تراشه‌های سری اسنپدراگون (Snapdragon XR)، قلب تپنده بسیاری از عینک‌های هوشمند و هدست‌های واقعیت افزوده بازار هستند. PrismML با بهینه‌سازی مدل‌های خود برای این معماری سخت‌افزاری، توانسته است تجربه کاربری بی‌نظیری را خلق کند.
زمانی که یک مدل هوش مصنوعی به صورت بومی روی عینک هوشمند اجرا می‌شود، تاخیر (Latency) به نزدیک صفر می‌رسد. کاربر می‌تواند به صورت آنی اطلاعاتی درباره محیط اطراف خود دریافت کند، متن‌ها را ترجمه کند یا دستورات صوتی را بدون هیچ وقفه‌ای اجرا کند. علاوه بر این، امنیت و حریم خصوصی کاربران به طور کامل حفظ می‌شود؛ چرا که هیچ داده تصویری یا صوتی برای پردازش به سرورهای خارجی ارسال نمی‌شود.
بهینه‌سازی سخت‌افزاری و استفاده از توان پردازشی موجود
یکی از ویژگی‌های برجسته رویکرد PrismML، عدم نیاز به سخت‌افزارهای جدید و گران‌قیمت است. این استارتاپ بر این باور است که دستگاه‌های فعلی ما (از جمله عینک‌های هوشمند موجود در بازار) از توان پردازشی کافی برخوردارند، اما نرم‌افزارهای موجود نمی‌توانند به شکل بهینه از این پتانسیل استفاده کنند.
با استفاده از تکنیک‌های پیشرفته فشرده‌سازی مدل، مانند کوانتیزاسیون (Quantization) و تقطیر دانش (Knowledge Distillation)، PrismML موفق شده مدل‌هایی با عملکرد بالا را روی پردازنده‌های عصبی (NPU) کم‌مصرف کوالکام اجرا کند. این کار نه تنها عمر باتری عینک‌های هوشمند را حفظ می‌کند، بلکه مانع از داغ شدن بیش از حد دستگاه می‌شود.
چشم‌انداز PrismML: هوش مصنوعی متن‌باز و در دسترس همگان
سیاست PrismML در ارائه مدل‌های خود به صورت «وزن باز» (Open-Weight)، یک بازی برد-برد برای جامعه توسعه‌دهندگان است. برخلاف مدل‌های کاملاً بسته، مدل‌های وزن‌باز به توسعه‌دهندگان اجازه می‌دهند تا کدهای پایه را شخصی‌سازی کرده و آن‌ها را برای کاربردهای خاص (مانند پزشکی، آموزش یا مهندسی) بهینه‌سازی کنند. این رویکرد دموکراتیک به نوآوری‌های سریع‌تر در حوزه واقعیت افزوده (AR) و هوش مصنوعی کمک شایانی خواهد کرد.
نتیجه‌گیری و افق‌های پیش رو
ورود PrismML به دنیای عینک‌های هوشمند مجهز به کوالکام، نقطه عطفی در همگرایی هوش