عند الظهور في مؤتمر NVIDIA ، لماذا أصبحت NEAR لسبب غير مفهوم السلسلة العامة الرئيسية الذكاء الاصطناعي؟

المؤلف الأصلي: Haotian (X: @tmel0211)

في الآونة الأخيرة ، جعلت الأخبار التي تفيد بأن مؤسس NEAR @ilblackdragon سيظهر في مؤتمر NVIDIA الذكاء الاصطناعي سلسلة NEAR العامة تكسب ما يكفي من مقل العيون ، كما أن اتجاه سعر السوق يبعث على الرضا أيضا. يشعر العديد من الأصدقاء بالحيرة ، أليست سلسلة NEAR كل شيء في القيام بتجريد السلسلة ، كيف يمكن أن تصبح السلسلة العامة الذكاء الاصطناعي رأسا لسبب غير مفهوم؟ بعد ذلك ، شارك ملاحظاتي ، وبالمناسبة ، قم بتعميم بعض المعرفة التدريبية النموذجية الذكاء الاصطناعي:

1. مؤسس NEAR Illia Polosukhin لديه خلفية طويلة في الذكاء الاصطناعي وهو باني مشارك لهندسة Transformer . بنية Transformer هي البنية التحتية لنماذج اللغات الكبيرة LLMs اليوم لتدريب ChatGPT ، وهو ما يكفي لإثبات أن رئيس NEAR لديه خبرة في إنشاء وقيادة أنظمة النماذج الكبيرة الذكاء الاصطناعي قبل تأسيس NEAR.

2. أطلقت NRAR مهام NEAR في NEARCON 2023 ، بهدف تدريب وتحسين نماذج الذكاء الاصطناعي. بعد اكتمال المهمة ، ستكافئ المنصة المستخدمين برموز NEAR ، وسيتم استخدام البيانات المشروحة يدويا لتدريب نموذج الذكاء الاصطناعي المقابل.

على سبيل المثال، إذا احتاج نموذج الذكاء الاصطناعي إلى تحسين قدرته على التعرف على الكائنات في الصور، فيمكن للمورد تحميل عدد كبير من الصور الأصلية بكائنات مختلفة إلى النظام الأساسي للمهام، ومن ثم يمكن للمستخدم تحديد موضع الكائنات يدويا على الصورة، ثم إنشاء كمية كبيرة من بيانات "موقع كائن الصورة"، والتي يمكن الذكاء الاصطناعي استخدامها للتعلم من تلقاء نفسها لتحسين قدرات التعرف على الصور.

للوهلة الأولى ، ألا تريد NEAR Tasks فقط إضفاء الطابع الاجتماعي على الهندسة الاصطناعية لتوفير الخدمات الأساسية لنماذج الذكاء الاصطناعي ، ولكن هل هي حقا بهذه الأهمية؟

عادة ما يتضمن التدريب الكامل على نموذج الذكاء الاصطناعي جمع البيانات ، والمعالجة المسبقة للبيانات والتعليق التوضيحي ، وتصميم النموذج والتدريب عليه ، وضبط النموذج ، والضبط الدقيق ، والتحقق من صحة النموذج واختباره ، ونشر النموذج ، ومراقبة النموذج وتحديثه ، وما إلى ذلك.

من الواضح أن معظم الناس يفهمون أن جزء الآلة أكبر بكثير من الجزء البشري ، بعد كل شيء ، يبدو أكثر تقنية عالية ، ولكن في الواقع ، يعد التعليق التوضيحي البشري أمرا بالغ الأهمية في تدريب النموذج بأكمله.

يمكن للتعليق التوضيحي اليدوي إضافة تسميات إلى الكائنات (الأشخاص والأماكن والأشياء) في الصورة للكمبيوتر لتحسين تعلم النموذج المرئي ؛ يمكن للتعليق التوضيحي اليدوي أيضا تحويل المحتوى في الكلام إلى نص ، والتعليق على مقاطع وكلمات وعبارات محددة لمساعدة الكمبيوتر على تدريب نموذج التعرف على الكلام ؛ يمكن أن يضيف التعليق التوضيحي اليدوي أيضا بعض التسميات العاطفية مثل السعادة والحزن والغضب إلى النص ، بحيث يمكن للذكاء الاصطناعي تعزيز مهارات تحليل المشاعر ، إلخ.

ليس من الصعب أن نرى أن التعليق التوضيحي اليدوي هو الأساس للآلات لتنفيذ نماذج التعلم العميق ، وبدون بيانات التعليقات التوضيحية عالية الجودة ، لا يمكن للنموذج التعلم بكفاءة ، وإذا لم تكن كمية البيانات المشروحة كبيرة بما يكفي ، فسيكون أداء النموذج محدودا أيضا.

في الوقت الحاضر ، هناك العديد من الاتجاهات الرأسية للضبط الثانوي أو التدريب الخاص بناء على نماذج ChatGPT الكبيرة في مجال الذكاء الاصطناعي الحد الأدنى من التدخل الجراحي ، والتي تعتمد بشكل أساسي على بيانات OpenAI ، وإضافة مصادر بيانات جديدة ، وخاصة البيانات المشروحة يدويا ، لأداء تدريب النموذج.

على سبيل المثال ، إذا أرادت شركة طبية إجراء تدريب نموذجي يعتمد على الذكاء الاصطناعي التصوير الطبي وتقديم مجموعة من خدمات الاستشارات الذكاء الاصطناعي عبر الإنترنت للمستشفيات ، فإنها تحتاج فقط إلى تحميل كمية كبيرة من بيانات الصور الطبية الأولية إلى منصة المهام ، ثم السماح للمستخدمين بالتعليق على المهمة وإكمالها ، مما سيؤدي إلى إنشاء بيانات التعليقات التوضيحية اليدوية ، ثم ضبط وتحسين نموذج ChatGPT الكبير ، مما سيجعل أداة الذكاء الاصطناعي العامة هذه خبيرا في المجال الرأسي.

ومع ذلك ، من الواضح أنه لا يكفي أن تصبح NEAR رائدة في السلسلة العامة الذكاء الاصطناعي فقط من خلال الاعتماد على منصة المهام ، بل تقوم NEAR أيضا بتنفيذ خدمات وكيل الذكاء الاصطناعي في النظام البيئي ، والتي تستخدم لأتمتة جميع السلوكيات والعمليات على السلسلة للمستخدمين ، ويمكن للمستخدمين شراء وبيع الأصول بحرية في السوق طالما أنها مصرح بها. هذا مشابه إلى حد ما ل Intent-centric ، والذي يستخدم الذكاء الاصطناعي لأتمتة التنفيذ لتحسين تجربة تفاعل المستخدم على السلسلة. بالإضافة إلى ذلك ، تسمح قدرات DA القوية ل NEAR بلعب دور في إمكانية تتبع مصادر البيانات الذكاء الاصطناعي ، وتتبع صحة وصحة بيانات التدريب النموذجية الذكاء الاصطناعي.

باختصار ، بدعم من وظائف السلسلة عالية الأداء ، يبدو أن الامتداد الفني والتوجيه السردي ل NEAR في اتجاه الذكاء الاصطناعي أكثر غموضا من تجريد السلسلة الخالصة.

قبل نصف شهر ، عندما كنت أقوم بتحليل تجريد سلسلة NRAR ، رأيت مزايا أداء سلسلة NEAR + قدرة تكامل موارد web2 الفائقة للفريق.

ملاحظة: لا يزال التركيز على المدى الطويل يعتمد على تخطيط NEAR وترويج المنتج على "تجريد السلسلة" ، الذكاء الاصطناعي سيكون محفزا جيدا للسوق الصاعدة!

رابط المقال الأصلي