Apparaissant à la conférence NVIDIA, pourquoi NEAR est-il inexplicablement devenu la principale chaîne publique de l’IA ?

Auteur original : Haotian (X : @tmel0211)

Récemment, la nouvelle que le fondateur de NEAR, @ilblackdragon, apparaîtra à la conférence NVIDIA AI a attiré suffisamment d’attention sur la chaîne publique NEAR, et la tendance des prix du marché est également gratifiante. Beaucoup d’amis sont perplexes, la chaîne NEAR n’est-elle pas tout en faisant de l’abstraction de chaîne, comment peut-elle devenir la chaîne publique de tête d’IA inexplicablement ? Ensuite, partagez mes observations, et au passage, vulgarisez certaines connaissances sur l’entraînement des modèles d’IA :

1. Le fondateur de NEAR, Illia Polosukhin, a une longue expérience dans le domaine de l’IA et est co-constructeur de l’architecture Transformer. L’architecture Transformer est l’infrastructure permettant aux grands modèles de langage LLM d’aujourd’hui d’entraîner ChatGPT, ce qui suffit à prouver que le patron de NEAR avait de l’expérience dans la création et la direction de systèmes de grands modèles d’IA avant de fonder NEAR.

2. Le NRAR a lancé NEAR Tasks à NEARCON 2023, dans le but d’entraîner et d’améliorer les modèles d’IA. Une fois la tâche terminée, la plateforme récompensera les utilisateurs avec des jetons NEAR, et les données annotées manuellement seront utilisées pour entraîner le modèle d’IA correspondant.

Par exemple, si le modèle d’IA a besoin d’améliorer sa capacité à reconnaître des objets dans des images, le fournisseur peut télécharger un grand nombre d’images originales avec différents objets sur la plate-forme Tasks, puis l’utilisateur peut marquer manuellement la position des objets sur l’image, puis générer une grande quantité de données de « localisation image-objet », que l’IA peut utiliser pour apprendre par elle-même afin d’améliorer les capacités de reconnaissance d’image.

À première vue, NEAR Tasks ne veut-il pas simplement socialiser l’ingénierie artificielle pour fournir des services de base aux modèles d’IA, mais est-ce vraiment si important ?

En règle générale, une formation complète sur un modèle d’IA comprend la collecte de données, le prétraitement et l’annotation des données, la conception et l’entraînement du modèle, le réglage du modèle, le réglage fin, la validation et le test du modèle, le déploiement du modèle, la surveillance et la mise à jour du modèle, etc.

De toute évidence, la plupart des gens comprennent que la partie machine est nettement plus grande que la partie humaine, après tout, cela semble plus high-tech, mais en réalité, l’annotation humaine est cruciale dans l’ensemble de l’entraînement du modèle.

L’annotation manuelle peut ajouter des étiquettes aux objets (personnes, lieux, choses) de l’image pour l’ordinateur afin d’améliorer l’apprentissage du modèle visuel ; l’annotation manuelle peut également convertir le contenu du discours en texte et annoter des syllabes, des mots et des phrases spécifiques pour aider l’ordinateur à entraîner le modèle de reconnaissance vocale ; l’annotation manuelle peut également ajouter des étiquettes émotionnelles telles que le bonheur, la tristesse et la colère au texte, de sorte que l’intelligence artificielle peut améliorer les compétences d’analyse des sentiments, etc.

Il n’est pas difficile de voir que l’annotation manuelle est la base pour que les machines exécutent des modèles d’apprentissage profond, et sans données d’annotation de haute qualité, le modèle ne peut pas apprendre efficacement, et si la quantité de données annotées n’est pas assez importante, les performances du modèle seront également limitées.

À l’heure actuelle, il existe de nombreuses directions verticales pour le réglage fin secondaire ou l’entraînement spécial basé sur les grands modèles de ChatGPT dans le domaine de l’IA mini-invasive, qui sont essentiellement basés sur les données d’OpenAI, ajoutant de nouvelles sources de données, en particulier des données annotées manuellement, pour effectuer l’entraînement du modèle.

Par exemple, si une entreprise médicale souhaite effectuer un entraînement de modèle basé sur l’IA d’imagerie médicale et fournir un ensemble de services de consultation IA en ligne pour les hôpitaux, il lui suffit de télécharger une grande quantité de données d’imagerie médicale brutes sur la plateforme Task, puis de laisser les utilisateurs annoter et terminer la tâche, ce qui générera des données d’annotation manuelles, puis affiner et optimiser le grand modèle ChatGPT, ce qui fera de cet outil d’IA général un expert dans le domaine vertical.

Cependant, il n’est évidemment pas suffisant pour que NEAR devienne le leader de la chaîne publique d’IA simplement en s’appuyant sur la plate-forme Tasks, NEAR réalise également des services d’agent d’IA dans l’écosystème, qui est utilisé pour automatiser tous les comportements et opérations on-chain des utilisateurs, et les utilisateurs peuvent librement acheter et vendre des actifs sur le marché tant qu’ils sont autorisés. C’est un peu similaire à l’Intent-centric, qui utilise l’IA pour automatiser l’exécution afin d’améliorer l’expérience d’interaction on-chain de l’utilisateur. De plus, les puissantes capacités DA de NEAR lui permettent de jouer un rôle dans la traçabilité des sources de données d’IA, en suivant la validité et l’authenticité des données d’entraînement des modèles d’IA.

En bref, soutenues par des fonctions de chaîne performantes, l’extension technique et l’orientation narrative de NEAR dans la direction de l’IA semblent être beaucoup plus ambiguës que l’abstraction pure de la chaîne.

Il y a un mois et demi, alors que j’analysais l’abstraction de la chaîne NRAR, j’ai vu les avantages de la performance de la chaîne NEAR + la super capacité d’intégration des ressources web2 de l’équipe.

Remarque : L’objectif à long terme dépend toujours de la mise en page de NEAR et de la promotion du produit sur « l’abstraction de la chaîne », l’IA sera un bon catalyseur de marché haussier !

Lien vers l’article original