Muncul di konferensi NVIDIA, mengapa NEAR secara misterius menjadi kepala rantai publik AI?

Penulis asli: Haotian (X: @tmel0211)

Baru-baru ini, berita bahwa pendiri NEAR @ilblackdragon akan muncul di konferensi NVIDIA AI telah membuat rantai publik NEAR mendapatkan cukup perhatian, dan tren harga pasar juga memuaskan. Banyak teman yang bingung, bukankah rantai NEAR Semua dalam melakukan abstraksi rantai, bagaimana bisa menjadi rantai publik kepala AI yang tidak dapat dijelaskan? Selanjutnya, bagikan pengamatan saya, dan omong-omong, mempopulerkan beberapa pengetahuan pelatihan model AI:

1. Pendiri NEAR Illia Polosukhin memiliki latar belakang panjang dalam AI dan merupakan co-builder arsitektur Transformer. Arsitektur Transformer adalah infrastruktur untuk model bahasa besar LLM saat ini untuk melatih ChatGPT, yang cukup untuk membuktikan bahwa bos NEAR memang memiliki pengalaman dalam menciptakan dan memimpin sistem model besar AI sebelum mendirikan NEAR.

2. NRAR telah meluncurkan NEAR Tasks di NEARCON 2023, dengan tujuan melatih dan meningkatkan model AI. Setelah tugas selesai, platform akan memberi penghargaan kepada pengguna dengan token NEAR, dan data yang dianotasi secara manual akan digunakan untuk melatih model AI yang sesuai.

Misalnya, jika model AI perlu meningkatkan kemampuannya untuk mengenali objek dalam gambar, Vendor dapat mengunggah sejumlah besar gambar asli dengan objek yang berbeda ke platform Tugas, dan kemudian pengguna dapat secara manual menandai posisi objek pada gambar, dan kemudian menghasilkan sejumlah besar data "lokasi objek gambar", yang dapat digunakan AI untuk belajar sendiri untuk meningkatkan kemampuan pengenalan gambar.

Pada pandangan pertama, bukankah NEAR Tasks hanya ingin mensosialisasikan rekayasa buatan untuk menyediakan layanan dasar untuk model AI, tetapi apakah itu benar-benar penting?

Biasanya, pelatihan model AI lengkap mencakup pengumpulan data, prapemrosesan dan anotasi data, desain dan pelatihan model, penyetelan model, penyempurnaan, validasi dan pengujian model, penyebaran model, pemantauan dan pembaruan model, dan sebagainya.

Jelas, kebanyakan orang memahami bahwa bagian mesin secara signifikan lebih besar daripada bagian manusia, lagipula, tampaknya lebih berteknologi tinggi, tetapi pada kenyataannya, anotasi manusia sangat penting dalam keseluruhan pelatihan model.

Anotasi manual dapat menambahkan label ke objek (orang, tempat, benda) dalam gambar untuk komputer untuk meningkatkan pembelajaran model visual; anotasi manual juga dapat mengubah konten dalam pidato menjadi teks, dan membubuhi keterangan suku kata, kata dan frasa tertentu untuk membantu komputer melatih model pengenalan suara; anotasi manual juga dapat menambahkan beberapa label emosional seperti kebahagiaan, kesedihan, dan kemarahan pada teks, sehingga kecerdasan buatan dapat meningkatkan keterampilan analisis sentimen, dll.

Tidak sulit untuk melihat bahwa anotasi manual adalah dasar bagi mesin untuk melakukan model pembelajaran mendalam, dan tanpa data anotasi berkualitas tinggi, model tidak dapat belajar secara efisien, dan jika jumlah data beranotasi tidak cukup besar, kinerja model juga akan terbatas.

Saat ini, ada banyak arah vertikal untuk penyetelan sekunder atau pelatihan khusus berdasarkan model besar ChatGPT di bidang AI invasif minimal, yang pada dasarnya didasarkan pada data OpenAI, menambahkan sumber data baru, terutama data beranotasi manual, untuk melakukan pelatihan model.

Misalnya, jika perusahaan medis ingin melakukan pelatihan model berdasarkan AI pencitraan medis dan menyediakan serangkaian layanan konsultasi AI online untuk rumah sakit, ia hanya perlu mengunggah sejumlah besar data gambar medis mentah ke platform Tugas, dan kemudian membiarkan pengguna membuat anotasi dan menyelesaikan tugas, yang akan menghasilkan data anotasi manual, dan kemudian menyempurnakan dan mengoptimalkan model besar ChatGPT, yang akan menjadikan alat AI umum ini ahli di bidang vertikal.

Namun, jelas tidak cukup bagi NEAR untuk menjadi pemimpin rantai publik AI hanya dengan mengandalkan platform Tasks, NEAR sebenarnya juga melakukan layanan AI Agent di ekosistem, yang digunakan untuk mengotomatiskan semua perilaku on-chain dan operasi pengguna, dan pengguna dapat dengan bebas membeli dan menjual aset di pasar selama mereka diotorisasi. Ini sedikit mirip dengan Intent-centric, yang menggunakan AI untuk mengotomatiskan eksekusi untuk meningkatkan pengalaman interaksi on-chain pengguna. Selain itu, kemampuan DA NEAR yang kuat memungkinkannya berperan dalam keterlacakan sumber data AI, melacak validitas dan keaslian data pelatihan model AI.

Singkatnya, didukung oleh fungsi rantai berkinerja tinggi, ekstensi teknis dan panduan naratif NEAR ke arah AI tampaknya jauh lebih ambigu daripada abstraksi rantai murni.

Setengah bulan yang lalu, ketika saya menganalisis abstraksi rantai NRAR, saya melihat keuntungan dari kinerja rantai NEAR + kemampuan integrasi sumber daya web2 super tim.

Catatan: Fokus jangka panjang masih tergantung pada tata letak NEAR dan promosi produk pada "abstraksi rantai", AI akan menjadi katalis pasar plus dan bull yang baik!

Link ke artikel asli