Aparecendo na conferência da NVIDIA, por que a NEAR inexplicavelmente se tornou a principal cadeia pública de IA?

Autor Original: Haotian (X: @tmel0211)

Recentemente, a notícia de que o fundador da NEAR @ilblackdragon aparecerá na conferência NVIDIA AI fez com que a cadeia pública NEAR ganhasse olhares suficientes, e a tendência de preço de mercado também é gratificante. Muitos amigos estão intrigados, não é a cadeia NEAR Tudo ao fazer a abstração em cadeia, como ela pode se tornar a cadeia pública líder da IA inexplicavelmente? Em seguida, compartilhe minhas observações e, a propósito, popularize alguns conhecimentos de treinamento de modelos de IA:

1. O fundador da NEAR, Illia Polosukhin, tem uma longa experiência em IA e é um co-construtor da arquitetura Transformer. A arquitetura Transformer é a infraestrutura para os grandes modelos de linguagem LLMs de hoje treinarem o ChatGPT, o que é suficiente para provar que o chefe da NEAR tinha experiência na criação e liderança de sistemas de modelos grandes de IA antes de fundar a NEAR.

2. O NRAR lançou o NEAR Tasks no NEARCON 2023, com o objetivo de treinar e melhorar os modelos de IA. Depois que a tarefa for concluída, a plataforma recompensará os usuários com tokens NEAR e os dados anotados manualmente serão usados para treinar o modelo de IA correspondente.

Por exemplo, se o modelo de IA precisa melhorar sua capacidade de reconhecer objetos em imagens, o fornecedor pode carregar um grande número de imagens originais com objetos diferentes para a plataforma Tarefas e, em seguida, o usuário pode marcar manualmente a posição dos objetos na imagem e, em seguida, gerar uma grande quantidade de dados de "localização de objeto de imagem", que a IA pode usar para aprender por conta própria para melhorar os recursos de reconhecimento de imagem.

À primeira vista, a NEAR Tasks não quer apenas socializar a engenharia artificial para fornecer serviços básicos para modelos de IA, mas será que é realmente tão importante assim?

Normalmente, um treinamento completo de modelo de IA inclui coleta de dados, pré-processamento e anotação de dados, design e treinamento de modelos, ajuste fino, ajuste fino, validação e teste de modelos, implantação de modelos, monitoramento e atualização de modelos e assim por diante.

Obviamente, a maioria das pessoas entende que a parte da máquina é significativamente maior do que a parte humana, afinal, parece mais high-tech, mas na realidade, a anotação humana é crucial em todo o treinamento do modelo.

A anotação manual pode adicionar rótulos a objetos (pessoas, lugares, coisas) na imagem para o computador melhorar a aprendizagem do modelo visual, a anotação manual também pode converter o conteúdo da fala em texto e anotar sílabas, palavras e frases específicas para ajudar o computador a treinar o modelo de reconhecimento de fala, a anotação manual também pode adicionar alguns rótulos emocionais como felicidade, tristeza e raiva ao texto, para que a inteligência artificial possa melhorar as habilidades de análise de sentimento, etc.

Não é difícil ver que a anotação manual é a base para as máquinas realizarem modelos de aprendizagem profunda e, sem dados de anotação de alta qualidade, o modelo não pode aprender de forma eficiente e, se a quantidade de dados anotados não for grande o suficiente, o desempenho do modelo também será limitado.

Atualmente, existem muitas direções verticais para ajuste fino secundário ou treinamento especial baseado em modelos grandes do ChatGPT no campo da IA minimamente invasiva, que são essencialmente baseados nos dados da OpenAI, adicionando novas fontes de dados, especialmente dados anotados manualmente, para realizar o treinamento do modelo.

Por exemplo, se uma empresa médica quiser fazer treinamento de modelo com base em IA de imagem médica e fornecer um conjunto de serviços de consulta de IA on-line para hospitais, ela só precisa carregar uma grande quantidade de dados brutos de imagem médica para a plataforma Task e, em seguida, permitir que os usuários anotem e concluam a tarefa, o que gerará dados de anotação manual e, em seguida, ajustará e otimizará o modelo grande do ChatGPT, o que tornará essa ferramenta geral de IA um especialista no campo vertical.

No entanto, obviamente não é suficiente para a NEAR se tornar a líder da cadeia pública de IA apenas confiando na plataforma Tasks, a NEAR também está realizando serviços de AI Agent no ecossistema, que é usado para automatizar todos os comportamentos e operações on-chain dos usuários, e os usuários podem comprar e vender ativos livremente no mercado, desde que sejam autorizados. Isso é um pouco semelhante ao Intent-centric, que usa IA para automatizar a execução para melhorar a experiência de interação on-chain do usuário. Além disso, os poderosos recursos de DA da NEAR permitem que ela desempenhe um papel na rastreabilidade de fontes de dados de IA, rastreando a validade e autenticidade dos dados de treinamento de modelos de IA.

Em suma, apoiada por funções de cadeia de alto desempenho, a extensão técnica e a orientação narrativa da NEAR na direção da IA parecem ser muito mais ambíguas do que a pura abstração em cadeia.

Meio mês atrás, quando eu estava analisando a abstração da cadeia NRAR, vi as vantagens do desempenho da cadeia NEAR + a capacidade de integração de recursos super web2 da equipe.

Nota: O foco a longo prazo ainda depende do layout da NEAR e da promoção do produto em "abstração em cadeia", a IA será um bom catalisador de mercado positivo e bull market!

Link para o artigo original