Почему NEAR, выступая на конференции NVIDIA, по необъяснимым причинам стал главной публичной цепочкой ИИ?

Автор оригинала: Haotian (X: @tmel0211)

Недавно новость о том, что основатель NEAR @ilblackdragon появится на конференции NVIDIA AI, заставила публичную сеть NEAR привлечь достаточно внимания, и рыночная ценовая тенденция также радует. Многие друзья недоумевают, разве цепочка NEAR не занимается абстракцией цепочки, как она может необъяснимым образом стать головной публичной цепочкой ИИ? Далее поделюсь своими наблюдениями, и, кстати, популяризирую некоторые знания по обучению моделей ИИ:

1. Основатель NEAR Илья Полосухин имеет большой опыт работы в сфере искусственного интеллекта и является одним из создателей архитектуры Transformer. Архитектура Transformer — это инфраструктура для современных больших языковых моделей LLM для обучения ChatGPT, чего достаточно, чтобы доказать, что босс NEAR действительно имел опыт создания и руководства системами больших моделей ИИ до основания NEAR.

2. NRAR запустил NEAR Tasks на NEARCON 2023 с целью обучения и улучшения моделей ИИ. После того, как задача будет выполнена, платформа будет вознаграждать пользователей токенами NEAR, а аннотированные вручную данные будут использоваться для обучения соответствующей модели ИИ.

Например, если ИИ-модели необходимо улучшить свою способность распознавать объекты на изображениях, Вендор может загрузить в платформу «Задачи» большое количество исходных изображений с разными объектами, а затем пользователь может вручную отметить положение объектов на изображении, а затем сгенерировать большое количество данных «местоположение изображения-объекта», которые ИИ может использовать для самостоятельного обучения для улучшения возможностей распознавания изображений.

На первый взгляд, разве NEAR Tasks не хочет просто социализировать искусственную инженерию для предоставления базовых услуг для моделей ИИ, но так ли это важно?

Как правило, полное обучение модели ИИ включает в себя сбор данных, предварительную обработку и аннотирование данных, проектирование и обучение модели, настройку модели, тонкую настройку, проверку и тестирование модели, развертывание модели, мониторинг и обновление модели и т. д.

Очевидно, что большинство людей понимают, что машинная часть значительно больше, чем человеческая, в конце концов, она кажется более высокотехнологичной, но на самом деле человеческая аннотация имеет решающее значение во всем обучении модели.

Ручная аннотация может добавлять метки к объектам (людям, местам, вещам) на изображении, чтобы компьютер мог улучшить обучение визуальной модели; ручная аннотация также может преобразовывать содержание речи в текст и аннотировать определенные слоги, слова и фразы, чтобы помочь компьютеру обучить модель распознавания речи; ручная аннотация также может добавить некоторые эмоциональные ярлыки, такие как счастье, грусть и гнев, чтобы искусственный интеллект мог улучшить навыки анализа тональности и т. д.

Нетрудно заметить, что ручное аннотирование является основой для машин для выполнения моделей глубокого обучения, и без качественных данных аннотаций модель не может эффективно обучаться, и если объем аннотированных данных недостаточно велик, производительность модели также будет ограничена.

В настоящее время существует множество вертикальных направлений для вторичной тонкой настройки или специального обучения на основе больших моделей ChatGPT в области минимально инвазивного ИИ, которые, по сути, основаны на данных OpenAI, добавляя новые источники данных, особенно аннотированные вручную, для выполнения обучения модели.

Например, если медицинская компания хочет провести обучение моделей на основе ИИ медицинской визуализации и предоставить набор онлайн-консультаций по ИИ для больниц, ей нужно только загрузить большой объем необработанных данных медицинских изображений на платформу Task, а затем позволить пользователям аннотировать и выполнить задачу, которая сгенерирует данные аннотаций вручную, а затем тонко настроить и оптимизировать большую модель ChatGPT, что сделает этот общий инструмент ИИ экспертом в вертикальной области.

Тем не менее, очевидно, что NEAR недостаточно стать лидером публичной цепочки ИИ, просто полагаясь на платформу Tasks, NEAR фактически также предоставляет услуги AI Agent в экосистеме, которая используется для автоматизации всего ончейн-поведения и операций пользователей, и пользователи могут свободно покупать и продавать активы на рынке, пока они авторизованы. Это немного похоже на Intent-centric, который использует ИИ для автоматизации выполнения, чтобы улучшить взаимодействие пользователя в сети. Кроме того, мощные возможности DA NEAR позволяют ему играть роль в отслеживании источников данных ИИ, отслеживая валидность и подлинность обучающих данных модели ИИ.

Короче говоря, опираясь на высокопроизводительные функции цепочки, техническое расширение и повествовательное руководство NEAR в направлении ИИ кажутся гораздо более неоднозначными, чем чистая абстракция цепочки.

Полмесяца назад, когда я анализировал абстракцию цепочки NRAR, я увидел преимущества производительности NEAR chain + супер web2 способность команды интегрировать ресурсы.

Примечание: Долгосрочный фокус по-прежнему зависит от макета NEAR и продвижения продукта на «цепочечной абстракции», ИИ будет хорошим плюсом и катализатором бычьего рынка!

Ссылка на оригинальную статью