Tại hội nghị NVIDIA, tại sao NEAR lại trở thành chuỗi công khai AI hàng đầu một cách khó hiểu?

Tác giả: Hao Tian; Nguồn: Chain View

Gần đây, người sáng lập NEAR @ilblackdragon sẽ xuất hiện tại Hội nghị NVIDIA AI, giúp chuỗi công khai NEAR mang lại lợi nhuận. xu hướng giá cả thị trường cũng rất hài lòng. Nhiều bạn bè thắc mắc, không phải chuỗi NEAR All đang thực hiện việc trừu tượng hóa chuỗi sao?Tại sao nó lại trở thành chuỗi công khai đứng đầu AI một cách khó hiểu? Tiếp theo, tôi sẽ chia sẻ những quan sát của mình và phổ biến một số kiến ​​thức đào tạo mô hình AI:

1) Người sáng lập NEAR Illia Polosukhin có nền tảng AI lâu năm, là đồng nghiệp người xây dựng kiến ​​trúc Transformer. Kiến trúc Transformer là kiến ​​trúc cơ bản cho việc đào tạo mô hình ngôn ngữ lớn ChatGPT của LLM ngày nay, đủ để chứng minh rằng ông chủ của NEAR đã có kinh nghiệm tạo và dẫn dắt các hệ thống mô hình lớn AI trước khi thành lập NEAR.

2) NRAR đã ra mắt NEAR Tasks tại NEARCON 2023. Mục tiêu là đào tạo và cải tiến các mô hình trí tuệ nhân tạo. Nói một cách đơn giản, nhu cầu đào tạo mô hình Nhà cung cấp có thể đưa ra yêu cầu nhiệm vụ trên nền tảng và tải lên các tài liệu dữ liệu cơ bản.Người dùng (Tasker) có thể tham gia trả lời các tác vụ và thực hiện các thao tác thủ công như chú thích văn bản và nhận dạng hình ảnh cho dữ liệu. Sau khi nhiệm vụ hoàn thành, nền tảng sẽ thưởng cho người dùng mã thông báo NEAR và những dữ liệu được gắn nhãn thủ công này sẽ được sử dụng để đào tạo mô hình AI tương ứng.

Ví dụ: mô hình AI cần cải thiện khả năng nhận dạng các đối tượng trong ảnh. Nhà cung cấp có thể tải lên một số lượng lớn ảnh gốc với các đối tượng khác nhau trong hình ảnh lên nền tảng Nhiệm vụ, sau đó người dùng Đánh dấu thủ công vị trí của các đối tượng trên ảnh có thể tạo ra một lượng lớn dữ liệu "vị trí đối tượng hình ảnh" và AI có thể sử dụng dữ liệu này để học một cách tự động nhằm cải thiện khả năng nhận dạng hình ảnh.

Thoạt nhìn, NEAR Tasks chỉ muốn xã hội hóa kỹ thuật nhân tạo để cung cấp các dịch vụ cơ bản cho các mô hình AI. Nó có thực sự quan trọng đến thế không? Thêm một số kiến ​​thức khoa học phổ biến về mô hình AI tại đây.

Thông thường, quá trình đào tạo mô hình AI hoàn chỉnh bao gồm thu thập dữ liệu, tiền xử lý và chú thích dữ liệu, thiết kế và đào tạo mô hình, điều chỉnh mô hình, tinh chỉnh và mô hình Trong quá trình này kiểm tra xác minh, triển khai mô hình, giám sát và cập nhật mô hình, v.v., chú thích và xử lý trước dữ liệu là phần thủ công, trong khi đào tạo và tối ưu hóa mô hình là phần máy.

Rõ ràng, hầu hết mọi người đều hiểu rằng phần máy lớn hơn đáng kể so với phần thủ công. Xét cho cùng, nó có vẻ mang tính công nghệ cao hơn. Tuy nhiên, trên thực tế các tình huống, chú thích thủ công được sử dụng trong toàn bộ mô hình. Rất quan trọng trong đào tạo.

Chú thích thủ công có thể thêm nhãn cho các đối tượng (người, địa điểm, đồ vật) trong hình ảnh cho máy tính để cải thiện việc học bằng mô hình trực quan; chú thích thủ công cũng có thể thêm nhãn vào lời nói. Nội dung được chuyển đổi thành văn bản và các âm tiết, cụm từ cụ thể, v.v. được đánh dấu để giúp máy tính huấn luyện mô hình nhận dạng giọng nói, chú thích thủ công cũng có thể thêm một số thẻ cảm xúc như vui, buồn, tức giận, v.v. vào văn bản, cho phép trí tuệ nhân tạo nâng cao kỹ năng phân tích cảm xúc, v.v.

Không khó để nhận thấy rằng chú thích thủ công là nền tảng cho các mô hình deep learning dựa trên máy. Nếu không có dữ liệu chú thích chất lượng cao, mô hình không thể học hiệu quả. Nếu lượng dữ liệu chú thích không đủ, hiệu suất mô hình lớn cũng sẽ bị hạn chế.

Hiện tại, trong lĩnh vực AI xâm lấn tối thiểu, có nhiều hướng dọc để tinh chỉnh thứ cấp hoặc đào tạo đặc biệt dựa trên mô hình lớn ChatGPT, đó là về cơ bản dựa trên dữ liệu OpenAI, bổ sung thêm các nguồn dữ liệu mới, đặc biệt là dữ liệu được gắn nhãn thủ công để thực hiện đào tạo mô hình.

Ví dụ: nếu một công ty y tế muốn đào tạo mô hình dựa trên AI hình ảnh y tế và cung cấp một bộ dịch vụ tư vấn AI trực tuyến cho các bệnh viện, thì công ty đó chỉ cần sử dụng một lượng lớn dữ liệu hình ảnh y tế gốc Tải lên nền tảng Task, sau đó cho phép người dùng chú thích và hoàn thành các tác vụ, từ đó tạo ra dữ liệu được chú thích thủ công, sau đó dữ liệu này sẽ được tinh chỉnh và tối ưu hóa cho mô hình lớn ChatGPT, biến tổng thể này thành Công cụ AI trở thành chuyên gia trong lĩnh vực dọc.

Tuy nhiên, rõ ràng là chưa đủ để NEAR trở thành chuỗi công khai AI hàng đầu chỉ bằng cách dựa vào nền tảng Nhiệm vụ. NEAR thực sự còn cung cấp dịch vụ AI Agent trong Tự động thực hiện mọi hành vi và hoạt động của người dùng trên chuỗi và người dùng có thể tự do mua bán tài sản trên thị trường chỉ khi được ủy quyền. Điều này hơi giống với Intent-centric, sử dụng thực thi tự động AI để cải thiện trải nghiệm tương tác trên chuỗi của người dùng. Ngoài ra, khả năng DA mạnh mẽ của NEAR cho phép nó đóng vai trò truy xuất nguồn gốc của nguồn dữ liệu AI và theo dõi tính hợp lệ cũng như tính xác thực của dữ liệu đào tạo mô hình AI.

Tóm lại, được hỗ trợ bởi các chức năng chuỗi hiệu suất cao, phần mở rộng kỹ thuật và hướng dẫn tường thuật của NEAR theo hướng AI dường như mạnh mẽ hơn nhiều so với việc trừu tượng hóa chuỗi thuần túy. .

Khi tôi phân tích tính trừu tượng của chuỗi NRAR nửa tháng trước, tôi đã thấy những ưu điểm của hiệu suất chuỗi NEAR + khả năng tích hợp tài nguyên siêu web2 của nhóm. Tôi không bao giờ ngờ tới it. , sự trừu tượng hóa chuỗi vẫn chưa đủ phổ biến để thu hoạch thành quả, và làn sóng trao quyền cho AI này một lần nữa đã khuếch đại trí tưởng tượng.

Lưu ý: Sự chú ý lâu dài vẫn phụ thuộc vào cách bố trí và tiến bộ sản phẩm của NEAR trong "trừu tượng hóa chuỗi". AI sẽ là một phần thưởng tốt và chất xúc tác cho thị trường tăng giá!