主流推测比特币有望突破 20 万美元的最大原因是其已进入新的叙事阶段，在数字黄金这一定位逐渐被主流金融机构认可后，比特币正成为一个重要的资产类别：国家战略储备资产。
11月10日，《比特币》杂志 CEO David Bailey 在其社交平台表示，‘至少有一个主权国家正在积极收购比特币，并已跻身前五大持有者之列，希望我们能很快听到他们的消息。’
目前全球主权国家中，包括中、美、俄等政府都涉及持有比特币。
美国方面：首先，美国政府确实持有大量比特币，这些资产主要来自于执法部门的没收与查封行动。根据最新数据显示，美国政府持有的比特币估计超过 200，000 枚，这些比特币的价值随市场波动，目前约为 50 亿到 120 亿美元。
且特朗普在 7 月 28 日的比特币大会上曾表示：如果11月当选，他将解雇美国 SEC 主席加里·根斯勒，并阻止美国出售其持有的比特币，并要建立‘战略比特币储备’。
俄罗斯方面，其涉及比特币的原因在于其受到的制裁限制了其进入全球金融体系的渠道。受到美国制裁后，俄罗斯开始积极探索绕过 SWIFT 系统的跨境贸易替代方案，其中比特币成为了一个重要工具。2024 年，俄罗

Warum wurde NEAR auf der NVIDIA-Konferenz aus unerklärlichen Gründen zur führenden öffentlichen KI-Kette? Kürzlich hat die Nachricht, dass NEAR-Gründer @ilblackdragon auf der NVIDIA AI-Konferenz auftreten wird, große Aufmerksamkeit in der öffentlichen NEAR-Kette auf sich gezogen, und auch die Marktpreisentwicklung ist erfreulich. Viele Freunde fragen sich, warum die NEAR-Kette aus unerklärlichen Gründen nicht in der Kette abstrahiert? Als nächstes werde ich meine Beobachtungen teilen und einige Kenntnisse über das Training von KI-Modellen bekannt machen: 1) NEAR-Gründer Illia Polosukhin verfügt über einen langjährigen KI-Hintergrund und ist Mitentwickler der Transformer-Architektur. Die Transformer-Architektur ist heute die Grundarchitektur von ChatGPT für LLMs großes Sprachmodelltraining, was ausreicht, um zu beweisen, dass der Chef von NEAR vor der Gründung von NEAR Erfahrung in der Erstellung und Leitung von KI-Großmodellsystemen hatte. 2) NRAR hat NEAR Tasks auf der NEARCON 2023 eingeführt. Das Ziel besteht darin, Modelle für künstliche Intelligenz zu trainieren und zu verbessern Nehmen Sie an der Beantwortung von Aufgaben teil und führen Sie manuelle Vorgänge wie Textanmerkungen und Bilderkennung für Daten durch. Nach Abschluss der Aufgabe belohnt die Plattform den Benutzer mit NEAR-Tokens und diese manuell gekennzeichneten Daten werden zum Trainieren des entsprechenden KI-Modells verwendet. Beispielsweise muss das KI-Modell seine Fähigkeit verbessern, Objekte in Bildern zu identifizieren. Anbieter können eine große Anzahl von Originalbildern mit unterschiedlichen Objekten in den Bildern auf die Tasks-Plattform hochladen, und dann können Benutzer die Positionen von Objekten manuell markieren Bilder generieren eine große Anzahl von „Bild-Objekt-Positionen“-Daten. Die KI kann diese Daten nutzen, um selbstständig zu lernen und die Bilderkennungsfähigkeiten zu verbessern. Auf den ersten Blick möchte NEAR Tasks nur künstliche Technik sozialisieren, um grundlegende Dienste für KI-Modelle bereitzustellen. Ist das wirklich so wichtig? Fügen Sie hier etwas populärwissenschaftliches Wissen über KI-Modelle hinzu. Normalerweise umfasst ein vollständiges KI-Modelltraining die Datenerfassung, Datenvorverarbeitung und -annotation, Modellentwurf und -training, Modellabstimmung, Feinabstimmung, Modellverifizierungstests, Modellbereitstellung, Modellüberwachung und -aktualisierung usw., darunter Datenannotation und -vorverarbeitung der manuelle Teil, während Modellschulung und -optimierung den maschinellen Teil ausmachen. Offensichtlich verstehen die meisten Menschen, dass der Maschinenteil deutlich größer ist als der manuelle Teil. Schließlich scheint es sich um mehr High-Tech zu handeln, aber unter tatsächlichen Umständen ist die manuelle Anmerkung im gesamten Modelltraining von entscheidender Bedeutung.Manuelle Anmerkungen können Objekten (Personen, Orten, Dingen) in Bildern Beschriftungen hinzufügen, damit Computer das Lernen visueller Modelle verbessern. Manuelle Anmerkungen können auch Sprachinhalte in Text umwandeln und bestimmte Silben, Wortphrasen usw. markieren, um Computern das Training von Spracherkennungsmodellen zu erleichtern Durch manuelle Anmerkungen können dem Text auch einige emotionale Tags wie Glück, Traurigkeit, Wut usw. hinzugefügt werden, sodass künstliche Intelligenz die Fähigkeiten zur emotionalen Analyse usw. verbessern kann. Es ist nicht schwer zu erkennen, dass manuelle Annotationen die Grundlage für die Entwicklung von Deep-Learning-Modellen sind. Ohne qualitativ hochwertige annotierte Daten kann das Modell nicht effizient lernen. Wenn die Menge an annotierten Daten nicht groß genug ist, ist dies auch bei der Modellleistung der Fall Derzeit gibt es viele KI-basierte minimalinvasive Methoden, die auf der vertikalen Richtung der sekundären Feinabstimmung oder des speziellen Trainings des ChatGPT-Großmodells basieren und im Wesentlichen auf den Daten von OpenAI und zusätzlichen neuen Datenquellen, insbesondere manuell gekennzeichneten Daten, basieren , werden hinzugefügt, um das Modelltraining durchzuführen. Wenn ein medizinisches Unternehmen beispielsweise Modellschulungen auf der Grundlage medizinischer Bildgebungs-KI durchführen und eine Reihe von Online-KI-Beratungsdiensten für Krankenhäuser bereitstellen möchte, muss es lediglich eine große Menge ursprünglicher medizinischer Bildgebungsdaten auf die Task-Plattform hochladen und diese dann freigeben Durch das manuelle Markieren und Abschließen der Aufgabe sowie die anschließende Feinabstimmung und Optimierung des ChatGPT-Großmodells mit diesen Daten wird dieses allgemeine KI-Tool zu einem Experten in einem vertikalen Bereich. Es reicht jedoch offensichtlich nicht aus, dass NEAR der Anführer der öffentlichen KI-Kette wird, indem es sich nur auf die Tasks-Plattform verlässt. NEAR stellt tatsächlich auch KI-Agent-Dienste im Ökosystem bereit, um alle Verhaltensweisen und Vorgänge der Benutzer in der Kette automatisch auszuführen Benutzer müssen ihnen lediglich die Genehmigung erteilen, Vermögenswerte auf dem Markt zu kaufen und zu verkaufen. Dies ähnelt in gewisser Weise Intent-centric, das eine automatisierte KI-Ausführung nutzt, um das Benutzererlebnis in der On-Chain-Interaktion zu verbessern. Darüber hinaus kann NEAR dank seiner leistungsstarken DA-Funktionen eine Rolle bei der Rückverfolgbarkeit von KI-Datenquellen spielen und die Gültigkeit und Authentizität von KI-Modell-Trainingsdaten verfolgen. Kurz gesagt, unterstützt durch leistungsstarke Kettenfunktionen scheinen die technische Erweiterung und die narrative Führung von NEAR in Richtung KI viel leistungsfähiger zu sein als die reine Kettenabstraktion. $NEAR