Dlaczego na konferencji NVIDIA NEAR w niewytłumaczalny sposób stał się wiodącym publicznym łańcuchem AI? Niedawno wiadomość, że założyciel NEAR @ilblackdragon pojawi się na konferencji NVIDIA AI, przyciągnęła wiele uwagi w publicznej sieci NEAR, a trend cen na rynku również jest satysfakcjonujący. Wielu znajomych zastanawia się, czy NEAR chain All nie zajmuje się abstrakcją łańcucha, dlaczego w niewytłumaczalny sposób stał się głównym łańcuchem publicznym AI? Następnie podzielę się swoimi obserwacjami i spopularyzuję wiedzę dotyczącą szkolenia w zakresie modeli AI: 1) Założycielka NEAR, Illia Polosukhin, ma wieloletnie doświadczenie w AI i jest współtwórcą architektury Transformer. Architektura Transformer jest obecnie podstawową architekturą ChatGPT dla LLM do szkolenia dużych modeli językowych, co wystarczy, aby udowodnić, że szef NEAR miał doświadczenie w tworzeniu i prowadzeniu systemów dużych modeli AI przed założeniem NEAR. 2) NRAR uruchomił NEAR Tasks na NEARCON 2023. Celem jest szkolenie i ulepszanie modeli sztucznej inteligencji. Mówiąc najprościej, osoba żądająca szkolenia modeli (dostawca) może wysyłać żądania zadań na platformie i przesyłać podstawowe materiały danych uczestniczyć w odpowiadaniu na zadania i wykonywać operacje ręczne, takie jak adnotacje tekstowe i rozpoznawanie danych za pomocą obrazu. Po wykonaniu zadania platforma nagrodzi użytkownika tokenami NEAR, a te ręcznie oznaczone dane zostaną wykorzystane do szkolenia odpowiedniego modelu AI. Na przykład model AI musi poprawić swoją zdolność do identyfikowania obiektów na zdjęciach. Dostawca może przesłać dużą liczbę oryginalnych zdjęć z różnymi obiektami na zdjęciach na platformę Zadania, a następnie użytkownicy ręcznie zaznaczają pozycje obiektów na platformie. obrazów w celu wygenerowania dużej liczby „pozycji obrazu-obiektu” „Dane, sztuczna inteligencja może wykorzystywać te dane do niezależnej nauki w celu poprawy możliwości rozpoznawania obrazów. Na pierwszy rzut oka NEAR Tasks chce po prostu nawiązać kontakt ze sztuczną inżynierią, aby zapewnić podstawowe usługi dla modeli AI. Czy to naprawdę takie ważne? Dodaj tutaj popularnonaukową wiedzę na temat modeli AI. Zwykle pełne szkolenie w zakresie modelu sztucznej inteligencji obejmuje gromadzenie danych, wstępne przetwarzanie danych i adnotacje, projektowanie i szkolenie modelu, dostrajanie i dostrajanie modelu, testowanie weryfikacji modelu, wdrażanie modelu, monitorowanie i aktualizację modelu itp., wśród których adnotacje i wstępne przetwarzanie danych są część ręczna, podczas gdy szkolenie i optymalizacja modelu to część maszynowa. Oczywiście większość ludzi rozumie, że część maszynowa jest znacznie większa niż część ręczna. W końcu wydaje się być bardziej zaawansowana technologicznie, ale w rzeczywistości ręczne adnotacje są kluczowe w całym szkoleniu modelu.Ręczna adnotacja może dodawać etykiety do obiektów (ludzi, miejsc, rzeczy) na obrazach dla komputerów, aby usprawnić naukę modeli wizualnych; ręczna adnotacja może również konwertować treść mowy na tekst i oznaczać określone sylaby, frazy słowne itp., aby pomóc komputerom w szkoleniu w zakresie modelu rozpoznawania mowy ; ręczna adnotacja może również dodać do tekstu znaczniki emocjonalne, takie jak szczęście, smutek, złość itp., umożliwiając sztucznej inteligencji poprawę umiejętności analizy emocji itp. Nietrudno zauważyć, że ręczne adnotacje są podstawą maszyn do opracowywania modeli głębokiego uczenia się. Bez wysokiej jakości danych z adnotacjami model nie może uczyć się efektywnie, jeśli ilość danych z adnotacjami nie jest wystarczająco duża, wydajność modelu również będzie ograniczone. Obecnie istnieje wiele minimalnie inwazyjnych metod opartych na sztucznej inteligencji, opartych na Pionowym kierunku wtórnego dostrajania lub specjalnego szkolenia dużego modelu ChatGPT zasadniczo opiera się na danych OpenAI i dodatkowych nowych źródłach danych, zwłaszcza danych oznaczonych ręcznie. , są dodawane w celu przeprowadzenia szkolenia modelu. Przykładowo, jeśli firma medyczna chce przeprowadzić modelowe szkolenia w oparciu o sztuczną inteligencję obrazowania medycznego i świadczyć dla szpitali zestaw usług konsultacyjnych dotyczących sztucznej inteligencji online, wystarczy, że prześle na platformę Task dużą ilość oryginalnych danych z obrazowania medycznego, a następnie pozwoli użytkownicy zaznaczają i wykonują zadanie. Ręczne dodawanie adnotacji do danych, a następnie dostrajanie i optymalizacja dużego modelu ChatGPT przy użyciu tych danych sprawi, że to ogólne narzędzie AI stanie się ekspertem w dziedzinie pionowej. Jednak oczywiście nie wystarczy, aby NEAR stał się liderem publicznego łańcucha AI po prostu opierając się na platformie Zadania, w rzeczywistości NEAR zapewnia także usługi AI Agent w ekosystemie, aby automatycznie wykonywać wszystkie zachowania i operacje użytkowników w łańcuchu. Użytkownicy muszą jedynie autoryzować je, aby móc kupować i sprzedawać aktywa na rynku. Jest to nieco podobne do podejścia skoncentrowanego na intencjach, które wykorzystuje automatyczne wykonanie AI w celu poprawy interakcji użytkownika w łańcuchu. Ponadto potężne możliwości DA NEAR pozwalają mu odgrywać rolę w identyfikowalności źródeł danych AI oraz śledzić ważność i autentyczność danych szkoleniowych modelu AI. Krótko mówiąc, wsparte wysokowydajnymi funkcjami łańcuchowymi, techniczne rozszerzenie NEAR i narracyjne wskazówki w kierunku sztucznej inteligencji wydają się mieć znacznie większą moc niż czysta abstrakcja łańcuchowa. $NEAR