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

La conferința NVIDIA, de ce NEAR a devenit în mod inexplicabil principalul lanț public AI? Recent, vestea că fondatorul NEAR @ilblackdragon va apărea la Conferința NVIDIA AI a atras multă atenție pe lanțul public NEAR, iar tendința prețurilor pieței este de asemenea îmbucurătoare. Mulți prieteni se întreabă, nu-i așa că NEAR chain All in doing chain abstraction de ce a devenit în mod inexplicabil un lanț public AI? În continuare, voi împărtăși observațiile mele și voi populariza câteva cunoștințe de formare a modelelor AI: 1) Fondatorul NEAR, Illia Polosukhin, are o experiență de lungă durată în domeniul AI și este un co-constructor al arhitecturii Transformer. Arhitectura Transformer este arhitectura de bază a ChatGPT pentru formarea de modele de limbi mari LLM de astăzi, ceea ce este suficient pentru a dovedi că șeful NEAR avea experiență în crearea și conducerea sistemelor de modele mari AI înainte de a înființa NEAR. 2) NRAR a lansat NEAR Tasks la NEARCON 2023. Scopul este să antreneze și să îmbunătățească modelele de inteligență artificială. Pur și simplu, solicitantul de formare a modelului (Vendor) poate emite cereri de sarcini pe platformă și poate încărca materiale de date de bază participați la sarcini de răspuns și efectuați operații manuale, cum ar fi adnotarea textului și recunoașterea imaginilor pentru date. După ce sarcina este finalizată, platforma va recompensa utilizatorul cu jetoane NEAR, iar aceste date etichetate manual vor fi folosite pentru a antrena modelul AI corespunzător. De exemplu, modelul AI trebuie să își îmbunătățească capacitatea de a identifica obiectele din imagini. imagini pentru a genera un număr mare de „poziții de imagine-obiect” „Date, AI poate folosi aceste date pentru a învăța independent pentru a îmbunătăți capacitățile de recunoaștere a imaginii. La prima vedere, NEAR Tasks vrea doar să socializeze ingineria artificială pentru a oferi servicii de bază pentru modelele AI. Adăugați câteva cunoștințe științifice populare despre modelele AI aici. În mod normal, o pregătire completă a modelului AI include colectarea de date, preprocesarea și adnotarea datelor, proiectarea și antrenamentul modelului, reglarea modelului, reglarea fină, testarea de verificare a modelului, implementarea modelului, monitorizarea și actualizarea modelului etc., printre care se numără adnotarea și preprocesarea datelor. partea manuală, în timp ce antrenamentul și optimizarea modelelor sunt partea mașinii. Evident, majoritatea oamenilor înțeleg că partea de mașină este semnificativ mai mare decât partea manuală. La urma urmei, pare a fi mai de înaltă tehnologie, dar în circumstanțe reale, adnotarea manuală este crucială în întregul antrenament al modelului.Adnotarea manuală poate adăuga etichete la obiecte (oameni, locuri, lucruri) în imagini pentru computere pentru a îmbunătăți învățarea modelului vizual. Adnotarea manuală poate, de asemenea, să convertească conținutul vorbirii în text și să marcheze anumite silabe, expresii de cuvinte etc. adnotarea manuală poate adăuga, de asemenea, câteva etichete emoționale, cum ar fi fericire, tristețe, furie etc., permițând inteligenței artificiale să îmbunătățească abilitățile de analiză emoțională etc. Nu este dificil de observat că adnotarea manuală este baza pentru ca mașinile să dezvolte modele de învățare profundă. Fără date adnotate de înaltă calitate, modelul nu poate învăța eficient dacă cantitatea de date adnotate nu este suficient de mare, performanța modelului va fi limitat În prezent, există multe metode minim invazive bazate pe inteligență artificială, bazate pe direcția verticală a reglajului secundar sau antrenamentul special al modelului mare ChatGPT se bazează, în esență, pe datele OpenAI și noi surse de date suplimentare, în special date etichetate manual. , sunt adăugate pentru a efectua antrenamentul modelului. De exemplu, dacă o companie medicală dorește să efectueze un model de formare bazat pe AI imagistică medicală și să ofere un set de servicii online de consultanță AI pentru spitale, trebuie doar să încarce o cantitate mare de date originale de imagistică medicală pe platforma Task și apoi să lase utilizatorii marchează și completează sarcina Adnotarea manuală a datelor și apoi reglarea fină și optimizarea modelului mare ChatGPT cu aceste date va transforma acest instrument AI general într-un expert într-un domeniu vertical. Cu toate acestea, evident că nu este suficient ca NEAR să devină liderul lanțului public de inteligență artificială doar bazându-se pe platforma Tasks, de fapt, NEAR oferă și servicii AI Agent în ecosistem pentru a executa automat toate comportamentele și operațiunile utilizatorilor din lanț. Utilizatorii trebuie doar să îi autorizeze să cumpere și să vândă active pe piață. Acest lucru este oarecum similar cu Intent-centric, folosind execuția automată AI pentru a îmbunătăți experiența interactivă a utilizatorului în lanț. În plus, capabilitățile puternice DA ale NEAR îi permit să joace un rol în trasabilitatea surselor de date AI și să urmărească validitatea și autenticitatea datelor de formare a modelului AI. Pe scurt, susținute de funcții de înaltă performanță în lanț, extensia tehnică și ghidarea narativă a NEAR în direcția AI par a fi mult mai puternice decât abstractizarea în lanț pur. $NEAR