ในการประชุม NVIDIA เหตุใด NEAR จึงกลายเป็นเครือข่ายสาธารณะ AI ชั้นนำอย่างอธิบายไม่ได้

ผู้เขียนต้นฉบับ: Haotian (X: @ tmel0211)

ล่าสุด ข่าวที่ผู้ก่อตั้ง NEAR @ilblackdragon จะปรากฏตัวในการประชุม NVIDIA AI ได้รับความสนใจอย่างมากจากเครือข่ายสาธารณะของ NEAR และแนวโน้มราคาในตลาดก็น่ายินดีเช่นกัน เพื่อนหลายคนสงสัยว่า NEAR chain All ไม่ใช่การทำ chain abstraction ใช่ไหม เหตุใดจึงกลายเป็น AI head public chain อย่างอธิบายไม่ได้ ต่อไป ฉันจะแบ่งปันข้อสังเกตของฉันและเผยแพร่ความรู้การฝึกอบรมโมเดล AI:

1) Illia Polosukhin ผู้ก่อตั้ง NEAR มีพื้นฐานด้าน AI มายาวนาน และเป็นผู้ร่วมสร้างสถาปัตยกรรม Transformer สถาปัตยกรรม Transformer เป็นสถาปัตยกรรมพื้นฐานของ ChatGPT สำหรับการฝึกอบรมโมเดลภาษาขนาดใหญ่ของ LLM ในปัจจุบัน ซึ่งเพียงพอที่จะพิสูจน์ได้ว่าหัวหน้าของ NEAR มีประสบการณ์ในการสร้างและเป็นผู้นำระบบ AI โมเดลขนาดใหญ่ก่อนที่จะก่อตั้ง NEAR

2) NRAR ได้เปิดตัว NEAR Tasks ที่ NEARCON 2023 โดยมีเป้าหมายในการฝึกอบรมและปรับปรุงโมเดลปัญญาประดิษฐ์ กล่าวง่ายๆ ก็คือ ผู้เรียกร้องการฝึกอบรมโมเดล (ผู้ขาย) สามารถออกคำของานบนแพลตฟอร์มและอัปโหลดเอกสารข้อมูลพื้นฐาน ผู้ใช้ (Taskers) สามารถเข้าร่วมได้ ในการตอบรับงานและดำเนินการด้วยตนเอง เช่น คำอธิบายประกอบข้อความ และการจดจำรูปภาพสำหรับข้อมูล หลังจากงานเสร็จสิ้น แพลตฟอร์มจะให้รางวัลแก่ผู้ใช้ด้วยโทเค็น NEAR และข้อมูลที่ติดป้ายกำกับด้วยตนเองเหล่านี้จะถูกนำมาใช้ในการฝึกโมเดล AI ที่เกี่ยวข้อง

ตัวอย่างเช่น: โมเดล AI จำเป็นต้องปรับปรุงความสามารถในการระบุวัตถุในรูปภาพ ผู้ขายสามารถอัปโหลดรูปภาพต้นฉบับจำนวนมากพร้อมวัตถุต่าง ๆ ในรูปภาพไปยังแพลตฟอร์ม Tasks จากนั้นผู้ใช้ทำเครื่องหมายตำแหน่งของวัตถุด้วยตนเอง รูปภาพเพื่อสร้างข้อมูล ตำแหน่งรูปภาพ-วัตถุ จำนวนมาก AI สามารถใช้ข้อมูลเหล่านี้เพื่อเรียนรู้อย่างอิสระเพื่อปรับปรุงความสามารถในการจดจำรูปภาพ

เมื่อมองแวบแรก NEAR Tasks ไม่เพียงต้องการเข้าสังคมด้านวิศวกรรมประดิษฐ์เพื่อให้บริการพื้นฐานสำหรับโมเดล AI มันสำคัญขนาดนั้นจริงหรือ? ต่อไปนี้เป็นความรู้ทางวิทยาศาสตร์ยอดนิยมเล็กน้อยเกี่ยวกับโมเดล AI

โดยปกติแล้ว การฝึกอบรมโมเดล AI ที่สมบูรณ์ประกอบด้วยการรวบรวมข้อมูล การประมวลผลข้อมูลล่วงหน้าและคำอธิบายประกอบ การออกแบบและการฝึกอบรมโมเดล การปรับแต่งโมเดล การปรับแต่งอย่างละเอียด การทดสอบการตรวจสอบโมเดล การใช้โมเดล การตรวจสอบและอัปเดตโมเดล ฯลฯ ซึ่งหนึ่งในนั้นคือคำอธิบายประกอบและการประมวลผลล่วงหน้า ส่วนแบบแมนนวล ในขณะที่การฝึกโมเดลและการเพิ่มประสิทธิภาพเป็นส่วนของเครื่องจักร

แน่นอนว่าคนส่วนใหญ่เข้าใจว่าชิ้นส่วนเครื่องจักรมีขนาดใหญ่กว่าชิ้นส่วนแบบแมนนวล ท้ายที่สุด ดูเหมือนว่าจะเป็นเทคโนโลยีขั้นสูงมากกว่า แต่ในสถานการณ์จริง คำอธิบายประกอบแบบแมนนวลมีความสำคัญอย่างยิ่งในการฝึกโมเดลทั้งหมด

คำอธิบายประกอบแบบแมนนวลสามารถเพิ่มป้ายกำกับให้กับวัตถุ (ผู้คน สถานที่ สิ่งของ) ในภาพสำหรับคอมพิวเตอร์เพื่อปรับปรุงการเรียนรู้แบบจำลองภาพ คำอธิบายประกอบแบบแมนนวลยังสามารถแปลงเนื้อหาคำพูดเป็นข้อความ และทำเครื่องหมายพยางค์เฉพาะ วลีคำ ฯลฯ เพื่อช่วยคอมพิวเตอร์ โมเดลการรู้จำเสียง การฝึกอบรม คำอธิบายประกอบแบบแมนนวลยังสามารถเพิ่มแท็กอารมณ์ เช่น ความสุข ความเศร้า ความโกรธ ฯลฯ ลงในข้อความ ช่วยให้ปัญญาประดิษฐ์สามารถพัฒนาทักษะการวิเคราะห์อารมณ์ เป็นต้น

ไม่ใช่เรื่องยากที่จะเห็นว่าคำอธิบายประกอบแบบแมนนวลเป็นพื้นฐานสำหรับโมเดลการเรียนรู้เชิงลึกที่ใช้เครื่อง หากไม่มีข้อมูลคำอธิบายประกอบคุณภาพสูง โมเดลจะไม่สามารถเรียนรู้ได้อย่างมีประสิทธิภาพ หากจำนวนข้อมูลคำอธิบายประกอบไม่มากเพียงพอ ประสิทธิภาพของโมเดลก็จะลดลงเช่นกัน ถูก จำกัด.

ในปัจจุบัน ในด้าน AI ที่มีการบุกรุกน้อยที่สุด มีทิศทางแนวตั้งมากมายที่อิงตามโมเดลขนาดใหญ่ ChatGPT สำหรับการปรับแต่งขั้นที่สองหรือการฝึกอบรมพิเศษ โดยพื้นฐานแล้ว อิงจากข้อมูลของ OpenAI ซึ่งเป็นแหล่งข้อมูลใหม่เพิ่มเติม ข้อมูลจะถูกเพิ่มเพื่อดำเนินการฝึกอบรมโมเดล

ตัวอย่างเช่น หากบริษัททางการแพทย์ต้องการฝึกอบรมแบบจำลองโดยใช้ AI การถ่ายภาพทางการแพทย์ และให้บริการให้คำปรึกษา AI ออนไลน์สำหรับโรงพยาบาล ก็เพียงแค่อัปโหลดข้อมูลภาพทางการแพทย์ต้นฉบับจำนวนมากไปยังแพลตฟอร์ม Task จากนั้นให้ ผู้ใช้ทำเครื่องหมายและทำงานให้เสร็จสิ้น การใส่คำอธิบายประกอบข้อมูลด้วยตนเอง จากนั้นปรับแต่งและเพิ่มประสิทธิภาพโมเดลขนาดใหญ่ของ ChatGPT ด้วยข้อมูลนี้ จะเปลี่ยนเครื่องมือ AI ทั่วไปนี้ให้กลายเป็นผู้เชี่ยวชาญในสาขาแนวตั้ง

อย่างไรก็ตาม เห็นได้ชัดว่า NEAR ยังไม่เพียงพอที่จะเป็นผู้นำของเครือข่ายสาธารณะ AI เพียงแค่อาศัยแพลตฟอร์ม Tasks เท่านั้น จริงๆ แล้ว NEAR ยังให้บริการ AI Agent ในระบบนิเวศเพื่อดำเนินการพฤติกรรมออนไลน์และการดำเนินการทั้งหมดของผู้ใช้โดยอัตโนมัติ . ผู้ใช้สามารถเป็นอิสระเพียงแค่ได้รับอนุญาตการซื้อและขายสินทรัพย์ในตลาด สิ่งนี้ค่อนข้างคล้ายกับ Intent-centric โดยใช้การดำเนินการอัตโนมัติของ AI เพื่อปรับปรุงประสบการณ์การโต้ตอบออนไลน์ของผู้ใช้ นอกจากนี้ ความสามารถ DA อันทรงพลังของ NEAR ยังช่วยให้มีบทบาทในการตรวจสอบแหล่งที่มาของข้อมูล AI และติดตามความถูกต้องและความถูกต้องของข้อมูลการฝึกโมเดล AI

กล่าวโดยสรุป ส่วนขยายทางเทคนิคและคำแนะนำในการเล่าเรื่องของ NEAR ในทิศทางของ AI ได้รับการสนับสนุนจากฟังก์ชันลูกโซ่ประสิทธิภาพสูง ดูเหมือนจะมีประสิทธิภาพมากกว่านามธรรมของลูกโซ่เพียงอย่างเดียว

ตอนที่ฉันวิเคราะห์ NRAR chain abstraction เมื่อครึ่งเดือนที่แล้ว ฉันเห็นข้อดีของประสิทธิภาพของ NEAR chain + ความสามารถในการรวมทรัพยากร super web2 ของทีม ฉันไม่เคยคาดหวังว่า chain abstraction จะไม่ได้รับความนิยมมากพอที่จะเก็บเกี่ยวผลประโยชน์จาก wave นี้ ของการบริจาค AI ฉันสามารถขยายจินตนาการของฉันได้อีกครั้ง

หมายเหตุ: ความสนใจในระยะยาวยังคงขึ้นอยู่กับรูปแบบและความก้าวหน้าของผลิตภัณฑ์ของ NEAR ใน chain abstraction AI จะเป็นโบนัสที่ดีและเป็นตัวเร่งปฏิกิริยาตลาดกระทิง!

ลิงค์เดิม