ค้นพบเครื่องมือ AI ทางการแพทย์ QBio ที่เน้นการจำแนกความหนาแน่นของเต้านมและการสร้างรายงานที่โปร่งใส อัพโหลดภาพเอกซเรย์ของคุณ และภายในไม่กี่นาที คุณจะได้รับแจ้งว่าความหนาแน่นของเต้านมของคุณเป็น A, B, C หรือ D พร้อมด้วยรายงานโดยละเอียดที่อธิบายขั้นตอนการตัดสินใจ

ได้รับการพัฒนาโดย Fetch และ Hybrid QBio เป็นเพียงอาหารเรียกน้ำย่อย และดาวเด่นจริงๆ ก็คือ ASI-1 Mini

Fetch เป็นโครงการที่เก่าแก่มาก ในช่วงหลายปีที่ Defi ครองความสนใจของตลาดทั้งหมด Fetch มุ่งเน้นไปที่ AI + Crypto และมุ่งเน้นไปที่การวิจัยและพัฒนาเทคโนโลยีทั่วไปและการประยุกต์ใช้ตัวแทนหลายรุ่นอยู่เสมอ

ASI-1 Mini คืออะไร

ในเดือนกุมภาพันธ์ของปีนี้ Fetch ได้เปิดตัว ASI-1 Mini ซึ่งเป็นโมเดลภาษาพื้นเมืองขนาดใหญ่ (LLM) Web3 ตัวแรกของโลก Web3 native คืออะไร? พูดอย่างง่ายๆ ก็คือ มันบูรณาการกับบล็อคเชนได้อย่างราบรื่น ทำให้คุณไม่เพียงแต่สามารถใช้ AI เท่านั้น แต่ยังลงทุน ฝึกฝน และเป็นเจ้าของ AI ผ่านโทเค็น $FET และกระเป๋าเงิน ASI ได้อีกด้วย

แล้ว ASI-1 Mini คืออะไรกันแน่?

เป็นโมเดลภาษาขนาดใหญ่ที่ออกแบบมาโดยเฉพาะสำหรับ AI ที่สามารถประสานงานเอเจนต์ AI หลายตัวและจัดการงานหลายขั้นตอนที่ซับซ้อนได้

ตัวอย่างเช่น ตัวแทนอนุมาน ASI <TRAIN/> ที่อยู่เบื้องหลัง QBio เป็นส่วนหนึ่งของ ASI-1 Mini ไม่เพียงแต่สามารถจำแนกความหนาแน่นของเต้านมได้เท่านั้น แต่ยังสามารถอธิบายกระบวนการตัดสินใจและแก้ "ปัญหากล่องดำ" ของ AI ได้อีกด้วย ยิ่งไปกว่านั้น ASI-1 Mini ต้องการ GPU เพียงสองตัวในการทำงาน เมื่อเทียบกับ LLM อื่นๆ (เช่น DeepSeek ที่ต้องใช้ GPU H100 จำนวน 16 ตัว) ค่าใช้จ่ายถือว่าต่ำมาก จึงเหมาะสำหรับใช้โดยสถาบันขนาดเล็กและขนาดกลาง

ASI-1 Mini สร้างสรรค์นวัตกรรมอย่างไร

ASI-1 Mini มีประสิทธิภาพเทียบเคียงได้กับหลักสูตร LLM ชั้นนำ แต่มีต้นทุนฮาร์ดแวร์ต่ำกว่าอย่างมาก โดยมีโหมดการใช้เหตุผลแบบไดนามิกและความสามารถในการปรับตัวขั้นสูงเพื่อการตัดสินใจที่มีประสิทธิภาพมากขึ้นและคำนึงถึงบริบท

กระทรวงมหาดไทยและกระทรวงกลาโหม

สิ่งเหล่านี้เป็นตัวย่อทั้งหมด อย่ากลัว มันง่ายมาก: การผสมผสานของโมเดล (MoM), การผสมผสานของตัวแทน (MoA)

ลองนึกภาพทีมผู้เชี่ยวชาญ AI ที่แต่ละคนมุ่งเน้นในงานที่แตกต่างกันและทำงานร่วมกันได้อย่างราบรื่น ซึ่งไม่เพียงแต่จะช่วยเพิ่มประสิทธิภาพเท่านั้น แต่ยังทำให้กระบวนการตัดสินใจมีความโปร่งใสมากขึ้นอีกด้วย ตัวอย่างเช่น ในการวิเคราะห์ภาพทางการแพทย์ กระทรวงการแพทย์อาจเลือกโมเดลที่เชี่ยวชาญในด้านการจดจำภาพและอีกโมเดลหนึ่งที่เชี่ยวชาญในด้านการสร้างข้อความ และกระทรวงการแพทย์จะรับผิดชอบในการประสานผลลัพธ์ของโมเดลทั้งสองนี้เพื่อให้แน่ใจว่ารายงานขั้นสุดท้ายนั้นถูกต้องแม่นยำและอ่านง่าย

ความโปร่งใสและความสามารถในการปรับขนาด

หลักสูตร LLM แบบดั้งเดิมมักจะเป็น "กล่องดำ" คุณถามคำถามและมันก็ให้คำตอบกับคุณ แต่ฉันขอโทษ ฉันบอกคุณไม่ได้ว่าทำไมมันถึงให้คำตอบแบบนั้น ASI-1 Mini แตกต่างออกไป หากพิจารณาเหตุผลหลายขั้นตอนอย่างต่อเนื่อง ก็จะพบว่าฉันเลือกคำตอบนี้เพราะเหตุผลต่างๆ เหล่านี้ ซึ่งถือว่าสำคัญมาก โดยเฉพาะอย่างยิ่งในสาขาการแพทย์

หน้าต่างบริบทของ ASI-1 Mini จะขยายเป็น 10 ล้านโทเค็น รองรับความสามารถแบบหลายโหมด (เช่น การประมวลผลภาพและวิดีโอ) ในอนาคตจะมีการเปิดตัวซีรีส์โมเดล Cortex โดยมุ่งเน้นไปที่สาขาที่ล้ำสมัย เช่น หุ่นยนต์และเทคโนโลยีชีวภาพ

ประสิทธิภาพของฮาร์ดแวร์

ในขณะที่ LLM อื่นๆ ต้องมีต้นทุนฮาร์ดแวร์ที่สูง แต่ ASI-1 Mini ต้องใช้ GPU เพียง 2 ตัวเท่านั้นในการทำงาน ซึ่งหมายความว่าแม้แต่คลินิกเล็กๆ ก็สามารถจ่ายได้ โดยไม่จำเป็นต้องมีศูนย์ข้อมูลมูลค่าหลายล้านเหรียญ

ทำไมถึงมีประสิทธิภาพขนาดนั้น? เพราะปรัชญาการออกแบบของ ASI-1 Mini คือ "น้อยแต่มาก" ช่วยเพิ่มประสิทธิภาพการใช้ทรัพยากรคอมพิวเตอร์ที่มีจำกัดด้วยการปรับปรุงอัลกอริทึมและโครงสร้างจำลอง ในทางตรงกันข้าม LLM อื่นๆ มักจะมุ่งเน้นไปในโมเดลระดับใหญ่กว่า ซึ่งส่งผลให้ต้องใช้ทรัพยากรจำนวนมาก

ขับเคลื่อนโดยชุมชน

ต่างจากโมเดลภาษาขนาดใหญ่อื่นๆ ASI-1 Mini เป็นระบบกระจายอำนาจและขับเคลื่อนโดยชุมชน ASI-1 Mini เป็นผลิตภัณฑ์ฟรีเมียมแบบแบ่งชั้นสำหรับผู้ถือ $FET ซึ่งสามารถเชื่อมต่อกับกระเป๋าเงิน Web3 เพื่อปลดล็อคฟังก์ชันการทำงานเต็มรูปแบบ ยิ่งคุณมีโทเค็น FET ในกระเป๋าเงินมากเท่าไร คุณก็จะสามารถสำรวจความสามารถของโมเดลได้มากขึ้นเท่านั้น

รูปแบบที่ขับเคลื่อนโดยชุมชนนี้คล้ายกับการระดมทุนผ่านอินเทอร์เน็ต แต่ใช้เพื่อฝึกอบรมและตรวจสอบปัญญาประดิษฐ์ ไฮเทคไม่ได้เป็นเพียงแค่สำหรับคนชั้นสูงอีกต่อไป แต่ทุกคนก็สามารถมีส่วนร่วมได้

ขณะนี้ LLM ถือว่ามีความสมบูรณ์แล้ว ทำไมเราจึงต้องพัฒนา ASI-1 Mini แยกต่างหาก? เข้าใจง่ายและช่วยเติมเต็มช่องว่างในการบูรณาการระหว่าง Web3 และ AI

ปัจจุบัน LLM (เช่น ChatGPT และ Grok) ให้บริการสภาพแวดล้อมแบบรวมศูนย์เป็นหลัก ในขณะที่ ASI-1 Mini เป็น LLM แรกที่ออกแบบมาสำหรับระบบนิเวศแบบกระจายอำนาจ มันไม่เพียงแต่ทำให้ AI มีความโปร่งใสและมีประสิทธิภาพมากขึ้นเท่านั้น แต่ยังช่วยให้สมาชิกชุมชนได้รับประโยชน์โดยตรงจากการเติบโตของ AI อีกด้วย

การเกิดขึ้นของ ASI-1 Mini ถือเป็นจุดเริ่มต้นของการเปลี่ยนผ่านของ AI จาก “กล่องดำ” ไปสู่ “ความโปร่งใส” จาก “การรวมศูนย์” ไปสู่ “การกระจายอำนาจ” และจาก “เครื่องมือ” ไปสู่ “สินทรัพย์” ไม่เพียงแต่มีบทบาทในด้านการแพทย์ (เช่น QBio) เท่านั้น แต่ยังสามารถแสดงศักยภาพในหลายสาขา เช่น การเงิน กฎหมาย และการวิจัยทางวิทยาศาสตร์ได้อีกด้วย

ในเดือนนี้ Fetch ได้ร่วมมือกับ Rivalz เพื่อบูรณาการ ASI-1 Mini เข้ากับระบบ Agentic Data Coordination System (ADCS) ของ Rivalz เพื่อเปิดใช้งานการอนุมาน AI บนเครือข่าย ด้วยความร่วมมือนี้ แอปพลิเคชันแบบกระจายอำนาจสามารถเข้าถึงความสามารถในการใช้เหตุผล AI ขั้นสูงได้โดยตรงบนบล็อคเชน

สภาพแวดล้อมบล็อคเชนแบบดั้งเดิมถูกจำกัดด้วยทรัพยากร และสัญญาอัจฉริยะสามารถจัดการงานน้ำหนักเบาได้เท่านั้น โดยทั่วไปแล้วพวกเขาจะได้รับข้อมูลที่เรียบง่าย (เช่น ราคา) ผ่านทางโอราเคิลและไม่สามารถรันโมเดล AI ที่ซับซ้อนได้โดยตรง ADCS แก้ไขปัญหานี้ได้อย่างสมบูรณ์แบบ การคำนวณที่ซับซ้อนของการใช้เหตุผลของ AI จะถูกดำเนินการเสร็จสิ้นแบบนอกเครือข่าย และผลลัพธ์จะถูกส่งกลับไปยังบล็อกเชนอย่างปลอดภัย ช่วยให้มั่นใจถึงการกระจายอำนาจและความน่าเชื่อถือ