Tác giả gốc: Haotian (X: @tmel0211)

Gần đây, thông tin người sáng lập NEAR @ilblackdragon sẽ xuất hiện tại Hội nghị NVIDIA AI đã thu hút rất nhiều sự chú ý trên chuỗi công khai NEAR và xu hướng giá thị trường cũng rất đáng mừng. Nhiều bạn bè thắc mắc, không phải chuỗi NEAR All đang thực hiện việc trừu tượng hóa chuỗi sao?Tại sao nó lại trở thành chuỗi công khai đứng đầu AI một cách khó hiểu? Tiếp theo, tôi sẽ chia sẻ những quan sát của mình và phổ biến một số kiến ​​thức đào tạo mô hình AI:

1) Người sáng lập NEAR Illia Polosukhin có nền tảng AI lâu dài và là người đồng xây dựng kiến ​​trúc Transformer. Kiến trúc Transformer là kiến ​​trúc cơ bản của ChatGPT cho việc đào tạo mô hình ngôn ngữ lớn LLM ngày nay, đủ để chứng minh rằng ông chủ của NEAR đã có kinh nghiệm tạo và dẫn dắt các hệ thống mô hình lớn AI trước khi thành lập NEAR.

2) NRAR đã ra mắt NEAR Tasks tại NEARCON 2023, với mục tiêu đào tạo và cải tiến các mô hình trí tuệ nhân tạo. Nói một cách đơn giản, những người yêu cầu đào tạo mô hình (Nhà cung cấp) có thể đưa ra yêu cầu nhiệm vụ trên nền tảng và tải lên các tài liệu dữ liệu cơ bản. Người dùng (Tasker) có thể tham gia trong việc trả lời các tác vụ và thực hiện các thao tác thủ công như chú thích văn bản và nhận dạng hình ảnh cho dữ liệu. Sau khi nhiệm vụ hoàn thành, nền tảng sẽ thưởng cho người dùng mã thông báo NEAR và những dữ liệu được gắn nhãn thủ công này sẽ được sử dụng để đào tạo mô hình AI tương ứng.

Ví dụ: mô hình AI cần cải thiện khả năng nhận dạng các đối tượng trong ảnh, nhà cung cấp có thể tải một số lượng lớn ảnh gốc với các đối tượng khác nhau trong ảnh lên nền tảng Tasks, sau đó người dùng tự đánh dấu vị trí của các đối tượng trên pictures để tạo ra một số lượng lớn dữ liệu vị trí đối tượng hình ảnh, AI có thể sử dụng những dữ liệu này để học một cách độc lập nhằm cải thiện khả năng nhận dạng hình ảnh.

Thoạt nhìn, NEAR Tasks không chỉ muốn xã hội hóa kỹ thuật nhân tạo để cung cấp các dịch vụ cơ bản cho các mô hình AI. Nó có thực sự quan trọng đến vậy không? Dưới đây là một chút kiến ​​thức khoa học phổ biến về các mô hình AI.

Thông thường, quá trình đào tạo mô hình AI hoàn chỉnh bao gồm thu thập dữ liệu, xử lý trước và chú thích dữ liệu, thiết kế và đào tạo mô hình, điều chỉnh mô hình, tinh chỉnh, kiểm tra xác minh mô hình, triển khai mô hình, giám sát và cập nhật mô hình, v.v., trong đó chú thích và tiền xử lý dữ liệu là phần thủ công, trong khi đào tạo và tối ưu hóa mô hình là phần máy.

Rõ ràng, hầu hết mọi người đều hiểu rằng phần máy lớn hơn đáng kể so với phần thủ công. Xét cho cùng, nó có vẻ mang tính công nghệ cao hơn, nhưng trong hoàn cảnh thực tế, chú thích thủ công là rất quan trọng trong toàn bộ quá trình đào tạo mô hình.

Chú thích thủ công có thể thêm nhãn cho các đối tượng (người, địa điểm, đồ vật) trong hình ảnh cho máy tính để cải thiện việc học bằng mô hình trực quan; chú thích thủ công còn có thể chuyển đổi nội dung giọng nói thành văn bản và đánh dấu các âm tiết, cụm từ cụ thể, v.v. để giúp máy tính mô hình nhận dạng giọng nói đào tạo; chú thích thủ công cũng có thể thêm một số thẻ cảm xúc như vui, buồn, tức giận, v.v. vào văn bản, cho phép trí tuệ nhân tạo nâng cao kỹ năng phân tích cảm xúc, v.v.

Không khó để nhận thấy, chú thích thủ công là nền tảng cho các mô hình deep learning dựa trên máy, nếu không có dữ liệu chú thích chất lượng cao thì mô hình không thể học hiệu quả, nếu lượng dữ liệu chú thích không đủ lớn thì hiệu suất của mô hình cũng sẽ bị ảnh hưởng. giới hạn.

Hiện nay, trong lĩnh vực AI xâm lấn tối thiểu có nhiều hướng dọc dựa trên mô hình lớn ChatGPT để tinh chỉnh thứ cấp hoặc đào tạo đặc biệt. Về cơ bản, dựa trên dữ liệu của OpenAI, các nguồn dữ liệu mới bổ sung, đặc biệt là được dán nhãn thủ công dữ liệu, được thêm vào để thực hiện đào tạo mô hình.

Ví dụ: nếu một công ty y tế muốn đào tạo mô hình dựa trên AI hình ảnh y tế và cung cấp một bộ dịch vụ tư vấn AI trực tuyến cho các bệnh viện, thì công ty đó chỉ cần tải một lượng lớn dữ liệu hình ảnh y tế gốc lên nền tảng Task, sau đó cho phép Người dùng đánh dấu và hoàn thành nhiệm vụ Chú thích dữ liệu theo cách thủ công, sau đó tinh chỉnh và tối ưu hóa mô hình lớn ChatGPT với dữ liệu này sẽ biến công cụ AI phổ thông này trở thành một chuyên gia trong lĩnh vực dọc.

Tuy nhiên, rõ ràng là chưa đủ để NEAR trở thành người dẫn đầu chuỗi công khai AI chỉ dựa vào nền tảng Nhiệm vụ. NEAR thực tế còn cung cấp dịch vụ AI Agent trong hệ sinh thái để tự động thực hiện mọi hành vi và hoạt động trên chuỗi của người dùng . Người dùng có thể được miễn phí chỉ cần ủy quyền. Mua và bán tài sản trên thị trường. Điều này hơi giống với Intent-centric, sử dụng thực thi tự động AI để cải thiện trải nghiệm tương tác trên chuỗi của người dùng. Ngoài ra, khả năng DA mạnh mẽ của NEAR cho phép nó đóng vai trò truy xuất nguồn gốc của nguồn dữ liệu AI và theo dõi tính hợp lệ cũng như tính xác thực của dữ liệu đào tạo mô hình AI.

Nói tóm lại, được hỗ trợ bởi các chức năng chuỗi hiệu suất cao, phần mở rộng kỹ thuật và hướng dẫn tường thuật của NEAR theo hướng AI dường như mạnh mẽ hơn nhiều so với việc trừu tượng hóa chuỗi thuần túy.

Khi tôi phân tích tính trừu tượng chuỗi NRAR nửa tháng trước, tôi đã thấy những ưu điểm của hiệu suất chuỗi NEAR + khả năng tích hợp tài nguyên siêu web2 của nhóm. Tôi chưa bao giờ ngờ rằng tính trừu tượng chuỗi vẫn chưa đủ phổ biến để thu được lợi ích từ làn sóng này về AI. Tôi có thể mở rộng trí tưởng tượng của mình một lần nữa.

Lưu ý: Sự chú ý lâu dài vẫn phụ thuộc vào cách bố trí và tiến bộ sản phẩm của NEAR trong trừu tượng hóa chuỗi. AI sẽ là một phần thưởng tốt và chất xúc tác cho thị trường tăng trưởng!

Liên kết gốc