NEAR vượt qua mức 8 USD, tại sao nó có thể bắt kịp AI?

Tác giả gốc: Haotian, nhà nghiên cứu mã hóa

Ghi chú của người biên tập: Gần đây, có lẽ bị ảnh hưởng bởi những tin tức liên quan đến hội nghị NVIDIA GTC24, mã thông báo khái niệm AI đã trải qua một cuộc cách mạng chung tăng lên. Người đồng sáng lập NEAR Protocol Illia Polosukhin sẽ tham dự bài phát biểu quan trọng về "Chuyển đổi AI" và thảo luận trong hội nghị GTC24, và người sáng lập NVIDIA Jensen Huang cũng sẽ tham gia vào sự kiện tương tự. Hôm nay, NEAR đã phá vỡ trên 8 USD và đang giao dịch ở mức 8,305 USD vào thời điểm viết bài. Nhà nghiên cứu mã hóa Haotian đã phân tích về X tại sao NEAR, vốn đang thực hiện tính năng trừu tượng hóa chuỗi, đột nhiên thay đổi. Để trở thành chuỗi công khai AI hàng đầu, BlockBeats đã in lại toàn văn như sau:

Gần đây, thông tin về việc người sáng lập NEAR @ilblackdragon sẽ xuất hiện tại Hội nghị AI của NVIDIA đã xuất hiện đã làm cho chuỗi công khai NEAR mang lại lợi nhuận rất cao. Các bạn ơi, xu hướng giá thị trường cũng rất đáng mừng. Nhiều bạn đang thắc mắc, chẳng 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 về đào tạo mô hình AI:

1) Người sáng lập NEAR Illia Polosukhin đã có kinh nghiệm lâu năm về AI của Time nền tảng 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. Mục tiêu là đào tạo và cải tiến các mô hình trí tuệ nhân tạo. Nói một cách đơn giản, nhu cầu đào tạo mô hình Các 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 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 đồ vật trong ảnh, nhà cung cấp có thể tải một số lượng lớn ảnh gốc với các đồ vật khác nhau trong ảnh lên Nhiệm vụ nền tảng, sau đó người dùng chú thích các hình ảnh theo cách thủ công. Bằng cách xem xét vị trí đối tượng, một lượng lớn dữ liệu "vị trí đối tượng hình ảnh" có thể được tạo ra và AI có thể sử dụng dữ liệu này để học một cách tự động 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? Thêm một chút kiến thức khoa học phổ biến về mô hình AI tại đây.

Thông thường, một chương trình đào tạo mô hình AI hoàn chỉnh bao gồm thu thập dữ liệu, tiền xử lý và chú thích dữ liệu, thiết kế và đào tạo mô hình, điều chỉnh mô hình, các quy trình như tinh chỉnh , thử nghiệm xác minh mô hình, triển khai mô hình, giám sát và cập nhật mô hình, trong đó chú thích và xử lý trước 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 thì nó có vẻ công nghệ cao hơn, nhưng trong hoàn cảnh thực tế, chú thích thủ công Quan trọngtrong 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 cũng có thể thêm nhãn vào lời nói. Nội dung được chuyển đổi thành văn bản và các âm tiết, cụm từ cụ thể, v.v. được đánh dấu để giúp máy tính huấn luyện mô hình nhận dạng giọng nói, 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, hiệu suất mô hình lớn cũng sẽ bị hạn chế.

Hiện tại, trong lĩnh vực AI xâm lấn tối thiểu, có nhiều hướng dọc để tinh chỉnh thứ cấp hoặc đào tạo đặc biệt dựa trên mô hình lớn ChatGPT, đó là về cơ bản dựa trên dữ liệu OpenAI, bổ sung thêm các nguồn dữ liệu mới, đặc biệt là dữ liệu được gắn nhãn thủ công 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 sử dụng một lượng lớn dữ liệu hình ảnh y tế gốc. Tải lên nền tảng Task, sau đó cho phép người dùng chú thích và hoàn thành các tác vụ, từ đó tạo ra dữ liệu được chú thích thủ công. Dữ liệu này sau đó sẽ được tinh chỉnh và tối ưu hóa cho mô hình lớn ChatGPT, biến điều này cụ AI nói chung trở thành chuyên gia trong lĩnh vực dọc.

Tuy nhiên, điều đó rõ ràng là chưa đủ để NEAR trở thành chuỗi công khai AI hàng đầu chỉ bằng cách dựa vào nền tảng Nhiệm vụ. NEAR là thực chất vẫn còn trong hệ sinh thái, dịch vụ AI Agent được cung cấp để tự động thực hiện mọi hành vi và thao tác của người dùng trên chuỗi, người dùng chỉ cần được ủy quyền là có thể tự do mua 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 của chuỗi NRAR cách đây nửa tháng, tôi đã thấy những ưu điểm của hiệu suất chuỗi NEAR + khả năng tích hợp tài nguyên siêu web2 của nhóm