NEAR 如何搭上 AI 的顺风车?
撰文:Haotian
最近,NEAR Founder Illia Polosukhin 将亮相英伟达 AI 大会的消息,让 NEAR 公链赚足了眼球,市场价格走势也喜人。不少朋友疑惑,NEAR 链不是 All in 在做链抽象么,怎么莫名其妙就成了 AI 头部公链了?
接下来,分享下我的观察,顺带科普下一些 AI 模型训练知识:
1)NEAR 创始人 Illia Polosukhin 有过较长时间的 AI 背景,是 Transformer 架构的共同构建者。而 Transformer 架构是如今 LLMs 大型语言模型训练 ChatGPT 的基础架构,足以证明 NEAR 老板在成立 NEAR 前确实有 AI 大模型系统的创建和领导经验。
2)NRAR 曾在 NEARCON 2023 上推出过 NEAR Tasks,目标是为了进行人工智能模型的的训练和改进,简单来说,模型训练需求方(Vendor)可以在平台发布任务请求,并上传基础数据素材,用户(Tasker)可以参与进行任务答题,为数据进行文本标注和图像识别等人工操作。任务完成后,平台会给用户 NEAR 代币奖励,而这些经过人工标注的数据会被用于训练相应的 AI 模型。
比如:AI 模型需要提高识别图片中物体的能力,Vendor 可以将大量图片中带有不同物体的原始图片上传到 Tasks 平台,然后用户手动标注图片上上物体位置,就可以生成大量「图片 - 物体位置」的数据,AI 就可以用这些数据来自主学习来提高图片识别能力。
乍一听,NEAR Tasks 不就是想社会化人工工程来为 AI 模型做基础服务嘛,真有那么重要? 在此加一点关于 AI 模型的科普知识。
通常情况下,一次完整的 AI 模型训练,包括数据采集、数据预处理和标注、模型设计与训练、模型调优、微调、模型验证测试、模型部署、模型监控与更新等等过程,其中数据标注和预处理为人工部分,而模型训练与优化为机器部分。
显然,大部分人理解中的机器部分要明显大于人工部分,毕竟显得更高科技一些,但实际情况下,人工标注在整个模型训练中至关重要。
人工标注可以为图像中的对象(人、地点、事物)等添加标签,供计算机提升视觉模型学习;人工标注还能将语音中的内容转化为文本,并标注特定音节、单词短语等帮助计算机进行语音识别模型训练;人工标注还可以给文本添加一些快乐、悲伤、愤怒等情感标签,让人工智能增强情感分析技能等等。
不难看出,人工标注是机器开展深度学习模型的基础,没有高质量的标注数据,模型就无法高效学习,如果标注数据量不够大,模型性能也会受到限制。
目前,AI 微创领域有很多基于 ChatGPT 大模型进行二次微调或专项训练的垂直方向,本质上都是在 OpenAI 的数据基础上,额外增加新的数据源尤其是人工标注数据来施展模型训练。
比如,医疗公司想基于医学影像 AI 做模型训练,为医院提供一套在线 AI 问诊服务,只需要将大量的原始医学影像数据上传到 Task 平台,然后让用户去标注并完成任务,就产生了人工标注数据,再将这些数据对 ChatGPT 大模型进行微调和优化,就会让这个通用 AI 工具变成垂直领域的专家。
不过,NEAR 仅仅凭借 Tasks 平台,就想成为 AI 公链龙头显然还不够,NEAR 其实还在生态系统中进行 AI Agent 服务,用来自动执行用户一切链上行为和操作,用户只需授权就可以自由在市场中买卖资产。这有点类似 Intent-centric,用 AI 自动化执行来提升用户链上交互体验。除此之外,NEAR 强大的 DA 能力可以让它在 AI 数据来源的可追溯性上发挥作用,追踪 AI 模型训练数据有效性和真实性。
总之,背靠高性能的链功能,NEAR 做 AI 方向的技术延展和叙事引导,似乎要比纯链抽象要不明觉厉多了。
半个月前我在分析 NRAR 链抽象时,就看到了 NEAR 链性能 + 团队超强 Web2 资源整合能力的优势,万万没想到,链抽象还没有普及开来摘到果子,这一波 AI 赋能再一次把想象力放大了。
Note:长期关注还是得看 NEAR 在「链抽象」上的布局和产品推进,AI 会是个不错的加分项和牛市催化剂!
免责声明:文章中的所有内容仅代表作者的观点,与本平台无关。用户不应以本文作为投资决策的参考。
你也可能喜欢
日本新首相重组 Web3 政策部门,任命前 Web3 政策负责人掌管数字社会推进部
World ID 推出护照认证系统试点计划
借贷协议 Echelon 宣布在 Initia 发布 Echelon Chain
私募市场交易平台 SecondLane 以 15 亿美元 FDV 挂牌出售 Pump.fun 1% 股权