في مؤتمر NVIDIA، لماذا أصبحت NEAR السلسلة العامة الرائدة في مجال الذكاء الاصطناعي لسبب غير مفهوم؟

المؤلف: هاو تيان؛ المصدر: Chain View

مؤخرًا، سيظهر مؤسس NEAR @ilblackdragon في مؤتمر NVIDIA AI، مما يجعل سلسلة NEAR العامة مربحة. اتجاه سعر السوق يبعث على الارتياح أيضا. يتساءل العديد من الأصدقاء، أليست سلسلة NEAR All في القيام بالتجريد المتسلسل، ولماذا أصبحت سلسلة عامة رئيسية للذكاء الاصطناعي لسبب غير مفهوم؟ بعد ذلك، سأشارك ملاحظاتي وأقوم بنشر بعض المعرفة التدريبية لنماذج الذكاء الاصطناعي:

1) يتمتع مؤسس NEAR إيليا بولوسوخين بخلفية طويلة الأمد في مجال الذكاء الاصطناعي، وهو مشارك في منشئ بنية المحولات. تعد بنية Transformer هي البنية الأساسية لتدريب نموذج اللغة الكبير في LLM عبر ChatGPT اليوم، وهو ما يكفي لإثبات أن رئيس NEAR كان لديه خبرة في إنشاء وقيادة أنظمة نماذج كبيرة للذكاء الاصطناعي قبل إنشاء NEAR.

2) أطلقت NRAR مهام NEAR في NEARCON 2023. الهدف هو تدريب نماذج الذكاء الاصطناعي وتحسينها. ببساطة، احتياجات التدريب النموذجية يمكن للبائعين إصدار طلبات المهام على المنصة وتحميل مواد البيانات الأساسية، ويمكن للمستخدمين (المهام) المشاركة في الإجابة على المهام وإجراء العمليات اليدوية مثل التعليق النصي والتعرف على الصور للبيانات. بعد اكتمال المهمة، ستكافئ المنصة المستخدم برموز NEAR المميزة، وسيتم استخدام هذه البيانات المصنفة يدويًا لتدريب نموذج الذكاء الاصطناعي المقابل.

على سبيل المثال: يحتاج نموذج الذكاء الاصطناعي إلى تحسين قدرته على تحديد الكائنات في الصور. يمكن للبائع تحميل عدد كبير من الصور الأصلية بكائنات مختلفة في الصورة. الصور إلى منصة المهام، ومن ثم يمكن للمستخدم تحديد مواقع الكائنات على الصور يدويًا أن يولد كمية كبيرة من بيانات "موضع كائن الصورة"، ويمكن للذكاء الاصطناعي استخدام هذه البيانات للتعلم بشكل مستقل لتحسين قدرات التعرف على الصور.

للوهلة الأولى، تريد NEAR Tasks فقط إضفاء الطابع الاجتماعي على الهندسة الاصطناعية لتوفير الخدمات الأساسية لنماذج الذكاء الاصطناعي. هل هذا مهم حقًا؟ أضف بعض المعرفة العلمية الشائعة حول نماذج الذكاء الاصطناعي هنا.

عادةً، يتضمن التدريب الكامل لنموذج الذكاء الاصطناعي جمع البيانات، ومعالجة البيانات مسبقًا والتعليق التوضيحي، وتصميم النموذج والتدريب، وضبط النموذج، والضبط الدقيق، والنموذج أثناء العملية لاختبار التحقق، ونشر النموذج، ومراقبة النموذج وتحديثه، وما إلى ذلك، فإن شرح البيانات والمعالجة المسبقة هي الجزء اليدوي، في حين أن تدريب النموذج وتحسينه هو جزء الآلة.

من الواضح أن معظم الناس يدركون أن جزء الآلة أكبر بكثير من الجزء اليدوي. ففي نهاية المطاف، يبدو أنه أكثر تقنية عالية. ومع ذلك، في الواقع في بعض الحالات، يتم استخدام التعليق التوضيحي اليدوي في النموذج بأكمله، وهو أمر مهم جدًا في التدريب.

يمكن للتعليق التوضيحي اليدوي إضافة تسميات إلى الكائنات (الأشخاص والأماكن والأشياء) في الصور لأجهزة الكمبيوتر لتحسين تعلم النماذج المرئية؛ ويمكن للتعليق التوضيحي اليدوي أيضًا إضافة تسميات إلى الكلام. يتم تحويل المحتوى إلى نص، ويتم وضع علامة على مقاطع محددة وعبارات الكلمات وما إلى ذلك لمساعدة الكمبيوتر على تدريب نموذج التعرف على الكلام، ويمكن للتعليق التوضيحي اليدوي أيضًا إضافة بعض العلامات العاطفية مثل السعادة والحزن والغضب وما إلى ذلك إلى النص. السماح للذكاء الاصطناعي بتعزيز مهارات التحليل العاطفي، وما إلى ذلك.

ليس من الصعب أن نرى أن التعليقات التوضيحية اليدوية هي أساس نماذج التعلم العميق القائمة على الآلة. فبدون بيانات توضيحية عالية الجودة، لا يمكن للنموذج أن يتعلم بكفاءة. إذا لم تكن كمية البيانات المشروحة كافية، فسيكون أداء النموذج كبيرًا أيضًا محدودًا.

في الوقت الحاضر، في مجال الذكاء الاصطناعي البسيط، هناك العديد من الاتجاهات الرأسية للضبط الثانوي أو التدريب الخاص استنادًا إلى نموذج ChatGPT الكبير، وهي يعتمد بشكل أساسي على بيانات OpenAI، بالإضافة إلى إضافة مصادر بيانات جديدة، خاصة البيانات التي تم تصنيفها يدويًا، لإجراء التدريب النموذجي.

على سبيل المثال، إذا أرادت شركة طبية إجراء تدريب نموذجي يعتمد على الذكاء الاصطناعي للتصوير الطبي وتقديم مجموعة من الخدمات الاستشارية عبر الإنترنت للذكاء الاصطناعي للمستشفيات، فإنها تحتاج فقط إلى استخدام كمية كبيرة من بيانات التصوير الطبي الأصلية، وتحميلها إلى منصة المهام، ثم السماح للمستخدمين بالتعليق وإكمال المهام، وبالتالي إنشاء بيانات مشروحة يدويًا، وسيتم بعد ذلك ضبط هذه البيانات وتحسينها لنموذج ChatGPT الكبير، مما يحول هذا إلى عام أداة الذكاء الاصطناعي إلى خبير في المجال الرأسي.

ومع ذلك، من الواضح أنه لا يكفي أن تصبح NEAR السلسلة العامة الرائدة في مجال الذكاء الاصطناعي بمجرد الاعتماد على النظام الأساسي للمهام. توفر NEAR أيضًا خدمات وكيل الذكاء الاصطناعي في النظام البيئي: تنفيذ جميع سلوكيات المستخدم والعمليات على السلسلة تلقائيًا، ويمكن للمستخدمين شراء وبيع الأصول بحرية في السوق بترخيص فقط. وهذا مشابه إلى حد ما لـ Intent centric، والذي يستخدم التنفيذ الآلي للذكاء الاصطناعي لتحسين تجربة تفاعل المستخدم على السلسلة. بالإضافة إلى ذلك، تسمح إمكانات DA القوية لـ NEAR بلعب دور في إمكانية تتبع مصادر بيانات الذكاء الاصطناعي وتتبع صحة وصحة بيانات تدريب نموذج الذكاء الاصطناعي.

باختصار، يبدو الامتداد الفني والتوجيه السردي لـ NEAR في اتجاه الذكاء الاصطناعي، مدعومًا بوظائف متسلسلة عالية الأداء، أقوى بكثير من تجريد السلسلة الخالصة. .

عندما كنت أقوم بتحليل تجريد سلسلة NRAR منذ نصف شهر، رأيت مزايا أداء سلسلة NEAR + إمكانات تكامل موارد web2 الفائقة للفريق. لم أتوقع أبدًا لم يصبح التجريد المتسلسل شائعًا بعد بما يكفي لجني الثمار، وقد أدت هذه الموجة من تمكين الذكاء الاصطناعي إلى تضخيم الخيال مرة أخرى.

ملاحظة: لا يزال الاهتمام على المدى الطويل يعتمد على تخطيط NEAR وتطوير المنتج في "تجريد السلسلة". سيكون الذكاء الاصطناعي مكافأة جيدة ومحفزًا للسوق الصاعدة!