NRAR 曾在 NEARCON 2023 上推出過 NEAR Tasks，目標是為了進行人工智慧模型的的訓練和改進。
作者：Haotian
封面：Near
最近，NEAR founder @ilblackdragon 將亮相英偉達 AI 大會的消息，讓 NEAR 公鏈賺足了眼球，市場價格走勢也喜人。 不少朋友疑惑，NEAR 鏈不是 All in 在做鏈抽象么，怎麼莫名其妙就成了 AI 頭部公鏈了？ 接下來，分享下我的觀察，順帶科普下一些 AI 模型訓練知識：
1）NEAR 創始人 Illia Polosukhin 有過較長時間的 AI 背景，是 Transformer 架構的共同構建者。 而 Transformer 架構是如今 LLMs 大型語言模型訓練 ChatGPT 的基礎架構，足以證明 NEAR 老闆在成立 NEAR 前確實有 AI 大模型系統的創建和領導經驗。
2）NRAR 曾在 NEARCON 2023 上推出過 NEAR Tasks，目標是為了進行人工智慧模型的的訓練和改進，簡單來說，模型訓練需求方（Vendor）可以在平臺發佈任務請求，並上傳基礎數據素材，使用者（Tasker）可以參與進行任務答題，為數據進行文本標註和圖像識別等人工操作。 任務完成後，平臺會給使用者 NEAR 代幣獎勵，而這些經過人工標註的數據會被用於訓練相應的 AI 模型。
比如：AI 模型需要提高識別圖片中物體的能力，Vendor 可以將大量圖片中帶有不同物體的原始圖片上傳到 Tasks 平臺，然後使用者手動標註圖片上上物體位置，就可以生成大量「圖片-物體位置」的數據，AI 就可以用這些數據來自主學習來提高圖片識別能力。
乍一聽，NEAR Tasks 不就是想社會化人工工程來為 AI 模型做基礎服務嘛，真有那麼重要？ 在此加一點關於 AI 模型的科普知識。
通常情況下，一次完整的 AI 模型訓練，包括數據採集、數據預處理和標註、模型設計與訓練、模型調優、微調、模型驗證測試、模型部署、模型監控與更新等等過程，其中數據標註和預處理為人工部分，而模型訓練與優化為機器部分。
顯然，大部分人理解中的機器部分要明顯大於人工部分，畢竟顯得更高科技一些，但實際情況下，人工標註在整個模型訓練中至關重要。
人工標註可以為圖像中的物件（人、地點、事物）等添加標籤，供計算機提升視覺模型學習; 人工標註還能將語音中的內容轉化為文本，並標註特定音節、單詞短語等幫助計算機進行語音識別模型訓練; 人工標註還可以給文本添加一些快樂、悲傷、憤怒等情感標籤，讓人工智慧增強情感分析技能等等。
不難看出，人工標註是機器開展深度學習模型的基礎，沒有高品質的標註數據，模型就無法高效學習，如果標註數據量不夠大，模型性能也會受到限制。
目前，AI 微創領域有很多基於 ChatGPT 大模型進行二次微調或專項訓練的垂直方向，本質上都是在 OpenAI 的數據基礎上，額外增加新的數據源尤其是人工標註數據來施展模型訓練。
比如，醫療公司想基於醫學影像 AI 做模型訓練，為醫院提供一套在線 AI 問診服務，只需要將大量的原始醫學影像數據上傳到 Task 平臺，然後讓使用者去標註並完成任務，就產生了人工標註數據，再將這些數據對 ChatGPT 大模型進行微調和優化，就會讓這個通用 AI 工具變成垂直領域的專家。
不過，NEAR 僅僅憑藉 Tasks 平臺，就想成為 AI 公鏈龍頭顯然還不夠，NEAR 其實還在生態系統中進行 AI Agent 服務，用來自動執行使用者一切鏈上行為和操作，使用者只需授權就可以自由在市場中買賣資產。 這有點類似 Intent-centric，用 AI 自動化執行來提升用戶鏈上交互體驗。 除此之外，NEAR 強大的 DA 能力可以讓它在 AI 數據來源的可追溯性上發揮作用，追蹤 AI 模型訓練數據有效性和真實性。
總之，背靠高性能的鏈功能，NEAR 做 AI 方向的技術延展和敘事引導，似乎要比純鏈抽象要不明覺厲多了。
半個月前我在分析 NRAR 鏈抽象時，就看到了 NEAR 鏈性能+團隊超強 web2 資源整合能力的優勢，萬萬沒想到，鏈抽象還沒有普及開來摘到果子，這一波 AI 賦能再一次把想像力放大了。
Note：長期關注還是得看 NEAR 在 “鏈抽象” 上的佈局和產品推進，AI 會是個不錯的加分項和牛市催化劑！ #NEAR
免責聲明：作為區塊鏈資訊平臺，本站所發佈文章僅代表作者及嘉賓個人觀點，與 Web3Caff 立場無關。 文章內的資訊僅供參考，均不構成任何投資建議及要約，並請您遵守所在國家或地區的相關法律法規。
