NEARはどのようにAIの追い風に乗るのか？

執筆：Haotian

最近、NEARの創設者@ilblackdragonがNVIDIAのAIカンファレンスに登場するというニュースが、NEARのパブリックチェーンに注目を集め、市場価格の動向も好調です。多くの友人が疑問に思っています。「NEARチェーンはAll inでチェーン抽象を進めているのに、どうして突然AIのトップパブリックチェーンになったのか？」次に、私の観察を共有し、いくつかのAIモデルのトレーニングに関する知識を紹介します。

1）NEARの創設者Illia Polosukhinは、長い間AIのバックグラウンドを持ち、Transformerアーキテクチャの共同構築者です。そして、Transformerアーキテクチャは現在のLLMs（大規模言語モデル）であるChatGPTの基盤となるアーキテクチャであり、NEARの創設者がNEARを設立する前にAIの大規模システムの構築とリーダーシップの経験を持っていることを証明しています。

2）NRARはNEARCON 2023でNEAR Tasksを発表しました。これはAIモデルのトレーニングと改善を目的としており、簡単に言えば、モデルのトレーニングを必要とする側（Vendor）がプラットフォーム上でタスクリクエストを公開し、基本データ素材をアップロードし、ユーザー（Tasker）がタスクに参加してデータのテキスト注釈や画像認識などの人工操作を行います。タスクが完了すると、プラットフォームはユーザーにNEARトークンの報酬を与え、これらの人工的に注釈されたデータは相応のAIモデルのトレーニングに使用されます。

例えば、AIモデルが画像中の物体を認識する能力を向上させる必要がある場合、Vendorはさまざまな物体を含む大量の原始画像をTasksプラットフォームにアップロードし、ユーザーが手動で画像上の物体の位置を注釈することで、「画像 - 物体位置」のデータを大量に生成できます。AIはこれらのデータを用いて自主的に学習し、画像認識能力を向上させることができます。

一見すると、NEAR TasksはAIモデルの基礎サービスを提供するために社会化された人工工程を目指しているように思えますが、本当にそれほど重要なのでしょうか？ここでAIモデルに関する知識を少し加えます。

通常、完全なAIモデルのトレーニングには、データ収集、データ前処理と注釈、モデル設計とトレーニング、モデル調整、微調整、モデル検証テスト、モデルデプロイ、モデル監視と更新などのプロセスが含まれます。この中でデータの注釈と前処理は人工的な部分であり、モデルのトレーニングと最適化は機械的な部分です。

明らかに、多くの人が理解している機械的な部分は人工的な部分よりもはるかに大きいと考えがちですが、実際には人工的な注釈はモデルのトレーニング全体において非常に重要です。

人工的な注釈は、画像中のオブジェクト（人、場所、物事）にラベルを追加し、コンピュータが視覚モデルを学習するのを助けます。人工的な注釈は、音声中の内容をテキストに変換し、特定の音節や単語フレーズを注釈してコンピュータの音声認識モデルのトレーニングを助けることもできます。また、人工的な注釈はテキストに喜び、悲しみ、怒りなどの感情ラベルを追加し、人工知能の感情分析スキルを強化することもできます。

人工的な注釈がなければ、機械が深層学習モデルを展開するための基盤はありません。高品質の注釈データがなければ、モデルは効率的に学習できず、注釈データの量が不十分であれば、モデルの性能も制限されます。

現在、AIマイクロクリエーションの分野には、ChatGPTの大規模モデルを基にした二次微調整や専門的なトレーニングを行う垂直方向が多く存在します。これらは本質的にOpenAIのデータを基に、新しいデータソース、特に人工的な注釈データを追加してモデルのトレーニングを行っています。

例えば、医療会社が医学画像AIを基にモデルのトレーニングを行い、病院にオンラインAI診断サービスを提供したい場合、大量の原始医学画像データをTaskプラットフォームにアップロードし、ユーザーに注釈を付けてタスクを完了させるだけで、人工的な注釈データが生成されます。これらのデータをChatGPTの大規模モデルに微調整と最適化を行うことで、この汎用AIツールが特定の分野の専門家に変わります。

しかし、NEARはTasksプラットフォームだけでAIパブリックチェーンのリーダーになるのは明らかに不十分です。実際、NEARはエコシステム内でAIエージェントサービスを提供しており、ユーザーのすべてのチェーン上の行動と操作を自動的に実行します。ユーザーは権限を与えるだけで、市場で自由に資産を売買できます。これはIntent-centricに似ており、AIを用いて自動化を実行し、ユーザーのチェーン上のインタラクション体験を向上させます。さらに、NEARの強力なDA機能は、AIデータソースの追跡可能性においても役立ち、AIモデルのトレーニングデータの有効性と真実性を追跡します。

要するに、高性能なチェーン機能を背景に、NEARはAI分野の技術的な拡張とナラティブの導きに取り組んでおり、純粋なチェーン抽象よりも遥かに印象的です。

半月前、私はNRARのチェーン抽象を分析している際に、NEARのチェーン性能とチームの超強力なweb2リソース統合能力の利点を見ました。チェーン抽象がまだ普及していないうちに果実を摘むことはできませんでしたが、このAIのエンパワーメントによって再び想像力が広がりました。

注：長期的には、NEARの「チェーン抽象」に関する戦略と製品の進展を注視する必要があります。AIは良い加点項目であり、牛市の触媒となるでしょう！ #NEAR