المستقبل بعد LLMs: لماذا النماذج الصغيرة والبيانات الجيدة هي المفتاح؟ 】 في العامين الماضيين ، أصبحت LLMs (نماذج اللغة الكبيرة) مرادفة لعالم الذكاء الاصطناعي ، حيث يتنافس الجميع من GPT إلى كلود ، والجوزاء إلى اللاما ، على عدد المعلمات ، والظهور ، وحدود الاستدلال. ولكن مع عودة الهيجان التكنولوجي إلى البرودة ، يظهر اتجاه جديد - حيث أصبحت نماذج اللغات الصغيرة (SLMs) والبيانات عالية الجودة هي التركيز الحقيقي للمرحلة التالية من تطور الذكاء الاصطناعي. ستلقي هذه المقالة نظرة جديدة على الدور الرئيسي الذي تلعبه OpenLedger في هذا الاتجاه والتفكير في العملات المشفرة المنافسة في "عصر ما بعد LLM". 1. عنق الزجاجة في النماذج الكبيرة: ليس كلما كانت المعلمات أكبر ، كان ذلك أفضل ليس هناك شك في أن النماذج الكبيرة قد بشرت بعصر جديد من الذكاء الاصطناعي. ومع ذلك ، مع تكديس LLMs وتوسيعها بشكل أكبر ، تصبح الاختناقات المتعددة أكثر وضوحا: (1) تكلفة الاستدلال مرتفعة للغاية: تتطلب النماذج الكبيرة عموما موارد حوسبة باهظة الثمن ، وهي غير مناسبة لنشر الحافة أو المكالمات عالية التردد ؛ (2) سرعة الاستجابة البطيئة: خاصة في سيناريوهات التفكير المعقد أو معالجة السياق الطويل ، هناك تأخيرات وعدم كفاءة ؛ (3) معضلة "المتوسط": تسعى النماذج الكبيرة إلى تعدد الاستخدامات ولكنها تفتقر إلى القدرة على الاستجابة بدقة لمشاكل المجال الرأسي ؛ (4) البيانات غير قابلة للتتبع: غالبا ما تكون البيانات المستخدمة في عملية التدريب النموذجية مختلطة ، مع التحيز وسوء الاستخدام والتعتيم. لا تحد هذه القضايا من التنفيذ الواسع النطاق لأنظمة القانون فحسب ، بل توفر أيضا طفرة للإدارة المستدامة للأنظمة وأنظمة الابتكار القائمة على البيانات. ثانيا ، مزايا عصر النموذج الصغير: خفيف الوزن ، احترافي ، يمكن التحكم فيه صعود SLM ليس عرضيا ، ولكنه انعكاس على الطبيعة غير الاقتصادية وغير الموثوقة للنماذج الكبيرة. في العديد من سيناريوهات العالم الحقيقي ، تظهر SLM المزايا التالية: (1) قابل للتخصيص: يمكن ضبطه بدقة حول مهام محددة (مثل خدمة العملاء والمعاملات والترجمة وما إلى ذلك) ، ويكون الأداء أكثر تركيزا ؛ (2) تكلفة منخفضة: النفقات العامة للاستدلال أصغر ، وهي مناسبة للنشر على الهواتف المحلية أو المحمولة أو العقد الطرفية. (3) إمكانية تحكم قوية: عملية التدريب أقصر ، ويمكن تسجيل مصدر البيانات المستخدم بوضوح ، مما يفضي إلى إمكانية التتبع والامتثال ؛ (4) النشر اللامركزي: من الأسهل التضمين في بيئة Web3 لتشكيل شبكة من النماذج القابلة للاستدعاء والتدقيق على السلسلة. يتماشى هذا الاتجاه أيضا بعمق مع فلسفة تصميم OpenLedger. 3. موقف OpenLedger: إعادة اختراع نموذج النموذج ب "البيانات الجيدة". لا تتنافس OpenLedger بشكل مباشر مع الطبقة النموذجية لLLMs ، ولكنها تختار إعادة بناء أنظمة البيانات من الأسفل إلى الأعلى لخدمة صعود SLM. منطقها الأساسي هو: (1) جعل البيانات "ذات قيمة": من خلال آلية PoA وشبكة Datanets ، فإنها توفر أصول بيانات موثوقة وقابلة للتتبع وقابلة للتداول لنماذج الذكاء الاصطناعي ؛ (2) تشجيع انفتاح النموذج: يتيح وضع الذكاء الاصطناعي الواجب الدفع استدعاء SLM وربطه بالمهام ، ويتم توزيع الإيرادات وفقا للاستخدام. (3) حوافز للمساهمات الحقيقية: من خلال نظام السمعة وآلية الحوافز ، ترتبط مصالح منتجي البيانات ومطوري النماذج والمتصلين. هذا يعني أن OpenLedger تبني نظاما بيئيا مفتوحا حول "نموذج صغير + بيانات جيدة" ، والذي يوفر مكملا هيكليا لعصر ما بعد ماجستير في القانون. رابعا الصورة المستقبلية: من "كبيرة وشاملة" إلى "صغيرة ومتخصصة" من المتوقع ألا يكون مستقبل الذكاء الاصطناعي نموذجا واحدا يناسب الجميع ، بل شبكة من "الوحدات الذكية المصغرة" التي تدور حول السيناريوهات. هذه النماذج الصغيرة سوف: (1) الاتصال بمصادر بيانات عالية الجودة ، بدلا من الاعتماد على التقاط ضوضاء الإنترنت ؛ (2) التحقق من عملية التدريب وسجل المكالمات من خلال آلية السلسلة لتعزيز المصداقية؛ (3) الربط ببروتوكولات التطبيق المختلفة (DeFi و GameFi والشبكات الاجتماعية وما إلى ذلك) لبناء طبقة أدوات Web3 تعتمد على الذكاء الاصطناعي. تقوم OpenLedger ببناء البنية التحتية لهذا الاتجاه: فهي ليست في معلمات الحجم ، ولكن في حجم "آلية التعرف على قيمة البيانات" و "نموذج توزيع الحوافز" ، وهي في الأساس منصة عامة توفر تربة موثوقة لنماذج الذكاء الاصطناعي. لا يتمثل طموح OpenLedger في إنشاء GPT التالي ، ولكن توفير الدعم الأساسي لتدفق البيانات ، والاعتراف بالسمعة ، والحوافز للجيل القادم من SLMs. خارج النموذج القديم ل "المعلمات قوة" ، يحاول الإجابة على سؤال أكثر جوهرية: "من يمكنه توفير أرضية موثوقة لمستقبل الذكاء الاصطناعي؟" في دورة جديدة حيث لم تعد النماذج مطلقة القدرة والبيانات حاسمة ، يكون OpenLedger عند نقطة الانعطاف السردية الصحيحة. @OpenledgerHQ @cookiedotfun #OpenLedger #COOKIE #全面拆解OpenLedger系列