Interpretieren des Web3-nativen großen Sprachmodells ASI-1 Mini
Entdecken Sie QBio, ein medizinisches KI-Tool, das sich auf die Klassifizierung der Brustdichte und die transparente Berichterstellung konzentriert. Laden Sie ein Röntgenbild hoch, das Ihnen innerhalb weniger Minuten sagt, ob die Dichte der Brust A, B, C oder D ist, zusammen mit einem detaillierten Bericht, der den Entscheidungsprozess erklärt.
Der QBio wurde von Fetch and Hybrid entwickelt und ist nur ein Appetitanreger, und der eigentliche Star ist der ASI-1 Mini.
Fetch ist ein sehr altes Projekt, in den Jahren, in denen Defi die Aufmerksamkeit des gesamten Marktes auf sich zog, konzentrierte sich Fetch auf KI + Krypto und konzentrierte sich auf die Entwicklung und Anwendung der allgemeinen Technologie von Multi-Model-Agenten.
Was ist ASI-1 Mini
? Im Februar dieses Jahres hat Fetch das weltweit erste Web3-native Large Language Model (LLM) auf den Markt gebracht - ASI-1 Mini. Was ist Web3 Native? Einfach ausgedrückt, lässt es sich nahtlos in die Blockchain integrieren und ermöglicht es Ihnen, KI nicht nur zu nutzen, sondern auch über $FET-Token und ASI-Wallets zu investieren, zu trainieren und zu besitzen.
Was genau ist der ASI-1 Mini?
Es handelt sich um ein großes Sprachmodell, das für agentische KI entwickelt wurde und mehrere KI-Agenten koordinieren und komplexe mehrstufige Aufgaben bewältigen kann.
Zum Beispiel ist der ASI-Inferenzagent hinter QBio Teil des ASI-1 Mini. Es klassifiziert nicht nur die Brustdichte, sondern erklärt auch den Entscheidungsprozess und löst das KI-"Black-Box-Problem". Darüber hinaus benötigt ASI-1 Mini nur zwei GPUs, um zu laufen, im Vergleich zu anderen LLMs (wie DeepSeek, das 16 H100-GPUs benötigt), die Kosten sind sehr niedrig, geeignet für vorsichtige Institutionen, um
ASI-1 Mini zu verwenden Wie genau ist
ASI-1 Mini innovativ Die Leistung von ASI-1 Mini ist vergleichbar mit der führender LLMs, aber die Hardwarekosten werden erheblich reduziert. Es verfügt über dynamische Inferenzmuster und fortschrittliche adaptive Funktionen für eine effizientere und kontextbewusstere Entscheidungsfindung.
MoM und MoA
sind beides Akronyme, also haben Sie keine Angst, es ist einfach: Mixture of Models (MoM), Mixture of Agents (MoA).
Stellen Sie sich ein Team von KI-Experten vor, von denen sich jeder auf eine andere Aufgabe konzentriert, seidig und nahtlos. , was nicht nur die Effizienz verbessert, sondern auch den Entscheidungsprozess transparenter macht. Bei der medizinischen Bildanalyse kann das MoM beispielsweise ein Modell auswählen, das sich auf die Bilderkennung spezialisiert hat, und das andere, das auf die Textgenerierung spezialisiert ist, und das MoA koordiniert die Ausgabe der beiden Modelle, um sicherzustellen, dass der Abschlussbericht sowohl genau als auch leicht lesbar ist.
Transparenz und ErweiterbarkeitTraditionelle
LLMs neigen dazu, "Black Boxes" zu sein, in denen Sie ihnen Fragen stellen und sie Ihnen Antworten geben, aber warum sie das beantwortet haben, tut mir leid, kein Kommentar. Der ASI-1 Mini ist anders, und mit kontinuierlicher mehrstufiger Argumentation kann er Ihnen sagen, dass ich diese Antwort aus diesen Gründen gewählt habe, insbesondere im medizinischen Bereich, der entscheidend ist.
Der ASI-1 Mini wird ein Kontextfenster von bis zu 10 Millionen Token haben, multimodale Fähigkeiten (z. B. Bild- und Videoverarbeitung) unterstützen und in Zukunft eine Cortex-Modellserie auf den Markt bringen, die sich auf hochmoderne Bereiche wie Robotik und Biotechnologie konzentriert.
Hardware-EffizienzWährend andere LLMs hohe Hardwarekosten erfordern, benötigt der ASI-1 Mini nur zwei GPUs, um zu laufen. Das bedeutet, dass sich selbst eine kleine Klinik das leisten kann, ohne dass ein Millionen-Dollar-Rechenzentrum benötigt wird.
Warum ist es so effizient? Denn der ASI-1 Mini wurde mit der Philosophie "weniger ist mehr" entwickelt. Es optimiert den Algorithmus und die Modellstruktur, um die Nutzung begrenzter Rechenressourcen zu maximieren. Im Gegensatz dazu neigen andere LLMs dazu, größere Modelle zu verfolgen, was zu einem erheblichen Ressourcenverbrauch führt.
Community-gesteuertIm Gegensatz zu
anderen großen Sprachmodellen wird ASI-1 Mini durch dezentrales Training von der Community gesteuert. ASI-1 Mini ist ein abgestuftes Freemium-Produkt für $FET-Inhaber, die sich mit einer Web3-Wallet verbinden können, um die volle Funktionalität freizuschalten. Je mehr FET-Token Sie in Ihrer Wallet haben, desto mehr können Sie die Fähigkeiten des Modells erkunden.
Dieses Community-getriebene Modell, wie auch Crowdfunding, ist nichts anderes als das Training und die Validierung von künstlicher Intelligenz, High-Tech, nicht mehr nur für die Elite, sondern für alle, an denen alle teilnehmen können.
Heute, wo LLMs relativ ausgereift sind, warum müssen Sie einen ASI-1 Mini alleine bauen? Es ist leicht zu verstehen und füllt die Lücke, in der Web3 mit KI konvergiert.
Derzeit bedienen LLMs (wie ChatGPT und Grok) hauptsächlich zentralisierte Umgebungen, und ASI-1 Mini ist das erste LLM, das für dezentrale Ökosysteme entwickelt wurde. Es macht die KI nicht nur transparenter und effizienter, sondern ermöglicht es den Community-Mitgliedern auch, direkt vom Wachstum der KI zu profitieren.
Das Aufkommen von ASI-1 Mini markiert den Wandel der KI von "Black Box" zu "Transparenz", von "zentralisiert" zu "dezentralisiert" und von "Tool" zu "Asset". Es kann nicht nur im medizinischen Bereich (wie QBio), sondern auch in vielen Bereichen wie Finanzen, Recht und wissenschaftlicher Forschung eine Rolle spielen.
In diesem Monat hat sich Fetch mit Rivalz zusammengetan, um den ASI-1 Mini in das Agentic Data Coordination System (ADCS) von Rivalz für On-Chain-KI-Inferenz zu integrieren. Mit dieser Zusammenarbeit können dezentrale Anwendungen direkt auf der Blockchain auf fortschrittliche KI-Inferenzfunktionen zugreifen.
Traditionelle Blockchain-Umgebungen sind ressourcenbeschränkt, und Smart Contracts können nur leichtgewichtige Aufgaben bewältigen, oft über Orakel, um einfache Daten (z. B. Preise) zu erhalten, und können komplexe KI-Modelle nicht direkt ausführen. ADCS löst dieses Problem perfekt, indem komplexe Berechnungen für KI-Inferenz außerhalb der Kette durchgeführt werden und die Ergebnisse sicher an die Blockchain zurückgegeben werden, was Dezentralisierung und Vertrauen gewährleistet.