Web3:n alkuperäisen suuren kielen mallin ASI-1 Mini tulkinta
Tutustu QBioon, lääketieteelliseen tekoälytyökaluun, joka keskittyy rintojen tiheyden luokitteluun ja läpinäkyvään raporttien luomiseen. Lataa röntgenkuva, joka kertoo muutamassa minuutissa, onko rintojen tiheys A, B, C vai D, sekä yksityiskohtainen raportti, joka selittää päätöksentekoprosessin.
Fetchin ja Hybridin kehittämä QBio on vain alkupala, ja todellinen tähti on ASI-1 Mini.
Fetch on hyvin vanha projekti, vuosina, jolloin Defi kiinnitti koko markkinoiden huomion, Fetch keskittyi AI + Cryptoon ja on keskittynyt monimallisen agentin yleisen teknologian kehittämiseen ja soveltamiseen.
Mikä on ASI-1 Mini
Tämän vuoden helmikuussa Fetch lanseerasi maailman ensimmäisen Web3-natiivisen suuren kielimallin (LLM) - ASI-1 Minin. Mikä on Web3 Native? Yksinkertaisesti sanottuna se integroituu saumattomasti lohkoketjuun, jolloin voit paitsi käyttää tekoälyä, myös sijoittaa, kouluttaa ja omistaa tekoälyä $FET tokenien ja ASI-lompakoiden avulla.
Joten mikä ASI-1 Mini tarkalleen ottaen on?
Se on suuri Agentic AI:lle suunniteltu kielimalli, joka voi koordinoida useita tekoälyagentteja ja käsitellä monimutkaisia monivaiheisia tehtäviä.
Esimerkiksi QBio:n takana oleva ASI-päättelyagentti on osa ASI-1 Miniä. Se ei ainoastaan luokittele rintojen tiheyttä, vaan se myös selittää päätöksentekoprosessin ja ratkaisee tekoälyn "mustan laatikon ongelman". Lisäksi ASI-1 Mini tarvitsee vain kaksi GPU:ta toimiakseen, verrattuna muihin LLM:iin (kuten DeepSeek, joka vaatii 16 H100 GPU:ta), kustannukset ovat erittäin alhaiset, sopivat huolellisille laitoksille
ASI-1 Minin käyttöön Kuinka tarkalleen ottaen
ASI-1 Mini on innovatiivinen ASI-1 Minin suorituskyky on verrattavissa johtavien LLM:ien suorituskykyyn, mutta laitteistokustannukset pienenevät merkittävästi, Siinä on dynaamisia päättelymalleja ja edistyneitä mukautuvia ominaisuuksia tehokkaampaan ja kontekstitietoisempaan päätöksentekoon.
MoM ja MoA
ovat molemmat lyhenteitä, joten älä pelkää, se on yksinkertaista: Mallien sekoitus (MoM), Agenttien sekoitus (MoA).
Kuvittele tekoälyasiantuntijoiden tiimi, joista jokainen keskittyy eri tehtävään, silkkinen ja saumaton. , mikä paitsi parantaa tehokkuutta myös tekee päätöksentekoprosessista avoimemman. Esimerkiksi lääketieteellisessä kuva-analyysissä MoM voi valita yhden mallin, joka on erikoistunut kuvantunnistukseen ja toisen, joka on erikoistunut tekstin tuottamiseen, ja MoA koordinoi näiden kahden mallin tulosta varmistaakseen, että loppuraportti on sekä tarkka että helppolukuinen.
Läpinäkyvyys ja laajennettavuusPerinteiset
LLM:t ovat yleensä "mustia laatikoita", joissa kysyt heiltä kysymyksiä ja he antavat sinulle vastauksia, mutta miksi he vastasivat siihen, anteeksi, ei kommenttia. ASI-1 Mini on erilainen, ja jatkuvalla monivaiheisella päättelyllä se voi kertoa, että valitsin tämän vastauksen näistä syistä, erityisesti lääketieteen alalla, joka on ratkaisevan tärkeä.
ASI-1 Minin kontekstiikkuna on jopa 10 miljoonaa tokenia, se tukee multimodaalisia ominaisuuksia (esim. kuvan- ja videonkäsittely), ja se lanseeraa tulevaisuudessa Cortex-mallisarjan, joka keskittyy huippualoihin, kuten robotiikkaan ja bioteknologiaan.
Laitteiston
tehokkuus Vaikka muut LLM:t vaativat korkeita laitteistokustannuksia, ASI-1 Mini vaatii vain kaksi GPU:ta toimiakseen. Tämä tarkoittaa, että pienelläkin klinikalla on siihen varaa ilman miljoonan dollarin datakeskusta.
Miksi se on niin tehokas? Koska ASI-1 Mini on suunniteltu "vähemmän on enemmän" -filosofialla. Se optimoi algoritmin ja mallin rakenteen maksimoidakseen rajallisten laskentaresurssien käytön. Sitä vastoin muut LLM:t pyrkivät käyttämään suuremman mittakaavan malleja, mikä johtaa merkittävään resurssien kulutukseen.
YhteisölähtöinenToisin kuin
muut suuret kielimallit, ASI-1 Mini on yhteisölähtöinen hajautetun koulutuksen kautta. ASI-1 Mini on porrastettu freemium-tuote $FET haltijoille, jotka voivat muodostaa yhteyden Web3-lompakkoon avatakseen täyden toiminnallisuuden. Mitä enemmän FET-tokeneita sinulla on lompakossasi, sitä enemmän voit tutustua mallin ominaisuuksiin.
Tämä yhteisölähtöinen malli, kuten joukkorahoitus, ei ole muuta kuin tekoälyn ja huipputeknologian koulutusta ja validointia, ei enää vain eliitille, vaan kaikille osallistua.
Nykyään, kun LLM:t ovat suhteellisen kypsiä, miksi sinun täytyy rakentaa ASI-1 Mini yksin? Se on helppo ymmärtää, ja se täyttää aukon, jossa Web3 yhtyy tekoälyyn.
Tällä hetkellä LLM:t (kuten ChatGPT ja Grok) palvelevat pääasiassa keskitettyjä ympäristöjä, ja ASI-1 Mini on ensimmäinen hajautettuihin ekosysteemeihin suunniteltu LLM. Se ei ainoastaan tee tekoälystä läpinäkyvämpää ja tehokkaampaa, vaan sen avulla yhteisön jäsenet voivat myös hyötyä suoraan tekoälyn kasvusta.
ASI-1 Minin ilmaantuminen merkitsee tekoälyn muutosta "mustasta laatikosta" "läpinäkyvyyteen", "keskitetystä "hajautetuksi" ja "työkalusta" "omaisuudeksi". Sillä voi olla rooli paitsi lääketieteen alalla (kuten QBio), myös monilla aloilla, kuten rahoituksessa, oikeudessa ja tieteellisessä tutkimuksessa.
Tässä kuussa Fetch teki yhteistyötä Rivalzin kanssa integroidakseen ASI-1 Minin Rivalzin Agentic Data Coordination System (ADCS) -järjestelmään ketjun sisäisen tekoälyn päättelyä varten. Tämän yhteistyön avulla hajautetut sovellukset voivat käyttää kehittyneitä tekoälypäättelyominaisuuksia suoraan lohkoketjussa.
Perinteiset lohkoketjuympäristöt ovat resurssirajallisia, ja älykkäät sopimukset pystyvät käsittelemään vain kevyitä tehtäviä, usein oraakkelien kautta yksinkertaisten tietojen (kuten hintojen) saamiseksi, eivätkä ne voi suoraan ajaa monimutkaisia tekoälymalleja. ADCS ratkaisee tämän ongelman täydellisesti, sillä monimutkaiset laskelmat tekoälyn päättelyä varten tehdään ketjun ulkopuolella, ja tulokset palautetaan turvallisesti lohkoketjuun, mikä varmistaa hajauttamisen ja luottamuksen.