Menafsirkan model bahasa besar asli Web3 ASI-1 Mini
Temukan QBio, alat AI medis yang berfokus pada klasifikasi kepadatan payudara dan pembuatan laporan transparan. Unggah rontgen yang akan memberi tahu Anda dalam hitungan menit apakah kepadatan payudara adalah A, B, C, atau D, bersama dengan laporan terperinci yang menjelaskan proses pengambilan keputusan.
Dikembangkan oleh Fetch dan Hybrid, QBio hanyalah makanan pembuka, dan bintang sebenarnya adalah ASI-1 Mini.
Fetch adalah proyek yang sangat tua, pada tahun-tahun ketika Defi menempati perhatian seluruh pasar, Fetch berfokus pada AI + Crypto, dan telah berfokus pada pengembangan dan penerapan teknologi umum Agen multi-model.
Apa itu ASI-1 Mini
Pada bulan Februari tahun ini, Fetch meluncurkan model bahasa besar (LLM) asli Web3 pertama di dunia - ASI-1 Mini. Apa itu Web3 Native? Sederhananya, ini terintegrasi secara mulus dengan blockchain, memungkinkan Anda tidak hanya menggunakan AI, tetapi juga berinvestasi, melatih, dan memiliki AI melalui token $FET dan dompet ASI.
Jadi apa sebenarnya ASI-1 Mini itu?
Ini adalah model bahasa besar yang dirancang untuk Agentic AI, yang dapat mengoordinasikan beberapa agen AI dan menangani tugas multi-langkah yang kompleks.
Misalnya, agen inferensi ASI di belakang QBio adalah bagian dari ASI-1 Mini. Tidak hanya mengklasifikasikan kepadatan payudara, tetapi juga menjelaskan proses pengambilan keputusan dan memecahkan "masalah kotak hitam" AI. Terlebih lagi, ASI-1 Mini hanya membutuhkan dua GPU untuk berjalan, dibandingkan dengan LLM lain (seperti DeepSeek, yang membutuhkan 16 GPU H100), biayanya sangat rendah, cocok untuk institusi yang berhati-hati untuk menggunakan
ASI-1 Mini Bagaimana tepatnya
ASI-1 Mini inovatif Kinerja ASI-1 Mini sebanding dengan LLM terkemuka, tetapi biaya perangkat kerasnya berkurang secara signifikan, Ini menampilkan pola inferensi dinamis dan kemampuan adaptif tingkat lanjut untuk pengambilan keputusan yang lebih efisien dan sadar konteks.
MoM dan MoA
sama-sama akronim, jadi jangan takut, sederhana saja: Campuran Model (MoM), Campuran Agen (MoA).
Bayangkan tim ahli AI, masing-masing berfokus pada tugas yang berbeda, halus dan mulus. , yang tidak hanya meningkatkan efisiensi, tetapi juga membuat proses pengambilan keputusan lebih transparan. Misalnya, dalam analisis gambar medis, MoM mungkin memilih satu model yang berspesialisasi dalam pengenalan gambar dan yang lain yang berspesialisasi dalam pembuatan teks, dan MoA mengoordinasikan output dari kedua model untuk memastikan bahwa laporan akhir akurat dan mudah dibaca.
Transparansi dan ekstensibilitasLLM tradisional
cenderung menjadi "kotak hitam" di mana Anda mengajukan pertanyaan kepada mereka dan mereka memberi Anda jawaban, tetapi mengapa mereka menjawabnya, maaf, tidak ada komentar. ASI-1 Mini berbeda, dan dengan penalaran multi-langkah yang berkelanjutan, itu dapat memberi tahu Anda bahwa saya memilih jawaban ini karena alasan ini, terutama di bidang medis, yang sangat penting.
ASI-1 Mini akan memiliki jendela konteks hingga 10 juta token, mendukung kemampuan multimoda (misalnya, pemrosesan gambar dan video), dan akan meluncurkan serangkaian model Cortex di masa depan, dengan fokus pada bidang mutakhir seperti robotika dan bioteknologi.
Efisiensi Perangkat
KerasSementara LLM lain membutuhkan biaya perangkat keras yang tinggi, ASI-1 Mini hanya membutuhkan dua GPU untuk berjalan. Ini berarti bahwa bahkan klinik kecil pun mampu membelinya, tanpa memerlukan pusat data jutaan dolar.
Mengapa begitu efisien? Karena ASI-1 Mini dirancang dengan filosofi "less is more". Ini mengoptimalkan algoritma dan struktur model untuk memaksimalkan penggunaan sumber daya komputasi yang terbatas. Sebaliknya, LLM lain cenderung mengejar model skala besar, menghasilkan konsumsi sumber daya yang signifikan.
Digerakkan oleh komunitasTidak seperti
model bahasa besar lainnya, ASI-1 Mini digerakkan oleh komunitas melalui pelatihan terdesentralisasi. ASI-1 Mini adalah produk freemium berjenjang untuk pemegang $FET yang dapat terhubung ke dompet Web3 untuk membuka fungsionalitas penuh. Semakin banyak token FET yang Anda pegang di dompet Anda, semakin banyak Anda dapat menjelajahi kemampuan model tersebut.
Model yang digerakkan oleh komunitas ini, seperti crowdfunding, tidak lebih dari pelatihan dan validasi kecerdasan buatan, teknologi tinggi, tidak lagi hanya untuk elit, tetapi untuk diikuti semua orang.
Saat ini, ketika LLM relatif matang, mengapa Anda perlu membuat ASI-1 Mini sendirian? Mudah dipahami, dan mengisi celah di mana Web3 menyatu dengan AI.
Saat ini, LLM (seperti ChatGPT dan Grok) terutama melayani lingkungan terpusat, dan ASI-1 Mini adalah LLM pertama yang dirancang untuk ekosistem terdesentralisasi. Tidak hanya membuat AI lebih transparan dan efisien, tetapi juga memungkinkan anggota komunitas untuk mendapatkan manfaat langsung dari pertumbuhan AI.
Munculnya ASI-1 Mini menandai transformasi AI dari "kotak hitam" menjadi "transparansi", dari "terpusat" menjadi "terdesentralisasi", dan dari "alat" menjadi "aset". Ini dapat berperan tidak hanya di bidang medis (seperti QBio), tetapi juga di banyak bidang seperti keuangan, hukum, dan penelitian ilmiah.
Bulan ini, Fetch bermitra dengan Rivalz untuk mengintegrasikan ASI-1 Mini ke dalam Agentic Data Coordination System (ADCS) Rivalz untuk inferensi AI on-chain. Dengan kolaborasi ini, aplikasi terdesentralisasi dapat mengakses kemampuan inferensi AI tingkat lanjut langsung di blockchain.
Lingkungan blockchain tradisional terbatas sumber daya, dan kontrak pintar hanya dapat menangani tugas-tugas ringan, seringkali melalui oracle untuk mendapatkan data sederhana (seperti harga), dan tidak dapat secara langsung menjalankan model AI yang kompleks. ADCS memecahkan masalah ini dengan sempurna, dengan komputasi kompleks untuk inferensi AI dilakukan secara off-chain, dan hasilnya dikembalikan dengan aman ke blockchain, memastikan desentralisasi dan kepercayaan.