Tolken van het Web3 native large language model ASI-1 Mini

Ontdek QBio, een medische AI-tool die zich richt op classificatie van borstdichtheid en het genereren van transparante rapporten. Upload een röntgenfoto die u binnen enkele minuten vertelt of de dichtheid van de borst A, B, C of D is, samen met een gedetailleerd rapport waarin het besluitvormingsproces wordt uitgelegd.

De QBio, ontwikkeld door Fetch en Hybrid, is slechts een voorgerecht, en de echte ster is de ASI-1 Mini.

Fetch is een heel oud project, in de jaren dat Defi de aandacht van de hele markt trok, richtte Fetch zich op AI + Crypto en richtte het zich op de ontwikkeling en toepassing van algemene technologie van multi-model Agent.

Wat is ASI-1 Mini

In februari van dit jaar lanceerde Fetch 's werelds eerste Web3-native large language model (LLM) - ASI-1 Mini. Wat is Web3 Native? Simpel gezegd, het integreert naadloos met de blockchain, waardoor u niet alleen AI kunt gebruiken, maar ook AI kunt investeren, trainen en bezitten via $FET tokens en ASI-portefeuilles.

Dus wat is de ASI-1 Mini precies?

Het is een groot taalmodel dat is ontworpen voor Agentic AI, dat meerdere AI-agents kan coördineren en complexe taken met meerdere stappen kan uitvoeren.

De ASI-inferentieagent achter QBio maakt bijvoorbeeld deel uit van de ASI-1 Mini. Het classificeert niet alleen de borstdichtheid, maar het legt ook het besluitvormingsproces uit en lost het AI 'black box-probleem' op. Bovendien heeft de ASI-1 Mini slechts twee GPU's nodig om te draaien, in vergelijking met andere LLM's (zoals DeepSeek, waarvoor 16 H100 GPU's nodig zijn), de kosten zijn erg laag, geschikt voor zorgvuldige instellingen om

ASI-1 Mini

is ASI-1 Mini precies innovatief De prestaties van ASI-1 Mini zijn vergelijkbaar met die van toonaangevende LLM's, maar de hardwarekosten zijn aanzienlijk verlaagd, Het beschikt over dynamische deductiepatronen en geavanceerde adaptieve mogelijkheden voor efficiëntere en contextbewuste besluitvorming.

MoM en MoA

zijn beide afkortingen, dus wees niet bang, het is simpel: Mixture of Models (MoM), Mixture of Agents (MoA).

Stel je een team van AI-experts voor, elk gericht op een andere taak, zijdezacht en naadloos. , wat niet alleen de efficiëntie verbetert, maar ook het besluitvormingsproces transparanter maakt. Bij medische beeldanalyse kan het MoM bijvoorbeeld het ene model kiezen dat gespecialiseerd is in beeldherkenning en het andere dat gespecialiseerd is in het genereren van tekst, en het MoA coördineert de output van de twee modellen om ervoor te zorgen dat het eindrapport zowel nauwkeurig als gemakkelijk te lezen is.

Transparantie en uitbreidbaarheidTraditionele

LLM's zijn meestal "zwarte dozen" waar je ze vragen stelt en ze je antwoorden geven, maar waarom ze dat hebben beantwoord, sorry, geen commentaar. De ASI-1 Mini is anders, en met continu redeneren in meerdere stappen kan het je vertellen dat ik dit antwoord om deze redenen heb gekozen, vooral op medisch gebied, wat cruciaal is.

De ASI-1 Mini zal een contextvenster hebben van maximaal 10 miljoen tokens, multimodale mogelijkheden ondersteunen (bijv. beeld- en videoverwerking) en zal in de toekomst een Cortex-reeks modellen lanceren, gericht op geavanceerde gebieden zoals robotica en biotechnologie.

Hardware-efficiëntieTerwijl andere LLM's hoge hardwarekosten vereisen, heeft de ASI-1 Mini slechts twee GPU's nodig om te draaien. Dit betekent dat zelfs een kleine kliniek het zich kan veroorloven, zonder dat er een datacenter van een miljoen dollar nodig is.

Waarom is het zo efficiënt? Want de ASI-1 Mini is ontworpen met de filosofie van "less is more". Het optimaliseert het algoritme en de modelstructuur om het gebruik van beperkte computerbronnen te maximaliseren. Andere LLM's daarentegen hebben de neiging om modellen op grotere schaal na te streven, wat resulteert in een aanzienlijk verbruik van hulpbronnen.

In tegenstelling tot

andere grote taalmodellen wordt de ASI-1 Mini door de gemeenschap aangestuurd door middel van gedecentraliseerde training. ASI-1 Mini is een gelaagd freemium-product voor $FET houders die verbinding kunnen maken met een Web3-portemonnee om volledige functionaliteit te ontgrendelen. Hoe meer FET-tokens u in uw portemonnee heeft, hoe meer u de mogelijkheden van het model kunt verkennen.

Dit community-gedreven model is, net als crowdfunding, niets meer dan het trainen en valideren van kunstmatige intelligentie, hightech, niet langer alleen voor de elite, maar voor iedereen om aan deel te nemen.

Tegenwoordig, wanneer LLM's relatief volwassen zijn, waarom moet je dan alleen een ASI-1 Mini bouwen? Het is gemakkelijk te begrijpen en het vult het gat waar Web3 samenkomt met AI.

Op dit moment bedienen LLM's (zoals ChatGPT en Grok) voornamelijk gecentraliseerde omgevingen, en ASI-1 Mini is de eerste LLM die is ontworpen voor gedecentraliseerde ecosystemen. Het maakt AI niet alleen transparanter en efficiënter, maar het stelt leden van de gemeenschap ook in staat om direct te profiteren van de groei van AI.

De opkomst van ASI-1 Mini markeert de transformatie van AI van "black box" naar "transparantie", van "gecentraliseerd" naar "gedecentraliseerd" en van "tool" naar "asset". Het kan niet alleen een rol spelen op medisch gebied (zoals QBio), maar ook op veel gebieden, zoals financiën, recht en wetenschappelijk onderzoek.

Deze maand werkte Fetch samen met Rivalz om de ASI-1 Mini te integreren in het Agentic Data Coordination System (ADCS) van Rivalz voor on-chain AI-inferentie. Met deze samenwerking hebben gedecentraliseerde applicaties rechtstreeks op de blockchain toegang tot geavanceerde AI-inferentiemogelijkheden.

Traditionele blockchain-omgevingen zijn beperkt in middelen en slimme contracten kunnen alleen lichtgewicht taken aan, vaak via orakels om eenvoudige gegevens (zoals prijzen) te verkrijgen, en kunnen geen complexe AI-modellen rechtstreeks uitvoeren. ADCS lost dit probleem perfect op, waarbij complexe berekeningen voor AI-inferentie off-chain worden uitgevoerd en de resultaten veilig worden teruggestuurd naar de blockchain, wat decentralisatie en vertrouwen garandeert.