Tolkning av Web3:s inbyggda stora språkmodell ASI-1 Mini
Upptäck QBio, ett medicinskt AI-verktyg som fokuserar på klassificering av bröstdensitet och transparent rapportgenerering. Ladda upp en röntgenbild som inom några minuter talar om för dig om bröstets densitet är A, B, C eller D, tillsammans med en detaljerad rapport som förklarar beslutsprocessen.
QBio är utvecklad av Fetch och Hybrid och är bara en aptitretare, och den verkliga stjärnan är ASI-1 Mini.
Fetch är ett mycket gammalt projekt, under de år då Defi upptog hela marknadens uppmärksamhet, fokuserade Fetch på AI + Crypto, och har fokuserat på utveckling och tillämpning av allmän teknik för multimodell Agent.
Vad är ASI-1 Mini
I februari i år lanserade Fetch världens första Web3-native large language model (LLM) - ASI-1 Mini. Vad är Web3 Native? Enkelt uttryckt integreras den sömlöst med blockkedjan, vilket gör att du inte bara kan använda AI, utan också investera, träna och äga AI genom $FET tokens och ASI-plånböcker.
Så vad är ASI-1 Mini egentligen?
Det är en stor språkmodell designad för Agentic AI, som kan koordinera flera AI-agenter och hantera komplexa uppgifter i flera steg.
Till exempel är ASI-inferensagenten bakom QBio en del av ASI-1 Mini. Den klassificerar inte bara brösttätheten, utan förklarar också beslutsprocessen och löser problemet med AI:s "svarta låda". Dessutom behöver ASI-1 Mini bara två GPU:er för att köras, jämfört med andra LLM:er (som DeepSeek, som kräver 16 H100 GPU:er), kostnaden är mycket låg, lämplig för noggranna institutioner att använda
ASI-1 Mini Hur exakt är
ASI-1 Mini innovativ Prestandan hos ASI-1 Mini är jämförbar med den för ledande LLM:er, men hårdvarukostnaden minskar avsevärt, Den har dynamiska inferensmönster och avancerade anpassningsfunktioner för effektivare och mer kontextmedvetet beslutsfattande.
MoM och MoA
är båda akronymer, så var inte rädd, det är enkelt: Mixture of Models (MoM), Mixture of Agents (MoA).
Föreställ dig ett team av AI-experter, var och en fokuserad på en annan uppgift, silkeslen och sömlös. , vilket inte bara förbättrar effektiviteten utan också gör beslutsprocessen mer transparent. Till exempel, inom medicinsk bildanalys, kan MoM välja en modell som är specialiserad på bildigenkänning och den andra som är specialiserad på textgenerering, och MoA samordnar utdata från de två modellerna för att säkerställa att slutrapporten är både korrekt och lätt att läsa.
Transparens och utbyggbarhetTraditionella
LLM:er tenderar att vara "svarta lådor" där du ställer frågor till dem och de ger dig svar, men varför de svarade på det, tyvärr, ingen kommentar. ASI-1 Mini är annorlunda, och med kontinuerligt resonemang i flera steg kan den berätta att jag valde det här svaret av dessa skäl, särskilt inom det medicinska området, vilket är avgörande.
ASI-1 Mini kommer att ha ett kontextfönster på upp till 10 miljoner tokens, stödja multimodala funktioner (t.ex. bild- och videobehandling) och kommer att lansera en Cortex-serie av modeller i framtiden, med fokus på banbrytande områden som robotik och bioteknik.
HårdvarueffektivitetMedan
andra LLM:er kräver höga hårdvarukostnader, kräver ASI-1 Mini endast två GPU:er för att köras. Det betyder att även en liten klinik har råd med det, utan behov av ett datacenter på en miljon dollar.
Varför är det så effektivt? Eftersom ASI-1 Mini är designad med filosofin "less is more". Den optimerar algoritmen och modellstrukturen för att maximera användningen av begränsade datorresurser. Däremot tenderar andra LLM:er att sträva efter modeller i större skala, vilket resulterar i betydande resursförbrukning.
Till skillnad
frånandra stora språkmodeller är ASI-1 Mini community-driven genom decentraliserad utbildning. ASI-1 Mini är en tiered freemium-produkt för $FET-innehavare som kan ansluta till en Web3-plånbok för att låsa upp full funktionalitet. Ju fler FET-tokens du har i din plånbok, desto mer kan du utforska modellens möjligheter.
Denna community-drivna modell, som crowdfunding, är inget annat än träning och validering av artificiell intelligens, högteknologisk, inte längre bara för eliten, utan för alla att delta i.
Idag, när LLM:er är relativt mogna, varför behöver du bygga en ASI-1 Mini ensam? Det är lätt att förstå, och det fyller luckan där Web3 konvergerar med AI.
För närvarande betjänar LLM:er (som ChatGPT och Grok) huvudsakligen centraliserade miljöer, och ASI-1 Mini är den första LLM designad för decentraliserade ekosystem. Det gör inte bara AI mer transparent och effektivt, utan det gör det också möjligt för communitymedlemmar att direkt dra nytta av AI:s tillväxt.
Framväxten av ASI-1 Mini markerar omvandlingen av AI från "svart låda" till "transparens", från "centraliserad" till "decentraliserad" och från "verktyg" till "tillgång". Det kan spela en roll inte bara inom det medicinska området (som QBio), utan också inom många områden som ekonomi, juridik och vetenskaplig forskning.
Den här månaden samarbetade Fetch med Rivalz för att integrera ASI-1 Mini i Rivalz Agentic Data Coordination System (ADCS) för AI-inferens på kedjan. Med detta samarbete kan decentraliserade applikationer få tillgång till avancerade AI-inferensfunktioner direkt på blockkedjan.
Traditionella blockkedjemiljöer är resursbegränsade och smarta kontrakt kan endast hantera lätta uppgifter, ofta genom orakel för att få enkla data (t.ex. priser), och kan inte direkt köra komplexa AI-modeller. ADCS löser detta problem perfekt, med komplexa beräkningar för AI-inferens som görs utanför kedjan, och resultaten returneras säkert till blockkedjan, vilket säkerställer decentralisering och förtroende.