Інтерпретація Web3 рідної великої мовної моделі ASI-1 Mini
Відкрийте для себе QBio, медичний інструмент штучного інтелекту, який зосереджується на класифікації щільності молочної залози та генерації прозорих звітів. Завантажте рентгенівський знімок, який за кілька хвилин повідомить вам, чи є щільність грудей A, B, C або D, разом із детальним звітом, що пояснює процес прийняття рішень.
Розроблений компаніями Fetch і Hybrid, QBio - це просто закуска, а справжньою зіркою є ASI-1 Mini.
Fetch - це дуже старий проект, в роки, коли Defi займав увагу всього ринку, Fetch зосередився на AI + Crypto, і зосередився на розробці та застосуванні загальної технології мультимодельного Agent.
Що таке ASI-1 Mini
У лютому цього року компанія Fetch запустила першу в світі модель великої мови (LLM) у стилі Web3 - ASI-1 Mini. Що таке Web3 Native? Простіше кажучи, він легко інтегрується з блокчейном, дозволяючи вам не тільки використовувати штучний інтелект, але й інвестувати, навчати та володіти штучним інтелектом за допомогою $FET токенів і гаманців ASI.
Так що ж таке ASI-1 Mini?
Це велика мовна модель, розроблена для Agentic AI, яка може координувати кілька агентів штучного інтелекту та виконувати складні багатоетапні завдання.
Наприклад, агент логічного висновку ASI, що лежить в основі QBio, є частиною ASI-1 Mini. Він не тільки класифікує щільність грудей, але й пояснює процес прийняття рішень і вирішує «проблему чорного ящика» штучного інтелекту. Більше того, для роботи ASI-1 Mini потрібні лише два графічні процесори, порівняно з іншими LLM (такими як DeepSeek, який вимагає 16 графічних процесорів H100), вартість дуже низька, підходить для обережних установ щодо використання
ASI-1 Mini Як саме
ASI-1 Mini інноваційний Продуктивність ASI-1 Mini порівнянна з продуктивністю провідних LLM, але вартість обладнання значно знижується, Він має динамічні шаблони висновків і розширені адаптивні можливості для більш ефективного та контекстно-залежного прийняття рішень.
MoM і MoA
- це абревіатури, тому не бійтеся, все просто: Суміш моделей (MoM), Суміш агентів (MoA).
Уявіть собі команду експертів зі штучного інтелекту, кожен з яких зосереджений на різних завданнях, шовковистих і бездоганних. , що не тільки підвищує ефективність, але і робить процес прийняття рішень більш прозорим. Наприклад, у медичному аналізі зображень MoM може вибрати одну модель, яка спеціалізується на розпізнаванні зображень, та іншу, яка спеціалізується на генерації тексту, і MoA координує вихідні дані двох моделей, щоб гарантувати, що остаточний звіт є точним і легким для читання.
Прозорість і розширюваністьТрадиційні
LLM, як правило, є «чорними ящиками», де ви задаєте їм питання, і вони дають вам відповіді, але чому вони відповіли на це, вибачте, без коментарів. ASI-1 Mini відрізняється, і при безперервних багатоетапних міркуваннях він може сказати вам, що я вибрав цю відповідь з цих причин, особливо в медичній сфері, яка має вирішальне значення.
ASI-1 Mini матиме контекстне вікно до 10 мільйонів токенів, підтримуватиме мультимодальні можливості (наприклад, обробку зображень і відео), а в майбутньому запустить серію моделей Cortex, зосередившись на передових галузях, таких як робототехніка та біотехнології.
Ефективність апаратного
забезпеченняУ той час як інші LLM вимагають високих витрат на обладнання, ASI-1 Mini вимагає лише двох графічних процесорів для роботи. Це означає, що навіть невелика клініка може собі це дозволити, не потребуючи дата-центру за мільйон доларів.
Чому він такий ефективний? Тому що ASI-1 Mini розроблений з філософією «менше означає більше». Він оптимізує алгоритм і структуру моделі для максимального використання обмежених обчислювальних ресурсів. На противагу цьому, інші LLM мають тенденцію використовувати більш масштабні моделі, що призводить до значного споживання ресурсів.
Керований спільнотоюНа відміну від
інших великих мовних моделей, ASI-1 Mini керується спільнотою за допомогою децентралізованого навчання. ASI-1 Mini — це багаторівневий безкоштовний продукт для власників $FET, які можуть підключитися до гаманця Web3 для розблокування повної функціональності. Чим більше токенів FET ви тримаєте у своєму гаманці, тим більше ви можете вивчити можливості моделі.
Ця модель, керована спільнотою, як і краудфандинг, є нічим іншим, як навчанням та валідацією штучного інтелекту, високотехнологічного, вже не лише для еліти, а й для всіх, у кому можна взяти участь.
Сьогодні, коли LLM є відносно зрілими, чому вам потрібно створювати ASI-1 Mini самостійно? Це легко зрозуміти, і це заповнює прогалину там, де Web3 сходиться зі штучним інтелектом.
В даний час LLM (такі як ChatGPT і Grok) в основному обслуговують централізовані середовища, а ASI-1 Mini є першим LLM, розробленим для децентралізованих екосистем. Це не тільки робить штучний інтелект більш прозорим і ефективним, але й дозволяє членам спільноти отримувати безпосередню вигоду від зростання штучного інтелекту.
Поява ASI-1 Mini знаменує трансформацію ШІ з «чорного ящика» до «прозорості», від «централізованого» до «децентралізованого», а також від «інструменту» до «активу». Він може відігравати певну роль не тільки в медичній сфері (наприклад, QBio), але й у багатьох галузях, таких як фінанси, право та наукові дослідження.
Цього місяця Fetch співпрацює з Rivalz, щоб інтегрувати ASI-1 Mini в агентну систему координації даних (ADCS) Rivalz для висновків штучного інтелекту в ланцюжку. Завдяки цій співпраці децентралізовані програми можуть отримати доступ до розширених можливостей висновків штучного інтелекту безпосередньо в блокчейні.
Традиційні блокчейн-середовища обмежені в ресурсах, і смарт-контракти можуть обробляти лише легкі завдання, часто за допомогою оракулів для отримання простих даних (таких як ціни), і не можуть безпосередньо запускати складні моделі штучного інтелекту. ADCS ідеально вирішує цю проблему, завдяки складним обчисленням для висновків штучного інтелекту вони виконуються поза ланцюгом, а результати безпечно повертаються в блокчейн, забезпечуючи децентралізацію та довіру.