Web3 yerel büyük dil modeli ASI-1 Mini'yi yorumlama
Meme yoğunluğu sınıflandırmasına ve şeffaf rapor oluşturmaya odaklanan tıbbi bir yapay zeka aracı olan QBio'yu keşfedin. Meme yoğunluğunun A, B, C veya D olup olmadığını dakikalar içinde size söyleyecek bir röntgen ve karar verme sürecini açıklayan ayrıntılı bir rapor yükleyin.
Fetch ve Hybrid tarafından geliştirilen QBio sadece bir mezedir ve gerçek yıldız ASI-1 Mini'dir.
Fetch çok eski bir projedir, DeFi'nin tüm pazarın dikkatini çektiği yıllarda, Fetch AI + Crypto'ya odaklanmıştır ve çok modelli Agent'ın genel teknolojisinin geliştirilmesi ve uygulanmasına odaklanmaktadır.
ASI-1 Mini Nedir
Bu yılın Şubat ayında Fetch, dünyanın ilk Web3 yerel büyük dil modeli (LLM) olan ASI-1 Mini'yi piyasaya sürdü. Web3 Native nedir? Basitçe söylemek gerekirse, blok zinciri ile sorunsuz bir şekilde entegre olur ve yalnızca yapay zekayı kullanmanıza değil, aynı zamanda $FET tokenleri ve ASI cüzdanları aracılığıyla yapay zekaya yatırım yapmanıza, eğitmenize ve sahip olmanıza olanak tanır.
Peki ASI-1 Mini tam olarak nedir?
Birden çok AI aracısını koordine edebilen ve karmaşık çok adımlı görevleri yerine getirebilen Agentic AI için tasarlanmış büyük bir dil modelidir.
Örneğin, QBio'nun arkasındaki ASI çıkarım aracısı, ASI-1 Mini'nin bir parçasıdır. Sadece meme yoğunluğunu sınıflandırmakla kalmaz, aynı zamanda karar verme sürecini açıklar ve yapay zekanın "kara kutu sorununu" çözer. Dahası, ASI-1 Mini'nin çalışması için yalnızca iki GPU'ya ihtiyacı vardır, diğer LLM'lere kıyasla (16 H100 GPU gerektiren DeepSeek gibi), maliyet çok düşüktür, dikkatli kurumların ASI-1 Mini'yi kullanması için uygundur
ASI-1 Mini tam olarak nasıl yenilikçidir
ASI-1 Mini'nin performansı, önde gelen LLM'lerinkiyle karşılaştırılabilir, ancak donanım maliyeti önemli ölçüde azalır, Daha verimli ve bağlama duyarlı karar verme için dinamik çıkarım desenlerine ve gelişmiş uyarlanabilir yeteneklere sahiptir.
MoM ve MoA'nın
her ikisi de kısaltmadır, bu yüzden korkmayın, basit: Modellerin Karışımı (MoM), Ajanların Karışımı (MoA).
Her biri farklı bir göreve odaklanmış, ipeksi ve kusursuz bir yapay zeka uzmanlarından oluşan bir ekip hayal edin. , bu sadece verimliliği artırmakla kalmaz, aynı zamanda karar verme sürecini daha şeffaf hale getirir. Örneğin, tıbbi görüntü analizinde, Bakanlık, görüntü tanıma konusunda uzmanlaşmış bir model ve metin oluşturma konusunda uzmanlaşmış diğerini seçebilir ve MoA, nihai raporun hem doğru hem de okunması kolay olmasını sağlamak için iki modelin çıktısını koordine eder.
Şeffaflık ve genişletilebilirlikGeleneksel
LLM'ler, onlara sorular sorduğunuz ve size cevaplar verdikleri "kara kutular" olma eğilimindedir, ancak bunu neden yanıtladılar, üzgünüm, yorum yok. ASI-1 Mini farklıdır ve sürekli çok adımlı akıl yürütme ile, özellikle tıp alanında çok önemli olan bu nedenlerle bu cevabı seçtiğimi söyleyebilir.
ASI-1 Mini, 10 milyona kadar tokenden oluşan bir bağlam penceresine sahip olacak, çok modlu yetenekleri (örneğin, görüntü ve video işleme) destekleyecek ve gelecekte robotik ve biyoteknoloji gibi en yeni alanlara odaklanan bir Cortex serisi model başlatacak.
Donanım VerimliliğiDiğer
LLM'ler yüksek donanım maliyetleri gerektirirken, ASI-1 Mini'nin çalışması için yalnızca iki GPU gerekir. Bu, küçük bir kliniğin bile milyon dolarlık bir veri merkezine ihtiyaç duymadan bunu karşılayabileceği anlamına gelir.
Neden bu kadar verimli? Çünkü ASI-1 Mini, "az ama öz" felsefesi ile tasarlanmıştır. Sınırlı bilgi işlem kaynaklarının kullanımını en üst düzeye çıkarmak için algoritma ve model yapısını optimize eder. Buna karşılık, diğer LLM'ler daha büyük ölçekli modelleri takip etme eğilimindedir ve bu da önemli kaynak tüketimine neden olur.
Topluluk odaklıDiğer
büyük dil modellerinden farklı olarak ASI-1 Mini, merkezi olmayan eğitim yoluyla topluluk odaklıdır. ASI-1 Mini, tam işlevselliğin kilidini açmak için bir Web3 cüzdanına bağlanabilen $FET sahipleri için katmanlı bir freemium ürünüdür. Cüzdanınızda ne kadar çok FET jetonu tutarsanız, modelin yeteneklerini o kadar çok keşfedebilirsiniz.
Bu topluluk odaklı model, kitle fonlaması gibi, yapay zekayı, yüksek teknolojiyi artık sadece seçkinler için değil, herkesin katılması için eğitmek ve doğrulamaktan başka bir şey değildir.
Bugün, LLM'ler nispeten olgunlaştığında, neden tek başına bir ASI-1 Mini inşa etmeniz gerekiyor? Anlaşılması kolaydır ve Web3'ün yapay zeka ile birleştiği boşluğu doldurur.
Şu anda, LLM'ler (ChatGPT ve Grok gibi) esas olarak merkezi ortamlara hizmet vermektedir ve ASI-1 Mini, merkezi olmayan ekosistemler için tasarlanmış ilk LLM'dir. Yapay zekayı yalnızca daha şeffaf ve verimli hale getirmekle kalmaz, aynı zamanda topluluk üyelerinin yapay zekanın büyümesinden doğrudan yararlanmasına da olanak tanır.
ASI-1 Mini'nin ortaya çıkışı, yapay zekanın "kara kutu"dan "şeffaflığa", "merkezi"den "merkezi olmayan"a ve "araç"tan "varlığa" dönüşümünü işaret ediyor. Sadece tıp alanında (QBio gibi) değil, finans, hukuk ve bilimsel araştırma gibi birçok alanda da rol oynayabilir.
Bu ay Fetch, zincir üstü yapay zeka çıkarımı için ASI-1 Mini'yi Rivalz'in Aracılı Veri Koordinasyon Sistemine (ADCS) entegre etmek için Rivalz ile ortaklık kurdu. Bu iş birliği ile merkezi olmayan uygulamalar, doğrudan blok zinciri üzerinde gelişmiş AI çıkarım yeteneklerine erişebilir.
Geleneksel blok zinciri ortamları kaynak kısıtlıdır ve akıllı sözleşmeler, genellikle basit veriler (fiyatlar gibi) elde etmek için oracle'lar aracılığıyla yalnızca hafif görevleri yerine getirebilir ve karmaşık yapay zeka modellerini doğrudan çalıştıramaz. ADCS, yapay zeka çıkarımı için karmaşık hesaplamaların zincir dışı yapılmasıyla bu sorunu mükemmel bir şekilde çözer ve sonuçlar güvenli bir şekilde blok zincirine geri gönderilerek ademi merkeziyetçilik ve güven sağlanır.