近日，NEAR創始人@ilblackdragon將亮相英偉達AI大會的消息，讓NEAR公鏈賺足了眼球，市場價格走勢也喜人。 網友疑惑，NEAR鏈不是All in在做鏈抽象么，怎么莫名其妙就成了AI頭部公鏈了？接下來，分享下我的觀察，順帶科普下一些AI模型訓練知識：

1）NEAR創始人Illia Polosukhin擁有過寶貴時間的AI背景，是Transformer架構的共同構建者。而Transformer架構是如今LLM大型語言模型訓練ChatGPT的架構基礎，證明NEAR老板在成立之前NEAR確實有AI大型模型系統的創建和領導經驗。

2）NRAR 曾在 NEARCON 2023 上推出過 NEAR Tasks，目標是為了進行人工智能模型的訓練和改進，簡單來說，模型訓練需求方（Vendor）可以在平臺發布任務請求，并基礎上傳數據素材，用戶（Tasker）可以參與進行任務答題，為數據進行文字標記和圖像識別等人工操作。任務完成后，平臺會給用戶NEAR代幣獎勵，而這些經過人工標記的數據會被用于訓練相應的AI模型。

例如：AI模型需要提高識別圖片中物體的能力，供應商可以將大量圖片中帶有不同物體的原始圖片上傳到任務平臺，然后用戶手動標注圖片上物體位置，就可以生成大量“圖片-物體位置” ”的數據，AI就可以利用這些來自主學習的數據來提高圖片識別能力。

乍一聽，NEAR Tasks不就是想社會化人工工程來為AI模型做基礎服務嘛，真有那么重要嗎？這里加一點關于AI模型的科普知識。

通常情況下，一次完整的AI模型訓練，包括數據采集、數據標注和標注、模型設計與訓練、模型調優、調整、模型驗證測試、模型部署、模型監控與更新等過程，其中數據標注和重建為人工部分，而模型與優化為機器部分。

顯然，大多數人理解的機器部分要明顯大于人工部分，畢竟視野更高科技一些，但實際情況下，人工標注在整個模型訓練中至關重要。

人工標注可以為圖像中的對象（人、地點、事物）等添加標簽，供計算機視覺提升模型學習；人工標注還可將語音中的內容轉化為文本，并標注特定音節、單詞單詞等幫助計算機進行語音識別模型訓練；人工標注還可以給文本添加一些快樂、悲傷、憤怒等情感標簽，讓人工智能增強情感分析技能等等。

不難看出，人工標記是機器開展深度學習模型的基礎，沒有高質量的高效標記數據，模型就無法學習，如果標記數據量不夠大，模型成績會獲得提高。

目前，AI微創領域有很多基于ChatGPT大模型進行二次校準或針對性的垂直方向，本質上都是在OpenAI的數據基礎上，另外增加新的數據源尤其是人工標注數據來施展模型訓練。

比如，醫療公司想基于醫學影像AI做模型訓練，為醫院提供一套在線AI問診服務，只需要將大量的原始醫學影像數據上傳到任務平臺，然后讓用戶去標注并完成任務，就產生了人工標注數據，再將這些數據對ChatGPT大模型進行偏差和優化，一定會讓這個通用AI工具變成垂直領域的專家。

，NEAR 簡單依靠任務平臺，就想成為 AI 公鏈龍頭顯然還不夠，NEAR 其實還在生態系統中進行 AI 代理服務，用來自動執行用戶一切鏈上行為和操作不過，用戶只需授權就可以自由在市場中買賣資產。這有點類似以意圖為中心，用AI自動化來提升用戶鏈上體驗交互。除此之外，NEAR強大的DA能力可以增強在AI數據來源的可追溯性上發揮作用，追蹤AI模型訓練數據有效性和真實性。

總之，背靠高性能的鏈功能，近乎做AI方向的技術延展和敘述引導，似乎單純的鏈抽象要隱形覺厲多了。

半個月我在分析NRAR鏈抽象時，就看到了近鏈性能+團隊超強的web2資源整合能力的優勢，萬萬沒想到，鏈抽象還沒有普及開來摘到果子，這波AI賦能再一次把想象力放大了。

注：長期關注還是得看NEAR在“鏈抽象”上的布局和產品推進，AI會是個不錯的加分項和牛市催化劑！#NEAR

熱點：公鏈 AI