NEAR突破8美元，它為什麼能搭上AI順風車？

最近，NEAR founder @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。不少朋友疑惑，NEAR 鏈不是 All in 在做鏈抽象麼，怎麼莫名其妙就成了 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 有過較長時間的 AI 背景，是 Transformer 架構的共同構建者。而 Transformer 架構是如今 LLMs 大型語言模型訓練 ChatGPT 的基礎架構，足以證明 NEAR 老闆在成立 NEAR 前確實有 AI 大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慧模型的的訓練和改進，簡單來說，模型訓練需求方（Vendor）可以在平台發布任務請求，並上傳基礎數據素材，用戶（Tasker）可以參與進行任務答題，為數據進行文本標註和圖像識別等人工操作。任務完成後，平台會給用戶 NEAR 代幣獎勵，而這些經過人工標註的數據會被用於訓練相應的 AI 模型。

比如：AI 模型需要提高識別圖片中物體的能力，Vendor 可以將大量圖片中帶有不同物體的原始圖片上傳到 Tasks 平台，然後用戶手動標註圖片上上物體位置，就可以生成大量「圖片 - 物體位置」的數據，AI 就可以用這些數據來自主學習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，真有那麼重要？在此加一點關於 AI 模型的科普知識。

通常情況下，一次完整的 AI 模型訓練，包括數據採集、數據預處理和標註、模型設計與訓練、模型調優、微調、模型驗證測試、模型部署、模型監控與更新等等過程，其中數據標註和預處理為人工部分，而模型訓練與優化為機器部分。

顯然，大部分人理解中的機器部分要明顯大於人工部分，畢竟顯得更高科技一些，但實際情況下，人工標註在整個模型訓練中至關重要。

人工標註可以為圖像中的對象（人、地點、事物）等添加標籤，供計算機提升視覺模型學習；人工標註還能將語音中的內容轉化為文本，並標註特定音節、單詞短語等幫助計算機進行語音識別模型訓練；人工標註還可以給文本添加一些快樂、悲傷、憤怒等情感標籤，讓人工智慧增強情感分析技能等等。

不難看出，人工標註是機器開展深度學習模型的基礎，沒有高質量的標註數據，模型就無法高效學習，如果標註數據量不夠大，模型性能也會受到限制。

目前，AI 微創領域有很多基於 ChatGPT 大模型進行二次微調或專項訓練的垂直方向，本質上都是在 OpenAI 的數據基礎上，額外增加新的數據源尤其是人工標註數據來施展模型訓練。

比如，醫療公司想基於醫學影像 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 Task 平台，然後讓用戶去標註並完成任務，就產生了人工標註數據，再將這些數據對 ChatGPT 大模型進行微調和優化，就會讓這個通用 AI 工具變成垂直領域的專家。

不過，NEAR 僅僅憑藉 Tasks 平台，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 Agent 服務，用來自動執行用戶一切鏈上行為和操作，用戶只需授權就可以自由在市場中買賣資產。這有點類似 Intent-centric，用 AI 自動化執行來提升用戶鏈上交互體驗。除此之外，NEAR 強大的 DA 能力可以讓它在 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，NEAR 做 AI 方向的技術延展和敘事引導，似乎要比純鏈抽象要不明覺厲多了。

半個月前我在分析 NRAR 鏈抽象時，就看到了 NEAR 鏈性能 + 團隊超強 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，這一波 AI 賦能再一次把想象力放大了。

Note：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

原文連結