老牌公鏈 NEAR 本來專注於鏈抽象領域，但隨著近期 NEAR 創辦人 Illia Polosukhin 將亮相 NVIDIA AI 大會的資訊曝光，NEAR 卻搖身一變成了 AI 頂級公鏈？本文源自鏈上觀所著文章，由 PANews 整理及撰稿。
（前情提要： 人工智慧能改變以太坊？「AI+ETH」能帶來什麼創新火花）
（背景補充： AVAX、NEAR、TON皆上漲，資金外溢還是公鏈敘事回春？）
最近，老牌公鏈 NEAR 創辦人 Illia Polosukhin 將於 3 月 20 日亮相 NVIDIA AI 大會的資訊，讓 NEAR 賺足了眼球，市場價格走勢也令人欣喜。
但不少朋友疑惑，NEAR 鏈不是 All in 在做鏈抽象麼，怎麼莫名其妙就成了 AI 頂級公鏈了？接下來，我將分享下我的觀察，順帶科普下一些 AI 模型訓練知識：
1）NEAR 創辦人 Illia Polosukhin 有過較長時間的 AI 背景：他是 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 大模型系統的建立和領導經驗。
2）NRAR 曾在 NEARCON 2023 上推出過 NEAR Tasks：其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）可以在平臺釋出任務請求，並上傳基礎資料素材，使用者（Tasker）可以參與進行任務答題，為資料進行文字標註和影象識別等人工操作。任務完成後，平臺會給使用者 NEAR 代幣獎勵，而這些經過人工標註的資料會被用於訓練相應的 AI 模型。
例如，AI 模型需要提高識別圖片中物體的能力，Vendor 可以將大量圖片中帶有不同物體的原始圖片上傳到 Tasks 平臺，然後使用者手動標註圖片上的物體位置，就可以生成大量 「圖片 – 物體位置」 的資料，AI 就可以用這些資料來自主學習以提高圖片識別能力。
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，包括資料採集、資料預處理和標註、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，其中資料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：
- 人工標註可以為影象中的物件（人、地點、事物）等新增標籤，供電腦提升視覺模型學習；
- 人工標註還能將語音中的內容轉化為文字，並標註特定音節、單詞短語等幫助電腦進行語音識別模型訓練；
- 人工標註還可以給文字新增一些快樂、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，沒有高品質的標註資料，模型就無法高效學習，如果標註資料量不夠大，模型效能也會受到限制。
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 的資料基礎上，額外增加新的資料來源尤其是人工標註資料來施展模型訓練。
比如，醫療公司想基於醫學影像 AI 做模型訓練，為醫院提供一套線上 AI 問診服務，只需要將大量的原始醫學影像資料上傳到 Task 平臺，然後讓使用者去標註並完成任務，就產生了人工標註資料，再將這些資料對 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 Agent 服務，用來自動執行使用者一切鏈上操作，使用者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 自動化執行來提升使用者鏈上互動體驗。
除此之外，NEAR 強大的 DA 能力可以讓它在 AI 資料來源的可追溯性上發揮作用，追蹤 AI 模型訓練資料有效性和真實性。
總之，背靠高效能的鏈功能，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 鏈效能 + 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 賦能再一次把想像力放大了。
長期來看，在關注 NEAR 在 「鏈抽象」 上的佈局和產品推進的同時，AI 也會是個不錯的加分項和牛市催化劑！
