文章主题：
原文作者：郝天
原文来源：链上观
🚀【揭秘NEAR】🔥最近NEAR创始人@ilblackdragon的出席英伟达AI大会引发了热议，让这个去中心化公链瞬间成为区块链领域的焦点。投资者们纷纷关注，市场价格也呈现出强劲的增长势头。👀那么，你是否好奇过，为何看似专注于链基础建设的NEAR能与AI深度挂钩呢？🤔首先，让我们了解一下NEAR的核心理念——链抽象。它通过打造灵活、高效的技术平台，为各种应用提供了理想的环境。但这并不意味着NEAR止步于此，而是积极拥抱创新，探索区块链与AI的融合可能。💡AI模型训练，就像在构建复杂的神经网络，需要大量的数据和计算资源。NEAR公链的独特设计，如零知识证明（ZKPs）和可扩展性技术，为AI的数据传输和处理提供了强有力的支持。这使得AI应用能够在去中心化的环境中无缝运行，降低了成本并提高了安全性。🛡️换句话说，NEAR不仅在链上抽象，更在数据和计算的维度上实现了抽象，从而成为AI生态中的重要一环。开发者们在这里找到了创新的土壤，催生出众多AI应用实例。🌱未来，随着区块链与AI技术的深度融合，我们有理由相信NEAR将引领新的趋势，为全球数字经济的发展注入更多活力。🚀#NEAR链 #AI大会 #区块链+AI
🌟 NEAR创始人Illia Polosukhin，AI领域的资深专家，Transformer架构的共同缔造者，他的AI背景深厚，对大型语言模型的发展影响深远。Transformer架构如今是ChatGPT等LLMs的核心技术，这无疑凸显了他在AI大模型系统创建与领导方面的专业能力。💡在创立NEAR之前，他已经积累了丰富的AI实践经验，为区块链世界带来了先进的技术理念和强大的技术支持。
🌟NRAR在2023年的NEARCON上展示了NEAR Tasks的强大功能，专注于人工智能模型的优化迭代。简而言之，供需双方皆可便捷地在这个平台上操作——Vendor发布任务，附带基础数据，Tasker则通过解答问题进行文本标注和图像识别等关键工作。完成任务后，参与者将获得宝贵的NEAR代币作为奖励，这些人工标记的数据随后会转化为AI模型训练的宝贵资源🌟
🎨💻改进图像识别，AI模型需飞跃！Vendor慷慨支援， Tasks平台大显神通。\n用户只需轻轻一动手指，上传海量标注过的`(图片+物体)坐标`，Tasks瞬间生成丰富数据集。🚀AI消化这些宝贵资料，深度学习中提升图片解析力，迈向精准识别的新高度。🌍让每个像素都说话，AI的未来在图像世界里熠熠生辉！
🌟 NEARTasks，看似简单的人工智能基础设施构建，实则隐藏着深远影响💡。它不仅关乎社会化人工工程的创新实践，更是AI模型运行的灵魂基石🔍。想象一下，一个高效、灵活的底层服务网络，能为复杂的AI算法提供强大的支持，推动科技进步🚀。这样的任务设计，无疑在人工智能领域中占据了关键地位🏆。SEO优化提示：#NEARTasks #AI基础服务 #社会化人工工程
🚀掌握AI全栈流程！从数据采集到模型更新，每个步骤都至关重要！🔍首先，数据大海捞针，人工采集&预处理，保证质量无瑕。📚接着，智慧火花碰撞，模型设计与机器训练，打造高效智能体系。🔧然后，不断优化迭代，微调与验证，确保每一刻都在进步。🚀最后，部署到生产环境，实时监控更新，AI的力量就这样被释放！🏆让你的业务飞速前行，AI全程护航！👨💻👩💻
显然，大部分人理解中的机器部分要明显大于人工部分，毕竟显得更高科技一些，但实际情况下，人工标注在整个模型训练中至关重要。
人工标注可以为图像中的对象（人、地点、事物）等添加标签，供计算机提升视觉模型学习；人工标注还能将语音中的内容转化为文本，并标注特定音节、单词短语等帮助计算机进行语音识别模型训练；人工标注还可以给文本添加一些快乐、悲伤、愤怒等情感标签，让人工智能增强情感分析技能等等。
不难看出，人工标注是机器开展深度学习模型的基础，没有高质量的标注数据，模型就无法高效学习，如果标注数据量不够大，模型性能也会受到限制。
目前，AI微创领域有很多基于ChatGPT大模型进行二次微调或专项训练的垂直方向，本质上都是在OpenAI的数据基础上，额外增加新的数据源尤其是人工标注数据来施展模型训练。
比如，医疗公司想基于医学影像AI做模型训练，为医院提供一套在线AI问诊服务，只需要将大量的原始医学影像数据上传到Task平台，然后让用户去标注并完成任务，就产生了人工标注数据，再将这些数据对ChatGPT大模型进行微调和优化，就会让这个通用AI工具变成垂直领域的专家。
不过，NEAR仅仅凭借Tasks平台，就想成为AI 公链龙头显然还不够，NEAR其实还在生态系统中进行AI Agent服务，用来自动执行用户一切链上行为和操作，用户只需授权就可以自由在市场中买卖资产。这有点类似Intent-centric，用AI自动化执行来提升用户链上交互体验。除此之外，NEAR强大的DA能力可以让它在AI数据来源的可追溯性上发挥作用，追踪AI模型训练数据有效性和真实性。
总之，背靠高性能的链功能，NEAR做AI方向的技术延展和叙事引导，似乎要比纯链抽象要不明觉厉多了。
半个月前我在分析NRAR链抽象时，就看到了NEAR链性能+团队超强web2资源整合能力的优势，万万没想到，链抽象还没有普及开来摘到果子，这一波AI赋能再一次把想象力放大了。
Note：长期关注还是得看NEAR在“链抽象”上的布局和产品推进，AI会是个不错的加分项和牛市催化剂！#NEAR
AI时代，掌握AI大模型第一手资讯！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
扫码右边公众号，驾驭AI生产力！
