Comment NEAR a-t-il profité de la vague IA ?
TechFlow SélectionTechFlow Sélection
Comment NEAR a-t-il profité de la vague IA ?
S'appuyant sur des fonctionnalités de chaîne haute performance, l'extension technologique et le positionnement narratif de NEAR dans le domaine de l'IA semblent bien plus convaincants que de simples abstractions blockchain.
Dédié à des analyses Web3 approfondiesRédaction : Haotian
Récemment, l'annonce que le fondateur de NEAR, Illia Polosukhin, serait présent au sommet d'intelligence artificielle (IA) de NVIDIA a attiré une grande attention sur la blockchain NEAR, dont le cours boursier suit également une tendance haussière encourageante. Beaucoup se demandent : NEAR ne s'était-il pas entièrement consacré à la « soustraction de chaîne » (chain abstraction) ? Pourquoi devient-il soudainement l'une des blockchains leaders dans le domaine de l'IA ?
Voici mes observations, accompagnées d'une petite introduction aux connaissances relatives à l'entraînement des modèles d'IA :
1) Le fondateur de NEAR, Illia Polosukhin, possède un solide passé dans le domaine de l’IA et est l’un des co-créateurs de l’architecture Transformer. Cette architecture constitue la base des grands modèles linguistiques (LLMs) comme ChatGPT. Cela prouve clairement que le dirigeant de NEAR disposait déjà, avant la création de NEAR, d’une expérience significative dans la conception et la direction de systèmes de grands modèles d’IA.
2) NEAR avait lancé lors du NEARCON 2023 une plateforme appelée NEAR Tasks, conçue pour entraîner et améliorer les modèles d’intelligence artificielle. En termes simples, les demandeurs de modèles d’IA (appelés « vendeurs » ou « vendors ») peuvent publier des tâches sur la plateforme et y télécharger des données brutes. Les utilisateurs (« taskers ») participent ensuite en accomplissant ces tâches, par exemple en ajoutant des annotations textuelles ou en effectuant des reconnaissances d’images. Une fois la tâche terminée, les utilisateurs reçoivent une récompense en jetons NEAR, tandis que les données annotées manuellement sont utilisées pour entraîner les modèles d’IA correspondants.
Par exemple, si un modèle d’IA doit améliorer sa capacité à reconnaître des objets dans une image, un « vendor » peut charger sur la plateforme Tasks un grand nombre d’images brutes contenant divers objets. Les utilisateurs indiquent alors manuellement la position de chaque objet, générant ainsi un volume important de données du type « image – position de l’objet ». Ces données permettent ensuite au modèle d’apprentissage automatique d’améliorer ses capacités de reconnaissance d’images.
À première vue, NEAR Tasks semble simplement chercher à externaliser des opérations humaines pour fournir des services de base aux modèles d’IA. Mais cela a-t-il vraiment une importance cruciale ? Voici quelques éléments pédagogiques supplémentaires concernant les modèles d’IA.
Typiquement, un cycle complet d’entraînement d’un modèle d’IA comprend plusieurs étapes : collecte des données, prétraitement et annotation des données, conception et entraînement du modèle, réglage fin (fine-tuning), validation et test du modèle, déploiement, surveillance et mise à jour du modèle. Parmi celles-ci, les phases d’annotation et de prétraitement des données relèvent de l’intervention humaine, tandis que l’entraînement et l’optimisation du modèle sont gérés par des machines.
La plupart des gens ont tendance à surestimer la part « machine », perçue comme plus technologique. Pourtant, dans la réalité, l’annotation humaine joue un rôle essentiel tout au long du processus d’entraînement du modèle.
L’annotation humaine consiste à ajouter des étiquettes aux objets présents dans une image (personnes, lieux, objets), ce qui aide les ordinateurs à améliorer leur apprentissage visuel. Elle permet aussi de convertir le contenu vocal en texte, puis d’annoter certains sons, mots ou phrases spécifiques afin d’aider les modèles de reconnaissance vocale. De même, elle peut associer des émotions telles que joie, tristesse ou colère à des textes, renforçant ainsi la capacité d’analyse émotionnelle de l’IA.
Il est donc évident que l’annotation humaine constitue la base de l’apprentissage profond (deep learning). Sans données annotées de haute qualité, un modèle ne peut pas apprendre efficacement. Si le volume de données annotées est insuffisant, les performances du modèle seront inévitablement limitées.
Actuellement, de nombreuses startups spécialisées dans l’IA développent des modèles verticaux basés sur des grands modèles comme ChatGPT, en procédant à des ajustements fins ou à des entraînements ciblés. Fondamentalement, elles s’appuient sur les données d’OpenAI tout en intégrant des sources de données supplémentaires, notamment des données annotées manuellement, pour enrichir l’entraînement de leurs modèles.
Par exemple, une entreprise médicale souhaitant créer un modèle d’IA à partir d’imageries médicales pour offrir un service de diagnostic en ligne peut simplement charger de grandes quantités de données d’imagerie brute sur la plateforme Tasks. Des utilisateurs annotent ensuite ces images en accomplissant les tâches assignées, produisant ainsi des données annotées. Ces données sont ensuite utilisées pour affiner et optimiser le grand modèle d’IA comme ChatGPT, transformant ainsi un outil généraliste en expert spécialisé dans un domaine précis.
Cependant, il ne suffit pas à NEAR de disposer uniquement de la plateforme Tasks pour devenir le leader des blockchains dédiées à l’IA. En réalité, NEAR développe également des services d’agents d’IA (AI Agent) au sein de son écosystème, capables d’exécuter automatiquement toutes sortes d’actions sur la chaîne. L’utilisateur n’a qu’à donner son autorisation pour que l’agent puisse librement acheter ou vendre des actifs sur le marché. Ce fonctionnement rappelle fortement l’approche « centrée sur l’intention » (intent-centric), où l’automatisation par IA améliore considérablement l’expérience utilisateur dans les interactions blockchain. Par ailleurs, la puissante capacité de NEAR en matière de stockage décentralisé (DA - Data Availability) lui permet de jouer un rôle clé dans la traçabilité des sources de données pour l’IA, en vérifiant l’efficacité et l’authenticité des données utilisées pour l’entraînement des modèles.
En résumé, soutenu par des performances techniques élevées de sa blockchain, NEAR semble bien mieux placé pour étendre sa portée technologique et sa narration vers l’IA, ce qui paraît nettement plus convaincant que la simple « soustraction de chaîne ».
Il y a deux semaines, lorsque j’analysais la stratégie de NEAR autour de la « soustraction de chaîne », j’avais déjà repéré les atouts de la chaîne NEAR : ses performances élevées couplées à une remarquable capacité de son équipe à intégrer des ressources Web2. Je n’aurais jamais imaginé que, avant même que la « soustraction de chaîne » ne porte pleinement ses fruits, cette nouvelle impulsion liée à l’IA vienne encore amplifier les perspectives.
Note : À long terme, il faudra continuer de surveiller la stratégie et les avancées produit de NEAR dans le domaine de la « soustraction de chaîne ». Toutefois, l’IA constituera assurément un excellent facteur complémentaire et un puissant catalyseur en période de marché haussier !
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
Haotian | CryptoInsight
