NEAR làm thế nào để đón làn sóng AI?
Tuyển chọn TechFlowTuyển chọn TechFlow
NEAR làm thế nào để đón làn sóng AI?
Dựa vào chức năng chuỗi hiệu suất cao, việc NEAR phát triển công nghệ và định hướng câu chuyện theo hướng AI dường như ấn tượng và thuyết phục hơn nhiều so với việc chỉ đơn thuần trừu tượng hóa chuỗi.
Chuyên sâu báo cáo Web3Tác giả: Haotian
Gần đây, thông tin nhà sáng lập NEAR Illia Polosukhin sẽ xuất hiện tại hội nghị AI của NVIDIA đã thu hút sự chú ý lớn đến blockchain NEAR, đồng thời giá thị trường cũng tăng trưởng tích cực. Nhiều người thắc mắc: NEAR không phải đang tập trung toàn lực vào "trừu tượng hóa chuỗi" (chain abstraction) sao? Sao lại bất ngờ trở thành một trong những blockchain hàng đầu về AI?
Sau đây là một số quan sát của tôi, đồng thời giải thích thêm về kiến thức huấn luyện mô hình AI:
1) Nhà sáng lập NEAR Illia Polosukhin có nền tảng lâu dài trong lĩnh vực AI, là người đồng phát triển kiến trúc Transformer. Kiến trúc Transformer chính là nền tảng cơ bản để huấn luyện các mô hình ngôn ngữ lớn (LLMs) như ChatGPT hiện nay. Điều này chứng minh rằng trước khi thành lập NEAR, ông thực sự đã có kinh nghiệm xây dựng và lãnh đạo hệ thống mô hình AI quy mô lớn.
2) NEAR từng ra mắt NEAR Tasks tại NEARCON 2023, với mục tiêu hỗ trợ việc huấn luyện và cải tiến mô hình trí tuệ nhân tạo. Nói đơn giản, các bên có nhu cầu huấn luyện mô hình (Vendor) có thể đăng tải yêu cầu công việc lên nền tảng cùng dữ liệu gốc; người dùng (Tasker) tham gia thực hiện nhiệm vụ, đóng vai trò gắn nhãn văn bản hoặc nhận diện hình ảnh bằng thao tác thủ công. Sau khi hoàn thành nhiệm vụ, người dùng sẽ nhận được phần thưởng bằng token NEAR, còn dữ liệu đã qua gắn nhãn sẽ được sử dụng để huấn luyện các mô hình AI tương ứng.
Ví dụ: Nếu mô hình AI cần nâng cao khả năng nhận diện vật thể trong ảnh, Vendor có thể tải lên nền tảng Tasks hàng loạt ảnh gốc chứa nhiều vật thể khác nhau. Người dùng sẽ đánh dấu vị trí các vật thể trên ảnh, từ đó tạo ra lượng lớn dữ liệu dạng «ảnh - vị trí vật thể». Mô hình AI sau đó sử dụng dữ liệu này để tự học và cải thiện khả năng nhận diện hình ảnh.
Nghe qua thì NEAR Tasks dường như chỉ muốn xã hội hóa các công đoạn thủ công nhằm cung cấp dịch vụ nền tảng cho AI. Nhưng điều này thực sự quan trọng đến vậy sao? Dưới đây là một chút kiến thức bổ sung về mô hình AI.
Thông thường, một quá trình huấn luyện mô hình AI đầy đủ bao gồm: thu thập dữ liệu, xử lý và gắn nhãn dữ liệu, thiết kế và huấn luyện mô hình, tinh chỉnh mô hình, kiểm thử xác minh, triển khai mô hình, giám sát và cập nhật định kỳ... Trong đó, xử lý và gắn nhãn dữ liệu là phần thủ công do con người thực hiện, còn huấn luyện và tối ưu mô hình là phần do máy đảm nhiệm.
Rõ ràng, phần lớn mọi người thường nghĩ rằng phần do máy chiếm trọng tâm hơn phần thủ công vì trông nó “cao cấp” hơn. Tuy nhiên, thực tế cho thấy việc gắn nhãn dữ liệu thủ công cực kỳ quan trọng trong suốt quá trình huấn luyện mô hình.
Việc gắn nhãn thủ công có thể giúp thêm nhãn nhận diện đối tượng (người, địa điểm, đồ vật...) trong ảnh, từ đó nâng cao khả năng học cho mô hình thị giác; có thể chuyển nội dung giọng nói thành văn bản, đồng thời gắn nhãn âm tiết, cụm từ cụ thể để hỗ trợ huấn luyện mô hình nhận diện giọng nói; hay gắn nhãn cảm xúc như vui vẻ, buồn bã, tức giận... cho văn bản để giúp AI nâng cao kỹ năng phân tích cảm xúc, v.v.
Dễ thấy rằng, gắn nhãn thủ công là nền tảng cho việc học sâu (deep learning) của máy móc. Thiếu dữ liệu gắn nhãn chất lượng cao, mô hình sẽ không thể học hiệu quả; nếu lượng dữ liệu gắn nhãn không đủ lớn, hiệu suất mô hình cũng bị giới hạn.
Hiện nay, trong lĩnh vực khởi nghiệp AI, rất nhiều công ty đang theo đuổi hướng chuyên biệt hóa bằng cách tinh chỉnh lại hoặc huấn luyện chuyên sâu mô hình lớn như ChatGPT. Về bản chất, họ đều dựa trên dữ liệu nền tảng của OpenAI nhưng bổ sung thêm nguồn dữ liệu mới — đặc biệt là dữ liệu gắn nhãn thủ công — để thực hiện huấn luyện.
Ví dụ: Một công ty y tế muốn huấn luyện mô hình AI dựa trên hình ảnh y khoa để cung cấp dịch vụ tư vấn sức khỏe trực tuyến, họ chỉ cần tải lượng lớn dữ liệu hình ảnh y khoa gốc lên nền tảng Task, rồi nhờ người dùng gắn nhãn và hoàn thành nhiệm vụ. Như vậy sẽ tạo ra dữ liệu gắn nhãn thủ công, sau đó dùng dữ liệu này để tinh chỉnh và tối ưu mô hình lớn ChatGPT, biến công cụ AI phổ thông thành chuyên gia trong lĩnh vực y tế.
Tuy nhiên, chỉ riêng nền tảng Tasks thì chưa đủ để NEAR trở thành blockchain dẫn đầu về AI. Trên thực tế, NEAR còn đang phát triển dịch vụ AI Agent trong hệ sinh thái, có khả năng tự động thực hiện mọi hành vi và thao tác trên chuỗi. Người dùng chỉ cần ủy quyền là có thể tự do mua bán tài sản trên thị trường. Điều này khá giống với triết lý Intent-centric, sử dụng AI tự động hóa để nâng cao trải nghiệm tương tác trên chuỗi. Ngoài ra, khả năng DA (Data Availability) mạnh mẽ của NEAR có thể hỗ trợ theo dõi nguồn gốc dữ liệu AI, đảm bảo tính xác thực và hiệu lực của dữ liệu dùng để huấn luyện mô hình.
Tóm lại, nhờ nền tảng chuỗi hiệu suất cao, việc NEAR mở rộng sang lĩnh vực AI cả về mặt công nghệ lẫn câu chuyện phát triển dường như mang lại cảm giác đáng nể hơn nhiều so với việc chỉ tập trung vào trừu tượng hóa chuỗi.
Hồi nửa tháng trước, khi tôi phân tích về trừu tượng hóa chuỗi của NEAR, tôi đã nhìn thấy lợi thế về hiệu năng chuỗi và năng lực kết nối tài nguyên Web2 vượt trội của đội ngũ NEAR. Không ngờ rằng, trước khi trừu tượng hóa chuỗi kịp phổ biến và gặt hái thành quả, đợt bùng nổ AI lần này đã tiếp tục mở rộng thêm vô vàn tiềm năng tưởng tượng.
Ghi chú: Theo dõi dài hạn vẫn nên tập trung vào chiến lược và tiến độ sản phẩm của NEAR trong lĩnh vực «trừu tượng hóa chuỗi», tuy nhiên AI chắc chắn là yếu tố cộng điểm tuyệt vời và có thể trở thành chất xúc tác tăng trưởng trong thị trường tăng giá!
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
Haotian | CryptoInsight
