最近，NEAR founder @ilblackdragon 将亮相英伟达AI大会的消息，让NEAR公链赚足了眼球，市场价格走势也喜人。不少朋友疑惑，NEAR链不是All in在做链抽象么，怎么莫名其妙就成了AI头部公链了？接下来，分享下我的观察，顺带科普下一些AI模型训练知识：
1）NEAR创始人Illia Polosukhin有过较长时间的AI背景，是Transformer架构的共同构建者。而Transformer架构是如今LLMs大型语言模型训练ChatGPT的基础架构，足以证明NEAR老板在成立NEAR前确实有AI大模型系统的创建和领导经验。
2）NRAR 曾在NEARCON 2023上推出过NEAR Tasks，目标是为了进行人工智能模型的的训练和改进，简单来说，模型训练需求方（Vendor）可以在平台发布任务请求，并上传基础数据素材，用户（Tasker）可以参与进行任务答题，为数据进行文本标注和图像识别等人工操作。任务完成后，平台会给用户NEAR代币奖励，而这些经过人工标注的数据会被用于训练相应的AI模型。
比如：AI模型需要提高识别图片中物体的能力，Vendor可以将大量图片中带有不同物体的原始图片上传到Tasks平台，然后用户手动标注图片上上物体位置，就可以生成大量“图片-物体位置”的数据，AI就可以用这些数据来自主学习来提高图片识别能力。
乍一听，NEAR Tasks不就是想社会化人工工程来为AI模型做基础服务嘛，真有那么重要？在此加一点关于AI模型的科普知识。
通常情况下，一次完整的AI模型训练，包括数据采集、数据预处理和标注、模型设计与训练、模型调优、微调、模型验证测试、模型部署、模型监控与更新等等过程，其中数据标注和预处理为人工部分，而模型训练与优化为机器部分。
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
