Menemukan alat AI medis QBio, yang berfokus pada klasifikasi kepadatan payudara dan pembuatan laporan yang transparan. Unggah foto rontgen, dalam beberapa menit Anda akan diberitahu apakah kepadatan payudara adalah A, B, C, atau D, sambil menyertakan laporan rinci yang menjelaskan proses pengambilan keputusan.
Ini dikembangkan oleh Fetch dan Hybrid, QBio hanyalah pembuka selera, bintang sebenarnya adalah ASI-1 Mini.
Fetch adalah proyek yang sangat tua, selama masa di mana Defi mendominasi perhatian pasar, Fetch fokus pada AI + Crypto, terus-menerus berfokus pada penelitian dan aplikasi teknologi umum dari model agen multi.
Apa itu ASI-1 Mini
Pada bulan Februari tahun ini, Fetch meluncurkan model bahasa besar (LLM) asli Web3 pertama di dunia — ASI-1 Mini. Apa itu asli Web3? Secara sederhana, itu berarti terintegrasi dengan blockchain secara mulus, melalui token $FET dan dompet ASI, memungkinkan Anda tidak hanya menggunakan AI, tetapi juga berinvestasi, melatih, dan memiliki AI.
Apa itu ASI-1 Mini?
Ini adalah model bahasa besar yang dirancang khusus untuk agen AI (Agentic AI), yang dapat mengoordinasikan beberapa agen AI dan menangani tugas multi-langkah yang kompleks.
Misalnya, agen inferensi ASI di balik QBio adalah bagian dari ASI-1 Mini. Ia tidak hanya dapat mengklasifikasikan kepadatan payudara, tetapi juga menjelaskan proses pengambilan keputusan, menyelesaikan "masalah kotak hitam" AI. Yang lebih hebat, ASI-1 Mini hanya memerlukan dua GPU untuk beroperasi, dibandingkan dengan LLM lain (seperti DeepSeek yang memerlukan 16 GPU H100), sehingga biayanya sangat rendah dan cocok untuk digunakan oleh lembaga kecil dan menengah.
ASI-1 Mini Bagaimana Inovasi Sebenarnya
ASI-1 Mini memiliki kinerja yang setara dengan LLM terkemuka, tetapi biaya perangkat kerasnya jauh lebih rendah. Ini memiliki mode inferensi dinamis dan kemampuan adaptif tingkat lanjut, yang memungkinkan pengambilan keputusan yang lebih efisien dan lebih sensitif terhadap konteks.
MoM dan MoA
Semua adalah akronim, jangan takut, sangat sederhana: Model Campuran Mixture of Models (MoM), Agen Campuran Mixture of Agents (MoA)
Bayangkan tim ahli AI, masing-masing berfokus pada tugas yang berbeda, bersama-sama. untuk meningkatkan efisiensi dan membuat proses pengambilan keputusan lebih transparan. Misalnya, dalam analisis citra medis, MoM mungkin memilih satu model yang mengkhususkan diri dalam pengenalan gambar dan model lainnya yang mengkhususkan diri dalam pembuatan teks, dan MoA mengoordinasikan output dari kedua model untuk memastikan bahwa laporan akhir akurat dan mudah dibaca.
Transparansi dan Skalabilitas
LLM tradisional sering kali adalah "kotak hitam", Anda bertanya padanya dan ia memberikan jawaban, tetapi mengapa ia menjawab seperti itu, maaf, tidak bisa diberitahukan. ASI-1 Mini berbeda, melalui penalaran berkelanjutan yang multi-langkah, ia dapat memberi tahu Anda, saya memilih jawaban ini karena alasan-alasan ini, terutama di bidang medis, hal ini sangat penting.
Jendela konteks ASI-1 Mini akan diperluas hingga 10 juta token, mendukung kemampuan multimodal (seperti pemrosesan gambar dan video), dan di masa depan akan diluncurkan model seri Cortex yang fokus pada bidang seperti robotika, bioteknologi, dan bidang terdepan lainnya.
efisiensi perangkat keras
LLM lainnya memerlukan biaya perangkat keras yang tinggi, ASI-1 Mini hanya membutuhkan dua GPU untuk beroperasi. Ini berarti, bahkan sebuah klinik kecil pun dapat menjangkau, tanpa perlu pusat data senilai jutaan dolar.
Mengapa begitu efisien? Karena filosofi desain ASI-1 Mini adalah "sedikit adalah banyak". Ini memaksimalkan penggunaan sumber daya komputasi yang terbatas melalui algoritma dan struktur model yang dioptimalkan. Sebaliknya, LLM lainnya sering mengejar model yang lebih besar, yang mengakibatkan konsumsi sumber daya yang sangat besar.
Komunitas yang dipimpin
Berbeda dari model bahasa besar lainnya, ASI-1 Mini dilatih secara terdesentralisasi dan didorong oleh komunitas. ASI-1 Mini adalah produk freemium bertingkat yang ditujukan untuk pemegang $FET, di mana pemegang dapat menghubungkan dompet Web3 untuk membuka semua fitur. Semakin banyak token FET yang dimiliki dalam dompet, semakin banyak fungsi model yang dapat dieksplorasi.
Model yang didorong oleh komunitas ini, mirip dengan crowdfunding, hanya saja digunakan untuk melatih dan memvalidasi kecerdasan buatan, teknologi tinggi, yang tidak hanya dimiliki oleh kalangan elit, tetapi dapat diikuti oleh semua orang.
Di era LLM yang sudah relatif matang ini, mengapa masih perlu membuat ASI-1 Mini secara terpisah? Sangat mudah dipahami, ini mengisi kekosongan antara Web3 dan AI.
LLM saat ini (seperti ChatGPT, Grok) terutama melayani lingkungan terpusat, sementara ASI-1 Mini adalah LLM pertama yang dirancang untuk ekosistem terdesentralisasi. Ini tidak hanya membuat AI lebih transparan dan efisien, tetapi juga memungkinkan anggota komunitas untuk langsung mendapatkan manfaat dari pertumbuhan AI.
Kemunculan ASI-1 Mini menandakan bahwa AI bergerak dari "kotak hitam" ke "transparan", dari "terpusat" ke "desentralisasi", dari "alat" ke "aset". Ini tidak hanya dapat berfungsi di bidang medis (seperti QBio), tetapi juga menunjukkan potensi di berbagai bidang seperti keuangan, hukum, dan penelitian.
Bulan ini, Fetch bekerja sama dengan Rivalz untuk mengintegrasikan ASI-1 Mini ke dalam sistem koordinasi data Agentic (ADCS) milik Rivalz, memungkinkan inferensi AI di blockchain. Dengan kolaborasi ini, aplikasi terdesentralisasi dapat langsung mengakses kemampuan inferensi AI tingkat lanjut di blockchain.
Lingkungan blockchain tradisional dibatasi sumber daya, dan kontrak pintar hanya dapat menangani tugas-tugas ringan, seringkali memperoleh data sederhana (seperti harga) melalui oracle, dan tidak dapat langsung menjalankan model AI yang kompleks. ADCS memecahkan masalah ini dengan sempurna, dengan komputasi kompleks untuk inferensi AI yang dilakukan secara off-chain, dan hasilnya dikembalikan dengan aman ke blockchain, memastikan desentralisasi dan kepercayaan.
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
Menginterpretasikan Model Bahasa Besar Asli Web3 ASI-1 Mini
Menemukan alat AI medis QBio, yang berfokus pada klasifikasi kepadatan payudara dan pembuatan laporan yang transparan. Unggah foto rontgen, dalam beberapa menit Anda akan diberitahu apakah kepadatan payudara adalah A, B, C, atau D, sambil menyertakan laporan rinci yang menjelaskan proses pengambilan keputusan.
Ini dikembangkan oleh Fetch dan Hybrid, QBio hanyalah pembuka selera, bintang sebenarnya adalah ASI-1 Mini.
Fetch adalah proyek yang sangat tua, selama masa di mana Defi mendominasi perhatian pasar, Fetch fokus pada AI + Crypto, terus-menerus berfokus pada penelitian dan aplikasi teknologi umum dari model agen multi.
Apa itu ASI-1 Mini
Pada bulan Februari tahun ini, Fetch meluncurkan model bahasa besar (LLM) asli Web3 pertama di dunia — ASI-1 Mini. Apa itu asli Web3? Secara sederhana, itu berarti terintegrasi dengan blockchain secara mulus, melalui token $FET dan dompet ASI, memungkinkan Anda tidak hanya menggunakan AI, tetapi juga berinvestasi, melatih, dan memiliki AI.
Apa itu ASI-1 Mini?
Ini adalah model bahasa besar yang dirancang khusus untuk agen AI (Agentic AI), yang dapat mengoordinasikan beberapa agen AI dan menangani tugas multi-langkah yang kompleks.
Misalnya, agen inferensi ASI di balik QBio adalah bagian dari ASI-1 Mini. Ia tidak hanya dapat mengklasifikasikan kepadatan payudara, tetapi juga menjelaskan proses pengambilan keputusan, menyelesaikan "masalah kotak hitam" AI. Yang lebih hebat, ASI-1 Mini hanya memerlukan dua GPU untuk beroperasi, dibandingkan dengan LLM lain (seperti DeepSeek yang memerlukan 16 GPU H100), sehingga biayanya sangat rendah dan cocok untuk digunakan oleh lembaga kecil dan menengah.
ASI-1 Mini Bagaimana Inovasi Sebenarnya
ASI-1 Mini memiliki kinerja yang setara dengan LLM terkemuka, tetapi biaya perangkat kerasnya jauh lebih rendah. Ini memiliki mode inferensi dinamis dan kemampuan adaptif tingkat lanjut, yang memungkinkan pengambilan keputusan yang lebih efisien dan lebih sensitif terhadap konteks.
MoM dan MoA
Semua adalah akronim, jangan takut, sangat sederhana: Model Campuran Mixture of Models (MoM), Agen Campuran Mixture of Agents (MoA)
Bayangkan tim ahli AI, masing-masing berfokus pada tugas yang berbeda, bersama-sama. untuk meningkatkan efisiensi dan membuat proses pengambilan keputusan lebih transparan. Misalnya, dalam analisis citra medis, MoM mungkin memilih satu model yang mengkhususkan diri dalam pengenalan gambar dan model lainnya yang mengkhususkan diri dalam pembuatan teks, dan MoA mengoordinasikan output dari kedua model untuk memastikan bahwa laporan akhir akurat dan mudah dibaca.
Transparansi dan Skalabilitas
LLM tradisional sering kali adalah "kotak hitam", Anda bertanya padanya dan ia memberikan jawaban, tetapi mengapa ia menjawab seperti itu, maaf, tidak bisa diberitahukan. ASI-1 Mini berbeda, melalui penalaran berkelanjutan yang multi-langkah, ia dapat memberi tahu Anda, saya memilih jawaban ini karena alasan-alasan ini, terutama di bidang medis, hal ini sangat penting.
Jendela konteks ASI-1 Mini akan diperluas hingga 10 juta token, mendukung kemampuan multimodal (seperti pemrosesan gambar dan video), dan di masa depan akan diluncurkan model seri Cortex yang fokus pada bidang seperti robotika, bioteknologi, dan bidang terdepan lainnya.
efisiensi perangkat keras
LLM lainnya memerlukan biaya perangkat keras yang tinggi, ASI-1 Mini hanya membutuhkan dua GPU untuk beroperasi. Ini berarti, bahkan sebuah klinik kecil pun dapat menjangkau, tanpa perlu pusat data senilai jutaan dolar.
Mengapa begitu efisien? Karena filosofi desain ASI-1 Mini adalah "sedikit adalah banyak". Ini memaksimalkan penggunaan sumber daya komputasi yang terbatas melalui algoritma dan struktur model yang dioptimalkan. Sebaliknya, LLM lainnya sering mengejar model yang lebih besar, yang mengakibatkan konsumsi sumber daya yang sangat besar.
Komunitas yang dipimpin
Berbeda dari model bahasa besar lainnya, ASI-1 Mini dilatih secara terdesentralisasi dan didorong oleh komunitas. ASI-1 Mini adalah produk freemium bertingkat yang ditujukan untuk pemegang $FET, di mana pemegang dapat menghubungkan dompet Web3 untuk membuka semua fitur. Semakin banyak token FET yang dimiliki dalam dompet, semakin banyak fungsi model yang dapat dieksplorasi.
Model yang didorong oleh komunitas ini, mirip dengan crowdfunding, hanya saja digunakan untuk melatih dan memvalidasi kecerdasan buatan, teknologi tinggi, yang tidak hanya dimiliki oleh kalangan elit, tetapi dapat diikuti oleh semua orang.
Di era LLM yang sudah relatif matang ini, mengapa masih perlu membuat ASI-1 Mini secara terpisah? Sangat mudah dipahami, ini mengisi kekosongan antara Web3 dan AI.
LLM saat ini (seperti ChatGPT, Grok) terutama melayani lingkungan terpusat, sementara ASI-1 Mini adalah LLM pertama yang dirancang untuk ekosistem terdesentralisasi. Ini tidak hanya membuat AI lebih transparan dan efisien, tetapi juga memungkinkan anggota komunitas untuk langsung mendapatkan manfaat dari pertumbuhan AI.
Kemunculan ASI-1 Mini menandakan bahwa AI bergerak dari "kotak hitam" ke "transparan", dari "terpusat" ke "desentralisasi", dari "alat" ke "aset". Ini tidak hanya dapat berfungsi di bidang medis (seperti QBio), tetapi juga menunjukkan potensi di berbagai bidang seperti keuangan, hukum, dan penelitian.
Bulan ini, Fetch bekerja sama dengan Rivalz untuk mengintegrasikan ASI-1 Mini ke dalam sistem koordinasi data Agentic (ADCS) milik Rivalz, memungkinkan inferensi AI di blockchain. Dengan kolaborasi ini, aplikasi terdesentralisasi dapat langsung mengakses kemampuan inferensi AI tingkat lanjut di blockchain.
Lingkungan blockchain tradisional dibatasi sumber daya, dan kontrak pintar hanya dapat menangani tugas-tugas ringan, seringkali memperoleh data sederhana (seperti harga) melalui oracle, dan tidak dapat langsung menjalankan model AI yang kompleks. ADCS memecahkan masalah ini dengan sempurna, dengan komputasi kompleks untuk inferensi AI yang dilakukan secara off-chain, dan hasilnya dikembalikan dengan aman ke blockchain, memastikan desentralisasi dan kepercayaan.