Bir tıbbi AI aracı olan QBio'yu keşfettik, meme yoğunluğu sınıflandırması ve şeffaf rapor oluşturma üzerine odaklanıyor. X-ray görüntülerini yükleyin, birkaç dakika içinde meme yoğunluğunun A, B, C veya D olduğunu öğrenin ve karar verme sürecini açıklayan ayrıntılı bir rapor da ekleyin.
Fetch ve Hybrid iş birliğiyle geliştirildi, QBio sadece bir başlangıç, asıl yıldız ASI-1 Mini.
Fetch, oldukça eski bir projedir. Defi'nin tüm piyasa dikkatini üzerine çektiği yıllarda, Fetch AI + Crypto'ya odaklandı ve sürekli olarak çoklu model Ajansı'nın genel teknoloji geliştirme ve uygulamasına odaklandı.
ASI-1 Mini Nedir
Bu yıl Şubat ayında, Fetch, dünyanın ilk Web3 yerel büyük dil modelini (LLM) - ASI-1 Mini'yi tanıttı. Web3 yerel ne demektir? Kısacası, bunun blok zinciri ile sorunsuz bir entegrasyonu vardır. $FET tokeni ve ASI cüzdanı aracılığıyla, sadece AI kullanmakla kalmayıp, aynı zamanda AI'ya yatırım yapabilir, onu eğitebilir ve sahip olabilirsiniz.
ASI-1 Mini tam olarak nedir?
Bu, birden fazla AI ajanını koordine edebilen ve karmaşık çok adımlı görevleri işleyebilen, ajans AI (Agentic AI) için özel olarak tasarlanmış bir büyük dil modelidir.
Örneğin, QBio'nun arkasındaki ASI çıkarım aracısı, ASI-1 Mini'nin bir parçasıdır. Sadece meme yoğunluğunu sınıflandırmakla kalmaz, aynı zamanda karar verme sürecini açıklar ve yapay zekanın "kara kutu sorununu" çözer. Dahası, ASI-1 Mini'nin çalışması için yalnızca iki GPU gerekir, bu da diğer LLM'lere (16 H100 GPU gerektiren DeepSeek gibi) kıyasla çok düşük maliyetlidir ve bu da onu orta ölçekli kurumlar için uygun hale getirir
ASI-1 Mini gerçekten nasıl yenilik yapıyor
ASI-1 Mini'nin performansı, önde gelen LLM ile karşılaştırılabilir, ancak donanım maliyeti önemli ölçüde düşüktür. Dinamik çıkarım modu ve gelişmiş adaptif yeteneklere sahiptir, bu da daha verimli ve bağlama duyarlı kararlar alınmasını sağlar.
MoM ve MoA
Hepsi kısaltmadır, korkma, çok basit: Karışık Modeller Mixture of Models (MoM), Karışık Ajanlar Mixture of Agents (MoA)
Bir AI uzmanları takımını hayal edin, her biri farklı görevlere odaklanıyor ve pürüzsüz bir şekilde işbirliği yapıyor. Hem verimliliği artırıyor hem de karar verme sürecini daha şeffaf hale getiriyor. Örneğin, tıbbi görüntü analizi alanında, MoM görüntü tanıma konusunda uzmanlaşmış bir modeli seçebilir, başka bir model ise metin oluşturma üzerine uzmanlaşmış olabilir; MoA ise bu iki modelin çıktısını koordine etmekten sorumlu olup, nihai raporun hem doğru hem de okunabilir olmasını sağlıyor.
Şeffaflık ve ölçeklenebilirlik
Geleneksel LLM'ler, onlara sorular sorduğunuz ve size cevaplar verdikleri "kara kutular" olma eğilimindedir, ancak neden buna cevap verdiler, üzgünüm, yorum yok. ASI-1 Mini farklıdır ve sürekli çok adımlı akıl yürütme ile, özellikle tıp alanında çok önemli olan bu nedenlerle bu cevabı seçtiğimi söyleyebilir.
ASI-1 Mini'nin bağlam penceresi 10 milyon token'a kadar genişleyecek, çok modlu yetenekleri destekleyecek (örneğin görüntü, video işleme), gelecekte robotik, biyoteknoloji gibi öncü alanlara odaklanan Cortex serisi modelleri de piyasaya sürülecek.
donanım verimliliği
Diğer LLM'ler yüksek donanım maliyetleri gerektirirken, ASI-1 Mini sadece iki GPU ile çalışabilir. Bu, küçük bir kliniğin bile karşılayabileceği anlamına geliyor, milyon dolarlık bir veri merkezine ihtiyaç duymuyor.
Neden bu kadar verimli? Çünkü ASI-1 Mini'nin tasarım felsefesi "az çoktur". Sınırlı hesaplama kaynaklarını en üst düzeye çıkarmak için optimizasyon algoritmalarını ve model yapılarını kullanır. Buna karşılık, diğer LLM'ler genellikle daha büyük ölçekli modeller peşinde koşar ve sonuç olarak kaynak tüketimi büyük olur.
Topluluk destekli
Diğer büyük dil modellerinden farklı olarak, ASI-1 Mini merkeziyetsiz eğitim ve topluluk desteklidir. ASI-1 Mini, $FET sahiplerine yönelik katmanlı bir ücretsiz değerli ürünüdür; sahipler Web3 cüzdanlarını bağlayarak tüm özellikleri açabilirler. Cüzdanda tutulan FET token miktarı ne kadar fazlaysa, modelin fonksiyonlarını o kadar keşfedebilirler.
Bu tür topluluk odaklı model, bir tür kitle fonlamaya benziyor, yalnızca yapay zekayı eğitmek ve doğrulamak için kullanılıyor, yüksek teknoloji, artık sadece elit kesimlere ait değil, herkesin katılabileceği bir şey.
LLM'in görece olgunlaştığı günümüzde neden ayrı bir ASI-1 Mini yapmaya ihtiyaç var? Bu, Web3 ile A İ'nin entegrasyonundaki boşluğu doldurduğu için kolayca anlaşılabilir.
Mevcut LLM'ler (ChatGPT, Grok gibi) esasen merkezi bir ortamda hizmet vermektedir, ASI-1 Mini ise merkeziyetsiz ekosistem için tasarlanan ilk LLM'dir. Bu, AI'nın daha şeffaf ve daha verimli olmasını sağlamakla kalmaz, aynı zamanda topluluk üyelerinin AI'nın büyümesinden doğrudan faydalanmalarına olanak tanır.
ASI-1 Mini'nin ortaya çıkışı, AI'nın "kara kutu"dan "şeffaf"a, "merkezi"den "dağıtık"a, "araç"tan "varlık"a geçişini simgeliyor. Sadece tıp alanında (örneğin QBio) değil, finans, hukuk, araştırma gibi birçok alanda da potansiyelini gösterebilir.
Bu ay, Fetch, Rivalz ile iş birliği yaparak ASI-1 Mini'yi Rivalz'ın Agentic Veri Koordinasyon Sistemi'ne (ADCS) entegre etti ve zincir üzerindeki AI çıkarımını sağladı. Bu iş birliği ile merkeziyetsiz uygulamalar, doğrudan blok zincirinde gelişmiş AI çıkarım yeteneklerine erişebilecek.
Geleneksel blok zinciri ortamı kaynak kısıtlamalarından etkilenir; akıllı sözleşmeler yalnızca hafif görevleri işleyebilir ve genellikle basit verileri (örneğin fiyatları) elde etmek için oracle'lar kullanır, karmaşık AI modellerini doğrudan çalıştıramaz. ADCS bu sorunu mükemmel bir şekilde çözer; AI çıkarımı için karmaşık hesaplamalar zincir dışında gerçekleştirilir ve sonuç güvenli bir şekilde blok zincirine geri döner, merkeziyetsizlik ve güveni sağlar.
The content is for reference only, not a solicitation or offer. No investment, tax, or legal advice provided. See Disclaimer for more risks disclosure.
Web3 Yerel Büyük Dil Modeli ASI-1 Mini'yi Anlamak
Bir tıbbi AI aracı olan QBio'yu keşfettik, meme yoğunluğu sınıflandırması ve şeffaf rapor oluşturma üzerine odaklanıyor. X-ray görüntülerini yükleyin, birkaç dakika içinde meme yoğunluğunun A, B, C veya D olduğunu öğrenin ve karar verme sürecini açıklayan ayrıntılı bir rapor da ekleyin.
Fetch ve Hybrid iş birliğiyle geliştirildi, QBio sadece bir başlangıç, asıl yıldız ASI-1 Mini.
Fetch, oldukça eski bir projedir. Defi'nin tüm piyasa dikkatini üzerine çektiği yıllarda, Fetch AI + Crypto'ya odaklandı ve sürekli olarak çoklu model Ajansı'nın genel teknoloji geliştirme ve uygulamasına odaklandı.
ASI-1 Mini Nedir
Bu yıl Şubat ayında, Fetch, dünyanın ilk Web3 yerel büyük dil modelini (LLM) - ASI-1 Mini'yi tanıttı. Web3 yerel ne demektir? Kısacası, bunun blok zinciri ile sorunsuz bir entegrasyonu vardır. $FET tokeni ve ASI cüzdanı aracılığıyla, sadece AI kullanmakla kalmayıp, aynı zamanda AI'ya yatırım yapabilir, onu eğitebilir ve sahip olabilirsiniz.
ASI-1 Mini tam olarak nedir?
Bu, birden fazla AI ajanını koordine edebilen ve karmaşık çok adımlı görevleri işleyebilen, ajans AI (Agentic AI) için özel olarak tasarlanmış bir büyük dil modelidir.
Örneğin, QBio'nun arkasındaki ASI çıkarım aracısı, ASI-1 Mini'nin bir parçasıdır. Sadece meme yoğunluğunu sınıflandırmakla kalmaz, aynı zamanda karar verme sürecini açıklar ve yapay zekanın "kara kutu sorununu" çözer. Dahası, ASI-1 Mini'nin çalışması için yalnızca iki GPU gerekir, bu da diğer LLM'lere (16 H100 GPU gerektiren DeepSeek gibi) kıyasla çok düşük maliyetlidir ve bu da onu orta ölçekli kurumlar için uygun hale getirir
ASI-1 Mini gerçekten nasıl yenilik yapıyor
ASI-1 Mini'nin performansı, önde gelen LLM ile karşılaştırılabilir, ancak donanım maliyeti önemli ölçüde düşüktür. Dinamik çıkarım modu ve gelişmiş adaptif yeteneklere sahiptir, bu da daha verimli ve bağlama duyarlı kararlar alınmasını sağlar.
MoM ve MoA
Hepsi kısaltmadır, korkma, çok basit: Karışık Modeller Mixture of Models (MoM), Karışık Ajanlar Mixture of Agents (MoA)
Bir AI uzmanları takımını hayal edin, her biri farklı görevlere odaklanıyor ve pürüzsüz bir şekilde işbirliği yapıyor. Hem verimliliği artırıyor hem de karar verme sürecini daha şeffaf hale getiriyor. Örneğin, tıbbi görüntü analizi alanında, MoM görüntü tanıma konusunda uzmanlaşmış bir modeli seçebilir, başka bir model ise metin oluşturma üzerine uzmanlaşmış olabilir; MoA ise bu iki modelin çıktısını koordine etmekten sorumlu olup, nihai raporun hem doğru hem de okunabilir olmasını sağlıyor.
Şeffaflık ve ölçeklenebilirlik
Geleneksel LLM'ler, onlara sorular sorduğunuz ve size cevaplar verdikleri "kara kutular" olma eğilimindedir, ancak neden buna cevap verdiler, üzgünüm, yorum yok. ASI-1 Mini farklıdır ve sürekli çok adımlı akıl yürütme ile, özellikle tıp alanında çok önemli olan bu nedenlerle bu cevabı seçtiğimi söyleyebilir.
ASI-1 Mini'nin bağlam penceresi 10 milyon token'a kadar genişleyecek, çok modlu yetenekleri destekleyecek (örneğin görüntü, video işleme), gelecekte robotik, biyoteknoloji gibi öncü alanlara odaklanan Cortex serisi modelleri de piyasaya sürülecek.
donanım verimliliği
Diğer LLM'ler yüksek donanım maliyetleri gerektirirken, ASI-1 Mini sadece iki GPU ile çalışabilir. Bu, küçük bir kliniğin bile karşılayabileceği anlamına geliyor, milyon dolarlık bir veri merkezine ihtiyaç duymuyor.
Neden bu kadar verimli? Çünkü ASI-1 Mini'nin tasarım felsefesi "az çoktur". Sınırlı hesaplama kaynaklarını en üst düzeye çıkarmak için optimizasyon algoritmalarını ve model yapılarını kullanır. Buna karşılık, diğer LLM'ler genellikle daha büyük ölçekli modeller peşinde koşar ve sonuç olarak kaynak tüketimi büyük olur.
Topluluk destekli
Diğer büyük dil modellerinden farklı olarak, ASI-1 Mini merkeziyetsiz eğitim ve topluluk desteklidir. ASI-1 Mini, $FET sahiplerine yönelik katmanlı bir ücretsiz değerli ürünüdür; sahipler Web3 cüzdanlarını bağlayarak tüm özellikleri açabilirler. Cüzdanda tutulan FET token miktarı ne kadar fazlaysa, modelin fonksiyonlarını o kadar keşfedebilirler.
Bu tür topluluk odaklı model, bir tür kitle fonlamaya benziyor, yalnızca yapay zekayı eğitmek ve doğrulamak için kullanılıyor, yüksek teknoloji, artık sadece elit kesimlere ait değil, herkesin katılabileceği bir şey.
LLM'in görece olgunlaştığı günümüzde neden ayrı bir ASI-1 Mini yapmaya ihtiyaç var? Bu, Web3 ile A İ'nin entegrasyonundaki boşluğu doldurduğu için kolayca anlaşılabilir.
Mevcut LLM'ler (ChatGPT, Grok gibi) esasen merkezi bir ortamda hizmet vermektedir, ASI-1 Mini ise merkeziyetsiz ekosistem için tasarlanan ilk LLM'dir. Bu, AI'nın daha şeffaf ve daha verimli olmasını sağlamakla kalmaz, aynı zamanda topluluk üyelerinin AI'nın büyümesinden doğrudan faydalanmalarına olanak tanır.
ASI-1 Mini'nin ortaya çıkışı, AI'nın "kara kutu"dan "şeffaf"a, "merkezi"den "dağıtık"a, "araç"tan "varlık"a geçişini simgeliyor. Sadece tıp alanında (örneğin QBio) değil, finans, hukuk, araştırma gibi birçok alanda da potansiyelini gösterebilir.
Bu ay, Fetch, Rivalz ile iş birliği yaparak ASI-1 Mini'yi Rivalz'ın Agentic Veri Koordinasyon Sistemi'ne (ADCS) entegre etti ve zincir üzerindeki AI çıkarımını sağladı. Bu iş birliği ile merkeziyetsiz uygulamalar, doğrudan blok zincirinde gelişmiş AI çıkarım yeteneklerine erişebilecek.
Geleneksel blok zinciri ortamı kaynak kısıtlamalarından etkilenir; akıllı sözleşmeler yalnızca hafif görevleri işleyebilir ve genellikle basit verileri (örneğin fiyatları) elde etmek için oracle'lar kullanır, karmaşık AI modellerini doğrudan çalıştıramaz. ADCS bu sorunu mükemmel bir şekilde çözer; AI çıkarımı için karmaşık hesaplamalar zincir dışında gerçekleştirilir ve sonuç güvenli bir şekilde blok zincirine geri döner, merkeziyetsizlik ve güveni sağlar.