Последние новости DePIN ИИ

В значительном развитии для экономики создателей ИИ, io.net объявила о стратегическом партнерстве с CreatorBid, платформой, специализирующейся на инструментах на основе ИИ для создателей и брендов. Это сотрудничество позволит CreatorBid использовать децентрализованную сеть GPU io.net, улучшая масштабируемость и эффективность своих моделей изображений и видео. Используя эту децентрализованную инфраструктуру, CreatorBid стремится оптимизировать использование ресурсов, минимизируя затраты, что делает высокопроизводительные вычисления более доступными для бизнеса, занимающегося технологиями ИИ. Таусиф Ахмед, вице-президент по развитию бизнеса в io.net, подчеркнул преимущества этого партнерства, заявив, что оно позволяет CreatorBid использовать их децентрализованную сеть GPU для передовых решений ИИ. Генеральный директор CreatorBid, Фил Коте, поддержал это мнение, подчеркивая потенциал масштабируемых ресурсов GPU для поддержки ИИ-влиятельных лиц и агентов. Это партнерство призвано революционизировать создание контента, так как оно позволяет создателям взаимодействовать с аудиторией и самостоятельно производить разнообразные форматы контента, прокладывая путь к новой эре цифрового предпринимательства. CreatorBid находится на переднем крае экономики создателей ИИ, предоставляя инструменты, которые позволяют создателям монетизировать свой контент и строить яркие сообщества вокруг ИИ-агентов. Эти настраиваемые цифровые персоны способствуют взаимодействию и взаимодействию, способствуя совместному владению между создателями и фанатами. Интегрируя передовые инструменты ИИ с блокчейн-технологиями, CreatorBid переопределяет ландшафт создателей и позиционирует себя как ключевого игрока в переходе к автономной экономике создателей. Партнерство с io.net не только демонстрирует практическое применение децентрализованных сетей GPU, но и ускоряет видение CreatorBid о будущем, управляемом ИИ, в создании контента и брендинге.

Ландшафт искусственного интеллекта (ИИ) претерпевает значительные изменения с появлением Децентрализованного EdgeAI, который стремится демократизировать доступ к технологиям ИИ. В настоящее время несколько крупных технологических компаний, включая OpenAI, IBM, Amazon и Google, доминируют в слое инфраструктуры ИИ, создавая барьеры для меньших организаций и ограничивая доступ миллионов пользователей и предприятий по всему миру. Этот централизованный контроль не только увеличивает затраты, но и ограничивает инновации. Децентрализованный EdgeAI, представленный такими инициативами, как Network3, стремится решить эти проблемы, интегрируя Децентрализованную Физическую Инфраструктуру (DePIN) и EdgeAI, позволяя системам ИИ работать на различных устройствах, обеспечивая при этом конфиденциальность и участие сообщества. Одним из ключевых преимуществ EdgeAI является его способность снижать зависимость от крупных дата-центров, принадлежащих технологическим гигантам. Традиционные модели ИИ, особенно большие языковые модели (LLM), такие как GPT-3, требуют значительных ресурсов для обучения, стоимость которого часто составляет от 500 000 до 4,6 миллиона долларов. Этот финансовый барьер еще больше укрепляет монополию крупных технологий. В отличие от этого, EdgeAI позволяет разработчикам обучать и развертывать модели на меньших устройствах, от смартфонов до IoT-устройств, расширяя доступность и способствуя инновациям. Однако для того, чтобы EdgeAI реализовал свой полный потенциал, устройства должны быть в состоянии эффективно обмениваться и делиться ресурсами, преодолевая ограничения в вычислениях и хранении. Инновационная структура Децентрализованного Федеративного Обучения от Network3 представляет собой значительный шаг вперед в совместном обучении ИИ. Позволяя нескольким устройствам или 'узлам' объединять свои ресурсы, эта структура повышает эффективность и рост систем ИИ. Интеграция сильных методов шифрования, таких как Анонимная Сертификатная Подпись (CLSC), обеспечивает безопасный обмен данными при сохранении конфиденциальности. Более того, использование кодирования Рида-Соломона оптимизирует точность данных. В результате устройства Edge в экосистеме Network3 могут выполнять локальный анализ, что приводит к низкой задержке и ответам в реальном времени. Этот децентрализованный подход не только смягчает централизованную монополию, но и открывает новые источники дохода для разработчиков и пользователей, в конечном итоге делая ИИ более доступным и полезным для всех.

Недавний релиз Llama 3.2 от Meta знаменует собой значительный шаг вперед в тонкой настройке больших языковых моделей (LLM), упрощая задачу инженерам по машинному обучению и дата-сайентистам по повышению производительности модели для конкретных задач. Это руководство описывает процесс тонкой настройки, включая необходимую настройку, создание набора данных и конфигурацию скрипта обучения. Тонкая настройка позволяет таким моделям, как Llama 3.2, специализироваться в определенных областях, таких как поддержка клиентов, что приводит к более точным и актуальным ответам по сравнению с универсальными моделями. Чтобы начать тонкую настройку Llama 3.2, пользователи сначала должны настроить свою среду, особенно если они используют Windows. Это включает в себя установку подсистемы Windows для Linux (WSL) для доступа к терминалу Linux, настройку доступа к GPU с соответствующими драйверами NVIDIA и установку необходимых инструментов, таких как зависимости для разработки Python. После подготовки среды пользователи могут создать набор данных, адаптированный для тонкой настройки. Например, можно создать набор данных для обучения Llama 3.2 отвечать на простые математические вопросы, что служит простым примером целевой тонкой настройки. После подготовки набора данных следующим шагом является настройка скрипта обучения с использованием библиотеки Unsloth, которая упрощает процесс тонкой настройки через Low-Rank Adaptation (LoRA). Это включает в себя установку необходимых пакетов, загрузку модели и начало процесса обучения. После тонкой настройки модели важно оценить ее производительность, создавая тестовый набор и сравнивая ответы модели с ожидаемыми ответами. Хотя тонкая настройка предлагает значительные преимущества в повышении точности модели для конкретных задач, важно учитывать ее ограничения и потенциальную эффективность настройки подсказок для менее сложных требований.

В значительном событии в секторах блокчейна и ИИ, Stratos объявила о стратегическом партнерстве с Tatsu, пионерским децентрализованным крипто-проектом ИИ, работающим в сети Bittensor и экосистеме TAO. Tatsu достигла замечательных успехов в децентрализованной проверке личности, используя передовые метрики, такие как активность на GitHub и балансы криптовалют, чтобы создать уникальный человеческий балл. Этот инновационный подход улучшает процессы проверки, делая их более надежными и эффективными в децентрализованной среде. С предстоящим запуском Tatsu Identity 2.0 и новой подсетью понимания документов, Tatsu готова переопределить возможности децентрализованного ИИ. Партнерство приведет к интеграции децентрализованных решений хранения данных Stratos, что значительно укрепит их протоколы управления данными и безопасности. Это сотрудничество — не просто слияние технологий, но и объединение экспертизы, направленное на расширение границ возможного в децентрализованном пространстве. Используя надежную инфраструктуру Stratos, Tatsu может улучшить свои предложения и гарантировать, что процессы проверки личности будут как безопасными, так и эффективными. Эта синергия, как ожидается, будет способствовать инновациям и росту в экосистеме TAO, открывая новые возможности для передовых технологий Tatsu. Поскольку обе компании начинают это совместное путешествие, последствия для сообщества блокчейна значительны. Интеграция децентрализованного хранения с передовыми решениями ИИ может привести к трансформационным изменениям в том, как проводится проверка личности в различных секторах. Это партнерство иллюстрирует потенциал сочетания децентрализованных технологий с ИИ для создания более безопасных, эффективных и инновационных решений, устанавливая прецедент для будущих сотрудничеств в области блокчейна.

Google официально запустил Imagen 3, свою последнюю модель ИИ для преобразования текста в изображение, пять месяцев спустя после первоначального объявления на Google I/O 2024. Эта новая версия обещает улучшенное качество изображений с более детализированной проработкой, лучшим освещением и меньшим количеством визуальных артефактов по сравнению с предыдущими моделями. Imagen 3 разработан для более точной интерпретации естественных языковых запросов, позволяя пользователям генерировать конкретные изображения без необходимости в сложной настройке запросов. Он может создавать разнообразные стили, от гиперреалистичных фотографий до причудливых иллюстраций, и даже четко отображать текст в изображениях, открывая путь для инновационных приложений, таких как индивидуальные поздравительные открытки и рекламные материалы. Безопасность и ответственное использование находятся в центре разработки Imagen 3. Google DeepMind внедрил строгие методы фильтрации и маркировки данных, чтобы минимизировать риск генерации вредоносного или неприемлемого контента. Эта приверженность этическим стандартам имеет решающее значение по мере того, как технологии генеративного ИИ становятся все более интегрированными в различные отрасли. Пользователи, заинтересованные в тестировании Imagen 3, могут сделать это через чат-бота Google Gemini, вводя естественные языковые запросы, позволяя модели создавать детализированные изображения на основе их описаний. Несмотря на свои достижения, у Imagen 3 есть ограничения, которые могут повлиять на его использование некоторыми профессионалами. В настоящее время он поддерживает только квадратное соотношение сторон, что может ограничить проекты, требующие ландшафтного или портретного форматов. Кроме того, ему не хватает функций редактирования, таких как инпейнтинг или аутпейнтинг, и пользователи не могут применять художественные фильтры или стили к своим изображениям. По сравнению с конкурентами, такими как Midjourney, DALL-E 3 и Flux, Imagen 3 превосходит в качестве изображения и обработке естественного языка, но уступает в контроле пользователя и возможностях настройки. В целом, хотя Imagen 3 является мощным инструментом для генерации высококачественных изображений, его ограничения могут отпугнуть пользователей, ищущих большую гибкость в своих творческих процессах.

В недавнем обсуждении, организованном Render Foundation Spaces в X, Жюль Урбах, генеральный директор OTOY и основатель Render Network, поделился мнениями о революционных достижениях, достигнутых благодаря их совместной технологии во время производства "765874 Унификация", короткометражного фильма, посвященного 30-летию Star Trek. Урбах подчеркнул, как Render Network революционизирует создание цифрового контента, позволяя создателям исследовать новые горизонты в кино, искусстве и повествовании. Производство фильма продемонстрировало потенциал Render Network по демократизации создания качественного контента, позволяя достигать впечатляющих визуальных эффектов без необходимости в огромных бюджетах. Одним из ярких моментов беседы стало инновационное использование машинного обучения (ML) для улучшения традиционных процессов кинопроизводства. Урбах отметил, что хотя OTOY имеет долгую историю использования цифровых двойников и замены лиц, достижения в технологии позволили значительно сократить трудозатраты. Интеграция ИИ упростила моделирование лиц актеров, устранив необходимость в громоздких лицевых маркерах. Это не только ускорило процесс производства, но и дало возможность художникам сосредоточиться больше на повествовании, а не на технических сложностях, демонстрируя, как ИИ и рендеринг на GPU могут преобразовать творческий ландшафт. Смотрим в будущее, Render Network готовится выпустить новые инструменты и интеграции, особенно с приближением Черной пятницы. Планы включают интеграцию инструментов ИИ в рабочие процессы 3D создания и расширение поддержки голографического рендеринга. Видение Урбаха остается ясным: предоставить создателям ресурсы, необходимые для рассказа увлекательных историй. Успех "Унификации" служит свидетельством инновационного духа Render Network, прокладывая путь для будущих создателей, чтобы расширить границы возможного в создании цифрового контента.

AI Лаборатория, ведущий поставщик онлайн-образования в Южной Корее, недавно заключила многолетнее соглашение с Theta EdgeCloud, что стало значительным шагом в улучшении образовательных предложений в области Искусственного Интеллекта (ИИ) и Анализа Данных (АД). Это партнерство позволяет AI Лаборатории использовать распределенные ресурсы GPU Theta EdgeCloud, что облегчит продвинутое обучение в области ИИ, обучение моделей и приложения генеративного ИИ. С сильным акцентом на практический опыт и интерактивный контент, AI Лаборатория стремится предоставить высококачественное образование через свою инновационную платформу CodingX, признанную за свою эффективность в обучении навыкам ИИ и программирования по всему миру. Сотрудничество с Theta EdgeCloud ожидается, что принесет несколько преимуществ AI Лаборатории. Используя ресурсы GPU по запросу, учреждение может улучшить гибкость учебного плана, позволяя бесшовную интеграцию ИИ в свои образовательные программы. Кроме того, партнерство должно снизить операционные расходы благодаря распределенной инфраструктуре Theta, что позволит эффективно масштабировать их услуги. Что наиболее важно, интеграция методик обучения на основе ИИ облегчит персонализированные учебные опыты, адаптированные к уникальным потребностям каждого студента, тем самым улучшая общую производительность. Theta EdgeCloud быстро расширяет свою клиентскую базу, недавно заключив партнерство с престижными учреждениями, такими как Сеульский национальный университет и Пекинский университет. Этот рост подчеркивает растущий спрос на масштабируемые и экономически эффективные технологические решения в образовательном секторе. Джон Чой, генеральный директор AI Лаборатории, выразил уверенность в партнерстве, подчеркивая сильную репутацию Theta среди южнокорейских университетов и ее потенциал значительно расширить операции AI Лаборатории в ближайшие годы. Это сотрудничество готово удовлетворить растущий спрос на технологические навыки в будущем, управляемом ИИ, позиционируя AI Лабораторию как ключевого игрока в развивающемся образовательном ландшафте.

Большие языковые модели (LLM) стали необходимыми инструментами в обработке естественного языка, способными справляться с различными задачами. Однако из-за широкого обучения они могут не проявлять себя в конкретных приложениях без дальнейшей адаптации. Техники тонкой настройки, такие как Q-LoRA, позволяют исследователям адаптировать предварительно обученные модели, такие как Llama 3.2 11B, для конкретных задач, таких как экстрактивный вопросно-ответный поиск. Эта статья описывает процесс тонкой настройки Llama 3.2 11B с использованием Q-LoRA на наборе данных SQuAD v2, демонстрируя улучшения производительности, достигнутые с помощью этого метода. LoRA, или адаптация низкого ранга, — это техника, которая вводит новые веса в существующую модель, не изменяя оригинальные параметры. Добавляя адаптерные веса, которые корректируют выходы определенных слоев, LoRA позволяет моделям сохранять свои предварительно обученные знания, одновременно приобретая новые возможности, адаптированные к конкретным задачам. В этом эксперименте акцент сделан на тонкой настройке Llama 3.2 11B для экстрактивного вопросно-ответного поиска, с целью извлечения точных текстовых сегментов, которые напрямую отвечают на запросы пользователей, а не обобщают или перефразируют содержание. Эксперимент проводился на платформе Google Colab с использованием GPU A100, при этом библиотека Hugging Face Transformers облегчала реализацию. Результаты процесса тонкой настройки были многообещающими, продемонстрировав значительное увеличение производительности модели на валидационном наборе. Оценка BERT улучшилась с 0.6469 до 0.7505, в то время как точный балл совпадения вырос с 0.116 до 0.418. Эти улучшения указывают на то, что техника Q-LoRA эффективно адаптирует модель Llama 3.2 11B для задач экстрактивного вопросно-ответного поиска. Эта статья служит руководством для исследователей, желающих применить аналогичные методы к другим моделям и задачам, подчеркивая потенциал тонкой настройки в области обработки естественного языка.

На этой неделе децентрализованная платформа распределенных ресурсов GPU io.net объявила о стратегическом партнерстве с OpenLedger, блокчейном данных, специально разработанным для искусственного интеллекта (ИИ). Это сотрудничество позволит OpenLedger использовать глобальные вычислительные ресурсы GPU от io.net, улучшая свою способность уточнять и обучать модели ИИ. Известная как Интернет GPU, io.net предоставляет мощную сеть распределенных ресурсов GPU, позволяя OpenLedger ускорить разработку своих моделей ИИ и давая возможность разработчикам создавать более эффективные децентрализованные приложения (DApps) на основе ИИ. По словам Таусифа Ахмада, вице-президента по развитию бизнеса в io.net, это партнерство предоставит OpenLedger надежную инфраструктуру для масштабирования своих моделей ИИ и откроет новые возможности, укрепляя его позицию как инновационного поставщика в децентрализованной сфере ИИ. Помимо предоставления ресурсов GPU, инфраструктура io.net будет поддерживать вывод и хостинг моделей ИИ, обеспечивая оптимальную производительность и масштабируемость. Ожидается, что это партнерство улучшит репутацию OpenLedger как ведущего поставщика надежных наборов данных, способствуя инновациям на стыке блокчейна и ИИ. Сотрудничество направлено на создание качественных данных безопасно и эффективно, одновременно стимулируя инновации и производительность. Один из членов команды OpenLedger подчеркнул, что использование инфраструктуры GPU от io.net позволит пользователям более эффективно настраивать модели ИИ, что в конечном итоге приведет к разработке надежных и объяснимых моделей ИИ. Значительным фактором в выборе OpenLedger io.net в качестве поставщика ресурсов GPU является экономически эффективное и масштабируемое вычислительное решение. Это партнерство позволит OpenLedger расширить свои услуги без ограничений высоких затрат, связанных с централизованными облачными провайдерами. Обрабатывая более крупные наборы данных и разрабатывая модели ИИ с беспрецедентной эффективностью, OpenLedger стремится расширить границы децентрализованных инноваций в области ИИ. В конечном итоге это партнерство соответствует миссии OpenLedger по содействию открытой, совместной среде данных, одновременно способствуя внедрению решений ИИ на основе блокчейна.

В значительном развитии децентрализованного AI ландшафта Stratos объявила о партнерстве с Cortensor, лидером в области децентрализованных AI сетей вывода. Это сотрудничество направлено на улучшение децентрализованной AI инфраструктуры путем интеграции надежного децентрализованного хранения и потокового решения Stratos в инновационную AI экосистему Cortensor. Партнерство обеспечит безопасное и масштабируемое хранение данных, гарантируя, что как публичные, так и частные AI рабочие нагрузки могут работать без проблем и надежно, тем самым улучшая общую производительность сети. Одной из ключевых особенностей этого партнерства является внедрение возможностей потоковой передачи вывода в реальном времени. Передовые API потокового видео Stratos позволят Cortensor предоставлять мгновенные результаты вывода AI, облегчая динамические приложения и задачи, управляемые пользователями. Ожидается, что это улучшение оптимизирует производительность для AI рабочих нагрузок, так как инфраструктура Stratos с высокой пропускной способностью улучшит связь между узлами, обеспечивая эффективный поток данных даже в условиях высокого спроса. Это важный шаг к тому, чтобы сделать передовые AI инструменты более доступными и экономически эффективными. Обе компании разделяют видение децентрализованного AI будущего, с системами Cortensor Proof of Inference (PoI) и Proof of Useful Work (PoUW), которые валидируют задачи и вознаграждают участников за значимую работу. Stratos, с его децентрализованной инфраструктурой, поддерживающей Web3 и AI решения, имеет более 900 активных глобальных узлов хранения и емкость 21 ПБ. Это партнерство не только демонстрирует их приверженность инновациям, но и направлено на открытие новых возможностей для бизнеса, разработчиков и участников сообщества, в конечном итоге создавая более инклюзивную и масштабируемую AI экосистему. Следите за обновлениями, так как они продолжают расширять границы децентрализованных AI решений.