Сегодняшняя отрасль искусственного интеллекта сталкивается с существенными вызовами из-за централизации, когда значительные достижения часто контролируются несколькими крупными корпорациями. Это вызывает опасения относительно конфиденциальности данных, монополистических практик и ограниченного доступа к передовой технологии. Кроме того, чрезмерная зависимость от больших языковых моделей (LLM), таких как GPT-3, несмотря на их возможности, вызывает проблемы, такие как высокие вычислительные затраты, экологическое воздействие и потенциальные предвзятости в данных, на которых они обучаются. Эти модели требуют обширных данных и ресурсов, что делает их доступными только для крупных организаций.

Assisterr решает эти проблемы, представляя Small Language Models (SLMs) и продвигая подход к разработке искусственного интеллекта, принадлежащий сообществу. SLM предназначены быть более эффективными, требующими меньше вычислительной мощности и данных, сохраняя при этом высокую производительность, делая технологии искусственного интеллекта более доступными и устойчивыми. Более того, собственные модели и агенты искусственного интеллекта Assisterr позволяют пользователям вносить свой вклад в развитие и получать выгоду от достижений в области искусственного интеллекта, способствуя инновациям и инклюзивности, и обеспечивая более широкое распространение преимуществ искусственного интеллекта в обществе.

Что такое Assisterr AI?

Источник: веб-сайт Assisterr

Assisterr AI - это децентрализованная платформа искусственного интеллекта, разработанная для демократизации доступа к искусственному интеллекту путем использования небольших языковых моделей искусственного интеллекта (SLMs) и агентов искусственного интеллекта, принадлежащих сообществу. Ее основная цель - предоставить более эффективную, доступную и устойчивую альтернативу традиционным моделям искусственного интеллекта, преодолевая ограничения крупных языковых моделей (LLMs) и способствуя развитию совместной экосистемы искусственного интеллекта.

Ключевые особенности и преимущества Assisterr AI

• Маленькие языковые модели (SLM): В отличие от LLM, SLM требуют меньше вычислительной мощности и данных, что делает их более доступными и экологически чистыми. Они разработаны для эффективного выполнения конкретных задач, снижая накладные расходы, связанные с более крупными моделями.
• Модели, принадлежащие сообществу: Assisterr продвигает децентрализованный подход, при котором пользователи могут вносить свой вклад и извлекать выгоду из достижений ИИ. Эта модель способствует инновациям и инклюзивности, гарантируя, что несколько крупных организаций не монополизируют технологию ИИ.
• Инструменты без кода: Assisterr предоставляет удобные инструменты без кода, которые позволяют частным лицам и компаниям создавать и развертывать модели искусственного интеллекта без обширных технических знаний. Это снижает порог вхождения и способствует более широкому участию в развитии искусственного интеллекта.
• Рынок данных: Платформа включает в себя рынок данных и моделей искусственного интеллекта, позволяющий пользователям покупать, продавать и делиться ресурсами. Это стимулирует обмен данных и сотрудничество, дополнительно улучшая экосистему искусственного интеллекта.
• Безопасность и прозрачность: Assisterr использует надежные меры безопасности и прозрачные процессы для обеспечения целостности и надежности своих моделей и данных искусственного интеллекта.

Модели языка (LLM & SLM)

Большие языковые модели (LLM)

Большие языковые модели (LLM) такие как GPT-3 и BERT - это модели искусственного интеллекта, обученные на огромных объемах текстовых данных для понимания и генерации языка, подобного человеческому. Они способны выполнять широкий спектр задач, от заполнения текста до перевода и резюмирования. Однако, у LLM есть несколько заметных недостатков:

• Высокие вычислительные затраты: обучение и запуск LLM требуют значительных вычислительных ресурсов, что делает их дорогими и окружающей среде вредными.
• Смещение данных: LLM могут унаследовать предвзятость, присутствующую в их обучающих данных, что приводит к предвзятому или неуместному выводу.
• Ограниченная доступность: Из-за своей ресурсоемкости LLM часто доступны только крупным организациям с существенным финансированием.
• Проблемы масштабируемости: Монолитная структура LLMs может делать их менее гибкими и сложнее адаптировать к конкретным задачам или областям.

Маленькие языковые модели (SLM)

Малые языковые модели (SLM), хотя и похожи по концепции на LLM, разработаны для более точной, специализированной и эффективной работы. Фокусируясь на конкретных задачах и наборах данных, SLM обеспечивают превосходную производительность для узкоспециализированных приложений, что делает их более подходящими для специализированных случаев использования. Используя настраиваемые наборы данных и фокусируясь на конкретных бизнес-потребностях, SLM могут обеспечить превосходную производительность и ситуационную адаптивность за долю стоимости. Это также стимулирует создание открытых SLM проектов, где более дешевые проекты ранее разрабатывали SLM с конкурентоспособной точностью по сравнению с ветеранскими LLM по гораздо более низким ценам.

Технические аспекты работы Assisterr AI

Малые языковые модели (SLM)

Маленькие языковые модели (SLM) являются основой технологии Assisterr. В отличие от больших языковых моделей (LLM), SLM разработаны для более эффективной и специализированной работы. Они фокусируются на конкретных задачах и наборах данных, что позволяет им достичь превосходной производительности для узкоспециализированных приложений. Эта специализация делает SLM более доступными и устойчивыми, поскольку для их работы требуется меньше вычислительной мощности и данных.

Модульная архитектура SLM

Для решения ограничений, связанных с агентами на основе LLM, появились продвинутые подходы, включающие несколько малых языковых моделей (SLM), работающих в совместных агентических фреймворках. При разработке AI-агентов из ансамблей SLM используются два основных подхода: смеси экспертов (MoE) и смеси агентов (MoA).

Смеси экспертов (MoE)

Источник: Litepaper Assisterr

При объединении в ансамблях MoE современное SLM-мышление может достигать повышенной гибкости обучения, не теряя своей способности к функциональному решению проблем. Обучение ансамбля может объединять навыки мышления нескольких более мелких моделей, каждая из которых специализируется в различных связанных контекстах, для решения сложных проблем. Это создает гибридное понимание, которое продолжает позволять ИИ осуществлять глубокое погружение. Слои экспертов могут быть сами по себе составлены из MoE, создавая иерархические структуры для более эффективного буферизации контекстуальной сложности и профессионального решения проблем. MoE обычно использует разреженный слой управления, который динамически выбирает среди нескольких параллельных сетей, чтобы дать наиболее подходящий ответ на запрос. Для достижения более гибких ответов индивидуальные эксперты могут быть настроены для генерации кода, перевода или анализа настроения. Более сложные архитектуры MoE могут содержать несколько таких слоев MoE в сочетании с другими компонентами. Как и любая типичная архитектура языковой модели, слой управления MoE работает с семантическими токенами и требует обучения.

Смеси Агентов (MoA)

При сборке в архитектуру MoA SLM повышают селективность разнообразных ансамблей рассуждений, позволяя ИИ выполнять задачу с требуемой методологией. Агентные модели объединяются в консорциум, который объединяет протоколы выполнения для повышения эффективности и решения сложных задач. Таким образом, ИИ работает в многодоменных сценариях. Команды агентов могут работать последовательно, итеративно улучшая предыдущие результаты. Ранее MoA значительно превосходил более крупные модели, в том числе GPT-4 Omni с точностью 57,5% на AlpacaEval 2.0, даже в моделях с открытым исходным кодом. Смесь агентов (MoA) работает на уровне выходных данных модели, а не семантических маркеров. Он не имеет слоя стробирования, но пересылает текстовую подсказку всем агентам в распараллеленном режиме. Выходы MoA также не агрегируются путем сложения и нормализации. Вместо этого они объединяются и объединяются с запросом синтеза и агрегирования, а затем передаются в отдельную модель для получения окончательного результата. Таким образом, модели подразделяются на «предложители», которые вычисляют различные выходные данные, и «агрегаторы», которые интегрируют результаты. Так же, как и в случае с МО, несколько таких слоев можно комбинировать. Отсутствие слоев стробирования делает этот подход более гибким и адаптируемым к сложным задачам.

DeAI Economy

Экономика DeAI (Decentralized AI) является фундаментальным аспектом платформы Assisterr. Она использует технологию блокчейн для создания децентрализованного рынка моделей и данных искусственного интеллекта. Эта экономика стимулирует обмен данных и сотрудничество, обеспечивая справедливое вознаграждение участников за их усилия. Ключевыми компонентами экономики DeAI являются:

• Рынок данных: платформа, где пользователи могут покупать, продавать и делиться данными и моделями искусственного интеллекта. Этот рынок способствует обмену ценными ресурсами, способствуя инновациям и сотрудничеству в сообществе.
• Механизмы поощрения: Assisterr использует различные механизмы поощрения для вознаграждения пользователей за вклад в данные, разработку моделей и участие в экосистеме. Эти стимулы обеспечивают активность и вовлеченность сообщества.
• Прозрачность и безопасность: технология блокчейн обеспечивает прозрачную и безопасную среду для сделок в экономике DeAI. Это обеспечивает целостность и надежность данных и моделей искусственного интеллекта, защищая пользователей от мошенничества и неправомерного использования.

Система Assisterr

AI лаборатории

AssisterrAI предоставляет унифицированный инфраструктурный конвейер для создания, токенизации и распространения малых языковых моделей (SLM) таким образом, что стимулирует все сообщественные вклады. Лаборатория искусственного интеллекта позволяет пользователям вносить вклад в модели в области своих знаний, становясь как со-творцами, так и со-владельцами искусственного интеллекта. Такой подход гарантирует, что работники гиг-экономики искусственного интеллекта зарабатывают не только единовременно, на транзакционной основе, но и захватывают более широкую рыночную ценность, обеспечивая лучшее будущее и делая людей бенефициарами искусственного интеллекта, а не жертвами прогресса и автоматизации.

Для доступа к платформе пользователи подключают браузерный кошелек Solana, а также свой профиль X и учетную запись Discord. Затем они могут создавать модели через вкладку AI Lab пользовательского интерфейса Assisterr, которая предлагает простую форму для указания ключевых параметров, шаблонов подсказок и метаданных модели. Пользователи могут напрямую загружать данные, которые будут внедрены в модель через улучшенную генерацию с помощью извлечения (RAG) и позже - через настройку. После создания модель можно сделать общедоступной через магазин SLM. В будущем AI Lab примет модульную, многомодельную парадигму с архитектурой Mixture of Agents и усовершенствованными стратегиями извлечения.

SLM Store

Участники Assisterr получают вознаграждение за все этапы создания модели искусственного интеллекта, начиная от предоставления данных и создания модели, заканчивая валидацией и рецензированием. Этот механизм распределения доходов реализован через модуль токенизации SLM. Лаборатория искусственного интеллекта эффективно связывает бизнес-кейсы с необходимыми данными и экспертизой. Как только модель появляется на вкладке SLM Store интерфейса Assisterr, любой пользователь может обращаться к ней через интерфейс чат-бота. В настоящее время боты помогают в различных сферах веб-экосистемы Web3, здравоохранения, разработки программного обеспечения и финансов.

Каждая модель в магазине SLM поставляется с казной, номинированной в собственной марке Assisterr, которая пополняется из баланса соответствующего пользователя после каждого запроса. Запросы можно размещать с веб-интерфейса с подключенным кошельком Solana или через API, что делает модели из магазина SLM доступными через другие приложения. Участники могут создавать модели SLM, собирать их в агентов и развертывать их через интерфейс без кодирования, обеспечивая быстрый период выхода на рынок и быстрый цикл инноваций. Это решает проблемы распространения и монетизации, с которыми сталкиваются независимые создатели моделей и разработчики.

Совместные элементы

Через вкладку "Сотрудничество и заработок" пользователи могут участвовать в итерационных улучшениях существующих моделей из магазина SLM, выполняя запросы данных и проверяя показатели производительности в обмен на токены управления (MTs) или местный токен Assisterr. Этот процесс рецензирования обеспечивает постоянное развитие и повышенную производительность в создании моделей с течением времени. В сочетании с функциями, такими как Mixture of Agents (MoA), это позволяет накопительный прогресс и непрерывное боттом-ап творчество. Модульный и специализированный характер SLMs обеспечивает быструю интеграцию в существующие рабочие конвейеры. В будущем компании или частные лица смогут описать свои проблемы, и услуги Assisterr будут включать соответствующий набор SLMs/Agents для поиска решения.

Модель казначейства Assisterr

Нативный токен Assisterr - это средство, на котором осуществляются операции в экосистеме AssisterrAI. Он передается в ответ на подтверждение действий, выполненных в рамках протоколов смарт-контрактов на каждом этапе процесса разработки SLM. Используя токен, участники могут взаимодействовать с возможностями экосистемы Assisterr, такими как доступ к продуктам, оплата комиссий и вклад в создание, управление и монетизацию SLM.

Применение Assisterr

Агенты управления децентрализованными финансами (DeFi)

Децентрализованные финансы (DeFi) AI-агенты являются значительным нововведением в пространстве Web3. Переходя за пределы общегрупповых систем рекомендаций, специализированный искусственный интеллект, действующий в пределах безопасных, разрешенных ограничений, может лучше оптимизировать и автоматизировать финансовые портфели. Агентные SLM, созданные для быстрых средств массовой информации, таких как протоколы Solana DeFi, могут улучшить кредитование/заимствование, вечную торговлю и стейкинг. Эти агенты обеспечивают лучшую кураторию данных, многорежимное рассуждение и глубокий функциональный анализ через ансамбли SLM и современные консорциумы Mixture of Agents (MoA).

Торговые агенты

Торговые агенты, созданные для сложных торговых сценариев, могут анализировать кластеры кошельков и тенденции ценового движения, что особенно полезно как на волатильном рынке DeFi, так и в традиционных финансах (TradFi). Метод адаптивного обучения на основе SLM (MoA) может быть особенно эффективным в стратегиях торговли, основанных на данных, где средство и метод исполнения играют важную роль. Эти агенты повышают эффективность и прибыльность торговли, используя передовые алгоритмы и данные в режиме реального времени.

Автономные чат-агенты

Автономные чат-агенты с продвинутыми возможностями обучения и аналитики ценны в академических, социальных и профессиональных сферах. Они могут служить в качестве поддерживающих прокси для различных услуг, подключаясь к социальным сетям и IT-приложениям. Внедряя функциональность агентов, эти модели разговорной поддержки могут действовать в качестве посредников, реализуя функции на основе обратной связи пользователя и предоставляя действенную поддержку.

Публичные аватары

SLMs могут создавать прокси на текстовой, аудио- или видео-основе, создавая аватары для глубоких, общедоступных задач. Эти аватары могут обрабатывать сложные утилиты, такие как 3D-аватары, автономная генерация текста в видео и интеграции в прямом эфире на социальных платформах. МоА на основе SLM может улучшить мультимодальные взаимодействия нового поколения, делая общедоступные аватары более интерактивными и эффективными.

Developer Relations

Запуск специализированного Web3 Developer Relations (DevRel) на платформе AssisterrAI продемонстрировал сильное соответствие рынку. Надежный режим DevRel необходим для привлечения разработчиков и предоставления всесторонней поддержки при внедрении технологического стека. Однако это сопряжено со значительными затратами, а зарплаты на должностях DevRel варьируются от $90 тыс. до $200 тыс. в год. Многие запросы в службу поддержки разработчиков предсказуемы и могут быть автоматизированы, что повышает эффективность DevRel за счет целевого использования SLM. Такой подход снижает затраты, сохраняя при этом качественную поддержку разработчиков.

Начало работы с Assisterr AI

Как зарегистрироваться на Assisterr

1. Посетите веб-сайт Assisterr: перейдите на Веб-сайт Assisterrи нажмите «Открыть приложение»

2. Подключите свой кошелек: нажмите кнопку "Выбрать кошелек" и подключите свой браузерный кошелек Solana. Этот кошелек будет использоваться для совершения транзакций и доступа к различным функциям на платформе.

3. Связывание аккаунтов в социальных сетях: Подключите свой профиль X и учетную запись Discord. Эти связи помогут подтвердить вашу личность и интегрировать ваше присутствие в социальных сетях с экосистемой Assisterr.

4. Завершите регистрацию: следуйте инструкциям на экране, чтобы завершить процесс регистрации. После регистрации вы можете начать изучать платформу и ее функции.

Доступ к SLM

1. Перейдите в магазин SLM: После входа в систему перейдите на Вкладка Магазин SLMна интерфейсе Assisterr.

2. Просмотр доступных моделей: Изучите различные доступные модели малых языковых моделей (SLM), доступные в магазине. Каждая модель разработана для выполнения конкретных задач и отраслей, таких как экосистемы Web3, здравоохранение, разработка программного обеспечения и финансы.

3. Модели запросов: Вы можете запрашивать любую модель через интерфейс чат-бота. Просто выберите интересующую вас модель и начните взаимодействие с ней. Запросы могут быть сделаны через веб-интерфейс с подключенным кошельком Solana или через API для интеграции с другими приложениями.

Как создать свой первый SLM

1. Получите доступ к AI Lab: перейдите в Вкладка AI Labна интерфейсе Assisterr.

2. Укажите параметры модели: Заполните форму конфигурации для указания ключевых параметров, шаблонов подсказок и метаданных для вашей модели. Это включает определение имени модели, идентификатора, описания цели, категории, обложки, стартовых разговоров и набора данных. Вы также можете ускорить этот процесс, используя помощника искусственного интеллекта.

3. Загрузить данные: прямая загрузка данных, которые будут встроены в модель через улучшенную генерацию с восстановлением (RAG) и доводку. Эти данные помогают обучить модель выполнять ее задачи.

4. Опубликуйте свою SLM: После настройки модели нажмите кнопку кнопку. Ваша модель будет создана, и вы сможете решить, хотите ли вы сделать ее общедоступной в магазине SLM или оставить ее приватной. Общедоступность позволит другим пользователям получить доступ к вашей модели и запрашивать ее.

Усилия по сбору средств Assisterr

Assisterr, стартап по инфраструктуре искусственного интеллекта с местонахождением в Кембридже, успешно завершил раунд предварительного финансирования в размере 1,7 миллиона долларов. В этом раунде инвестиций приняли участие ведущие венчурные фонды Web3, включая Web3.com Ventures, Moonhill Capital, Contango, Outlier Ventures, Decasonic, Zephyrus Capital, Wise3 Ventures, Saxon, GFI Ventures, X Ventures, Koyamaki, Lucid Drakes Ventures, а также известные ангелы, такие как Майкл Хайнрих, Марк Райдон, Надер Дабит, Антони Лесуазмие-Женьо и Итан Фрэнсис. Средства сыграли ключевую роль в создании фундаментальной инфраструктуры Assisterr и запуске его платформы.

С момента своего запуска Assisterr достиг значительных достижений, включая привлечение 150 000 зарегистрированных пользователей и запуск более 60 моделей малых языков (SLM) для ведущих протоколов Web3, таких как Solana, Optimism, 0g.ai и NEAR. Кроме того, Assisterr получил признание, выиграв несколько мировых хакатонов и участвуя в программе стартапов по искусственному интеллекту Google, обеспечив себя финансированием в размере 350 000 долларов США для поддержки своих потребностей в графическом процессоре, центральном процессоре и облачной инфраструктуре.

План развития и вехи в будущем

У Assisterr четкая дорожная карта для будущего роста и развития. Ключевыми этапами являются:

1. Лаборатория искусственного интеллекта (4 кв. 2024)

   • Запустите AI Lab, чтобы позволить пользователям создавать и владеть SLM.
   • Достигните 500 000 пользователей.
   • Реализовать программу поощрения создателей SLM.
   • Разработать 5,000 SLM.
   • Завершить начальный раунд.

2. Рост сети (H1 2025)

   • Разработать языковые модели для задач, специфичных для домена.
   • Провести событие генерации токенов (TGE) и листинги.
   • Достигнуто 3 миллиона пользователей.
   • Разработать 30 000 SLM.

3. Смесь SLM-агентов (H2 2025)

   • Реализация оркестрации SLM для задач, не зависящих от домена.
   • Расшириться в Web2.
   • Достигнуть 10 миллионов пользователей.
   • Разработать 100 000 SLM.

Заключение

Assisterr открывает новую эру децентрализованного и общедоступного искусственного интеллекта, используя небольшие языковые модели (SLM) и инновационные экономические модели. Решая ограничения больших языковых моделей (LLM) и поддерживая коллаборативный подход, Assisterr делает технологию искусственного интеллекта доступнее, эффективнее и устойчивее. Комплексная экосистема платформы, включающая лаборатории искусственного интеллекта, магазин SLM и коллаборативные элементы, дает пользователям возможность создавать, делиться и монетизировать модели искусственного интеллекта.