فِچ.ای‌آی (Fetch.ai) مدل زبانی بزرگ بومی وب۳ به نام ASI-1 Mini را راه‌اندازی کرده است که برای پشتیبانی از جریان‌های کاری پیچیده هوش مصنوعی عامل‌محور طراحی شده است.
ASI-1 Mini که به‌عنوان تحولی در دسترسی و عملکرد هوش مصنوعی توصیف شده، به دلیل ارائه نتایجی هم‌تراز با مدل‌های زبانی پیشرو اما با هزینه‌های سخت‌افزاری به‌مراتب کمتر، مورد تحسین قرار گرفته است—گامی بزرگ به‌سوی آماده‌سازی هوش مصنوعی برای استفاده در سطح سازمانی.
ASI-1 Mini در اکوسیستم‌های وب۳ ادغام می‌شود و امکان تعاملات امن و خودکار هوش مصنوعی را فراهم می‌کند. عرضه این مدل، پایه‌ای برای نوآوری گسترده‌تر در بخش هوش مصنوعی ایجاد می‌کند—از جمله راه‌اندازی قریب‌الوقوع مجموعه کورتکس که کاربرد مدل‌های زبانی بزرگ و هوش عمومی را بیش‌ازپیش بهبود خواهد داد.
همایون شیخ، مدیرعامل فِچ.ای‌آی و رئیس آن سوپرهوش مصنوعی، اظهار داشت: «این عرضه، آغاز rollout ASI-1 Mini و دورانی جدید از هوش مصنوعی متعلق به جامعه را رقم می‌زند. با غیرمتمرکز کردن زنجیره ارزش هوش مصنوعی، ما جامعه وب۳ را قادر می‌سازیم تا در مدل‌های پایه هوش مصنوعی سرمایه‌گذاری کنند، آن‌ها را آموزش دهند و مالکیت آن‌ها را به دست آورند.»
وی افزود: «به‌زودی ادغام ابزارهای عامل‌محور پیشرفته، قابلیت‌های چندوجهی و هم‌افزایی عمیق‌تر با وب۳ را معرفی خواهیم کرد تا توانایی‌های اتوماسیون ASI-1 Mini را تقویت کنیم، در حالی که ارزش‌آفرینی هوش مصنوعی در دستان مشارکت‌کنندگان آن باقی می‌ماند.»
دموکراتیک کردن هوش مصنوعی با وب۳: مالکیت غیرمتمرکز و ارزش مشترک
کلید چشم‌انداز فِچ.ای‌آی، دموکراتیک کردن مدل‌های پایه هوش مصنوعی است که به جامعه وب۳ اجازه می‌دهد نه‌تنها از این مدل‌ها استفاده کند، بلکه آن‌ها را آموزش دهد و مالک مدل‌های اختصاصی مانند ASI-1 Mini شود.
این غیرمتمرکزسازی، فرصت‌هایی را برای افراد فراهم می‌کند تا مستقیماً از رشد اقتصادی مدل‌های پیشرفته هوش مصنوعی که می‌توانند به ارزش‌گذاری‌های چندمیلیارد دلاری برسند، بهره‌مند شوند.
از طریق پلتفرم فِچ.ای‌آی، کاربران می‌توانند در مجموعه‌های منتخب مدل‌های هوش مصنوعی سرمایه‌گذاری کنند، در توسعه آن‌ها مشارکت کنند و از درآمدها سهیم شوند. برای اولین بار، غیرمتمرکزسازی مالکیت مدل‌های هوش مصنوعی را پیش می‌برد و اطمینان می‌دهد که منافع مالی به‌صورت عادلانه‌تری توزیع شود.
استدلال پیشرفته و عملکرد سفارشی‌شده
ASI-1 Mini با چهار حالت استدلال پویا—چندمرحله‌ای، کامل، بهینه‌شده و استدلال کوتاه—انعطاف‌پذیری در تصمیم‌گیری را معرفی می‌کند. این انعطاف‌پذیری به آن اجازه می‌دهد تا بسته به وظیفه موردنظر، عمق و دقت را متعادل کند.
چه در حل مسائل پیچیده چندلایه و چه در ارائه بینش‌های مختصر و عملی، ASI-1 Mini به‌صورت پویا برای حداکثر کارایی سازگار می‌شود. چارچوب‌های «ترکیب مدل‌ها» (MoM) و «ترکیب عامل‌ها» (MoA) این تطبیق‌پذیری را بیش‌ازپیش تقویت می‌کنند.
ترکیب مدل‌ها (MoM):
ASI-1 Mini به‌صورت پویا مدل‌های مرتبط را از مجموعه‌ای از مدل‌های تخصصی هوش مصنوعی که برای وظایف یا مجموعه‌داده‌های خاص بهینه شده‌اند، انتخاب می‌کند. این امر کارایی و مقیاس‌پذیری بالایی را به‌ویژه برای هوش مصنوعی چندوجهی و یادگیری فدرال تضمین می‌کند.
ترکیب عامل‌ها (MoA):
عامل‌های مستقل با دانش و توانایی‌های استدلالی منحصربه‌فرد به‌صورت همکاری‌جویانه برای حل وظایف پیچیده کار می‌کنند. مکانیزم هماهنگی سیستم، توزیع کارآمد وظایف را تضمین می‌کند و راه را برای مدل‌های هوش مصنوعی غیرمتمرکز که در سیستم‌های چندعاملی پویا شکوفا می‌شوند، هموار می‌کند.
این معماری پیچیده بر سه لایه تعاملی بنا شده است:
- لایه پایه: ASI-1 Mini به‌عنوان هسته هوشمندی و مرکز هماهنگی عمل می‌کند.
- لایه تخصصی (بازار MoM): میزبان مدل‌های تخصصی متنوعی است که از طریق پلتفرم ASI قابل‌دسترسی هستند.
- لایه عمل (AgentVerse): شامل عامل‌هایی است که قادر به مدیریت پایگاه‌داده‌های زنده، ادغام APIها، تسهیل جریان‌های کاری غیرمتمرکز و غیره هستند.
با فعال‌سازی انتخابی تنها مدل‌ها و عامل‌های لازم، سیستم عملکرد، دقت و مقیاس‌پذیری را در وظایف واقعی تضمین می‌کند.
تحول در کارایی و دسترسی هوش مصنوعی
برخلاف مدل‌های زبانی سنتی که با بار محاسباتی بالایی همراه هستند، ASI-1 Mini برای عملکرد در سطح سازمانی تنها با دو GPU بهینه شده است و هزینه‌های سخت‌افزاری را تا هشت برابر کاهش می‌دهد. برای کسب‌وکارها، این به معنای کاهش هزینه‌های زیرساختی و افزایش مقیاس‌پذیری است و موانع مالی برای ادغام هوش مصنوعی با عملکرد بالا را از بین می‌برد.
در آزمون‌های معیار مانند «درک زبان چندوظیفه‌ای عظیم» (MMLU)، ASI-1 Mini در حوزه‌های تخصصی مانند پزشکی، تاریخ، کسب‌وکار و استدلال منطقی با مدل‌های زبانی پیشرو برابری می‌کند یا از آن‌ها پیشی می‌گیرد.
ASI-1 Mini در دو فاز عرضه می‌شود و به‌زودی با گسترش پنجره زمینه‌ای خود، مجموعه‌داده‌های بسیار بزرگ‌تری را پردازش خواهد کرد:
- تا ۱ میلیون توکن: به مدل اجازه می‌دهد اسناد پیچیده یا راهنماهای فنی را تحلیل کند.
- تا ۱۰ میلیون توکن: کاربردهای پرمخاطره مانند بازبینی سوابق حقوقی، تحلیل مالی و مجموعه‌داده‌های در مقیاس سازمانی را ممکن می‌سازد.
این پیشرفت‌ها ASI-1 Mini را برای وظایف پیچیده و چندلایه ارزشمند خواهد کرد.
مقابله با مشکل جعبه سیاه
صنعت هوش مصنوعی مدت‌هاست با چالش مشکل «جعبه سیاه» روبه‌روست، جایی که مدل‌های یادگیری عمیق بدون توضیحات روشن به نتیجه‌گیری می‌رسند.
ASI-1 Mini با استدلال چندمرحله‌ای مداوم این مشکل را کاهش می‌دهد و امکان اصلاحات در زمان واقعی و تصمیم‌گیری بهینه‌شده را فراهم می‌کند. اگرچه این مدل به‌طور کامل ابهام را از بین نمی‌برد، خروجی‌های قابل‌توضیح‌تری ارائه می‌دهد—که برای صنایعی مانند مراقبت‌های بهداشتی و مالی حیاتی است.
معماری چندمتخصصی آن نه‌تنها شفافیت را تضمین می‌کند، بلکه جریان‌های کاری پیچیده را در بخش‌های مختلف بهینه می‌سازد. از مدیریت پایگاه‌داده‌ها تا اجرای منطق کسب‌وکار در زمان واقعی، ASI-1 در سرعت و قابلیت اطمینان از مدل‌های سنتی پیشی می‌گیرد.
ادغام با AgentVerse: ساخت اقتصاد هوش مصنوعی عامل‌محور
ASI-1 Mini قرار است با AgentVerse، بازار عامل‌های فِچ.ای‌آی، متصل شود و ابزارهایی را در اختیار کاربران قرار دهد تا عامل‌های خودکار قادر به اجرای وظایف دنیای واقعی را از طریق دستورات زبانی ساده بسازند و مستقر کنند. به‌عنوان مثال، کاربران می‌توانند برنامه‌ریزی سفر، رزرو رستوران یا تراکنش‌های مالی را از طریق «میکروعامل‌ها» میزبانی‌شده در پلتفرم خودکار کنند.
این اکوسیستم، سفارشی‌سازی و کسب درآمد از هوش مصنوعی منبع‌باز را ممکن می‌سازد و یک «اقتصاد عامل‌محور» ایجاد می‌کند که در آن توسعه‌دهندگان و کسب‌وکارها به‌صورت هم‌زیستی رشد می‌کنند. توسعه‌دهندگان می‌توانند از میکروعامل‌ها درآمد کسب کنند، در حالی که کاربران به راه‌حل‌های هوش مصنوعی سفارشی‌شده دسترسی یکپارچه دارند.
با بلوغ اکوسیستم عامل‌محور خود، ASI-1 Mini قصد دارد به یک نیروی چندوجهی قدرتمند تبدیل شود که قادر به پردازش متن ساختارمند، تصاویر و مجموعه‌داده‌های پیچیده با تصمیم‌گیری آگاه از زمینه است.
منبع: اخبار هوش مصنوعی
