當今的AI行業由於集中化面臨重大挑戰，主要進展通常掌握在少數大型公司手中。這引發了對數據隱私、壟斷行為以及獲取前沿技術能力有限的擔憂。此外，儘管大型語言模型（LLMs）如GPT-3具備強大能力，但其依賴性過高也帶來了高計算成本、環境影響以及訓練數據中的潛在偏見等問題。這些模型需要大量的數據和資源，使得它們僅對資金充足的組織可用。

Assisterr 通過引入小型語言模型（SLMs）並推動社區擁有的AI開發方法來應對這些挑戰。SLMs 更加高效，所需的計算能力和數據更少，同時仍能保持卓越的性能，從而使AI技術變得更加可獲取和可持續。此外，Assisterr 的社區擁有模型和AI智能體讓用戶能夠參與和受益於AI的進步，促進創新與包容性，確保AI的益處能夠更廣泛地惠及整個社會。

什麼是 Assisterr AI？

來源：Assisterr 網站

Assisterr AI 是一個去中心化的AI平臺，旨在通過利用小型語言模型（SLMs）和社區擁有的AI智能體來實現人工智能的普惠化。其主要目標是提供一種更高效、更可獲取且更可持續的傳統AI模型替代方案，以應對大型語言模型（LLMs）的侷限性，並推動協作型AI生態系統的發展。

Assisterr AI 的關鍵特性與優勢

• 小型語言模型（SLMs）：與LLMs不同，SLMs 需要更少的計算能力和數據，使其更具可獲取性和環保性。SLMs 專為高效完成特定任務而設計，從而降低了大型模型帶來的額外開銷。
• 社區擁有模型：Assisterr 提倡一種去中心化的模式，用戶可以參與AI的進步並從中受益。這種模式促進了創新和包容性，確保AI技術不會被少數大型實體壟斷。
• 零代碼工具：Assisterr 提供用戶友好的零代碼工具，使個人和企業無需深入的技術知識即可創建和部署AI模型，從而降低了參與門檻，鼓勵更多人加入AI開發。
• 數據市場：平臺包含一個數據與AI模型的市場，用戶可以購買、出售和共享資源，從而激勵數據共享與協作，進一步增強AI生態系統。
• 安全與透明性：Assisterr 採用強大的安全措施和透明的流程，以確保其AI模型和數據交易的完整性和可信性。

語言模型（LLM 和 SLM）

大型語言模型（LLM）

大型語言模型（LLMs）如 GPT-3 和 BERT 是基於大量文本數據訓練的AI模型，能夠理解和生成類似人類語言。它們可以執行各種任務，如文本補全、翻譯和摘要生成。然而，LLMs 存在一些顯著的缺點：

• 高計算成本：訓練和運行 LLMs 需要大量計算資源，成本高昂且對環境造成負擔。
• 數據偏見：LLMs 可能繼承其訓練數據中的偏見，從而生成帶有偏見或不適當的輸出。
• 可獲取性受限：由於資源需求高，LLMs 通常僅對資金雄厚的大型組織可用。
• 擴展性問題：LLMs 的整體結構較為僵化，難以靈活適應特定任務或領域。

小型語言模型（SLM）

小型語言模型（SLMs）與 LLMs 概念類似，但設計上更注重準確性、專用性和高效性。SLMs 通過專注於特定任務和數據集，為細分應用場景提供更優的性能，尤其適合專業化的使用案例。藉助定製化數據集和麵向特定業務需求的訓練，SLMs 能以更低成本提供卓越的性能和情境適應能力。這也為開源 SLM 的構建提供了動力，過去一些低成本項目開發的 SLM 已在準確性上接近成熟的 LLMs，成本卻遠低於後者。

Assisterr AI 的技術原理

小型語言模型（SLM）

小型語言模型（SLMs）是 Assisterr 技術的核心。與大型語言模型（LLMs）不同，SLMs 設計上更加高效和專用。它們專注於特定任務和數據集，因此能夠為細分應用提供卓越的性能。這種專門化使得 SLMs 更加可獲取且可持續，因為它們需要的計算能力和數據更少。小型語言模型（SLMs）是 Assisterr 技術的核心。與大型語言模型（LLMs）不同，SLMs 設計上更加高效和專用。它們專注於特定任務和數據集，因此能夠為細分應用提供卓越的性能。這種專門化使得 SLMs 更加可獲取且可持續，因為它們需要的計算能力和數據更少。小型語言模型（SLMs）是 Assisterr 技術的核心。與大型語言模型（LLMs）不同，SLMs 設計上更加高效和專用。它們專注於特定任務和數據集，因此能夠為細分應用提供卓越的性能。這種專門化使得 SLMs 更加可獲取且可持續，因為它們需要的計算能力和數據更少。

模塊化 SLM 架構

為了解決基於 LLM 的智能體的侷限性，出現了多個小型語言模型（SLMs）在協作型智能體框架中工作的先進方法。在從 SLM 集合體開發 AI 智能體時，有兩個核心方法被廣泛採用：專家混合（Mixtures of Experts, MoE）和智能體混合（Mixtures of Agents, MoA）。

專家混合（MoE）

來源：Assisterr Litepaper

當現代小型語言模型（SLM）結合在 MoE 集合中時，可以在不失去功能性問題解決能力的情況下，提升學習的靈活性。集合學習能夠將多個較小模型的推理能力結合在一起，每個模型專注於不同的相關背景，從而解決複雜問題。這種組合生成了混合的理解，允許AI深入挖掘。專家層本身可以由 MoE 組成，創建分層結構，進一步緩解上下文複雜性並提升問題解決能力。MoE 通常使用稀疏門控層，動態選擇多個並行網絡中的最佳響應，以便給出最合適的答案。為了實現更靈活的響應，單個專家可以針對代碼生成、翻譯或情感分析進行微調。更復雜的 MoE 架構可能包含多個 MoE 層，並與其他組件結合使用。像任何典型的語言模型架構一樣，MoE 的門控層操作基於語義標記，並需要進行訓練。

智能體混合（MoA）

當小型語言模型（SLMs）組裝成 MoA 架構時，可以增強多樣化推理集合的選擇性，使得AI能夠執行任務時採用所需的方法論，從而精準地執行任務。智能體模型被組裝成一個聯盟，分層執行協議，提升複雜任務的效率和問題解決能力。因此，AI 可以在多領域場景下工作。智能體團隊可以按順序工作，迭代地改進先前的結果。MoA 在性能上往往明顯優於更大的模型，包括 GPT-4 Omni 在 AlpacaEval 2.0 上的 57.5% 準確率，即使在開源模型中也有如此表現。智能體混合（MoA）是在模型輸出層面操作，而非語義標記層面。它沒有門控層，而是並行地將文本提示轉發給所有智能體。MoA 的輸出也不是通過加法和歸一化進行彙總，而是通過連接並與合成與聚合提示一起結合，再傳遞給另一個模型以生成最終輸出。因此，模型被分為“提出者”（計算不同輸出）和“聚合者”（整合結果）。與 MoE 一樣，多個這樣的層可以進行組合。缺乏門控層使得這一方法在面對複雜任務時更加靈活和適應性強。

DeAI 經濟

DeAI（去中心化AI）經濟是 Assisterr 平臺的一個基本組成部分。它利用區塊鏈技術創建了一個去中心化的AI模型和數據市場。這個經濟體系激勵數據共享與協作，確保貢獻者能夠公平地獲得回報。DeAI 經濟的關鍵組成部分包括：

• 數據市場：一個用戶可以購買、出售和共享數據及AI模型的平臺。這個市場鼓勵有價值資源的交換，促進社區內的創新與協作。
• 激勵機制：Assisterr 採用多種激勵機制來獎勵用戶貢獻數據、開發模型並參與生態系統。這些激勵確保社區保持活躍並持續參與。
• 透明性與安全性：區塊鏈技術為 DeAI 經濟中的交易提供了一個透明和安全的環境，確保數據和AI模型的完整性與可信度，保護用戶免受欺詐和濫用。

Assisterr 生態系統

AI Labs

AssisterrAI 提供了一個統一的基礎設施管道，用於創建、代幣化和分發小型語言模型（SLMs），並通過這一方式激勵所有社區貢獻者的參與。AI 實驗室允許用戶在自己知識領域內為模型做出貢獻，成為AI的共同創作者和共同擁有者。這種方法確保AI臨時工作者不僅能夠獲得一次性、交易性的報酬，還能捕捉更廣泛的市場價值，保障更好的未來，使人們成為AI的受益者，而非進步與自動化的受害者。

為了訪問平臺，用戶需要連接一個基於瀏覽器的Solana錢包，以及他們的X個人資料和Discord賬戶。然後，他們可以通過Assisterr用戶界面的AI實驗室標籤來創建模型，界面提供了一個簡單的表單，用於指定關鍵參數、提示模板和模型元數據。用戶可以直接上傳數據，這些數據將通過檢索增強生成（RAG）嵌入模型，後續還可以通過微調來優化。一旦模型創建完成，可以通過SLM商店將其公開。在未來，AI實驗室將採用模塊化、多模型範式，並結合智能體混合架構和增強檢索策略。

SLM商店

Assisterr 的貢獻者在AI模型的創建過程中每個步驟都能獲得獎勵，從數據貢獻、模型創建到驗證和審查。這個收入共享機制是通過SLM代幣化模塊實現的。AI實驗室有效地將業務用例與所需的數據和專業知識連接起來。一旦模型出現在Assisterr界面的SLM商店標籤中，任何用戶都可以通過聊天機器人界面查詢該模型。目前，機器人在Web3生態系統、醫療健康、軟件開發和金融等多個領域提供幫助。

SLM商店中的每個模型都配有一個以Assisterr原生代幣計價的金庫，每次查詢時都會從相應用戶的餘額中補充。查詢可以通過連接Solana錢包的WebUI或API進行，從而使SLM商店中的模型可以通過其他應用程序訪問。貢獻者可以創建SLM，將它們組合成智能體，並通過零代碼界面部署，從而提供快速的市場進入週期和快速的創新週期。這解決了獨立模型創作者和開發者在分發和盈利化過程中面臨的挑戰。

協作元素

通過“貢獻與賺取”標籤，用戶可以通過滿足數據請求和驗證性能指標，參與對SLM商店中現有模型的迭代改進，並獲得管理代幣（MTs）或原生Assisterr代幣。這一同行評審過程確保了模型創建的不斷進化，並隨著時間的推移提高了吞吐量。結合智能體混合（MoA）等功能，這使得累積進展和持續的自下而上的調整成為可能。SLM的模塊化和專用性使其能夠快速集成到現有工作流程中。未來，企業或個人將能夠描述他們的問題，Assisterr的服務將涉及相關的SLM/智能體池來找到解決方案。

Assisterr金庫模型

原生Assisterr代幣是AssisterrAI生態系統運營的載體。它會在SLM開發過程的每個階段，通過驗證履行智能合約協議的行動進行交易。通過利用該代幣，參與者可以與Assisterr生態系統的各項功能進行互動，例如訪問產品、支付費用，以及為SLM的創建、管理和盈利化做出貢獻。

Assisterr 的使用案例

去中心化金融（DeFi）管理智能體

去中心化金融（DeFi）AI智能體是Web3領域的重大創新。超越通用推薦系統，專門的AI在安全、許可的約束下運行，能夠更好地優化和自動化金融組合。為快速交易媒體（如Solana DeFi協議）創建的智能體SLMs可以增強借貸、永續交易和質押等功能。這些智能體通過SLM集合和現代的智能體混合（MoA）聯盟提供更好的數據策劃、多模態推理和深度功能分析。

交易智能體

為複雜交易場景量身定製的交易智能體能夠分析錢包聚類和價格走勢，在動盪的DeFi市場和傳統金融（TradFi）中都具有極大的實用性。基於SLM的MoA在數據參考交易策略中特別有效，其中執行媒介和方法至關重要。這些智能體通過利用先進算法和實時數據來提高交易效率和盈利能力。

自主聊天智能體

具有先進學習和分析能力的自主聊天智能體在學術、社交和專業領域具有重要價值。它們可以作為各種服務的支持代理，連接社交網絡和IT應用。通過加入智能體功能，這些對話支持模型可以充當聯絡人，根據用戶反饋實施功能並提供可操作的支持。

面向公眾的虛擬形象

SLMs可以創建基於文本、音頻或視頻的代理，生成用於深度互動和公眾任務的虛擬形象。這些虛擬形象可以處理複雜的功能，如3D虛擬形象、自動文本到視頻生成以及社交平臺上的直播集成。基於SLM的MoA可以增強下一代多模態互動，使面向公眾的虛擬形象更加互動和高效。

開發者關係

在AssisterrAI平臺上推出的專門Web3開發者關係（DevRel）概念驗證證明了強大的市場適應性。健全的DevRel機制對於吸引開發者並在採用技術棧時提供全面支持至關重要。然而，這也伴隨著巨大的成本，DevRel崗位的年薪從90,000美元到200,000美元不等。許多開發者支持請求是可預測的，可以通過自動化來提高DevRel效率，藉助SLMs的有針對性使用來降低成本，同時保持對開發者的高質量支持。

如何開始使用 Assisterr

如何在 Assisterr上註冊

1.訪問 Assisterr 網站：前往 Assisterr 的官方網站並點擊“打開應用”。

2.連接錢包：點擊“選擇錢包”按鈕並連接你的瀏覽器基礎的Solana錢包。這個錢包將用於交易和訪問平臺上的各種功能。

3.鏈接社交賬戶：連接你的X個人資料和Discord賬戶。這些連接有助於驗證你的身份，並將你的社交存在與Assisterr生態系統整合。

4.完成註冊：按照屏幕上的指示完成註冊過程。註冊完成後，你就可以開始探索平臺及其功能。

訪問 SLMs

1.導航到 SLM 商店：登錄後，前往 Assisterr 界面上的 SLM 商店標籤。.

2.瀏覽可用模型：瀏覽商店中各種可用的小型語言模型（SLMs）。每個模型都是為特定任務和行業設計的，例如 Web3 生態系統、醫療保健、軟件開發和金融。

3.查詢模型：你可以通過聊天機器人界面查詢任何模型。只需選擇你感興趣的模型並開始與其互動。查詢可以通過連接的 Solana 錢包在 Web 界面中進行，也可以通過 API 與其他應用集成進行查詢。

如何創建你的第一個 SLM

1.訪問 AI 實驗室：前往 Assisterr 界面上的 AI 實驗室標籤。

2.指定模型參數：填寫配置表單，指定模型的關鍵參數、提示模板和元數據。這包括定義模型的名稱、標識、目的描述、類別、封面圖像、對話開場白和數據集。你還可以通過使用 AI 助手來加快這個過程。

3.上傳數據：直接上傳將通過檢索增強生成（RAG）和微調嵌入模型的數據。這些數據有助於訓練模型執行預定任務。

4.發佈你的 SLM：配置完成後，點擊發布按鈕。你的模型將被生成，你可以選擇將其發佈到 SLM 商店或保持私密。將其發佈到公開後，其他用戶可以訪問並查詢你的模型。

Assisterr 的籌資努力

Assisterr 是一家位於劍橋的 AI 基礎設施初創公司，成功完成了 170 萬美元的種子前融資輪。此次投資輪吸引了多個知名的 Web3 風投基金參與，包括 Web3.com Ventures、Moonhill Capital、Contango、Outlier Ventures、Decasonic、Zephyrus Capital、Wise3 Ventures、Saxon、GFI Ventures、X Ventures、Koyamaki、Lucid Drakes Ventures，以及多位知名天使投資人，如 Michael Heinrich、Mark Rydon、Nader Dabit、Anthony Lesoismier-Geniaux 和 Ethan Francis。這些資金對於 Assisterr 建設基礎設施和推出平臺起到了至關重要的作用。

自平臺啟動以來，Assisterr 已取得顯著進展，包括吸引了 15 萬註冊用戶，併為領先的 Web3 協議如 Solana、Optimism、0g.ai 和 NEAR 推出了超過 60 個小型語言模型（SLMs）。此外，Assisterr 還因贏得多個全球黑客鬆比賽並參與 Google 的 AI 初創公司計劃而獲得認可，獲得了 35 萬美元的資金支持，以支持其 GPU、CPU 和雲基礎設施的需求。

未來路線圖和里程碑

Assisterr 有一個明確的未來發展和增長路線圖。主要的里程碑包括：

1. AI 實驗室（2024 年第四季度）

   • 啟動 AI 實驗室，允許用戶創建和擁有小型語言模型（SLMs）。
   • 達到 50 萬用戶。
   • 實施 SLM 創作者激勵計劃。
   • 開發 5000 個 SLMs。
   • 完成種子輪融資。

2. 網絡增長（2025 年上半年）

   • 開發適用於特定領域任務的 SLMs。
   • 舉行代幣生成事件（TGE）並進行上市。
   • 開發 3 萬個 SLMs。
   • Develop 30,000 SLMs.

3. SLM-智能體混合（2025 年下半年）

   • 實施面向領域無關任務的 SLM 協同工作。
   • 向 Web2 擴展。
   • 達到 1000 萬用戶。
   • 開發 10 萬個 SLMs。

結論

Assisterr 正在通過利用小型語言模型（SLMs）和創新的經濟模型，開創一個新的去中心化、社區擁有的 AI 時代。通過解決大型語言模型（LLMs）的侷限性並提倡協作方式，Assisterr 正在使 AI 技術變得更加可訪問、高效和可持續。平臺的綜合生態系統，包括 AI 實驗室、SLM 商店和協作元素，賦予用戶創建、分享和貨幣化 AI 模型的能力。