Web3原生大语言模型ASI-1 Mini：开创去中心化AI新纪元

近日，一款名为 QBio 的医疗 AI 工具引发关注。该工具专注于乳腺密度分类和透明报告生成，用户只需上传 X 光片，几分钟内即可获得乳腺密度（A、B、C 或 D 类）的分类结果，以及一份详细的决策解释报告。

然而，QBio 只是冰山一角，其背后真正的技术核心是 ASI-1 Mini——全球首款 Web3 原生大语言模型（LLM）。这款模型由 Fetch 和 Hybrid 合作开发，旨在填补 Web3 与人工智能（AI）融合的技术空白。

什么是 ASI-1 Mini

今年 2 月，Fetch 推出了 ASI-1 Mini，这是一款专为代理 AI（Agentic AI）设计的大语言模型，能够协调多个 AI 代理，处理复杂的多步骤任务。例如，QBio 背后的推理代理 ASI <TRAIN/> 就是基于 ASI-1 Mini 构建的。它不仅能够对乳腺密度进行分类，还能解释决策过程，解决了传统 AI 的“黑箱问题”。

值得一提的是，ASI-1 Mini 的硬件需求极低，仅需两块 GPU 即可运行，而其他类似模型（如 DeepSeek）通常需要 16 块 H100 GPU。这种高效的资源利用使其非常适合中小型机构使用。

ASI-1 Mini 的创新之处

MoM 与 MoA：混合模型与混合代理

ASI-1 Mini 引入了两项关键技术：混合模型（Mixture of Models, MoM）和混合代理（Mixture of Agents, MoA）。简单来说，MoM 是一个由多个专业模型组成的团队，每个模型专注于特定任务；MoA 则负责协调这些模型的输出。

以医疗影像分析为例，MoM 可能选择一个擅长图像识别的模型和一个擅长文本生成的模型，而 MoA 则确保最终生成的报告既准确又易读。这种协作模式不仅提升了效率，还增强了决策的透明性。

透明性与扩展性

相较于传统 LLM 的“黑箱”特性，ASI-1 Mini 提供了更高的透明度。通过持续的多步推理，它可以清楚地解释为何得出某个结论。在医疗领域，这种透明性尤为重要。

此外，ASI-1 Mini 的上下文窗口将扩展至 1,000 万 token，并支持多模态能力（如图像、视频处理）。未来，Fetch 还计划推出 Cortex 系列模型，专注于机器人、生物技术等前沿领域。

硬件效率

ASI-1 Mini 的设计哲学是“少即是多”。通过优化算法和模型结构，它最大化地利用有限的计算资源，从而显著降低了硬件成本。这意味着即使是小型诊所也能负担得起这项技术，无需依赖昂贵的数据中心。

社区驱动的去中心化模式

ASI-1 Mini 的另一大亮点是其社区驱动的开发模式。它是面向 $FET 持有者的分级免费增值产品，用户可以通过连接 Web3 钱包解锁全部功能。持有的 FET 代币越多，用户越能深入探索该模型的功能。

这种模式类似于众筹，但用于训练和验证人工智能。它让高科技不再局限于精英阶层，而是人人皆可参与。

在当前 LLM 技术相对成熟的背景下，ASI-1 Mini 之所以引人注目，是因为它填补了 Web3 与 AI 融合的空白。大多数现有 LLM（如 ChatGPT、Grok）主要服务于中心化环境，而 ASI-1 Mini 是首个为去中心化生态设计的 LLM。

ASI-1 Mini 的出现标志着 AI 从“黑箱”走向“透明”，从“中心化”走向“去中心化”，从“工具”走向“资产”。它不仅能应用于医疗领域（如 QBio），还将在金融、法律、科研等多个领域展现巨大潜力。

本月，Fetch 宣布与 Rivalz 合作，将 ASI-1 Mini 整合进 Rivalz 的 Agentic 数据协调系统（ADCS），实现链上 AI 推理。这一合作使得去中心化应用可以直接在区块链上访问高级 AI 推理能力。

传统区块链环境受限于资源，智能合约只能处理轻量级任务，通常通过预言机获取简单数据（如价格），无法直接运行复杂的 AI 模型。而 ADCS 完美解决了这一问题，复杂计算在链下完成，结果安全返回区块链，确保了去中心化和信任。