무료 AI 코인 grass 잔디 코인 채굴하기 [5분이면 끝] PC, 모바일 가능
grass 코인
5분이내 가능
구글 스토어에 kiwi 브라우저를 이용하면 모바일로도 가능합니다.
grass 코인은 네트워크 리소스를 고융하여 수익을 창출하는 방식으로 돌아갑니다.
최근 이 코인이 주목 받는 이유는 솔라나 모바일과 파트너십을 했기 때문에 주목을 받고 있습니다.
바이낸스에 상장의 가능성을 두고 이야기가 오가고 있어서 채굴하는 사람들이 늘어나고 있습니다.
크롬으로 확장 프로그램을 다운받고 인터넷이 연결된 상태로 켜두기만 한다면 채굴이 가능합니다.
아래의 사이트에서 가능합니다.
Grass: Earn a Stake in the AI Revolution
app.getgrass.io
모바일의 경우 kiwi 브라우저를 통해 진행해 주세요
채굴하는 방법
회원가입을 먼저 해줍니다.
로그인을 하면 이 상태입니다.
오른쪽 위에 CONNECT 연결하기를 눌러줍니다.
그렇다면 추가 프로그램을 다운받으라고 뜨는데 오른쪽위에 크롬에 추가를 눌러 추가를 해줍시다
그럼 방금 만든 아이디를 로그인해 줍니다
그렇다면 이렇게 실시간으로 코인이 채굴되는것을 볼 수 있습니다.
모바일 유저는 kiwi 브라우저 오른쪽 위에 점 세개 더보기를 누른 후에 하단에 가시면 하실 수 있습니다
모바일의 경우 휴대폰 설정의 개발자옵션이나 화면꺼짐방지 어플을 통해서 화면이 안꺼지게 해 놓아야 합니다.
grass 블로그의 글들을 번역해 보면
Grass: Earn A Stake in the AI Revolution
Grass is the easiest way to participate in the growth of AI. Join 1,700,000+ users securely monetizing their internet resources.
www.getgrass.io
grass 요약: 그래스 네트워크는 여러분의 여분 대역폭을 사용하여 인공지능 데이터를 웹에서 수집합니다. 인공지능 연구소가 어떻게 언어 모델을 훈련시키는지 탐색함으로써, 네트워크가 접근하는 자료의 종류와 여러분의 개인 데이터가 공식에 포함되지 않는 이유를 알 수 있습니다.
소개
여러분은 아마도 이미 알고 있듯이 그래스는 여러분의 여분 인터넷 대역폭을 사용하여 공공 웹에서 인공지능 데이터를 수집합니다. 우리는 과거에 이에 대해 조금 설명한 적이 있습니다. 언어 모델을 훈련시키려면 엄청난 양의 웹 데이터가 필요합니다. 그렇다면 정확히 어떤 종류의 데이터인가요? 그리고 왜 필요한 것일까요?
이러한 질문의 답을 이해하기 위해서는 대형 언어 모델이 어떻게 작동하는지 알아야 합니다. 그래서 여기서는 어떤 일이 벌어지는지 간단히 살펴볼 것입니다. 오늘은 여러분이 5살인 것처럼 또는 적어도 좀 더 세련된 성인이 되어 인공지능에 대해 조금 더 잘 이해하고 싶어하는 분들을 위해 LLMs에 대해 설명해보겠습니다. 그럼 어디서부터 시작할까요?
LLMs와 그들이 생성하는 워드 벡터
우리는 간단하게 시작해보죠: LLMs는 일반 언어로 질문을 하면 실제 답변을 얻을 수 있는 인공지능 알고리즘입니다. 특정 주제의 요약을 요청하거나 특정 단락을 번역하거나 복잡한 문제의 상세한 해결책을 요청할 수 있습니다. 이에 대한 응답으로, 그들은 입력한 프롬프트를 만족시키기 위해 예측 텍스트를 생성할 것입니다. 숙련되지 않은 눈에는, 그것은 영어를 구사하는 로봇처럼 보입니다.
그러나 그들은 어떻게 작동할까요? 궁극적으로, LLMs는 방대한 양의 문장을 살펴보고 특정 단어가 서로 어떻게 관련되어 있는지의 패턴을 찾은 다음 이러한 단어들을 이러한 관계를 반영하는 숫자 문자열로 변환합니다. 이 숫자들이 LLMs가 실제로 말하는 언어이며, 이를 "워드 벡터"라고 합니다. 이것이 어떻게 작동하는지 보기 위해 예를 들어보죠.
예를 들어, 고기볼과 함께 먹을 음식을 먹고 싶은데 그 파스타의 이름을 기억하지 못하는 경우를 가정해봅시다. 만약 LLM에게 이 수수께끼 같은 국수를 뭐라고 부를지 물으면, 그것은 A) 파스타이고, B) "고기볼"이란 단어와 같은 문장에 나타날 가능성이 있는 명사를 찾을 것입니다. 그러면 "스파게티"가 나올 것입니다.
아주 간단한 모델에서는 고기볼과 관련된 질문에만 답할 수 있도록 훈련된 경우, 각 단어 벡터는 두 가지 차원만 가질 수 있습니다.
1: 이 단어가 국수를 설명합니까? (예를 들어 1이면 예, 0이면 아니오.)
2: 이 단어와 "고기볼" 사이의 상관 관계는 어느 정도입니까?
이 경우에는 스파게티가 [1, 0.95]로 표시될 것입니다. 여기서 1은 스파게티가 국수라는 것을 나타내고 0.95는 "고기볼"이라는 단어와의 상관 관계가 95%임을 나타냅니다. 이것은 모델이 마주친 다른 어떤 단어보다도 높은 점수이므로 가장 올바른 답이 될 것입니다. 이것이야말로 스파게티와 고기볼입니다.
그런데 이제 질문이 더 복잡해진다면 어떻게 될까요? "스파게티"라는 단어 대신에 "7세 아이가 스파게티를 뭐라고 부르겠습니까?"라고 물어본다면 어떻게 될까요?
그것을 알아보기 위해서는 수백만 명의 7세 아이들의 인용구를 읽어서 이 매우 특별한 맥락에서 "고기볼"과 가장 높은 상관 관계를 가지는 단어를 결정해야 합니다. 실제로 이탈리아어에 능숙하지
않은 7세 아이들은 단어를 "스케티"나 "바스케티"처럼 발음할 가능성이 있습니다. 최근 ChatGPT가 알려준 것과 같습니다.
여기서 몇 가지 질문이 나옵니다. 우리가 단순한 프롬프트에 대답하기 위해서는 일반적인 상관 관계의 2차원 평가만 필요했기 때문에 제한된 데이터를 살펴보고 어떤 단어가 "고기볼"이란 단어가 가장 많이 나오는 문장에 나타나는지 확인하는 것은 쉬웠습니다. 그러나 우리가 더 복잡한 질문을 하기 시작하자, 단어 벡터는 지수적으로 길어져야 했으며, 따라서 더 많은 정보를 활용해야 했습니다. 아마 여기서 어디로 가려고 하는지 알 수 있을 것입니다. 사용자가 가능한 모든 질문에 대답할 수 있는 LLM을 훈련시키려면 훨씬 더 큰 데이터 집합에 액세스해야 합니다.
빅 데이터
위의 예에서 고기볼만 연구하는 과학자들은 만족할지 모르겠지만, 주요 인공지능 연구소는 언젠가 모든 기록된 인간 지식에 액세스할 수 있는 매우 정교한 LLM을 만들려고 노력하고 있습니다. 이를 위해 그들은 서로의 관계를 더 세밀하게 포착할 수 있는 단어 벡터를 생성할 수 있는 더 많은 차원의 단어 벡터를 내놓을 필요가 있습니다. 설명하기 위해 전체 영어 위키백과를 학습한 이 모델을 사용해보겠습니다.
영어로 "당나귀"라고 쓰여진 단어를 고려해보세요. 이것은 D-O-N-K-E-Y로 철자가 되어 있습니다. 벡터화되면, -0.092339 다음에 5,507 자리 숫자가 나옵니다. — 이렇게 긴 이름을 말하기 어렵고 기억하기는 불가능합니다.
이 모델의 단어 벡터는 이 모델이 학습한 199,430개의 고유한 단어로 학습되었으며, 이 모든 단어들과의 관계를 나타내는 벡터를 생성할 수 있으므로 가능합니다. 위키백과 내의 기사들에 포함될 수 있는 모든 질문에 답할 수 있습니다. 이 5,000자 벡터 길이는 각각의 정보량을 나타내는 것입니다. 그래서 정확한 답변을 얻기 위해서는, 단어 간의 상관 관계와 그들이 읽은 콘텐츠에서 발견한 패턴이 더 정확한 데이터셋을 훈련시키기 위해 더 많은 정보를 끌어모아야 합니다.
그러나 어떻게 인공지능 연구소가 이렇게 많은 데이터에 접근할 수 있을까요?
그래스 커넥트
여기서 모든 것이 여러분과 여러분이 그래스 노드를 실행함으로써 하는 역할과 연관이 있습니다. 이전에 링크한 웹 사이트의 모델 목록을 살펴보면 다양한 모델이 제공된다는 것을 알 수 있습니다. 그 중 하나는 위키백과의 모든 단어를 읽어서 훈련시킨 것이고, 하나는 구글 뉴스 기사를 탐색하여 훈련시킨 것이고, 다른 하나는 영국 국립 말뭉치를 사용하여 훈련시킨 것입니다. 어떤 데이터를 모델을 훈련시키려고 하는지에 따라서는 이것이 그들이 액세스해야 하는 내용입니다.
여기서 중요한 점은 데이터가 결정되고 답이 변하지 않을 때는 비교적 간단합니다. 누군가가 LLM에게 콜럼버스가 미국을 발견한 연도에 대해 묻는다면, 답은 항상 1492년일 것입니다. 그들은 이를 브리태니커 백과사전으로 훈련시킬 수 있습니다.
그러나 LLM이 현대 정보에 대한 질문을 하려면 어떨까요? 일반인이 특정 주제에 대해 어떻게 생각하는지 또는 특정 주제에 대한 인기 있는 감정에 대한 질문을 하려면 어떨까요? 끊임없이 갱신되는 영원한 스트림에서 모든 종류의 주제에 대한 수많은 사람들의 생각과 의견을 찾을 수 있는 곳이 어디 있을까요? 현대적인 문제는 현대적인 해결책이 필요하다고 말하는 것처럼. 이 경우에는 소셜 미디어가 해답입니다.
그러나 이 정보에 액세스하려면 끊임없는 인터넷 연결이 필요하
며, 지구의 모든 구석에서 볼 수 있어야 하며, 쓰여진 언어의 엄청난 양을 다운로드할 수 있어야 합니다. 이, 내 친구, 바로 그래스의 역할입니다. 그것은 그것의 노드 네트워크를 사용하여 이와 같은 모든 정보를 보고 공공 웹에서 훈련 데이터를 수집합니다. 이것은 아름다운 일입니다.
결론
이제 여러분은 이 연구소가 누구인지, 그들이 훈련시키려고 하는 LLM이 어떤 것인지, 그들이 훈련시키기 위해 사용하는 데이터의 종류, 그리고 우리 네트워크의 도움을 받아 어떻게 접근할 수 있는지를 이해하고 있습니다. 이것은 LLM이 훈련되는 방식에 대한 가장 기본적인 설명일 뿐이며, 우리는 당연히 단순함을 위해 많은 것을 생략했습니다. 그러나 이것이 조금이라도 뒷면에서 무슨 일이 벌어지고 있는지, 그리고 인공지능 연구소가 소셜 미디어 웹사이트에 제출된 공개 데이터를 사용하여 그들의 인공지능 모델을 훈련시키는 방법을 설명하는 데 도움이 되기를 바랍니다.
여러분의 개인 데이터에 대해 이 대화에는 한 번도 언급되지 않았음을 주목할 것입니다. 그것은 그 공식에 포함되지 않기 때문입니다. 우리가 사람들에게 네트워크가 웹 데이터에 액세스하는 데 사용된다고 말할 때, 그것은 종종 그들의 첫 번째 가정입니다 — 그들이 처음부터 소셜 미디어를 사용함으로써 자신의 데이터를 포기한다는 것처럼. 우리는 여기에 당신이 하는 어떤 것도 전혀 언급하지 않았다는 것을 알려드리기 위해 이 개요를 작성했습니다. 여러분의 개인 정보에 대한 어떤 면도 존재하지 않습니다. 그러니 여러분의 개인 정보가 안전하다는 것을 확신할 수 있습니다 — 그리고 아마도 여러분은 이 과정에서 무언가를 배웠을 것입니다.
450만 달러의 펀딩을 받았다고 합니다.
추가적으로 코인을 얻기 위해서는
친구에게 공유하고 가입시켜 같이 하는방법이 있겠습니다.