เขียนโดย: Geekcartel
ในขณะที่การเล่าเรื่องของ AI ยังคงร้อนแรง ความสนใจก็มุ่งเน้นไปที่แทร็กนี้มากขึ้นเรื่อยๆ Geekcartel ได้ทำการวิเคราะห์เชิงลึกเกี่ยวกับตรรกะทางเทคนิค สถานการณ์การใช้งาน และโครงการตัวแทนของเส้นทาง Web3-AI โดยให้ภาพรวมที่ครอบคลุมและแนวโน้มการพัฒนาในสาขานี้
1. Web3-AI: การวิเคราะห์ตรรกะทางเทคนิคและโอกาสทางการตลาดเกิดใหม่
1.1 ตรรกะการรวมของ Web3 และ AI: วิธีกำหนดแทร็ก Web-AI
ในปีที่ผ่านมา การเล่าเรื่องด้วย AI ได้รับความนิยมอย่างมากในอุตสาหกรรม Web3 และโครงการ AI ก็ผุดขึ้นมาเหมือนดอกเห็ดหลังฝนตก แม้ว่าจะมีหลายโครงการที่เกี่ยวข้องกับเทคโนโลยี AI แต่บางโครงการใช้ AI ในบางส่วนของผลิตภัณฑ์เท่านั้น เศรษฐศาสตร์โทเค็นพื้นฐานไม่เกี่ยวข้องกับผลิตภัณฑ์ AI มากนัก ดังนั้นโครงการดังกล่าวจึงไม่รวมอยู่ในโครงการ Web3-AI ในบทความนี้ ในการอภิปราย
จุดเน้นของบทความนี้คือโครงการที่ใช้บล็อกเชนเพื่อแก้ไขปัญหาความสัมพันธ์ในการผลิตและ AI เพื่อแก้ไขปัญหาด้านประสิทธิภาพการทำงาน เราจัดประเภทโครงการประเภทนี้เป็นเส้นทาง Web3-AI เพื่อช่วยให้ผู้อ่านเข้าใจเส้นทาง Web3-AI ได้ดีขึ้น Geekcartel จะแนะนำกระบวนการพัฒนาและความท้าทายของ AI ตลอดจนวิธีที่การผสมผสานระหว่าง Web3 และ AI สามารถแก้ไขปัญหาและสร้างสถานการณ์การใช้งานแอปพลิเคชันใหม่ได้อย่างสมบูรณ์แบบ
1.2 กระบวนการและความท้าทายในการพัฒนา AI: ตั้งแต่การรวบรวมข้อมูลไปจนถึงการอนุมานแบบจำลอง
เทคโนโลยี AI เป็นเทคโนโลยีที่ช่วยให้คอมพิวเตอร์จำลอง ขยาย และปรับปรุงสติปัญญาของมนุษย์ได้ ช่วยให้คอมพิวเตอร์ทำงานที่ซับซ้อนได้หลากหลาย ตั้งแต่การแปลภาษาและการจัดหมวดหมู่รูปภาพ ไปจนถึงการจดจำใบหน้า การขับขี่อัตโนมัติ และสถานการณ์การใช้งานอื่น ๆ AI กำลังเปลี่ยนแปลงวิถีชีวิตและการทำงานของเรา
กระบวนการพัฒนาโมเดลปัญญาประดิษฐ์มักประกอบด้วยขั้นตอนสำคัญต่อไปนี้: การรวบรวมข้อมูลและการประมวลผลข้อมูลล่วงหน้า การเลือกและปรับแต่งโมเดล การฝึกโมเดลและการอนุมาน เพื่อเป็นตัวอย่างง่ายๆ ในการพัฒนาแบบจำลองเพื่อจำแนกภาพแมวและสุนัข คุณจะต้องมี:
การรวบรวมข้อมูลและการประมวลผลข้อมูลล่วงหน้า: รวบรวมชุดข้อมูลที่มีรูปภาพของแมวและสุนัข คุณสามารถใช้ชุดข้อมูลสาธารณะหรือรวบรวมข้อมูลจริงด้วยตนเองได้ จากนั้นติดป้ายกำกับแต่ละภาพด้วยหมวดหมู่ (แมวหรือสุนัข) ตรวจสอบให้แน่ใจว่าป้ายกำกับนั้นถูกต้อง แปลงรูปภาพเป็นรูปแบบที่แบบจำลองสามารถจดจำได้ และแบ่งชุดข้อมูลออกเป็นชุดการฝึก ชุดการตรวจสอบ และชุดทดสอบ
การเลือกและปรับแต่งโมเดล: เลือกโมเดลที่เหมาะสม เช่น Convolutional Neural Network (CNN) ซึ่งเหมาะสำหรับงานจำแนกประเภทภาพมากกว่า พารามิเตอร์โมเดลหรือสถาปัตยกรรมได้รับการปรับแต่งตามความต้องการที่แตกต่างกัน โดยทั่วไป ระดับเครือข่ายของโมเดลสามารถปรับเปลี่ยนได้ตามความซับซ้อนของงาน AI ในตัวอย่างการจำแนกประเภทแบบง่ายนี้ ระดับเครือข่ายที่ตื้นกว่าอาจเพียงพอแล้ว
การฝึกโมเดล: คุณสามารถใช้ GPU, TPU หรือคลัสเตอร์การประมวลผลประสิทธิภาพสูงเพื่อฝึกโมเดลได้ เวลาการฝึกจะได้รับผลกระทบจากความซับซ้อนของโมเดลและพลังการประมวลผล
การอนุมานโมเดล: ไฟล์ที่ได้รับการฝึกโมเดลมักเรียกว่าน้ำหนักของโมเดล กระบวนการอนุมานหมายถึงกระบวนการใช้โมเดลที่ได้รับการฝึกเพื่อทำนายหรือจัดประเภทข้อมูลใหม่ ในกระบวนการนี้ สามารถใช้ชุดการทดสอบหรือข้อมูลใหม่เพื่อทดสอบผลการจำแนกประเภทของแบบจำลองได้ ตัวบ่งชี้ เช่น ความแม่นยำ อัตราการเรียกคืน และคะแนน F 1 มักจะใช้เพื่อประเมินประสิทธิภาพของแบบจำลอง
ดังแสดงในรูป หลังจากรวบรวมข้อมูลและประมวลผลข้อมูลล่วงหน้า การเลือกแบบจำลองและการปรับแต่ง และการฝึกอบรม การอนุมานแบบจำลองที่ได้รับการฝึกบนชุดทดสอบจะให้ค่าที่คาดการณ์ไว้ P (ความน่าจะเป็น) ของแมวและสุนัข กล่าวคือ แบบจำลองอนุมานได้คือ ความน่าจะเป็นของแมวหรือสุนัข
โมเดล AI ที่ผ่านการฝึกอบรมสามารถรวมเข้ากับแอปพลิเคชันต่างๆ เพื่อทำงานที่แตกต่างกันได้ ในตัวอย่างนี้ โมเดล AI สำหรับการจำแนกแมวและสุนัขสามารถรวมเข้ากับแอปพลิเคชันบนมือถือได้ และผู้ใช้สามารถรับผลการจำแนกประเภทได้โดยการอัพโหลดรูปภาพของแมวหรือสุนัข
อย่างไรก็ตาม กระบวนการพัฒนา AI แบบรวมศูนย์มีปัญหาบางประการในสถานการณ์ต่อไปนี้:
ความเป็นส่วนตัวของผู้ใช้: ในสถานการณ์แบบรวมศูนย์ กระบวนการพัฒนา AI มักจะไม่ชัดเจน ข้อมูลผู้ใช้สามารถถูกขโมยและนำไปใช้ในการฝึกอบรม AI โดยไม่รู้ตัวได้
การได้มาซึ่งแหล่งข้อมูล: เมื่อทีมขนาดเล็กหรือบุคคลได้รับข้อมูลในสาขาเฉพาะ (เช่น ข้อมูลทางการแพทย์) พวกเขาอาจเผชิญกับข้อจำกัดว่าข้อมูลนั้นไม่ใช่โอเพ่นซอร์ส
การเลือกและปรับแต่งโมเดล: สำหรับทีมขนาดเล็ก เป็นการยากที่จะได้รับทรัพยากรโมเดลเฉพาะโดเมน หรือใช้เงินจำนวนมากในการปรับแต่งโมเดล
การได้มาซึ่งพลังการประมวลผล: สำหรับนักพัฒนารายบุคคลและทีมขนาดเล็ก การซื้อ GPU และค่าเช่าพลังงานการประมวลผลบนคลาวด์ที่มีต้นทุนสูงอาจเป็นภาระทางการเงินที่สำคัญ
รายได้จากสินทรัพย์ AI: ผู้ปฏิบัติงานอธิบายข้อมูลมักจะไม่สามารถรับรายได้ที่ตรงกับความพยายามของพวกเขา และผลการวิจัยของนักพัฒนา AI ก็ยากที่จะจับคู่กับผู้ซื้อที่ต้องการ
ความท้าทายที่มีอยู่ในสถานการณ์ AI แบบรวมศูนย์สามารถแก้ไขได้โดยการรวมเข้ากับ Web3 เนื่องจากความสัมพันธ์ด้านการผลิตแบบใหม่ Web3 ได้รับการปรับให้เข้ากับ AI โดยธรรมชาติซึ่งแสดงถึงประสิทธิภาพการทำงานรูปแบบใหม่ ดังนั้นจึงส่งเสริมความก้าวหน้าทางเทคโนโลยีและความสามารถในการผลิตไปพร้อมๆ กัน
1.3 การทำงานร่วมกันระหว่าง Web3 และ AI: การเปลี่ยนแปลงบทบาทและแอปพลิเคชันที่เป็นนวัตกรรม
การรวมกันของ Web3 และ AI สามารถปรับปรุงอธิปไตยของผู้ใช้ ทำให้ผู้ใช้มีแพลตฟอร์มการทำงานร่วมกันของ AI แบบเปิด และช่วยให้ผู้ใช้สามารถเปลี่ยนจากผู้ใช้ AI ในยุค Web2 มาเป็นผู้เข้าร่วม ทำให้เกิด AI ที่ทุกคนสามารถเป็นเจ้าของได้ ในเวลาเดียวกัน การบูรณาการของโลก Web3 และเทคโนโลยี AI ยังสามารถสร้างสถานการณ์การใช้งานและการเล่นเกมที่เป็นนวัตกรรมใหม่ได้มากขึ้น
ด้วยเทคโนโลยี Web3 การพัฒนาและการประยุกต์ใช้ AI จะนำไปสู่ระบบเศรษฐกิจการทำงานร่วมกันแบบใหม่ รับประกันความเป็นส่วนตัวของข้อมูลของผู้คน โมเดลการระดมทุนจากข้อมูลช่วยส่งเสริมความก้าวหน้าของโมเดล AI มีทรัพยากร AI แบบโอเพ่นซอร์สมากมายสำหรับผู้ใช้ และสามารถรับพลังการประมวลผลที่ใช้ร่วมกันได้ด้วยต้นทุนที่ต่ำกว่า ด้วยความช่วยเหลือของกลไกการระดมทุนในการทำงานร่วมกันแบบกระจายอำนาจและตลาด AI แบบเปิด จึงสามารถบรรลุระบบการกระจายรายได้ที่ยุติธรรม ซึ่งกระตุ้นให้ผู้คนจำนวนมากขึ้นส่งเสริมความก้าวหน้าของเทคโนโลยี AI
ในสถานการณ์ Web3 AI สามารถส่งผลกระทบเชิงบวกต่อหลายแทร็กได้ ตัวอย่างเช่น โมเดล AI สามารถรวมเข้ากับสัญญาอัจฉริยะได้ เพื่อปรับปรุงประสิทธิภาพการทำงานในสถานการณ์การใช้งานต่างๆ เช่น การวิเคราะห์ตลาด การตรวจจับความปลอดภัย การรวมกลุ่มทางสังคม และฟังก์ชันอื่นๆ Generative AI ไม่เพียงแต่ช่วยให้ผู้ใช้ได้สัมผัสกับบทบาทของ ศิลปิน เช่น การใช้เทคโนโลยี AI เพื่อสร้าง NFT ของตนเอง แต่ยังสร้างฉากเกมที่หลากหลายและหลากหลาย รวมถึงประสบการณ์เชิงโต้ตอบที่น่าสนใจใน GameFi โครงสร้างพื้นฐานที่หลากหลายมอบประสบการณ์การพัฒนาที่ราบรื่น ไม่ว่าคุณจะเป็นผู้เชี่ยวชาญด้าน AI หรือมือใหม่ที่ต้องการเข้าสู่วงการ AI ก็สามารถหาทางเข้าที่เหมาะสมในโลกนี้ได้
2. การตีความโครงร่างและสถาปัตยกรรมโครงการระบบนิเวศ Web3-AI
เราศึกษา 41 โปรเจ็กต์ในเส้นทาง Web3-AI เป็นหลัก และแบ่งโปรเจ็กต์เหล่านี้ออกเป็นระดับต่างๆ ตรรกะการแบ่งของแต่ละเลเยอร์แสดงในรูปด้านล่าง รวมถึงเลเยอร์โครงสร้างพื้นฐาน เลเยอร์กลาง และเลเยอร์แอปพลิเคชัน แต่ละเลเยอร์แบ่งออกเป็นส่วนต่างๆ ในบทถัดไป เราจะดำเนินการวิเคราะห์เชิงลึกของโครงการที่เป็นตัวแทนบางโครงการ
เลเยอร์โครงสร้างพื้นฐานครอบคลุมทรัพยากรการประมวลผลและสถาปัตยกรรมทางเทคนิคที่รองรับการทำงานของวงจรชีวิต AI ทั้งหมด เลเยอร์กลางประกอบด้วยการจัดการข้อมูล การพัฒนาโมเดล และบริการอนุมานการตรวจสอบที่เชื่อมต่อโครงสร้างพื้นฐานและแอปพลิเคชัน เลเยอร์แอปพลิเคชันมุ่งเน้นไปที่บริการประเภทต่างๆ ที่ต้องเผชิญโดยตรง ผู้ใช้ แอพพลิเคชั่นและโซลูชั่น
ชั้นโครงสร้างพื้นฐาน:
เลเยอร์โครงสร้างพื้นฐานเป็นพื้นฐานของวงจรชีวิตของ AI บทความนี้แบ่งประเภทพลังการประมวลผล, AI Chain และแพลตฟอร์มการพัฒนาเป็นเลเยอร์โครงสร้างพื้นฐาน การสนับสนุนโครงสร้างพื้นฐานเหล่านี้ช่วยให้สามารถฝึกอบรมและการอนุมานโมเดล AI และนำเสนอแอปพลิเคชัน AI ที่ทรงพลังและใช้งานได้จริงแก่ผู้ใช้
เครือข่ายการประมวลผลแบบกระจายอำนาจ: สามารถมอบพลังการประมวลผลแบบกระจายสำหรับการฝึกอบรมโมเดล AI ช่วยให้มั่นใจได้ว่าการใช้ทรัพยากรการประมวลผลมีประสิทธิภาพและประหยัด บางโปรเจ็กต์มีตลาดพลังงานการประมวลผลแบบกระจายอำนาจ และผู้ใช้สามารถสร้างรายได้จากการเช่าหรือแบ่งปันพลังการประมวลผลด้วยต้นทุนที่ต่ำ เช่น IO.NET และ Hyperbolic นอกจากนี้ บางโปรเจ็กต์ยังมีรูปแบบการเล่นใหม่ๆ เช่น Compute Labs ซึ่งเสนอโปรโตคอลโทเค็นไนเซชัน โดยการซื้อ NFT ที่เป็นตัวแทนของเอนทิตี GPU ผู้ใช้สามารถมีส่วนร่วมในการเช่าซื้อพลังการประมวลผลในรูปแบบต่างๆ เพื่อรับรายได้
AI Chain: ใช้บล็อกเชนเป็นพื้นฐานของวงจรชีวิต AI เพื่อให้เกิดการโต้ตอบที่ราบรื่นของทรัพยากร AI ทั้งแบบออนไลน์และออฟไลน์ และส่งเสริมการพัฒนาระบบนิเวศของอุตสาหกรรม ตลาด AI แบบกระจายอำนาจบนห่วงโซ่สามารถแลกเปลี่ยนสินทรัพย์ AI เช่น ข้อมูล แบบจำลอง ตัวแทน ฯลฯ และจัดเตรียมกรอบการพัฒนา AI และเครื่องมือสนับสนุนการพัฒนา ซึ่งเป็นตัวแทนของโครงการต่างๆ เช่น Sahara AI AI Chain ยังสามารถส่งเสริมความก้าวหน้าของเทคโนโลยี AI ในสาขาต่างๆ ได้ ตัวอย่างเช่น Bittensor ส่งเสริมการแข่งขันซับเน็ตของ AI ประเภทต่างๆ ผ่านกลไกจูงใจที่เป็นนวัตกรรมใหม่
แพลตฟอร์มการพัฒนา: บางโปรเจ็กต์มีแพลตฟอร์มการพัฒนาตัวแทน AI และยังสามารถใช้งานธุรกรรมตัวแทน AI เช่น Fetch.ai และ ChainML เครื่องมือแบบครบวงจรช่วยให้นักพัฒนาสร้าง ฝึกอบรม และปรับใช้โมเดล AI ได้ง่ายขึ้น โดยนำเสนอโดยโปรเจ็กต์ต่างๆ เช่น Nimble โครงสร้างพื้นฐานเหล่านี้ส่งเสริมการประยุกต์ใช้เทคโนโลยี AI อย่างแพร่หลายในระบบนิเวศ Web3
ชั้นกลาง:
เลเยอร์นี้เกี่ยวข้องกับข้อมูล AI แบบจำลอง ตลอดจนการอนุมานและการตรวจสอบความถูกต้อง การใช้เทคโนโลยี Web3 ช่วยให้บรรลุประสิทธิภาพการทำงานที่สูงขึ้น
ข้อมูล: คุณภาพและปริมาณของข้อมูลเป็นปัจจัยสำคัญที่ส่งผลต่อประสิทธิผลของการฝึกโมเดล ในโลกของ Web3 การใช้ทรัพยากรสามารถปรับให้เหมาะสมและลดต้นทุนข้อมูลผ่านข้อมูลการระดมทุนจากมวลชนและการประมวลผลข้อมูลร่วมกัน ผู้ใช้สามารถมีความเป็นอิสระของข้อมูลและขายข้อมูลของตนโดยมีการคุ้มครองความเป็นส่วนตัวเพื่อหลีกเลี่ยงข้อมูลที่ถูกขโมยโดยผู้ค้าที่ไร้ยางอายและสร้างผลกำไรสูง สำหรับผู้ต้องการข้อมูล แพลตฟอร์มเหล่านี้มีตัวเลือกที่หลากหลายและมีต้นทุนต่ำมาก โปรเจ็กต์ตัวแทน เช่น Grass ใช้แบนด์วิดท์ของผู้ใช้เพื่อรวบรวมข้อมูลเว็บ และ xData รวบรวมข้อมูลสื่อผ่านปลั๊กอินที่ใช้งานง่าย และสนับสนุนผู้ใช้ในการอัปโหลดข้อมูลทวีต
นอกจากนี้ บางแพลตฟอร์มยังอนุญาตให้ผู้เชี่ยวชาญโดเมนหรือผู้ใช้ทั่วไปดำเนินการประมวลผลข้อมูลล่วงหน้าได้ เช่น คำอธิบายประกอบรูปภาพและการจัดหมวดหมู่ข้อมูล งานเหล่านี้อาจต้องใช้การประมวลผลข้อมูลสำหรับงานทางการเงินและกฎหมายที่มีความรู้เฉพาะทาง การระดมทุนแบบร่วมมือกัน ตัวแทนของตลาด AI เช่น Sahara AI มีงานข้อมูลในสาขาต่างๆ และสามารถครอบคลุมสถานการณ์ข้อมูลได้ในหลายสาขา ในขณะที่ AIT Protocolt ติดป้ายกำกับข้อมูลผ่านการทำงานร่วมกันระหว่างมนุษย์และเครื่องจักร
โมเดล: ในกระบวนการพัฒนา AI ที่กล่าวมาข้างต้น ความต้องการประเภทต่าง ๆ จะต้องตรงกับโมเดลที่เหมาะสม งานที่ใช้กันทั่วไปสำหรับงานภาพคือ CNN และ GAN สำหรับงานตรวจจับเป้าหมาย คุณสามารถเลือก Yolo series สำหรับงานข้อความได้ , รุ่นเช่น RNN และ Transformer เป็นเรื่องปกติ แน่นอนว่ามีรุ่นเฉพาะหรือรุ่นทั่วไปอยู่บ้าง งานที่ซับซ้อนต่างกันต้องใช้ความลึกของโมเดลต่างกัน และบางครั้งจำเป็นต้องปรับแต่งโมเดล
บางโปรเจ็กต์สนับสนุนผู้ใช้ในการจัดหาโมเดลประเภทต่างๆ หรือฝึกโมเดลร่วมกันผ่านการระดมทุนจากมวลชน ตัวอย่างเช่น Sentient ใช้การออกแบบแบบแยกส่วนเพื่อให้ผู้ใช้สามารถวางข้อมูลโมเดลที่เชื่อถือได้ในเลเยอร์การจัดเก็บข้อมูลและเลเยอร์การแจกจ่ายเพื่อเพิ่มประสิทธิภาพโมเดลของ Sahara AI มีอัลกอริธึม AI ขั้นสูงและเฟรมเวิร์กการประมวลผลในตัว และมีความสามารถในการฝึกอบรมการทำงานร่วมกัน
การอนุมานและการตรวจสอบ: หลังจากฝึกแบบจำลองแล้ว ไฟล์น้ำหนักแบบจำลองจะถูกสร้างขึ้น ซึ่งสามารถใช้เพื่อดำเนินการจำแนกประเภท การทำนาย หรืองานเฉพาะอื่น ๆ ได้โดยตรง กระบวนการนี้เรียกว่าการอนุมาน กระบวนการอนุมานมักจะมาพร้อมกับกลไกการตรวจสอบเพื่อตรวจสอบว่าแหล่งที่มาของแบบจำลองการอนุมานนั้นถูกต้องหรือไม่ และมีพฤติกรรมที่เป็นอันตรายหรือไม่ โดยปกติการใช้เหตุผลของ Web3 สามารถรวมเข้ากับสัญญาอัจฉริยะและอนุมานได้โดยการเรียกโมเดล วิธีการตรวจสอบทั่วไปประกอบด้วยเทคโนโลยี เช่น ZKML, OPML และ TEE โปรเจ็กต์ตัวแทน เช่น ORA on-chain AI oracle (OAO) ได้แนะนำ OPML ให้เป็นเลเยอร์ที่ตรวจสอบได้ของ AI Oracle นอกจากนี้ เว็บไซต์อย่างเป็นทางการของ ORA ยังกล่าวถึงงานวิจัยของพวกเขาเกี่ยวกับ ZKML และ opp/ai (ZKML รวมกับ OPML)
ชั้นการสมัคร:
เลเยอร์นี้มีไว้สำหรับแอปพลิเคชันที่ต้องเผชิญกับผู้ใช้โดยตรง โดยจะรวม AI เข้ากับ Web3 เพื่อสร้างการเล่นเกมที่น่าสนใจและเป็นนวัตกรรมมากขึ้น
AIGC: AIGC สามารถขยายไปยัง NFT เกม และแทร็กอื่นๆ ใน Web3 ผู้ใช้สามารถสร้างข้อความ รูปภาพ และเสียงได้โดยตรงผ่าน Prompt (คำที่ผู้ใช้กำหนด) และยังสามารถสร้างการปรับแต่งตามความต้องการของตนเองในเกมได้อีกด้วย การเล่นเกม โครงการ NFT เช่น NFPrompt อนุญาตให้ผู้ใช้สร้าง NFT ผ่าน AI และแลกเปลี่ยนในตลาด เกมเช่น Sleepless ช่วยให้ผู้ใช้สามารถกำหนดลักษณะของคู่หูเสมือนผ่านบทสนทนาเพื่อให้ตรงกับความต้องการของตนเอง
ตัวแทน AI: หมายถึงระบบปัญญาประดิษฐ์ที่สามารถปฏิบัติงานและตัดสินใจได้ด้วยตนเอง โดยทั่วไปแล้ว เจ้าหน้าที่ AI จะมีความสามารถในการรับรู้ ใช้เหตุผล เรียนรู้ และดำเนินการเพื่อดำเนินงานที่ซับซ้อนในสภาพแวดล้อมที่หลากหลาย ตัวแทน AI ทั่วไป เช่น การแปลภาษา การเรียนรู้ภาษา รูปภาพเป็นข้อความ ฯลฯ สามารถสร้างหุ่นยนต์ซื้อขาย มีม มีม การตรวจจับความปลอดภัยออนไลน์ ฯลฯ ในสถานการณ์ Web3 ตัวอย่างเช่น MyShell ซึ่งเป็นแพลตฟอร์มตัวแทน AI มีตัวแทนหลายประเภท รวมถึงการศึกษาและการเรียนรู้ สหายเสมือน ตัวแทนการค้า ฯลฯ นอกจากนี้ยังมีเครื่องมือการพัฒนาตัวแทนที่เป็นมิตรต่อผู้ใช้ ดังนั้นคุณสามารถสร้างตัวแทนของคุณเองได้โดยไม่ต้องเขียนโค้ด
การวิเคราะห์ข้อมูล: ด้วยการบูรณาการเทคโนโลยี AI และฐานข้อมูลในสาขาที่เกี่ยวข้อง การวิเคราะห์ข้อมูล การตัดสินใจ การทำนาย ฯลฯ สามารถทำได้ ใน Web3 ผู้ใช้สามารถช่วยเหลือผู้ใช้ในการตัดสินการลงทุนโดยการวิเคราะห์ข้อมูลตลาด การเปลี่ยนแปลงของเงินอย่างชาญฉลาด ฯลฯ การทำนายโทเค็นยังเป็นสถานการณ์จำลองแอปพลิเคชันที่ไม่เหมือนใครใน Web3
3. การวิเคราะห์แบบพาโนรามาของโครงการที่ล้ำสมัยบนเส้นทาง Web3-AI
บางโครงการกำลังสำรวจความเป็นไปได้ในการรวม Web3 เข้ากับ AI GeekCartel จะนำทุกคนสัมผัสเสน่ห์ของ WEB3-AI โดยการแยกโครงการที่เป็นตัวแทนของเส้นทางนี้ และทำความเข้าใจว่าโครงการตระหนักถึงการบูรณาการของ Web3 และ AI ได้อย่างไร และสร้างโมเดลธุรกิจใหม่และมูลค่าทางเศรษฐกิจ
Sahara AI: แพลตฟอร์มบล็อกเชน AI ที่อุทิศให้กับเศรษฐกิจแบบร่วมมือกัน
Sahara AI มีการแข่งขันค่อนข้างสูงตลอดทั้งเส้นทาง โดยมุ่งมั่นที่จะสร้างแพลตฟอร์มบล็อกเชน AI ที่ครอบคลุม ครอบคลุมทรัพยากร AI อย่างเต็มรูปแบบ เช่น ข้อมูล AI แบบจำลอง เอเจนต์ และพลังการประมวลผล สถาปัตยกรรมพื้นฐานช่วยปกป้องเศรษฐกิจการทำงานร่วมกันของแพลตฟอร์ม . ด้วยเทคโนโลยีบล็อกเชนและเทคโนโลยีความเป็นส่วนตัวที่เป็นเอกลักษณ์ เรารับประกันการกระจายอำนาจการเป็นเจ้าของและการกำกับดูแลสินทรัพย์ AI ตลอดวงจรการพัฒนา AI ทั้งหมด และบรรลุการกระจายสิ่งจูงใจที่ยุติธรรม ทีมงานมีพื้นฐานที่ลึกซึ้งในด้าน AI และ Web3 ซึ่งช่วยให้สามารถบูรณาการทั้งสองสาขานี้ได้อย่างสมบูรณ์แบบ นอกจากนี้ยังได้รับความนิยมจากนักลงทุนชั้นนำและได้แสดงให้เห็นถึงศักยภาพที่ยอดเยี่ยมในการติดตาม
Sahara AI ไม่ได้จำกัดอยู่เพียง Web3 เนื่องจากจะทำลายการกระจายทรัพยากรและโอกาสที่ไม่เท่าเทียมกันในสาขา AI แบบดั้งเดิม ด้วยการกระจายอำนาจ องค์ประกอบสำคัญของ AI รวมถึงพลังการประมวลผล แบบจำลอง และข้อมูล จะไม่ถูกผูกขาดโดยยักษ์ใหญ่แบบรวมศูนย์อีกต่อไป ทุกคนมีโอกาสที่จะค้นหาตำแหน่งที่เหมาะสมในระบบนิเวศนี้เพื่อรับประโยชน์และได้รับแรงบันดาลใจในการสร้างความแข็งแกร่งและความกระตือรือร้นในการทำงานเป็นทีม .
ดังที่แสดงในภาพ ผู้ใช้สามารถใช้ชุดเครื่องมือที่ Sahara AI จัดทำขึ้นเพื่อสนับสนุนหรือสร้างชุดข้อมูล โมเดล ตัวแทน AI และสินทรัพย์อื่น ๆ ของตนเอง ในขณะที่วางสินทรัพย์เหล่านี้ในตลาด AI เพื่อทำกำไร พวกเขาก็สามารถรับได้เช่นกัน สิ่งจูงใจของแพลตฟอร์ม สินทรัพย์ AI ของผู้บริโภคสามารถซื้อขายได้ตามความต้องการ ในเวลาเดียวกัน ข้อมูลการทำธุรกรรมเหล่านี้จะถูกบันทึกไว้ใน Sahara Chain เทคโนโลยีบล็อคเชนและมาตรการป้องกันความเป็นส่วนตัวทำให้มั่นใจได้ว่าการติดตามการมีส่วนร่วม ความปลอดภัยของข้อมูล และค่าตอบแทนที่เป็นธรรม
ในระบบเศรษฐกิจของ Sahara AI นอกเหนือจากบทบาทของนักพัฒนา ผู้ให้ความรู้ และผู้บริโภคที่กล่าวมาข้างต้นแล้ว ผู้ใช้ยังสามารถทำหน้าที่เป็นนักลงทุน โดยจัดหาเงินทุนและทรัพยากร (GPU, เซิร์ฟเวอร์คลาวด์, โหนด RPC ฯลฯ) เพื่อรองรับ AI สินทรัพย์ การพัฒนาและการปรับใช้ยังสามารถทำหน้าที่เป็นผู้ดำเนินการเพื่อรักษาเสถียรภาพของเครือข่าย และเป็นผู้ตรวจสอบเพื่อรักษาความปลอดภัยและความสมบูรณ์ของบล็อกเชน ไม่ว่าผู้ใช้จะมีส่วนร่วมในแพลตฟอร์ม Sahara AI อย่างไร พวกเขาจะได้รับรางวัลและรายได้ตามการมีส่วนร่วมของพวกเขา
แพลตฟอร์มบล็อกเชน AI ของ Sahara สร้างขึ้นบนสถาปัตยกรรมแบบหลายชั้น พร้อมด้วยโครงสร้างพื้นฐานแบบออนไลน์และออฟไลน์ ทำให้ผู้ใช้และนักพัฒนาสามารถมีส่วนร่วมและได้รับประโยชน์จากวงจรการพัฒนา AI ทั้งหมดได้อย่างมีประสิทธิภาพ สถาปัตยกรรมของแพลตฟอร์ม Sahara AI แบ่งออกเป็นสี่ชั้น:
ชั้นแอปพลิเคชัน
เลเยอร์แอปพลิเคชันทำหน้าที่เป็นอินเทอร์เฟซผู้ใช้และจุดโต้ตอบหลัก โดยมอบชุดเครื่องมือและแอปพลิเคชันในตัวเพื่อปรับปรุงประสบการณ์ผู้ใช้
ส่วนประกอบการทำงาน:
Sahara ID — ช่วยให้ผู้ใช้เข้าถึงสินทรัพย์ AI ได้อย่างปลอดภัยและติดตามการมีส่วนร่วมของผู้ใช้
Sahara Vault — ปกป้องความเป็นส่วนตัวและความปลอดภัยของสินทรัพย์ AI จากการเข้าถึงโดยไม่ได้รับอนุญาตและภัยคุกคามที่อาจเกิดขึ้น
ตัวแทน Sahara - มีการจัดตำแหน่งบทบาท (ปฏิสัมพันธ์ที่ตรงกับพฤติกรรมและนิสัยของผู้ใช้) การเรียนรู้ตลอดชีวิต การรับรู้หลายรูปแบบ (สามารถจัดการข้อมูลได้หลายประเภท) และความสามารถในการดำเนินการด้วยเครื่องมือที่หลากหลาย
ส่วนประกอบแบบโต้ตอบ:
Sahara Toolkit —ช่วยให้ผู้ใช้ด้านเทคนิคและไม่ใช่ด้านเทคนิคสามารถสร้างและปรับใช้สินทรัพย์ AI
Sahara AI Marketplace — สำหรับการเผยแพร่ การสร้างรายได้ และการซื้อขายสินทรัพย์ AI ที่ให้ใบอนุญาตที่ยืดหยุ่นและตัวเลือกการสร้างรายได้ที่หลากหลาย
ชั้นธุรกรรม
เลเยอร์ธุรกรรมของ Sahara AI ใช้บล็อกเชน Sahara L1 นี้มาพร้อมกับความเป็นเจ้าของการจัดการ การระบุแหล่งที่มา และโปรโตคอลธุรกรรมที่เกี่ยวข้องกับ AI บนแพลตฟอร์ม ซึ่งมีบทบาทสำคัญในการรักษาอำนาจอธิปไตยและต้นกำเนิดของสินทรัพย์ AI Sahara Blockchain ผสานนวัตกรรม Sahara AI Native Precompilation (SAP) และ Sahara Blockchain Protocol (SBP) เพื่อรองรับงานที่จำเป็นตลอดวงจรชีวิตของ AI
SAP เป็นฟังก์ชันในตัวของระดับการทำงานดั้งเดิมของบล็อกเชน โดยมุ่งเน้นไปที่กระบวนการฝึกอบรม/อนุมาน AI ตามลำดับ SAP ช่วยในการเรียก บันทึก และตรวจสอบกระบวนการฝึกอบรม/อนุมาน AI นอกเครือข่าย ทำให้มั่นใจในความน่าเชื่อถือและความน่าเชื่อถือของโมเดล AI ที่พัฒนาภายในแพลตฟอร์ม Sahara AI และรับรองความโปร่งใส ตรวจสอบได้ และตรวจสอบย้อนกลับของการอนุมาน AI ทั้งหมดที่ ในเวลาเดียวกัน ในขณะเดียวกัน ความเร็วในการดำเนินการที่เร็วขึ้น ค่าใช้จ่ายในการประมวลผลที่ลดลง และต้นทุนก๊าซก็สามารถทำได้ผ่าน SAP
SBP ใช้โปรโตคอลเฉพาะของ AI ผ่านสัญญาอัจฉริยะเพื่อให้แน่ใจว่าสินทรัพย์ AI และผลการคำนวณได้รับการประมวลผลอย่างโปร่งใสและเชื่อถือได้ ซึ่งรวมถึงฟีเจอร์ต่างๆ เช่น การลงทะเบียนสินทรัพย์ AI การออกใบอนุญาต (การควบคุมการเข้าถึง) ความเป็นเจ้าของ และการระบุแหล่งที่มา (การติดตามการมีส่วนร่วม)
ชั้นข้อมูล
ชั้นข้อมูลของ Sahara AI ได้รับการออกแบบมาเพื่อเพิ่มประสิทธิภาพการจัดการข้อมูลตลอดวงจรชีวิตของ AI โดยทำหน้าที่เป็นอินเทอร์เฟซสำคัญที่เชื่อมต่อเลเยอร์การดำเนินการกับกลไกการจัดการข้อมูลที่แตกต่างกัน และผสานรวมแหล่งข้อมูลแบบออนไลน์และออฟไลน์ได้อย่างราบรื่น
องค์ประกอบข้อมูล: รวมถึงข้อมูลแบบออนไลน์และแบบออฟไลน์ รวมถึงข้อมูลเมตา ความเป็นเจ้าของ ความมุ่งมั่น และการรับรองสินทรัพย์ AI ฯลฯ ชุดข้อมูล โมเดล AI และข้อมูลเสริมจะถูกจัดเก็บแบบออฟไลน์
การจัดการข้อมูล: โซลูชันการจัดการข้อมูลของ Sahara AI มอบชุดมาตรการรักษาความปลอดภัยเพื่อให้แน่ใจว่าข้อมูลได้รับการปกป้องทั้งในระหว่างการส่งและพักผ่านรูปแบบการเข้ารหัสที่เป็นเอกลักษณ์ การทำงานร่วมกันกับ SBP ที่ได้รับอนุญาตจาก AI เพื่อให้บรรลุการควบคุมการเข้าถึงและการตรวจสอบที่เข้มงวด ในขณะที่ให้พื้นที่เก็บข้อมูลโดเมนส่วนตัว ข้อมูลที่ละเอียดอ่อนของผู้ใช้สามารถบรรลุคุณสมบัติความปลอดภัยที่ได้รับการปรับปรุง
เลเยอร์การดำเนินการ
เลเยอร์การดำเนินการคือโครงสร้างพื้นฐาน AI นอกเครือข่ายของแพลตฟอร์ม Sahara AI ซึ่งโต้ตอบได้อย่างราบรื่นกับเลเยอร์ธุรกรรมและชั้นข้อมูล เพื่อดำเนินการและจัดการโปรโตคอลที่เกี่ยวข้องกับการคำนวณและฟังก์ชันของ AI โดยจะดึงข้อมูลจากชั้นข้อมูลอย่างปลอดภัยและจัดสรรทรัพยากรการประมวลผลแบบไดนามิกเพื่อประสิทธิภาพสูงสุด ทั้งนี้ขึ้นอยู่กับงานดำเนินการ การดำเนินการ AI ที่ซับซ้อนได้รับการประสานงานผ่านชุดโปรโตคอลที่ออกแบบมาเป็นพิเศษซึ่งออกแบบมาเพื่ออำนวยความสะดวกในการโต้ตอบที่มีประสิทธิภาพระหว่างนามธรรมต่างๆ และโครงสร้างพื้นฐานพื้นฐานได้รับการออกแบบเพื่อรองรับการประมวลผล AI ที่มีประสิทธิภาพสูง
โครงสร้างพื้นฐาน: โครงสร้างพื้นฐานเลเยอร์การดำเนินการของ Sahara AI ได้รับการออกแบบมาเพื่อรองรับการประมวลผล AI ที่มีประสิทธิภาพสูง พร้อมด้วยคุณสมบัติต่างๆ เช่น ประสิทธิภาพที่รวดเร็ว ความยืดหยุ่น และความพร้อมใช้งานสูง ช่วยให้มั่นใจได้ว่าระบบยังคงมีเสถียรภาพและเชื่อถือได้ภายใต้สภาวะการรับส่งข้อมูลและข้อบกพร่องที่สูง ผ่านการประสานงานที่มีประสิทธิภาพของการคำนวณ AI กลไกการขยายอัตโนมัติ และการออกแบบที่ทนทานต่อข้อผิดพลาด
นามธรรม: นามธรรมหลักเป็นองค์ประกอบพื้นฐานที่สร้างพื้นฐานของการดำเนินงาน AI บนแพลตฟอร์ม Sahara AI รวมถึงนามธรรมของชุดข้อมูล แบบจำลอง ทรัพยากรการประมวลผล และทรัพยากรอื่น ๆ นามธรรมระดับสูงถูกสร้างขึ้นบนนามธรรมหลัก นั่นคือ อินเทอร์เฟซการดำเนินการเบื้องหลังห้องนิรภัยและตัวแทน ซึ่งสามารถรับรู้ถึงฟังก์ชันการทำงานระดับที่สูงขึ้นได้
โปรโตคอล: โปรโตคอลการดำเนินการแบบนามธรรมใช้เพื่อดำเนินการโต้ตอบกับห้องนิรภัย การโต้ตอบและการประสานงานของตัวแทน และการทำงานร่วมกันในการประมวลผล ฯลฯ โปรโตคอลการประมวลผลแบบทำงานร่วมกันสามารถตระหนักถึงการพัฒนาโมเดล AI ร่วมกันและการปรับใช้ระหว่างผู้เข้าร่วมหลายราย และสนับสนุนการสนับสนุนทรัพยากรการประมวลผล และการรวมโมเดล เลเยอร์การดำเนินการยังรวมถึงโมดูลเทคโนโลยีต้นทุนการประมวลผลต่ำ (PEFT) โมดูลการประมวลผลการปกป้องความเป็นส่วนตัว และโมดูลป้องกันการฉ้อโกงในการประมวลผล
แพลตฟอร์มบล็อกเชน AI ที่ถูกสร้างขึ้นโดย Sahara AI มุ่งมั่นที่จะสร้างระบบนิเวศ AI ที่ครอบคลุม อย่างไรก็ตาม วิสัยทัศน์ที่ยิ่งใหญ่นี้จะต้องเผชิญกับความท้าทายมากมายในระหว่างกระบวนการตระหนักอย่างหลีกเลี่ยงไม่ได้ ซึ่งต้องใช้เทคโนโลยีที่แข็งแกร่ง การสนับสนุนทรัพยากร และการเพิ่มประสิทธิภาพและการทำซ้ำอย่างต่อเนื่อง หากนำไปใช้ได้สำเร็จ ก็จะกลายเป็นแกนนำในการสนับสนุนฟิลด์ Web3-AI และคาดว่าจะกลายเป็นสวนในอุดมคติในใจของผู้ปฏิบัติงาน Web2-AI
ข้อมูลทีม:
ทีม Sahara AI ประกอบด้วยกลุ่มสมาชิกที่มีความโดดเด่นและสร้างสรรค์ Sean Ren เป็นศาสตราจารย์ที่ University of Southern California เขาได้รับรางวัล Samsung AI Researcher of the Year, MIT TR Innovator Under 35 และ Forbes 30 Under 30 . รอเกียรติยศ. ผู้ร่วมก่อตั้ง Tyler Zhou สำเร็จการศึกษาจากมหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์ และมีความเข้าใจเชิงลึกเกี่ยวกับ Web3 เขาเป็นผู้นำทีมที่มีความสามารถระดับโลกที่มีประสบการณ์ในด้าน AI และ Web3
นับตั้งแต่ก่อตั้ง Sahara AI ทีมงานก็สร้างรายได้หลายล้านดอลลาร์จากบริษัทชั้นนำ เช่น Microsoft, Amazon, MIT, Snapchat, Character AI และอื่นๆ อีกมากมาย ปัจจุบัน Sahara AI ให้บริการแก่ลูกค้าองค์กรมากกว่า 30 ราย และมีผู้ฝึกสอน AI มากกว่า 200,000 รายทั่วโลก การเติบโตอย่างรวดเร็วของ Sahara AI ช่วยให้ผู้เข้าร่วมมีส่วนร่วมและเพลิดเพลินกับสิทธิประโยชน์ในรูปแบบเศรษฐกิจการแบ่งปันมากขึ้นเรื่อยๆ
ข้อมูลทางการเงิน:
ในเดือนสิงหาคมปีนี้ Sahara Labs สามารถระดมทุนได้สำเร็จจำนวน 43 ล้านดอลลาร์ การระดมทุนรอบล่าสุดนำโดย Pantera Capital, Binance Labs และ Polychain Capital นอกจากนี้ยังได้รับการสนับสนุนจากผู้บุกเบิกด้าน AI เช่น Motherson Group, Anthropic, Nous Research และ Midjourney
Bittensor: เกมเพลย์ใหม่ที่ได้รับแรงบันดาลใจจากการแข่งขันซับเน็ต
Bittensor เองไม่ใช่ผลิตภัณฑ์ AI และไม่ได้ผลิตหรือจัดหาผลิตภัณฑ์หรือบริการ AI ใด ๆ Bittensor เป็นระบบเศรษฐกิจที่ให้โครงสร้างแรงจูงใจที่มีการแข่งขันสูงสำหรับผู้ผลิตสินค้าโภคภัณฑ์ AI เพื่อให้ผู้ผลิตสามารถปรับคุณภาพของ AI ให้เหมาะสมได้อย่างต่อเนื่อง เนื่องจากเป็นโครงการแรกเริ่มของ Web3-AI Bittensor จึงได้รับความสนใจอย่างกว้างขวางจากตลาดนับตั้งแต่เปิดตัว จากข้อมูลของ CoinMarketCap ณ วันที่ 17 ตุลาคม มูลค่าตลาดของมันเกินกว่า 4.26 พันล้านดอลลาร์สหรัฐ และ FDV (การประเมินมูลค่าแบบปรับลดอย่างเต็มที่) มีมูลค่าเกิน 12 พันล้านดอลลาร์สหรัฐ
Bittensor สร้างโครงสร้างเครือข่ายที่เชื่อมต่อกันด้วยเครือข่ายย่อยจำนวนมาก ผู้ผลิตสินค้าโภคภัณฑ์ AI สามารถสร้างเครือข่ายย่อยที่มีสิ่งจูงใจที่ปรับแต่งได้และกรณีการใช้งานที่แตกต่างกัน ซับเน็ตที่แตกต่างกันมีหน้าที่รับผิดชอบงานที่แตกต่างกัน เช่น การแปลด้วยเครื่อง การจดจำและการสร้างรูปภาพ โมเดลภาษาขนาดใหญ่ เป็นต้น ตัวอย่างเช่น Subnet 5 สามารถสร้างอิมเมจ AI เช่น Midjourney ได้ เมื่อคุณทำงานที่โดดเด่นเสร็จสิ้น คุณจะได้รับรางวัลเป็น TAO (โทเค็นของ Bittensor)
กลไกสิ่งจูงใจเป็นองค์ประกอบพื้นฐานของ Bittensor พวกเขาขับเคลื่อนพฤติกรรมของนักขุดเครือข่ายย่อยและควบคุมฉันทามติระหว่างผู้ตรวจสอบเครือข่ายย่อย แต่ละซับเน็ตมีกลไกแรงจูงใจของตัวเอง Subnet miners มีหน้าที่รับผิดชอบในการดำเนินการ และผู้ตรวจสอบจะให้คะแนนผลลัพธ์ของ subnet miner
ดังที่แสดงในภาพ เราใช้ตัวอย่างเพื่อสาธิตขั้นตอนการทำงานระหว่าง subnet miners และ subnet validators:
ในรูป เครือข่ายย่อยทั้งสามสอดคล้องกับ UID 37, 42 และ 27 ตามลำดับ เครื่องมือตรวจสอบเครือข่ายย่อยทั้งสี่สอดคล้องกับ UID 10, 32, 93 และ 74 ตามลำดับ
เครื่องมือตรวจสอบเครือข่ายย่อยแต่ละตัวจะรักษาเวกเตอร์น้ำหนักไว้ แต่ละองค์ประกอบของเวกเตอร์แสดงถึงน้ำหนักที่กำหนดให้กับตัวขุดเครือข่ายย่อย ซึ่งถูกกำหนดตามการประเมินของผู้ตรวจสอบความถูกต้องของเครือข่ายย่อยเกี่ยวกับความสำเร็จของงานของตัวขุด เครื่องมือตรวจสอบเครือข่ายย่อยแต่ละตัวจะจัดอันดับตัวขุดเหมืองเครือข่ายย่อยทั้งหมดตามเวกเตอร์น้ำหนักนี้ และทำงานอย่างเป็นอิสระ โดยส่งเวกเตอร์น้ำหนักอันดับของตัวขุดไปยังบล็อกเชน โดยปกติแล้ว เครื่องมือตรวจสอบเครือข่ายย่อยแต่ละตัวจะส่งเวกเตอร์น้ำหนักการจัดอันดับที่อัปเดตไปยังบล็อกเชนทุกๆ 100 – 200 บล็อก
บล็อกเชน (sub-tensor) รอเวกเตอร์น้ำหนักการจัดอันดับล่าสุดจากผู้ตรวจสอบเครือข่ายย่อยทั้งหมดของเครือข่ายย่อยที่กำหนดเพื่อมาถึงบล็อกเชน จากนั้น เมทริกซ์น้ำหนักการจัดอันดับที่สร้างขึ้นโดยเวกเตอร์น้ำหนักการจัดอันดับเหล่านี้จะถูกจัดเตรียมไว้เป็นอินพุตไปยังโมดูลฉันทามติของ Yuma บนห่วงโซ่
ฉันทามติของ Yuma บนเครือข่ายใช้เมทริกซ์น้ำหนักนี้และจำนวนเดิมพันที่เกี่ยวข้องกับ UID บนเครือข่ายย่อยนั้นเพื่อคำนวณรางวัล
ฉันทามติของ Yuma คำนวณการกระจายฉันทามติของ TAO และแจกจ่ายรางวัล TAO ที่เพิ่งสร้างใหม่ไปยังบัญชีที่เชื่อมโยงกับ UID
เครื่องมือตรวจสอบเครือข่ายย่อยสามารถส่งเวกเตอร์น้ำหนักการจัดอันดับไปยังบล็อกเชนได้ตลอดเวลา แต่วงจรฉันทามติ Yuma ของซับเน็ตเริ่มต้นทุกๆ 360 บล็อก (เช่น 4,320 วินาทีหรือ 72 นาที อิงตาม 12 วินาทีต่อบล็อก) โดยใช้เมทริกซ์น้ำหนักล่าสุด หากเวกเตอร์น้ำหนักการจัดอันดับของผู้ตรวจสอบความถูกต้องของเครือข่ายย่อยมาถึงหลังจากรอบบล็อก 360 รอบ เวกเตอร์น้ำหนักนั้นจะถูกนำมาใช้ที่จุดเริ่มต้นของรอบฉันทามติ Yuma ถัดไป รางวัล TAO จะถูกแจกจ่ายเมื่อสิ้นสุดแต่ละรอบ
ฉันทามติของ Yuma เป็นอัลกอริธึมหลักที่ใช้โดย Bittensor เพื่อให้เกิดการกระจายโหนดที่ยุติธรรม เป็นกลไกฉันทามติแบบผสมที่รวมองค์ประกอบ PoW และ PoS เช่นเดียวกับกลไกฉันทามติที่ทนต่อข้อผิดพลาดของ Byzantine หากมีผู้ตรวจสอบความถูกต้องส่วนใหญ่ในเครือข่าย การตัดสินใจที่ถูกต้องจะบรรลุได้โดยใช้ฉันทามติในที่สุด
Root Network เป็นซับเน็ตพิเศษ ซึ่งก็คือ Subnet 0 ตามค่าเริ่มต้น เครื่องมือตรวจสอบเครือข่ายย่อย 64 รายการที่มีส่วนแบ่งมากที่สุดในบรรดาเครื่องมือตรวจสอบเครือข่ายย่อยทั้งหมดในเครือข่ายย่อยคือเครื่องมือตรวจสอบในเครือข่ายรูท ตัวตรวจสอบเครือข่ายรูทจะได้รับการประเมินและจัดอันดับตามคุณภาพของเอาต์พุตของแต่ละเครือข่ายย่อย ผลการประเมินของผู้ตรวจสอบ 64 รายจะถูกสรุป และผลลัพธ์การปล่อยก๊าซขั้นสุดท้ายจะได้รับผ่านอัลกอริธึม Yuma Consensus และแต่ละเครือข่ายย่อยจะได้รับการจัดสรรใหม่ การปล่อยมลพิษจากผลสุดท้ายส่งโดย อบต.
แม้ว่าโมเดลการแข่งขันซับเน็ตของ Bittensor ได้ปรับปรุงคุณภาพของผลิตภัณฑ์ AI แต่ก็ยังเผชิญกับความท้าทายบางประการ ประการแรก กลไกแรงจูงใจที่เจ้าของเครือข่ายย่อยกำหนดขึ้นจะกำหนดรายได้ของนักขุด และอาจส่งผลโดยตรงต่อแรงจูงใจของนักขุดในการทำงาน ปัญหาอีกประการหนึ่งคือผู้ตรวจสอบความถูกต้องจะกำหนดการจัดสรรโทเค็นสำหรับแต่ละเครือข่ายย่อย แต่ไม่มีแรงจูงใจที่ชัดเจนในการเลือกเครือข่ายย่อยที่เป็นประโยชน์ต่อประสิทธิภาพการทำงานในระยะยาวของ Bittensor การออกแบบนี้อาจส่งผลให้ผู้ตรวจสอบความถูกต้องมีอคติต่อการเลือกเครือข่ายย่อยที่มีความสัมพันธ์หรือเครือข่ายที่ให้ประโยชน์เพิ่มเติม เพื่อแก้ไขปัญหานี้ ผู้ร่วมให้ข้อมูลจาก Opentensor Foundation เสนอ BIT 001: โซลูชัน Dynamic TAO ซึ่งเสนอให้ใช้กลไกตลาดเพื่อกำหนดการจัดสรรโทเค็นเครือข่ายย่อยสำหรับผู้ให้คำมั่น TAO ทั้งหมดที่จะแข่งขัน
ข้อมูลทีม:
ผู้ร่วมก่อตั้ง Ala Shaabana สำเร็จการศึกษาระดับปริญญาเอกที่ University of Waterloo และมีวุฒิการศึกษาด้านวิทยาการคอมพิวเตอร์ Jacob Robert Steeves ผู้ร่วมก่อตั้งอีกคน สำเร็จการศึกษาจากมหาวิทยาลัย Simon Fraser ในแคนาดา มีประสบการณ์การวิจัยแมชชีนเลิร์นนิงเกือบ 10 ปี และทำงานเป็นวิศวกรซอฟต์แวร์ที่ Google
ข้อมูลทางการเงิน:
นอกจากจะได้รับการสนับสนุนทางการเงินจากมูลนิธิ OpenTensor แล้ว Bittensor ยังเป็นองค์กรไม่แสวงหาผลกำไรที่สนับสนุน Bittensor อีกด้วย นอกจากนี้ การประกาศในชุมชนยังได้ประกาศว่า Pantera และ Collab Currency สกุลเงินดิจิทัลที่มีชื่อเสียง ได้กลายเป็นผู้ถือโทเค็น TAO และจะให้การสนับสนุนเพิ่มเติมสำหรับการพัฒนาระบบนิเวศของโครงการ นักลงทุนรายใหญ่อีกหลายรายเป็นสถาบันการลงทุนที่มีชื่อเสียงและผู้ดูแลสภาพคล่อง รวมถึง Digital Currency Group, Polychain Capital, FirstMark Capital, GSR เป็นต้น
Talus: ระบบนิเวศของตัวแทน AI แบบออนไลน์ที่อิงจาก Move
Talus Network คือบล็อกเชน L1 ที่สร้างขึ้นบน MoveVM ซึ่งออกแบบมาเป็นพิเศษสำหรับตัวแทน AI เจ้าหน้าที่ AI เหล่านี้สามารถตัดสินใจและดำเนินการตามเป้าหมายที่กำหนดไว้ล่วงหน้า บรรลุการโต้ตอบระหว่างเชนที่ราบรื่น และสามารถตรวจสอบได้ ผู้ใช้สามารถใช้เครื่องมือการพัฒนาที่ Talus มอบให้เพื่อสร้างตัวแทน AI ได้อย่างรวดเร็วและรวมเข้ากับสัญญาอัจฉริยะ Talus ยังจัดให้มีตลาด AI แบบเปิดสำหรับทรัพยากรต่างๆ เช่น โมเดล AI ข้อมูล และพลังการประมวลผล ผู้ใช้สามารถเข้าร่วมในรูปแบบต่างๆ และสร้างโทเค็นการมีส่วนร่วมและสินทรัพย์ของตนได้
คุณลักษณะเฉพาะของ Talus คือการดำเนินการแบบขนานและความสามารถในการดำเนินการที่ปลอดภัย ด้วยการรับทุนและการขยายโครงการคุณภาพสูงในระบบนิเวศ Move จุดเด่นสองประการของ Talus คือการดำเนินการที่ปลอดภัยบนพื้นฐาน Move และสัญญาอัจฉริยะที่ผสานรวมตัวแทน AI คาดว่าจะดึงดูดความสนใจอย่างกว้างขวางในตลาด ในเวลาเดียวกัน การโต้ตอบหลายสายโซ่ที่ได้รับการสนับสนุนจาก Talus ยังสามารถปรับปรุงประสิทธิภาพของตัวแทน AI และส่งเสริมความเจริญรุ่งเรืองของ AI บนเครือข่ายอื่น ๆ
ตามข้อมูลอย่างเป็นทางการของ Twitter Talus เพิ่งเปิดตัว Nexus ซึ่งเป็นเฟรมเวิร์กตัวแทน AI อัตโนมัติแบบออนไลน์เต็มรูปแบบตัวแรก ซึ่งทำให้ Talus มีความได้เปรียบในการเป็นผู้บุกเบิกรายแรกในด้านเทคโนโลยี AI แบบกระจายอำนาจ และมอบความได้เปรียบทางการแข่งขันในอุตสาหกรรมบล็อกเชนที่กำลังพัฒนาอย่างรวดเร็ว . Chain AI มอบความสามารถในการแข่งขันที่สำคัญในตลาด Nexus ช่วยให้นักพัฒนาสามารถสร้างผู้ช่วยดิจิทัลที่ขับเคลื่อนด้วย AI บนเครือข่าย Talus เพื่อให้มั่นใจได้ถึงการต่อต้านการเซ็นเซอร์ ความโปร่งใส และความสามารถในการวางองค์ประกอบ ต่างจากโซลูชัน AI แบบรวมศูนย์ตรงที่ผู้บริโภคสามารถเพลิดเพลินกับบริการอัจฉริยะส่วนบุคคล จัดการสินทรัพย์ดิจิทัลอย่างปลอดภัย โต้ตอบอัตโนมัติ และปรับปรุงประสบการณ์ดิจิทัลในแต่ละวันผ่าน Nexus ตรงที่
ในฐานะชุดเครื่องมือนักพัฒนาชุดแรกสำหรับตัวแทนออนไลน์ Nexus มอบรากฐานสำหรับการสร้างแอปพลิเคชัน AI เข้ารหัสลับสำหรับผู้บริโภครุ่นต่อไป Nexus จัดเตรียมชุดเครื่องมือ ทรัพยากร และมาตรฐานเพื่อช่วยให้นักพัฒนาสร้างตัวแทนที่สามารถตอบสนองความต้องการของผู้ใช้และสื่อสารระหว่างกันบนเครือข่าย Talus หนึ่งในนั้นคือ Nexus Python SDK เชื่อมช่องว่างระหว่าง AI และการพัฒนาบล็อกเชน ช่วยให้นักพัฒนา AI เริ่มต้นได้อย่างง่ายดายโดยไม่ต้องเรียนรู้การเขียนโปรแกรมสัญญาอัจฉริยะ Talus มอบเครื่องมือการพัฒนาที่เป็นมิตรต่อผู้ใช้และโครงสร้างพื้นฐานที่หลากหลาย ซึ่งสัญญาว่าจะกลายเป็นแพลตฟอร์มในอุดมคติสำหรับนักพัฒนาในการสร้างสรรค์นวัตกรรม
ดังแสดงในรูปที่ 5 สถาปัตยกรรมพื้นฐานของ Talus มีพื้นฐานมาจากการออกแบบโมดูลาร์ และมีความยืดหยุ่นของทรัพยากรนอกเครือข่ายและการโต้ตอบแบบหลายเครือข่าย จากการออกแบบที่เป็นเอกลักษณ์ของ Talus จึงเกิดระบบนิเวศตัวแทนอัจฉริยะแบบออนไลน์ที่เจริญรุ่งเรืองขึ้น
โปรโตคอลเป็นแกนหลักของ Talus ซึ่งเป็นพื้นฐานสำหรับความเห็นพ้องต้องกัน การดำเนินการ และการทำงานร่วมกัน บนพื้นฐานนี้ ตัวแทนอัจฉริยะแบบออนไลน์สามารถสร้างขึ้นเพื่อใช้ทรัพยากรนอกเครือข่ายและฟังก์ชันข้ามเครือข่ายได้
Protochain Node: โหนดบล็อกเชน PoS ที่ใช้ Cosmos SDK และ CometBFT Cosmos SDK มีการออกแบบแบบแยกส่วนและฟีเจอร์ความสามารถในการปรับขนาดสูง CometBFT อิงตามอัลกอริธึมฉันทามติที่ทนทานต่อข้อผิดพลาดของ Byzantine มีประสิทธิภาพสูงและมีลักษณะความหน่วงต่ำ ความอดทน สามารถทำงานได้ตามปกติแม้ว่าบางโหนดจะล้มเหลวหรือทำงานในลักษณะที่เป็นอันตรายก็ตาม
Sui Move และ MoveVM: การใช้ Sui Move เป็นภาษาสัญญาอัจฉริยะ การออกแบบภาษา Move ช่วยเพิ่มความปลอดภัยโดยธรรมชาติด้วยการขจัดช่องโหว่ที่สำคัญ เช่น การโจมตีซ้ำ การตรวจสอบการควบคุมการเข้าถึงที่ขาดหายไปสำหรับการเป็นเจ้าของอ็อบเจ็กต์ และการโอเวอร์โฟลว์/อันเดอร์โฟลว์ทางคณิตศาสตร์ที่ไม่คาดคิด สถาปัตยกรรมของ Move VM รองรับการประมวลผลแบบขนานที่มีประสิทธิภาพ ช่วยให้ Talus สามารถปรับขนาดโดยการประมวลผลธุรกรรมหลายรายการพร้อมกันโดยไม่สูญเสียความปลอดภัยหรือความสมบูรณ์
IBC (โปรโตคอลการสื่อสารระหว่างบล็อกเชน):
การทำงานร่วมกัน: IBC อำนวยความสะดวกในการทำงานร่วมกันอย่างราบรื่นระหว่างบล็อกเชนที่แตกต่างกัน ช่วยให้ตัวแทนอัจฉริยะสามารถโต้ตอบและใช้ประโยชน์จากข้อมูลหรือสินทรัพย์บนเครือข่ายที่หลากหลาย
อะตอมมิกแบบข้ามสายโซ่: IBC รองรับธุรกรรมอะตอมมิกแบบข้ามสายโซ่ ซึ่งเป็นคุณสมบัติที่สำคัญต่อการรักษาความสอดคล้องและความน่าเชื่อถือของการดำเนินงานที่ดำเนินการโดยตัวแทนอัจฉริยะ โดยเฉพาะอย่างยิ่งในแอปพลิเคชันทางการเงินหรือขั้นตอนการทำงานที่ซับซ้อน
ความสามารถในการขยายขนาดผ่านการแบ่งส่วน: IBC สนับสนุนความสามารถในการขยายขนาดทางอ้อมผ่านการแบ่งส่วนโดยทำให้ตัวแทนอัจฉริยะสามารถดำเนินการบนบล็อกเชนหลาย ๆ อัน แต่ละบล็อกเชนสามารถมองได้ว่าเป็นชิ้นส่วนที่จัดการชุดย่อยของธุรกรรม ซึ่งช่วยลดภาระในห่วงโซ่เดียว ช่วยให้ตัวแทนอัจฉริยะสามารถจัดการและดำเนินงานในลักษณะกระจายและปรับขนาดได้มากขึ้น
ความสามารถในการปรับแต่งและความเชี่ยวชาญ: ด้วย IBC บล็อกเชนที่แตกต่างกันสามารถมุ่งเน้นไปที่คุณสมบัติเฉพาะหรือการเพิ่มประสิทธิภาพ ตัวอย่างเช่น ตัวแทนอัจฉริยะอาจใช้สายโซ่หนึ่งสำหรับการทำธุรกรรมที่รวดเร็วสำหรับการประมวลผลการชำระเงิน และอีกสายโซ่ที่ใช้สำหรับการจัดเก็บข้อมูลที่ปลอดภัยสำหรับการเก็บบันทึก
ความปลอดภัยและการแยก: IBC รักษาความปลอดภัยและการแยกระหว่างเครือข่าย ซึ่งเป็นประโยชน์สำหรับตัวแทนอัจฉริยะที่จัดการการดำเนินงานหรือข้อมูลที่ละเอียดอ่อน เนื่องจาก IBC ช่วยให้มั่นใจในการตรวจสอบการสื่อสารและธุรกรรมระหว่างเชนอย่างปลอดภัย เจ้าหน้าที่อัจฉริยะจึงสามารถทำงานอย่างมั่นใจระหว่างเชนที่แตกต่างกันโดยไม่กระทบต่อความปลอดภัย
วัตถุกระจก:
เพื่อเป็นตัวแทนของโลกออฟเชนในสถาปัตยกรรมออนเชน วัตถุมิเรอร์ส่วนใหญ่จะใช้ในการตรวจสอบและเชื่อมโยงทรัพยากร AI เช่น: การแสดงและการพิสูจน์เอกลักษณ์ของทรัพยากร ความสามารถในการแลกเปลี่ยนทรัพยากรนอกเชน การแสดงใบรับรองความเป็นเจ้าของ หรือการตรวจสอบความเป็นเจ้าของ .
วัตถุมิเรอร์ประกอบด้วยวัตถุมิเรอร์ที่แตกต่างกันสามประเภท ได้แก่ วัตถุแบบจำลอง วัตถุข้อมูล และวัตถุการคำนวณ
ออบเจ็กต์โมเดล: เจ้าของโมเดลสามารถนำโมเดล AI ของตนเข้าสู่ระบบนิเวศผ่านการลงทะเบียนโมเดลเฉพาะ โดยแปลงโมเดลนอกเครือข่ายไปเป็นเชน ออบเจ็กต์โมเดลจะสรุปสาระสำคัญและความสามารถของโมเดล โดยมีเฟรมเวิร์กการเป็นเจ้าของ การจัดการ และการสร้างรายได้ที่สร้างไว้ด้านบนโดยตรง ออบเจ็กต์โมเดลเป็นสินทรัพย์ที่ยืดหยุ่นซึ่งสามารถปรับปรุงขีดความสามารถผ่านกระบวนการปรับแต่งเพิ่มเติม หรือหากจำเป็น ปรับรูปร่างใหม่ทั้งหมดผ่านการฝึกอบรมที่ครอบคลุมเพื่อตอบสนองความต้องการเฉพาะ
วัตถุข้อมูล: วัตถุข้อมูล (หรือชุดข้อมูล) มีอยู่ในรูปแบบดิจิทัลของชุดข้อมูลเฉพาะของใครบางคน ออบเจ็กต์นี้สามารถสร้าง ถ่ายโอน ให้สิทธิ์ใช้งาน หรือแปลงเป็นแหล่งข้อมูลแบบเปิดได้
ออบเจ็กต์การคำนวณ: ผู้ซื้อเสนองานการคำนวณให้กับเจ้าของออบเจ็กต์ จากนั้นเจ้าของจะให้ผลการคำนวณและหลักฐานที่เกี่ยวข้อง ผู้ซื้อถือกุญแจที่สามารถใช้เพื่อถอดรหัสสัญญาและตรวจสอบผลลัพธ์
สแต็ค AI:
Talus จัดเตรียม SDK และส่วนประกอบแบบรวมเพื่อสนับสนุนการพัฒนาตัวแทนอัจฉริยะและการโต้ตอบกับทรัพยากรนอกเครือข่าย AI Stack ยังรวมถึงการบูรณาการกับ Oracles เพื่อให้มั่นใจว่าตัวแทนอัจฉริยะสามารถใช้ประโยชน์จากข้อมูลนอกเครือข่ายเพื่อการตัดสินใจและการตอบสนอง
ตัวแทนอัจฉริยะบนห่วงโซ่:
Talus จัดเตรียมระบบเศรษฐกิจของตัวแทนอัจฉริยะที่สามารถทำงานอัตโนมัติ ตัดสินใจ ดำเนินธุรกรรม และโต้ตอบกับทรัพยากรทั้งแบบออนไลน์และออฟไลน์
เจ้าหน้าที่อัจฉริยะมีความเป็นอิสระ ความสามารถทางสังคม ปฏิกิริยา และความคิดริเริ่ม ความเป็นอิสระช่วยให้สามารถทำงานได้โดยไม่ต้องมีการแทรกแซงจากมนุษย์ ความสามารถทางสังคมช่วยให้สามารถโต้ตอบกับตัวแทนและมนุษย์อื่นๆ และปฏิกิริยาช่วยให้สามารถรับรู้การเปลี่ยนแปลงของสภาพแวดล้อมและตอบสนองได้ทันที (Talus สนับสนุนตัวแทนเพื่อตอบสนองต่อเหตุการณ์ออนไลน์และนอกเครือข่ายผ่านผู้ฟัง) การดำเนินการเชิงรุกช่วยให้สามารถดำเนินการตามเป้าหมาย การคาดการณ์ หรือสถานะในอนาคตที่คาดหวังได้
นอกเหนือจากสถาปัตยกรรมการพัฒนาและโครงสร้างพื้นฐานสำหรับชุดเอเจนต์อัจฉริยะที่ Talus มอบให้แล้ว เอเจนต์ AI ที่สร้างขึ้นบน Talus ยังรองรับการให้เหตุผล AI ที่ตรวจสอบได้หลายประเภท (opML, zkML ฯลฯ) เพื่อให้มั่นใจถึงความโปร่งใสและความน่าเชื่อถือของการใช้เหตุผลของ AI Talus มีชุดสิ่งอำนวยความสะดวกที่ออกแบบมาเป็นพิเศษสำหรับตัวแทน AI ที่สามารถรับรู้ถึงการโต้ตอบแบบหลายสายโซ่และฟังก์ชันการทำแผนที่ระหว่างทรัพยากรแบบออนไลน์และนอกเครือข่าย
ระบบนิเวศของตัวแทน AI แบบออนไลน์ที่ Talus เปิดตัวมีความสำคัญอย่างยิ่งต่อการพัฒนาเทคโนโลยีบูรณาการกับ AI และบล็อกเชน แต่ก็ยังยากที่จะนำไปใช้ โครงสร้างพื้นฐานของ Talus ช่วยให้เกิดความยืดหยุ่นและการทำงานร่วมกันในการพัฒนาตัวแทน AI แต่เมื่อตัวแทน AI ทำงานบนเครือข่าย Talus มากขึ้นเรื่อยๆ ก็ต้องรอดูกันว่าการทำงานร่วมกันและประสิทธิภาพระหว่างตัวแทนเหล่านี้สามารถตอบสนองความต้องการของผู้ใช้ได้หรือไม่ ขณะนี้ Talus ยังอยู่ในขั้นตอนเครือข่ายทดสอบส่วนตัว และมีการพัฒนาและอัปเดตอยู่ตลอดเวลา เป็นที่คาดหวังว่า Talus จะสามารถส่งเสริมการพัฒนาระบบนิเวศของตัวแทน AI บนห่วงโซ่ต่อไปได้ในอนาคต
ข้อมูลทีม:
Mike Hanono เป็นผู้ก่อตั้งและซีอีโอของ Talus Network เขาสำเร็จการศึกษาระดับปริญญาตรีสาขาวิศวกรรมอุตสาหการและระบบ และปริญญาโทสาขาวิทยาศาสตร์ข้อมูลประยุกต์จากมหาวิทยาลัยเซาเทิร์นแคลิฟอร์เนีย เขาได้เข้าร่วมในโครงการ Wharton Business School ที่มหาวิทยาลัยเพนซิลเวเนีย และมีประสบการณ์กว้างขวางในด้านการวิเคราะห์ข้อมูล การพัฒนาซอฟต์แวร์ และ การจัดการโครงการ
ข้อมูลทางการเงิน:
ในเดือนกุมภาพันธ์ปีนี้ Talus เสร็จสิ้นการจัดหาเงินทุนรอบแรกมูลค่า 3 ล้านเหรียญสหรัฐ ซึ่งนำโดย Polychain Capital โดยมีส่วนร่วมจาก Dao 5, Hash 3, TRGC, WAGMI Ventures, Inception Capital ฯลฯ นักลงทุน Angel ส่วนใหญ่มาจาก Nvidia, IBM, สีน้ำเงิน 7. ทุนสัญลักษณ์และเครือข่ายการเรนเดอร์
ORA: รากฐานสำคัญของ AI ที่ตรวจสอบได้แบบออนไลน์
OAO ผลิตภัณฑ์ของ ORA (ออราเคิล AI แบบออนไลน์) เป็นออราเคิล AI แรกของโลกที่ใช้ opML ซึ่งสามารถแนะนำผลลัพธ์การอนุมาน AI แบบออฟไลน์บนเชนได้ ซึ่งหมายความว่าสัญญาอัจฉริยะสามารถใช้ฟังก์ชัน AI บนห่วงโซ่ได้โดยการโต้ตอบกับ OAO นอกจากนี้ AI oracle ของ ORA ยังสามารถผสานรวมเข้ากับ Initial Model Release (IMO) ได้อย่างราบรื่น เพื่อให้บริการ AI บนเชนแบบเต็มรูปแบบ
ORA มีข้อได้เปรียบเป็นรายแรกทั้งในด้านเทคโนโลยีและตลาด เนื่องจากเป็น Oracle ที่ไม่น่าเชื่อถือบน Ethereum จึงคาดว่าจะมีผลกระทบอย่างมากต่อฐานผู้ใช้ที่กว้างขวาง คาดว่าสถานการณ์การใช้งาน AI ที่เป็นนวัตกรรมใหม่จะเกิดขึ้นในอนาคต ขณะนี้นักพัฒนาสามารถใช้โมเดลที่ ORA มอบให้เพื่อใช้เหตุผลแบบกระจายอำนาจในสัญญาอัจฉริยะ และสร้าง dApps AI ที่ตรวจสอบได้บน Ethereum, Arbitrum, Optimism, Base, Polygon, Linea และ Manta นอกเหนือจากการให้บริการตรวจสอบสำหรับการอนุมาน AI แล้ว ORA ยังให้บริการการกระจายโมเดล (IMO) เพื่อส่งเสริมการมีส่วนร่วมของโมเดลโอเพ่นซอร์สอีกด้วย
ผลิตภัณฑ์หลักสองรายการของ ORA ได้แก่ Initial Model Release (IMO) และ On-Chain AI Oracle (OAO) ทั้งสองเข้ากันได้อย่างลงตัวเพื่อให้ได้มาซึ่งโมเดล AI แบบออนไลน์และการตรวจสอบเหตุผลของ AI
IMO จูงใจการมีส่วนร่วมของโอเพ่นซอร์สในระยะยาวโดยการสร้างโทเค็นการเป็นเจ้าของโมเดล AI แบบโอเพ่นซอร์ส และผู้ถือโทเค็นจะได้รับรายได้ส่วนหนึ่งที่สร้างจากการใช้โมเดลในห่วงโซ่ ORA ยังให้เงินทุนแก่นักพัฒนา AI และสร้างแรงจูงใจให้กับชุมชนและผู้มีส่วนร่วมโอเพ่นซอร์ส
OAO นำการให้เหตุผล AI ที่ตรวจสอบได้มาไว้ในห่วงโซ่ ORA แนะนำ opML เป็นเลเยอร์การตรวจสอบสำหรับ AI oracles เช่นเดียวกับขั้นตอนการทำงานของ OP Rollup ผู้ตรวจสอบหรือผู้เข้าร่วมเครือข่ายสามารถตรวจสอบผลลัพธ์ระหว่างช่วงท้าทายได้ หากการท้าทายสำเร็จ ผลลัพธ์ข้อผิดพลาดจะได้รับการอัปเดตในห่วงโซ่หลังจากช่วงการท้าทาย ผลลัพธ์จะถือเป็นที่สิ้นสุดและไม่เปลี่ยนรูป .
ในการสร้างเครือข่ายออราเคิลที่ตรวจสอบได้และกระจายอำนาจ สิ่งสำคัญคือต้องรับประกันความถูกต้องในการคำนวณของผลลัพธ์บนบล็อกเชน กระบวนการนี้เกี่ยวข้องกับระบบการพิสูจน์เพื่อให้แน่ใจว่าการคำนวณมีความน่าเชื่อถือและเป็นความจริง
ด้วยเหตุนี้ ORA จึงจัดให้มีกรอบระบบการรับรองสามแบบ:
opML ของ AI Oracle (ปัจจุบัน AI oracle ของ ORA รองรับ opML แล้ว)
zkML สำหรับ keras 2c ircom (เฟรมเวิร์ก zkML ที่เป็นผู้ใหญ่และมีประสิทธิภาพสูง)
zk+opML ซึ่งรวมความเป็นส่วนตัวของ zkML และความสามารถในการปรับขนาดของ opML ได้ตระหนักถึงโซลูชัน AI ออนไลน์ในอนาคตผ่าน opp/ai
opML:
opML (Optimistic Machine Learning) ที่คิดค้นและพัฒนาโดย ORA ผสมผสานการเรียนรู้ของเครื่องเข้ากับเทคโนโลยีบล็อกเชน ด้วยการใช้ประโยชน์จากหลักการ Optimistic Rollups ที่คล้ายกัน opML จึงรับประกันประสิทธิภาพการคำนวณในลักษณะแบบกระจายอำนาจ กรอบการทำงานดังกล่าวช่วยให้สามารถตรวจสอบการคำนวณ AI แบบออนไลน์ได้ เพิ่มความโปร่งใส และส่งเสริมความไว้วางใจในการอนุมานการเรียนรู้ของเครื่อง
เพื่อให้มั่นใจในความปลอดภัยและความถูกต้อง opML ใช้กลไกป้องกันการฉ้อโกงดังต่อไปนี้:
การส่งผล: ผู้ให้บริการ (ผู้ส่ง) ดำเนินการคำนวณแมชชีนเลิร์นนิงแบบออฟไลน์และส่งผลไปยังบล็อกเชน
ระยะเวลาการตรวจสอบ: ผู้ตรวจสอบ (หรือผู้ท้าชิง) มีระยะเวลาที่กำหนดไว้ล่วงหน้า (ระยะเวลาท้าทาย) เพื่อตรวจสอบความถูกต้องของผลลัพธ์ที่ส่งมา
การระงับข้อพิพาท: หากผู้ตรวจสอบพบว่าผลลัพธ์ไม่ถูกต้อง พวกเขาจะเริ่มเกมโต้แย้งแบบโต้ตอบ เกมการโต้เถียงระบุขั้นตอนการคำนวณที่แน่นอนที่เกิดข้อผิดพลาดได้อย่างมีประสิทธิภาพ
การยืนยันแบบออนไลน์: เฉพาะขั้นตอนการคำนวณที่ถูกโต้แย้งเท่านั้นที่จะได้รับการตรวจสอบแบบออนไลน์ผ่าน Fraud Proof Virtual Machine (FPVM) ซึ่งช่วยลดการใช้ทรัพยากรให้เหลือน้อยที่สุด
การสรุปผล: หากไม่มีข้อโต้แย้งใด ๆ เกิดขึ้นในระหว่างการท้าทาย หรือหากข้อโต้แย้งได้รับการแก้ไข ผลลัพธ์จะถูกสรุปในบล็อกเชน
opML ที่นำเสนอโดย ORA ช่วยให้การคำนวณสามารถดำเนินการนอกเครือข่ายได้ในสภาพแวดล้อมที่ได้รับการปรับปรุงให้เหมาะสม และจะมีการประมวลผลเฉพาะข้อมูลที่เล็กที่สุดบนเครือข่ายระหว่างข้อพิพาท หลีกเลี่ยงการสร้างหลักฐานราคาแพงซึ่งจำเป็นสำหรับ Machine Learning แบบไม่มีความรู้ (zkML) และลดต้นทุนในการคำนวณ วิธีนี้สามารถจัดการกับการคำนวณขนาดใหญ่ซึ่งทำได้ยากด้วยวิธีออนไลน์แบบออนไลน์
keras 2c ircom (zkML):
zkML เป็นเฟรมเวิร์กการพิสูจน์ที่ใช้การพิสูจน์ความรู้แบบศูนย์เพื่อตรวจสอบผลลัพธ์การอนุมานของแมชชีนเลิร์นนิ่งแบบออนไลน์ เนื่องจากความเป็นส่วนตัว จึงสามารถปกป้องข้อมูลส่วนตัวและพารามิเตอร์โมเดลระหว่างการฝึกอบรมและการอนุมานได้ ซึ่งจะช่วยแก้ไขปัญหาความเป็นส่วนตัวได้ เนื่องจากการคำนวณจริงของ zkML เสร็จสิ้นแบบออฟไลน์ และออนไลน์จำเป็นต้องตรวจสอบความถูกต้องของผลลัพธ์เท่านั้น โหลดในการคำนวณบนห่วงโซ่จึงลดลง
Keras 2C ircom สร้างโดย ORA เป็นเฟรมเวิร์ก zkML ระดับสูงที่ผ่านการทดสอบการต่อสู้ครั้งแรก จากการทดสอบเกณฑ์มาตรฐานของเฟรมเวิร์ก zkML ชั้นนำภายใต้ข้อเสนอ Ethereum Foundation ESP Grant Proposal [ปีงบประมาณ 23 – 1290] Keras 2C ircom และ circomlib-ml พื้นฐานได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพมากกว่าเฟรมเวิร์กอื่นๆ
opp/ai (opML + zkML):
ORA ยังเสนอ OPP/AI (Optimistic Privacy-Preserving AI บน Blockchain) ซึ่งรวมการเรียนรู้ของเครื่องแบบไม่มีความรู้ (zkML) เพื่อความเป็นส่วนตัว และการเรียนรู้ของเครื่องในแง่ดี (opML) เพื่อปรับปรุงประสิทธิภาพ โดยสร้างโมเดลไฮบริดที่ปรับแต่งโดย AI แบบออนไลน์ ด้วยการแบ่งพาร์ติชันโมเดลแมชชีนเลิร์นนิง (ML) อย่างมีกลยุทธ์ opp/ai จะสร้างสมดุลระหว่างประสิทธิภาพการคำนวณและความเป็นส่วนตัวของข้อมูล เปิดใช้งานบริการ AI แบบออนไลน์ที่ปลอดภัยและมีประสิทธิภาพ
opp/ai แบ่งโมเดล ML ออกเป็นโมเดลย่อยหลายรุ่นตามความต้องการความเป็นส่วนตัว: โมเดลย่อย zkML ใช้เพื่อจัดการข้อมูลที่ละเอียดอ่อนหรือส่วนประกอบของอัลกอริธึมที่เป็นกรรมสิทธิ์ และดำเนินการโดยใช้การพิสูจน์ความรู้เป็นศูนย์เพื่อให้มั่นใจถึงการรักษาความลับของข้อมูลและโมเดล โมเดลย่อย opML ใช้กับส่วนประกอบที่จัดลำดับความสำคัญของประสิทธิภาพมากกว่าความเป็นส่วนตัว การดำเนินการโดยใช้แนวทางในแง่ดีของ opML เพื่อประสิทธิภาพสูงสุด
โดยสรุป ORA เสนอกรอบการรับรองสามแบบอย่างสร้างสรรค์: opML, zkML และ opp/ai (opML รวมกับ zkML) กรอบการรับรองที่หลากหลายช่วยเพิ่มความเป็นส่วนตัวของข้อมูลและประสิทธิภาพการประมวลผล และนำคุณประโยชน์มาสู่แอปพลิเคชันบล็อกเชนที่มากขึ้น
ORA เป็น AI oracle ตัวแรกที่มีศักยภาพมหาศาลและมีจินตนาการที่กว้างขวาง ORA ได้ตีพิมพ์ผลการศึกษาและผลลัพธ์มากมายที่แสดงให้เห็นถึงข้อดีของเทคโนโลยีของบริษัท อย่างไรก็ตาม กระบวนการให้เหตุผลของแบบจำลอง AI มีความซับซ้อนและค่าใช้จ่ายในการตรวจสอบหรือไม่ ความเร็วในการให้เหตุผลของ AI แบบออนไลน์สามารถตอบสนองความต้องการของผู้ใช้ได้หรือไม่ กลายเป็นคำถามที่ต้องได้รับการตรวจสอบ หลังจากการตรวจสอบตามเวลาและการเพิ่มประสิทธิภาพประสบการณ์ผู้ใช้อย่างต่อเนื่อง ผลิตภัณฑ์ AI ดังกล่าวอาจเป็นเครื่องมือที่ยอดเยี่ยมในการปรับปรุงประสิทธิภาพของ DApps บนเครือข่าย
ข้อมูลทีม:
ผู้ร่วมก่อตั้ง Kartin สำเร็จการศึกษาจากมหาวิทยาลัยแอริโซนาสาขาวิทยาการคอมพิวเตอร์ เขาเคยดำรงตำแหน่งผู้นำด้านเทคนิคที่ Tiktok และเป็นวิศวกรซอฟต์แวร์ที่ Google
หัวหน้านักวิทยาศาสตร์ Cathie สำเร็จการศึกษาระดับปริญญาโทสาขาวิทยาการคอมพิวเตอร์จาก University of Southern California, ปริญญาเอกสาขาจิตวิทยาและประสาทวิทยาศาสตร์จาก University of Hong Kong และเป็นนักวิจัย zkML ที่ Ethereum Foundation
ข้อมูลทางการเงิน:
เมื่อวันที่ 26 มิถุนายนปีนี้ ORA ได้ประกาศเสร็จสิ้นการจัดหาเงินทุน 20 ล้านหยวน สถาบันการลงทุน ได้แก่ Polychain Capital, HF 0, Hashkey Capital, SevenX Ventures และ Geekcartel เป็นต้น
Grass: ชั้นข้อมูลของโมเดล AI
Grass มุ่งเน้นไปที่การแปลงข้อมูลเครือข่ายสาธารณะเป็นชุดข้อมูล AI เครือข่ายของ Grass ใช้แบนด์วิธส่วนเกินของผู้ใช้เพื่อดึงข้อมูลจากอินเทอร์เน็ตโดยไม่เก็บเกี่ยวข้อมูลส่วนบุคคลของผู้ใช้ ข้อมูลเครือข่ายประเภทนี้เป็นส่วนสำคัญในการพัฒนาโมเดลปัญญาประดิษฐ์และการดำเนินงานในอุตสาหกรรมอื่นๆ อีกมากมาย ผู้ใช้สามารถเรียกใช้โหนดและรับคะแนน Grass และการเรียกใช้โหนดบน Grass นั้นง่ายดายเหมือนกับการสมัครและติดตั้งส่วนขยาย Chrome
Grass เชื่อมโยงความต้องการ AI และผู้ให้บริการข้อมูล ทำให้เกิดสถานการณ์แบบ win-win ข้อได้เปรียบของมันคือการติดตั้งที่เรียบง่ายและความคาดหวังในการแจกอากาศในอนาคตช่วยส่งเสริมการมีส่วนร่วมของผู้ใช้อย่างมาก ซึ่งทำให้ผู้เรียกร้องได้รับแหล่งข้อมูลมากขึ้น ในฐานะผู้ให้บริการข้อมูล ผู้ใช้ไม่จำเป็นต้องดำเนินการตั้งค่าและดำเนินการที่ซับซ้อน และสามารถดำเนินการเก็บข้อมูล ทำความสะอาด และดำเนินการอื่นๆ โดยที่ผู้ใช้ไม่ทราบ นอกจากนี้ ไม่มีข้อกำหนดพิเศษสำหรับอุปกรณ์ ซึ่งจะลดเกณฑ์สำหรับผู้ใช้ในการเข้าร่วม และกลไกการเชิญยังช่วยส่งเสริมให้ผู้ใช้เข้าร่วมได้อย่างรวดเร็วมากขึ้นอีกด้วย
เนื่องจาก Grass จำเป็นต้องดำเนินการขูดข้อมูลเพื่อเข้าถึงคำขอเว็บนับสิบล้านคำขอต่อนาที สิ่งเหล่านี้จะต้องได้รับการตรวจสอบ ซึ่งจะต้องใช้ปริมาณงานมากกว่าที่ L1 สามารถให้ได้ และทีม Grass ได้ประกาศแผนในเดือนมีนาคมเพื่อสร้าง Rollup เพื่อสนับสนุนผู้ใช้และผู้สร้างในการตรวจสอบที่มาของข้อมูล แผนคือการประมวลผลข้อมูลเมตาเป็นชุดสำหรับการตรวจสอบผ่านโปรเซสเซอร์ ZK และหลักฐานของข้อมูลเมตาของแต่ละชุดจะถูกจัดเก็บไว้ในชั้นการชำระบัญชีของ Solana และสร้างบัญชีแยกประเภทข้อมูล
ดังที่แสดงในภาพ ลูกค้าส่งคำขอทางเว็บ ซึ่งผ่านเครื่องมือตรวจสอบความถูกต้อง และในที่สุดก็ถูกส่งไปยังโหนด Grass เซิร์ฟเวอร์ของเว็บไซต์ตอบสนองต่อคำขอของหน้าเว็บ ทำให้สามารถรวบรวมข้อมูลและส่งคืนข้อมูลได้ วัตถุประสงค์ของโปรเซสเซอร์ ZK คือการช่วยจัดทำเอกสารที่มาของชุดข้อมูลที่คัดลอกบนเครือข่าย Grass ซึ่งหมายความว่าทุกครั้งที่โหนดรวบรวมข้อมูลเครือข่าย พวกเขาจะได้รับรางวัลโดยไม่ต้องเปิดเผยข้อมูลที่ระบุตัวตนเกี่ยวกับตนเอง หลังจากถูกรวมไว้ในบัญชีแยกประเภทข้อมูลแล้ว ข้อมูลที่รวบรวมจะถูกทำความสะอาดและจัดโครงสร้างผ่านแบบจำลองการฝังกราฟ (Edge Embedding) สำหรับการฝึกอบรม AI
โดยสรุป Grass อนุญาตให้ผู้ใช้สนับสนุนแบนด์วิธส่วนเกินและเก็บข้อมูลเครือข่ายเพื่อรับรายได้แบบพาสซีฟพร้อมทั้งปกป้องความเป็นส่วนตัว การออกแบบนี้ไม่เพียงแต่นำผลประโยชน์ทางเศรษฐกิจมาสู่ผู้ใช้เท่านั้น แต่ยังช่วยให้บริษัท AI มีวิธีการแบบกระจายอำนาจในการรับข้อมูลจริงจำนวนมาก
แม้ว่า Grass จะลดเกณฑ์การมีส่วนร่วมของผู้ใช้ลงอย่างมากและเอื้อต่อการปรับปรุงการมีส่วนร่วมของผู้ใช้ แต่ทีมงานโครงการจำเป็นต้องพิจารณาว่าการมีส่วนร่วมของผู้ใช้จริงและการหลั่งไหลเข้ามาของ นักเลงขนสัตว์ อาจนำมาซึ่งข้อมูลสแปมจำนวนมาก ซึ่งจะเพิ่มขึ้น ภาระการประมวลผลข้อมูล ดังนั้นฝ่ายโครงการจึงต้องสร้างกลไกจูงใจและข้อมูลราคาที่เหมาะสมเพื่อให้ได้ข้อมูลที่มีค่าอย่างแท้จริง นี่เป็นปัจจัยสำคัญที่มีอิทธิพลสำหรับทั้งฝ่ายโครงการและผู้ใช้ หากผู้ใช้สับสนหรือไม่ยุติธรรมเกี่ยวกับการจัดสรร Airdrop พวกเขาอาจเกิดความไม่ไว้วางใจในฝั่งโครงการ ซึ่งส่งผลต่อฉันทามติและการพัฒนาโครงการ
ข้อมูลทีม:
ผู้ก่อตั้ง ดร. Andrej สำเร็จการศึกษาจากมหาวิทยาลัยยอร์กในแคนาดา สาขาวิชาเอกคอมพิวเตอร์และคณิตศาสตร์ประยุกต์ Chris Nguyen ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีมีประสบการณ์หลายปีในการประมวลผลข้อมูล และบริษัทข้อมูลที่เขาก่อตั้งขึ้นได้รับรางวัลมากมาย รวมถึงรางวัล IBM Cloud Embedded Excellence Award, Enterprise Technology Top 30 และ Forbes Cloud 100 Rising Stars
ข้อมูลทางการเงิน:
Grass เป็นผลิตภัณฑ์แรกที่เปิดตัวโดยทีมงาน Wynd Network ซึ่งเสร็จสิ้นการระดมทุนรอบเริ่มต้นมูลค่า 3.5 ล้านดอลลาร์ ซึ่งนำโดย Polychain Capital และ Tribe Capital ในเดือนธันวาคม 2023 Bitscale, Big Brain, Advisors Anonymous, Typhon V, Mozaik ฯลฯ เข้าร่วมในการลงทุน . ก่อนหน้านี้ No Limit Holdings เป็นผู้นำการจัดหาเงินทุนรอบก่อนดู โดยมียอดระดมทุนรวมอยู่ที่ 4.5 ล้านดอลลาร์สหรัฐ
ในเดือนกันยายนของปีนี้ Grass เสร็จสิ้นการจัดหาเงินทุน Series A ซึ่งนำโดย Hack VC โดยมีส่วนร่วมจาก Polychain, Delphi Digital, Brevan Howard Digital, Lattice fund ฯลฯ โดยจำนวนเงินทุนไม่ได้รับการเปิดเผย
IO.NET: แพลตฟอร์มทรัพยากรการคำนวณแบบกระจายอำนาจ
IO.NET รวบรวมทรัพยากรการประมวลผลเครือข่ายที่ไม่ได้ใช้งานทั่วโลกโดยการสร้างเครือข่าย GPU แบบกระจายอำนาจบน Solana สิ่งนี้ช่วยให้วิศวกร AI ได้รับทรัพยากรการประมวลผล GPU ที่พวกเขาต้องการในราคาที่ถูกกว่า เข้าถึงได้มากขึ้น และยืดหยุ่นมากขึ้น ทีม ML สามารถสร้างการฝึกอบรมโมเดลและการอนุมานที่ให้บริการเวิร์กโฟลว์บนเครือข่าย GPU แบบกระจาย
IO.NET ไม่เพียงแต่สร้างรายได้ให้กับผู้ใช้ที่มีพลังการประมวลผลที่ไม่ได้ใช้งานเท่านั้น แต่ยังช่วยลดภาระด้านพลังการประมวลผลของทีมขนาดเล็กหรือบุคคลได้อย่างมาก ด้วยปริมาณงานที่สูงและประสิทธิภาพการดำเนินการที่มีประสิทธิภาพของ Solana จึงมีข้อได้เปรียบโดยธรรมชาติสำหรับการตั้งเวลาเครือข่าย GPU
IO.NET ได้รับความสนใจและชื่นชอบจากสถาบันชั้นนำมากมายนับตั้งแต่เปิดตัว จากข้อมูลของ CoinMarketCap ณ วันที่ 17 ตุลาคม มูลค่าตลาดของโทเค็นเกิน 220 ล้านดอลลาร์สหรัฐ และ FDV เกิน 1.47 พันล้านดอลลาร์สหรัฐ
หนึ่งในเทคโนโลยีหลักของ IO.NET คือ IO-SDK ซึ่งอิงจากการแยกเฉพาะของ Ray (Ray เป็นเฟรมเวิร์กโอเพ่นซอร์สที่ OpenAI ใช้เพื่อขยายแอปพลิเคชัน AI และ Python เช่น การเรียนรู้ของเครื่องไปยังคลัสเตอร์เพื่อรองรับการคำนวณจำนวนมาก) IO-SDK ใช้ประโยชน์จากความเท่าเทียมดั้งเดิมของ Ray จึงสามารถเทียบเคียงฟังก์ชัน Python และยังรองรับการผสานรวมกับเฟรมเวิร์ก ML กระแสหลัก เช่น PyTorch และ TensorFlow ที่จัดเก็บข้อมูลในหน่วยความจำช่วยให้สามารถแบ่งปันข้อมูลระหว่างงานต่างๆ ได้อย่างรวดเร็ว ช่วยลดความล่าช้าในซีเรียลไลซ์
ส่วนประกอบของผลิตภัณฑ์:
IO Cloud: ออกแบบมาเพื่อปรับใช้และจัดการคลัสเตอร์ GPU แบบกระจายอำนาจตามความต้องการ ผสานรวมกับ IO-SDK ได้อย่างราบรื่นเพื่อมอบโซลูชันที่ครอบคลุมสำหรับการขยายแอปพลิเคชัน AI และ Python มอบพลังการประมวลผลในขณะที่ปรับใช้และการจัดการทรัพยากร GPU/CPU ได้ง่ายขึ้น ลดความเสี่ยงที่อาจเกิดขึ้นผ่านไฟร์วอลล์ การควบคุมการเข้าถึง และการออกแบบโมดูลาร์ และแยกฟังก์ชันต่างๆ เพื่อเพิ่มความปลอดภัย
ผู้ปฏิบัติงาน IO: ผู้ใช้สามารถจัดการการทำงานของโหนด GPU ผ่านทางอินเทอร์เฟซเว็บแอปพลิเคชันนี้ รวมคุณสมบัติต่างๆ เช่น การตรวจสอบกิจกรรมการประมวลผล การติดตามอุณหภูมิและการใช้พลังงาน ความช่วยเหลือในการติดตั้ง มาตรการรักษาความปลอดภัย และโปรไฟล์รายได้
IO Explorer: มอบสถิติที่ครอบคลุมและการแสดงภาพทุกแง่มุมของคลาวด์ GPU แก่ผู้ใช้เป็นหลัก ช่วยให้ผู้ใช้สามารถดูกิจกรรมเครือข่าย สถิติที่สำคัญ จุดข้อมูล และธุรกรรมรางวัลแบบเรียลไทม์
IO ID: ผู้ใช้สามารถดูสถานะบัญชีส่วนบุคคล รวมถึงกิจกรรมที่อยู่กระเป๋าสตางค์ ยอดคงเหลือในกระเป๋าสตางค์ และรายได้ที่เรียกร้อง ฯลฯ
IO Coin: รองรับผู้ใช้เพื่อดูสถานะโทเค็นของ IO.NET
BC 8.AI: นี่คือเว็บไซต์สร้างรูปภาพ AI ที่สนับสนุนโดย IO.NET ผู้ใช้สามารถเข้าใจกระบวนการสร้าง AI จากข้อความเป็นรูปภาพ
IO.NET ใช้พลังการประมวลผลที่ไม่ได้ใช้งานจากนักขุดสกุลเงินดิจิทัล โครงการต่างๆ เช่น Filecoin และ Render และพลังการประมวลผลที่ไม่ได้ใช้งานอื่นๆ เพื่อรวบรวมทรัพยากร GPU มากกว่าหนึ่งล้านรายการ ช่วยให้วิศวกรหรือทีมปัญญาประดิษฐ์สามารถปรับแต่งและซื้อบริการประมวลผล GPU ได้ตามความต้องการของตนเอง ด้วยการใช้ทรัพยากรคอมพิวเตอร์ที่ไม่ได้ใช้งานของโลก ผู้ใช้ที่ให้พลังการประมวลผลสามารถสร้างโทเค็นรายได้ของตนได้ IO.NET ไม่เพียงเพิ่มประสิทธิภาพการใช้ทรัพยากร แต่ยังช่วยลดต้นทุนการประมวลผลที่สูง และส่งเสริม AI และแอปพลิเคชันการประมวลผลที่หลากหลายยิ่งขึ้น
ในฐานะแพลตฟอร์มพลังการประมวลผลแบบกระจายอำนาจ IO.NET ควรมุ่งเน้นไปที่ประสบการณ์ผู้ใช้ ทรัพยากรพลังงานการประมวลผลที่มีอยู่มากมาย และการกำหนดเวลาและการตรวจสอบทรัพยากร สิ่งเหล่านี้เป็นชิปที่สำคัญสำหรับการชนะในเส้นทางพลังการประมวลผลแบบกระจายอำนาจ อย่างไรก็ตาม เคยมีข้อโต้แย้งเกี่ยวกับปัญหาการจัดกำหนดการทรัพยากรมาก่อน และบางคนตั้งคำถามถึงความไม่ตรงกันระหว่างการจัดกำหนดการทรัพยากรและคำสั่งซื้อของผู้ใช้ แม้ว่าเราจะไม่สามารถมั่นใจในความถูกต้องของเรื่องนี้ได้ แต่ยังเตือนโครงการที่เกี่ยวข้องว่าพวกเขาควรใส่ใจกับการเพิ่มประสิทธิภาพในด้านเหล่านี้และปรับปรุงประสบการณ์ผู้ใช้ หากไม่ได้รับการสนับสนุนจากผู้ใช้ ผลิตภัณฑ์ที่สวยงามก็เป็นเพียงแจกัน
ข้อมูลทีม:
ผู้ก่อตั้ง Ahmad Shadid เคยเป็นวิศวกรระบบเชิงปริมาณที่ WhalesTrader ครั้งหนึ่งเขาเคยเป็นผู้สนับสนุนและเป็นที่ปรึกษาของ Ethereum Foundation Gaurav Sharma ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยี ก่อนหน้านี้เคยทำงานเป็นวิศวกรพัฒนาอาวุโสที่ Amazon, เป็นสถาปนิกที่ eBay และในแผนกวิศวกรรมของ Binance
ข้อมูลทางการเงิน:
เมื่อวันที่ 1 พฤษภาคม พ.ศ. 2566 มีการประกาศอย่างเป็นทางการว่าได้เสร็จสิ้นการจัดหาเงินทุนเริ่มต้นมูลค่า 10 ล้านดอลลาร์สหรัฐ
เมื่อวันที่ 5 มีนาคม พ.ศ. 2567 มีการประกาศว่าบริษัทเสร็จสิ้นการระดมทุน Series A มูลค่า 30 ล้านดอลลาร์สหรัฐ ซึ่งนำโดย Hack VC, Multicoin Capital, 6th Man Ventures, M 13, Delphi Digital, Solana Labs, Aptos Labs, Foresight Ventures, Longhash, SevenX, ArkStream, Animoca Brands, Continue Capital, MH Ventures, Sandbox Games และคนอื่นๆ เข้าร่วม
MyShell: แพลตฟอร์มตัวแทน AI ที่เชื่อมโยงผู้บริโภคและผู้สร้าง
MyShell เป็นเลเยอร์ผู้บริโภค AI แบบกระจายอำนาจที่เชื่อมโยงผู้บริโภค ผู้สร้าง และนักวิจัยโอเพ่นซอร์ส ผู้ใช้สามารถใช้เอเจนต์ AI ที่ได้รับจากแพลตฟอร์ม หรือสร้างเอเจนต์ AI หรือแอปพลิเคชันของตนเองบนแพลตฟอร์มการพัฒนา MyShell MyShell เป็นตลาดเปิดสำหรับผู้ใช้ในการแลกเปลี่ยนตัวแทน AI ได้อย่างอิสระ ในร้านค้า AIpp ของ MyShell คุณสามารถดูตัวแทน AI ได้หลายประเภท รวมถึงสหายเสมือน ผู้ช่วยการซื้อขาย และตัวแทนประเภท AIGC
MyShell เป็นทางเลือกที่มีเกณฑ์ขั้นต่ำสำหรับแชทบอท AI ประเภทต่างๆ เช่น ChatGPT โดยมีแพลตฟอร์มฟังก์ชัน AI ที่หลากหลาย ซึ่งลดเกณฑ์สำหรับผู้ใช้ในการใช้โมเดล AI และตัวแทน ทำให้ผู้ใช้สามารถได้รับประสบการณ์ AI ที่ครอบคลุม ตัวอย่างเช่น ผู้ใช้อาจต้องการใช้ Claude สำหรับการจัดระเบียบเอกสารและการเพิ่มประสิทธิภาพการเขียน ขณะเดียวกันก็ใช้ Midjourney เพื่อสร้างภาพคุณภาพสูง โดยปกติแล้ว ผู้ใช้จะต้องลงทะเบียนหลายบัญชีบนแพลตฟอร์มที่แตกต่างกัน และชำระค่าธรรมเนียมสำหรับบริการบางอย่าง MyShell ให้บริการแบบครบวงจร โดยให้โควต้า AI ฟรีทุกวัน และผู้ใช้ไม่จำเป็นต้องลงทะเบียนและชำระเงินซ้ำๆ
นอกจากนี้ ผลิตภัณฑ์ AI บางอย่างยังมีข้อจำกัดในบางภูมิภาค แต่บนแพลตฟอร์ม MyShell ผู้ใช้มักจะสามารถใช้บริการ AI ต่างๆ ได้อย่างราบรื่น จึงช่วยปรับปรุงประสบการณ์ผู้ใช้ได้อย่างมาก ข้อดีของ MyShell เหล่านี้ทำให้เป็นตัวเลือกที่เหมาะสำหรับประสบการณ์ผู้ใช้ โดยมอบประสบการณ์บริการ AI ที่สะดวกสบาย มีประสิทธิภาพ และราบรื่นแก่ผู้ใช้
ระบบนิเวศ MyShell สร้างขึ้นจากองค์ประกอบหลักสามประการ:
โมเดล AI ที่พัฒนาตนเอง: MyShell ได้พัฒนาโมเดล AI แบบโอเพ่นซอร์สหลายแบบ รวมถึง AIGC และโมเดลภาษาขนาดใหญ่ ซึ่งผู้ใช้สามารถใช้งานได้โดยตรง คุณยังสามารถค้นหาโมเดลโอเพ่นซอร์สเพิ่มเติมได้ใน Github อย่างเป็นทางการ
แพลตฟอร์มการพัฒนา AI แบบเปิด: ผู้ใช้สามารถสร้างแอปพลิเคชัน AI ได้อย่างง่ายดาย แพลตฟอร์ม MyShell ช่วยให้ผู้สร้างสามารถใช้ประโยชน์จากโมเดลต่างๆ และบูรณาการ API ภายนอกได้ ด้วยเวิร์กโฟลว์การพัฒนาแบบเนทีฟและชุดเครื่องมือแบบแยกส่วน ผู้สร้างสามารถเปลี่ยนแนวคิดของตนให้เป็นแอปพลิเคชัน AI ที่ใช้งานได้อย่างรวดเร็ว ซึ่งจะช่วยเร่งการสร้างสรรค์นวัตกรรม
ระบบนิเวศสิ่งจูงใจที่ยุติธรรม: วิธีการจูงใจของ MyShell สนับสนุนให้ผู้ใช้สร้างเนื้อหาที่ตรงกับความต้องการส่วนบุคคล ผู้สร้างสามารถรับรางวัลแพลตฟอร์มเนทีฟจากการใช้แอปที่พวกเขาสร้างขึ้น รวมถึงรับเงินทุนจากผู้บริโภค
ในเวิร์กชอปของ MyShell คุณจะเห็นว่าผู้ใช้สามารถสร้างหุ่นยนต์ AI ได้ในสามโหมด ทั้งนักพัฒนามืออาชีพและผู้ใช้ทั่วไปสามารถจับคู่โหมดที่เหมาะสมได้ ผู้ใช้อัปโหลดไฟล์โมเดลของตนเอง โหมด ShellAgent สามารถใช้เพื่อสร้างหุ่นยนต์ AI ในรูปแบบที่ไม่มีโค้ด
MyShell ผสมผสานแนวคิดเรื่องการกระจายอำนาจและเทคโนโลยี AI และมุ่งมั่นที่จะมอบระบบนิเวศที่เปิดกว้าง ยืดหยุ่น และมีสิ่งจูงใจที่ยุติธรรมสำหรับผู้บริโภค ผู้สร้าง และนักวิจัย ด้วยโมเดล AI ที่พัฒนาตนเอง แพลตฟอร์มการพัฒนาแบบเปิด และวิธีการจูงใจต่างๆ ทำให้ผู้ใช้มีเครื่องมือและทรัพยากรมากมายในการตระหนักถึงแนวคิดและความต้องการของพวกเขา
MyShell ผสานรวมโมเดลคุณภาพสูงที่หลากหลาย และทีมงานยังคงพัฒนาโมเดล AI มากมายเพื่อปรับปรุงประสบการณ์ผู้ใช้ อย่างไรก็ตาม MyShell ยังคงเผชิญกับความท้าทายบางประการเมื่อใช้งาน ตัวอย่างเช่น ผู้ใช้บางรายรายงานว่าจำเป็นต้องปรับปรุงการรองรับภาษาจีนในบางรุ่น อย่างไรก็ตาม เมื่อดูที่ที่เก็บโค้ด MyShell คุณจะเห็นว่าทีมอัปเดตและเพิ่มประสิทธิภาพอย่างต่อเนื่อง และรับฟังความคิดเห็นจากชุมชนอย่างกระตือรือร้น ฉันเชื่อว่าการปรับปรุงอย่างต่อเนื่องจะทำให้ประสบการณ์ผู้ใช้ดีขึ้นในอนาคต
ข้อมูลทีม:
ผู้ร่วมก่อตั้ง Zengyi Qin มุ่งเน้นไปที่การวิจัยอัลกอริทึมคำพูด และสำเร็จการศึกษาระดับปริญญาเอกจาก MIT ในขณะที่ศึกษาระดับปริญญาตรีที่มหาวิทยาลัย Tsinghua เขาได้ตีพิมพ์บทความการประชุมชั้นนำมากมาย นอกจากนี้เขายังมีประสบการณ์วิชาชีพด้านหุ่นยนต์ คอมพิวเตอร์วิทัศน์ และการเรียนรู้แบบเสริมกำลังอีกด้วย Ethan Sun ผู้ร่วมก่อตั้งอีกคน สำเร็จการศึกษาจากมหาวิทยาลัยอ็อกซ์ฟอร์ด สาขาวิทยาการคอมพิวเตอร์ และมีประสบการณ์การทำงานในสาขา AR+AI เป็นเวลาหลายปี
ข้อมูลทางการเงิน:
การจัดหาเงินทุนรอบ Seed มูลค่า 5.6 ล้านดอลลาร์สหรัฐในเดือนตุลาคม 2023 นำโดย INCE Capital, Hashkey Capital, Folius Ventures, SevenX Ventures, OP Crypto และคนอื่นๆ ก็เข้าร่วมด้วย
ในเดือนมีนาคม พ.ศ. 2567 บริษัทได้รับเงินทุน 11 ล้านดอลลาร์สหรัฐในการระดมทุน Pre-A รอบล่าสุด การจัดหาเงินทุนนี้นำโดย Dragonfly โดยมีส่วนร่วมจาก Delphi Digital, Bankless Ventures, Maven 11 Capital, Nascent, Nomad, Foresight Ventures, Animoca Ventures, OKX Ventures และ GSR นอกจากนี้ การจัดหาเงินทุนรอบนี้ยังได้รับการสนับสนุนจากนักลงทุนรายย่อย เช่น Balaji Srinivasan, Illia Polosukhin, Casey K. Caruso และ Santiago Santos
ในเดือนสิงหาคมของปีนี้ Binance Labs ได้ประกาศการลงทุนที่ไม่เปิดเผยใน MyShell ผ่านโครงการบ่มเพาะฤดูกาลที่หก
4. ความท้าทายและข้อควรพิจารณาที่ต้องแก้ไขอย่างเร่งด่วน
แม้ว่าเส้นทางนี้ยังอยู่ในช่วงเริ่มต้น ผู้ปฏิบัติงานควรพิจารณาปัจจัยสำคัญบางประการที่มีอิทธิพลต่อความสำเร็จของโครงการ ต่อไปนี้เป็นประเด็นที่ต้องพิจารณา:
ความสมดุลของอุปสงค์และอุปทานของทรัพยากร AI: สำหรับโครงการระบบนิเวศ Web3-AI วิธีการบรรลุความสมดุลของอุปสงค์และอุปทานของทรัพยากร AI และดึงดูดผู้คนที่มีความต้องการที่แท้จริงและความเต็มใจที่จะมีส่วนร่วมมากขึ้นเป็นสิ่งสำคัญอย่างยิ่ง ตัวอย่างเช่น ผู้ใช้ที่ต้องการโมเดล ข้อมูล และพลังการประมวลผลอาจคุ้นเคยกับการรับทรัพยากร AI บนแพลตฟอร์ม Web2 ในเวลาเดียวกัน วิธีการดึงดูดผู้ให้บริการทรัพยากร AI ให้มีส่วนร่วมในระบบนิเวศ Web3-AI ดึงดูดความต้องการให้ได้รับทรัพยากรมากขึ้น และบรรลุการจับคู่ทรัพยากร AI อย่างสมเหตุสมผล ก็เป็นหนึ่งในความท้าทายที่อุตสาหกรรมต้องเผชิญ
ความท้าทายด้านข้อมูล: คุณภาพข้อมูลส่งผลโดยตรงต่อผลการฝึกโมเดล การรับรองคุณภาพข้อมูลในกระบวนการรวบรวมข้อมูลและการประมวลผลข้อมูลล่วงหน้าและการคัดกรองข้อมูลขยะจำนวนมากที่ผู้ใช้ wool นำมาจะเป็นความท้าทายที่สำคัญที่โครงการข้อมูลต้องเผชิญ ฝ่ายโครงการสามารถใช้วิธีควบคุมคุณภาพข้อมูลทางวิทยาศาสตร์และสาธิตผลกระทบของการประมวลผลข้อมูลได้อย่างโปร่งใสมากขึ้น เพื่อเพิ่มความน่าเชื่อถือของข้อมูล ซึ่งจะดึงดูดผู้เรียกร้องข้อมูลมากขึ้นด้วย
ปัญหาด้านความปลอดภัย: ในอุตสาหกรรม Web3 ถือเป็นการพิจารณาที่จำเป็นในการตระหนักถึงการโต้ตอบแบบออนไลน์และออฟไลน์ของสินทรัพย์ AI ผ่านบล็อกเชนและเทคโนโลยีความเป็นส่วนตัว เพื่อป้องกันไม่ให้ผู้ไม่ประสงค์ดีส่งผลกระทบต่อคุณภาพของสินทรัพย์ AI และรับประกันความปลอดภัยของทรัพยากร AI เช่น เป็นข้อมูลและแบบจำลอง ฝ่ายโครงการบางฝ่ายได้เสนอแนวทางแก้ไขแล้ว แต่พื้นที่ดังกล่าวยังอยู่ในขั้นตอนการก่อสร้าง ในขณะที่เทคโนโลยีมีการปรับปรุงอย่างต่อเนื่อง คาดว่าจะบรรลุมาตรฐานความปลอดภัยที่สูงขึ้นและผ่านการพิสูจน์แล้ว
ประสบการณ์ผู้ใช้:
ผู้ใช้ Web2 มักจะคุ้นเคยกับประสบการณ์การดำเนินงานแบบดั้งเดิม ในขณะที่โปรเจ็กต์ Web3 มักจะมาพร้อมกับสัญญาอัจฉริยะที่ซับซ้อน กระเป๋าเงินกระจายอำนาจ และเทคโนโลยีอื่น ๆ ซึ่งอาจมีเกณฑ์ที่สูงกว่าสำหรับผู้ใช้ทั่วไป อุตสาหกรรมควรพิจารณาวิธีการเพิ่มประสิทธิภาพประสบการณ์ผู้ใช้และสิ่งอำนวยความสะดวกด้านการศึกษาเพื่อดึงดูดผู้ใช้ Web2 เข้าสู่ระบบนิเวศ Web3-AI มากขึ้น
สำหรับผู้ใช้ Web3 การสร้างกลไกสิ่งจูงใจที่มีประสิทธิผลและระบบเศรษฐกิจที่ดำเนินงานอย่างต่อเนื่องเป็นกุญแจสำคัญในการส่งเสริมการรักษาผู้ใช้ในระยะยาวและการพัฒนาระบบนิเวศที่ดี ในเวลาเดียวกัน เราควรคิดถึงวิธีเพิ่มการใช้เทคโนโลยี AI เพื่อปรับปรุงประสิทธิภาพในด้าน Web3 และสร้างสรรค์สถานการณ์แอปพลิเคชันและการเล่นเกมที่รวมกับ AI ให้มากขึ้น สิ่งเหล่านี้เป็นปัจจัยสำคัญที่ส่งผลต่อการพัฒนาสุขภาพที่ดีของระบบนิเวศ
เนื่องจากแนวโน้มการพัฒนาของ Internet+ ยังคงพัฒนาอย่างต่อเนื่อง เราจึงได้เห็นนวัตกรรมและการเปลี่ยนแปลงจำนวนนับไม่ถ้วนเกิดขึ้น ในปัจจุบัน สถานการณ์ในหลายสาขาผสมผสานกับ AI เมื่อมองไปสู่อนาคต ยุคของ AI+ อาจเบ่งบานทุกที่และเปลี่ยนวิถีชีวิตของเราไปอย่างสิ้นเชิง การบูรณาการของ Web3 และ AI หมายความว่าความเป็นเจ้าของและการควบคุมข้อมูลจะถูกส่งกลับไปยังผู้ใช้ ทำให้ AI มีความโปร่งใสและน่าเชื่อถือมากขึ้น แนวโน้มการบูรณาการนี้คาดว่าจะสร้างสภาพแวดล้อมของตลาดที่ยุติธรรมและเปิดกว้างมากขึ้น และส่งเสริมการปรับปรุงประสิทธิภาพและการพัฒนานวัตกรรมในทุกสาขาอาชีพ เราหวังว่าจะได้ผู้สร้างอุตสาหกรรมทำงานร่วมกันเพื่อสร้างโซลูชัน AI ที่ดีขึ้น
อ้างอิง
https://ieeexplore.ieee.org/abstract/document/9451544
https://docs.ora.io/doc/oao-onchain-ai-oracle/introduction
https://saharalabs.ai/
https://saharalabs.ai/blog/sahara-ai-raise-43m
https://bittensor.com/
https://docs.bittensor.com/yuma-consensus
https://docs.bittensor.com/emissions#emission
https://twitter.com/myshell_ai
https://twitter.com/SubVortexTao
https://foresightnews.pro/article/detail/49752
https://www.ora.io/
https://docs.ora.io/doc/imo/introduction
https://github.com/ora-io/keras2c ircom
https://arxiv.org/abs/2401.17555
https://arxiv.org/abs/2402.15006
https://x.com/OraProtocol/status/1805981228329513260
https://x.com/getgrass_io
https://www.getgrass.io/blog/grass-the-first-ever-layer-2-data-rollup
https://wynd-network.gitbook.io/grass-docs/architecture/overview#edge-embedding-models
http://IO.NET
https://www.ray.io/
https://www.techflowpost.com/article/detail_17611.html
https://myshell.ai/
https://www.chaincatcher.com/article/2118663
รับทราบ
ยังมีงานวิจัยและงานที่ต้องทำอีกมากในกระบวนทัศน์โครงสร้างพื้นฐานที่เกิดขึ้นใหม่นี้ และยังมีอีกหลายสิ่งที่ไม่ได้กล่าวถึงในบทความนี้ หากสนใจหัวข้อวิจัยที่เกี่ยวข้อง กรุณาติดต่อ Chloe
ขอขอบคุณ Severus และ JiaYi มากสำหรับความคิดเห็นและข้อเสนอแนะที่ลึกซึ้งเกี่ยวกับบทความนี้ สุดท้ายนี้ขอขอบคุณแมวของ JiaYi ที่มาปรากฏตัวในรายการ
