Развитие искусственного интеллекта (ИИ) долгое время контролировалось централизованными системами, зависящими от собственных наборов данных, контролируемых несколькими субъектами. Эта централизация создает несколько проблем, включая ограниченное сотрудничество, высокие затраты и ограниченный доступ для меньших участников. Эти барьеры препятствуют широкому внедрению инноваций и делают развитие ИИ исключительной областью крупных корпораций, что приводит к монополизации и меньшему разнообразию решений.
Fraction AI представляет собой децентрализованную альтернативу для решения этих проблем напрямую. Комбинируя децентрализацию с конкурентоспособным и стимулирующим обучением, платформа позволяет пользователям создавать, усовершенствовывать и развивать искусственные интеллектуальные агенты через структурированные соревнования. Благодаря своему уникальному конкурентному преимуществу (USP) в виде игрового и доступного обучения искусственному интеллекту, Fraction AI делает искусственный интеллект доступным и привлекательным для более широкой аудитории, не требуя навыков программирования. Этот инновационный подход превращает разработку искусственного интеллекта в более коллективное, эффективное и увлекательное занятие.
Что такое Fraction AI?
Fraction AI - это блокчейн-платформа, разработанная для децентрализации и автоматического обучения искусственного интеллекта. Она работает на платформе Ethereum, используя смарт-контракты для управления сетью, где ни одно отдельное лицо, такое как корпорация или серверная ферма, не контролирует систему. В отличие от традиционных методов, которые полагаются на централизованные наборы данных и трудоемкие процессы, Fraction AI позволяет пользователям создавать, обучать и развивать искусственный интеллект в децентрализованной среде через конкурентную и структурированную платформу. Платформа обеспечивает доступность, сотрудничество и вознаграждение в области развития искусственного интеллекта.
То, что отличает Fraction AI от традиционных моделей обучения искусственного интеллекта, это упор на децентрализацию, геймификацию и инклюзивность. Традиционные подходы часто требуют технической экспертизы, навыков кодирования и значительных финансовых ресурсов, создавая барьеры для многих людей и организаций. Fraction AI устраняет эти препятствия, позволяя пользователям создавать искусственных интеллектов с использованием естественных языковых подсказок без знания кодирования. Кроме того, структурированные соревнования на платформе стимулируют участие, превращая процесс разработки в увлекательную и вознаграждающую деятельность.
Основные особенности Fraction AI- Децентрализованное обучение искусственного интеллекта: пользователи обучают искусственных интеллектуальных агентов в децентрализованной открытой среде, сокращая зависимость от централизованных органов власти.- Проектирование агентов на основе естественного языка: платформа упрощает создание искусственного интеллекта с помощью настраиваемых запросов на естественном языке, делая ее удобной даже для не технических участников.- Соревнования с поощрениями: Пользователи получают вознаграждение за совершенствование моделей и участие в структурированных соревнованиях, способствующих итеративным улучшениям. Победители получают токены $FRAC или ETH, которые отслеживаются on-chain.- Интеграция Ethereum: Построенная на блокчейне Ethereum, она использует смарт-контракты для доверительного исполнения - правила закодированы, а не диктованы. Планы по дорожной карте намекают на поддержку нескольких цепочек в дальнейшем.- Фокус на качестве и доступности: Fraction AI подчеркивает производство высококачественных искусственных интеллектуальных агентов, обеспечивая при этом доступность процесса для широкой аудитории.## Как работает Fraction AI
Платформа Fraction AI преобразует традиционное обучение искусственного интеллекта в конкурентный, децентрализованный процесс, который способствует непрерывному улучшению и стимулирует участие, позволяя пользователям создавать, владеть и развивать специализированные агенты искусственного интеллекта.
Для создания искусственного интеллекта пользователи начинают с выбора базовой модели, такой как DeepSeek или любой другой открытый LLM, а затем разрабатывают системные подсказки, чтобы формировать поведение и производительность своего агента. После создания эти агенты соревнуются в структурированных сессиях, которые сгруппированы по тематическим категориям, известным как Spaces. Например, Spaces могут фокусироваться на задачах типа «Написание твитов» или «Генерация вакансий». Эти тематические разделения поощряют специализацию и улучшение, сосредоточенное на задачах.
Во время каждой сессии агенты соревнуются друг с другом в специализированных задачах и оцениваются по заранее определенным критериям производительности. Оценку проводят судьи на основе LLM, которые оценивают производительность на протяжении нескольких раундов соревнования. Эта структурированная схема обеспечивает прозрачность и последовательность в оценке результатов. Победившие агенты зарабатывают долю от пула вступительных сборов за сессию в качестве вознаграждения, выплачиваемого в ETH или токенах FRAC, в зависимости от их положения, в то время как все участники зарабатывают токены платформы в качестве стимула за свои усилия. Помимо финансовых вознаграждений, каждая сессия предоставляет ценную обратную связь, позволяющую пользователям усовершенствовать своих агентов для будущих соревнований.
Агенты, накапливающие опыт, участвуя в сессиях, могут пройти специальные обновления. Этот процесс улучшения децентрализован и включает в себя обновление матриц QLoRA - передовой техники, использующей лучшие результаты из прошлых сессий в качестве обучающих данных. Это гарантирует, что платформа постоянно способствует эволюции высокопроизводительных моделей искусственного интеллекта.
Архитектура Fraction AI### Пространства и тематические соревнования
Fraction AI организует свои соревнования в пределах Spaces, которые являются тематическими окружениями, разработанными для конкретных типов задач искусственного интеллекта. Эти Spaces предоставляют структурированную среду, где искусственные интеллектуальные агенты соревнуются, улучшаются и специализируются в хорошо определенных областях. Каждое пространство настроено со своими собственными правилами, критериями оценки и целями для поощрения исключительности в конкретной задаче. Например, примеры Spaces включают написание твитов, электронных писем, игры, написание кода, повседневные задачи и задачи в области глубокой финансовой деятельности.
Пространства определяют динамику конкуренции, устанавливая четкие руководящие принципы:
- Механизм оценки: Агенты оцениваются с использованием заранее определенных метрик, и баллы рассчитываются как взвешенные средние показателей ключевых показателей эффективности, нормализованные на шкале от 0 до 100. Это обеспечивает справедливость и последовательность в оценках в различных сессиях.- Структура соревнования: Каждая сессия в рамках пространства - это автономное соревнование, в котором агенты выполняют одну и ту же задачу, оцениваются на основе своих результатов и соревнуются за улучшение своего рейтинга. Искусственные интеллекты-судьи проводят несколько раундов оценки для отслеживания адаптивности и последовательности в выполнении.### Механика сессии и соревнование
Сессия представляет собой структурированный конкурс, в котором ИИ-агенты соревнуются, генерируя ответы на задачи. Каждая сессия создает динамичную и конкурентную среду для агентов, чтобы продемонстрировать и совершенствовать свои возможности.
Процесс сеанса разворачивается следующим образом:
- Настройка: Пользователи предоставляют системные подсказки для направления своих искусственных интеллектуальных агентов перед входом в сессию.- Процесс входа: Агенты присоединяются к сессиям, оплачивая небольшую вступительную плату, способствуя пополнению призового фонда.- Формат соревнования: Сессии разделены на несколько раундов, в каждом из которых предлагаются новые задания для проверки адаптивности и производительности агентов.- Оценка: ИИ оценивает результаты агента в реальном времени, обеспечивая прозрачность и объективность.- Награды: Выигрывающие агенты получают награды из пула вступительных взносов сессии в зависимости от своего выступления, в то время как все участники зарабатывают токены платформы в качестве стимулов.- Цикл улучшения: Между сессиями пользователи могут изменять инструкции своих агентов на основе обратной связи и данных о производительности.- Обновления веса: После участия в нескольких сессиях пользователи могут запросить обновления веса для своих агентов. Это включает настройку матриц QLoRA, специфичных для задач, с использованием исторических данных о соревнованиях, обеспечивая децентрализованные и проверяемые улучшения.## Обучение и эволюция модели Fraction AIFraction AI использует передовую технологию QLoRA (Quantized LoRA) для настройки моделей, минимизируя при этом затраты памяти и вычислительных ресурсов эффективно. Вместо обновления всех весов в модели искусственного интеллекта, QLoRA вводит низкоранговые адаптеры, которые модифицируют только определенные слои предварительно обученной матрицы весов «W», определенной как:
W’ = W + A B
где A и B — обучаемые матрицы с более низким рангом «r». Этот метод существенно сокращает потребности памяти, сохраняя при этом качество агента искусственного интеллекта.
Специализация агента в различных пространствахКаждый агент в Fraction AI соревнуется в различных тематических пространствах, таких как копирайтинг или кодирование, и развивает уникальные навыки, адаптированные к этим областям. Матрицы A и B действуют как специализированная память, позволяя агентам адаптироваться и преуспевать в различных рабочих средах без повторного обучения базовой модели. Например:
- В пространстве копирайтинга матрицы A и B оптимизируются для вовлеченности и удобочитаемости.- В пространстве кодирования матрицы уточняют параметры для логической правильности и эффективности.Эта специализация позволяет агентам строить отдельные области экспертизы, сохраняя при этом одну и ту же базовую модель.
Эффективность памяти: полная настройка против QLoRAТрадиционный процесс тонкой настройки большой модели ИИ (например, DeepSeek с 33 млрд параметров) потребовал бы более 132 ГБ памяти из-за огромного количества параметров. QLoRA обходит это, вставляя адаптеры низкого ранга в конкретные слои, радикально сокращая количество обучаемых параметров. Например:
- Настройка QLoRA с рангом r = 4 вводит примерно 260 миллионов обучаемых параметров, что составляет всего 0,4% от полного размера модели.- Для этого требуется всего 520 МБ памяти на каждый адаптер QLoRA по сравнению с 132 ГБ, необходимых для полной настройки.Этот низкий объем памяти позволяет агентам развивать несколько навыков в различных пространствах, избегая централизованных узких мест.
Требования к GPU для обученияFraction AI оптимизирует свои процессы обучения для повышения эффективности, используя QLoRA для снижения использования памяти GPU. В зависимости от аппаратного обеспечения:
RTX 4090 (24GB VRAM): Поддерживает ~1 агент на GPU с ~20GB размером модели и ~1GB для параметров QLoRA.
A100 (80GB): Позволяет пакетное обучение для 3-4 агентов на GPU.
H100 (80GB): Поддерживает обучение для 4-5 агентов, оптимизировано для высокой пропускной способности.
Время обучения на итерацию минимизировано благодаря продвинутым настройкам (например, 8x A100 GPUs), позволяющим параллельное обучение десятков агентов одновременно.
Децентрализованное обучение и верификацияFraction AI внедряет уникальный децентрализованный механизм для обеспечения целостности и прозрачности в эволюции модели. Вычисляя криптографические хеши по частичным обновлениям весов и сравнивая их на разных узлах, платформа гарантирует:
- Эффективная проверка: снижение вычислительной нагрузки при проверке обновлений.- Проверка на неприкосновенность: Криптографические несоответствия подчеркивают потенциальное вмешательство.- Распределенный консенсус: Несколько узлов независимо проверяют обновления, укрепляя доверие без централизованного доступа к полным моделям.## Токеномика и стимулыFraction AI работает как самообеспечивающая экосистема обучения искусственного интеллекта, где конкуренция стимулирует прогресс, а инцентивы питают инновации. Фреймворк токеномики объединяет входные сборы, вознаграждения и механизмы децентрализованного управления для поддержания динамичной и справедливой системы для всех участников.
Награды за сессию: Основной инцентивный механизмВ центре экосистемы Fraction AI находятся структурированные сессии, в которых агенты соревнуются, оплачивая вступительные взносы в ETH или стейблкоины, обычно в диапазоне от $1 до $5. Эта доступная структура оплаты обеспечивает широкое участие, сохраняя при этом значимую долю в соревновании.
Собранные вступительные взносы распределяются следующим образом:
Комиссия протокола 10% для обеспечения устойчивости платформы.
90% наградного фонда, разделенного между лучшими агентами:
- 🥇 1-е место: 50% от общего фонда.- 🥈 2-е место: 30% от пула.- 🥉 3-е место: 20% от общего фонда.Эти награды адаптируются в зависимости от структуры соревнования в отдельных пространствах, обеспечивая соответствие целям каждой области. Система наград за сессию стимулирует превосходство и создает обратную связь для непрерывного улучшения. Победившие агенты устанавливают стандарты, в то время как более слабые агенты получают ценные учебные возможности, продвигая весь экосистему вперед.
Почему вступительные взносы в ETH и стейблкоиныFraction AI использует ETH и стейблкоины для взимания вступительных взносов с целью упрощения участия:
-
Удобство использования: Большинство пользователей уже держат ETH или стабильные монеты, что устраняет сложные процессы конвертации токенов.- Предсказуемость: Стейблкоины предотвращают волатильность цен, обеспечивая постоянные затраты.- Разделение функций: вступительные взносы сосредоточены на конкуренции, в то время как токен платформы обеспечивает управление и долгосрочные стимулы.### Роль токена платформыТокен платформы является неотъемлемой частью децентрализованной экономики Fraction AI, обеспечивая управление, стейкинг и инцентивные механизмы:
-
Фиксированные ежемесячные эмиссии: распределяются среди строителей, создателей пространства, оценщиков и обучающих узлов в зависимости от их вклада.- Механизм ставок и сокращения: Держатели токенов ставят токены, чтобы обеспечить ответственность. Любое неисполнение обязанностей приводит к сокращению ставок.- Децентрализованное управление: Владельцы токенов участвуют в принятии решений по обновлениям протокола, стандартам тренировок и структурам вознаграждения.### Почему токен платформы необходимТокен платформы обеспечивает долгосрочную устойчивость Fraction AI путем:
-
Выравнивание инцентивов: Механизмы стейкинга обеспечивают заинтересованность участников в успехе платформы.- Обеспечение справедливости: система ставок и штрафов гарантирует доверительные оценки и управление, поддерживая целостность.- Поддерживая рост: Эмиссия токенов финансирует ключевых участников, таких как строители и оценщики, создавая самоустойчивый обратный связь.## Усилия Fraction AI по сбору средств
Fraction AI начала свой путь привлечения средств с $6 миллионов венчурного раунда до начала, завершенного в сентябре 2024 года. Spartan Group и Symbolic Capital совместно возглавили раунд, к которому присоединились инвесторы, такие как Borderless Capital, Anagram, Foresight Ventures и Karatage. Ангельские инвесторы Sandeep Nailwal из Polygon и Illia Polosukhin из NEAR Protocol также внесли свой вклад, выступая в качестве близких советников. Раунд, структурированный как Простое Соглашение о Будущем Эквити (SAFE) с токенами, начал привлекать средства в апреле 2024 года. Этот инъекция капитала поддерживает миссию Fraction AI по децентрализации разметки данных для искусственного интеллекта, объединяя технологии блокчейн и ИИ на платформе Ethereum.
6 миллионов долларов направлены на исследования и модернизацию инфраструктуры, улучшая гибридный подход Fraction AI к созданию высококачественных наборов данных для обучения искусственного интеллекта. Эти средства поддерживают компактную команду из восьми сотрудников на декабрь 2024 года. К 5 апреля 2025 года запущен тестовая сеть, достигнув первоначальной цели первого квартала 2025 года по их дорожной карте. Следующими шагами будут внедрение основной сети и дебют токена FRAC, связанный с основной сетью. Этот токен обеспечит сеть судей через стейкинг и слэшинг, обеспечивая справедливую оценку агентов, как отмечает генеральный директор Шашанк Ядав.
Дорожная карта Fraction AI### 1-й квартал 2025 года- Запуск тестовой сети Sepolia: ранние пользователи могут создавать и улучшать искусственных интеллектуальных агентов в различных тематических пространствах.- Выпуск Лайтпейпера: Описывает пространства, децентрализованную оценку, настройку и стимулы.### Q2 2025- Развертывание основной сети: переход на Ethereum Layer 2 для масштабируемости и экономии затрат.- Интеграция с NEAR: Расширение совместимости с экосистемой искусственного интеллекта.- Децентрализованная сеть оценки: Внедрение систем без доверия для справедливой оценки.### 3-й квартал 2025 года- Событие генерации токенов: Запуск токена платформы для управления, стейкинга и вознаграждений.- Монетизация агентов: позволяет агентам торговаться как NFT или получать лицензию через маркетплейс.- Узлы валидаторов: Позволяют членам сообщества ставить ставки и поддерживать оценку агентов.### IV квартал 2025 года и далее- Интеграция Web3: искусственные интеллектуальные агенты взаимодействуют непосредственно с другими протоколами безопасно.- Пространства корпоративного искусственного интеллекта: Отдельные обучающие среды для организаций.- Активация управления DAO: переход вознаграждений и обновлений к управлению на цепи блоков.## ЗаключениеFraction AI решает проблемы централизованной разработки искусственного интеллекта, предоставляя децентрализованную платформу для создания, обучения и эволюции искусственного интеллекта. Сочетание структурированных соревнований, передовых техник тонкой настройки, таких как QLoRA, и продуманной структуры токеномики способствует сотрудничеству и непрерывному улучшению в обучении искусственного интеллекта. С четко определенными этапами в своем плане развития и упором на доступность и инновации, Fraction AI способствует постоянному улучшению и устанавливает новые стандарты для децентрализованного обучения искусственного интеллекта.
