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:

1. Настройка: Пользователи предоставляют системные подсказки для направления своих искусственных интеллектуальных агентов перед входом в сессию.
2. Процесс входа: Агенты присоединяются к сессиям, оплачивая небольшую вступительную плату, способствуя пополнению призового фонда.
3. Формат соревнования: Сессии разделены на несколько раундов, в каждом из которых предлагаются новые задания для проверки адаптивности и производительности агентов.
4. Оценка: ИИ оценивает результаты агента в реальном времени, обеспечивая прозрачность и объективность.
5. 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.
6. Цикл улучшения: Между сессиями пользователи могут изменять инструкции своих агентов на основе обратной связи и данных о производительности.
7. 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 AI

Fraction 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 пространствах

Каждый 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 QLoRA

Традиционный 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 обучения

Fraction 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 верификация

Fraction 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 стимулы

Fraction 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 механизм

В 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 стейблкоины

Fraction 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 платформы

Токен платформы является неотъемлемой частью децентрализованной экономики Fraction AI, обеспечивая управление, стейкинг и инцентивные механизмы:

1. Фиксированные ежемесячные эмиссии: распределяются среди строителей, создателей пространства, оценщиков и обучающих узлов в зависимости от их вклада.
2. Механизм ставок и сокращения: Держатели токенов ставят токены, чтобы обеспечить ответственность. Любое неисполнение обязанностей приводит к сокращению ставок.
3. Децентрализованное управление: Владельцы токенов участвуют в принятии решений по обновлениям протокола, стандартам тренировок и структурам вознаграждения.

Почему токен платформы необходим

Токен 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.

Заключение

Fraction 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.