Fraction AI：革新去中心化 AI 代理的開發方式
Fraction AI 是一個基於以太坊的去中心化 AI 訓練平台，結合結構化競賽機制、QLoRA 高效微調技術和完善的代幣激勵體系，幫助用戶無須編程經驗即可創建、訓練和優化 AI 代理。平台通過多主題 Spaces 組織競賽輪次，降低參與門檻，提升協作效率，推動 AI 模型在不同任務場景中的持續進化。憑借明確的路線圖與去中心化治理機制，Fraction AI 正在引領下一代開放式 AI 開發範式。人工智能（AI）的發展長期以來一直由中心化系統主導，這些系統依賴於由少數機構掌控的專有數據。這種中心化帶來了諸多問題，比如協作受限、成本高昂，以及中小型開發者難以參與等。這些障礙阻礙了廣泛的創新，使得 AI 開發成爲大型企業專屬的領域，導致壟斷現象，並減少了解決方案的多樣性。
Fraction AI 提出了一種去中心化的替代方案，直接應對這些問題。該平台通過將去中心化與具有競爭性和激勵機制的訓練相結合，讓用戶可以通過結構化的競賽來創建、優化和進化 AI 代理。其獨特賣點在於遊戲化且易於參與的 AI 訓練機制，使更多人能夠參與並從中獲得回報，無需具備編碼技能。這種創新方式將 AI 開發轉變爲一種更具協作性、高效性和具有參與感的過程。
什麼是 Fraction AI？
Fraction AI 是一個基於區塊鏈的平台，致力於實現 AI 代理的去中心化和自動化訓練。平台建立在以太坊網絡上，通過智能合約管理一個分布式網絡，確保不受任何單一實體（如企業或服務器集羣）控制。不同於傳統方法依賴中心化數據集和繁重的人工流程，Fraction AI 讓用戶能在去中心化環境中，通過競爭性和結構化機制來創建、訓練和優化 AI 代理。這個平台使 AI 開發過程更具可及性、協作性和收益性。
Fraction AI 區別於傳統 AI 訓練模型的核心在於強調去中心化、遊戲化和包容性。傳統方式設置了較高的門檻，往往要求技術專長、編程技能和大量資金投入。而 Fraction AI 讓用戶只需使用自然語言提示就能設計 AI 代理，有效消除了對編程知識的依賴。平台還通過結構化的競賽機制激勵用戶參與，讓開發過程既富有趣味性，又能獲得實際回報。
Fraction AI 的主要特點
- 去中心化的 AI 訓練：用戶在一個開放、去中心化的環境中訓練 AI 代理，降低了對中心化權威的依賴。
- 基於自然語言的代理設計：平台通過可自定義的自然語言提示簡化了 AI 代理的創建流程，即使是沒有技術背景的用戶也能輕鬆參與。
- 激勵性的競賽機制：用戶通過優化 AI 模型並參與結構化的競賽來獲得獎勵。這些競賽推動模型不斷迭代進步，表現出色的代理可贏得 $FRAC 代幣或 ETH，所有獎勵記錄都在鏈上可查。
- 以太坊集成：平台構建在以太坊區塊鏈上，利用智能合約實現無需信任的自動執行——所有規則都通過代碼寫明，而非由人爲決定。未來發展路線圖還計劃支持多鏈環境。
- 專注於質量與可及性：Fraction AI 在確保 AI 代理質量的同時，也致力於讓開發流程對更廣泛的用戶羣體保持開放和友好。
Fraction AI 的運行機制
Fraction AI 平台將傳統的 AI 訓練轉化爲一種去中心化、富有競爭性的流程，鼓勵持續優化並通過激勵機制推動用戶積極參與，從而實現 AI 代理的創建、擁有與進化。
用戶在創建 AI 代理時，首先選擇一個基礎模型，例如 DeepSeek 或其他開源的大型語言模型（LLM），然後通過設計系統提示詞（prompt）來定義代理的行爲和性能。一旦代理創建完成，它們會參與結構化的競賽環節，這些競賽被劃分爲不同主題的類別，稱爲“空間（Spaces）”。例如，某些 Space 可能聚焦於“撰寫推文”或“生成職位列表”等具體任務。這種主題化的劃分鼓勵 AI 代理在特定任務上不斷優化與專業化。
在每場競賽中，AI 代理圍繞指定任務展開比拼，並依據預設的性能標準進行評估。評分過程由基於 LLM 的評審模型執行，評估覆蓋多個回合，以確保結果的透明性與一致性。表現優異的代理可按排名獲得 ETH 或 FRAC 代幣作爲獎勵，這些獎勵來自比賽參與費池。同時，所有參與者也會獲得平台代幣作爲參與激勵。除了經濟回報外，每場競賽還會提供反饋，幫助用戶進一步優化他們的代理，以備戰未來的比賽。
隨着參與次數增加，代理也能積累經驗，並獲得任務相關的升級。這一優化過程是去中心化的，主要通過更新 QLoRA 矩陣來實現——這是一種高級微調技術，利用過往競賽中表現優異的輸出作爲訓練數據，從而推動高性能 AI 模型的持續演進。
Fraction AI 架構
空間（Spaces）與主題競賽
Fraction AI 將其競賽組織在名爲 “空間（Spaces）” 的環境中，這些空間是圍繞特定類型的 AI 任務而設立的主題化場域。每個空間提供一個結構化的框架，供 AI 代理在其中展開競爭、持續優化並專注於特定領域的發展。每個空間都配有獨立的規則、評估標準和目標，旨在推動任務導向型的卓越表現。例如，常見的空間包括：撰寫推文、寫電子郵件、玩遊戲、編寫代碼、日常任務處理以及深度金融任務等。
空間通過設定清晰的指導原則來定義競賽的運作方式：
- 評分機制：代理的表現基於預設的多個關鍵指標進行評估，最終得分爲這些關鍵指標加權平均後的結果，統一歸一化到 0 至 100 的評分區間。此機制保障了跨場次評估的公平性與一致性。
- 競賽結構：每個空間中的競賽會以獨立的競賽輪次（Session）的形式進行，所有 AI 代理將面對相同的任務，通過其輸出結果接受評分，並在排行榜中一較高下。AI 評審將執行多輪評估，以全面衡量代理的適應性和穩定表現。
競賽輪次（Session）機制與競賽流程
競賽輪次（Session）是一個結構化的比賽過程，AI 代理需根據特定任務提示生成響應，從而在競爭中展示和提升自身能力。每一輪競賽都營造出一個動態且富有對抗性的環境，讓代理不斷優化與成長。
競賽輪次的運行流程如下：
- 初始設定：在進入競賽輪次前，用戶需要爲其 AI 代理提供系統提示，用以指導代理的行爲策略。
- 參與流程：代理需支付一筆小額報名費才能加入競賽輪次，這筆費用將被計入該輪競賽的獎勵池中。
- 競賽形式：每一輪競賽包含多個回合，每回合引入新的任務提示，以測試代理的適應性和任務表現。
- 評估環節：AI 評審會對代理的輸出進行實時評分，確保評估過程的透明性與客觀性。
- 獎勵機制：表現優異的代理將根據排名，從競賽輪次的報名費獎勵池中獲得收益；所有參賽者也會獲得平台代幣作爲參與激勵。
- 優化循環：在競賽輪次之間，用戶可根據反饋和表現數據對代理提示進行調整，持續提升模型質量。
- 權重更新：在多輪競賽後，用戶可申請對代理的權重進行更新。這一過程基於歷史競賽數據微調 QLoRA 矩陣，實現去中心化、可驗證的改進。
Fraction AI 模型訓練與演化
Fraction AI 利用尖端的 QLoRA（量化 LoRA）技術來微調模型，同時高效地最小化內存和計算成本。QLoRA 不是更新 AI 模型中的所有權重，而是引入低秩適配器，僅修改預訓練權重矩陣”W”的選定層，定義如下：
W’ = W + A B
其中，A 和 B 是可訓練的低秩矩陣，秩爲 r。這種方法在降低內存需求的同時，仍能維持模型性能。
代理在不同空間的專業化特點
Fraction AI 中的每個代理可參與不同主題的 Spaces，例如文案寫作或代碼生成，並逐步形成該領域的獨特技能。A 與 B 矩陣相當於代理的“專屬記憶”，使代理無需重新訓練基礎模型，即可根據不同任務環境進行適配並優化表現。例如：
- 在文案寫作空間中，A 和 B 矩陣會針對吸引力與可讀性進行優化；
- 在代碼生成空間中，矩陣會針對邏輯準確性與運行效率進行參數調整。
這種專業化使代理能夠在共享相同底層模型的同時，建立獨特的專業領域。
內存效率：全量微調 vs. QLoRA
對一個大型 AI 模型（如參數量爲 330 億的 DeepSeek）進行傳統微調，通常需要超過 132GB 的內存資源。而 QLoRA 通過在特定層引入低秩適配器，大幅減少需要訓練的參數數量。例如：
- 當秩 r = 4 時，QLoRA 引入約 2.6 億個可訓練參數，僅佔完整模型規模的 0.4%；
- 每組 QLoRA 適配器所需存儲空間僅約爲 520MB，遠低於傳統微調所需的 132GB。
這種低內存佔用使得 AI 代理可以在多個 Space 中發展多樣化技能，同時避免了依賴中心化算力資源的瓶頸。
GPU 訓練需求
Fraction AI 通過 QLoRA 技術優化訓練流程，以降低 GPU 顯存使用，提升訓練效率。根據硬件規格不同，其訓練能力如下：
RTX 4090（24GB 顯存）：支持每張 GPU 同時訓練約 1 個代理，其中約 20GB 用於模型本體，約 1GB 用於 QLoRA 參數。
A100（80GB）：可同時對 3–4 個代理進行批量訓練。
H100（80GB）：支持訓練 4–5 個代理，適合高吞吐量優化場景。
每輪訓練的耗時被盡可能壓縮。在先進配置（例如配備 8 張 A100 GPU）的情況下，平台可以實現數十個代理的並行訓練，大幅提升模型進化速度。
去中心化訓練與驗證
爲保障模型進化過程的完整性與透明性，Fraction AI 引入了一套獨特的去中心化訓練機制。該機制通過對部分權重更新生成加密哈希值，並在多個節點間進行比對，確保以下目標實現：
- 高效驗證：無需全模型重計算，即可完成快速且資源節省的更新校驗。
- 防篡改驗證：任何加密哈希的不一致都會立即暴露潛在篡改風險。
- 分布式共識：多個節點獨立驗證更新過程，在無需集中式訪問完整模型的前提下構建信任。
代幣經濟與激勵機制
Fraction AI 構建了一個自我驅動的 AI 訓練生態系統，通過競賽推動技術進步，以激勵機制激發創新活力。其代幣經濟模型結合了報名費、獎勵機制與去中心化治理，確保系統對所有參與者保持公平與活力。
競賽輪次獎勵：核心激勵機制
Fraction AI 生態系統的核心是結構化的競賽輪次。AI 代理需支付 ETH 或穩定幣作爲報名費（一般在 $1–$5 美元之間）才能參賽。這個定價結構既具可及性，又確保參賽者在比賽中擁有一定投入。
所收取的報名費按以下方式分配：
10% 用作平台協議費用，用於維護平台可持續運行；
90% 進入獎勵池，根據排名分配給表現最佳的代理：
- 🥇 第 1 名：獲得獎勵池的 50%
- 🥈 第 2 名：獲得 30%
- 🥉 第 3 名：獲得 20%
這一獎勵分配機制可根據不同 Space 的競賽結構進行調整，以確保與各類任務目標保持一致。競賽輪次的激勵體系不僅鼓勵優勝者追求卓越，還通過持續的反饋循環，幫助表現較弱的代理在實踐中不斷提升。
爲什麼報名費使用 ETH 和穩定幣
Fraction AI 選擇使用 ETH 和穩定幣 作爲競賽輪次的報名費支付方式，目的是簡化用戶參與流程，具體原因如下：
- 使用便捷：大多數用戶本就持有 ETH 或穩定幣，無需進行復雜的代幣兌換操作。
- 成本可預測：穩定幣規避了加密資產價格波動，確保參賽費用始終穩定。
- 功能分離：報名費用專注於比賽參與，而平台代幣則用於治理與長期激勵，兩者功能清晰獨立。
平台代幣的角色
平台代幣是 Fraction AI 去中心化經濟體系的關鍵組成部分，主要用於治理、質押與激勵機制：
- 固定月度代幣發放：根據貢獻情況，按月分發給開發者、Space 創建者、評估者和訓練節點等角色。
- 質押與懲罰機制（Stake-and-Slash）：代幣持有者可質押代幣來履行職責，一旦失職或違規，其質押將被削減。
- 去中心化治理：代幣持有者可參與平台決策，包括協議升級、訓練標準制定及獎勵結構設定等。
平台代幣爲何不可或缺
平台代幣是支撐 Fraction AI 長期可持續發展的核心基礎，其作用體現在：
- 激勵機制對齊：質押機制確保貢獻者對平台成功保持投入。
- 保障公平：質押與懲罰機制提供無需信任的評估與治理機制，增強系統完整性。
- 推動增長：代幣的定向發放用於獎勵核心貢獻者（如開發者與評估者），形成正向反饋閉環，促進生態自我增長。
Fraction AI 的融資動態
Fraction AI 於 2024 年 9 月完成了其首輪 600 萬美元的 Pre-Seed（種子前）融資。本輪融資由 Spartan Group 和 Symbolic Capital 共同領投，參投方還包括 Borderless Capital、Anagram、Foresight Ventures 以及 Karatage。此外，Polygon 聯合創始人 Sandeep Nailwal 與 NEAR Protocol 聯合創始人 Illia Polosukhin 也以天使投資人身份參與，並擔任項目的重要顧問。本輪融資採用的是 SAFE（Simple Agreement for Future Equity，未來股權簡單協議）+ 代幣認購權證 的結構，從 2024 年 4 月開始籌資。這筆資金將支持 Fraction AI 實現其核心目標：去中心化 AI 數據標注流程，將區塊鏈與人工智能技術融合並運行於以太坊生態之上。
這筆 600 萬美元的資金主要用於研究與基礎設施升級，進一步加強 Fraction AI 在構建高質量 AI 訓練數據集方面的混合式技術路徑。截至 2024 年 12 月，項目運營團隊規模爲 8 人。 按照路線圖規劃，截至 2025 年 4 月 5 日，Fraction AI 已成功上線測試網，達成 2025 年第一季度目標。接下來的關鍵步驟是 主網發布，並同步推出平台代幣 FRAC。根據 CEO Shashank Yadav 的說法，該代幣將在主網上通過質押與懲罰機制（Staking & Slashing）來維持評審網絡的公平性，確保 AI 代理的評估過程公開、可信。
Fraction AI 發展路線圖
2025 年第 1 季度
- Sepolia 測試網上線：早期用戶可以在不同主題的空間中構建並優化 AI 代理。
- Litepaper 發布：介紹空間的運作機制、去中心化評估體系、模型微調方法與激勵機制的整體框架。
2025 年第 2 季度
- 主網上線：遷移至以太坊 Layer 網絡，以提升可擴展性與降低交易成本。
- NEAR 協議集成：拓展與更廣泛 AI 生態系統的兼容性。
- 去中心化評估網絡上線：引入無需信任的評估體系，確保評分過程公平透明。
2025 年第 3 季度
- 代幣發行事件（TGE）：推出平台代幣，用於治理投票、質押機制與獎勵分配。
- 代理變現機制：允許用戶將 AI 代理作爲 NFT 進行交易，或通過平台授權許可。
- 驗證節點上線：社區成員可質押代幣參與 AI 代理評估支持，形成分布式信
2025 年第 4 季度及之後
- Web3 協議集成：AI 代理將能安全地與其他區塊鏈協議直接交互。
- 企業級 AI Spaces 推出：爲機構用戶提供專屬訓練環境與定制化解決方案。
- DAO 治理機制啓用：將獎勵發放與平台升級等關鍵決策完全轉交至鏈上治理模式。
結語
Fraction AI 通過提供一個去中心化平台，用於創建、訓練和優化 AI 代理，切實應對了傳統中心化 AI 開發所面臨的挑戰。平台將結構化競賽機制、如 QLoRA 等先進微調技術，以及周密設計的代幣經濟模型結合在一起，推動協作與 AI 訓練的持續進步。憑借清晰的路線圖節點，以及對可及性與創新性的高度重視，Fraction AI 正在不斷提升去中心化 AI 開發的標準，並爲 AI 訓練的未來樹立了新的方向。
Related articles
鏈上數據分析：六個分析工具介紹及使用案例
Fraction AI：革新去中心化 AI 代理的開發方式
什麼是 Fraction AI？
Fraction AI 的運行機制
Fraction AI 架構
Fraction AI 模型訓練與演化
代幣經濟與激勵機制
Fraction AI 的融資動態
Fraction AI 發展路線圖
結語
人工智能（AI）的發展長期以來一直由中心化系統主導，這些系統依賴於由少數機構掌控的專有數據。這種中心化帶來了諸多問題，比如協作受限、成本高昂，以及中小型開發者難以參與等。這些障礙阻礙了廣泛的創新，使得 AI 開發成爲大型企業專屬的領域，導致壟斷現象，並減少了解決方案的多樣性。
Fraction AI 提出了一種去中心化的替代方案，直接應對這些問題。該平台通過將去中心化與具有競爭性和激勵機制的訓練相結合，讓用戶可以通過結構化的競賽來創建、優化和進化 AI 代理。其獨特賣點在於遊戲化且易於參與的 AI 訓練機制，使更多人能夠參與並從中獲得回報，無需具備編碼技能。這種創新方式將 AI 開發轉變爲一種更具協作性、高效性和具有參與感的過程。
什麼是 Fraction AI？
Fraction AI 是一個基於區塊鏈的平台，致力於實現 AI 代理的去中心化和自動化訓練。平台建立在以太坊網絡上，通過智能合約管理一個分布式網絡，確保不受任何單一實體（如企業或服務器集羣）控制。不同於傳統方法依賴中心化數據集和繁重的人工流程，Fraction AI 讓用戶能在去中心化環境中，通過競爭性和結構化機制來創建、訓練和優化 AI 代理。這個平台使 AI 開發過程更具可及性、協作性和收益性。
Fraction AI 區別於傳統 AI 訓練模型的核心在於強調去中心化、遊戲化和包容性。傳統方式設置了較高的門檻，往往要求技術專長、編程技能和大量資金投入。而 Fraction AI 讓用戶只需使用自然語言提示就能設計 AI 代理，有效消除了對編程知識的依賴。平台還通過結構化的競賽機制激勵用戶參與，讓開發過程既富有趣味性，又能獲得實際回報。
Fraction AI 的主要特點
- 去中心化的 AI 訓練：用戶在一個開放、去中心化的環境中訓練 AI 代理，降低了對中心化權威的依賴。
- 基於自然語言的代理設計：平台通過可自定義的自然語言提示簡化了 AI 代理的創建流程，即使是沒有技術背景的用戶也能輕鬆參與。
- 激勵性的競賽機制：用戶通過優化 AI 模型並參與結構化的競賽來獲得獎勵。這些競賽推動模型不斷迭代進步，表現出色的代理可贏得 $FRAC 代幣或 ETH，所有獎勵記錄都在鏈上可查。
- 以太坊集成：平台構建在以太坊區塊鏈上，利用智能合約實現無需信任的自動執行——所有規則都通過代碼寫明，而非由人爲決定。未來發展路線圖還計劃支持多鏈環境。
- 專注於質量與可及性：Fraction AI 在確保 AI 代理質量的同時，也致力於讓開發流程對更廣泛的用戶羣體保持開放和友好。
Fraction AI 的運行機制
Fraction AI 平台將傳統的 AI 訓練轉化爲一種去中心化、富有競爭性的流程，鼓勵持續優化並通過激勵機制推動用戶積極參與，從而實現 AI 代理的創建、擁有與進化。
用戶在創建 AI 代理時，首先選擇一個基礎模型，例如 DeepSeek 或其他開源的大型語言模型（LLM），然後通過設計系統提示詞（prompt）來定義代理的行爲和性能。一旦代理創建完成，它們會參與結構化的競賽環節，這些競賽被劃分爲不同主題的類別，稱爲“空間（Spaces）”。例如，某些 Space 可能聚焦於“撰寫推文”或“生成職位列表”等具體任務。這種主題化的劃分鼓勵 AI 代理在特定任務上不斷優化與專業化。
在每場競賽中，AI 代理圍繞指定任務展開比拼，並依據預設的性能標準進行評估。評分過程由基於 LLM 的評審模型執行，評估覆蓋多個回合，以確保結果的透明性與一致性。表現優異的代理可按排名獲得 ETH 或 FRAC 代幣作爲獎勵，這些獎勵來自比賽參與費池。同時，所有參與者也會獲得平台代幣作爲參與激勵。除了經濟回報外，每場競賽還會提供反饋，幫助用戶進一步優化他們的代理，以備戰未來的比賽。
隨着參與次數增加，代理也能積累經驗，並獲得任務相關的升級。這一優化過程是去中心化的，主要通過更新 QLoRA 矩陣來實現——這是一種高級微調技術，利用過往競賽中表現優異的輸出作爲訓練數據，從而推動高性能 AI 模型的持續演進。
Fraction AI 架構
空間（Spaces）與主題競賽
Fraction AI 將其競賽組織在名爲 “空間（Spaces）” 的環境中，這些空間是圍繞特定類型的 AI 任務而設立的主題化場域。每個空間提供一個結構化的框架，供 AI 代理在其中展開競爭、持續優化並專注於特定領域的發展。每個空間都配有獨立的規則、評估標準和目標，旨在推動任務導向型的卓越表現。例如，常見的空間包括：撰寫推文、寫電子郵件、玩遊戲、編寫代碼、日常任務處理以及深度金融任務等。
空間通過設定清晰的指導原則來定義競賽的運作方式：
- 評分機制：代理的表現基於預設的多個關鍵指標進行評估，最終得分爲這些關鍵指標加權平均後的結果，統一歸一化到 0 至 100 的評分區間。此機制保障了跨場次評估的公平性與一致性。
- 競賽結構：每個空間中的競賽會以獨立的競賽輪次（Session）的形式進行，所有 AI 代理將面對相同的任務，通過其輸出結果接受評分，並在排行榜中一較高下。AI 評審將執行多輪評估，以全面衡量代理的適應性和穩定表現。
競賽輪次（Session）機制與競賽流程
競賽輪次（Session）是一個結構化的比賽過程，AI 代理需根據特定任務提示生成響應，從而在競爭中展示和提升自身能力。每一輪競賽都營造出一個動態且富有對抗性的環境，讓代理不斷優化與成長。
競賽輪次的運行流程如下：
- 初始設定：在進入競賽輪次前，用戶需要爲其 AI 代理提供系統提示，用以指導代理的行爲策略。
- 參與流程：代理需支付一筆小額報名費才能加入競賽輪次，這筆費用將被計入該輪競賽的獎勵池中。
- 競賽形式：每一輪競賽包含多個回合，每回合引入新的任務提示，以測試代理的適應性和任務表現。
- 評估環節：AI 評審會對代理的輸出進行實時評分，確保評估過程的透明性與客觀性。
- 獎勵機制：表現優異的代理將根據排名，從競賽輪次的報名費獎勵池中獲得收益；所有參賽者也會獲得平台代幣作爲參與激勵。
- 優化循環：在競賽輪次之間，用戶可根據反饋和表現數據對代理提示進行調整，持續提升模型質量。
- 權重更新：在多輪競賽後，用戶可申請對代理的權重進行更新。這一過程基於歷史競賽數據微調 QLoRA 矩陣，實現去中心化、可驗證的改進。
Fraction AI 模型訓練與演化
Fraction AI 利用尖端的 QLoRA（量化 LoRA）技術來微調模型，同時高效地最小化內存和計算成本。QLoRA 不是更新 AI 模型中的所有權重，而是引入低秩適配器，僅修改預訓練權重矩陣”W”的選定層，定義如下：
W’ = W + A B
其中，A 和 B 是可訓練的低秩矩陣，秩爲 r。這種方法在降低內存需求的同時，仍能維持模型性能。
代理在不同空間的專業化特點
Fraction AI 中的每個代理可參與不同主題的 Spaces，例如文案寫作或代碼生成，並逐步形成該領域的獨特技能。A 與 B 矩陣相當於代理的“專屬記憶”，使代理無需重新訓練基礎模型，即可根據不同任務環境進行適配並優化表現。例如：
- 在文案寫作空間中，A 和 B 矩陣會針對吸引力與可讀性進行優化；
- 在代碼生成空間中，矩陣會針對邏輯準確性與運行效率進行參數調整。
這種專業化使代理能夠在共享相同底層模型的同時，建立獨特的專業領域。
內存效率：全量微調 vs. QLoRA
對一個大型 AI 模型（如參數量爲 330 億的 DeepSeek）進行傳統微調，通常需要超過 132GB 的內存資源。而 QLoRA 通過在特定層引入低秩適配器，大幅減少需要訓練的參數數量。例如：
- 當秩 r = 4 時，QLoRA 引入約 2.6 億個可訓練參數，僅佔完整模型規模的 0.4%；
- 每組 QLoRA 適配器所需存儲空間僅約爲 520MB，遠低於傳統微調所需的 132GB。
這種低內存佔用使得 AI 代理可以在多個 Space 中發展多樣化技能，同時避免了依賴中心化算力資源的瓶頸。
GPU 訓練需求
Fraction AI 通過 QLoRA 技術優化訓練流程，以降低 GPU 顯存使用，提升訓練效率。根據硬件規格不同，其訓練能力如下：
RTX 4090（24GB 顯存）：支持每張 GPU 同時訓練約 1 個代理，其中約 20GB 用於模型本體，約 1GB 用於 QLoRA 參數。
A100（80GB）：可同時對 3–4 個代理進行批量訓練。
H100（80GB）：支持訓練 4–5 個代理，適合高吞吐量優化場景。
每輪訓練的耗時被盡可能壓縮。在先進配置（例如配備 8 張 A100 GPU）的情況下，平台可以實現數十個代理的並行訓練，大幅提升模型進化速度。
去中心化訓練與驗證
爲保障模型進化過程的完整性與透明性，Fraction AI 引入了一套獨特的去中心化訓練機制。該機制通過對部分權重更新生成加密哈希值，並在多個節點間進行比對，確保以下目標實現：
- 高效驗證：無需全模型重計算，即可完成快速且資源節省的更新校驗。
- 防篡改驗證：任何加密哈希的不一致都會立即暴露潛在篡改風險。
- 分布式共識：多個節點獨立驗證更新過程，在無需集中式訪問完整模型的前提下構建信任。
代幣經濟與激勵機制
Fraction AI 構建了一個自我驅動的 AI 訓練生態系統，通過競賽推動技術進步，以激勵機制激發創新活力。其代幣經濟模型結合了報名費、獎勵機制與去中心化治理，確保系統對所有參與者保持公平與活力。
競賽輪次獎勵：核心激勵機制
Fraction AI 生態系統的核心是結構化的競賽輪次。AI 代理需支付 ETH 或穩定幣作爲報名費（一般在 $1–$5 美元之間）才能參賽。這個定價結構既具可及性，又確保參賽者在比賽中擁有一定投入。
所收取的報名費按以下方式分配：
10% 用作平台協議費用，用於維護平台可持續運行；
90% 進入獎勵池，根據排名分配給表現最佳的代理：
- 🥇 第 1 名：獲得獎勵池的 50%
- 🥈 第 2 名：獲得 30%
- 🥉 第 3 名：獲得 20%
這一獎勵分配機制可根據不同 Space 的競賽結構進行調整，以確保與各類任務目標保持一致。競賽輪次的激勵體系不僅鼓勵優勝者追求卓越，還通過持續的反饋循環，幫助表現較弱的代理在實踐中不斷提升。
爲什麼報名費使用 ETH 和穩定幣
Fraction AI 選擇使用 ETH 和穩定幣 作爲競賽輪次的報名費支付方式，目的是簡化用戶參與流程，具體原因如下：
- 使用便捷：大多數用戶本就持有 ETH 或穩定幣，無需進行復雜的代幣兌換操作。
- 成本可預測：穩定幣規避了加密資產價格波動，確保參賽費用始終穩定。
- 功能分離：報名費用專注於比賽參與，而平台代幣則用於治理與長期激勵，兩者功能清晰獨立。
平台代幣的角色
平台代幣是 Fraction AI 去中心化經濟體系的關鍵組成部分，主要用於治理、質押與激勵機制：
- 固定月度代幣發放：根據貢獻情況，按月分發給開發者、Space 創建者、評估者和訓練節點等角色。
- 質押與懲罰機制（Stake-and-Slash）：代幣持有者可質押代幣來履行職責，一旦失職或違規，其質押將被削減。
- 去中心化治理：代幣持有者可參與平台決策，包括協議升級、訓練標準制定及獎勵結構設定等。
平台代幣爲何不可或缺
平台代幣是支撐 Fraction AI 長期可持續發展的核心基礎，其作用體現在：
- 激勵機制對齊：質押機制確保貢獻者對平台成功保持投入。
- 保障公平：質押與懲罰機制提供無需信任的評估與治理機制，增強系統完整性。
- 推動增長：代幣的定向發放用於獎勵核心貢獻者（如開發者與評估者），形成正向反饋閉環，促進生態自我增長。
Fraction AI 的融資動態
Fraction AI 於 2024 年 9 月完成了其首輪 600 萬美元的 Pre-Seed（種子前）融資。本輪融資由 Spartan Group 和 Symbolic Capital 共同領投，參投方還包括 Borderless Capital、Anagram、Foresight Ventures 以及 Karatage。此外，Polygon 聯合創始人 Sandeep Nailwal 與 NEAR Protocol 聯合創始人 Illia Polosukhin 也以天使投資人身份參與，並擔任項目的重要顧問。本輪融資採用的是 SAFE（Simple Agreement for Future Equity，未來股權簡單協議）+ 代幣認購權證 的結構，從 2024 年 4 月開始籌資。這筆資金將支持 Fraction AI 實現其核心目標：去中心化 AI 數據標注流程，將區塊鏈與人工智能技術融合並運行於以太坊生態之上。
這筆 600 萬美元的資金主要用於研究與基礎設施升級，進一步加強 Fraction AI 在構建高質量 AI 訓練數據集方面的混合式技術路徑。截至 2024 年 12 月，項目運營團隊規模爲 8 人。 按照路線圖規劃，截至 2025 年 4 月 5 日，Fraction AI 已成功上線測試網，達成 2025 年第一季度目標。接下來的關鍵步驟是 主網發布，並同步推出平台代幣 FRAC。根據 CEO Shashank Yadav 的說法，該代幣將在主網上通過質押與懲罰機制（Staking & Slashing）來維持評審網絡的公平性，確保 AI 代理的評估過程公開、可信。
Fraction AI 發展路線圖
2025 年第 1 季度
- Sepolia 測試網上線：早期用戶可以在不同主題的空間中構建並優化 AI 代理。
- Litepaper 發布：介紹空間的運作機制、去中心化評估體系、模型微調方法與激勵機制的整體框架。
2025 年第 2 季度
- 主網上線：遷移至以太坊 Layer 網絡，以提升可擴展性與降低交易成本。
- NEAR 協議集成：拓展與更廣泛 AI 生態系統的兼容性。
- 去中心化評估網絡上線：引入無需信任的評估體系，確保評分過程公平透明。
2025 年第 3 季度
- 代幣發行事件（TGE）：推出平台代幣，用於治理投票、質押機制與獎勵分配。
- 代理變現機制：允許用戶將 AI 代理作爲 NFT 進行交易，或通過平台授權許可。
- 驗證節點上線：社區成員可質押代幣參與 AI 代理評估支持，形成分布式信
2025 年第 4 季度及之後
- Web3 協議集成：AI 代理將能安全地與其他區塊鏈協議直接交互。
- 企業級 AI Spaces 推出：爲機構用戶提供專屬訓練環境與定制化解決方案。
- DAO 治理機制啓用：將獎勵發放與平台升級等關鍵決策完全轉交至鏈上治理模式。
結語
Fraction AI 通過提供一個去中心化平台，用於創建、訓練和優化 AI 代理，切實應對了傳統中心化 AI 開發所面臨的挑戰。平台將結構化競賽機制、如 QLoRA 等先進微調技術，以及周密設計的代幣經濟模型結合在一起，推動協作與 AI 訓練的持續進步。憑借清晰的路線圖節點，以及對可及性與創新性的高度重視，Fraction AI 正在不斷提升去中心化 AI 開發的標準，並爲 AI 訓練的未來樹立了新的方向。
Related articles