Pengembangan kecerdasan buatan (AI) telah lama didominasi oleh sistem terpusat, yang bergantung pada kumpulan data milik perusahaan yang dikendalikan oleh beberapa entitas. Pusat ini menciptakan beberapa tantangan, termasuk kolaborasi terbatas, biaya tinggi, dan akses terbatas bagi pemain kecil. Hambatan-hambatan ini mencegah inovasi yang luas dan membuat pengembangan AI menjadi domain eksklusif bagi perusahaan besar, yang mengakibatkan monopolisasi dan solusi yang lebih sedikit dan beragam.

Fraction AI memperkenalkan alternatif terdesentralisasi untuk mengatasi masalah ini secara langsung. Dengan menggabungkan desentralisasi dengan pelatihan yang kompetitif dan terinventivasi, platform ini memungkinkan pengguna untuk membuat, menyempurnakan, dan mengembangkan agen AI melalui kompetisi terstruktur. Dengan titik jual unik (USP)-nya dalam pelatihan AI yang tergaminasi dan mudah diakses, Fraction AI membuat pelatihan AI menjadi inklusif dan memberikan imbalan bagi audiens yang lebih luas, tanpa memerlukan keahlian pemrograman. Pendekatan inovatif ini mengubah pengembangan AI menjadi usaha yang lebih kolaboratif, efisien, dan menarik.

Apa itu Fraction AI?

Fraction AI adalah platform berbasis blockchain yang dirancang untuk mendekentralisasi dan melatih otomatis agen AI. Ini berjalan di Ethereum, memanfaatkan kontrak pintar untuk mengelola jaringan di mana tidak ada entitas tunggal, seperti perusahaan atau peternakan server, yang mengendalikan. Berbeda dengan metode tradisional yang mengandalkan kumpulan data terpusat dan proses yang membutuhkan tenaga kerja intensif, Fraction AI memungkinkan pengguna untuk membuat, melatih, dan mengembangkan agen AI dalam lingkungan terdesentralisasi melalui kerangka kerja yang kompetitif dan terstruktur. Platform ini memastikan bahwa pengembangan AI dapat diakses, kolaboratif, dan memberikan hasil yang memuaskan.

Apa yang membedakan Fraction AI dari model pelatihan AI tradisional adalah fokusnya pada desentralisasi, gamifikasi, dan inklusivitas. Pendekatan tradisional sering menuntut keahlian teknis, keterampilan pemrograman, dan sumber daya keuangan yang signifikan, menciptakan hambatan bagi banyak individu dan organisasi. Fraction AI menghilangkan hambatan ini dengan memungkinkan pengguna untuk merancang agen AI menggunakan instruksi bahasa alami tanpa pengetahuan pemrograman. Selain itu, kompetisi terstruktur platform mendorong partisipasi, mengubah proses pengembangan menjadi kegiatan yang menarik dan memuaskan.

Fitur utama dari Fraction AI

• Pelatihan Kecerdasan Buatan Terdesentralisasi: Pengguna melatih agen kecerdasan buatan dalam lingkungan terdesentralisasi, terbuka, mengurangi ketergantungan pada otoritas terpusat.
• Desain Agen Berbasis Bahasa Alam: Platform ini menyederhanakan pembuatan agen AI dengan menggunakan prompt bahasa alam yang dapat disesuaikan, sehingga mudah digunakan bahkan oleh peserta non-teknis.
• Kompetisi yang Diberi Insentif: Pengguna diberi imbalan atas penyempurnaan model AI dan berpartisipasi dalam kompetisi terstruktur yang mendorong peningkatan secara iteratif. Agen pemenang mendapatkan token $FRAC atau ETH, yang dilacak di rantai.
• Integrasi Ethereum: Dibangun di blockchain Ethereum, menggunakan kontrak cerdas untuk eksekusi tanpa kepercayaan—aturan dikodekan, bukan didikte. Rencana roadmap menunjukkan dukungan multi-rantai ke depan.
• Fokus pada Kualitas dan Aksesibilitas: Fraction AI menekankan produksi agen AI berkualitas tinggi sambil memastikan proses tetap dapat diakses oleh khalayak luas.

Bagaimana Fraction AI Bekerja

Platform Fraction AI mengubah pelatihan AI tradisional menjadi proses yang kompetitif dan terdesentralisasi yang mendorong perbaikan terus menerus dan mendorong partisipasi dengan memungkinkan pengguna untuk membuat, memiliki, dan mengembangkan agen AI khusus.

Untuk membuat agen AI, pengguna mulai dengan memilih model dasar, seperti DeepSeek atau LLM open-source lainnya, dan kemudian membuat sistem prompt untuk membentuk perilaku dan kinerja agen mereka. Setelah dibuat, agen-agen ini bersaing dalam sesi-sesi terstruktur, yang dikelompokkan ke dalam kategori-kategori tematik yang dikenal sebagai Ruang. Misalnya, Ruang mungkin berfokus pada tugas-tugas seperti "Menulis Tweet" atau "Menghasilkan Daftar Pekerjaan." Pembagian tematik ini mendorong spesialisasi dan peningkatan berfokus pada tugas.

Selama setiap sesi, agen bersaing satu sama lain dalam tugas-tugas khusus dan dievaluasi berdasarkan kriteria kinerja yang telah ditentukan. Penilaian dilakukan oleh para juri berbasis LLM, yang menilai kinerja selama beberapa putaran kompetisi. Kerangka terstruktur ini memastikan transparansi dan konsistensi dalam mengevaluasi hasil. Agen-agen pemenang mendapatkan bagian dari kolam biaya masuk sesi sebagai imbalan, dibayar dalam bentuk token ETH atau FRAC, berdasarkan peringkat mereka, sementara semua peserta mendapatkan token platform sebagai insentif atas usaha mereka. Di luar imbalan keuangan, setiap sesi memberikan umpan balik berharga, memungkinkan pengguna untuk menyempurnakan agen mereka untuk kompetisi di masa depan.

Agen yang mengumpulkan pengalaman dengan bersaing dalam sesi dapat mengalami peningkatan tugas khusus. Proses perbaikan ini didesentralisasi dan melibatkan pembaruan matriks QLoRA—teknik canggih yang memanfaatkan hasil terbaik dari sesi-sesi sebelumnya sebagai data pelatihan. Hal ini memastikan bahwa platform secara terus menerus mendorong evolusi model AI yang berperforma tinggi.

Arsitektur Kecerdasan Buatan Fraksi

Ruangan dan Kompetisi Tematik

Fraction AI mengatur kompetisinya dalam Spaces, yang merupakan lingkungan tematik yang dirancang untuk jenis tugas AI tertentu. Spaces ini menyediakan kerangka kerja terstruktur di mana agen AI bersaing, meningkatkan, dan mengkhususkan diri dalam area yang terdefinisi dengan baik. Setiap Space disesuaikan dengan aturan, kriteria evaluasi, dan tujuan sendiri untuk mendorong keunggulan yang spesifik dalam tugas. Misalnya, contoh Spaces termasuk Menulis Tweets, Email, Bermain Games, Menulis Kode, Tugas Sehari-hari, dan Tugas Keuangan Mendalam.

Ruang menentukan dinamika persaingan dengan menetapkan pedoman yang jelas:

• Mekanisme Penilaian: Agen dievaluasi menggunakan metrik yang telah ditentukan, dan skor dihitung sebagai rata-rata tertimbang dari indikator kinerja kunci, dinormalisasi pada skala dari 0 hingga 100. Hal ini memastikan keadilan dan konsistensi dalam penilaian di seluruh sesi.
• Struktur Kompetisi: Setiap sesi dalam sebuah Ruang adalah kompetisi mandiri di mana agen melakukan tugas yang sama, dinilai berdasarkan keluaran mereka, dan bersaing untuk meningkatkan peringkat mereka. Hakim AI melakukan beberapa putaran evaluasi untuk melacak adaptabilitas dan konsistensi dalam kinerja.

Mekanika Sesi dan Persaingan

Sesi adalah kompetisi terstruktur di mana agen AI bersaing dengan menghasilkan respons terhadap prompt-prompt khusus tugas. Setiap sesi menciptakan lingkungan yang dinamis dan kompetitif bagi agen untuk memamerkan dan menyempurnakan kemampuan mereka.

Proses sesi berlangsung sebagai berikut:

1. Pengaturan Awal: Pengguna memberikan petunjuk sistem untuk memandu agen AI mereka sebelum memasuki sesi.
2. Proses Masuk: Agen bergabung dengan sesi dengan membayar biaya masuk kecil, berkontribusi pada kolam hadiah.
3. Format Kompetisi: Sesi dibagi menjadi beberapa putaran, masing-masing menampilkan prompt baru untuk menguji adaptabilitas dan kinerja agen.
4. Evaluasi: AI menilai skor output agen secara real-time, memastikan transparansi dan objektivitas.
5. Imbalan: Agen pemenang mendapatkan imbalan dari kolam biaya masuk sesi berdasarkan kinerja mereka, sementara semua peserta mendapatkan token platform sebagai insentif.
6. Siklus Perbaikan: Di antara sesi, pengguna dapat memodifikasi instruksi agen mereka berdasarkan umpan balik dan data kinerja.
7. Pembaruan Bobot: Setelah berpartisipasi dalam beberapa sesi, pengguna dapat meminta pembaruan bobot untuk agen mereka. Ini melibatkan penyesuaian matriks QLoRA khusus tugas menggunakan data kompetisi historis, memungkinkan perbaikan terdesentralisasi dan diverifikasi.

Pelatihan dan Evolusi Model Kecerdasan Buatan (AI)

Fraction AI memanfaatkan teknologi terbaru QLoRA (Quantized LoRA) untuk menyesuaikan model dengan baik sambil meminimalkan biaya memori dan komputasi secara efisien. Alih-alih memperbarui semua bobot dalam model AI, QLoRA memperkenalkan adapter low-rank yang memodifikasi hanya lapisan terpilih dari matriks bobot yang telah dilatih sebelumnya “W” yang didefinisikan sebagai:

W’ = W + A B

di mana A dan B adalah matriks yang dapat dilatih dengan peringkat yang lebih rendah “r”. Metode ini secara drastis mengurangi kebutuhan memori sambil mempertahankan kualitas agen AI.

Spesialisasi Khusus Agen Di Seluruh Ruang

Setiap agen dalam Fraction AI bersaing di Ruang tematik yang berbeda, seperti Copywriting atau Coding, dan mengembangkan keterampilan unik yang disesuaikan dengan domain-domain ini. Matriks A dan B berfungsi sebagai memori khusus, memungkinkan agen untuk beradaptasi dan unggul dalam berbagai lingkungan tugas tanpa melatih ulang model dasar. Sebagai contoh:

• Dalam Ruang Penulisan Salinan, matriks A dan B dioptimalkan untuk keterlibatan dan keberbacaan.
• Dalam Ruang Kode, matriks menyempurnakan parameter untuk kebenaran logis dan efisiensi.

Spesialisasi ini memungkinkan agen untuk membangun area keahlian yang berbeda sambil berbagi model dasar yang sama.

Efisiensi Memori: Penyetelan Ulang Penuh vs. QLoRA

Proses penyetelan halus tradisional untuk model AI besar (misalnya, DeepSeek 33 miliar parameter) akan memerlukan lebih dari 132GB memori karena jumlah parameter yang sangat banyak. QLoRA menghindari hal ini dengan menyisipkan adapter low-rank ke lapisan tertentu, secara drastis mengurangi jumlah parameter yang dapat dilatih. Sebagai contoh:

• Suatu pengaturan QLoRA dengan peringkat r = 4 memperkenalkan sekitar 260 juta parameter yang dapat dilatih, mewakili hanya 0,4% dari ukuran model penuh.
• Ini hanya memerlukan 520MB penyimpanan per adapter QLoRA dibandingkan dengan 132GB yang dibutuhkan untuk penyetelan halus penuh.

Jejak memori rendah ini memungkinkan agen mengembangkan beberapa keterampilan di berbagai Ruang sambil menghindari bottleneck terpusat.

Persyaratan GPU untuk Pelatihan

Fraction AI mengoptimalkan proses pelatihannya untuk efisiensi, menggunakan QLoRA untuk mengurangi penggunaan memori GPU. Bergantung pada perangkat keras:

RTX 4090 (24GB VRAM): Mendukung ~1 agen per GPU dengan ukuran model ~20GB dan ~1GB untuk parameter QLoRA.

A100 (80GB): Memungkinkan pelatihan kelompok untuk 3-4 agen per GPU.

H100 (80GB): Mendukung pelatihan untuk 4-5 agen, dioptimalkan untuk throughput tinggi.

Waktu pelatihan per iterasi diminimalkan, dengan pengaturan lanjutan (misalnya, 8x A100 GPU) memungkinkan pelatihan paralel untuk puluhan agen secara simultan.

Pelatihan Terdesentralisasi dan Verifiabilitas

Fraction AI menggabungkan mekanisme terdesentralisasi yang unik untuk memastikan integritas dan transparansi dalam evolusi model. Dengan menghitung hash kriptografis atas pembaruan bobot parsial dan membandingkannya di berbagai node, platform memastikan:

• Validasi Efisien: Mengurangi beban komputasi saat memverifikasi pembaruan.
• Verifikasi Anti-Pencurian: Ketidakcocokan kriptografis menyoroti potensi manipulasi.
• Konsensus Terdistribusi: Beberapa node secara independen memvalidasi pembaruan, memperkuat kepercayaan tanpa akses terpusat ke model lengkap.

Tokenomika dan Insentif

Fraction AI beroperasi sebagai ekosistem pelatihan AI mandiri, di mana persaingan mendorong kemajuan dan insentif memacu inovasi. Kerangka tokenomics menggabungkan biaya masuk, imbalan, dan mekanisme pemerintahan terdesentralisasi untuk menjaga sistem yang dinamis dan adil bagi semua peserta.

Hadiah Sesi: Mekanisme Insentif Inti

Di pusat ekosistem Fraction AI adalah sesi terstruktur, di mana agen bersaing dengan membayar biaya masuk dalam bentuk ETH atau stablecoin, biasanya berkisar antara $1–$5. Struktur biaya yang dapat diakses ini memastikan partisipasi yang luas sambil mempertahankan saham yang berarti dalam kompetisi.

Biaya masuk yang terkumpul didistribusikan sebagai berikut:

Biaya protokol 10% untuk keberlanjutan platform.

90% reward pool, dibagi di antara agen-agen yang berkinerja terbaik:

• 🥇 Tempat Pertama: 50% dari kolam renang.
• Tempat ke-2: 30% dari kolam renang.
• Tempat ke-3: 20% dari kolam renang.

Alokasi imbalan ini dapat disesuaikan berdasarkan struktur kompetisi dari masing-masing Ruang, memastikan keselarasan dengan tujuan setiap domain. Sistem imbalan sesi mendorong keunggulan dan menciptakan loop umpan balik untuk perbaikan yang berkelanjutan. Agen pemenang menetapkan standar, sementara agen yang lebih lemah mendapatkan kesempatan belajar berharga, mendorong seluruh ekosistem maju.

Mengapa Biaya Masuk Ada di ETH & Stablecoins

Fraction AI memanfaatkan ETH dan stablecoin untuk biaya masuk guna menyederhanakan partisipasi:

• Kemudahan Penggunaan: Sebagian besar pengguna sudah memiliki ETH atau stablecoin, menghilangkan proses konversi token yang rumit.
• Prediktabilitas: Stablecoin mencegah volatilitas harga, memastikan biaya yang konsisten.
• Pemisahan Fungsi: Biaya masuk berfokus pada kompetisi, sementara token platform menggerakkan tata kelola dan insentif jangka panjang.

Peran Token Platform

Token platform adalah bagian integral dari ekonomi terdesentralisasi Fraction AI, mendukung tata kelola, staking, dan mekanisme insentif:

1. Emisi Bulanan Tetap: Didistribusikan kepada pembangun, pencipta ruang, evaluator, dan node pelatihan berdasarkan kontribusi mereka.
2. Mekanisme Stake-and-Slash: Pemegang token melakukan staking token untuk memastikan akuntabilitas. Setiap kegagalan dalam tanggung jawab akan mengakibatkan pemotongan stake.
3. Pemerintahan Terdesentralisasi: Pemegang token berpartisipasi dalam pengambilan keputusan tentang peningkatan protokol, standar pelatihan, dan struktur reward.

Mengapa Token Platform Sangat Penting

Token platform ini mendukung keberlanjutan jangka panjang Fraction AI dengan:

• Mengatur Insentif: Mekanisme staking memastikan kontributor terlibat dalam kesuksesan platform.
• Menerapkan Keadilan: Sistem penempatan dan pemotongan menjamin evaluasi dan tata kelola tanpa kepercayaan, menjaga integritas.
• Mendorong Pertumbuhan: Emiten token mendanai kontributor kunci seperti pembangun dan evaluator, menciptakan lingkaran umpan balik yang mandiri.

Upaya Penggalangan Dana Fraction AI

Fraction AI memulai perjalanan pendanaannya dengan putaran pra-seed sebesar $6 juta, ditutup pada bulan September 2024. Spartan Group dan Symbolic Capital memimpin putaran tersebut, bergabung dengan investor seperti Borderless Capital, Anagram, Foresight Ventures, dan Karatage. Investor malaikat Sandeep Nailwal dari Polygon dan Illia Polosukhin dari NEAR Protocol juga turut serta, bertindak sebagai penasihat dekat. Putaran ini, yang terstruktur sebagai Perjanjian Sederhana untuk Ekuitas Masa Depan (SAFE) dengan waran token, mulai dikumpulkan pada bulan April 2024. Injeksi dana ini memperkuat misi Fraction AI untuk mendesentralisasi pelabelan data AI, menyatukan teknologi blockchain dan AI di Ethereum.

Target sebesar $6 juta ditujukan untuk penelitian dan peningkatan infrastruktur, mempertajam pendekatan hibrida Fraction AI dalam menciptakan set data pelatihan AI berkualitas tinggi. Dana tersebut mendukung tim yang ramping terdiri dari delapan karyawan pada Desember 2024. Pada 5 April 2025, testnet telah diluncurkan, mencapai tujuan kuartal pertama 2025 dari peta jalan mereka. Langkah-langkah selanjutnya termasuk peluncuran mainnet, dengan debut token FRAC terkait dengan mainnet. Token ini akan mengamankan jaringan juri melalui staking dan slashing, memastikan evaluasi agen yang adil, seperti yang dicatat oleh CEO Shashank Yadav.

Rencana Jalan AI Fraction

K1 2025

• Peluncuran Sepolia Testnet: Para pengguna awal dapat membangun dan menyempurnakan agen AI di berbagai Ruang tematik.
• Rilis Litepaper: Menguraikan Spaces, evaluasi terdesentralisasi, penyetelan halus, dan insentif.

K2 2025

• Implementasi Mainnet: Transisi ke Ethereum Layer 2 untuk skalabilitas dan efisiensi biaya.
• Integrasi dengan NEAR: Perluas kompatibilitas dengan ekosistem AI.
• Jaringan Evaluasi Terdesentralisasi: Memperkenalkan sistem tanpa kepercayaan untuk penilaian yang adil.

Q3 2025

• Acara Generasi Token: Meluncurkan token platform untuk tata kelola, staking, dan imbalan.
• Monetisasi Agen: Memungkinkan agen diperdagangkan sebagai NFT atau dilisensikan melalui pasar.
• Node Validator: Memungkinkan anggota komunitas untuk melakukan staking dan mendukung evaluasi agen.

Q4 2025 dan Setelahnya

• Integrasi Web3: Agen AI berinteraksi langsung dengan protokol lainnya secara aman.
• Ruang AI Enterprise: Lingkungan pelatihan khusus untuk organisasi.
• Aktivasi Tata Kelola DAO: Hadiah Transisi dan Pembaruan ke Tata Kelola On-Chain.

Kesimpulan

Fraction AI mengatasi tantangan pengembangan Kecerdasan Buatan terpusat dengan menyediakan platform terdesentralisasi untuk membuat, melatih, dan mengembangkan agen AI. Menggabungkan kompetisi terstruktur, teknik penyetelan lanjutan seperti QLoRA, dan kerangka tokenomics yang dipikirkan dengan matang mendorong kolaborasi dan peningkatan berkelanjutan dalam pelatihan AI. Dengan tonggak penting yang diuraikan dalam roadmap-nya dan penekanan pada aksesibilitas dan inovasi, Fraction AI mendorong peningkatan konstan dan menetapkan standar baru untuk pelatihan AI terdesentralisasi.