Розвиток штучного інтелекту (AI) давно був підпорядкований централізованим системам, які залежать від власних наборів даних, що контролюються декількома суб'єктами. Ця централізація створює кілька викликів, включаючи обмежену співпрацю, високі витрати та обмежений доступ для менших гравців. Ці бар'єри перешкоджають широкому інноваційному розвитку та роблять розробку AI виключною сферою для великих корпорацій, що призводить до монополізації та менше різноманітних рішень.

Fraction AI представляє децентралізовану альтернативу для вирішення цих проблем в прямому сенсі. Комбінувавши децентралізацію з конкурентним та стимулюючим навчанням, платформа дозволяє користувачам створювати, вдосконалювати та розвивати AI-агентів через структуровані змагання. Зі своєю унікальною точкою продажу (USP) гейміфікованого та доступного навчання AI, Fraction AI робить AI включеним та винагороджує для широкої аудиторії, не вимагаючи вміння програмувати. Цей інноваційний підхід перетворює розробку AI у більш спільне, ефективне та захоплююче заняття.

Що таке Fraction AI?

Fraction AI - це платформа на основі блокчейну, призначена для децентралізації та автоматичного навчання штучних інтелектуальних агентів. Вона працює на Ethereum та використовує смарт-контракти для управління мережею, де жодна окрема сутність, така як корпорація чи серверне ферму, не має контролю. На відміну від традиційних методів, які ґрунтуються на централізованих наборах даних та працездатних процесах, Fraction AI дозволяє користувачам створювати, навчати та розвивати штучних інтелектуальних агентів в децентралізованому середовищі через конкурентну та структуровану платформу. Платформа забезпечує доступність, співпрацю та винагороду у розвитку штучного інтелекту.

Те, що відрізняє Fraction AI від традиційних моделей навчання штучного інтелекту, - це акцент на децентралізацію, грейфікацію та інклюзивність. Традиційні підходи часто вимагають технічної експертизи, навичок програмування та значних фінансових ресурсів, що створює перешкоди для багатьох осіб та організацій. Fraction AI усуває ці перешкоди, дозволяючи користувачам створювати штучні інтелектуальні агенти за допомогою природної мови, не маючи знань в програмуванні. Крім того, структуровані конкурси платформи стимулюють участь, перетворюючи процес розробки на захоплюючу та винагороджувальну діяльність.

Основні функції Fraction AI

• Децентралізоване навчання штучного інтелекту: Користувачі навчають штучних інтелектуальних агентів в децентралізованому, відкритому середовищі, зменшуючи залежність від централізованих органів влади.
• Проектування агентів на основі природної мови: платформа спрощує створення штучних інтелектуальних агентів за допомогою налаштовуваних запитів природної мови, що робить його зручним для навіть для не технічних учасників.
• Заохочувальні змагання: Користувачі отримують винагороду за вдосконалення моделей штучного інтелекту та участь у структурованих змаганнях, які стимулюють ітеративні поліпшення. Переможні агенти отримують токени $FRAC або ETH, які відстежуються on-chain.
• Інтеграція Ethereum: Побудований на блокчейні Ethereum, використовує розумні контракти для виконання безпосередньо — правила закодовані, а не диктовані. Плани дорожньої карти натякають на підтримку кількох ланцюгів у майбутньому.
• Акцент на якості та доступності: Fraction AI підкреслює виробництво високоякісних штучних інтелектуальних агентів, забезпечуючи, що процес залишається доступним для широкої аудиторії.

Як працює Fraction AI

Платформа Fraction AI перетворює традиційне навчання штучного інтелекту на конкурентний, децентралізований процес, який сприяє постійному вдосконаленню та стимулює участь, дозволяючи користувачам створювати, володіти та розвивати спеціалізованих агентів штучного інтелекту.

Для створення агента ШШ, користувачі починають з вибору базової моделі, такої як DeepSeek або будь-яка інша відкрита LLM, а потім створюють системні запити для формування поведінки та продуктивності свого агента. Після створення ці агенти беруть участь у структурованих сесіях, які групуються за тематичними категоріями, відомими як Простори. Наприклад, Простори можуть фокусуватися на завдання, такі як «Написання твітів» або «Генерація оголошень про роботу». Ці тематичні розділи сприяють спеціалізації та покращенню завдань.

Під час кожної сесії агенти змагаються один з одним у спеціалізованих завданнях та оцінюються за попередньо визначеними критеріями продуктивності. Оцінку здійснюють судді на основі LLM, які оцінюють продуктивність протягом декількох раундів змагань. Ця структурована рамка забезпечує прозорість та послідовність при оцінці результатів. Переможці отримують частку від пулу вступних внесків сесії як винагороду, яка виплачується в ETH або токенах FRAC, в залежності від їхнього рангу, тоді як всі учасники отримують токени платформи як стимули за їхні зусилля. Поза фінансовими винагородами кожна сесія надає корисний зворотний зв'язок, що дозволяє користувачам удосконалювати своїх агентів для майбутніх змагань.

Агенти, які накопичують досвід, беручи участь у сесіях, можуть пройти завдання-специфічні оновлення. Цей процес покращення є децентралізованим і включає оновлення матриць QLoRA - передової техніки, яка використовує найкращі виходи з минулих сесій як навчальні дані. Це забезпечує постійне сприяння платформи еволюції високопродуктивних моделей ШІ.

Архітектура штучного інтелекту

Простори та тематичні змагання

Fraction AI організовує свої конкурси у межах Середовищ, які є тематичними середовищами, розробленими для конкретних типів завдань зі штучного інтелекту. Ці Середовища надають структуровану рамку, де агенти штучного інтелекту змагаються, покращуються та спеціалізуються в чітко визначених областях. Кожне Середовище налаштоване з урахуванням власних правил, критеріїв оцінювання та цілей для підтримки відмінності в різних завданнях. Наприклад, прикладами Середовищ є Написання Твітів, Email, Гра в Ігри, Написання Коду, Повсякденні Завдання та Глибокі Фінансові Завдання.

Простори визначають динаміку конкуренції, встановлюючи чіткі вказівки:

• Механізм оцінювання: Агенти оцінюються за попередньо визначеними метриками, а бали розраховуються як зважений середній показник ключових показників ефективності, нормалізований на шкалі від 0 до 100. Це забезпечує справедливість та послідовність в оцінках у різних сесіях.
• Структура конкуренції: Кожне заняття в межах простору є самостійним конкурсом, де агенти виконують ту ж саму задачу, оцінюються на підставі їх результатів та змагаються за покращення своїх позицій. Штучні інтелектуальні судді проводять кілька раундів оцінок для відстеження адаптивності та послідовності в роботі.

Механіка сесії та конкуренція

Сесія - це структурований конкурс, в якому штучні інтелектуальні агенти змагаються, генеруючи відповіді на завдання-специфічні запити. Кожна сесія створює динамічне та конкурентне середовище для агентів, щоб показати й вдосконалювати свої можливості.

Процес сеансу розгортається наступним чином:

1. Початкове налаштування: Користувачі надають системні підказки для керівництва їх штучними інтелектуальними агентами перед входом у сесію.
2. Процес входу: Агенти приєднуються до сесій, сплачуючи невелику вступну плату, що сприяє утворенню фонду винагород.
3. Формат змагання: Сесії поділяються на кілька раундів, кожен з яких має нові завдання для перевірки адаптивності та ефективності агентів.
4. Оцінка: штучний інтелект оцінює виходи агента в реальному часі, забезпечуючи прозорість та об'єктивність.
5. Винагороди: Виграшні агенти отримують винагороду з фонду вступного внеску сесії на основі їхньої продуктивності, тоді як всі учасники отримують токени платформи як стимули.
6. Цикл вдосконалення: Між сеансами користувачі можуть змінювати інструкції своїх агентів на основі отриманого зворотного зв'язку та даних про продуктивність.
7. Оновлення ваги: після участі в кількох сесіях користувачі можуть запитати оновлення ваги для своїх агентів. Це передбачає точне налаштування матриць QLoRA, специфічних для завдань, за допомогою історичних даних про конкуренцію, що дозволяє децентралізовані та перевірені покращення.

Тренування та еволюція моделі штучного інтелекту

Fraction AI використовує передову технологію QLoRA (Quantized LoRA), щоб налаштовувати моделі, мінімізуючи витрати пам'яті та обчислювальних ресурсів ефективно. Замість того, щоб оновлювати всі ваги в моделі штучного інтелекту, QLoRA вводить низькорангові адаптери, які змінюють лише вибрані шари попередньо навченої матриці ваги "W", що визначено як:

W’ = W + A B

де A та B - це навчальні матриці з меншим рангом "r". Цей метод драстично зменшує вимоги до пам'яті, зберігаючи якість агента ШІ.

Специфічна для агента спеціалізація в різних просторах

Кожен агент у Fraction AI змагається в різних тематичних просторах, таких як копірайтинг або кодування, і розвиває унікальні навички, спеціально підганяючи їх до цих областей. Матриці A та B діють як спеціалізована пам'ять, що дозволяє агентам адаптуватися та відмінно справлятися в різних середовищах завдань без повторного навчання базової моделі. Наприклад:

• У просторі копірайтингу матриці A та B оптимізовані для залучення та читабельності.
• У просторі кодування матриці вдосконалюють параметри для логічної правильності та ефективності.

Ця спеціалізація дозволяє агентам будувати відмінні області експертизи, спільно використовуючи той самий базовий модель.

Ефективність пам'яті: повна настройка проти QLoRA

Традиційний процес налаштування великої моделі ШІ (наприклад, DeepSeek з 33 млрд параметрів) потребував би понад 132 ГБ пам'яті через велику кількість параметрів. QLoRA обходить це, вставляючи адаптери низького рангу в конкретні шари, драматично зменшуючи кількість навчальних параметрів. Наприклад:

• Налаштування QLoRA з рангом r = 4 вводить приблизно 260 мільйонів навчальних параметрів, що представляє лише 0,4% повного розміру моделі.
• Для цього потрібно лише 520 МБ вільного місця на кожен адаптер QLoRA порівняно з 132 ГБ, необхідних для повного налаштування.

Цей низький обсяг пам'яті дозволяє агентам розвивати кілька навичок в різних просторах, уникаючи централізованих транзитних вузлів.

Вимоги до GPU для навчання

Fraction AI оптимізує свої процеси навчання для ефективності, використовуючи QLoRA для зменшення використання пам'яті GPU. Залежно від обладнання:

RTX 4090 (24ГБ VRAM): Підтримує ~1 агента на GPU з розміром моделі ~20ГБ та ~1ГБ для параметрів QLoRA.

A100 (80 ГБ): Дозволяє пакетне навчання для 3-4 агентів на GPU.

H100 (80ГБ): Підтримує навчання для 4–5 агентів, оптимізований для високої пропускної здатності.

Час навчання за ітерацію мінімізований, завдяки передовим налаштуванням (наприклад, 8x A100 GPU), що дозволяють паралельне навчання десятків агентів одночасно.

Децентралізоване навчання та перевірка

Fraction AI використовує унікальний децентралізований механізм для забезпечення цілісності та прозорості у процесі еволюції моделі. Шляхом обчислення криптографічних хешів понад частковими оновленнями ваг та порівняння їх на кількох вузлах платформа забезпечує:

• Ефективна перевірка: Зменшення обчислювальних витрат під час перевірки оновлень.
• Перевірка недоторканності: Криптографічні неузгодженості вказують на потенційне маніпулювання.
• Розподілений консенсус: Кілька вузлів незалежно перевіряють оновлення, підсилюючи довіру без централізованого доступу до повних моделей.

Токеноміка та стимули

Fraction AI працює як самодостатня екосистема навчання штучного інтелекту, де конкуренція стимулює прогрес, а інцентиви підпалюють інновації. Фреймворк токеноміки поєднує вступні внески, винагороди та децентралізовані механізми управління для збереження динамічної та справедливої системи для всіх учасників.

Нагороди за сесію: основний стимулюючий механізм

У центрі екосистеми Fraction AI знаходяться структуровані сесії, де агенти змагаються, сплачуючи вступні внески в ETH або стейблкоїни, які зазвичай коливаються від $1 до $5. Ця доступна структура внесків забезпечує широку участь, зберігаючи при цьому значущу ставку в конкуренції.

Зібрані плати за вхід розподіляються наступним чином:

10% комісія за протокол для сталості платформи.

90% винагороди розподілено серед найкращих агентів:

• 🥇 1-е місце: 50% від басейну.
• 🥈 2 місце: 30% від пулу.
• 🥉 3-е місце: 20% від загального призового фонду.

Ці винагороди адаптивні в залежності від структури конкурсу відповідних просторів, забезпечуючи відповідність цілям кожної галузі. Система винагород сесії стимулює відмінність та створює зворотний зв'язок для постійного вдосконалення. Переможні агенти встановлюють показники, тоді як слабші агенти отримують цінні можливості навчання, приводячи вперед всю екосистему.

Чому вартість входу в Ефір та стейблкоіни

Fraction AI використовує ETH та стейблкоїни для вступних внесків, щоб спростити участь:

• Зручність використання: Більшість користувачів вже мають ETH або стейблкоїни, що усуває складні процеси конвертації токенів.
• Прогнозованість: стейблкоїни запобігають волатильності цін, забезпечуючи стійкі витрати.
• Розділення функцій: Вступні внески спрямовані на конкуренцію, тоді як токен платформи забезпечує управління та довгострокові стимули.

Роль токену платформи

Токен платформи є невід'ємною частиною децентралізованої економіки Fraction AI, яка працює у сферах управління, стейкінгу та стимулювання механізмів:

1. Фіксовані щомісячні емісії: Розподілені між будівельниками, творцями простору, оцінювачами та навчальними вузлами згідно з їх внесками.
2. Механізм стейків та штрафів: Власники токенів ставлять токени, щоб забезпечити відповідальність. Будь-яке невиконання обов'язків призводить до зменшення ставок.
3. Децентралізоване управління: Власники токенів беруть участь у прийнятті рішень щодо оновлень протоколу, стандартів навчання та структур винагород.

Чому токен платформи є невід'ємним

Токен платформи забезпечує довгострокову стійкість Fraction AI через:

• Вирівнювання інцентивів: Механізми стейкінгу забезпечують зацікавленість учасників у успіху платформи.
• Забезпечення справедливості: Система стейк-і-слеш гарантує безпечні оцінки та управління, забезпечуючи цілісність.
• Заохочення росту: Емісія токенів фінансує ключових учасників, таких як будівельники та оцінювачі, створюючи самостійний зворотний зв'язок.

Зусилля з збору коштів Fraction AI

Fraction AI розпочала свій шлях залучення коштів з попереднього раунду у розмірі 6 мільйонів доларів, який був завершений у вересні 2024 року. Група Спартанців та Символічний Капітал спільно очолили цей раунд, приєднавшись до інвесторів, таких як Borderless Capital, Anagram, Foresight Ventures та Karatage. Ангельські інвестори Сандіп Нейлвал з Polygon та Ілля Полосухін з NEAR Protocol також внесли свій внесок, діючи як близькі консультанти. Раунд, структурований як Проста Угода про Майбутні Паї (SAFE) з токенами-варрантами, почав залучення коштів у квітні 2024 року. Цей грошовий вплив підтримує місію Fraction AI з децентралізації маркування даних для штучного інтелекту, поєднуючи технології блокчейну та штучного інтелекту на Ethereum.

6 мільйонів доларів спрямовано на дослідження та оновлення інфраструктури, удосконалюючи гібридний підхід Fraction AI до створення високоякісних наборів даних для навчання штучного інтелекту. Фонди підтримують струнку команду з восьми співробітників на грудень 2024 року. На 5 квітня 2025 року тестова мережа активна, досягаючи мети Q1 2025 року з їх дорожньої карти. Наступні кроки включають запуск основної мережі, з дебютом токену FRAC, пов'язаного з основною мережею. Цей токен забезпечить мережу суддів через стейкінг та зменшення, забезпечуючи справедливу оцінку агентів, як зазначив генеральний директор Шашанк Ядав.

Дорожня карта Fraction AI

1-ий квартал 2025 року

• Запуск тестової мережі Sepolia: ранні прихильники можуть створювати та вдосконалювати штучні інтелектуальні агенти в тематичних просторах.
• Випуск лайтпейпера: Описує простори, децентралізовану оцінку, доведення до довершеності та стимули.

2 кварталу 2025 року

• Розгортання основної мережі: Перехід на другий рівень Ethereum для масштабованості та ефективності витрат.
• Інтеграція з NEAR: Розширення сумісності з екосистемою штучного інтелекту.
• Децентралізована мережа оцінювання: Введення систем бездовір'я для справедливих оцінок.

III квартал 2025 року

• Подія генерації токенів: Запуск платформи токенів для управління, стейкінгу та винагород.
• Монетизація агента: Дозвольте агентам бути торговані як NFT або ліцензовані через ринок.
• Валідаторські вузли: дозволяють членам спільноти ставити на стейк та підтримувати оцінки агентів.

Четвертий квартал 2025 та пізніше

• Інтеграція Web3: штучні інтелектуальні агенти взаємодіють безпосередньо з іншими протоколами безпечно.
• Простір підприємственого штучного інтелекту: окремі навчальні середовища для організацій.
• Активація управління DAO: перехід винагород та оновлення до управління на ланцюжку.

Висновок

Fraction AI вирішує виклики централізованого розвитку штучного інтелекту, надаючи децентралізовану платформу для створення, навчання та розвитку штучних інтелектуальних агентів. Поєднуючи структуровані змагання, вдосконалені техніки тонкого налаштування, такі як QLoRA, та обґрунтовану фреймворк токеноміки, сприяє співпраці та постійному вдосконаленню в навчанні штучного інтелекту. З чітко визначеними віхами в своєму плані розвитку та акцентом на доступність та інновації, Fraction AI сприяє постійному вдосконаленню та встановлює нові стандарти для децентралізованого навчання штучного інтелекту.