Как технологическая компания, которая глубоко сочетает технологии блокчейна и искусственного интеллекта, Fetch.AI стремится построить децентрализованную умную экономику и достичь распределенных целей, сочетая технологии искусственного интеллекта, блокчейна и Интернета вещей. Цель компании — предоставить предприятиям и потребителям совершенно новый способ экономического взаимодействия, обеспечивающий более эффективные, безопасные и разумные транзакции.
Благодаря высокоинтеллектуальной и открытой архитектуре блокчейна AI+ Fetch.AI имеет широкий спектр сценариев применения, включая логистику, цепочку поставок, финансы, энергетику, медицинское обслуживание и другие области. Техническая архитектура Fetch.AI в основном состоит из двух частей: основной цепочки Fetch.AI и интеллектуального агента Fetch.AI. Основная цепочка Fetch.AI представляет собой распределенный реестр на основе технологии блокчейн, который используется для записи транзакций и смарт-контрактов, а также для обеспечения безопасности и надежности транзакций. Смарт-агент Fetch.AI — это смарт-контракт с возможностями искусственного интеллекта, который может автономно выполнять задачи, координировать ресурсы и взаимодействовать с другими интеллектуальными агентами для достижения автоматизированных, интеллектуальных и децентрализованных экономических взаимодействий.
В этой статье не делается слишком много заявлений об основной цепочке.Мы сосредоточимся на демонтаже архитектуры автономного агента (AEA) и механизмов группового обучения (Colearn), чтобы показать, как ИИ участвует в работе системы блокчейна и процессе подачи данных среди .
Позвольте узлам сети управлять собой: Архитектура автономного экономического агента (AEA)
В сети Fetch.ai лица или компании, располагающие данными, представлены их агентами, которые связываются с агентами лиц или компаний, ищущих данные. Агентство работает на Open Economic Framework (OEF). Это действует как механизм поиска и обнаружения, где агенты, представляющие источники данных, могут рекламировать данные, к которым у них есть доступ. Аналогичным образом, отдельные лица или компании, которым нужны данные, могут использовать OEF для поиска агентов, имеющих доступ к рассматриваемым данным.
Архитектура Fetch.AI AEA представляет собой распределенную интеллектуальную агентную архитектуру, которая используется для создания автономной и совместной сети интеллектуальных агентов. AEA расшифровывается как Автономный экономический агент, ** его основная идея состоит в том, чтобы объединить искусственный интеллект и технологию блокчейна для построения децентрализованной интеллектуальной экономики и реализации взаимодействия интеллектуальной, автономной и децентрализованной экономики. **
Основные компоненты архитектуры AEA в основном включают следующие четыре модуля:
** Агент AEA (Агент): ** Агент AEA — это автономный программируемый интеллектуальный агент с возможностью автономного принятия решений, автономного сотрудничества и автономного обучения.Это основной компонент AEA и представляет собой независимую сущность со способностью принимать самостоятельные решения и действовать. Каждый агент AEA имеет свой собственный адрес кошелька, личность и смарт-контракт и может взаимодействовать и сотрудничать с другими агентами.
**AEA Communication (Connection): **AEA Communication — это протокол связи «точка-точка», основанный на технологии блокчейн, который используется для реализации передачи информации и взаимодействия между агентами. Связь AEA может обеспечить безопасность и надежность взаимодействия. AEA Fetch.AI поддерживает несколько методов подключения, включая WebSocket и HTTP-соединения.
**Навык AEA (Навык): **Навык AEA — подключаемый модуль, используемый для расширения функций и возможностей агентов AEA. Каждый навык состоит из смарт-контракта и пакета Python для реализации определенных функций агента, таких как обработка естественного языка, машинное обучение, принятие решений и т. д. Навыки могут содержать несколько протоколов и моделей, чтобы агенты могли понимать запросы других агентов и отвечать на них.
**Протокол AEA (протокол): **Протокол AEA — это механизм совместной работы и взаимодействия между агентами. Протокол AEA определяет формат сообщения, поток протокола и правила взаимодействия между агентами, чтобы реализовать совместную работу между агентами. Протоколы — это правила и рекомендации для связи между агентами. Протоколы определяют, как агенты должны обмениваться информацией, отвечать на запросы и обрабатывать ошибки. AEA Fetch.AI поддерживает несколько протоколов, включая собственный язык общения агентов Fetch.AI (ACL) и протокол HTTP.
Представьте, что компания ищет данные для обучения прогностической модели. Когда агент компании подключается к агенту, представляющему источник данных, он запрашивает у него информацию об условиях торговли. Затем агент, работающий от имени поставщика данных, предложит условия, на которых он готов продать данные. Агент, продающий доступ к данным, может требовать максимально возможной цены, в то время как агент, покупающий доступ к данным, хочет платить как можно более низкую цену. Но агентство, продающее данные, знает, что если оно будет брать слишком большую цену, оно упустит сделку. Это связано с тем, что прокси-серверы, ищущие данные, не примут условия и вместо этого попытаются приобрести данные из другого источника в Интернете. Если агент по закупкам сочтет условия приемлемыми, он заплатит агенту по продажам согласованную цену посредством транзакции в реестре Fetch.ai. После получения оплаты агент, продающий данные, отправит зашифрованные данные через сеть Fetch.ai.
Помимо первоначальной настройки, весь процесс полностью автоматизирован и выполняется агентами Fetch.ai. Это означает, что сотрудники компании могут работать без перерыва, а предиктивные модели могут накапливать актуальные обезличенные данные. Имея доступ к данным, компании, покупающие информацию, могут более эффективно обучать свои модели, которые затем можно использовать для более точных прогнозов. Такие прогнозы можно использовать в любой отрасли.
Основа создания интеллектуальных узлов: модуль навыков AEA и механизм группового обучения (Colearn)
Среди четырех вышеперечисленных модулей наиболее важным является модуль навыков AEA, который является ключевым модулем для создания интеллектуальных узлов. Навык AEA — это подключаемый модуль, используемый для реализации функции группового автономного обучения агентов. Каждый навык обучения включает смарт-контракт и пакет Python для реализации различных типов учебных задач, таких как обучение с подкреплением, обучение с учителем, обучение без учителя и т. д. Когда агенту нужно учиться, он может выбрать подходящие для себя навыки обучения и сохранить результаты обучения в своем собственном состоянии. Агенты могут автономно корректировать поведение и стратегии на основе результатов обучения, обеспечивая более разумное, эффективное и более устойчивое экономическое взаимодействие.
Принцип коллективного обучения Fetch.AI включает следующие этапы:
Обмен данными: Различные агенты собирают свои собственные данные и загружают их в общую базу данных в сети блокчейн. Эти данные могут быть данными датчика, текстовыми данными, данными изображения и т. д. Все агенты, участвующие в коллективном обучении, могут получить доступ к данным в общей базе данных и использовать эти данные для обучения.
Обучение модели. Агент использует данные из общей базы данных для обучения модели. Модели могут быть моделями машинного обучения, моделями глубокого обучения или другими типами алгоритмов. Агентов можно обучать с использованием разных моделей, чтобы изучать разные задачи или проблемы.
Выбор модели: После завершения обучения модели агент загружает свою модель в сеть блокчейн. Все агенты, участвующие в коллективном обучении, могут получить доступ к этим моделям и выбрать ту, которая подходит им в соответствии со своими потребностями. Процесс выбора может основываться на таких факторах, как производительность агента, требования к задаче и ограничения ресурсов.
Интеграция модели: После выбора модели агент может интегрировать ее со своими навыками, чтобы лучше выполнять свои задачи. Навыки могут быть модулями, которые решают определенные типы задач, такие как торговля криптовалютой, управление логистикой и т. д. Агенты могут использовать несколько навыков и моделей для обработки задач.
Механизм вознаграждения: В процессе коллективного обучения агенты могут получать вознаграждения, предоставляя свои собственные данные и модели. Вознаграждения могут распределяться на основе таких факторов, как производительность агента, его вклад и эффективность использования ресурсов. Механизмы вознаграждения могут поощрять агентов к активному участию в коллективном обучении и улучшать общую производительность системы.
** Предположим, что есть два агента A и B, которым необходимо сотрудничать для выполнения задачи, например перевозки товаров. **Агент А отвечает за поставку товаров, а Агент Б отвечает за предоставление транспортных услуг. В начальном взаимодействии и агент А, и агент Б могут использовать случайную поведенческую стратегию для выполнения задачи, например случайный выбор маршрута или вида транспорта.
По мере развития взаимодействия агент A и агент B могут изучать данные истории взаимодействия с помощью навыков обучения и автономно корректировать стратегии поведения в соответствии с результатами обучения. Например, агент А может узнать такую информацию, как поставка товаров и транспортные расходы, за счет навыков обучения, чтобы самостоятельно выбрать оптимальную стратегию сотрудничества в соответствии с текущим спросом на товары и рыночными ценами. Агент Б также может узнать такую информацию, как эффективность и стоимость транспортных маршрутов и способов транспортировки, посредством навыков обучения, чтобы самостоятельно выбирать оптимальную транспортную стратегию в соответствии с текущими условиями движения и ценами на энергоносители.
По мере того, как взаимодействие продолжается и результаты обучения постоянно обновляются, агент А и агент Б могут постепенно оптимизировать свои собственные стратегии поведения для достижения более эффективного, разумного и более устойчивого экономического взаимодействия. Этот процесс самообучения можно постоянно повторять и оптимизировать для достижения большей экономической выгоды и социальной ценности.
Следует отметить, что функция самообучения требует от агента достаточной вычислительной мощности и ресурсов данных для достижения хорошего эффекта обучения. Поэтому в практических приложениях необходимо выбрать соответствующие навыки обучения и распределения ресурсов в соответствии с реальной ситуацией и потребностями агента, чтобы достичь наилучшего эффекта обучения.
Основной автономный экономический агент (AEA) Fetch.ai достигает целей интеллекта, автономии и децентрализации с точки зрения экономического взаимодействия. Его преимущество заключается в глубокой интеграции искусственного интеллекта и технологии блокчейн, а также в реализации дизайна автономных экономических агентов, которые могут самостоятельно обучаться, принимать решения и свободно взаимодействовать в децентрализованной среде, повышая эффективность и результативность экономического взаимодействия. , Степень интеллекта. Кроме того, механизм Fetch.AI Collearn поощряет активное участие агентов и повышение производительности всей системы путем обмена данными и моделями.
Однако Fetch.AI также создает некоторые проблемы. Во-первых, его функция самообучения требует высокой вычислительной мощности и ресурсов данных, что может ограничить его применение в средах с ограниченными ресурсами. Во-вторых, техническая архитектура и функции Fetch.AI относительно сложны, требуют более высоких технических пороговых значений и затрат на обучение, что может повлиять на его широкое применение.
Краткое содержание
Забегая вперед, перспективы Fetch.AI по-прежнему многообещающие. Поскольку технология продолжает развиваться, она может представить больше технологий искусственного интеллекта и блокчейна для повышения производительности и эффективности и удовлетворения большего количества сценариев и потребностей приложений. В то же время, поскольку защита конфиденциальности и безопасность данных становятся все более ценными, функции децентрализации и безопасности Fetch.AI могут получить больше внимания и приложений. Несмотря на некоторые проблемы, инновации и потенциал Fetch.AI в области ИИ и блокчейна по-прежнему заслуживают нашего внимания и изучения.
Рекомендации:
[1] Документация для разработчиков Fetch.AI
[2] Мелани Митчелл: AI 3.0
[3] Алексей Потапов: Необходимы базовые возможности Atomese
Отказ от ответственности: эта статья предназначена только для исследовательской информации и не является советом или рекомендацией по инвестициям. Механизм проекта, представленный в этой статье, представляет собой только личное мнение автора и не имеет никакого интереса ни к автору этой статьи, ни к этой платформе. Инвестиции в блокчейн и цифровую валюту подвержены различным неопределенностям, таким как чрезвычайно высокий рыночный риск, политический риск и технический риск.Цена токенов на вторичном рынке сильно колеблется.Инвесторы должны принимать осторожные решения и самостоятельно нести инвестиционные риски. Автор этой статьи или этой платформы не несет ответственности за любые убытки, причиненные инвесторами, использующими информацию, представленную в этой статье.
Посмотреть Оригинал
Содержание носит исключительно справочный характер и не является предложением или офертой. Консультации по инвестициям, налогообложению или юридическим вопросам не предоставляются. Более подробную информацию о рисках см. в разделе «Дисклеймер».
Интерпретация Fetch.AI: интеллектуальная открытая инфраструктура на основе космоса
Как технологическая компания, которая глубоко сочетает технологии блокчейна и искусственного интеллекта, Fetch.AI стремится построить децентрализованную умную экономику и достичь распределенных целей, сочетая технологии искусственного интеллекта, блокчейна и Интернета вещей. Цель компании — предоставить предприятиям и потребителям совершенно новый способ экономического взаимодействия, обеспечивающий более эффективные, безопасные и разумные транзакции.
Благодаря высокоинтеллектуальной и открытой архитектуре блокчейна AI+ Fetch.AI имеет широкий спектр сценариев применения, включая логистику, цепочку поставок, финансы, энергетику, медицинское обслуживание и другие области. Техническая архитектура Fetch.AI в основном состоит из двух частей: основной цепочки Fetch.AI и интеллектуального агента Fetch.AI. Основная цепочка Fetch.AI представляет собой распределенный реестр на основе технологии блокчейн, который используется для записи транзакций и смарт-контрактов, а также для обеспечения безопасности и надежности транзакций. Смарт-агент Fetch.AI — это смарт-контракт с возможностями искусственного интеллекта, который может автономно выполнять задачи, координировать ресурсы и взаимодействовать с другими интеллектуальными агентами для достижения автоматизированных, интеллектуальных и децентрализованных экономических взаимодействий.
В этой статье не делается слишком много заявлений об основной цепочке.Мы сосредоточимся на демонтаже архитектуры автономного агента (AEA) и механизмов группового обучения (Colearn), чтобы показать, как ИИ участвует в работе системы блокчейна и процессе подачи данных среди .
Позвольте узлам сети управлять собой: Архитектура автономного экономического агента (AEA)
В сети Fetch.ai лица или компании, располагающие данными, представлены их агентами, которые связываются с агентами лиц или компаний, ищущих данные. Агентство работает на Open Economic Framework (OEF). Это действует как механизм поиска и обнаружения, где агенты, представляющие источники данных, могут рекламировать данные, к которым у них есть доступ. Аналогичным образом, отдельные лица или компании, которым нужны данные, могут использовать OEF для поиска агентов, имеющих доступ к рассматриваемым данным.
Архитектура Fetch.AI AEA представляет собой распределенную интеллектуальную агентную архитектуру, которая используется для создания автономной и совместной сети интеллектуальных агентов. AEA расшифровывается как Автономный экономический агент, ** его основная идея состоит в том, чтобы объединить искусственный интеллект и технологию блокчейна для построения децентрализованной интеллектуальной экономики и реализации взаимодействия интеллектуальной, автономной и децентрализованной экономики. **
Основные компоненты архитектуры AEA в основном включают следующие четыре модуля:
Представьте, что компания ищет данные для обучения прогностической модели. Когда агент компании подключается к агенту, представляющему источник данных, он запрашивает у него информацию об условиях торговли. Затем агент, работающий от имени поставщика данных, предложит условия, на которых он готов продать данные. Агент, продающий доступ к данным, может требовать максимально возможной цены, в то время как агент, покупающий доступ к данным, хочет платить как можно более низкую цену. Но агентство, продающее данные, знает, что если оно будет брать слишком большую цену, оно упустит сделку. Это связано с тем, что прокси-серверы, ищущие данные, не примут условия и вместо этого попытаются приобрести данные из другого источника в Интернете. Если агент по закупкам сочтет условия приемлемыми, он заплатит агенту по продажам согласованную цену посредством транзакции в реестре Fetch.ai. После получения оплаты агент, продающий данные, отправит зашифрованные данные через сеть Fetch.ai.
Помимо первоначальной настройки, весь процесс полностью автоматизирован и выполняется агентами Fetch.ai. Это означает, что сотрудники компании могут работать без перерыва, а предиктивные модели могут накапливать актуальные обезличенные данные. Имея доступ к данным, компании, покупающие информацию, могут более эффективно обучать свои модели, которые затем можно использовать для более точных прогнозов. Такие прогнозы можно использовать в любой отрасли.
Основа создания интеллектуальных узлов: модуль навыков AEA и механизм группового обучения (Colearn)
Среди четырех вышеперечисленных модулей наиболее важным является модуль навыков AEA, который является ключевым модулем для создания интеллектуальных узлов. Навык AEA — это подключаемый модуль, используемый для реализации функции группового автономного обучения агентов. Каждый навык обучения включает смарт-контракт и пакет Python для реализации различных типов учебных задач, таких как обучение с подкреплением, обучение с учителем, обучение без учителя и т. д. Когда агенту нужно учиться, он может выбрать подходящие для себя навыки обучения и сохранить результаты обучения в своем собственном состоянии. Агенты могут автономно корректировать поведение и стратегии на основе результатов обучения, обеспечивая более разумное, эффективное и более устойчивое экономическое взаимодействие.
Принцип коллективного обучения Fetch.AI включает следующие этапы:
** Предположим, что есть два агента A и B, которым необходимо сотрудничать для выполнения задачи, например перевозки товаров. **Агент А отвечает за поставку товаров, а Агент Б отвечает за предоставление транспортных услуг. В начальном взаимодействии и агент А, и агент Б могут использовать случайную поведенческую стратегию для выполнения задачи, например случайный выбор маршрута или вида транспорта.
По мере развития взаимодействия агент A и агент B могут изучать данные истории взаимодействия с помощью навыков обучения и автономно корректировать стратегии поведения в соответствии с результатами обучения. Например, агент А может узнать такую информацию, как поставка товаров и транспортные расходы, за счет навыков обучения, чтобы самостоятельно выбрать оптимальную стратегию сотрудничества в соответствии с текущим спросом на товары и рыночными ценами. Агент Б также может узнать такую информацию, как эффективность и стоимость транспортных маршрутов и способов транспортировки, посредством навыков обучения, чтобы самостоятельно выбирать оптимальную транспортную стратегию в соответствии с текущими условиями движения и ценами на энергоносители.
По мере того, как взаимодействие продолжается и результаты обучения постоянно обновляются, агент А и агент Б могут постепенно оптимизировать свои собственные стратегии поведения для достижения более эффективного, разумного и более устойчивого экономического взаимодействия. Этот процесс самообучения можно постоянно повторять и оптимизировать для достижения большей экономической выгоды и социальной ценности.
Следует отметить, что функция самообучения требует от агента достаточной вычислительной мощности и ресурсов данных для достижения хорошего эффекта обучения. Поэтому в практических приложениях необходимо выбрать соответствующие навыки обучения и распределения ресурсов в соответствии с реальной ситуацией и потребностями агента, чтобы достичь наилучшего эффекта обучения.
Основной автономный экономический агент (AEA) Fetch.ai достигает целей интеллекта, автономии и децентрализации с точки зрения экономического взаимодействия. Его преимущество заключается в глубокой интеграции искусственного интеллекта и технологии блокчейн, а также в реализации дизайна автономных экономических агентов, которые могут самостоятельно обучаться, принимать решения и свободно взаимодействовать в децентрализованной среде, повышая эффективность и результативность экономического взаимодействия. , Степень интеллекта. Кроме того, механизм Fetch.AI Collearn поощряет активное участие агентов и повышение производительности всей системы путем обмена данными и моделями.
Однако Fetch.AI также создает некоторые проблемы. Во-первых, его функция самообучения требует высокой вычислительной мощности и ресурсов данных, что может ограничить его применение в средах с ограниченными ресурсами. Во-вторых, техническая архитектура и функции Fetch.AI относительно сложны, требуют более высоких технических пороговых значений и затрат на обучение, что может повлиять на его широкое применение.
Краткое содержание
Забегая вперед, перспективы Fetch.AI по-прежнему многообещающие. Поскольку технология продолжает развиваться, она может представить больше технологий искусственного интеллекта и блокчейна для повышения производительности и эффективности и удовлетворения большего количества сценариев и потребностей приложений. В то же время, поскольку защита конфиденциальности и безопасность данных становятся все более ценными, функции децентрализации и безопасности Fetch.AI могут получить больше внимания и приложений. Несмотря на некоторые проблемы, инновации и потенциал Fetch.AI в области ИИ и блокчейна по-прежнему заслуживают нашего внимания и изучения.
Рекомендации:
[1] Документация для разработчиков Fetch.AI
[2] Мелани Митчелл: AI 3.0
[3] Алексей Потапов: Необходимы базовые возможности Atomese
Отказ от ответственности: эта статья предназначена только для исследовательской информации и не является советом или рекомендацией по инвестициям. Механизм проекта, представленный в этой статье, представляет собой только личное мнение автора и не имеет никакого интереса ни к автору этой статьи, ни к этой платформе. Инвестиции в блокчейн и цифровую валюту подвержены различным неопределенностям, таким как чрезвычайно высокий рыночный риск, политический риск и технический риск.Цена токенов на вторичном рынке сильно колеблется.Инвесторы должны принимать осторожные решения и самостоятельно нести инвестиционные риски. Автор этой статьи или этой платформы не несет ответственности за любые убытки, причиненные инвесторами, использующими информацию, представленную в этой статье.