NEW EVENT
最新活動
幣安
HOT ARTICLES
熱門文章
2024 年 10 月 17 日,在麻省理工學院 (MIT) 去中心化 AI 峰會中,Origin Trail 被評選為最佳去中心化 AI 專案。
知識圖譜(Knowledge Graph)是一種將知識以關係結構方式組織起來的技術,用來表示各種事物之間的關係和背景。它不僅儲存資料與數據,還將資料與數據轉化為「知識」,強調事物之間的連結和語意信息。
也能理解成一種知識資料庫,和一般資料庫差別在於更強調關係和語意;平常最常接觸到的知識圖譜之一是 Google Knowledge Graph,由 Google 推出,用來提高 Google 搜尋品質的知識圖譜,雖然我們不一定知道它,但在 google 上搜尋時,背後可能都有它的運作。
而最知名的 "去中心化" 知識圖譜則是維基百科 Wiki,開源共享分散,不過維基百科並沒有使用區塊鏈,Origin Trail 將去中心化知識圖譜搬到區塊鏈上運作,能和去中心化 AI 結合,提供透明、可追溯、可驗證的知識。
NeuroWeb 是由 Origin Trail 創建的波卡生態平行鏈,鏈上活躍度飛速發展,根據 the Block 鏈上數據,波卡平行鏈交易活躍度持續創出新高,NeuroWeb 就佔了其中 70% 交易量 (10 月數據)。
Origin Trail 是 2017 創立的老項目,如今怎麼和火熱的 AI 又扯上關係?這篇文章將介紹 Origin Trail 是什麼、與 NeuroWeb 的關係、知識挖礦是什麼、項目前景如何、為什麼能在波卡平行鏈中佔有這麼高的活躍度、以及其中的相關代幣 $TRAC 與 $NEURO。
如果對去中心化知識圖譜在真實世界的應用感到抽象,覺得很難想像,可參考這個與鐵路公司合作的案例:
https://x.com/BranaRakic/status/1831225441467629734
歐洲之前一起火車出軌意外,原因是輪子壞掉但沒事先發現,在結合去中心化知識圖譜與區塊鏈之後,就能整合眾多資訊來源數據,交給 AI 即時偵測出異常狀況並避免此類意外事故。
至於為什麼去中心化在這種應用中會有優勢?因為更安全、更彈性,且去信任。
而同樣的應用方式,在航空航太、汽車、國防、建築等等領域也都能發揮用處,未來使用場景極大。
項目名稱 |
Origin Trail,NeuroWeb 是旗下產品之一 |
代幣名稱 |
$TRAC / $NEURO |
所處生態或公鏈 |
#AI #RWA 波卡生態 (Polkadot) |
代幣市值排名 |
$TRAC 市值 2 億 3000 萬美金,CoinGecko 上排名 #273 |
創立或上線日期 |
NeuroWeb 前身是 Origin Trail 平行鏈,在 2023 / 12 月 轉換為 NeuroWeb,原本的 $OTP 代幣轉換為 $NEURO |
核心團隊成員 |
Origin Trail 核心開發團隊是 Trace Labs,是一間主要針對供應鏈解決方案的區塊鏈開發公司,合作夥伴有沃爾瑪、英國標準協會 BSI、國際條碼組織 GS1、甲骨文、Polkadot 等 Origin Trail / Trace Labs 的三位共同創辦人:
|
融資紀錄 |
2018 時 ICO 融資 2250 萬美金 |
官方連結 |
Origin Trail 官方推特 https://x.com/origin_trail NeuroWeb |
多年老項目,架構和生態版圖都有點大,不太容易簡短說明,我們一步一步拆解。
最初是作為供應鏈解決方案,結合區塊鏈技術來改善供應鏈管理上的問題,這是第一版白皮書提出時的主要方向;接著發現可以將更多數據整合進來,包含真實世界資產、NFT 等等,開始朝 web 3 的方向,也推出自己的波卡平行鏈 Origin Trail parachain。
Origin Trail 合作的企業單位包含英國標準協會 BSI、瑞士聯邦鐵路 SBB、國際條碼組織 GS1、供應商合規審計網路 SCAN (包含了 Costco / 沃爾瑪 / Target 等知名零售) 等,參與了包括貨物進口檢查、威士忌原料、藥品、農產品與肉品追蹤、甚至包含鐵路鐵軌零件異常偵測等,主要在歐洲地區。
隨著 AI 發展,Origin Trail 的去中心化知識圖譜也連接了更多數據與資訊,2024 提出白皮書 3.0 版,朝向成為 AI 的可驗證知識網,可以理解成提供給 AI 使用的去中心化知識層,提供可追溯、可驗證的知識。
2024 / 10 月在麻省理工學院進行的 AI 峰會,參與者包含了 Dell、Intel、Nvdia 等知名企業,Origin Trail 經參與者投票獲選為最佳 AI 專案。
知識資產
每個知識資產都是 NFT,並可使用區塊鏈追蹤與驗證。
知識資產創建與管理工具 nOS
知識資產瀏覽器 DKG Explor
可查詢資料庫中的所有知識資產。
LLM 機器人 ChatDKG
就是聊天機器人,但只會根據 DKG 中的知識來回答。目前因為知識圖譜中的知識比較屬於特定範疇,大多日常問題無法回答。
ChatDKG 的推特機器人,可下命令並標註它,它會回答問題,例如:
/ask @ChatDKG why origin trail is the best AI project
前面是命令,後面問題可自行調整,有推特帳號的可以體驗看看。
備註:目前 ChatDKG 問題的回答範圍受限於 OriginTrail 知識圖譜中的資訊,因此並不是所有問題都能夠得到充分的回答 。
撇除應用層,Origin Trail 是雙層架構,由第一層區塊鏈 NeuroWeb 和第二層去中心化知識網路構成。
去中心化知識圖譜 Decentralized Knowledge Graph 可簡稱為 DKG,去中心化節點網路,在鏈下運行,可與多個區塊鏈整合 (Gnosis、Neuroweb、Base 等)。
知識包含了哪些?數據、資訊等等都算,再加上語意與關聯性,知識主要儲存在 DKG 節點網路中 (鏈下),經加密摘要後上傳至鏈上,並生成獨一無二的 UAL,可理解成一個鏈上超連結,每個 UAL 都對應一組知識。
DKG 是開放、無須許可的去中心化節點網路,任何人都可以成為節點 (需要質押 $TRAC),網路中的知識可以設定為公開 (所有節點共用) 或私有 (由特定節點託管)。
$TRAC 是 DKG 網路的代幣,要成為節點必需質押一定數量的 $TRAC,在網路中增加知識也需要支付 $TRAC。
兩層架構可簡易理解為:
知識層 DKG
去中心化節點網路,可和多鏈整合,知識實際存儲與管理的地方,$TRAC 是這一層主要代幣,生成知識要支付代幣,成為節點需質押代幣
區塊鏈層 NeuroWeb
由波卡支援的 layer 1 區塊鏈,負責協助 DKG 所需的區塊鏈運作,例如生成知識的加密證明與哈希等,鏈上代幣為 $NEURO,作為知識挖礦激勵、gas 支付與治理代幣
簡單說就是提供獎勵給為 DKG 增加知識的人。在 DKG 上增加知識要支付 $TRAC,知識挖礦計畫會獎勵 $Neuro,主要目的是希望藉此來增加 DKG 的豐富度,就像是提供獎勵引誘人們去維基百科上增加條目。
知識挖礦的四個步驟:
發現-發現有利可圖的知識差距
發布-發布可補上差距的有用知識
充實-知識的改進與應用 (例如知識被引用 / 被使用的次數等)
學習-系統最終確認此知識並評估品質
目前要進行知識挖礦需要一點程式背景,有興趣可參閱官方文件。未來可能會推出更多直接使用前述推特機器人 @ChatDKG 就能進行的知識挖礦活動,可以追蹤官方推特,注意最新消息。
總供應量 5 億顆,目前已流通 4 億顆 (80%),目前分布在五條鏈上 (以太坊、Gonsis、Polygon、Base、NeuroWeb),合約地址可從這裡查看。
可在以下交易所或到上述五條鏈上購買:
總供應量 10 億顆,一開始只釋放一半,剩餘一半隨著區塊獎勵逐步釋放,目前流通供應量 5 億 4800 萬顆,目前主要在 Base / NeuroWeb / Moonbeam 鏈上流通。
官方推薦購買管道:
MEXC / Gate.io 交易所
Moonbeam 上 DEX Stellaswap
AI 近年展現出的成長速度令人驚豔,但隨之而來的中心化 AI 風險也令人擔憂,所幸也有許多去中心化 AI 項目發展中,幣研之前也介紹過不少。
Origin Trail 做為去中心化知識圖譜,提供可追溯、可驗證,並已結合關聯性和語意的知識給 AI 使用,這能解決中心化 AI 中數據來源不透明的問題,可以將 Origin Trail 理解為 AI 的協同運作項目
雖然白皮書出了三版,但能看出這並不是因為找不到方向而頻繁調整,而是建立在累積之後的延伸,先從供應鏈數據上鏈出發,而後延伸到更多類型資產上鏈,再延伸到將這些累積的知識作為 AI 的協知識層。
在 AI 的發展過程中,關於數據隱私、AI 產出所使用的數據來源、推理過程透明度、是否可驗證等等的討論一直存在,去中心化知識圖譜可以改善這些問題,Origin Trail 從供應鏈解決方案起家,多年來已在特定領域累積大量鏈上知識,再加上這些年累積的廣泛企業組織合作網,未來發展頗令人期待。
區塊鏈百科轉型幣圈 GPT! IQ wiki 生態系 AI 項目介紹
有網路就能零成本頻寬挖礦! AI 數據網路 Grass 介紹,積分空投任務教學
Web 3 的 Hugging Face,AI + DePIN 資料數據庫 Aggregata 介紹
東東
加密貨幣愛好者 | 2017 入圈,認為區塊鏈是下個世代的網路,期待區塊鏈與加密貨幣普及到日常生活的那一天。
Further Reading
延伸閱讀
觀看更多熱門文章