撒哈拉人工智能：开放、公平和协作的人工智能经济的去中心化区块链平台
撒哈拉人工智能：开放、公平和协作的人工智能经济的去中心化区块链平台
撒哈拉人工智能：开放、公平和协作的人工智能经济的去中心化区块链平台
1. 介绍
1. 介绍
随着人工智能（AI）的进步，至关重要的是，其不仅要具备能力和普及性，还要在本质上公平、公正，并对所有人可及。AI 应该作为一种普遍的工具，改善人们的生活，促进全球机会的平等。然而，目前，控制AI技术的权力仍然主要集中在少数寡头组织手中。这些集中式的AI平台存在显著的局限性和风险，包括隐私问题、加深经济差距以及对资源的限制访问。这造成了显著的障碍，妨碍了广泛的创新，限制了来自不同背景的人员参与AI开发，并限制了不同社区对AI技术的访问。
Sahara AI通过去中心化AI所有权，并促进更广泛的参与来应对这些挑战。作为一个由区块链支持的去中心化AI平台，Sahara AI培育了一个开放、透明、安全和包容的生态系统。在其核心是AI资产的概念——一个建立清晰所有权和管理协议的全新框架，用于私人AI资源，包括个人数据和专有模型。
在该平台上，AI开发人员、数据提供者和其他利益相关者可以合作，共同创造高质量的AI资产，使用平台的集成开发工具。在此过程中，平台确保所有贡献都会被安全记录并透明归属，每位参与者的输入都有明确的可追溯性。一旦创建，这些AI资产将在平台上提供，用户可以探索和利用这些资源。用户可以灵活购买访问和进一步开发的许可证。图1展示了这一用户旅程的概览，说明了AI资产如何从创建到利用和用户在Sahara AI生态系统内的参与。值得注意的是，平台内的所有交易都是不可更改和可追溯的，所有权受到保护，资产的来源被记录。这支持了一个透明和公平的收入分享模式，确保开发人员和数据提供者在每次生成收入时获得适当的补偿。
Sahara AI利用区块链技术和隐私保护方法，开发了一个强大的AI资产来源基础设施。该基础设施使用户贡献的归属变得可行，保护数据隐私，确保公平的补偿，同时强调用户对其AI资产的控制重要性。在这些功能的支持下，Sahara AI将在其平台上部署一个独特的无许可“版权”系统。虽然“版权”传统上意味着限制性控制，这似乎与区块链的开放性质相悖，但这一概念通过Sahara AI的方法得到了重新定义——它代表了一个量身定制的框架，确保贡献者保留其AI资产的所有权，并获得公平的归属和补偿，而不限制访问和共享。该平台作为一个一站式商店，满足整个AI生命周期的所有AI开发需求——从数据收集和标记，到模型训练和服务，AI代理的创建和部署，多代理通信，AI资产交易，以及AI资源的众包。通过将AI开发过程民主化，并降低现有系统中的进入壁垒，Sahara AI为个人、企业和社区提供了平等的机会，共同构建AI的未来。
随着人工智能（AI）的进步，至关重要的是，其不仅要具备能力和普及性，还要在本质上公平、公正，并对所有人可及。AI 应该作为一种普遍的工具，改善人们的生活，促进全球机会的平等。然而，目前，控制AI技术的权力仍然主要集中在少数寡头组织手中。这些集中式的AI平台存在显著的局限性和风险，包括隐私问题、加深经济差距以及对资源的限制访问。这造成了显著的障碍，妨碍了广泛的创新，限制了来自不同背景的人员参与AI开发，并限制了不同社区对AI技术的访问。
Sahara AI通过去中心化AI所有权，并促进更广泛的参与来应对这些挑战。作为一个由区块链支持的去中心化AI平台，Sahara AI培育了一个开放、透明、安全和包容的生态系统。在其核心是AI资产的概念——一个建立清晰所有权和管理协议的全新框架，用于私人AI资源，包括个人数据和专有模型。
在该平台上，AI开发人员、数据提供者和其他利益相关者可以合作，共同创造高质量的AI资产，使用平台的集成开发工具。在此过程中，平台确保所有贡献都会被安全记录并透明归属，每位参与者的输入都有明确的可追溯性。一旦创建，这些AI资产将在平台上提供，用户可以探索和利用这些资源。用户可以灵活购买访问和进一步开发的许可证。图1展示了这一用户旅程的概览，说明了AI资产如何从创建到利用和用户在Sahara AI生态系统内的参与。值得注意的是，平台内的所有交易都是不可更改和可追溯的，所有权受到保护，资产的来源被记录。这支持了一个透明和公平的收入分享模式，确保开发人员和数据提供者在每次生成收入时获得适当的补偿。
Sahara AI利用区块链技术和隐私保护方法，开发了一个强大的AI资产来源基础设施。该基础设施使用户贡献的归属变得可行，保护数据隐私，确保公平的补偿，同时强调用户对其AI资产的控制重要性。在这些功能的支持下，Sahara AI将在其平台上部署一个独特的无许可“版权”系统。虽然“版权”传统上意味着限制性控制，这似乎与区块链的开放性质相悖，但这一概念通过Sahara AI的方法得到了重新定义——它代表了一个量身定制的框架，确保贡献者保留其AI资产的所有权，并获得公平的归属和补偿，而不限制访问和共享。该平台作为一个一站式商店，满足整个AI生命周期的所有AI开发需求——从数据收集和标记，到模型训练和服务，AI代理的创建和部署，多代理通信，AI资产交易，以及AI资源的众包。通过将AI开发过程民主化，并降低现有系统中的进入壁垒，Sahara AI为个人、企业和社区提供了平等的机会，共同构建AI的未来。
图 1：沙哈拉 AI 平台上的用户旅程概述。 该图表演示了沙哈拉 AI 生态系统中 AI 资产生命周期的关键阶段。它突出了开发者和知识提供者如何合作创建 AI 资产，这些资产随后在 AI 市场上列出供用户货币化，所有交易都在链上记录。
图 1：沙哈拉 AI 平台上的用户旅程概述。 该图表演示了沙哈拉 AI 生态系统中 AI 资产生命周期的关键阶段。它突出了开发者和知识提供者如何合作创建 AI 资产，这些资产随后在 AI 市场上列出供用户货币化，所有交易都在链上记录。
Sahara AI 鼓励去中心化治理和社区驱动的创新。这种方法确保 Sahara AI 不仅适应 AI 社区不断发展的需求，还引领设定新的伦理和公平 AI 实践标准。通过为开发 AI 提供一个协作环境，Sahara AI 使个人、中小型企业 (SMB) 和大型企业能够共同合作，分享想法，并从全球社区的集体智慧和创造力中受益。
Sahara AI 将人工智能从少数人控制的工具转变为一个赋权全人类的资源。Sahara AI 平台打破壁垒，促进全球创新，并释放人工智能的全部潜力，以造福全世界的社会。
Sahara AI 鼓励去中心化治理和社区驱动的创新。这种方法确保 Sahara AI 不仅适应 AI 社区不断发展的需求，还引领设定新的伦理和公平 AI 实践标准。通过为开发 AI 提供一个协作环境，Sahara AI 使个人、中小型企业 (SMB) 和大型企业能够共同合作，分享想法，并从全球社区的集体智慧和创造力中受益。
Sahara AI 将人工智能从少数人控制的工具转变为一个赋权全人类的资源。Sahara AI 平台打破壁垒，促进全球创新，并释放人工智能的全部潜力，以造福全世界的社会。
2. 撒哈拉人工智能平台
2. 撒哈拉人工智能平台
撒哈拉人工智能平台建立在三个基础支柱之上：主权与来源、人工智能实用性和协作经济。这些组件共同创建了一个凝聚的平台，每个参与者都可以贡献、合作并受益。
撒哈拉人工智能平台建立在三个基础支柱之上：主权与来源、人工智能实用性和协作经济。这些组件共同创建了一个凝聚的平台，每个参与者都可以贡献、合作并受益。
图2：撒哈拉AI的三个基础支柱
图2：撒哈拉AI的三个基础支柱
支柱 1：主权与来源
支柱 1：主权与来源
在不断发展的人工智能领域，Sahara AI 强调主权和来源是定义人工智能资产及其开发流程的关键原则。这些概念确保人工智能开发周期的各个阶段——从数据收集和标记，到模型部署和应用构建——以去中心化、透明和包容的方式进行。
主权概括了所有权和人工智能资产治理应去中心化和以社区驱动的理念。这防止了垄断，确保所有利益相关者在人工智能生命周期中都有发言权。而来源则确保在归属贡献和追踪人工智能资产使用和开发的来源与历史方面的透明性。它通过提供与人工智能资产相关的所有活动和交易的全面、不可变记录来补充主权。
在不断发展的人工智能领域，Sahara AI 强调主权和来源是定义人工智能资产及其开发流程的关键原则。这些概念确保人工智能开发周期的各个阶段——从数据收集和标记，到模型部署和应用构建——以去中心化、透明和包容的方式进行。
主权概括了所有权和人工智能资产治理应去中心化和以社区驱动的理念。这防止了垄断，确保所有利益相关者在人工智能生命周期中都有发言权。而来源则确保在归属贡献和追踪人工智能资产使用和开发的来源与历史方面的透明性。它通过提供与人工智能资产相关的所有活动和交易的全面、不可变记录来补充主权。
撒哈拉人工智能强调以下主权和来源的关键方面：
撒哈拉人工智能强调以下主权和来源的关键方面：
• 所有权和归属： 对于 AI 发展的贡献者（如数据提供者、模型训练者和应用开发者）拥有可验证的链上所有权，并获得其贡献的公平归属。
• 去中心化和治理： Sahara AI 促进对 AI 资产的公平和民主控制。有关 AI 资产的行动和决策通过 Sahara 区块链协议和 DAO 透明地作出，确保所有利益相关者都能在 AI 发展周期中发声。此外，平台内 AI 组件的演变由社区管理和推动，允许持续发展的框架。
• 信任和问责： 详细的记录保存确保每一条数据和 AI 生命周期中的每一步都被仔细记录并在区块链上可追溯，使利益相关者能够验证数据和模型的来源与转变。
• 互操作性和可访问性： AI 资产和服务被设计为跨不同平台互操作，并且能够广泛可供多种用户访问，促进 AI 生态系统的包容性和广泛参与。
• 所有权与归属：对AI开发作出贡献的人员（如数据提供者、模型训练者和应用开发者）拥有可验证的链上所有权，并得到公平的贡献归属。
• 去中心化与治理：沙哈拉AI促进对AI资产的公平与民主控制。对AI资产的行动和决策通过沙哈拉区块链协议和DAO透明地进行，确保所有利益相关者在AI开发周期中都有发言权。此外，平台内AI组件的演变由社区管辖并推动，允许持续演变的框架。
• 信任与问责：详细的记录保存确保每一条数据和AI生命周期中的每一步都在区块链上仔细记录和可追溯，使利益相关者能够验证数据和模型的来源与转变。
• 互操作性与可及性：AI资产和服务被设计为在不同平台之间互操作，并对广泛的用户可及，促进 inclusivity 和广泛参与AI生态系统。
支柱2：人工智能实用性
支柱2：人工智能实用性
撒哈拉 AI 通过利用全面的技术基础设施，赋能用户在 AI 生命周期的不同阶段，提供无缝的 AI 用户体验。这确保了 AI 开发周期内的每位参与者都能在无信任、保护隐私和安全的环境中高效地开发、部署和管理 AI 资产。
该平台简化了操作，同时嵌入了强大的安全措施，以防御未经授权的访问和威胁，并提供全面的隐私保护，专注于保护用户信息。这些功能不仅保护用户数据，还建立信任，使用户能够自信和安全地与 AI 技术互动。
撒哈拉 AI 通过利用全面的技术基础设施，赋能用户在 AI 生命周期的不同阶段，提供无缝的 AI 用户体验。这确保了 AI 开发周期内的每位参与者都能在无信任、保护隐私和安全的环境中高效地开发、部署和管理 AI 资产。
该平台简化了操作，同时嵌入了强大的安全措施，以防御未经授权的访问和威胁，并提供全面的隐私保护，专注于保护用户信息。这些功能不仅保护用户数据，还建立信任，使用户能够自信和安全地与 AI 技术互动。
为了在人工智能开发周期的各个阶段提供最大效用，Sahara AI 专注于五个关键方面：
为了在人工智能开发周期的各个阶段提供最大效用，Sahara AI 专注于五个关键方面：
• 可用性： Sahara AI 在数据策划、模型开发和代理部署等过程中简化了 AI 开发周期。这使得参与者可以利用 AI 来提高生产力，创建高效应用程序并实现积极的现实世界成果。
• 以用户为中心的体验： Sahara AI 为所有 AI 开发周期的参与者提供了现成的体验。无论技术专长如何，每个参与者都可以轻松与 AI 技术互动。
• 安全性和隐私： 用户受益于最先进的安全措施和隐私保护。用户可以自信地管理他们的 AI 资产和计算，而无需妥协可用性。
• 高性能基础设施： Sahara AI 的基础设施支持前沿的 AI 范式，并为用户提供全面的工具包，以便他们在高级 AI 模型和应用程序上工作。
• 原生 AI 区块链： Sahara AI 以 Sahara 区块链为基础，是一个专门为 AI 生命周期中的 AI 交易设计的，内置协议和预编译的第一层区块链。
• 可用性：Sahara AI 简化了整个 AI 开发周期的过程，从数据整理到模型开发，再到代理部署。这使得参与者能够利用 AI 提高生产力，创造高实用性的应用程序，并实现积极的现实世界成果。
• 以用户为中心的体验：Sahara AI 为 AI 开发周期中的所有参与者提供现成的体验。无论技术专长如何，每个参与者都可以轻松地与 AI 技术互动。
• 安全性和隐私：用户受益于先进的安全措施和隐私保护。用户可以自信地管理他们的 AI 资产和计算，而不会妨碍可用性。
• 高性能基础设施：Sahara AI 的基础设施支持前沿的 AI 理念，并为用户提供全面的工具包，以便在先进的 AI 模型和应用程序上进行工作。
• 原生 AI 区块链：Sahara AI 建立在 Sahara 区块链之上，该区块链是一个专为 AI 交易设计的 Layer 1 区块链，具有用于整个 AI 生命周期的内置协议和预编译功能。
支柱3：协作经济
支柱3：协作经济
撒哈拉人工智能合作经济旨在实现货币化和归属，确保所有参与者都能因其贡献而获得奖励。这意味着：
撒哈拉人工智能合作经济旨在实现货币化和归属，确保所有参与者都能因其贡献而获得奖励。这意味着：
• 公平的补偿和认可：用户根据AI开发过程的来源，按其贡献的比例获得奖励，解决全球经济差距的挑战。
•包容性参与：协作经济吸引个人、小型和中型企业以及大型企业的同时参与，促进多元化和充满活力的AI社区。
• 无需信任的交易：Sahara AI平台使用户能够通过透明和高效的过程将其AI资产货币化。
• 公平的补偿和认可：用户根据AI发展过程的来源，按贡献比例获得奖励，从而解决全球经济差异的挑战。
• 包容性参与：协作经济吸引个人、中小企业和大企业的同时参与，促进多元和充满活力的AI社区。
• 无信任交易：撒哈拉AI平台使用户能够通过透明和高效的过程将其AI资产变现。
3. 设计
3. 设计
基于这三个支柱，Sahara AI 提供一个平台，每个参与者都可以贡献、协作和受益。该平台建立在分层架构上，旨在安全且全面地支持用户和开发人员在整个人工智能生命周期中的需求。如图 3所示，Sahara AI 平台结构分为四个层级：
基于这三个支柱，Sahara AI 提供一个平台，每个参与者都可以贡献、协作和受益。该平台建立在分层架构上，旨在安全且全面地支持用户和开发人员在整个人工智能生命周期中的需求。如图 3所示，Sahara AI 平台结构分为四个层级：
• 应用层 充当用户界面和撒哈拉AI平台的主要交互点。它为用户提供原生内置应用程序，以构建和通过AI资产获利。
• 交易层 的特点是撒哈拉区块链——一层1区块链基础设施，管理整个AI生命周期中的来源、访问控制、归属和其他与AI相关的交易。
• 数据层 提供数据存储、访问和传输的抽象和协议。它集成了链上和链下组件，以提供无缝的数据管理，跨越AI生命周期。
• 执行层 提供离线基础设施，以支持AI实用性，涵盖AI功能的全光谱。它提供多功能的AI计算协议，并动态分配计算资源，以最大化性能、确保可扩展性和增强稳健性。
• 应用层 充当用户界面和撒哈拉AI平台的主要交互点。它为用户提供原生内置应用程序，以构建和通过AI资产获利。
• 交易层 的特点是撒哈拉区块链——一层1区块链基础设施，管理整个AI生命周期中的来源、访问控制、归属和其他与AI相关的交易。
• 数据层 提供数据存储、访问和传输的抽象和协议。它集成了链上和链下组件，以提供无缝的数据管理，跨越AI生命周期。
• 执行层 提供离线基础设施，以支持AI实用性，涵盖AI功能的全光谱。它提供多功能的AI计算协议，并动态分配计算资源，以最大化性能、确保可扩展性和增强稳健性。
3.1 应用层
3.1 应用层
撒哈拉人工智能平台的应用层作为平台参与者的主要接口，提供原生内置的工具包和应用程序，以提升用户体验。在其核心，应用层设计了组件，使参与者无论技术专长如何，都能最大程度地参与到人工智能生态系统中。
撒哈拉人工智能平台的应用层作为平台参与者的主要接口，提供原生内置的工具包和应用程序，以提升用户体验。在其核心，应用层设计了组件，使参与者无论技术专长如何，都能最大程度地参与到人工智能生态系统中。
3.1.1 功能组件
3.1.1 功能组件
功能组件是支持应用层强大操作和安全措施的基础元素。这些组件旨在确保安全存储、高效管理和有效部署人工智能。
功能组件是支持应用层强大操作和安全措施的基础元素。这些组件旨在确保安全存储、高效管理和有效部署人工智能。
图3：这个分层图示说明了撒哈拉区块链平台的技术架构，该架构由四个相互关联的层组成。该混合基础设施同时具有链上和链下协议，允许用户和开发者有效地参与并从整个人工智能开发周期中受益。
图3：这个分层图示说明了撒哈拉区块链平台的技术架构，该架构由四个相互关联的层组成。该混合基础设施同时具有链上和链下协议，允许用户和开发者有效地参与并从整个人工智能开发周期中受益。
• 撒哈拉 ID
• 撒哈拉 ID
沙哈拉 ID 是沙哈拉 AI 平台中身份管理的基石。它作为所有参与者的唯一标识，无论他们是 AI 实体还是人类用户。该系统提供强大的身份验证和声誉管理，确保平台上的交互安全透明。通过他们的沙哈拉 ID，参与者可以安全访问他们拥有或被许可的 AI 资产，并可以跟踪和管理他们在生态系统中的贡献和声誉。沙哈拉 ID 在促进归属方面也起着至关重要的作用。它细致地记录每个参与者对 AI 项目的贡献，确保归属被清晰追踪，AI "版权" 得到维护。
沙哈拉 ID 是沙哈拉 AI 平台中身份管理的基石。它作为所有参与者的唯一标识，无论他们是 AI 实体还是人类用户。该系统提供强大的身份验证和声誉管理，确保平台上的交互安全透明。通过他们的沙哈拉 ID，参与者可以安全访问他们拥有或被许可的 AI 资产，并可以跟踪和管理他们在生态系统中的贡献和声誉。沙哈拉 ID 在促进归属方面也起着至关重要的作用。它细致地记录每个参与者对 AI 项目的贡献，确保归属被清晰追踪，AI "版权" 得到维护。
• 撒哈拉金库
• 撒哈拉金库
撒哈拉金库是私密安全的仓库，用于存储和管理人工智能资产，涵盖用户节点上的本地存储和公共节点上的云存储。这些金库提供先进的安全功能，确保所有数据和资产免受未经授权的访问和潜在威胁。撒哈拉金库努力维护专有人工智能资产的隐私、安全和完整性。
撒哈拉金库是私密安全的仓库，用于存储和管理人工智能资产，涵盖用户节点上的本地存储和公共节点上的云存储。这些金库提供先进的安全功能，确保所有数据和资产免受未经授权的访问和潜在威胁。撒哈拉金库努力维护专有人工智能资产的隐私、安全和完整性。
• 撒哈拉代理
• 撒哈拉代理
沙哈拉代理是沙哈拉人工智能平台内的人工智能驱动实体，分别由三个重要组件构成——大脑、感知器和行动者。每个组件都专门设计以执行不同的功能：
沙哈拉代理是沙哈拉人工智能平台内的人工智能驱动实体，分别由三个重要组件构成——大脑、感知器和行动者。每个组件都专门设计以执行不同的功能：
• 大脑： 负责思考、记忆、计划和推理的战略核心。它处理信息并做出明智的决策。特点包括：
• 大脑： 负责思考、记忆、计划和推理的战略核心。它处理信息并做出明智的决策。特点包括：
• 人物对齐：根据特定用户角色调整代理的响应和行为，确保定制化的互动。
• 人物对齐：根据特定用户角色调整代理的响应和行为，确保定制化的互动。
• 终身学习：采用反馈机制和强化学习，持续提升其能力。
• 终身学习：采用反馈机制和强化学习，持续提升其能力。
• 感知器: 处理来自各种来源的输入，分析和解释数据，以通知大脑的决策。它具有：
• 感知器: 处理来自各种来源的输入，分析和解释数据，以通知大脑的决策。它具有：
• 多模态感知：处理和解释多种类型的数据输入，包括但不限于视觉和听觉。
• 多模态感知：处理和解释多种类型的数据输入，包括但不限于视觉和听觉。
• 演员：根据感知器提供的见解，采取大脑决定的行动。它的特点包括：
• 演员：根据感知器提供的见解，采取大脑决定的行动。它的特点包括：
• 工具利用：利用广泛的工具和资源来执行操作，例如在网上搜索。
• 工具利用：利用广泛的工具和资源来执行操作，例如在网上搜索。
3.1.2 交互组件
3.1.2 交互组件
应用层的交互组件直接促进用户与其他用户和人工智能实体的互动，使用户能够主动参与并利用平台上的人工智能资源。这些组件使平台的功能对各种应用的用户都可访问且实用。
应用层的交互组件直接促进用户与其他用户和人工智能实体的互动，使用户能够主动参与并利用平台上的人工智能资源。这些组件使平台的功能对各种应用的用户都可访问且实用。
撒哈拉工具包
撒哈拉工具包
撒哈拉工具包是专为希望在撒哈拉AI平台上创建和完善AI资产的参与者设计的开发和部署工具。这些工具包通过弥合技术专长与创新执行之间的鸿沟，满足了多样化的受众。对于技术用户，这包括撒哈拉SDK和API，其中包含用于编程、集成和定制的工具，允许开发满足多样化需求的复杂AI功能。对于不太懂技术的用户，撒哈拉无代码/低代码工具包通过直观的界面和预构建的模板使AI开发变得更加可及。这些平台使所有用户，无论其技术技能水平如何，都能够积极参与创建和部署AI资产。
撒哈拉工具包是专为希望在撒哈拉AI平台上创建和完善AI资产的参与者设计的开发和部署工具。这些工具包通过弥合技术专长与创新执行之间的鸿沟，满足了多样化的受众。对于技术用户，这包括撒哈拉SDK和API，其中包含用于编程、集成和定制的工具，允许开发满足多样化需求的复杂AI功能。对于不太懂技术的用户，撒哈拉无代码/低代码工具包通过直观的界面和预构建的模板使AI开发变得更加可及。这些平台使所有用户，无论其技术技能水平如何，都能够积极参与创建和部署AI资产。
撒哈拉人工智能市场
撒哈拉人工智能市场
撒哈拉AI市场是一个去中心化的中心，用于发布、盈利和交易AI资产。它提供了高质量AI资产的全面组合，包括专有AI代理、模型和数据集。该市场与撒哈拉ID无缝集成，以便保护所有权和访问控制，利用区块链技术确保交易的透明性和安全性以及来源。此外，它还提供动态许可和各种货币化选项，提供灵活和创新的解决方案，以满足用户的多样化需求。
撒哈拉AI市场是一个去中心化的中心，用于发布、盈利和交易AI资产。它提供了高质量AI资产的全面组合，包括专有AI代理、模型和数据集。该市场与撒哈拉ID无缝集成，以便保护所有权和访问控制，利用区块链技术确保交易的透明性和安全性以及来源。此外，它还提供动态许可和各种货币化选项，提供灵活和创新的解决方案，以满足用户的多样化需求。
3.2 交易层
3.2 交易层
撒哈拉人工智能平台的交易层具有撒哈拉区块链。撒哈拉区块链是一种精心设计的第一级区块链，旨在满足平台的全面需求。它配备了管理所有权、归属权以及平台上各种与人工智能相关的交易的协议。撒哈拉区块链在维护人工智能资产的主权和来源方面至关重要。
撒哈拉人工智能平台的交易层具有撒哈拉区块链。撒哈拉区块链是一种精心设计的第一级区块链，旨在满足平台的全面需求。它配备了管理所有权、归属权以及平台上各种与人工智能相关的交易的协议。撒哈拉区块链在维护人工智能资产的主权和来源方面至关重要。
3.2.1 撒哈拉区块链人工智能原生特性
3.2.1 撒哈拉区块链人工智能原生特性
撒哈拉区块链通过整合专用的撒哈拉人工智能本地预编译（SAP）和支持整个人工智能生命周期任务的撒哈拉区块链协议（SBP），使其作为一种人工智能本地区块链而脱颖而出。
撒哈拉区块链通过整合专用的撒哈拉人工智能本地预编译（SAP）和支持整个人工智能生命周期任务的撒哈拉区块链协议（SBP），使其作为一种人工智能本地区块链而脱颖而出。
撒哈拉 AI 原生预编译撒哈拉区块链集成了撒哈拉 AI 原生预编译（SAP），这是一种在区块链原生级别运行的内置函数。这些 SAP 被预编译，以实现更快的执行、更低的计算开销和减少的 Gas 成本。
撒哈拉 AI 原生预编译撒哈拉区块链集成了撒哈拉 AI 原生预编译（SAP），这是一种在区块链原生级别运行的内置函数。这些 SAP 被预编译，以实现更快的执行、更低的计算开销和减少的 Gas 成本。
• 培训 执行 SAPs: 这一类SAPs促进了对区外AI训练过程的调用、记录和验证。它们使区块链能够与区外训练环境无缝对接，并确保训练活动被准确记录。此外，这些SAPs验证了区块链外进行的训练计算的完整性和真实性。它们的目标是增强在Sahara AI平台内开发的AI模型的可信性和可靠性。
• 培训 执行 SAPs: 这一类SAPs促进了对区外AI训练过程的调用、记录和验证。它们使区块链能够与区外训练环境无缝对接，并确保训练活动被准确记录。此外，这些SAPs验证了区块链外进行的训练计算的完整性和真实性。它们的目标是增强在Sahara AI平台内开发的AI模型的可信性和可靠性。
• 推理执行 SAP： 推理执行 SAP 支持调用、记录和验证离线生成的 AI 推理结果。这些 SAP 调用离线 AI 计算，这些计算是推理所需，并提供了一种强大的机制，以验证 AI 推理是否源于合法的计算，这些推理可能包括预测、分类或其他输出。通过集成这些功能，Sahara 区块链确保所有 AI 推理活动的透明性、可验证性和问责性。
• 推理执行 SAP： 推理执行 SAP 支持调用、记录和验证离线生成的 AI 推理结果。这些 SAP 调用离线 AI 计算，这些计算是推理所需，并提供了一种强大的机制，以验证 AI 推理是否源于合法的计算，这些推理可能包括预测、分类或其他输出。通过集成这些功能，Sahara 区块链确保所有 AI 推理活动的透明性、可验证性和问责性。
撒哈拉区块链协议撒哈拉区块链还通过智能合约实施特定于AI的协议，统称为撒哈拉区块链协议（SBP）。这些SBP提供了一个结构化和安全的框架，用于管理AI生命周期的各个方面。它们确保AI资产和计算结果的处理是透明和可靠的。
撒哈拉区块链协议撒哈拉区块链还通过智能合约实施特定于AI的协议，统称为撒哈拉区块链协议（SBP）。这些SBP提供了一个结构化和安全的框架，用于管理AI生命周期的各个方面。它们确保AI资产和计算结果的处理是透明和可靠的。
• AI资产注册SBP：这些协议管理区块链上AI资产的初始注册和跟踪。它们建立了一个全面的分类账，唯一标识AI模型、数据集、代理和其他与AI相关的资产，确保其来源可验证。AI资产注册SBP专注于AI资产管理的静态方面，如记录资产的创建、身份和来源。
• AI资产注册SBP：这些协议管理区块链上AI资产的初始注册和跟踪。它们建立了一个全面的分类账，唯一标识AI模型、数据集、代理和其他与AI相关的资产，确保其来源可验证。AI资产注册SBP专注于AI资产管理的静态方面，如记录资产的创建、身份和来源。
• 人工智能许可 SBPs: 人工智能许可 SBPs 决定链上访问或利用人工智能资产的权利。它通过不同类型的链上许可证实施访问控制 (请参见 3.5.3 中的详细信息)，确保只有授权实体可以使用或访问特定的人工智能资产。该协议有助于维护人工智能资产的安全性和正确使用，促进合规和受控的人工智能能力分发。
• 人工智能许可 SBPs: 人工智能许可 SBPs 决定链上访问或利用人工智能资产的权利。它通过不同类型的链上许可证实施访问控制 (请参见 3.5.3 中的详细信息)，确保只有授权实体可以使用或访问特定的人工智能资产。该协议有助于维护人工智能资产的安全性和正确使用，促进合规和受控的人工智能能力分发。
• AI 所有权 SBPs: 这些协议维护清晰的、不可转让的和非同质化的 AI 资产所有权记录。它确保 AI 模型和数据集的所有权细节安全地存储在链上，提供无可争辩的所有权证明。这有助于促进 AI 的“版权”并透明地管理资产所有权。
• AI 所有权 SBPs: 这些协议维护清晰的、不可转让的和非同质化的 AI 资产所有权记录。它确保 AI 模型和数据集的所有权细节安全地存储在链上，提供无可争辩的所有权证明。这有助于促进 AI 的“版权”并透明地管理资产所有权。
• AI归属SBPs：AI归属SBPs跟踪整个AI生命周期中的持续贡献，并根据这些贡献管理奖励的分配。这些协议确保记录所有与AI资产的开发和演变相关的输入，并公平地将任何产生的收入分配给贡献者。
• AI归属SBPs：AI归属SBPs跟踪整个AI生命周期中的持续贡献，并根据这些贡献管理奖励的分配。这些协议确保记录所有与AI资产的开发和演变相关的输入，并公平地将任何产生的收入分配给贡献者。
3.2.2 撒哈拉区块链设计
3.2.2 撒哈拉区块链设计
撒哈拉区块链采用权益证明共识机制，并专注于提供一套原生人工智能功能，以支持应用层，并与执行层无缝协作，以实现强大的人工智能效用。该区块链使用Tendermint算法 [1] 实现拜占庭容错共识。这确保了高程度的容错能力，使网络即使在存在恶意节点的情况下也能够达成共识。此外，撒哈拉区块链遵循模块化设计，以提供管理领域的灵活性并支持可扩展的解决方案。这包括以下链特性:
撒哈拉区块链采用权益证明共识机制，并专注于提供一套原生人工智能功能，以支持应用层，并与执行层无缝协作，以实现强大的人工智能效用。该区块链使用Tendermint算法 [1] 实现拜占庭容错共识。这确保了高程度的容错能力，使网络即使在存在恶意节点的情况下也能够达成共识。此外，撒哈拉区块链遵循模块化设计，以提供管理领域的灵活性并支持可扩展的解决方案。这包括以下链特性:
• 效率：建立在Tendermint算法之上，沙漠区块链不仅享有快速区块确认时间、快速平均区块时间和几乎即时最终性的高性能属性所带来的固有好处，还通过引入针对实时数据处理和高速交易的额外优化进一步增强了这些优点。
• 效率：建立在Tendermint算法之上，沙漠区块链不仅享有快速区块确认时间、快速平均区块时间和几乎即时最终性的高性能属性所带来的固有好处，还通过引入针对实时数据处理和高速交易的额外优化进一步增强了这些优点。
• 可扩展性：该链的模块化设计支持横向可扩展性和链外扩展解决方案，例如第二层解决方案。这种方法旨在保持高水平的安全性和去中心化，同时为未来增加使用提供稳健的解决方案。
• 可扩展性：该链的模块化设计支持横向可扩展性和链外扩展解决方案，例如第二层解决方案。这种方法旨在保持高水平的安全性和去中心化，同时为未来增加使用提供稳健的解决方案。
• 互操作性：撒哈拉跨链通信(SCC)协议促进了与其他区块链的无缝互动。该协议允许在不同区块链之间安全且无需许可地传输任何类型的以字节编码的数据。
无需依赖第三方中介。通过利用SCC，区块链可以确保无信任且无需许可的互动，任何一方都可以操作中继器在区块链之间传输信息。此外，它支持跨链桥，以实现不同区块链网络之间资产的无缝转移。
• 互操作性：撒哈拉跨链通信(SCC)协议促进了与其他区块链的无缝互动。该协议允许在不同区块链之间安全且无需许可地传输任何类型的以字节编码的数据。
无需依赖第三方中介。通过利用SCC，区块链可以确保无信任且无需许可的互动，任何一方都可以操作中继器在区块链之间传输信息。此外，它支持跨链桥，以实现不同区块链网络之间资产的无缝转移。
• EVM-兼容性：撒哈拉区块链内置的虚拟机与以太坊虚拟机（EVM）完全兼容。这种兼容性使得开发者能够利用以太坊庞大的生态系统，包括工具、资源和社区支持，例如Solidity等框架。开发者可以轻松地在撒哈拉区块链上编写和部署智能合约，确保他们能够在其他EVM兼容的区块链上以最小的修改或无修改的方式运行。这为开发者提供了一个熟悉且强大的环境，以高效地在撒哈拉上构建去中心化应用。
• EVM-兼容性：撒哈拉区块链内置的虚拟机与以太坊虚拟机（EVM）完全兼容。这种兼容性使得开发者能够利用以太坊庞大的生态系统，包括工具、资源和社区支持，例如Solidity等框架。开发者可以轻松地在撒哈拉区块链上编写和部署智能合约，确保他们能够在其他EVM兼容的区块链上以最小的修改或无修改的方式运行。这为开发者提供了一个熟悉且强大的环境，以高效地在撒哈拉上构建去中心化应用。
• 低燃气费用：撒哈拉区块链实施了一种高效的费用结构，以尽量减少交易成本。 通过优化交易批处理和利用动态费用机制，撒哈拉区块链旨在保持燃气费用的经济可行性，即使在网络需求增长的情况下。这种成本效率旨在促进生态系统内的更大参与和互动。
• 低燃气费用：撒哈拉区块链实施了一种高效的费用结构，以尽量减少交易成本。 通过优化交易批处理和利用动态费用机制，撒哈拉区块链旨在保持燃气费用的经济可行性，即使在网络需求增长的情况下。这种成本效率旨在促进生态系统内的更大参与和互动。
3.3 数据层
3.3 数据层
撒哈拉AI平台中的数据层是一个旨在优化AI生命周期中数据管理的抽象层。它充当连接执行层与多种数据管理机制的重要接口，并无缝集成链上和链下的数据源。这个概念层不仅确保了高效的数据访问，还增强了系统的完整性和性能。
撒哈拉AI平台中的数据层是一个旨在优化AI生命周期中数据管理的抽象层。它充当连接执行层与多种数据管理机制的重要接口，并无缝集成链上和链下的数据源。这个概念层不仅确保了高效的数据访问，还增强了系统的完整性和性能。
3.3.1 数据组件
3.3.1 数据组件
链上数据链上数据包括但不限于关键的 AI 资产元数据、归属、承诺和证明。这确保了在 Sahara AI 平台内的所有贡献和互动都是透明和负责的。
链上数据链上数据包括但不限于关键的 AI 资产元数据、归属、承诺和证明。这确保了在 Sahara AI 平台内的所有贡献和互动都是透明和负责的。
链外数据由于链上数据管理的存储限制和成本考虑，重要的数据集、 AI模型和补充信息存储在链外。通过利用链外存储解决方案，平台可以处理大量数据，而不会影响性能，同时保持高效和经济性。
链外数据由于链上数据管理的存储限制和成本考虑，重要的数据集、 AI模型和补充信息存储在链外。通过利用链外存储解决方案，平台可以处理大量数据，而不会影响性能，同时保持高效和经济性。
3.3.2 数据管理
3.3.2 数据管理
安全 Sahara AI 将安全性置于首位，以保护平台和用户数据。该平台拥有全面的安全措施，以确保在所有交互中提供强有力的保护：
安全 Sahara AI 将安全性置于首位，以保护平台和用户数据。该平台拥有全面的安全措施，以确保在所有交互中提供强有力的保护：
• 高级加密：该平台使用最新的加密实践保护所有数据，确保敏感信息在传输和静止状态下都得到保护。这种安全级别对于维持沙漠人工智能生态系统内的机密性和完整性至关重要。
• 高级加密： 该平台使用最新的加密实践来保护所有数据，确保敏感信息在传输和静止状态下均保持安全。这种安全级别对于维护沙哈拉人工智能生态系统内的机密性和完整性至关重要。
• 访问控制： 与人工智能许可的SBP协同，该平台实施去中心化的链上许可证作为自主访问控制机制。这些许可证确保只有授权的参与者可以与特定的数据资产进行交互，从而增强安全性和合规性，且不依赖于集中式的守门人。此外，这种方法利用萨哈拉区块链的固有特性，如透明性和不可变性，确保这些控制不仅有效，而且可验证和安全。
• 访问控制： 与AI许可SBP协同，该平台实施去中心化的链上许可证作为自主访问控制机制。这些许可证确保只有授权参与者可以与特定的数据资产进行交互，从而增强安全性和合规性，无需依赖于中心化的守门人。此外，这一方法利用了沙哈拉区块链的固有属性，如透明性和不可变性，以确保这些控制不仅有效，而且也是可验证和安全的。
• 私有域存储：该平台使用户能够将其数据存储在私有域中，这些域提供增强的安全功能，同时允许与平台的无缝互动。这一功能确保用户对其敏感数据拥有控制权，同时仍然受益于平台的强大功能和连接性。
• 私人域存储：该平台使用户能够将其数据存储在私人域中，这些域提供增强的安全功能，同时允许与平台的无缝交互。此功能确保用户保留对其敏感数据的控制，同时仍然受益于平台的强大功能和连接性。
数据可用性撒哈拉 AI 平台通过实施现成的解决方案积极解决数据可用性（DA）问题，确保所有区块数据对所有网络参与者都可验证地访问。这一策略不仅对维护网络的完整性和信任至关重要，而且有助于增强区块链的可扩展性。通过使数据验证高效且可靠，特别是对不存储整个区块链的轻客户端，平台显著减少了网络对全节点的依赖。这种方法最小化了带宽和存储需求，并促进了更加顺畅和可扩展的网络操作。将这些 DA 解决方案集成到数据层中，提高了整体系统性能，使网络能够在不影响速度或安全性的情况下处理更多的交易和数据。
数据可用性撒哈拉 AI 平台通过实施现成的解决方案积极解决数据可用性（DA）问题，确保所有区块数据对所有网络参与者都可验证地访问。这一策略不仅对维护网络的完整性和信任至关重要，而且有助于增强区块链的可扩展性。通过使数据验证高效且可靠，特别是对不存储整个区块链的轻客户端，平台显著减少了网络对全节点的依赖。这种方法最小化了带宽和存储需求，并促进了更加顺畅和可扩展的网络操作。将这些 DA 解决方案集成到数据层中，提高了整体系统性能，使网络能够在不影响速度或安全性的情况下处理更多的交易和数据。
索引 撒哈拉 AI 平台通过专门针对撒哈拉区块链架构的高级索引技术，积极增强链上数据管理。这些方法显著提高了数据检索速度和查询效率。它利用现成的去中心化索引解决方案以及专有解决方案来提升可扩展性和性能。这种在其数据层内的整合确保了执行层和数据源之间的无缝交互。这种方法使平台能够高效管理不断增加的数据量和复杂的查询。
索引 撒哈拉 AI 平台通过专门针对撒哈拉区块链架构的高级索引技术，积极增强链上数据管理。这些方法显著提高了数据检索速度和查询效率。它利用现成的去中心化索引解决方案以及专有解决方案来提升可扩展性和性能。这种在其数据层内的整合确保了执行层和数据源之间的无缝交互。这种方法使平台能够高效管理不断增加的数据量和复杂的查询。
存储 该平台采用一种混合模型，结合去中心化和中心化系统的优势，以优化链外数据存储的成本效率和可扩展性。该平台可以使用去中心化的存储解决方案，例如 IPFS，用于受益于不可变性和分布式托管的关键数据，同时也能集成传统云存储解决方案，以满足速度和可用性至关重要的大量数据。这种双重方法使用户能够有效管理数据存储成本，同时确保高可用性和快速访问。
存储 该平台采用一种混合模型，结合去中心化和中心化系统的优势，以优化链外数据存储的成本效率和可扩展性。该平台可以使用去中心化的存储解决方案，例如 IPFS，用于受益于不可变性和分布式托管的关键数据，同时也能集成传统云存储解决方案，以满足速度和可用性至关重要的大量数据。这种双重方法使用户能够有效管理数据存储成本，同时确保高可用性和快速访问。
3.4 执行层
3.4 执行层
执行层是撒哈拉人工智能平台的链外人工智能基础设施，与交易层和数据层无缝交互，以执行和管理与人工智能计算和功能相关的协议。根据执行任务，它安全地从数据层提取数据，并动态分配计算资源以实现最佳性能。在执行过程中，执行层利用多种高效、私密和保留完整性的协议。它与撒哈拉区块链交互，记录所有执行活动和证明，以确保来源和信任。此外，该平台的人工智能基础设施支持高性能，这意味着它高效、弹性和可靠。
执行层是撒哈拉人工智能平台的链外人工智能基础设施，与交易层和数据层无缝交互，以执行和管理与人工智能计算和功能相关的协议。根据执行任务，它安全地从数据层提取数据，并动态分配计算资源以实现最佳性能。在执行过程中，执行层利用多种高效、私密和保留完整性的协议。它与撒哈拉区块链交互，记录所有执行活动和证明，以确保来源和信任。此外，该平台的人工智能基础设施支持高性能，这意味着它高效、弹性和可靠。
3.4.1 高性能基础设施
3.4.1 高性能基础设施
萨哈拉人工智能执行层的基础设施旨在支持高性能人工智能计算，具有以下特性:
萨哈拉人工智能执行层的基础设施旨在支持高性能人工智能计算，具有以下特性:
• 便捷: 执行层正在构建，以确保通过有效协调平台基础设施内各个贡献者和参与者的人工智能计算，实现快速和可靠的性能。
• 便捷: 执行层正在构建，以确保通过有效协调平台基础设施内各个贡献者和参与者的人工智能计算，实现快速和可靠的性能。
• 弹性: 为了应对不同级别的流量，执行层正在构建强大的自动扩展机制。该功能将确保平台的基础设施在高流量条件下保持高度可用。
• 弹性: 为了应对不同级别的流量，执行层正在构建强大的自动扩展机制。该功能将确保平台的基础设施在高流量条件下保持高度可用。
• 韧性:执行层采用容错设计，以确保系统的稳定性和可靠性。再加上撒哈拉区块链，该平台的基础设施具有分区容忍性。在发生故障的情况下，系统能够快速恢复，以保持处理工作流的完整性并将停机时间降至最低。
• 韧性:执行层采用容错设计，以确保系统的稳定性和可靠性。再加上撒哈拉区块链，该平台的基础设施具有分区容忍性。在发生故障的情况下，系统能够快速恢复，以保持处理工作流的完整性并将停机时间降至最低。
3.4.2 抽象
3.4.2 抽象
抽象是撒哈拉AI平台上各种AI资产实施的基础。它们提供了管理数据集、AI模型、计算资源、保险库和AI代理所需的概念框架。
抽象是撒哈拉AI平台上各种AI资产实施的基础。它们提供了管理数据集、AI模型、计算资源、保险库和AI代理所需的概念框架。
核心抽象核心抽象是构成撒哈拉人工智能平台上人工智能操作基础的基本组件。
核心抽象核心抽象是构成撒哈拉人工智能平台上人工智能操作基础的基本组件。
• 数据集 数据集抽象表示来自平台参与者的策划数据，这些数据为人工智能训练提供动力并增强推理过程。
• 数据集 数据集抽象表示来自平台参与者的策划数据，这些数据为人工智能训练提供动力并增强推理过程。
• 计算 计算抽象包括支持AI任务执行的资源。Sahara AI的基础设施动态分配这些资源以实现最佳性能和成本效率。这不仅包括基于云的GPU，还包括来自网络参与者的去中心化贡献。
• 计算 计算抽象包括支持AI任务执行的资源。Sahara AI的基础设施动态分配这些资源以实现最佳性能和成本效率。这不仅包括基于云的GPU，还包括来自网络参与者的去中心化贡献。
高级抽象 高级抽象基于核心抽象构建，并在Sahara AI平台上提供更高级的功能和集成。
高级抽象 高级抽象基于核心抽象构建，并在Sahara AI平台上提供更高级的功能和集成。
• 保险库 保险库抽象是沙漠保险库背后的执行接口。它们的结构旨在管理人工智能资产的可访问性和有效使用，并且对操作过程至关重要。
• 保险库 保险库抽象是沙漠保险库背后的执行接口。它们的结构旨在管理人工智能资产的可访问性和有效使用，并且对操作过程至关重要。
3.4.3 执行层的协议
3.4.3 执行层的协议
沙哈拉人工智能平台的执行层通过一套专门的协议来协调复杂的人工智能操作，这些协议旨在促进不同抽象之间的高效交互。这些协议管理着广泛的活动，包括人工智能访问、训练和执行。它们与沙哈拉区块链协议（SBPs）无缝协作，仔细记录执行细节。这包括但不限于跟踪谁执行了特定操作、访问了哪些资源以及不同实体所做的贡献。
沙哈拉人工智能平台的执行层通过一套专门的协议来协调复杂的人工智能操作，这些协议旨在促进不同抽象之间的高效交互。这些协议管理着广泛的活动，包括人工智能访问、训练和执行。它们与沙哈拉区块链协议（SBPs）无缝协作，仔细记录执行细节。这包括但不限于跟踪谁执行了特定操作、访问了哪些资源以及不同实体所做的贡献。
抽象执行协议抽象执行协议提供了必要的框架，以确保所有高层抽象高效且安全地运行。
抽象执行协议抽象执行协议提供了必要的框架，以确保所有高层抽象高效且安全地运行。
• 保险库执行协议 保险库执行协议标准化了与Sahara AI平台执行层内保险库的交互，详述了如何访问和利用保险库进行各种AI过程。
• 保险库执行协议 保险库执行协议标准化了与Sahara AI平台执行层内保险库的交互，详述了如何访问和利用保险库进行各种AI过程。
• 直接访问协议：该协议允许用户在保管库上执行针对性的查询，以快速和安全地检索特定的信息。
• 直接访问协议：该协议允许用户在保管库上执行针对性的查询，以快速和安全地检索特定的信息。
• 代理执行协议 代理框架协议管理执行层内AI代理的交互和协调。这些协议包括：
• 代理执行协议 代理框架协议管理执行层内AI代理的交互和协调。这些协议包括：
• 通信协议：沙哈拉 AI 支持多种通信策略，以满足不同的协作需求：
• 通信协议：沙哈拉 AI 支持多种通信策略，以满足不同的协作需求：
• 多智能体协调协议：有效的协调和编排多个智能体对于实现复杂目标至关重要。在撒哈拉人工智能平台内，这些协议涉及复杂的任务分配、同步、演变和协作策略。
• 多智能体协调协议：有效的协调和编排多个智能体对于实现复杂目标至关重要。在撒哈拉人工智能平台内，这些协议涉及复杂的任务分配、同步、演变和协作策略。
协作计算协议执行层引入了协作计算协议，以促进多个参与者之间的联合AI模型开发和部署。这个协作框架包括保护隐私的计算模块和计算欺诈证明机制，以确保在整个AI开发过程中保持隐私和完整性，以及用于高效调整AI模型的参数高效微调（PEFT）模块。
协作计算协议执行层引入了协作计算协议，以促进多个参与者之间的联合AI模型开发和部署。这个协作框架包括保护隐私的计算模块和计算欺诈证明机制，以确保在整个AI开发过程中保持隐私和完整性，以及用于高效调整AI模型的参数高效微调（PEFT）模块。
• 协作模型训练协议协作模型训练是一个关键组成部分，它允许多个用户或系统共同构建人工智能模型。这包括：
• 协作模型训练协议协作模型训练是一个关键组成部分，它允许多个用户或系统共同构建人工智能模型。这包括：
• 协作模型服务协议协作模型服务允许多个用户或系统共同为推理提供AI模型。这包括：
• 协作模型服务协议协作模型服务允许多个用户或系统共同为推理提供AI模型。这包括：
3.4.4 集成
3.4.4 集成
执行层与沙哈拉AI平台的其他层无缝集成，以提供一个统一高效的AI基础设施。
执行层与沙哈拉AI平台的其他层无缝集成，以提供一个统一高效的AI基础设施。
• 交易层 执行层与交易层合作，以管理AI资产的主权和来源。所有涉及AI资产的执行、贡献和使用活动——如模型访问、数据使用和计算结果——在执行层上发生的活动都会被记录并发送到沙哈拉区块链以进行记录。这是通过SAP和SBP来实现的。
• 交易层 执行层与交易层合作，以管理AI资产的主权和来源。所有涉及AI资产的执行、贡献和使用活动——如模型访问、数据使用和计算结果——在执行层上发生的活动都会被记录并发送到沙哈拉区块链以进行记录。这是通过SAP和SBP来实现的。
• 数据层 执行层利用保险库抽象和相应的协议与数据层交互，安全地从保险库中访问用于训练和RAG的数据。这种集成利用了数据层和执行层的计算协议中的机制，以确保隐私、安全和完整性。
• 数据层 执行层利用保险库抽象和相应的协议与数据层交互，安全地从保险库中访问用于训练和RAG的数据。这种集成利用了数据层和执行层的计算协议中的机制，以确保隐私、安全和完整性。
3.5 经济系统
3.5 经济系统
Sahara AI 的经济系统创建了一个协作、公平和公正的人工智能生态系统，在这个生态系统中，每个参与者——从开发者到消费者——都可以贡献、创新并受益。无论是贡献知识和数据、微调模型，还是构建代理，Sahara AI 都确保公平的补偿、透明的交易和包容的参与。
Sahara AI 的经济系统创建了一个协作、公平和公正的人工智能生态系统，在这个生态系统中，每个参与者——从开发者到消费者——都可以贡献、创新并受益。无论是贡献知识和数据、微调模型，还是构建代理，Sahara AI 都确保公平的补偿、透明的交易和包容的参与。
3.5.1 经济角色
3.5.1 经济角色
在经济系统中，沙哈拉人工智能平台包括以下重要角色:
在经济系统中，沙哈拉人工智能平台包括以下重要角色:
• 开发者：开发者是沙哈拉AI生态系统的建筑师，他们创建最前沿的AI模型、工具和应用程序。他们通过其创作的使用所产生的版税和许可费用获得激励。
• 开发者： 开发者是撒哈拉人工智能生态系统的架构师，创建前沿的人工智能模型、工具和应用。他们通过其创作的使用所产生的版权费和许可费用获得激励。
• 知识提供者：知识提供者，包括数据注释者和审查员，在策划高质量数据集和确保人工智能训练过程的完整性方面发挥着关键作用。他们的报酬基于他们提供的知识和数据的质量和实用性。
• 知识提供者：知识提供者，包括数据标注者和审阅者，在策划高质量数据集和确保AI培训过程的完整性方面发挥着关键作用。他们的报酬基于他们提供的知识和数据的质量和实用性。
• 消费者：消费者，包括企业和最终用户，是推动人工智能解决方案采用的驱动力。消费者支付费用以访问顶尖的人工智能资源，这些资源增强他们的运营，推动创新，并提供可衡量的价值。
• 消费者：消费者，包括企业和最终用户，是推动AI解决方案采用的动力。消费者为获取提升其运营、推动创新和提供可衡量价值的高质量AI资源而付费。
• 验证者：验证者是沙哈拉区块链的守护者，确保网络的完整性、安全性和效率。他们验证交易，维护共识，并保护平台免受恶意行为者的攻击。作为回报，验证者因其在维护生态系统的信任和可靠性方面的重要角色而获得奖励。
• 验证者：验证者是沙哈拉区块链的守护者，确保网络的完整性、安全性和效率。他们验证交易，维护共识，并保护平台免受恶意行为者的攻击。作为回报，验证者因其在维护生态系统的信任和可靠性方面的关键角色而获得奖励。
3.5.2 成长飞轮
3.5.2 成长飞轮
图4：撒哈拉双重增长飞轮
图4：撒哈拉双重增长飞轮
总体而言，如图4所示，Sahara AI采用双重增长飞轮模型推动Web3生态系统和AI生态系统的可持续和可扩展增长。此双重方法确保Web3生态系统和AI生态系统在自我维持的循环中无缝协同工作。
总体而言，如图4所示，Sahara AI采用双重增长飞轮模型推动Web3生态系统和AI生态系统的可持续和可扩展增长。此双重方法确保Web3生态系统和AI生态系统在自我维持的循环中无缝协同工作。
人工智能生态系统人工智能生态系统的增长飞轮始于开发者，他们发布并参与与人工智能相关的任务。这些与人工智能相关的任务吸引知识提供者与开发者合作，创建生态系统内的人工智能资产。所创建的人工智能资产又吸引消费者，消费者的参与推动了人工智能资产收入的增加。这一收入的增长触发了开发者净利润的上升，进而吸引更多的开发者进入生态系统。这一持续的开发者涌入导致了更多的创新，进一步推动了有价值的人工智能资产的创造，延续了人工智能生态系统的增长循环。
人工智能生态系统人工智能生态系统的增长飞轮始于开发者，他们发布并参与与人工智能相关的任务。这些与人工智能相关的任务吸引知识提供者与开发者合作，创建生态系统内的人工智能资产。所创建的人工智能资产又吸引消费者，消费者的参与推动了人工智能资产收入的增加。这一收入的增长触发了开发者净利润的上升，进而吸引更多的开发者进入生态系统。这一持续的开发者涌入导致了更多的创新，进一步推动了有价值的人工智能资产的创造，延续了人工智能生态系统的增长循环。
Web3 生态系统 Web3 生态系统的增长飞轮始于开发者，他们通过在沙哈拉区块链上构建应用程序来推动产品创新。这种创新加速了用户参与，吸引更多用户到平台上。增加的用户参与有助于促进繁荣的生态系统，导致交易数量的增加。随着交易的增长，基本服务的收入改善。这种收入的提升吸引了更多的验证者加入生态系统，进一步增强基础设施的稳定性。稳定的基础设施，反过来又吸引了更多的开发者，推动进一步的产品创新，并持续增长的循环。
Web3 生态系统 Web3 生态系统的增长飞轮始于开发者，他们通过在沙哈拉区块链上构建应用程序来推动产品创新。这种创新加速了用户参与，吸引更多用户到平台上。增加的用户参与有助于促进繁荣的生态系统，导致交易数量的增加。随着交易的增长，基本服务的收入改善。这种收入的提升吸引了更多的验证者加入生态系统，进一步增强基础设施的稳定性。稳定的基础设施，反过来又吸引了更多的开发者，推动进一步的产品创新，并持续增长的循环。
协同作用 AI 和 Web3 生态系统紧密相连，开发者是两者的核心。在 AI 生态系统中，开发者参与与 AI 相关的任务，以创建推动创新的 AI 资产，进一步促进开发者的增长。然后，利用这些 AI 进展的更多开发者被整合到 Web3 生态系统中，增强了产品创新和用户参与。参与度的提高推动了 Web3 生态系统中的交易和收入，这反过来又为更多的 AI 开发提供了一个稳定的平台，吸引更多开发者。这种协同作用确保了每个生态系统的发展相互支持并加速了其他生态系统的增长，形成了一个强大的相互强化的循环。
协同作用 AI 和 Web3 生态系统紧密相连，开发者是两者的核心。在 AI 生态系统中，开发者参与与 AI 相关的任务，以创建推动创新的 AI 资产，进一步促进开发者的增长。然后，利用这些 AI 进展的更多开发者被整合到 Web3 生态系统中，增强了产品创新和用户参与。参与度的提高推动了 Web3 生态系统中的交易和收入，这反过来又为更多的 AI 开发提供了一个稳定的平台，吸引更多开发者。这种协同作用确保了每个生态系统的发展相互支持并加速了其他生态系统的增长，形成了一个强大的相互强化的循环。
3.5.3 人工智能资产的大小写
3.5.3 人工智能资产的大小写
撒哈拉人工智能平台内AI资产的资本化分为两种不同的工具：收据和许可证。
撒哈拉人工智能平台内AI资产的资本化分为两种不同的工具：收据和许可证。
收据 收据是链上的、不可转让、且不可替代的数字证明，代表了AI资产的所有权和收益分配权利。它是一个旨在:
收据 收据是链上的、不可转让、且不可替代的数字证明，代表了AI资产的所有权和收益分配权利。它是一个旨在:
• 验证所有权： 收据提供了贡献者在创建 AI 资产过程中角色的透明且不可更改的记录，确保在整个 AI 生命周期中清晰的归属和可追溯性。这增强了他们在链上的声誉和在生态系统中的可见性，促进了信任和问责制。
• 验证所有权： 收据提供了贡献者在创建 AI 资产过程中角色的透明且不可更改的记录，确保在整个 AI 生命周期中清晰的归属和可追溯性。这增强了他们在链上的声誉和在生态系统中的可见性，促进了信任和问责制。
• 启用收益分享：贡献者根据他们的人工智能资产的使用情况赚取版税和许可费，确保他们的工作得到公平的报酬。收益分享机制嵌入在收据中，使贡献者能够直接从他们的资产所创造的价值中受益。
• 启用收益分享：贡献者根据他们的人工智能资产的使用情况赚取版税和许可费，确保他们的工作得到公平的报酬。收益分享机制嵌入在收据中，使贡献者能够直接从他们的资产所创造的价值中受益。
• 文档声誉: 收据作为贡献者在沙哈拉 AI 生态系统内贡献和成就的可验证记录。较高的链上声誉，通过收据记录，可以带来更广泛的曝光、更增加通过许可货币化 AI 资产的机会，以及额外访问平台功能的权利。这激励开发者和知识提供者创建高质量的 AI 资产，从而推动生态系统中的创新和卓越。
• 文档声誉: 收据作为捐助者在撒哈拉AI生态系统中的贡献和成就的可验证记录。较高的链上声誉通过收据记录，可以带来更高的可见度、通过许可货币化AI资产的更多机会，以及额外访问平台功能的权限。这激励开发者和知识提供者创造高质量的AI资产，推动整个生态系统的创新与卓越。
许可证 许可证是一种区块链上的数字证明，代表访问或使用AI资产的权限。它们旨在为广泛的用户群体提供灵活和安全的AI资产访问：
许可证 许可证是一种区块链上的数字证明，代表访问或使用AI资产的权限。它们旨在为广泛的用户群体提供灵活和安全的AI资产访问：
• 合作许可证： 针对长期合作的定制协议。这种类型的许可证非常适合希望将 AI 资产整合到其运营中的企业或组织，时间跨度较长。
• 合作许可证： 适用于长期合作的定制协议。此类型的许可证非常适合希望将人工智能资产融入其运营的企业或组织，且时间较长。
• API许可证：通过API安全访问AI资产，每次调用固定付款。此许可证旨在为需要程序化访问AI功能的开发人员和企业提供支持，使其能够无缝集成到其应用程序中。
• API许可： 通过API安全访问AI资产，每次调用固定付款。此许可证旨在为需要编程访问AI能力的开发人员和企业提供，使其能够无缝集成到他们的应用程序中。
• 全权许可： 一次性支付以获得对AI资产的完全访问，包括所有内部参数。此许可适用于需要对AI资产进行控制以便定制或高级用例的用户。
• 完全访问许可： 一次性付款即可获得对AI资产的完全访问权限，包括所有内部参数。此许可证适合需要控制AI资产以进行自定义或高级用例的用户。
• 长期许可证： 在指定期限内无限制访问一个AI资源，一次性付款。这种许可证非常适合需要在不产生经常性费用的情况下持续访问AI资源的用户。
• 长期许可证： 在指定期限内无限制使用AI资产，需一次性付款。这个许可证非常适合需要在一段时间内持续访问AI资产而无需支付重复费用的用户。
4. 治理
4. 治理
Sahara AI平台的治理强调去中心化和社区驱动的创新与决策。行动和决策通过Sahara DAO透明地进行，该DAO赋权于做出重大贡献的用户，允许他们提议、讨论和投票关键倡议。Sahara基金会支持Sahara DAO的初始设置，引导社区走向一个完全去中心化的治理。平台的治理模型确保了Sahara AI平台发展的广泛参与。
Sahara AI平台的治理强调去中心化和社区驱动的创新与决策。行动和决策通过Sahara DAO透明地进行，该DAO赋权于做出重大贡献的用户，允许他们提议、讨论和投票关键倡议。Sahara基金会支持Sahara DAO的初始设置，引导社区走向一个完全去中心化的治理。平台的治理模型确保了Sahara AI平台发展的广泛参与。
4.1 撒哈拉DAO
4.1 撒哈拉DAO
撒哈拉 DAO 致力于实现完全民主化，把治理最小化到基本功能，促进自主性和创新。对撒哈拉生态系统做出重大贡献的用户在塑造平台方面发挥着至关重要的作用，提出、讨论并对各种治理提案进行投票。他们可以选择亲自投票或将投票权委托给值得信赖的代表。
撒哈拉 DAO 还旨在确保平台的独立性和透明度，反映更广泛社区的利益，优先考虑对生态系统贡献的公平补偿，并战略性地管理资源，以平衡短期需求与长期目标。
撒哈拉 DAO 致力于实现完全民主化，把治理最小化到基本功能，促进自主性和创新。对撒哈拉生态系统做出重大贡献的用户在塑造平台方面发挥着至关重要的作用，提出、讨论并对各种治理提案进行投票。他们可以选择亲自投票或将投票权委托给值得信赖的代表。
撒哈拉 DAO 还旨在确保平台的独立性和透明度，反映更广泛社区的利益，优先考虑对生态系统贡献的公平补偿，并战略性地管理资源，以平衡短期需求与长期目标。
4.2 撒哈拉基金会
4.2 撒哈拉基金会
撒哈拉基金会致力于通过指导平台的演变，推进撒哈拉愿景，建立一个开放、去中心化和社区驱动的生态系统。它的核心角色是促进撒哈拉DAO的创建，推动撒哈拉生态系统的增长，并推动基础技术的发展，以确保长期可持续性和广泛参与。
在撒哈拉DAO的形成阶段，基金会提供支持和指导，以帮助识别有效的长期发展策略，显著提升去中心化、透明和社区主导治理的前景。通过早期提供结构化的帮助，基金会帮助确保决策权和生态系统控制权逐步转移给社区参与者，为真正无需许可的环境铺平道路。
同时，基金会支持撒哈拉区块链协议（SBP）作为一个开源倡议，鼓励社区参与以增强其技术基础设施，并赞助关于可扩展性、安全性和去中心化的研究。通过这些努力，撒哈拉基金会始终致力于确保平台按照开放、去中心化和社区管理的核心原则稳步发展。
撒哈拉基金会致力于通过指导平台的演变，推进撒哈拉愿景，建立一个开放、去中心化和社区驱动的生态系统。它的核心角色是促进撒哈拉DAO的创建，推动撒哈拉生态系统的增长，并推动基础技术的发展，以确保长期可持续性和广泛参与。
在撒哈拉DAO的形成阶段，基金会提供支持和指导，以帮助识别有效的长期发展策略，显著提升去中心化、透明和社区主导治理的前景。通过早期提供结构化的帮助，基金会帮助确保决策权和生态系统控制权逐步转移给社区参与者，为真正无需许可的环境铺平道路。
同时，基金会支持撒哈拉区块链协议（SBP）作为一个开源倡议，鼓励社区参与以增强其技术基础设施，并赞助关于可扩展性、安全性和去中心化的研究。通过这些努力，撒哈拉基金会始终致力于确保平台按照开放、去中心化和社区管理的核心原则稳步发展。
5. 未来
5. 未来
在沙哈拉人工智能所带来的未来，人工智能不再由少数人控制，而是成为一种共享资源，供所有人使用。这个新的人工智能世界以透明、包容、公平为原则，最重要的是，确保用户的隐私和控制权。
在这个未来，人工智能爱好者可以登录沙哈拉人工智能，探索各种人工智能模块，用他们的专有数据集微调这些模型，并与社区分享他们的改进。他们对自己的人工智能资产拥有充分的控制权，确保他们的贡献得到保护，同时仍能获得奖励。
数据科学家，曾经受制于集中式的障碍，现在可以利用沙哈拉人工智能庞大的数据和模型库来推进他们的研究。借助该平台强大的隐私功能，他们可以调整模型并部署解决方案，同时保持对数据和知识产权的控制。
对于商业领袖来说，沙哈拉人工智能提供了战略优势，以量身定制的人工智能解决方案与他们公司特定的需求对接。他们可以在组织内推动创新，确信他们的数据受到保护，人工智能资产仍然掌握在他们手中。
同时，可能不是人工智能专家的个人也可以在沙哈拉人工智能中找到一个友好的环境。他们可以参与前沿项目，贡献自己的专业知识，参与治理，并支持伦理人工智能倡议，同时保持对自己的贡献的完全控制，并获得反映他们参与的奖励。
沙哈拉人工智能生态系统是一个社区，在这里每个人——无论背景或专业——都有一个有意义的角色来塑造人工智能的未来。这不仅仅是关于建立一个平台；它是关于创建一个去中心化、开放的环境，在这里，人工智能的好处被公平共享，隐私和对人工智能资产的控制是至关重要的。沙哈拉人工智能生态系统将共同把人工智能变成一种赋予个人和社区力量的力量，引导世界走向一个更加紧密、安全和公平的未来。
在沙哈拉人工智能所带来的未来，人工智能不再由少数人控制，而是成为一种共享资源，供所有人使用。这个新的人工智能世界以透明、包容、公平为原则，最重要的是，确保用户的隐私和控制权。
在这个未来，人工智能爱好者可以登录沙哈拉人工智能，探索各种人工智能模块，用他们的专有数据集微调这些模型，并与社区分享他们的改进。他们对自己的人工智能资产拥有充分的控制权，确保他们的贡献得到保护，同时仍能获得奖励。
数据科学家，曾经受制于集中式的障碍，现在可以利用沙哈拉人工智能庞大的数据和模型库来推进他们的研究。借助该平台强大的隐私功能，他们可以调整模型并部署解决方案，同时保持对数据和知识产权的控制。
对于商业领袖来说，沙哈拉人工智能提供了战略优势，以量身定制的人工智能解决方案与他们公司特定的需求对接。他们可以在组织内推动创新，确信他们的数据受到保护，人工智能资产仍然掌握在他们手中。
同时，可能不是人工智能专家的个人也可以在沙哈拉人工智能中找到一个友好的环境。他们可以参与前沿项目，贡献自己的专业知识，参与治理，并支持伦理人工智能倡议，同时保持对自己的贡献的完全控制，并获得反映他们参与的奖励。
沙哈拉人工智能生态系统是一个社区，在这里每个人——无论背景或专业——都有一个有意义的角色来塑造人工智能的未来。这不仅仅是关于建立一个平台；它是关于创建一个去中心化、开放的环境，在这里，人工智能的好处被公平共享，隐私和对人工智能资产的控制是至关重要的。沙哈拉人工智能生态系统将共同把人工智能变成一种赋予个人和社区力量的力量，引导世界走向一个更加紧密、安全和公平的未来。
参考文献
参考文献
[1] 伊桑·布赫曼，杰·权，和扎尔科·米洛舍维奇。 关于BFT共识的最新消息，2019年。
[1] 伊桑·布赫曼，杰·权，和扎尔科·米洛舍维奇。 关于BFT共识的最新消息，2019年。
[2] Diederik P Kingma 和 Max Welling. 自编码变分贝叶斯. arXiv 预印本 arXiv:1312.6114, 2013.
[2] Diederik P Kingma 和 Max Welling. 自编码变分贝叶斯. arXiv 预印本 arXiv:1312.6114, 2013.
[3] Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, 和 Yoshua Bengio. 生成对抗网络. 神经信息处理系统进展，27, 2014.
[3] Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, 和 Yoshua Bengio. 生成对抗网络. 神经信息处理系统进展，27, 2014.
[4] 乔纳森·霍，阿贾伊·贾因，和皮特·阿贝尔。去噪扩散概率模型，2020。
[4] 乔纳森·霍，阿贾伊·贾因，和皮特·阿贝尔。去噪扩散概率模型，2020。
[5] Alec Radford 和 Karthik Narasimhan。通过生成预训练来提高语言理解能力。2018。
[5] Alec Radford 和 Karthik Narasimhan。通过生成预训练来提高语言理解能力。2018。
[6] 汤姆·布朗, 本杰明·曼, 尼克·莱德, 梅兰妮·苏比亚, 贾里德·D·卡普兰, 普拉夫拉·达里瓦尔, 阿尔文·尼拉卡坦, 普拉纳夫·夏姆, 吉里什·萨斯特里, 阿曼达·阿斯凯尔, 等等。语言模型是少量样本学习者。 神经信息处理系统的进展, 33:1877–1901, 2020.
[6] 汤姆·布朗, 本杰明·曼, 尼克·莱德, 梅兰妮·苏比亚, 贾里德·D·卡普兰, 普拉夫拉·达里瓦尔, 阿尔文·尼拉卡坦, 普拉纳夫·夏姆, 吉里什·萨斯特里, 阿曼达·阿斯凯尔, 等等。语言模型是少量样本学习者。 神经信息处理系统的进展, 33:1877–1901, 2020.
[7] Hugo Touvron, Thibaut Lavril, Gautier Izacard, Xavier Martinet, Marie-Anne Lachaux, Timothée Lacroix, Baptiste Rozière, Naman Goyal, Eric Hambro, Faisal Azhar, Aurelien Rodriguez, Armand Joulin, Edouard Grave, 和 Guillaume Lample. Llama: 开放和高效的基础语言模型。ArXiv, abs/2302.13971, 2023.
[7] Hugo Touvron, Thibaut Lavril, Gautier Izacard, Xavier Martinet, Marie-Anne Lachaux, Timothée Lacroix, Baptiste Rozière, Naman Goyal, Eric Hambro, Faisal Azhar, Aurelien Rodriguez, Armand Joulin, Edouard Grave, 和 Guillaume Lample. Llama: 开放和高效的基础语言模型。ArXiv, abs/2302.13971, 2023.
[8] 阿尔伯特·乔秋·姜，亚历山大·萨布莱罗尔，亚瑟·孟什，克里斯·班福德，德文德拉·辛格·查普洛特，迭戈·德·拉斯·卡萨斯，弗洛里安·布雷桑，吉安娜·朗吉尔，吉约姆·兰普尔，露西尔·索尔尼耶，埃利奥·雷纳尔·拉沃，玛丽·安·拉肖，皮埃尔·斯托克，特文·勒·斯卡奥，蒂博·拉夫里尔，托马斯·王，蒂莫特·拉克鲁瓦，和威廉·艾尔·萨耶德。Mistral 7b。ArXiv，abs/2310.06825，2023。
[8] 阿尔伯特·乔秋·姜，亚历山大·萨布莱罗尔，亚瑟·孟什，克里斯·班福德，德文德拉·辛格·查普洛特，迭戈·德·拉斯·卡萨斯，弗洛里安·布雷桑，吉安娜·朗吉尔，吉约姆·兰普尔，露西尔·索尔尼耶，埃利奥·雷纳尔·拉沃，玛丽·安·拉肖，皮埃尔·斯托克，特文·勒·斯卡奥，蒂博·拉夫里尔，托马斯·王，蒂莫特·拉克鲁瓦，和威廉·艾尔·萨耶德。Mistral 7b。ArXiv，abs/2310.06825，2023。
[9] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N
Gomez, Lukasz Kaiser, 和 Illia Polosukhin. 注意 是 你 所需的. 神经信息处理系统的进展, 30, 2017.
[9] 阿希什·瓦斯瓦尼, 诺亚·沙泽尔, 尼基·帕尔马尔, 雅各布·乌斯科雷特, 利昂·琼斯, 艾登·N
戈麦斯, 卢卡斯 凯瑟, 和 伊利亚 波洛苏金。 注意 是 你 需要的。 神经信息处理系统的进展， 30, 2017.
[10] Jacob Devlin, Ming-Wei Chang, Kenton Lee, 和 Kristina Toutanova. Bert: 预训练深度双向变换器用于语言理解. arXiv 预印本 arXiv:1810.04805, 2018.
[10] Jacob Devlin, Ming-Wei Chang, Kenton Lee, 和 Kristina Toutanova. Bert: 预训练深度双向变换器用于语言理解. arXiv 预印本 arXiv:1810.04805, 2018.
[11] Guanzhi Wang, Yuqi Xie, Yunfan Jiang, Ajay Mandlekar, Chaowei Xiao, Yuke Zhu, Linxi (Jim) Fan, and Anima Anandkumar. Voyager: 一种具有大型语言模型的开放式具身代理。ArXiv, abs/2305.16291, 2023.
[11] Guanzhi Wang, Yuqi Xie, Yunfan Jiang, Ajay Mandlekar, Chaowei Xiao, Yuke Zhu, Linxi (Jim) Fan, and Anima Anandkumar. Voyager: 一种具有大型语言模型的开放式具身代理。ArXiv, abs/2305.16291, 2023.
[12] Sirui Hong, Xiawu Zheng, Jonathan P. Chen, Yuheng Cheng, Ceyao Zhang, Zili Wang, Steven Ka Shing Yau, Zi Hen Lin, Liyang Zhou, Chenyu Ran, Lingfeng Xiao，和 Chenglin Wu. Metagpt: 元编程用于多代理协作框架。 ArXiv, abs/2308.00352, 2023.
[12] Sirui Hong, Xiawu Zheng, Jonathan P. Chen, Yuheng Cheng, Ceyao Zhang, Zili Wang, Steven Ka Shing Yau, Zi Hen Lin, Liyang Zhou, Chenyu Ran, Lingfeng Xiao，和 Chenglin Wu. Metagpt: 元编程用于多代理协作框架。 ArXiv, abs/2308.00352, 2023.
[13] 诺亚·申 (Noah Shinn)、贝克·拉巴什 (Beck Labash) 和阿什温·戈皮纳特 (Ashwin Gopinath)。反思：一种具有动态记忆和自我反思的自主智能体。 ArXiv，abs/2303.11366，2023。
[13] 诺亚·申 (Noah Shinn)、贝克·拉巴什 (Beck Labash) 和阿什温·戈皮纳特 (Ashwin Gopinath)。反思：一种具有动态记忆和自我反思的自主智能体。 ArXiv，abs/2303.11366，2023。
[14] 刘子俊, 张延哲, 李鹏, 刘洋, 和 杨迪宜. 动态 llm-agent 网络：一种具有智能体团队优化的 llm-agent 协作框架。 ArXiv, abs/2310.02170, 2023.
[14] 刘子俊, 张延哲, 李鹏, 刘洋, 和 杨迪宜. 动态 llm-agent 网络：一种具有智能体团队优化的 llm-agent 协作框架。 ArXiv, abs/2310.02170, 2023.
[15] 穆雷·香农 (Murray Shanahan), 凯尔·麦克多内尔 (Kyle McDonell) 和拉里亚·雷诺兹 (Laria Reynolds)。与大型语言模型角色扮演。自然，623:493–498，2023。
[15] 穆雷·香农 (Murray Shanahan), 凯尔·麦克多内尔 (Kyle McDonell) 和拉里亚·雷诺兹 (Laria Reynolds)。与大型语言模型角色扮演。自然，623:493–498，2023。
[16] 王振海龙, 毛少光, 吴文山, 葛涛, 韦福如, 和 姜恒. 释放大型语言模型中的新兴认知协同：通过多角色自我协作的任务解决代理。在 北美计算语言学协会， 2023.
[16] 王振海龙, 毛少光, 吴文山, 葛涛, 韦福如, 和 姜恒. 释放大型语言模型中的新兴认知协同：通过多角色自我协作的任务解决代理。在 北美计算语言学协会， 2023.
[17] Wenlong Huang, P. Abbeel, Deepak Pathak, 和 Igor Mordatch. 语言 模型作为零-shot 规划者：为具身智能体提取可操作知识。 ArXiv, abs/2201.07207, 2022.
[17] Wenlong Huang, P. Abbeel, Deepak Pathak, 和 Igor Mordatch. 语言 模型作为零-shot 规划者：为具身智能体提取可操作知识。 ArXiv, abs/2201.07207, 2022.
[18] 龙欧阳, 杰夫·吴, 徐江, 迪奥戈·阿尔梅达, 卡罗尔·L·温赖特, 帕梅拉·米什金, 庄崇, 桑迪尼·阿加瓦尔, 卡塔rina·斯拉玛, 亚历克斯·雷, 约翰·舒尔曼, 雅各布·希尔顿, 弗雷泽·凯尔顿, 卢克·米勒, 玛迪·西门斯, 阿曼达·阿斯克尔, 彼得·韦林德, 保罗·克里斯蒂亚诺, 简·莱克, 和瑞安·洛韦。训练语言模型以遵循指令，并结合人类反馈，2022年。
[18] 龙欧阳, 杰夫·吴, 徐江, 迪奥戈·阿尔梅达, 卡罗尔·L·温赖特, 帕梅拉·米什金, 庄崇, 桑迪尼·阿加瓦尔, 卡塔rina·斯拉玛, 亚历克斯·雷, 约翰·舒尔曼, 雅各布·希尔顿, 弗雷泽·凯尔顿, 卢克·米勒, 玛迪·西门斯, 阿曼达·阿斯克尔, 彼得·韦林德, 保罗·克里斯蒂亚诺, 简·莱克, 和瑞安·洛韦。训练语言模型以遵循指令，并结合人类反馈，2022年。
[19] 拉斐尔·拉法伊洛夫，阿尔奇特·夏尔马，埃里克·米切尔，斯特凡诺·埃尔蒙，克里斯托弗·D·曼宁和切尔西·芬恩。直接偏好优化：您的语言模型实际上是一个奖励模型，2023年。
[19] 拉斐尔·拉法伊洛夫，阿尔奇特·夏尔马，埃里克·米切尔，斯特凡诺·埃尔蒙，克里斯托弗·D·曼宁和切尔西·芬恩。直接偏好优化：您的语言模型实际上是一个奖励模型，2023年。
[20] 帕特里克·刘易斯，伊桑·佩雷斯，阿列克桑德拉·皮克图斯，法比奥·佩特罗尼，弗拉基米尔·卡普欣，纳曼·戈亚尔，海因里希·库特勒，迈克·刘易斯，温涛·易，蒂姆·罗克塔施尔，塞巴斯蒂安·里德尔，以及道威·基拉。为知识密集型NLP任务增强检索生成。ArXiv, abs/2005.11401, 2020.
[20] 帕特里克·刘易斯，伊桑·佩雷斯，阿列克桑德拉·皮克图斯，法比奥·佩特罗尼，弗拉基米尔·卡普欣，纳曼·戈亚尔，海因里希·库特勒，迈克·刘易斯，温涛·易，蒂姆·罗克塔施尔，塞巴斯蒂安·里德尔，以及道威·基拉。为知识密集型NLP任务增强检索生成。ArXiv, abs/2005.11401, 2020.
[21] 高云帆, 熊云, 高欣宇, 贾康翔, 潘金柳, 毕禹希, 戴毅, 孙家伟, 王萌, 王浩芬. 大型语言模型的检索增强生成：综述，2024年。
[21] 高云帆, 熊云, 高欣宇, 贾康翔, 潘金柳, 毕禹希, 戴毅, 孙家伟, 王萌, 王浩芬. 大型语言模型的检索增强生成：综述，2024年。
[22] 陈永超，雅各布·阿金，杨章，尼古拉斯·罗伊，范楚楚。利用大型语言模型进行可扩展的多机器人协作：集中的还是分散的系统？arXiv预印本 arXiv:2309.15943， 2023。
[22] 陈永超，雅各布·阿金，杨章，尼古拉斯·罗伊，范楚楚。利用大型语言模型进行可扩展的多机器人协作：集中的还是分散的系统？arXiv预印本 arXiv:2309.15943， 2023。
[23] Rui Hao, Linmei Hu, Weijian Qi, Qingliu Wu, Yirui Zhang 和 Liqiang Nie. Chatllm 网络: 更多大脑, 更多智能。 ArXiv, abs/2304.12998, 2023.
[23] Rui Hao, Linmei Hu, Weijian Qi, Qingliu Wu, Yirui Zhang 和 Liqiang Nie. Chatllm 网络: 更多大脑, 更多智能。 ArXiv, abs/2304.12998, 2023.
[24] Xudong Guo, Kaixuan Huang, Jiale Liu, Wenhui Fan, Natalia V´elez, Qingyun Wu, Huazheng Wang, Thomas L Griffiths, 和 Mengdi Wang. 具身的 llm 代理在组织团队中学习合作。arXiv 预印本 arXiv:2403.12482, 2024.
[24] Xudong Guo, Kaixuan Huang, Jiale Liu, Wenhui Fan, Natalia V´elez, Qingyun Wu, Huazheng Wang, Thomas L Griffiths, 和 Mengdi Wang. 具身的 llm 代理在组织团队中学习合作。arXiv 预印本 arXiv:2403.12482, 2024.
[25] Yashar Talebirad 和 Amirhossein Nadiri. 多智能体协作：利用智能 LLM 代理的力量。 ArXiv, abs/2306.03314, 2023.
[25] Yashar Talebirad 和 Amirhossein Nadiri. 多智能体协作：利用智能 LLM 代理的力量。 ArXiv, abs/2306.03314, 2023.
[26] 田良, 何志伟, 焦文祥, 王星, 王艳, 王锐, 杨宇久, 涂朝鹏, 和 史书敏。通过多代理辩论鼓励大型语言模型的发散思维。ArXiv, abs/2305.19118, 2023.
[26] 田良, 何志伟, 焦文祥, 王星, 王艳, 王锐, 杨宇久, 涂朝鹏, 和 史书敏。通过多代理辩论鼓励大型语言模型的发散思维。ArXiv, abs/2305.19118, 2023.
[27] 亚历山大·博尔祖诺夫，德米特里·巴兰丘克，蒂姆·德特梅尔斯，马克斯·亚布宁，尤尼斯·贝尔卡达，阿尔乔姆·丘马岦，帕维尔·萨米金，科林·拉菲尔。《花瓣：大型模型的协作推理与微调》，2023年。
[27] 亚历山大·博尔祖诺夫，德米特里·巴兰丘克，蒂姆·德特梅尔斯，马克斯·亚布宁，尤尼斯·贝尔卡达，阿尔乔姆·丘马岦，帕维尔·萨米金，科林·拉菲尔。《花瓣：大型模型的协作推理与微调》，2023年。
[28] 姜子恒, 林海彬, 鍾穎敏, 黃琦, 陳揚睿, 張志, 彭揚華, 李翔, 謝聰, 農詩彪, 賈玉璐, 何寬, 陳宏敏, 白志豪, 侯琦, 嚴世鵬, 周丁, 盛宜堯, 江卓, 許浩瀚, 魏浩然, 張璐, 聶鵬飛, 邹乐琪, 赵思达, 薑亮, 刘哲瑞, 李哲, 贾小颖, 叶建熙, 金鑫, 和刘鑫。《巨规模：将大语言模型训练扩展到超过10,000个GPU》，2024年。
[28] 姜子恒, 林海彬, 鍾穎敏, 黃琦, 陳揚睿, 張志, 彭揚華, 李翔, 謝聰, 農詩彪, 賈玉璐, 何寬, 陳宏敏, 白志豪, 侯琦, 嚴世鵬, 周丁, 盛宜堯, 江卓, 許浩瀚, 魏浩然, 張璐, 聶鵬飛, 邹乐琪, 赵思达, 薑亮, 刘哲瑞, 李哲, 贾小颖, 叶建熙, 金鑫, 和刘鑫。《巨规模：将大语言模型训练扩展到超过10,000个GPU》，2024年。
[29] 金希森，任相，丹尼尔·普雷奥蒂克-皮特罗和程鹏翔。通过合并语言模型的权重实现无数据知识融合，2023。
[29] 金希森，任相，丹尼尔·普雷奥蒂克-皮特罗和程鹏翔。通过合并语言模型的权重实现无数据知识融合，2023。
[30] 米切尔·沃茨曼，加布里埃尔·伊尔哈科，萨米尔·伊扎克·加德雷，丽贝卡·罗尔夫斯，拉斐尔·贡季霍-洛佩斯，阿里·S·莫尔科斯，洪锡克·南宫，阿里·法赫拉迪，亚尔·卡门，西蒙·科恩布利斯，和路德维希·施密特。模型汤：平均多个微调模型的权重，提高了准确性，而不增加推理时间，2022年。
[30] 米切尔·沃茨曼，加布里埃尔·伊尔哈科，萨米尔·伊扎克·加德雷，丽贝卡·罗尔夫斯，拉斐尔·贡季霍-洛佩斯，阿里·S·莫尔科斯，洪锡克·南宫，阿里·法赫拉迪，亚尔·卡门，西蒙·科恩布利斯，和路德维希·施密特。模型汤：平均多个微调模型的权重，提高了准确性，而不增加推理时间，2022年。
[31] 迈克尔·马特纳和科林·拉费尔。通过费舍尔加权平均合并模型，2022年。
[31] 迈克尔·马特纳和科林·拉费尔。通过费舍尔加权平均合并模型，2022年。
[32] 赵卓然, 卡姆亚尔·米尔扎扎德·巴里焦赫, 和安德烈亚斯·盖斯特劳尔。深度事物：在资源受限的物联网边缘集群上进行分布式自适应深度学习推理。《IEEE集成电路与系统计算机辅助设计汇刊》， 37:2348– 2359, 2018.
[32] 赵卓然, 卡姆亚尔·米尔扎扎德·巴里焦赫, 和安德烈亚斯·盖斯特劳尔。深度事物：在资源受限的物联网边缘集群上进行分布式自适应深度学习推理。《IEEE集成电路与系统计算机辅助设计汇刊》， 37:2348– 2359, 2018.
[33] Bingyang Wu, Yinmin Zhong, Zili Zhang, Gang Huang, Xuanzhe Liu, and Xin Jin. 大型语言模型的快速分布式推理服务。ArXiv，abs/2305.05920，2023。
[33] Bingyang Wu, Yinmin Zhong, Zili Zhang, Gang Huang, Xuanzhe Liu, and Xin Jin. 大型语言模型的快速分布式推理服务。ArXiv，abs/2305.05920，2023。
[34] 韩泽宇, 高超, 刘金扬, 张杰夫, 和 齐赛乾. 大模型的参数有效微调：一项综合调查，2024年。
[34] 韩泽宇, 高超, 刘金扬, 张杰夫, 和 齐赛乾. 大模型的参数有效微调：一项综合调查，2024年。
[35] 孟繁旭, 王兆辉, 和 张穆汉. Pissa: 大型语言模型的主奇异值和奇异向量适应, 2024.
[35] 孟繁旭, 王兆辉, 和 张穆汉. Pissa: 大型语言模型的主奇异值和奇异向量适应, 2024.
[36] 李一晓，俞逸凡，梁晨，何鹏程，尼科斯·卡兰帕齐亚基斯，陈维柱，和赵拓。《Loftq：针对大型语言模型的Lora微调感知量化》，2023年。
[36] 李一晓，俞逸凡，梁晨，何鹏程，尼科斯·卡兰帕齐亚基斯，陈维柱，和赵拓。《Loftq：针对大型语言模型的Lora微调感知量化》，2023年。
[37] 爱德华·胡，叶龙·申，菲利普·沃利斯，泽元·安伦-朱，袁志·李，肖恩·王，卢·王和韦志·陈。Lora：大型语言模型的低秩适应，2021年。
[37] 爱德华·胡，叶龙·申，菲利普·沃利斯，泽元·安伦-朱，袁志·李，肖恩·王，卢·王和韦志·陈。Lora：大型语言模型的低秩适应，2021年。
[38] 马丁·阿巴迪，安迪·朱，伊恩·古德费洛，H·布伦丹·麦克马汉，伊利亚·米罗诺夫，库纳尔·塔尔瓦尔，李·张。使用差分隐私的深度学习。发表于2016年ACM SIGSAC计算机与通信安全会议，CCS’16。ACM，2016年10月。
[38] 马丁·阿巴迪，安迪·朱，伊恩·古德费洛，H·布伦丹·麦克马汉，伊利亚·米罗诺夫，库纳尔·塔尔瓦尔，李·张。使用差分隐私的深度学习。发表于2016年ACM SIGSAC计算机与通信安全会议，CCS’16。ACM，2016年10月。
[39] Bj¨orn Bebensee. 本地差分隐私：教程，2019年。
[39] Bj¨orn Bebensee. 本地差分隐私：教程，2019年。
[40] 通吴，阿什维尼·潘达，王佳辰，和普拉提克·米塔尔。2023年，面向大型语言模型的隐私保护上下文学习。
[40] 通吴，阿什维尼·潘达，王佳辰，和普拉提克·米塔尔。2023年，面向大型语言模型的隐私保护上下文学习。
[41] 大禹, Saurabh Naik, Arturs Backurs, Sivakanth Gopi, Huseyin A. Inan, Gautam Kamath, Janardhan Kulkarni, Yin Tat Lee, Andre Manoel, Lukas Wutschitz, Sergey Yekhanin 和 Huishuai Zhang. 差分隐私的语言模型微调, 2022.
[41] 大禹, Saurabh Naik, Arturs Backurs, Sivakanth Gopi, Huseyin A. Inan, Gautam Kamath, Janardhan Kulkarni, Yin Tat Lee, Andre Manoel, Lukas Wutschitz, Sergey Yekhanin 和 Huishuai Zhang. 差分隐私的语言模型微调, 2022.
[42] 陈天宇, 包航博, 黄韶凡, 董立, 焦彬星, 蒋大欣, 周昊宜, 李建新, 和 魏福如. The-x: 通过同态加密实现隐私保护的变压器推理, 2022.
[42] 陈天宇, 包航博, 黄韶凡, 董立, 焦彬星, 蒋大欣, 周昊宜, 李建新, 和 魏福如. The-x: 通过同态加密实现隐私保护的变压器推理, 2022.
[43] Kanav Gupta, Neha Jawalkar, Ananta Mukherjee, Nishanth Chandran, Divya Gupta, Ashish Panwar, 和 Rahul Sharma. Sigma: 通过函数秘密共享保证安全的 GPT 推断。 密码学电子打印档案， 2023.
[43] Kanav Gupta, Neha Jawalkar, Ananta Mukherjee, Nishanth Chandran, Divya Gupta, Ashish Panwar, 和 Rahul Sharma. Sigma: 通过函数秘密共享保证安全的 GPT 推断。 密码学电子打印档案， 2023.
[44] Th'eo Ryffel , Pierre Tholoniat, David Pointcheval, 和 Francis R. Bach. Ariann: 通过函数秘密共享的低交互隐私保护深度学习. 隐私增强技术会议论文集, 2022:291 – 316, 2020.
[44] Th'eo Ryffel , Pierre Tholoniat, David Pointcheval, 和 Francis R. Bach. Ariann: 通过函数秘密共享的低交互隐私保护深度学习. 隐私增强技术会议论文集, 2022:291 – 316, 2020.
[45] KD Conway, Cathie So, Xiaohang Yu 和 Kartin Wong。opml：区块链上的乐观机器学习，2024年。
[45] KD Conway, Cathie So, Xiaohang Yu 和 Kartin Wong。opml：区块链上的乐观机器学习，2024年。
[46] 孙浩晨、李杰森和张鸿洋。zkllm：针对大型语言模型的零知识证明，2024年。
[46] 孙浩晨、李杰森和张鸿洋。zkllm：针对大型语言模型的零知识证明，2024年。
术语表
术语表
• 人工智能模型：人工智能模型是旨在通过学习数据来模拟人类智能的算法。这些模型可以识别模式、做出决策，甚至根据它们所学的内容生成内容。人工智能模型的范围从专注于特定任务的狭义人工智能，到处理更广泛功能的更通用模型。例子包括神经网络、决策树和回归模型。
• 人工智能模型：人工智能模型是旨在通过学习数据来模拟人类智能的算法。这些模型可以识别模式、做出决策，甚至根据它们所学的内容生成内容。人工智能模型的范围从专注于特定任务的狭义人工智能，到处理更广泛功能的更通用模型。例子包括神经网络、决策树和回归模型。
• 生成模型: 这些AI模型旨在创建新的内容，例如文本、图像、音乐或视频。生成模型通过从大型数据集中学习模式并利用这些知识生成类似于原始数据的新数据。常见的生成模型类型包括变换器。
• 生成模型: 这些AI模型旨在创建新的内容，例如文本、图像、音乐或视频。生成模型通过从大型数据集中学习模式并利用这些知识生成类似于原始数据的新数据。常见的生成模型类型包括变换器。
• 变压器: 一种深度学习模型架构，擅长处理序列数据，如语言。变压器使用自注意力机制同时权衡输入数据不同部分的重要性，使它们在翻译、文本生成等任务中有效。 变压器是许多现代大型语言模型的基础。
• 变压器: 一种深度学习模型架构，擅长处理序列数据，如语言。变压器使用自注意力机制同时权衡输入数据不同部分的重要性，使它们在翻译、文本生成等任务中有效。 变压器是许多现代大型语言模型的基础。
• 大型语言模型 (LLMs): 这些是经过大量文本数据训练的一类变换器的子集。LLMs能够通过根据提供的上下文预测序列中的下一个单词来生成类似人类的文本。它们具有多功能性，能够执行各种任务，如写作、翻译和摘要。
• 大型语言模型 (LLMs): 这些是经过大量文本数据训练的一类变换器的子集。LLMs能够通过根据提供的上下文预测序列中的下一个单词来生成类似人类的文本。它们具有多功能性，能够执行各种任务，如写作、翻译和摘要。
• AI 代理: AI 代理是一个自主程序，能够与其环境互动以执行任务、做出决策并实现特定目标。AI 代理可以很简单，比如一个安排约会的虚拟助手；也可以很复杂，比如一个在交通中导航的自动驾驶汽车。
• AI 代理: AI 代理是一个自主程序，能够与其环境互动以执行任务、做出决策并实现特定目标。AI 代理可以很简单，比如一个安排约会的虚拟助手；也可以很复杂，比如一个在交通中导航的自动驾驶汽车。
• 参数高效微调 (PEFT): PEFT 是指能够用更少的参数对大规模预训练模型进行微调的技术，从而使该过程更加资源高效。像 LoRA 或适配器这样的 PEFT 方法专注于仅更新模型的一小部分，降低计算成本，同时保持性能。
• 参数高效微调 (PEFT): PEFT 是指能够用更少的参数对大规模预训练模型进行微调的技术，从而使该过程更加资源高效。像 LoRA 或适配器这样的 PEFT 方法专注于仅更新模型的一小部分，降低计算成本，同时保持性能。
• LoRA (低秩适应): LoRA是一种PEFT方法，它在大型语言模型的层中添加小型可训练矩阵。在微调期间，LoRA并不更新整个模型，而是修改这些低秩矩阵，这些矩阵代表了模型参数的较小子集。这种方法显著减少了需要调整的参数数量，从而加快了过程并减少了资源使用，同时保持或增强性能。
• LoRA (低秩适应): LoRA是一种PEFT方法，它在大型语言模型的层中添加小型可训练矩阵。在微调期间，LoRA并不更新整个模型，而是修改这些低秩矩阵，这些矩阵代表了模型参数的较小子集。这种方法显著减少了需要调整的参数数量，从而加快了过程并减少了资源使用，同时保持或增强性能。
• 检索增强生成 (RAG): RAG是一种混合方法，它将基于检索的方法与生成模型相结合。在RAG中，模型首先从数据库或文档集中检索相关信息，然后使用这些信息生成响应。这种方法使得模型能够提供更准确和具上下文相关的答案，特别是在需要最新或专业信息的情况下。
• 检索增强生成 (RAG): RAG是一种混合方法，它将基于检索的方法与生成模型相结合。在RAG中，模型首先从数据库或文档集中检索相关信息，然后使用这些信息生成响应。这种方法使得模型能够提供更准确和具上下文相关的答案，特别是在需要最新或专业信息的情况下。
• 差分隐私: 差分隐私是一种通过向数据添加随机噪声来保护数据集中个体隐私的技术。这确保了数据可以用于分析，而不会泄露关于个人的敏感信息，使其在共享私人记录或使用个人数据训练人工智能模型等上下文中非常有用。
• 差分隐私: 差分隐私是一种通过向数据添加随机噪声来保护数据集中个体隐私的技术。这确保了数据可以用于分析，而不会泄露关于个人的敏感信息，使其在共享私人记录或使用个人数据训练人工智能模型等上下文中非常有用。
• 模型融合：将两个或多个AI模型结合以创建一个新模型的过程，这个新模型能够从每个原始模型的优点中受益。模型融合可以用来提高性能、结合不同的知识，或者将不同的能力合并成一个更强大的模型。
• 模型融合：将两个或多个AI模型结合以创建一个新模型的过程，这个新模型能够从每个原始模型的优点中受益。模型融合可以用来提高性能、结合不同的知识，或者将不同的能力合并成一个更强大的模型。