Sahara AI:构建开放、公平、协作的AI经济生态的去中心化区块链平台

Sahara AI:构建开放、公平、协作的AI经济生态的去中心化区块链平台

Sahara AI:构建开放、公平、协作的AI经济生态的去中心化区块链平台

2025年2月25日

2025年2月25日

Sahara AI 研究

Sahara AI 研究

1. 介绍

1. 介绍

随着人工智能(AI)的不断发展,我们不仅需要追求其强大功能、无处不在,更要确保其具备公平性、普惠性和可及性。AI 应当成为改善生活、推动全球机会均等的通用技术。然而,AI技术的控制权仍高度集中在少数垄断组织手中。这种中心化的 AI 平台模式存在诸多局限与风险,包括隐私泄露、经济差距加剧以及资源获取受限等问题。这一格局造成了显著的门槛,严重阻碍了全球范围内的广泛创新,限制了来自多元背景的参与者加入AI 开发领域,也造成了不同群体间的技术鸿沟加大,更难平等地接触并受益于 AI 技术。

Sahara AI 正是在这一背景下应运而生,致力于通过去中心化的 AI 所有权结构,打破垄断并拓展全球参与度。作为一个基于区块链的去中心化 AI 平台,Sahara AI 构建了一个开放、透明、安全、包容的 AI 生态系统。其核心是“AI 资产”这一创新概念——为个人数据、专属模型等私有 AI 资源建立了清晰的所有权与治理框架。

在平台上,AI 开发者、数据提供者与其他利益相关方可借助集成的开发工具,协同创建高质量的 AI 资产。平台确保整个协作过程中的每一项贡献都被安全记录、透明归属,并具备清晰可追溯性。完成创建后,AI 资产将上线至平台,供其他用户浏览、访问与应用。用户可根据需求选择购买访问许可或在此基础上进行二次开发。图 1 展示了这一用户旅程的全貌,描绘了 AI 资产从创建到使用再到用户参与的完整路径。平台内的所有交易都具备不可篡改性与可追溯性,资产所有权受到保护,资产来源清晰可见,从而实现公平透明的收益分配机制,确保开发者与数据提供者在资产产生收益时获得合理回报。

Sahara AI 结合区块链技术与隐私保护手段,构建了强大的 AI 资产溯源基础设施。这一系统支持贡献归因、数据隐私保护与收益公平分配,同时强调用户对其 AI 资产的自主控制权。在这一基础上,Sahara AI 推出平台独有的、无需许可的“AI 版权”机制。尽管传统意义上的“版权”常与封闭控制相挂钩,似乎与区块链的开放性相悖,但 Sahara AI 所定义的“版权”体系,实质上是一种重新构建的机制:它保障贡献者对其 AI 资产拥有明确的所有权、公平的归属与合理的收益,而不限制开放访问与资源共享。

Sahara AI 是一个贯穿完整 AI 生命周期的一站式平台,覆盖从数据采集与标注、模型训练与推理、AI 代理创建与部署、多智能体协作,到 AI 资产交易与资源众包等全流程。通过对 AI 开发流程的“去中心化”改造,并降低当前系统中的参与门槛,Sahara AI 为个人、企业与社区提供了平等机会,共同参与并共建 AI 的未来。

随着人工智能(AI)的不断发展,我们不仅需要追求其强大功能、无处不在,更要确保其具备公平性、普惠性和可及性。AI 应当成为改善生活、推动全球机会均等的通用技术。然而,AI技术的控制权仍高度集中在少数垄断组织手中。这种中心化的 AI 平台模式存在诸多局限与风险,包括隐私泄露、经济差距加剧以及资源获取受限等问题。这一格局造成了显著的门槛,严重阻碍了全球范围内的广泛创新,限制了来自多元背景的参与者加入AI 开发领域,也造成了不同群体间的技术鸿沟加大,更难平等地接触并受益于 AI 技术。

Sahara AI 正是在这一背景下应运而生,致力于通过去中心化的 AI 所有权结构,打破垄断并拓展全球参与度。作为一个基于区块链的去中心化 AI 平台,Sahara AI 构建了一个开放、透明、安全、包容的 AI 生态系统。其核心是“AI 资产”这一创新概念——为个人数据、专属模型等私有 AI 资源建立了清晰的所有权与治理框架。

在平台上,AI 开发者、数据提供者与其他利益相关方可借助集成的开发工具,协同创建高质量的 AI 资产。平台确保整个协作过程中的每一项贡献都被安全记录、透明归属,并具备清晰可追溯性。完成创建后,AI 资产将上线至平台,供其他用户浏览、访问与应用。用户可根据需求选择购买访问许可或在此基础上进行二次开发。图 1 展示了这一用户旅程的全貌,描绘了 AI 资产从创建到使用再到用户参与的完整路径。平台内的所有交易都具备不可篡改性与可追溯性,资产所有权受到保护,资产来源清晰可见,从而实现公平透明的收益分配机制,确保开发者与数据提供者在资产产生收益时获得合理回报。

Sahara AI 结合区块链技术与隐私保护手段,构建了强大的 AI 资产溯源基础设施。这一系统支持贡献归因、数据隐私保护与收益公平分配,同时强调用户对其 AI 资产的自主控制权。在这一基础上,Sahara AI 推出平台独有的、无需许可的“AI 版权”机制。尽管传统意义上的“版权”常与封闭控制相挂钩,似乎与区块链的开放性相悖,但 Sahara AI 所定义的“版权”体系,实质上是一种重新构建的机制:它保障贡献者对其 AI 资产拥有明确的所有权、公平的归属与合理的收益,而不限制开放访问与资源共享。

Sahara AI 是一个贯穿完整 AI 生命周期的一站式平台,覆盖从数据采集与标注、模型训练与推理、AI 代理创建与部署、多智能体协作,到 AI 资产交易与资源众包等全流程。通过对 AI 开发流程的“去中心化”改造,并降低当前系统中的参与门槛,Sahara AI 为个人、企业与社区提供了平等机会,共同参与并共建 AI 的未来。

图 1:Sahara AI 平台用户旅程概览。该图展示了 Sahara AI 生态系统中 AI 资产生命周期的关键阶段,说明了开发者与知识提供者如何协作创建 AI 资产,并将其上架至 AI 市场进行变现,同时所有相关交易行为均记录在链上,确保可追溯性与透明度。

图 1:Sahara AI 平台用户旅程概览。该图展示了 Sahara AI 生态系统中 AI 资产生命周期的关键阶段,说明了开发者与知识提供者如何协作创建 AI 资产,并将其上架至 AI 市场进行变现,同时所有相关交易行为均记录在链上,确保可追溯性与透明度。

Sahara AI 鼓励去中心化治理与社区驱动的创新模式。这一理念不仅确保平台能够灵活响应 AI 社群不断变化的需求,更推动建立公平、可信、负责任的 AI 行业新标准。Sahara AI 致力于打造一个协作式的 AI 发展环境,使个人、中小企业(SMBs)与大型企业能够共同参与、分享创意,并从全球社区的集体智慧与创造力中共同受益。

Sahara AI 正在将 AI 从少数人掌控的工具,转变为赋能全人类的共享资源。通过打破技术壁垒、激发全球创新,Sahara AI 致力于释放人工智能的全部潜能,推动 AI 为全球社会带来积极变革与普惠价值。

Sahara AI 鼓励去中心化治理与社区驱动的创新模式。这一理念不仅确保平台能够灵活响应 AI 社群不断变化的需求,更推动建立公平、可信、负责任的 AI 行业新标准。Sahara AI 致力于打造一个协作式的 AI 发展环境,使个人、中小企业(SMBs)与大型企业能够共同参与、分享创意,并从全球社区的集体智慧与创造力中共同受益。

Sahara AI 正在将 AI 从少数人掌控的工具,转变为赋能全人类的共享资源。通过打破技术壁垒、激发全球创新,Sahara AI 致力于释放人工智能的全部潜能,推动 AI 为全球社会带来积极变革与普惠价值。

2. Sahara AI 平台

2. Sahara AI 平台

Sahara AI 平台建立在三个基础支柱之上:主权与来源、AI 实用性和协作经济。这些要素共同构建了一个紧密结合的平台,每个参与者都能在其中贡献力量、协作并获益。

Sahara AI 平台建立在三个基础支柱之上:主权与来源、AI 实用性和协作经济。这些要素共同构建了一个紧密结合的平台,每个参与者都能在其中贡献力量、协作并获益。

图2:Sahara AI的三个基础支柱

图2:Sahara AI的三个基础支柱

支柱 1:主权与溯源

支柱 1:主权与溯源

在不断发展的AI领域,Sahara AI 将主权和可溯源性定义为AI 资产及其开发流程的核心原则。这些理念确保 AI 开发生命周期的每一个阶段——从数据采集与标注,到模型部署与应用构建——都以去中心化、透明且具包容性的方式进行。

主权 强调 AI 资产的所有权与治理应由社区驱动、去中心化管理,从而避免集中垄断,保障所有参与者在 AI 生命周期中都有发言权权。而可溯源性则致力于确保对 AI 资产开发与使用过程中所有贡献的归属,以及其来源与演化过程的完整追踪。它通过链上不可篡改的记录机制,为主权提供支撑,使每一项行为与交易都具备可验证的历史轨迹。

在不断发展的AI 领域,Sahara AI 将主权和可溯源性定义为AI 资产及其开发流程的核心原则。这些理念确保 AI 开发生命周期的每一个阶段——从数据采集与标注,到模型部署与应用构建——都以去中心化、透明且具包容性的方式进行。

主权 强调 AI 资产的所有权与治理应由社区驱动、去中心化管理,从而避免集中垄断,保障所有参与者在 AI 生命周期中都有发言权权。而可溯源性则致力于确保对 AI 资产开发与使用过程中所有贡献的归属,以及其来源与演化过程的完整追踪。它通过链上不可篡改的记录机制,为主权提供支撑,使每一项行为与交易都具备可验证的历史轨迹。

Sahara AI 重点关注以下与数据主权与可溯源性密切相关的核心要素:

Sahara AI 重点关注以下与数据主权与可溯源性密切相关的核心要素:

所有权与归属:所有 AI 开发参与者(如数据提供者、模型训练者、应用开发者)都拥有可验证的链上所有权,并因其贡献获得公平的所有权。

去中心化治理:Sahara AI 推动 AI 资产的公平化与去中心化管理。所有关于 AI 资产的行为与决策均通过 Sahara 区块链协议与 DAO 治理体系透明执行,确保所有利益相关方都能在 AI 生命周期中拥有发声权。同时,平台内各类 AI 组件的迭代与优化也由社区主导驱动,实现持续演进的治理框架。

信任与责任机制:平台对每一份数据、AI 生命周期中的每一步 操作都进行精确记录,并可在链上完整追溯,使所有利益相关者都能够验证数据与模型的来源与变化过程,提升透明度与可信度。

互操作性与可及性:AI 资产与服务支持跨平台互通,且面向多类用户开放,推动生态包容性与广泛参与,助力构建一个开放协作的 AI 网络。

所有权与归属:所有 AI 开发参与者(如数据提供者、模型训练者、应用开发者)都拥有可验证的链上所有权,并因其贡献获得公平的所有权。

去中心化治理:Sahara AI 推动 AI 资产的公平化与去中心化管理。所有关于 AI 资产的行为与决策均通过 Sahara 区块链协议与 DAO 治理体系透明执行,确保所有利益相关方都能在 AI 生命周期中拥有发声权。同时,平台内各类 AI 组件的迭代与优化也由社区主导驱动,实现持续演进的治理框架。

信任与责任机制:平台对每一份数据、AI 生命周期中的每一步 操作都进行精确记录,并可在链上完整追溯,使所有利益相关者都能够验证数据与模型的来源与变化过程,提升透明度与可信度。

互操作性与可及性:AI 资产与服务支持跨平台互通,且面向多类用户开放,推动生态包容性与广泛参与,助力构建一个开放协作的 AI 网络。


支柱2:AI 实用性

支柱2:AI 实用性

Sahara AI 通过构建完备的技术基础设施,赋能用户在 AI 生命周期的各个阶段,提供流畅一致的 AI 使用体验。平台确保每一位参与者都能在去信任、保护隐私、安全可靠的环境中,高效地开发、部署与管理 AI 资产。

平台在简化操作流程的同时,嵌入强大的安全机制以防止未经授权的访问与潜在威胁,并配套全面的隐私保护策略,保障用户数据安全。这些能力不仅保护用户信息,也增强了信任基础,使用户能够安心、安全地参与 AI 技术生态。

Sahara AI 通过构建完备的技术基础设施,赋能用户在 AI 生命周期的各个阶段,提供流畅一致的 AI 使用体验。平台确保每一位参与者都能在去信任、保护隐私、安全可靠的环境中,高效地开发、部署与管理 AI 资产。

平台在简化操作流程的同时,嵌入强大的安全机制以防止未经授权的访问与潜在威胁,并配套全面的隐私保护策略,保障用户数据安全。这些能力不仅保护用户信息,也增强了信任基础,使用户能够安心、安全地参与 AI 技术生态。


为最大化覆盖AI开发全周期的实用价值,Sahara AI聚焦以下五大核心维度:

为最大化覆盖AI开发全周期的实用价值,Sahara AI聚焦以下五大核心维度:

• 易用性:Sahara AI 覆盖从数据管理、模型开发到智能体部署的完整开发流程,大幅简化 AI 开发生命周期,使参与者能够借助 AI 提高生产效率、打造高实用性的应用,并取得积极的实际成果。

• 以用户为中心的体验:Sahara AI 为 AI 开发生态中的各类参与者提供开箱即用的体验,无论技术水平如何,任何人都可以轻松参与 AI 的使用与协作。

• 安全与隐私:平台采用先进的安全机制和隐私保护措施,确保用户在管理 AI 资产与计算任务时,无需在安全与易用性之间做出妥协。

• 高性能基础设施:Sahara AI 的底层架构支持最新 AI 技术范式,并提供全面工具包,助力用户开发高级AI模型与应用。

• AI 原生区块链:Sahara AI 构建于专为 AI 交互设计的第一层公链——Sahara 区块链之上,内置协议,并针对 Sahara AI 平台上整个 AI 生命周期内的 AI 交易进行预编译。

• 易用性:Sahara AI 覆盖从数据管理、模型开发到智能体部署的完整开发流程,大幅简化 AI 开发生命周期,使参与者能够借助 AI 提高生产效率、打造高实用性的应用,并取得积极的实际成果。

• 以用户为中心的体验:Sahara AI 为 AI 开发生态中的各类参与者提供开箱即用的体验,无论技术水平如何,任何人都可以轻松参与 AI 的使用与协作。

• 安全与隐私:平台采用先进的安全机制和隐私保护措施,确保用户在管理 AI 资产与计算任务时,无需在安全与易用性之间做出妥协。

• 高性能基础设施:Sahara AI 的底层架构支持最新 AI 技术范式,并提供全面工具包,助力用户开发高级AI模型与应用。

• AI 原生区块链:Sahara AI 构建于专为 AI 交互设计的第一层公链——Sahara 区块链之上,内置协议,并针对 Sahara AI 平台上整个 AI 生命周期内的 AI 交易进行预编译。



支柱3:协作经济

支柱3:协作经济

Sahara AI 协作型经济体系旨在实现收益变现与价值归属,确保所有参与者的贡献都能获得应有的回报。这意味着:

Sahara AI 协作型经济体系旨在实现收益变现与价值归属,确保所有参与者的贡献都能获得应有的回报。这意味着:

• 公平回报和认可:用户的回报将基于 AI 开发流程中的贡献溯源进行分配,确保贡献与收益相匹配,有效应对全球经济不平等带来的挑战。
• 广泛包容的参与机制:协作经济鼓励来自个人、初创企业(SMBs)与大型企业的多方共同参与,构建多元且充满活力的 AI 社区生态。
• 去信任化交易:Sahara AI 平台通过透明高效的流程,支持用户将其 AI 资产进行变现,无需依赖中心化第三方,保障交易安全与收益透明。

• 公平回报和认可:用户的回报将基于 AI 开发流程中的贡献溯源进行分配,确保贡献与收益相匹配,有效应对全球经济不平等带来的挑战。
• 广泛包容的参与机制:协作经济鼓励来自个人、初创企业(SMBs)与大型企业的多方共同参与,构建多元且充满活力的 AI 社区生态。
• 去信任化交易:Sahara AI 平台通过透明高效的流程,支持用户将其 AI 资产进行变现,无需依赖中心化第三方,保障交易安全与收益透明。

3. 设计

3. 设计

基于这三大核心支柱,Sahara AI 构建了一个开放的平台,让每一位参与者都能贡献价值、协同合作并获得收益。该平台采用分层架构设计,旨在为用户与开发者在整个 AI 生命周期中提供安全、完整的支持。如图 3所示,Sahara AI 平台结构分为四个层级:

基于这三大核心支柱,Sahara AI 构建了一个开放的平台,让每一位参与者都能贡献价值、协同合作并获得收益。该平台采用分层架构设计,旨在为用户与开发者在整个 AI 生命周期中提供安全、完整的支持。如图 3所示,Sahara AI 平台结构分为四个层级:

应用层(Application Layer):作为用户界面与主要交互入口,应用层提供原生内置工具,支持用户构建、管理并变现各类 AI 资产。

交易层(Transaction Layer):该层以 Sahara 区块链为核心,是底层的基础设施,负责处理整个 AI 生命周期中的溯源管理、访问控制、归属等相关交易行为。

数据层(Data Layer):数据层提供统一的数据抽象与传输协议,支持数据的存储、访问与传输。该层融合链上与链下组件,实现跨 AI 生命周期的无缝数据管理。

执行层(Execution Layer):作为 Sahara AI 的核心算力与服务基础设施,执行层支持各种 AI 实用功能,提供灵活的 AI 计算协议,并根据实际需求动态调度算力,确保性能、可扩展性与系统稳定性最大化。

应用层(Application Layer):作为用户界面与主要交互入口,应用层提供原生内置工具,支持用户构建、管理并变现各类 AI 资产。

交易层(Transaction Layer):该层以 Sahara 区块链为核心,是底层的基础设施,负责处理整个 AI 生命周期中的溯源管理、访问控制、归属等相关交易行为。

数据层(Data Layer):数据层提供统一的数据抽象与传输协议,支持数据的存储、访问与传输。该层融合链上与链下组件,实现跨 AI 生命周期的无缝数据管理。

执行层(Execution Layer):作为 Sahara AI 的核心算力与服务基础设施,执行层支持各种 AI 实用功能,提供灵活的 AI 计算协议,并根据实际需求动态调度算力,确保性能、可扩展性与系统稳定性最大化。

3.1 应用层

3.1 应用层

Sahara AI 平台的应用层是用户参与平台的主要接口,内置丰富的工具包和应用,旨在提升用户体验。应用层核心设计包含多种组件,帮助各类参与者无论技术背景如何,都能充分发挥作用,积极融入 AI 生态系统。

Sahara AI 平台的应用层是用户参与平台的主要接口,内置丰富的工具包和应用,旨在提升用户体验。应用层核心设计包含多种组件,帮助各类参与者无论技术背景如何,都能充分发挥作用,积极融入 AI 生态系统。

3.1.1 功能组件

3.1.1 功能组件

功能组件是支撑应用层稳健运行与安全保障的核心基础。这些组件的设计旨在确保AI的安全存储、高效管理和有效部署。

功能组件是支撑应用层稳健运行与安全保障的核心基础。这些组件的设计旨在确保AI的安全存储、高效管理和有效部署。

图3:该分层图展示了 Sahara 区块链平台的技术架构,由四个相互关联的层级组成。结合链上与链下协议的混合基础设施,使用户和开发者能够高效参与并受益于整个 AI 开发周期。

图3:该分层图展示了 Sahara 区块链平台的技术架构,由四个相互关联的层级组成。结合链上与链下协议的混合基础设施,使用户和开发者能够高效参与并受益于整个 AI 开发周期。

• Sahara ID

• Sahara ID

Sahara ID 是 Sahara AI 平台中身份管理的核心基石,为所有参与者(无论是 AI 实体还是人类用户)提供唯一标识。该系统具备强大的身份验证与信誉管理能力,保障平台内所有交互的安全性与透明度。通过 Sahara ID,用户可以安全访问自己拥有或被授权使用的 AI 资产,并便捷地追踪与管理其在生态中的贡献与声誉。同时,Sahara ID 在确权与归属方面也扮演着关键角色 —— 它精准记录每位参与者在 AI 项目中的贡献,确保贡献可被清晰识别与追溯,从而有效维护 AI“版权”的归属与分配。

Sahara ID 是 Sahara AI 平台中身份管理的核心基石,为所有参与者(无论是 AI 实体还是人类用户)提供唯一标识。该系统具备强大的身份验证与信誉管理能力,保障平台内所有交互的安全性与透明度。通过 Sahara ID,用户可以安全访问自己拥有或被授权使用的 AI 资产,并便捷地追踪与管理其在生态中的贡献与声誉。同时,Sahara ID 在确权与归属方面也扮演着关键角色 —— 它精准记录每位参与者在 AI 项目中的贡献,确保贡献可被清晰识别与追溯,从而有效维护 AI“版权”的归属与分配。

• Sahara 保险库

• Sahara 保险库

Sahara 保险库是专用于存储和管理AI资产的私有安全仓库,涵盖用户节点本地存储和公共节点云端存储两种模式。这些保险库提供高级安全功能,确保所有数据和资产免受未经授权的访问和潜在威胁,全力维护专有AI资产的隐私性、安全性和完整性。

Sahara 保险库是专用于存储和管理AI资产的私有安全仓库,涵盖用户节点本地存储和公共节点云端存储两种模式。这些保险库提供高级安全功能,确保所有数据和资产免受未经授权的访问和潜在威胁,全力维护专有AI资产的隐私性、安全性和完整性。

• Sahara 智能体

• Sahara 智能体

Sahara 智能体是 Sahara AI 平台内由 AI 驱动的智能实体,每个代理由“脑”(Brain)、“感知器”(Perceptor)和“执行器”(Actor)三大核心组件组成,各组件各司其职,承担不同的功能:

Sahara 智能体是 Sahara AI 平台内由 AI 驱动的智能实体,每个代理由“脑”(Brain)、“感知器”(Perceptor)和“执行器”(Actor)三大核心组件组成,各组件各司其职,承担不同的功能:

大脑: 智能体的战略核心,负责思维、记忆、规划与推理。能接收并处理信息,做出理性决策。核心特性包括:

大脑: 智能体的战略核心,负责思维、记忆、规划与推理。能接收并处理信息,做出理性决策。核心特性包括:

• 角色对齐:根据特定用户画像调整智能体的响应和行为,实现个性化互动体验。

• 角色对齐:根据特定用户画像调整智能体的响应和行为,实现个性化互动体验。

• 终身学习:采用反馈机制和强化学习,不断迭代自身能力。

• 终身学习:采用反馈机制和强化学习,不断迭代自身能力。

感知器: 负责接收来自不同来源的输入信息,分析并解读数据,为大脑提供决策依据。核心特性包括:

感知器: 负责接收来自不同来源的输入信息,分析并解读数据,为大脑提供决策依据。核心特性包括:

• 多模态感知:可处理并解析视觉、听觉等多元数据输入。

• 多模态感知:可处理并解析视觉、听觉等多元数据输入。

执行器:根据大脑决策并结合感知器提供的信息,执行相应操作。核心特性包括:

执行器:根据大脑决策并结合感知器提供的信息,执行相应操作。核心特性包括:

• 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支持用户与其他用户及 AI 实体的互动,使用户能够主动参与并高效利用平台上的 AI 资产。这些组件让平台的功能更易于访问,广泛适用于各类实际应用场景。

应用层的交互组件直接支持用户与其他用户及 AI 实体的互动,使用户能够主动参与并高效利用平台上的 AI 资产。这些组件让平台的功能更易于访问,广泛适用于各类实际应用场景。

Sahara 工具包

Sahara 工具包

Sahara AI工具包是为平台AI资产开发者打造的全套开发部署解决方案,通过双轨制设计满足不同技术背景用户的需求:面向技术开发者提供Sahara SDK&API套件,包含编程接口、系统集成和定制化工具,支持开发满足复杂场景需求的AI功能;同时为非技术用户提供无代码/低代码开发平台,通过可视化界面和预制模板实现零门槛AI应用创建。这套工具集打破了技术壁垒,让所有参与者都能高效构建和部署AI资产。

Sahara AI工具包是为平台AI资产开发者打造的全套开发部署解决方案,通过双轨制设计满足不同技术背景用户的需求:面向技术开发者提供Sahara SDK&API套件,包含编程接口、系统集成和定制化工具,支持开发满足复杂场景需求的AI功能;同时为非技术用户提供无代码/低代码开发平台,通过可视化界面和预制模板实现零门槛AI应用创建。这套工具集打破了技术壁垒,让所有参与者都能高效构建和部署AI资产。

Sahara AI 市场

Sahara AI 市场

Sahara AI 市场是一个去中心化的平台,专注于 AI 资产的发布、变现与交易。这里汇聚了丰富的高质量 AI 资产,包括自主研发的 AI 智能体、模型和数据集。市场与 Sahara ID 深度集成,实现所有权保护和访问控制,利用区块链技术确保交易过程透明、安全且可追溯。此外,平台还提供灵活多样的动态授权和变现方式,满足用户多元化的需求,推动 AI 资产的创新应用与价值释放。

Sahara AI 市场是一个去中心化的平台,专注于 AI 资产的发布、变现与交易。这里汇聚了丰富的高质量 AI 资产,包括自主研发的 AI 智能体、模型和数据集。市场与 Sahara ID 深度集成,实现所有权保护和访问控制,利用区块链技术确保交易过程透明、安全且可追溯。此外,平台还提供灵活多样的动态授权和变现方式,满足用户多元化的需求,推动 AI 资产的创新应用与价值释放。

3.2 交易层

3.2 交易层

Sahara AI 平台的交易层核心是Sahara区块链。Sahara 区块链作为一条专为平台全栈需求精心设计的第一层区块链,内置多个协议,支持对 AI 资产的所有权、归属及平台上各类 AI 相关交易的管理。它在保障 AI 资产的主权性与可溯源性方面发挥着关键作用,是平台可信执行与价值流通的核心基础。

Sahara AI 平台的交易层核心是Sahara区块链。Sahara 区块链作为一条专为平台全栈需求精心设计的第一层区块链,内置多个协议,支持对 AI 资产的所有权、归属及平台上各类 AI 相关交易的管理。它在保障 AI 资产的主权性与可溯源性方面发挥着关键作用,是平台可信执行与价值流通的核心基础。

3.2.1 Sahara区块链AI原生功能

3.2.1 Sahara区块链AI原生功能

Sahara 区块链通过集成专门的 Sahara AI 原生预编译合约(SAPs)和 Sahara 区块链协议(SBPs),支持 AI 生命周期中的关键任务,从而彰显其作为 AI 原生区块链的独特优势。

Sahara 区块链通过集成专门的 Sahara AI 原生预编译合约(SAPs)和 Sahara 区块链协议(SBPs),支持 AI 生命周期中的关键任务,从而彰显其作为 AI 原生区块链的独特优势。

Sahara AI 原生预编译模块 Sahara 区块链集成了 Sahara AI 原生预编译(SAP),这些模块以链级内置函数形式存在,运行在区块链的原生层,具备执行速度快、计算开销低、燃气费成本低等优势。

Sahara AI 原生预编译模块 Sahara 区块链集成了 Sahara AI 原生预编译(SAP),这些模块以链级内置函数形式存在,运行在区块链的原生层,具备执行速度快、计算开销低、燃燃料费成本低等优势。

训练执行原生预编译模块: 该类模块用于调用、记录与验证链下的 AI 模型训练过程,使区块链能够与链下训练环境无缝对接,并准确记录训练活动。这些 SAPs 还可验证链下训练计算的完整性与真实性,增强平台内 AI 模型的可信度与可靠性。

训练执行原生预编译模块: 该类模块用于调用、记录与验证链下的 AI 模型训练过程,使区块链能够与链下训练环境无缝对接,并准确记录训练活动。这些 SAPs 还可验证链下训练计算的完整性与真实性,增强平台内 AI 模型的可信度与可靠性。

推理执行原生预编译模块:该模块用于调用、记录与验证链下生成的 AI 推理结果(如预测、分类等)。这些SAPs 提供了链上机制,用于验证链下推理结果来源的合法性与计算有效性,确保 AI 推理过程具备透明度、可验证性与可追责性。

推理执行原生预编译模块:该模块用于调用、记录与验证链下生成的 AI 推理结果(如预测、分类等)。这些SAPs 提供了链上机制,用于验证链下推理结果来源的合法性与计算有效性,确保 AI 推理过程具备透明度、可验证性与可追责性。

Sahara 区块链协议Sahara 区块链还通过智能合约实现一系列专为 AI 应用设计的协议,统称为 Sahara 区块链协议(SBPs),为 AI 生命周期中的关键阶段提供结构化、安全的管理框架,确保 AI 资产与计算结果的处理是透明和可靠的。

Sahara 区块链协议Sahara 区块链还通过智能合约实现一系列专为 AI 应用设计的协议,统称为 Sahara 区块链协议(SBPs),为 AI 生命周期中的关键阶段提供结构化、安全的管理框架,确保 AI 资产与计算结果的处理是透明和可靠的。


AI资产注册协议:该协议用于在链上注册并追踪 AI 资产(如模型、数据集、代理等),为每个资产建立唯一标识与完整溯源记录,确保其来源可验证。主要聚焦于 AI 资产管理的静态部分,例如创建时间、资产身份与来源。

AI资产注册协议:该协议用于在链上注册并追踪 AI 资产(如模型、数据集、代理等),为每个资产建立唯一标识与完整溯源记录,确保其来源可验证。主要聚焦于 AI 资产管理的静态部分,例如创建时间、资产身份与来源。

AI许可协议:  该协议管理链上 AI 资产的访问与使用权限,通过不同类型的链上许可机制 (详见 3.5.3 ),实现访问控制,确保只有授权实体才能访问或使用特定 AI 资产,保障资产使用的合规性与安全性。

AI许可协议:  该协议管理链上 AI 资产的访问与使用权限,通过不同类型的链上许可机制 (详见 3.5.3 ),实现访问控制,确保只有授权实体才能访问或使用特定 AI 资产,保障资产使用的合规性与安全性。

AI 所有权协议: 该协议在链上维护 AI 资产的不可转让、不可替代的归属记录,确保模型、数据集等资产的归属权明晰并具有链上不可否认的所有权证明,为 AI“版权”确权提供基础支撑并透明地管理资产所有权。

AI 所有权协议: 该协议在链上维护 AI 资产的不可转让、不可替代的归属记录,确保模型、数据集等资产的归属权明晰并具有链上不可否认的所有权证明,为 AI“版权”确权提供基础支撑并透明地管理资产所有权。

AI归属协议:该协议记录 AI 生命周期中的持续性贡献行为,并据此管理收益分配。确保所有与AI资产的开发和演化相关的贡献都被记录在链,并根据实际贡献公平分配相关收益给贡献者。

AI归属协议:该协议记录 AI 生命周期中的持续性贡献行为,并据此管理收益分配。确保所有与AI资产的开发和演化相关的贡献都被记录在链,并根据实际贡献公平分配相关收益给贡献者。

3.2.2 Sahara 区块链设计

3.2.2 Sahara 区块链设计

撒哈拉区块链采用权益证明(PoS)共识机制,深度融合AI原生特性以赋能应用层,并与执行层无缝协同实现强效AI效用。其核心技术架构包含:基于Tendermint算法[1]构建的拜占庭容错共识体系,确保网络在存在恶意节点时仍能维持高容错性与一致性;采用模块化设计提升管理域灵活性,支持可扩展解决方案。具体链特性包括:

撒哈拉区块链采用权益证明(PoS)共识机制,深度融合AI原生特性以赋能应用层,并与执行层无缝协同实现强效AI效用。其核心技术架构包含:基于Tendermint算法[1]构建的拜占庭容错共识体系,确保网络在存在恶意节点时仍能维持高容错性与一致性;采用模块化设计提升管理域灵活性,支持可扩展解决方案。具体链特性包括:

效率:依托 Tendermint 算法,Sahara 区块链具备高性能优势,如区块确认速度快、平均出块时间短、几乎即时的最终确认性(finality)。在此基础上,平台进一步引入了针对实时数据处理与高速交易的优化方案,提升整体处理效率,满足 AI 应用对响应速度的严苛要求。

效率:依托 Tendermint 算法,Sahara 区块链具备高性能优势,如区块确认速度快、平均出块时间短、几乎即时的最终确认性(finality)。在此基础上,平台进一步引入了针对实时数据处理与高速交易的优化方案,提升整体处理效率,满足 AI 应用对响应速度的严苛要求。

可扩展性:Sahara 区块链通过模块化架构支持水平扩展以及链下扩展(例如第二层解决方案),在确保安全性与去中心化的前提下,为未来更大规模的应用提供稳健的解决方案。

可扩展性:Sahara 区块链通过模块化架构支持水平扩展以及链下扩展(例如第二层解决方案),在确保安全性与去中心化的前提下,为未来更大规模的应用提供稳健的解决方案。

互操作性:Sahara跨链通信(SCC)协议促进了与其他区块链的无缝交互。该协议支持在无需第三方中介的情况下,安全、无权限地在链与链之间传输任意字节编码的数据。通过利用SCC,该链可以确保无需信任且无需许可的交互,任何参与方都可以操作中继器在区块链之间完成信息传递。此外,它还支持跨链桥,实现不同区块链网络之间资产的自由流通。

互操作性:Sahara跨链通信(SCC)协议促进了与其他区块链的无缝交互。该协议支持在无需第三方中介的情况下,安全、无权限地在链与链之间传输任意字节编码的数据。通过利用SCC,该链可以确保无需信任且无需许可的交互,任何参与方都可以操作中继器在区块链之间完成信息传递。此外,它还支持跨链桥,实现不同区块链网络之间资产的自由流通。

EVM-兼容性:Sahara 区块链内置的虚拟机与以太坊虚拟机(EVM)完全兼容。开发者可无缝使用 Solidity 等主流开发框架,并复用以太坊生态中已有的工具、资源与社区支持。智能合约可直接在 Sahara 区块链上编写和部署,亦能在其他兼容 EVM 的区块链间无缝迁移,无需大幅修改代码。这为开发者提供了一个熟悉且强大的开发环境,以高效地在Sahara上构建去中心化应用。

EVM-兼容性:Sahara 区块链内置的虚拟机与以太坊虚拟机(EVM)完全兼容。开发者可无缝使用 Solidity 等主流开发框架,并复用以太坊生态中已有的工具、资源与社区支持。智能合约可直接在 Sahara 区块链上编写和部署,亦能在其他兼容 EVM 的区块链间无缝迁移,无需大幅修改代码。这为开发者提供了一个熟悉且强大的开发环境,以高效地在Sahara上构建去中心化应用。

低燃料费用:Sahara 区块链实施了高效的交易费用机制,通过优化交易打包处理与动态费用策略,实现低成本交易。即使在网络需求上升的情况下,也能保持燃料费用在可接受范围内,鼓励更多开发者与用户参与生态构建与交互。

低燃料费用:Sahara 区块链实施了高效的交易费用机制,通过优化交易打包处理与动态费用策略,实现低成本交易。即使在网络需求上升的情况下,也能保持燃料费用在可接受范围内,鼓励更多开发者与用户参与生态构建与交互。

3.3 数据层

3.3 数据层

Sahara AI 平台中的数据层是一个专为优化 AI 生命周期中数据管理而设计的抽象层。它作为执行层与多样化数据管理机制之间的关键接口,实现链上与链下数据源的无缝整合。这一层不仅保障了数据的高效访问,还提升了系统的完整性和整体性能,为 AI 应用提供了坚实的数据支撑。

Sahara AI 平台中的数据层是一个专为优化 AI 生命周期中数据管理而设计的抽象层。它作为执行层与多样化数据管理机制之间的关键接口,实现链上与链下数据源的无缝整合。这一层不仅保障了数据的高效访问,还提升了系统的完整性和整体性能,为 AI 应用提供了坚实的数据支撑。

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 Sahara AI 平台内的所有贡献和交互都是透明且可追溯的。

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 Sahara AI 平台内的所有贡献和交互都是透明且可追溯的。

链下数据由于链上数据管理的存储限制和成本考量,重要的数据集、AI 模型和补充信息都存储在链下。通过利用链下存储解决方案,平台可以在不影响性能的情况下处理海量数据,同时保持高效和经济的成本效益。

链下数据由于链上数据管理的存储限制和成本考量,重要的数据集、AI 模型和补充信息都存储在链下。通过利用链下存储解决方案,平台可以在不影响性能的情况下处理海量数据,同时保持高效和经济的成本效益。

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。平台拥有全面的安全措施,确保所有交互均能得到强有力的保护:

安全 Sahara AI 将安全性置于首位,以保护平台和用户数据。平台拥有全面的安全措施,确保所有交互均能得到强有力的保护:

高级加密:该平台采用最新的加密技术保护所有数据,确保敏感信息在传输过程和静态存储过程中均受到保护。这种级别的安全性对于维护 Sahara AI 生态系统内的数据机密性和完整性至关重要。

高级加密:该平台采用最新的加密技术保护所有数据,确保敏感信息在传输过程和静态存储过程中均受到保护。这种级别的安全性对于维护 Sahara AI 生态系统内的数据机密性和完整性至关重要。

访问控制: 配合 AI 许可标准业务流程(SBP),平台通过去中心化的链上许可机制实现自主访问控制。这些许可证确保只有经过授权的参与者才能访问特定的数据资产并进行交互,从而在不依赖中心化审查者的情况下,增强了安全性与合规性。此外,这一方法充分利用 Sahara 区块链的透明性与不可篡改性,确保访问控制既有效又可验证、安全可信。

访问控制: 配合 AI 许可标准业务流程(SBP),平台通过去中心化的链上许可机制实现自主访问控制。这些许可证确保只有经过授权的参与者才能访问特定的数据资产并进行交互,从而在不依赖中心化审查者的情况下,增强了安全性与合规性。此外,这一方法充分利用 Sahara 区块链的透明性与不可篡改性,确保访问控制既有效又可验证、安全可信。

私有域存储:平台支持用户将数据存储在私有域中,在确保数据与平台无缝交互的同时提供更高级别的安全保障。该功能确保用户始终掌握对其敏感数据的控制权,同时充分享有平台强大的功能性与互联能力。

私有域存储:平台支持用户将数据存储在私有域中,在确保数据与平台无缝交互的同时提供更高级别的安全保障。该功能确保用户始终掌握对其敏感数据的控制权,同时充分享有平台强大的功能性与互联能力。

数据可用性Sahara AI 平台积极应对区块链中的数据可用性(DA)问题,通过集成现成的解决方案,确保所有区块数据对网络参与者均可验证地访问。这一策略不仅对维护网络的完整性与信任至关重要,同时也提升了区块链的可扩展性。平台通过优化轻节点的数据验证机制,显著降低了对全节点的依赖,减少了网络带宽与存储开销,从而实现更流畅、更具扩展性的网络运行体验。将这些数据可用性方案集成至数据层中,有效提升了整体系统性能,使网络能够在不牺牲速度与安全性的前提下,处理更大规模的交易与数据流量。

数据可用性Sahara AI 平台积极应对区块链中的数据可用性(DA)问题,通过集成现成的解决方案,确保所有区块数据对网络参与者均可验证地访问。这一策略不仅对维护网络的完整性与信任至关重要,同时也提升了区块链的可扩展性。平台通过优化轻节点的数据验证机制,显著降低了对全节点的依赖,减少了网络带宽与存储开销,从而实现更流畅、更具扩展性的网络运行体验。将这些数据可用性方案集成至数据层中,有效提升了整体系统性能,使网络能够在不牺牲速度与安全性的前提下,处理更大规模的交易与数据流量。

索引 Sahara AI 平台在链上数据管理方面引入先进的索引技术,专为 Sahara 区块链架构优化,显著提升了数据检索速度与查询效率。平台融合了现有的去中心化索引解决方案与自研方案,进一步增强系统的可扩展性与性能。这种索引机制深度集成于数据层,与执行层和数据源实现无缝连接,从而支持高频访问与复杂查询操作,在数据体量不断增长的情况下,依然保持高效运行。

索引 Sahara AI 平台在链上数据管理方面引入先进的索引技术,专为 Sahara 区块链架构优化,显著提升了数据检索速度与查询效率。平台融合了现有的去中心化索引解决方案与自研方案,进一步增强系统的可扩展性与性能。这种索引机制深度集成于数据层,与执行层和数据源实现无缝连接,从而支持高频访问与复杂查询操作,在数据体量不断增长的情况下,依然保持高效运行。

索引 Sahara AI 平台在链上数据管理方面引入先进的索引技术,专为 Sahara 区块链架构优化,显著提升了数据检索速度与查询效率。平台融合了现有的去中心化索引解决方案与自研方案,进一步增强系统的可扩展性与性能。这种索引机制深度集成于数据层,与执行层和数据源实现无缝连接,从而支持高频访问与复杂查询操作,在数据体量不断增长的情况下,依然保持高效运行。

存储 平台采用混合式存储模型,结合去中心化与中心化系统的优势,优化链下数据存储的成本效率与可扩展性。对于需要不可篡改性与去中心化托管的关键数据,平台支持使用像 IPFS 这样的去中心化存储方案;同时,也能集成传统云存储解决方案,以满足大规模数据在访问速度与可用性方面的需求。这一双轨策略帮助用户在控制数据存储成本的同时,保障了高可用性与快速响应,构建出稳定且灵活的数据基础设施。


3.4 执行层

3.4 执行层

执行层 是 Sahara AI 平台的链下 AI 基础设施,负责与交易层(Transaction Layer)和数据层(Data Layer)高效协同,无缝交互,执行并管理与 AI 计算和功能相关的协议任务。根据具体执行任务,执行层可安全地从数据层调用所需数据,并动态分配计算资源,以实现最佳性能。在执行过程中,平台采用高效、隐私保护且具备完整性保障的多样化协议,确保计算过程的可靠性与安全性。同时,执行层还会与 Sahara 区块链进行交互,记录所有执行活动及其证明,保障数据的可追溯性与可信性。此外,Sahara 的 AI 基础设施具备高性能特性,支持快速响应、弹性扩展和强大稳定性,满足多样化的 AI 应用场景。

执行层 是 Sahara AI 平台的链下 AI 基础设施,负责与交易层(Transaction Layer)和数据层(Data Layer)高效协同,无缝交互,执行并管理与 AI 计算和功能相关的协议任务。根据具体执行任务,执行层可安全地从数据层调用所需数据,并动态分配计算资源,以实现最佳性能。在执行过程中,平台采用高效、隐私保护且具备完整性保障的多样化协议,确保计算过程的可靠性与安全性。同时,执行层还会与 Sahara 区块链进行交互,记录所有执行活动及其证明,保障数据的可追溯性与可信性。此外,Sahara 的 AI 基础设施具备高性能特性,支持快速响应、弹性扩展和强大稳定性,满足多样化的 AI 应用场景。

3.4.1 高性能基础设施

3.4.1 高性能基础设施

Sahara AI执行层底层基础设施专为高性能AI计算设计,具备以下核心特性:

Sahara AI执行层底层基础设施专为高性能AI计算设计,具备以下核心特性:

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算力,确保快速可靠的性能。

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算力,确保快速可靠的性能。

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。同时借助 Sahara 区块链的加持,平台架构具备分区容错能力。一旦出现故障,系统可快速恢复,保障处理流程的完整性,并最大限度减少停机时间。

韧性:执行层采用容错设计,以确保系统的稳定性和可靠性。同时借助 Sahara 区块链的加持,平台架构具备分区容错能力。一旦出现故障,系统可快速恢复,保障处理流程的完整性,并最大限度减少停机时间。

3.4.2 抽象

3.4.2 抽象

抽象层是Sahara AI平台实现多样化AI资产的基础架构,为数据集、AI模型、计算资源、保险库及智能体管理等核心要素提供统一的概念框架。

抽象层是Sahara AI平台实现多样化AI资产的基础架构,为数据集、AI模型、计算资源、保险库及智能体管理等核心要素提供统一的概念框架。

核心抽象核心抽象构成了 Sahara AI 平台中 AI 操作的基本组成部分:

核心抽象核心抽象构成了 Sahara AI 平台中 AI 操作的基本组成部分:

数据集 数据集抽象表示来自平台参与者的整理数据,这些数据为AI模型训练与推理增强提供关键支撑。

数据集 数据集抽象表示来自平台参与者的整理数据,这些数据为AI模型训练与推理增强提供关键支撑。

AI 模型AI模型抽象封装了各种机器学习任务的模型和架构。平台重点关注生成式模型 [2, 3, 4, 5], 尤其是大型语言模型 (LLMs) [6, 7, 8]。并对基于变压器架构的模型进行了专门优化 [9, 10]。

AI 模型AI模型抽象封装了各种机器学习任务的模型和架构。平台重点关注生成式模型 [2, 3, 4, 5], 尤其是大型语言模型 (LLMs) [6, 7, 8]。并对基于变压器架构的模型进行了专门优化 [9, 10]。

算力 算力抽象用于管理支持 AI 任务执行的资源。Sahara AI 的基础设施可动态分配算力以实现最优性能与成本效率,涵盖云端 GPU 以及来自网络参与者的去中心化算力贡献。

算力 算力抽象用于管理支持 AI 任务执行的资源。Sahara AI 的基础设施可动态分配算力以实现最优性能与成本效率,涵盖云端 GPU 以及来自网络参与者的去中心化算力贡献。


高级抽象 高级抽象在核心抽象基础上构建,为 Sahara AI 平台提供更高级的功能与集成能力:

高级抽象 高级抽象在核心抽象基础上构建,为 Sahara AI 平台提供更高级的功能与集成能力:

保险库 保险库抽象构成 Sahara 保险库背后的执行接口,主要用于管理 AI 资产的访问权限与高效利用,并且对运作过程至关重要。

保险库 保险库抽象构成 Sahara 保险库背后的执行接口,主要用于管理 AI 资产的访问权限与高效利用,并且对运作过程至关重要。

智能体 智能体抽象是Sahara代理背后的执行接口。具体而言,平台重点聚焦于基于 LLM 的代理[11, 12, 13],将大型语言模型作为代理的大脑。这些抽象使智能体具备复杂推理、自然语言交互能力,并能够高效执行一系列认知与决策任务[14, 15, 16, 17]。

智能体 智能体抽象是Sahara代理背后的执行接口。具体而言,平台重点聚焦于基于 LLM 的代理[11, 12, 13],将大型语言模型作为代理的大脑。这些抽象使智能体具备复杂推理、自然语言交互能力,并能够高效执行一系列认知与决策任务[14, 15, 16, 17]。

3.4.3 执行层的协议

3.4.3 执行层的协议

Sahara AI 平台的执行层通过一套专门设计的协议体系,协调并驱动复杂的 AI 操作流程。这些协议旨在高效连接平台内的各类抽象模块,全面支持包括 AI 访问、训练与推理执行等核心任务。执行层与 Sahara 区块链协议(SBPs)深度集成,精确记录每一次执行过程的关键细节,包括但不限于:谁发起了某项操作、调用了哪些资源、以及各方在执行中的具体贡献,从而实现全流程的透明追踪与可信溯源。

Sahara AI 平台的执行层通过一套专门设计的协议体系,协调并驱动复杂的 AI 操作流程。这些协议旨在高效连接平台内的各类抽象模块,全面支持包括 AI 访问、训练与推理执行等核心任务。执行层与 Sahara 区块链协议(SBPs)深度集成,精确记录每一次执行过程的关键细节,包括但不限于:谁发起了某项操作、调用了哪些资源、以及各方在执行中的具体贡献,从而实现全流程的透明追踪与可信溯源。

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 Sahara AI 平台执行层与数据保险库之间的交互,详细定义了在各类 AI 流程中如何访问与使用保险库内的数据。

保险库执行协议 保险库执行协议标准化了 Sahara AI 平台执行层与数据保险库之间的交互,详细定义了在各类 AI 流程中如何访问与使用保险库内的数据。

直接访问协议:该协议允许用户对保险库执行针对性查询,快速、安全地检索特定信息。

直接访问协议:该协议允许用户对保险库执行针对性查询,快速、安全地检索特定信息。

下游模型训练协议:  该协议支持利用保险库中存储的数据进行下游 AI 模型训练。涵盖多种训练范式 [10, 6, 18, 19],包括使用非结构化数据进行预训练,以及使用结构化数据进行后续优化。

下游模型训练协议:  该协议支持利用保险库中存储的数据进行下游 AI 模型训练。涵盖多种训练范式 [10, 6, 18, 19],包括使用非结构化数据进行预训练,以及使用结构化数据进行后续优化。

检索增强生成(RAG)协议:RAG [2021] 协议利用从保险库中检索的相关数据,增强生成式模型的输出质量与上下文关联性。

检索增强生成(RAG)协议:RAG [2021] 协议利用从保险库中检索的相关数据,增强生成式模型的输出质量与上下文关联性。

智能体执行协议 智能体框架协议管理执行层内智能体的交互和协作。包括以下几类协议:

智能体执行协议 智能体框架协议管理执行层内AI智能体的交互和协作。包括以下几类协议:

通信协议:Sahara AI 支持多种通信策略,以适配不同的协作需求:

通信协议:Sahara AI 支持多种通信策略,以适配不同的协作需求:

层级沟通:在这个策略中,一个代理担任主导角色,其他代理向其汇报 [22, 23, 24].

层级沟通:在这个策略中,一个代理担任主导角色,其他代理向其汇报 [22, 23, 24].

•  点对点通信: 在此策略中,所有代理平等交互,共享信息并协同做出决策 [12, 25, 26].

•  点对点通信: 在此策略中,所有代理平等交互,共享信息并协同做出决策 [12, 25, 26].

多智能体协同协议:在 Sahara AI 平台中,复杂目标的实现依赖高效的多智能体协同机制。该协议涵盖任务分配、同步、行为演化与协作策略等关键能力。

多智能体协同协议:在 Sahara AI 平台中,复杂目标的实现依赖高效的多智能体协同机制。该协议涵盖任务分配、同步、行为演化与协作策略等关键能力。

协作计算协议执行层引入了协作计算协议,以支持多个参与者共同开发与部署 AI 模型。该协作框架内包含隐私保护计算模块与计算欺诈证明机制,保障整个 AI 开发过程中的隐私性与完整性,同时结合参数高效微调(PEFT)模块,实现对 AI 模型的高效优化。

协作计算协议执行层引入了协作计算协议,以支持多个参与者共同开发与部署 AI 模型。该协作框架内包含隐私保护计算模块与计算欺诈证明机制,保障整个 AI 开发过程中的隐私性与完整性,同时结合参数高效微调(PEFT)模块,实现对 AI 模型的高效优化。

协同模型训练协议协同模型训练是该框架的核心组成,支持多个用户或系统共同参与构建 AI 模型,包括:

协同模型训练协议协同模型训练是该框架的核心组成,支持多个用户或系统共同参与构建 AI 模型,包括:

去中心化训练:  Sahara AI 支持去中心化训练架构,参与者可贡献算力资源 [27] 以去中心化训练系统 [28] 形式协同完成模型训练.

去中心化训练:  Sahara AI 支持去中心化训练架构,参与者可贡献算力资源 [27] 以去中心化训练系统 [28] 形式协同完成模型训练.

模型聚合:除了去中心化训练,Sahara AI 将支持模型聚合,采用尖端的模型合并技术 [29, 30, 31] 使多个参与方可将各自的专有模型聚合为统一集体模型。

模型聚合:除了去中心化训练,Sahara AI 将支持模型聚合,采用尖端的模型合并技术 [29, 30, 31] 使多个参与方可将各自的专有模型聚合为统一集体模型。

协同模型推理协议该协议允许多用户/系统协同提供AI模型推理服务,主要功能包括:

协同模型推理协议该协议允许多用户/系统协同提供AI模型推理服务,主要功能包括:

去中心化推理:类似于去中心化训练,参与者可分别托管模型的部分组件 [32, 33, 27],从而实现高效、可扩展的推理服务,促进参与方之间的无缝协作。

去中心化推理:类似于去中心化训练,参与者可分别托管模型的部分组件 [32, 33, 27],从而实现高效、可扩展的推理服务,促进参与方之间的无缝协作。

附加模块

附加模块

PEFT 模块 Sahara AI 将支持各种参数高效微调(PEFT)技术 [34, 35, 36], 例如低秩适应 (LoRA) [37], 以实现对大型 AI 模型的高效、便携式定制。这些 PEFT 模块能够在极低的计算开销下提升模型性能,并可作为即插即用组件集成至大模型(如 LLM)中,提升模型部署与优化的灵活性。

PEFT 模块 Sahara AI 将支持各种参数高效微调(PEFT)技术 [34, 35, 36], 例如低秩适应 (LoRA) [37], 以实现对大型 AI 模型的高效、便携式定制。这些 PEFT 模块能够在极低的计算开销下提升模型性能,并可作为即插即用组件集成至大模型(如 LLM)中,提升模型部署与优化的灵活性。

隐私保护计算模块:执行层内置隐私保护计算模块,确保专有数据与模型参数在整个处理流程中始终保持加密与安全。平台针对多种场景提供多样化的隐私保护技术,包括:

隐私保护计算模块:执行层内置隐私保护计算模块,确保专有数据与模型参数在整个处理流程中始终保持加密与安全。平台针对多种场景提供多样化的隐私保护技术,包括:

差分隐私 (DP): 在推理和训练过程中使用,以向数据或计算添加噪声 [38, 39, 40, 41]。保护单个数据点不被识别,确保数据个体隐私不被泄露。

差分隐私 (DP): 在推理和训练过程中使用,以向数据或计算添加噪声 [38, 39, 40, 41]。保护单个数据点不被识别,确保数据个体隐私不被泄露。

同态加密 (HE): 用于双方计算、轻量级计算任务以及预处理计算(如为更大模型生成随机数)的场景 [42].

同态加密 (HE): 用于双方计算、轻量级计算任务以及预处理计算(如为更大模型生成随机数)的场景 [42].

秘密共享 (SS): 适用于通用变压器架构的推理任务 [43, 44],将数据拆分成多个片段,分布式存储于多个节点,任何单一节点均无法获取完整数据,有效防止信息泄露。

秘密共享 (SS): 适用于通用变压器架构的推理任务 [43, 44],将数据拆分成多个片段,分布式存储于多个节点,任何单一节点均无法获取完整数据,有效防止信息泄露。

计算欺诈证明模块: 平台支持针对协作计算协议中产生的计算结果生成欺诈证明 [45, 46]。这些证明将在链上验证,用于防止恶意或错误的计算行为,确保计算结果的可信性与完整性。

计算欺诈证明模块: 平台支持针对协作计算协议中产生的计算结果生成欺诈证明 [45, 46]。这些证明将在链上验证,用于防止恶意或错误的计算行为,确保计算结果的可信性与完整性。

3.4.4 集成

3.4.4 集成

执行层与Sahara AI平台其他层级深度集成,构建高效协同的AI基础设施

执行层与Sahara AI平台其他层级深度集成,构建高效协同的AI基础设施

交易层 执行层与交易层协同工作,共同管理 AI 资产的主权与溯源。所有涉及 AI 资产的执行、贡献与使用行为——例如模型调用、数据使用、计算结果等——都会在执行层完成,并通过 SAPs(Sahara 抽象协议)与 SBPs(标准业务流程)发送至 Sahara 区块链进行链上记录,确保过程可追溯、可验证。

交易层 执行层与交易层协同工作,共同管理 AI 资产的主权与溯源。所有涉及 AI 资产的执行、贡献与使用行为——例如模型调用、数据使用、计算结果等——都会在执行层完成,并通过 SAPs(Sahara 抽象协议)与 SBPs(标准业务流程)发送至 Sahara 区块链进行链上记录,确保过程可追溯、可验证。

数据层 执行层通过保险库抽象与相关协议与数据层交互,在训练或 RAG(检索增强生成)任务中安全访问保险库中的数据。该集成机制结合了数据层与执行层中的计算协议,确保数据隐私、安全性与完整性。

数据层 执行层通过保险库抽象与相关协议与数据层交互,在训练或 RAG(检索增强生成)任务中安全访问保险库中的数据。该集成机制结合了数据层与执行层中的计算协议,确保数据隐私、安全性与完整性。

3.5 经济系统

3.5 经济系统

Sahara AI 构建了一个协作式、公平且可持续的 AI 经济体系,让从开发者到终端用户的每一位参与者都能贡献价值、推动创新,并共享收益。无论是提供知识与数据、微调模型,还是构建智能体,Sahara AI 都确保每项贡献都能获得公平回报,交易过程公开透明,生态参与机会人人可及。

Sahara AI 构建了一个协作式、公平且可持续的 AI 经济体系,让从开发者到终端用户的每一位参与者都能贡献价值、推动创新,并共享收益。无论是提供知识与数据、微调模型,还是构建智能体,Sahara AI 都确保每项贡献都能获得公平回报,交易过程公开透明,生态参与机会人人可及。

3.5.1 经济角色

3.5.1 经济角色

在经济系统中,Sahara AI 平台包括以下重要角色:

在经济系统中,Sahara AI 平台包括以下重要角色:

开发者: 开发者是 Sahara AI 生态系统的核心构建者,负责打造前沿的 AI 模型、工具和应用。他们通过其作品的使用所产生的版权费和授权费用获得奖励。

开发者: 开发者是 Sahara AI 生态系统的核心构建者,负责打造前沿的 AI 模型、工具和应用。他们通过其作品的使用所产生的版权费和授权费用获得奖励。

知识提供者:知识提供者,包括数据标注者和审阅者,在筛选高质量数据集和保障 AI 训练过程的准确性方面发挥着关键作用。他们的报酬与其所提供知识和数据的质量与实用性挂钩。

知识提供者:知识提供者,包括数据标注者和审阅者,在筛选高质量数据集和保障 AI 训练过程的准确性方面发挥着关键作用。他们的报酬与其所提供知识和数据的质量与实用性挂钩。

消费者:包括企业和终端用户在内的消费者是推动AI解决方案落地的的核心力量。他们为获取高质量 AI 资产而付费,从而优化业务流程、加速创新,并实现可衡量的价值回报。

消费者:包括企业和终端用户在内的消费者是推动AI解决方案落地的的核心力量。他们为获取高质量 AI 资产而付费,从而优化业务流程、加速创新,并实现可衡量的价值回报。

验证者:验证者是 Sahara 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,验证者将因其在维护生态系统信任和可靠性方面发挥的关键作用而获得奖励。

验证者:验证者是 Sahara 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,验证者将因其在维护生态系统信任和可靠性方面发挥的关键作用而获得奖励。


3.5.2 增长飞轮

3.5.2 增长飞轮

图4:Sahara 双重增长飞轮

图4:Sahara 双重增长飞轮

总体而言,如图4所示,Sahara AI 采用双增长飞轮模型,推动 Web3 生态与 AI 生态的可持续与可扩展发展。这一双轮驱动策略确保两个生态系统在协同作用下形成闭环,彼此促进、共同成长,构建一个自我驱动的正向增长循环。

总体而言,如图4所示,Sahara AI 采用双增长飞轮模型,推动 Web3 生态与 AI 生态的可持续与可扩展发展。这一双轮驱动策略确保两个生态系统在协同作用下形成闭环,彼此促进、共同成长,构建一个自我驱动的正向增长循环。

AI 生态系统 AI 生态的增长飞轮由开发者驱动,他们发布并参与各类 AI 相关任务。这些任务吸引了知识提供者与开发者协作,共同在生态内创建 AI 资产。随着 AI 资产的不断生成,逐渐吸引消费者使用,从而带动AI 资产收入的增长。这一收入增长提升了开发者的净收益,进一步吸引更多开发者加入生态。开发者的持续涌入会带来更多创新,加速高价值 AI 资产的生成,推动 AI 生态不断循环发展并迈向繁荣。

AI 生态系统 AI 生态的增长飞轮由开发者驱动,他们发布并参与各类 AI 相关任务。这些任务吸引了知识提供者与开发者协作,共同在生态内创建 AI 资产。随着 AI 资产的不断生成,逐渐吸引消费者使用,从而带动AI 资产收入的增长。这一收入增长提升了开发者的净收益,进一步吸引更多开发者加入生态。开发者的持续涌入会带来更多创新,加速高价值 AI 资产的生成,推动 AI 生态不断循环发展并迈向繁荣。

Web3 生态系统 Web3 生态的增长飞轮由开发者驱动,开发者通过在 Sahara 区块链上构建应用程序推动产品创新。这些创新加速了用户参与度的提升,吸引更多用户进入平台。用户活跃度的上升进一步促进生态繁荣,带动交易数量增长。随着交易的增长,基础服务的收入也随之增加,进而吸引更多验证者加入生态,进一步增强整体基础设施的稳定性。而更稳定的基础设施又将反过来吸引更多开发者参与,推动更多产品创新,从而持续推动整个生态的正向增长循环。

Web3 生态系统 Web3 生态的增长飞轮由开发者驱动,开发者通过在 Sahara 区块链上构建应用程序推动产品创新。这些创新加速了用户参与度的提升,吸引更多用户进入平台。用户活跃度的上升进一步促进生态繁荣,带动交易数量增长。随着交易的增长,基础服务的收入也随之增加,进而吸引更多验证者加入生态,进一步增强整体基础设施的稳定性。而更稳定的基础设施又将反过来吸引更多开发者参与,推动更多产品创新,从而持续推动整个生态的正向增长循环。

协同作用 AI 与 Web3 两大生态高度融合,开发者是两者的核心驱动力。在 AI 生态中,开发者通过参与各类与AI相关的任务,创建推动创新的 AI 资产,进而吸引更多开发者加入并推动生态增长。这些由 AI 赋能的开发者进一步被 Web3 生态所吸收,提升产品创新力与用户参与度。用户活跃度的提升又带动了 Web3 生态中的交易与收入增长,反过来又为 AI 的持续开发提供了更稳定的平台与资源,从而吸引更多开发者。这种双向循环的协同作用,确保了每个生态在不断发展的同时,还能支持并加速其他生态系统的发展,形成一个相互促进的强大循环。

协同作用 AI 与 Web3 两大生态高度融合,开发者是两者的核心驱动力。在 AI 生态中,开发者通过参与各类与AI相关的任务,创建推动创新的 AI 资产,进而吸引更多开发者加入并推动生态增长。这些由 AI 赋能的开发者进一步被 Web3 生态所吸收,提升产品创新力与用户参与度。用户活跃度的提升又带动了 Web3 生态中的交易与收入增长,反过来又为 AI 的持续开发提供了更稳定的平台与资源,从而吸引更多开发者。这种双向循环的协同作用,确保了每个生态在不断发展的同时,还能支持并加速其他生态系统的发展,形成一个相互促进的强大循环。


3.5.3 AI 资产的资本化

3.5.3 AI 资产的资本化

在 Sahara AI 平台中,AI 资产的价值化体系分为两种核心机制:凭证(Receipts) 与 许可(Licenses)。

在 Sahara AI 平台中,AI 资产的价值化体系分为两种核心机制:凭证(Receipts) 与 许可(Licenses)。

存证(Receipt)是链上记录的、不可转让、不可替代的数字凭证,代表 AI 资产的归属权及收益分配权。该机制旨在实现以下目标:

链上存证(Receipt)是链上记录的、不可转让、不可替代的数字凭证,代表 AI 资产的归属权及收益分配权。该机制旨在实现以下目标:


验证所有权:链上存证为贡献者在AI资产创作中的参与度提供透明且不可篡改的记录,确保在AI全生命周期中的明确所有权归属与溯源能力。此举不仅能提升贡献者的链上声誉值与生态内曝光度,还有助于建立可信协作环境与责任追溯体系。

验证所有权:链上存证为贡献者在AI资产创作中的参与度提供透明且不可篡改的记录,确保在AI全生命周期中的明确所有权归属与溯源能力。此举不仅能提升贡献者的链上声誉值与生态内曝光度,还有助于建立可信协作环境与责任追溯体系。

收益共享机制:贡献者可根据其AI资产的使用情况获得版税及授权费用,确保劳动成果获得合理回报。该收益分配规则直接内置于链上存证中,使贡献者能直接从其资产创造的价值中获益。

收益共享机制:贡献者可根据其AI资产的使用情况获得版税及授权费用,确保劳动成果获得合理回报。该收益分配规则直接内置于链上存证中,使贡献者能直接从其资产创造的价值中获益。

文档声誉: 链上存证是贡献者在 Sahara AI 生态系统中贡献与成就的可验证记录。通过链上存证积累的较高链上声誉,可带来更广泛的曝光机会、更多通过许可方式变现 AI 资产的机会,以及额外的平台高级功能访问权限。该机制激励开发者与知识提供者持续打造高质量的 AI 资产,推动整个生态系统的创新与卓越发展。

文档声誉: 链上存证是贡献者在 Sahara AI 生态系统中贡献与成就的可验证记录。通过链上存证积累的较高链上声誉,可带来更广泛的曝光机会、更多通过许可方式变现 AI 资产的机会,以及额外的平台高级功能访问权限。该机制激励开发者与知识提供者持续打造高质量的 AI 资产,推动整个生态系统的创新与卓越发展。

许可证 是一种链上数字证明,代表访问或使用AI资产的权限。许可证旨在为广大用户提供灵活和安全的AI资产访问权限:

许可证 是一种链上数字证明,代表访问或使用AI资产的权限。许可证旨在为广大用户提供灵活和安全的AI资产访问权限:

合作许可证:专为深度定制化合作设计的长期授权方案,特别适合需要将AI资产深度整合至核心业务体系并寻求稳定长期合作的企业或组织。

合作许可证:专为深度定制化合作设计的长期授权方案,特别适合需要将AI资产深度整合至核心业务体系并寻求稳定长期合作的企业或组织。

API 许可证:通过 API 安全访问 AI 资产,每次调用均需支付固定费用。该许可证专为需要以编程方式访问 AI 功能的开发者和企业而设计,可无缝集成到其应用程序中。

API 许可证:通过 API 安全访问 AI 资产,每次调用均需支付固定费用。该许可证专为需要以编程方式访问 AI 功能的开发者和企业而设计,可无缝集成到其应用程序中。


完全访问许可证: 一次性付款即可获得AI资产完整使用权(含核心参数)。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。

完全访问许可: 一次性付款即可获得AI资产完整使用权(含核心参数)。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:一次性付费即可在有效期内无限次使用AI资产,特别适合需要长期稳定调用AI资产且不愿频繁支付的客户。

长期许可证:一次性付费即可在有效期内无限次使用AI资产,特别适合需要长期稳定调用AI资产且不愿频繁支付的客户。

4. 治理

4. 治理

Sahara AI 平台的治理机制强调去中心化与社区驱动的创新与决策方式。所有行动与决策都通过 Sahara DAO 以透明、公正的方式推进,让那些为平台做出重要贡献的用户拥有提案、讨论与投票的权力,真正实现社区共治。Sahara 基金会将在初期支持 Sahara DAO 的建立,引导社区逐步迈向完全去中心化的治理体系。通过这一治理模型,Sahara AI 平台确保更多用户能够深度参与平台的演进与发展。

Sahara AI 平台的治理机制强调去中心化与社区驱动的创新与决策方式。所有行动与决策都通过 Sahara DAO 以透明、公正的方式推进,让那些为平台做出重要贡献的用户拥有提案、讨论与投票的权力,真正实现社区共治。Sahara 基金会将在初期支持 Sahara DAO 的建立,引导社区逐步迈向完全去中心化的治理体系。通过这一治理模型,Sahara AI 平台确保更多用户能够深度参与平台的演进与发展。

4.1 Sahara DAO

4.1 Sahara DAO

Sahara DAO 致力于实现全面的去中心化治理,在保留必要核心功能的同时,最大限度减少治理干预,鼓励自治与创新。在 Sahara 生态系统中做出重要贡献的用户将在平台治理中发挥着至关重要的作用,具有提出提案、参与讨论及投票表决的权利。他们既可以自行投票,也可将投票权委托给信任的代表。

Sahara DAO 的设计旨在保障平台的独立性与透明度,真正体现社区的广泛利益。治理体系优先考虑对生态贡献者的公平回报,同时通过战略性资源管理,在满足短期发展需求的同时兼顾长期愿景。

Sahara DAO 致力于实现全面的去中心化治理,在保留必要核心功能的同时,最大限度减少治理干预,鼓励自治与创新。在 Sahara 生态系统中做出重要贡献的用户将在平台治理中发挥着至关重要的作用,具有提出提案、参与讨论及投票表决的权利。他们既可以自行投票,也可将投票权委托给信任的代表。

Sahara DAO 的设计旨在保障平台的独立性与透明度,真正体现社区的广泛利益。治理体系优先考虑对生态贡献者的公平回报,同时通过战略性资源管理,在满足短期发展需求的同时兼顾长期愿景。

4.2 Sahara 基金会

4.2 Sahara 基金会

Sahara 基金会致力于推进 Sahara 愿景,引领平台发展成为一个开放、去中心化、社区驱动的生态系统。其核心职责是促进 Sahara DAO 的创建,促进 Sahara 生态系统的增长,并推进底层技术的发展,确保平台的长期可持续性和广泛参与。

在 Sahara DAO 初期阶段,基金会将提供支持与指导,协助制定有效的长期发展策略,从而为实现去中心化、透明和社区主导的治理打下坚实基础。通过早期提供结构化援助,基金会确保将决策权和生态系统控制权逐步移交给社区成员,推动构建真正无许可的开放环境。

与此同时,基金会也支持作为开源项目的 Sahara 区块链协议(SBP),鼓励社区广泛参与,共同强化技术基础设施,并资助围绕可扩展性、安全性与去中心化等关键方向的研究。通过这些举措,Sahara 基金会始终坚守开放、去中心化与社区共治的核心原则,推动平台稳步向前发展。


Sahara 基金会致力于推进 Sahara 愿景,引领平台发展成为一个开放、去中心化、社区驱动的生态系统。其核心职责是促进 Sahara DAO 的创建,促进 Sahara 生态系统的增长,并推进底层技术的发展,确保平台的长期可持续性和广泛参与。

在 Sahara DAO 初期阶段,基金会将提供支持与指导,协助制定有效的长期发展策略,从而为实现去中心化、透明和社区主导的治理打下坚实基础。通过早期提供结构化援助,基金会确保将决策权和生态系统控制权逐步移交给社区成员,推动构建真正无许可的开放环境。

与此同时,基金会也支持作为开源项目的 Sahara 区块链协议(SBP),鼓励社区广泛参与,共同强化技术基础设施,并资助围绕可扩展性、安全性与去中心化等关键方向的研究。通过这些举措,Sahara 基金会始终坚守开放、去中心化与社区共治的核心原则,推动平台稳步向前发展。



5. 未来

5. 未来

在Sahara AI赋能的未来,人工智能将不再被少数人掌控,而是成为一种共享资源,人人可享。这个全新的 AI 世界以透明性、包容性、公平性为核心原则,最重要的是,它将用户隐私与自主控制权置于首位。

在这个未来中,AI 爱好者可以登录 Sahara AI,探索丰富的 AI 模块,使用自己的专属数据集优化这些模型,与社区分享他们的改进成果。他们对自己的 AI 资产拥有完全的掌控权,在保护个人贡献的同时,亦可通过平台获得持续收益。

曾受限于中心化壁垒的数据科学家,如今能够借助 Sahara AI 提供的大量数据与模型资源推进研究。借助平台强大的隐私保护机制,他们可以在保障数据安全与知识产权的前提下,安心优化模型并部署应用。

对于企业决策者而言,Sahara AI 提供了契合业务需求的定制化 AI 解决方案,帮助企业内部驱动创新。他们可以在确保数据不外泄、AI 资产归属明确的情况下,放心构建属于自己的智能能力。

与此同时,即使是不具备技术背景的普通用户,也能在 Sahara AI 中找到归属感。他们可以参与前沿项目、贡献自己的专业知识、参与平台治理,或支持伦理 AI 实践——所有的参与都将被尊重、记录并获得应有的回报,而对其贡献的控制权始终属于个人。

Sahara AI 生态不仅是一个平台,更是一个由每一位参与者共同塑造的去中心化 AI 社区。在这里每个人——无论背景或专业知识——都能在塑造 AI 的未来中发挥重要作用。推动 AI 的去中心化进程,打造一个人人共享红利、隐私受尊重、资产归属清晰的开放环境。Sahara AI 将人工智能转化为真正赋能个体与社区的力量,共同引领世界迈向更互联、安全与公平的未来。

在Sahara AI赋能的未来,人工智能不再由少数人控制,而是成为一种共享资源,人人可享。这个新的人工智能世界遵循透明、包容、公平的原则,最重要的是,保障用户的隐私和控制权。

未来,人工智能爱好者可以登录Sahara AI,探索各种人工智能模块,用他们的专有数据集优化这些模型,并与社区分享他们的成果。他们可以完全掌控自己的 AI 资产,确保贡献成果得到保护,同时还能获得奖励。

曾经受中心化壁垒束缚的数据科学家,如今可以利用 Sahara AI 的海量数据和模型来推进他们的研究。借助该平台强大的隐私功能,他们可以完善模型并部署解决方案,同时保持对自身数据和知识产权的控制。

对于企业领导者而言,Sahara AI 提供符合其公司特定需求的定制 AI 解决方案,从而带来战略优势。他们可以在组织内部推动创新,并确保数据安全无虞,AI 资产始终处于他们的掌控之中。

与此同时,即使对于不是 AI 专家的人,Sahara AI 也能提供热情友好的环境。他们可以参与前沿项目,贡献自己的专业知识,参与治理,并支持符合伦理道德的 AI 倡议,同时保持对自己的贡献的完全掌控,并获得与其参与度相匹配的奖励。

Sahara AI 生态系统是一个社区,在这里每个人——无论背景或专业——都能在塑造 AI 的未来中发挥重要作用。这不仅仅是构建一个平台;而是要创建一个去中心化的开放环境,让 AI 的益处得到公平分享,并将隐私和对 AI 资产的控制置于首位。Sahara AI 生态系统将携手各方,将 AI 转化为赋能个人和社区的力量,引领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

AI 模型:AI 模型是通过从数据中学习来模拟人类智能的算法。这些模型可以识别模式、做出决策,甚至基于所学内容生成文本、图像等内容。AI 模型从专注特定任务的“侠义AI”到能处理多类任务的通用模型类型不等,常见示例包括神经网络、决策树与回归模型等。

AI 模型:AI模型是一类通过学习数据来模拟人类智能行为的算法。这些模型能够识别模式、做出判断,甚至基于所学知识生成新的内容。AI模型的类型涵盖从专注于特定任务的狭义AI,到具备更广泛功能的通用模型。常见示例包括神经网络、决策树和回归模型。

生成式模型: 生成式模型是用于创建新内容的 AI 模型,例如文本、图像、音乐或视频。这类模型通过学习大量数据中的模式,再以相似风格生成新的数据。常见的生成式模型包括基于变压器的架构。

生成模型: 这类 AI 模型旨在创作全新的内容,例如文本、图像、音乐或视频。它们通过学习大规模数据集中的模式,并基于这些知识生成与原始数据风格相似的新内容。常见的生成模型类型包括变压器等架构。

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衡量输入数据中不同部分的重要性,非常适用于翻译、文本生成等任务。现代的大型语言模型(LLM)普遍基于该架构构建。

变压器: 一种擅长处理序列数据(如自然语言)的深度学习模型架构。通过自注意力机制,变压器能够同时衡量输入数据中不同部分的重要性,从而在翻译、文本生成等任务中表现出色。变压器也是许多现代大型语言模型的核心架构基础。

大型语言模型 (LLMs): 大型语言模型是基于变压器架构的大型模型,训练数据量庞大,主要处理文本任务。通过预测语境中的下一个词,它们能够生成接近人类语言风格的文本。大型语言模型具备多功能性,广泛应用于写作、翻译、摘要等任务中。

大型语言模型 (LLMs): 这类模型属于变换器架构的一种,通过海量文本语料进行训练。能够通过根据提供的上下文预测下一个词,从而生成自然流畅、接近人类水平的文本。LLMs 具有多功能性,适用范围广泛,能够执行各种任务,如写作、翻译和摘要。

智能体: 智能体是一种自主运行的程序,能够与环境交互,完成任务、做出决策并实现特定目标。智能体可以很简单,例如帮助安排日程的虚拟助手,也可以很复杂,例如能够自主导航的自动驾驶汽车。

智能体: 智能体是一种具备自主决策能力的程序,能够与其所处环境进行交互,以完成任务、做出判断并达成特定目标。智能体可以很简单,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 是一类可使用更少参数对大型预训练模型进行微调的技术,使整个过程更节省资源。例如 LoRA 或 Adapter 等方法仅更新模型的一小部分参数,从而降低计算成本,同时保持模型性能。

参数高效微调 (PEFT): PEFT 是一种技术手段,旨在以更少的参数对大规模预训练模型进行微调,从而使整体过程更的资源利用更高效。像 LoRA 或 Adapter(适配器)这样的 PEFT 方法,通常只需调整模型中很小的一部分参数,在显著降低计算成本的同时,依然能够保持模型的性能表现。

LoRA (低秩适应): LoRA 是一种参数高效微调(PEFT)方法,它通过在大型语言模型的各层中引入小型可训练矩阵来实现模型优化。在微调过程中,LoRA 不会调整整个模型的参数,而是只修改这些低秩矩阵——这些矩阵只占模型参数的一小部分。该方法不仅大幅减少了需要调整的参数数量,从而降低资源的使用和提升训练效率,同时还能保持甚至提升模型的整体表现。

LoRA (低秩适应): LoRA 是一种参数高效微调(PEFT)方法,它通过在大型语言模型的各层中引入小型可训练矩阵来实现模型优化。在微调过程中,LoRA 不会调整整个模型的参数,而是只修改这些低秩矩阵——这些矩阵只占模型参数的一小部分。该方法不仅大幅减少了需要调整的参数数量,从而降低资源的使用和提升训练效率,同时还能保持甚至提升模型的整体表现。

检索增强生成 (RAG): RAG 是一种结合检索式方法与生成模型的混合型技术。模型首先从数据库或文档集中检索相关信息,再使用这些信息生成响应。这种方式可使模型提供更准确、上下文相关的回答,特别适用于需要最新或专业知识的场景。

检索增强生成 (RAG): RAG 是一种结合检索式方法与生成模型的混合技术。在 RAG 模型中,模型会先从数据库或文档集中检索相关信息,再基于这些资料生成回答。这种方式让模型在需要调用最新动态或专业知识时,能够生成更准确、贴合上下文的回复,显著提升了内容的实用性与可靠性。

差分隐私: 差分隐私是一种在数据中加入随机噪声以保护个人隐私的技术,使得在不泄露个体敏感信息的前提下,数据仍可用于分析。这在共享私密记录或使用个人数据训练 AI 模型等场景中尤为实用。

• 差分隐私:差分隐私是一种通过向数据加入随机噪声来保护个体隐私的技术。这种方式确保在进行数据分析时不会泄露任何关于个人的敏感信息,因此在共享私密记录或使用个人数据训练 AI 模型等场景下尤为适用,既保障了隐私,又兼顾了数据的可用性。

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,这个新模型能够充分利用每个原始模型的优势。模型融合可以用来提升性能、整合多样化知识,或将不同的功能整合成一个更强大的模型。

模型融合:将两个或多个AI模型整合为一个新模型的过程,使其能够兼具原始模型的优势。模型融合可以提升整体性能、结合不同的知识,或者融合不同的能力打造出更强大的模型。