Fetch.ai là một dự án phần mềm nguồn mở nhằm xây dựng cơ sở hạ tầng để phát triển các ứng dụng hiện đại, phi tập trung và ngang hàng (P2P). Fetch.ai tận dụng trí tuệ nhân tạo và công nghệ tự động hóa để cung cấp nhiều công cụ và khuôn khổ khác nhau nhằm tạo và kết nối các tác nhân thông minh nhằm thực hiện các nhiệm vụ phức tạp trong nền kinh tế kỹ thuật số. Tác nhân thông minh là một mã phần mềm tự động có thể hoạt động thay mặt cho con người, tổ chức hoặc máy móc. Mạng của Fetch.ai là một giao thức chuỗi chéo dựa trên Cosmos-SDK, có thể triển khai logic học máy và mật mã nâng cao trên chuỗi. Fetch.ai cũng có tiền điện tử riêng, được gọi là FET, với số lượng lưu hành hiện tại là 746 triệu và nguồn cung tối đa là 1,153 tỷ.
Là một công ty công nghệ kết hợp sâu sắc công nghệ blockchain và trí tuệ nhân tạo, Fetch.AI đặt mục tiêu xây dựng một nền kinh tế thông minh phi tập trung và đạt được các mục tiêu phân tán bằng cách kết hợp công nghệ trí tuệ nhân tạo, blockchain và Internet of Things. Mục tiêu của công ty là cung cấp cho doanh nghiệp và người tiêu dùng một cách mới để tương tác kinh tế, cho phép giao dịch hiệu quả hơn, an toàn hơn và thông minh hơn.
Nhờ kiến trúc mở và cực kỳ thông minh của AI+blockchain, Fetch.AI có nhiều kịch bản ứng dụng, bao gồm hậu cần, chuỗi cung ứng, tài chính, năng lượng, y tế và các lĩnh vực khác. Kiến trúc kỹ thuật của Fetch.AI chủ yếu bao gồm hai phần: chuỗi chính Fetch.AI và tác nhân thông minh Fetch.AI. Chuỗi chính Fetch.AI là một sổ cái phân tán dựa trên công nghệ blockchain, được sử dụng để ghi lại các giao dịch và hợp đồng thông minh, đồng thời đảm bảo tính bảo mật và độ tin cậy của giao dịch. Tác nhân thông minh Fetch.AI là một hợp đồng thông minh với khả năng trí tuệ nhân tạo có thể tự động thực hiện các nhiệm vụ, điều phối tài nguyên và tương tác với các tác nhân thông minh khác để đạt được các tương tác kinh tế tự động, thông minh và phi tập trung.
Bài viết này sẽ không trình bày quá nhiều về chuỗi chính. Chúng tôi sẽ tập trung vào việc tháo dỡ kiến trúc tác nhân tự trị (AEA) và cơ chế học nhóm (Colearn) để cho thấy AI tham gia vào quá trình vận hành và ứng dụng dữ liệu của hệ thống blockchain như thế nào.
Hãy để các nút mạng tự quản lý: Kiến trúc tác nhân kinh tế tự trị (AEA)
Trên mạng Fetch.ai, các cá nhân hoặc công ty sở hữu dữ liệu được đại diện bởi các đại lý của họ, những người này sẽ liên lạc với các đại lý của các cá nhân hoặc công ty đang tìm kiếm dữ liệu. Cơ quan này hoạt động theo Khung kinh tế mở (OEF). Điều này hoạt động như một cơ chế tìm kiếm và khám phá trong đó các tác nhân đại diện cho nguồn dữ liệu có thể quảng cáo dữ liệu mà họ có quyền truy cập. Tương tự, một người hoặc công ty đang tìm kiếm dữ liệu có thể sử dụng OEF để tìm kiếm các tác nhân có quyền truy cập vào dữ liệu được đề cập.
Kiến trúc AEA của Fetch.AI là kiến trúc tác nhân thông minh phân tán được sử dụng để xây dựng các mạng tác nhân thông minh mang tính cộng tác và tự chủ. AEA là viết tắt của Đại lý kinh tế tự trị. Ý tưởng cốt lõi của nó là kết hợp trí tuệ nhân tạo và công nghệ chuỗi khối để xây dựng một nền kinh tế thông minh phi tập trung và đạt được sự tương tác kinh tế thông minh, tự chủ và phi tập trung.
Các thành phần cốt lõi của kiến trúc AEA chủ yếu bao gồm bốn mô-đun sau:
Tác nhân AEA: Tác nhân AEA là một tác nhân thông minh tự lập, có khả năng ra quyết định tự chủ, hợp tác tự chủ và học tập tự chủ. Đây là thành phần cốt lõi của AEA và đại diện cho một thực thể độc lập có khả năng tự quyết định và hành động. Mỗi đại lý AEA có địa chỉ ví, danh tính và hợp đồng thông minh riêng, đồng thời có thể tương tác và hợp tác với các đại lý khác.
Giao tiếp AEA (Kết nối): Giao tiếp AEA là giao thức giao tiếp điểm-điểm dựa trên công nghệ blockchain, được sử dụng để thực hiện việc truyền tải thông tin và tương tác giữa các tác nhân. Truyền thông AEA đảm bảo tính bảo mật và độ tin cậy của các tương tác. AEA của Fetch.AI hỗ trợ nhiều phương thức kết nối, bao gồm cả kết nối WebSocket và HTTP.
Kỹ năng AEA (Kỹ năng): Kỹ năng AEA là một mô-đun có thể cắm được sử dụng để mở rộng các chức năng và khả năng của tác nhân AEA. Mỗi kỹ năng bao gồm một hợp đồng thông minh và gói Python thực hiện chức năng cụ thể của tác nhân, chẳng hạn như xử lý ngôn ngữ tự nhiên, học máy, ra quyết định, v.v. Các kỹ năng có thể chứa nhiều giao thức và mô hình để các tác nhân có thể hiểu và phản hồi các yêu cầu từ các tác nhân khác.
Giao thức AEA: Giao thức AEA là một cơ chế cộng tác được sử dụng để đạt được sự cộng tác và tương tác giữa các tác nhân. Giao thức AEA xác định định dạng thông báo, quy trình giao thức và các quy tắc tương tác giữa các tác nhân để đạt được công việc hợp tác giữa các tác nhân. Giao thức là các quy tắc và hướng dẫn liên lạc giữa các tác nhân. Giao thức xác định cách các tác nhân trao đổi thông tin, phản hồi các yêu cầu và xử lý lỗi. AEA của Fetch.AI hỗ trợ nhiều giao thức, bao gồm Ngôn ngữ giao tiếp tác nhân (ACL) và giao thức HTTP của Fetch.AI.
Hãy tưởng tượng một công ty đang tìm kiếm dữ liệu để đào tạo một mô hình dự đoán. Khi đại lý của công ty kết nối với đại lý đại diện cho nguồn dữ liệu, họ sẽ yêu cầu đại lý đó cung cấp thông tin về các điều khoản giao dịch. Sau đó, đại lý làm việc thay mặt cho nhà cung cấp dữ liệu sẽ cung cấp các điều khoản mà theo đó họ sẵn sàng bán dữ liệu. Các đại lý bán quyền truy cập dữ liệu có thể tìm kiếm mức giá cao nhất có thể, trong khi các đại lý mua quyền truy cập dữ liệu muốn trả mức giá thấp nhất có thể. Tuy nhiên, cơ quan bán dữ liệu biết rằng nếu tính giá quá cao, họ sẽ bỏ lỡ cơ hội mua hàng. Điều này là do tác nhân tìm kiếm dữ liệu sẽ không chấp nhận các điều khoản và thay vào đó sẽ cố gắng mua dữ liệu từ một nguồn khác trên web. Nếu đại lý mua hàng thấy các điều khoản có thể chấp nhận được thì đại lý đó sẽ thanh toán cho đại lý bán hàng theo mức giá đã thỏa thuận thông qua giao dịch trên sổ cái Fetch.ai. Sau khi nhận được thanh toán, đại lý bán dữ liệu sẽ gửi dữ liệu được mã hóa qua mạng Fetch.ai.
Ngoài thiết lập ban đầu, toàn bộ quá trình hoàn toàn tự động và được thực hiện bởi tác nhân Fetch.ai. Điều này có nghĩa là nhân viên công ty có thể làm việc mà không bị gián đoạn, trong khi các mô hình dự đoán sẽ tích lũy dữ liệu ẩn danh có liên quan. Bằng cách thu thập dữ liệu, các công ty mua thông tin có thể đào tạo mô hình của họ hiệu quả hơn, sau đó có thể sử dụng dữ liệu này để đưa ra dự đoán chính xác hơn. Những dự báo như vậy có thể được sử dụng trong bất kỳ ngành nào.
Cốt lõi của việc tạo ra các nút thông minh: Mô-đun kỹ năng AEA và cơ chế học nhóm (Colearn)
Trong số bốn mô-đun trên, quan trọng nhất là mô-đun kỹ năng AEA, đây là mô-đun chính để làm cho các nút trở nên thông minh. Kỹ năng AEA là một mô-đun có thể cắm được, được sử dụng để hiện thực hóa chức năng học tập tự chủ theo nhóm của các tác nhân. Mỗi kỹ năng học tập bao gồm một hợp đồng thông minh và gói Python để thực hiện các loại nhiệm vụ học tập khác nhau, chẳng hạn như học tăng cường, học có giám sát, học không giám sát, v.v. Khi một tác nhân cần học, nó có thể chọn các kỹ năng học tập phù hợp với bản thân và lưu kết quả học tập ở trạng thái riêng. Các đại lý có thể tự động điều chỉnh hành vi và chiến lược của mình dựa trên kết quả học tập, cho phép tương tác kinh tế thông minh hơn, hiệu quả hơn và bền vững hơn.
Nguyên tắc học tập chung của Fetch.AI bao gồm các bước sau:
Chia sẻ dữ liệu: Các tác nhân khác nhau thu thập dữ liệu của riêng họ và tải nó lên cơ sở dữ liệu dùng chung trong mạng blockchain. Những dữ liệu này có thể là dữ liệu cảm biến, dữ liệu văn bản, dữ liệu hình ảnh, v.v. Tất cả các tác nhân tham gia học tập chung đều có thể truy cập dữ liệu trong cơ sở dữ liệu dùng chung và sử dụng dữ liệu này để đào tạo.
Đào tạo mô hình: Tác nhân sử dụng dữ liệu từ cơ sở dữ liệu dùng chung để đào tạo mô hình. Mô hình có thể là mô hình học máy, mô hình học sâu hoặc các loại thuật toán khác. Đại lý có thể được đào tạo bằng cách sử dụng các mô hình khác nhau để tìm hiểu các nhiệm vụ hoặc vấn đề khác nhau.
Lựa chọn mô hình: Sau khi hoàn tất đào tạo mô hình, tác nhân sẽ tải mô hình của mình lên mạng blockchain. Tất cả các tác nhân tham gia học tập tập thể đều có thể truy cập các mô hình này và chọn mô hình phù hợp với họ dựa trên nhu cầu của họ. Quá trình lựa chọn có thể dựa trên các yếu tố như hiệu suất của tác nhân, yêu cầu nhiệm vụ, hạn chế về nguồn lực, v.v.
Tích hợp mô hình: Sau khi chọn một mô hình, nhân viên có thể tích hợp mô hình đó với các kỹ năng của riêng họ để hoàn thành nhiệm vụ của mình tốt hơn. Kỹ năng có thể là các mô-đun xử lý các loại nhiệm vụ cụ thể, chẳng hạn như giao dịch tiền điện tử, quản lý hậu cần, v.v. Tác nhân có thể sử dụng nhiều kỹ năng và mô hình để xử lý tác vụ.
Cơ chế khen thưởng: Trong quá trình học tập tập thể, các tác nhân có thể nhận được phần thưởng bằng cách đóng góp dữ liệu và mô hình của riêng mình. Phần thưởng có thể được phân phối dựa trên các yếu tố như hiệu suất của đại lý, đóng góp, hiệu quả sử dụng tài nguyên, v.v. Cơ chế khen thưởng có thể khuyến khích các đại lý tích cực tham gia học tập tập thể và nâng cao hiệu quả hoạt động của toàn hệ thống.
Giả sử có hai đại lý A và B cần hợp tác để hoàn thành một nhiệm vụ, chẳng hạn như vận chuyển hàng hóa. Đại lý A chịu trách nhiệm cung cấp hàng hóa và đại lý B chịu trách nhiệm cung cấp dịch vụ vận chuyển. Trong tương tác ban đầu, cả tác nhân A và tác nhân B đều có thể áp dụng các chiến lược hành vi ngẫu nhiên để hoàn thành nhiệm vụ, chẳng hạn như chọn ngẫu nhiên các tuyến đường vận chuyển hoặc phương thức vận chuyển.
Khi quá trình tương tác diễn ra, Tác nhân A và Tác nhân B có thể tìm hiểu dữ liệu lịch sử tương tác thông qua các kỹ năng học tập và tự động điều chỉnh các chiến lược hành vi dựa trên kết quả học tập. Ví dụ, Đại lý A có thể tìm hiểu các thông tin như cung cấp hàng hóa và chi phí vận chuyển thông qua các kỹ năng học tập, sau đó độc lập lựa chọn chiến lược hợp tác tối ưu dựa trên nhu cầu hàng hóa hiện tại và giá cả thị trường. Đặc vụ B cũng có thể tìm hiểu các thông tin như hiệu quả và chi phí của các tuyến đường vận chuyển cũng như phương thức vận chuyển thông qua các kỹ năng học tập để có thể độc lập lựa chọn chiến lược vận chuyển tối ưu dựa trên điều kiện giao thông hiện tại và giá năng lượng.
Khi sự tương tác tiếp tục và kết quả học tập được cập nhật liên tục, Tác nhân A và Tác nhân B có thể dần dần tối ưu hóa các chiến lược hành vi của mình, từ đó đạt được các tương tác kinh tế hiệu quả hơn, thông minh hơn và bền vững hơn. Quá trình tự học này có thể được lặp đi lặp lại và tối ưu hóa liên tục để đạt được lợi ích kinh tế và giá trị xã hội tốt hơn.
Cần lưu ý rằng chức năng học tự động yêu cầu tác nhân phải có đủ khả năng tính toán và tài nguyên dữ liệu để đạt được kết quả học tốt. Vì vậy, trong ứng dụng thực tế cần lựa chọn kỹ năng học tập và phân bổ nguồn lực phù hợp dựa trên tình hình và nhu cầu thực tế của tác nhân để đạt được hiệu quả học tập tốt nhất.
Đại lý kinh tế tự trị cốt lõi (AEA) của Fetch.ai đạt được các mục tiêu về trí tuệ, quyền tự chủ và phân cấp trong tương tác kinh tế. Ưu điểm của nó nằm ở sự tích hợp sâu sắc của trí tuệ nhân tạo và công nghệ chuỗi khối, cũng như hiện thực hóa thiết kế của các tác nhân kinh tế tự trị. Các tác nhân AEA này có thể tự động học hỏi, đưa ra quyết định và tương tác tự do trong môi trường phi tập trung, nâng cao hiệu suất và hiệu quả của tương tác kinh tế. . Mức độ thông minh. Ngoài ra, cơ chế học nhóm (Colearn) của Fetch.AI khuyến khích các tác nhân tích cực tham gia và cải thiện hiệu suất của toàn bộ hệ thống bằng cách chia sẻ dữ liệu và mô hình.
Tuy nhiên, Fetch.AI cũng có một số thách thức. Đầu tiên, chức năng học tập tự động của nó đòi hỏi sức mạnh tính toán và tài nguyên dữ liệu cao, điều này có thể hạn chế ứng dụng của nó trong môi trường hạn chế về tài nguyên. Thứ hai, kiến trúc và chức năng kỹ thuật của Fetch.AI tương đối phức tạp và yêu cầu ngưỡng kỹ thuật cũng như chi phí đào tạo cao hơn, điều này có thể ảnh hưởng đến ứng dụng rộng rãi của nó.
Bản tóm tắt
Nhìn về tương lai, Fetch.AI vẫn còn nhiều triển vọng tươi sáng. Khi công nghệ tiếp tục phát triển, nó có thể giới thiệu nhiều công nghệ AI và blockchain hơn để cải thiện hiệu suất và hiệu quả, đồng thời đáp ứng nhiều tình huống và nhu cầu ứng dụng hơn. Đồng thời, khi việc bảo vệ quyền riêng tư và bảo mật dữ liệu ngày càng nhận được sự chú ý, các tính năng bảo mật và phân quyền của Fetch.AI có thể nhận được nhiều sự quan tâm và ứng dụng hơn. Bất chấp một số thách thức, sự đổi mới và tiềm năng của Fetch.AI trong lĩnh vực AI và blockchain vẫn đáng để chúng ta quan tâm và khám phá.
người giới thiệu:
[1] Tài liệu dành cho nhà phát triển Fetch.AI
[2] Melanie Mitchell: AI 3.0
[3] Alexey Potapov: Các tính năng Cơ bản Atomese bắt buộc
Tuyên bố từ chối trách nhiệm: Bài viết này chỉ nhằm mục đích tham khảo nghiên cứu và không cấu thành bất kỳ lời khuyên hay khuyến nghị đầu tư nào. Cơ chế dự án được giới thiệu trong bài viết này chỉ thể hiện quan điểm cá nhân của tác giả và không có mối quan tâm nào đến tác giả hoặc nền tảng này. Đầu tư vào chuỗi khối và tiền kỹ thuật số phải chịu rủi ro thị trường cực kỳ cao, rủi ro chính sách, rủi ro kỹ thuật và các yếu tố không chắc chắn khác. Giá token trên thị trường thứ cấp biến động dữ dội. Các nhà đầu tư nên đưa ra quyết định thận trọng và chịu rủi ro đầu tư một cách độc lập. Tác giả của bài viết này hoặc nền tảng này không chịu trách nhiệm về bất kỳ tổn thất nào do nhà đầu tư gây ra do sử dụng thông tin được cung cấp trong bài viết này.