基于区块链的 “人在环路” 人工智能协议
提出了一种新的基于人工智能的分层模型,用于测量人类智力中的问题解决和决策能力。该模型由 7 个不同的层级组成,可为给定问题提供最佳和可说明性的解决方案。
Feb, 2023
提出了一种基于区块链的可靠人工智能网络 (BRAIN),旨在确保大型模型的可靠推理和培训,通过独特的二阶段交易机制实现了高吞吐量的推理,有效地解决了基于区块链的解决方案对大规模模型的慢速推理和低效的训练验证的问题。
May, 2023
通过区块链技术构建的基于数据集、许可证和模型的注册库的人工智能模型训练框架 (IBis),解决了数据和模型来源、版权合规等问题,实现了迭代模型训练和灵活的许可证检查和续约。
Apr, 2024
人工智能与区块链技术的融合正在重塑数字世界,提供在区块链平台上分散、安全、高效的人工智能服务。Opp/ai 框架作为解决这些问题的先驱解决方案,平衡了隐私保护和计算效率,该框架将隐私的零知识机器学习与高效的机器学习相结合,创建了一个专为区块链人工智能服务量身定制的混合模型。本研究介绍了 Opp/ai 框架,深入探讨了 zkML 的隐私特性,并评估了该框架在不同场景下的性能和可适应性。
Feb, 2024
该研究提出了一种结合人工智能和区块链技术的证明机制,名为 Proof-of-Training(POt),实现了全球状态同步,评估了去中心化训练网络,具有很高的性能潜力。
Jul, 2023
本文试图寻求用区块链作为信任引擎的设计原则,通过定性和定量研究的混合方法,讨论了区块链的过去、现在和未来发展方向,并得出了区块链设计原则的三个发现:第一,区块链作为分布式数据库的原始设计原则是否得以实现存在争议;第二,区块链社区的现有分类包括隐私和安全、可扩展性、去中心化、适用性、治理和监管、系统设计及跨链互操作性等方面。在这些分类中,隐私和安全的研究和应用更为突出,其他方面仍有较大的发展机会。最终,我们认为必须通过跨学科综合解决方案来弥合当前区块链设计与真正智能世界信任引擎设计原则之间的差距。
Jan, 2023
提出一种通过区块链和智能合约实现的数据中心联邦学习架构,其中包含一个虚拟的公共市场,提供高质量的数据以供训练,通过激励机制提高数据质量和完整性,该架构有助于提高训练数据集的增长速度和模型准确性。
Jun, 2022