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

这篇文章探讨了人工智能作为服务的功能和相应技术栈以及可能的实现，分析了适用于小型和中型用户的开源用户友好技术，允许完全控制数据和技术平台而不依赖任何第三方或供应商锁定。

Oct, 2022

提出了一种基于安全 IoT 结构和协同贝叶斯网络模型的人群推荐算法 SAIoT-GR，旨在解决现有数据安全性和反馈偏差难题。通过大量实验，该算法表现出高效性和稳健性。

Apr, 2021

AI2Apps 是一个具有全周期能力的视觉集成开发环境，旨在加速开发人员构建可部署的基于 LLM 的人工智能代理应用。通过将完备的开发工具集和直观的可拖放组件相结合，AI2Apps 确保了开发的高效和流畅。一项扩展插件系统 AAE 展示了新插件如何使 Web 代理模拟类似于人类浏览行为，通过我们的案例研究，证明了 AI2Apps 在调试复杂多模态代理时，减少了 90％的令牌消耗和 80％的 API 调用，其在线演示、开源代码和屏幕录像视频现已公开访问。

Apr, 2024

VEDLIoT 项目旨在针对人工智能物联网应用开发节能的深度学习技术。其提出了一种以模块化为基础、具有高可伸缩性的认知物联网硬件平台，使用异构计算提高性能和能源效率并整合全谱的硬件加速器。

May, 2023

应用深度强化学习算法，联合设计无人机的轨迹，以最小化信息的年龄，从而确保基站中接收到的信息是尽可能新鲜和准确的。相比基准方案，该算法平均可降低 25％的信息年龄，并需要少至 50％的能量。

Sep, 2022

该论文提出了将智能服务计算位置从传统的云服务器转移到相应的设备上的思路，并利用 NNStreamer 流水线框架实现在设备上的 AI 服务，以提高性能并节约开发和硬件资源。该框架不仅有利于保护隐私，减少网络延迟和云成本，还能在任意制造商的连接设备之间实现 AI 服务的共享和重复部署，以推动 “设备间 AI” 技术的发展。

Jan, 2022

本篇论文提出了一种基于人工智能的工作量证明框架，利用 IP 流量特征控制难度，对不可信连接实行延迟机制，从而减缓了攻击流量的影响。

Mar, 2022

本文介绍了一种利用数据驱动的方案，优化联网车辆的驾驶路线，以保证信息时延的可信度，利用商用 LTE 网络测量车辆之间的连接延迟，建立连接车辆信息时延模型，在此基础上提出了一种基于 DQN 的算法来确定最优驾驶路线，结果表明该方法可以提高接口保持服务的 AoI 信心水平

Apr, 2020

为了更广泛地在工业生产中采用人工智能，充足的基础设施能力至关重要。我们介绍了我们的 IIP-Ecosphere 平台的设计，并在 AI 启用的视觉质量检查的演示程序方面进行了早期评估，包括在此早期评估活动中获得的见解和经验教训。

Jul, 2022