中金网|Eric Yao:去中心化存储赋能 AI 认知,铭识协议( 二 )


我们前面提到了去中心化存储的关键是提高链上数据的价值 , 也提到什么叫有价值的数据 , 就是知识本身的利用 。 为什么要把这个知识库存到去中心化系统上面 , 因为有一个必然性的联系 。
首先 , 由于人类知识面涉及太广 , 所以需要大量的领域专家来参与共建 , 构建各领域的知识骨架 , 通过激励的模型把他们拉到这个体系结构来共同构建这个知识库 。
其次 , 人类知识难以自动的转化为计算机能理解的数据 , 拥有这些能力的科技公司各立山头 , 独立构建知识图谱 , 大量劳动力被重复浪费掉 。 如何构建这种超大规模知识图谱呢?答案在于去中心化图谱 。 去中心化图谱的优势不在于图谱成本 , 或者带宽质量 , 真正优势在于数据共享、数据确权和不可篡改 。 不可篡改非常重要 , 也是第四次工业革命的基础设施要放在去中心化存储上面的原因 。 因为知识图谱是一个拓扑网络结构 , 如果因为某个人的利益关系改了一两个节点 , 会对上面所有人工智能的理解造成偏差 , 导致它们在某一个事情的立场发生变化 。
铭识协议去中心化:存储赋能AI认知
具体介绍一下什么是铭识协议 , 全称是EpikProtocol , 意思是铭刻在石头上的知识 , 不可以随便篡改 。 就是为了解决前面提出的三大问题 , 第一个是知识面太广 , 需要各大领域专家参与 。 第二 , 需要大量劳动力纠错 。 第三 , 各地互相不信任 。 通过去中心化存储技术、去中心化自治组织和通证经济模型将人类各领域知识梳理成知识图谱 , 共建共享并持续更新 。 他们可以很好的把各方面的关系组织起来 , 通过激励的原理把这些社区组织起来 , 去解决第一个第二个知识覆盖面广、需要大量专家 , 把大量劳动力纠错的功能放出来 。
技术架构有三个方面 , 一个是知识提取 , 第二是知识存储 , 第三是知识应用 。 包括虚拟机技术等等 , 知识应用是怎么样让上面应用建设更加好 , 提出了一个知识应用的平台 , 在上面可以访问网关 , 方便应用很好的结合数据 。
基于上面的架构 , EpikProtocol提出了三大平台 , 知识图谱构建工具平台、去中心化协作平台以及人类知识库应用平台 。
人类知识转化为数据是非常复杂的过程 , 涉及很多不同工具 。 比如知识获取知识融合知识存储等等 , 整合一个知识图谱构建平台 。 第二 , 去中心化协作平台 , 也是最重要的平台 , 如何让多方协作 , 包括梳理各领域知识的专家 , 提供数据存储的矿工 , 鼓励各方参与者共同参与到这个系统里面来 , 持续和丰富构建人类知识库 。 最后是知识库应用平台 , 数据价值一定体现在使用场景中 , 所以设立一个人类知识库应用平台 , 目的就是为了方便上层架构应用拓展到一定使用场景 , 使它很方便的检索和使用存储的人类知识库 。
看一下里面具体的角色和模型 , 原则是各个生态参与者追求自己利益最大化的情况下可以共同推进人类知识库越来越丰富 。 包含六个核心参与者 , 分别是持币用户、数据矿工、领域专家、赏金猎人和数据网关 。 首先数据产生重要的角色是领域专家和赏金猎人 。 领域专家组织数据梳理 , 需要提名和投票才能成为领域专家 。 数据矿工提供存储 。 人类知识库构建过程中是劳动非常密集型的事业 , 光靠领域专家是不能做成的 , 可以把关键性任务发送到社区里面 , 赏金猎人通过完成这些领域专家发布的任务可以获得奖励 。 最后就是数据网关 , 对应的是上层的应用平台 。 通过知识库的索引服务 。
EpikProtocol的经济模型分两级发行 。 一级发行目标是维护网络运转 。 这里需要强调一点 , 首先知识库构建是一个从小到大的过程 , 所以Epik不是搞算力借贷 , 它的矿机首先是兼容的 , 可以互相切换 。 早期的时候也不需要那么大存储能力 , 因为数据库是逐渐逐渐生成的 , 32GB就可以提供早期的存储服务 。 然后专家发布数据 , 数据矿工存储这些数据 , 存储数据越多 , 你算力越高 , 挖出区块的概率越高 。 90%给矿工 , 10%给专家 , 获得这个分红权 。


推荐阅读