KINIC

自比特币诞生以来，Crypto 行业大致经历了三次革命，所谓革命，就是对过去的颠覆，是创造之前从未出现过的新范式、新物种。
Crypto 历史上的每一次革命，都极大地推动了行业的发展，也为行业带来持续一个周期的爆发式增长。
而本轮周期（2022 年 - 2025 年），处于第三次 Crypto 革命的末期，以及第四次革命爆发的前夕，因此，我们看到了一个最尴尬的 Crypto 周期：整个行业缺乏像样的创新，整个周期都在吃第三次 Crypto 革命的剩饭，虽然，一些人已经看到了 Crypto 第四次革命的模糊样子，但是，革命爆发前夕，一切都显得沉闷和萧条。
本文将从 Crypto 历史上的三次革命谈起，最后注重探讨 Crypto 的第四次革命，以及第四次 Crypto 革命将会给整个行业带来的巨大影响力，相信读完本文，你将对 Crypto 的未来再次充满憧憬和希望。
Crypto 的第一次革命，爆发于在 2009 年 1 月 3 日，也就是比特币的诞生日。
比特币的诞生，是对传统资产形式的革命，比特币，让人类第一次可以拥有不受任何第三方控制的、且完全自主的资产。

比特币开辟了 Crypto 时代，是 Crypto 历史上的第一次革命。
比特币诞生后的几年里，加密行业出现了许多通过 Fork Bitcoin 代码发行的山寨比特币（后来统称山寨币），比如 Litecoin、Dogecoin，以及很多人已经不知道的山寨币，比如，羽毛币、点点币、名字币等等，但是这些都是对比特币的简单模仿和复制，没有任何创新。
直到 6 年后，以太坊把智能合约引入区块链，让区块链不仅仅可以用于转账支付，还可以发行资产以及构建链上应用。
以太坊让区块链技术的应用场景，由点变成了面，甚至变成立体，以太坊相对于比特币，是一种新范式，新物种，以太坊相对于比特币，是基建层面的革命。

因此，我们称以太坊的诞生，是 Crypto 的第二次革命。
以太坊之后的所有智能合约公链，都是对以太坊的模仿或者改良，并没有带来本质性的变化。
从比特币创世区块诞生（2009 年 1 月 3 日）到以太坊主网上线（2015 年 7 月 30 日），用时整整六年，Crypto 完成了两次革命。
而 Crypto 的第三次革命，发生于 5 年后的 2020 年，2020 年夏天，DeFi 大爆发。
Crypto 行业经过多年的应用探索，终于摸索出只有区块链网络才能长出的独特新物种 - DeFi。
去中心化银行（AAVE）、去中心化交易所（Uniswap）、去中心化外汇市场（Curve）、去中心化基金（Yearn）等，DeFi 是对传统金融的革命，也是对区块链技术特点的集大成。
DeFi 运行在区块链上，因此，DeFi 的数据完全透明公开（审查成本比传统金融低）、结算在链上实时进行（结算效率比传统金融高）、运行全靠智能合约（运行成本比传统金融低，且可信度更高），而且 DeFi 在区块链上 7*24h、无国界运行（DeFi 在时间和空间上又一次碾压传统金融）。

因此，DeFi 可以称得上 Crypto 的第三次革命，这次革命是 Crypto 应用层面的革命。
2020 年 - 2025 年，Crypto 行业一直处于第三次革命，期间并未长出超越 DeFi 的新物种，包括近两年出现的去中心化本息分离协议（Pendle）、去中心化合约交易所（Hyperliquid）都只是 DeFi 范式的延续，PumpFun 模式，也不过是 Bonding Curve + DEX 的组合式创新，是 DeFi 的一种延伸玩法。
当行业没有颠覆式创新，没有新的革命爆发，就只能炒剩饭，只能重复造轮子，行业就会呈现创新停滞和沉寂不前，这也是本轮加密周期大家都能感受到的事实。
那么，Crypto 行业何时会发生第四次革命？Crypto 第四次革命会以这样的形式出现？
Crypto 第一次革命，让 Crypto 从无到有；Crypto 第二次革命，让 Crypto 基础设施完善；Crypto 第三次革命，确定了 Crypto 的主要应用范式是 DeFi，而链上金融（DeFi）成为了 Crypto 向人类世界延伸的最佳桥梁。
可以说，经历了三次革命，Crypto 已经逐渐成熟和完善，Crypto 已经不缺乏基础设施，也不缺乏应用方向的探索，Crypto 要进一步的繁荣，就要在已有的链上金融基础设施之上，构建更加繁荣的经济网络。
说白一点，Crypto 需要进一步繁荣，就是需要更多的链上用户和更频繁的链上经济活动，需要一场链上人口大爆炸来推动链上经济的持续繁荣。
那么，如何实现链上人口大爆炸？推动更多的人类来使用 Crypto 吗？
目前，全球区块链总用户数约 5.6 亿人，而全球拥有银行账户的人口约 48.6 亿，即使全球有银行账户的人都使用区块链进行金融活动，这个增长空间也不足 10 倍（况且这只是一个极限值，实际情况，可能不足 2-3 倍的增长空间）。
因此，如果寄希望于缓慢增长的人类用户来促进链上经济的繁荣，这显然不是明智之举。
因此，让我们把目光锁定在另一个正在以指数级、爆发式增长的群体 - AI。

如今 AI 正飞速发展，未来 AI 的数量将超越人类的数量（Elon Musk、奥特曼都这么说过）。
而 AI 要走向 AGI（拥有自主能力的通用 AI），就必须拥有自主可信的身份和账户体系，而目前世界上，没有哪个组织可以给 AI 颁发全球通用可信的身份证和银行账户，而 Crypto 天然就可以。
因此，Crypto 将承担为 AI 构建身份和资产账户的历史大任，而 AI 也将成为 Crypto 的第一大用户群体，我们称之为链上 AI。
链上 AI 之间的大量经济往来、商业互动、社会协作将形成链上 AI 经济体，从而实现真正的链上经济繁荣。
链上 AI 天然比链上人类，更适合区块链，AI 可以 7*24h 工作，区块链也是，AI 的商业往来没有区域和国界限制，区块链也是，AI 的协作效率要求极高，而区块链正好适配（链上的所有支付、交易、任务处理都是实时完成，效率极高）。
因此，链上 AI 将是促进 Crypto 再次繁荣的第四次革命，我们称之为链上人口大爆炸，或者链上人口增长革命。
但是，要实现链上 AI 自主自治，实现链上经济繁荣，不是一蹴而就的，其中最关键的，也是第一步，就是要实现链上 AI 的可信验证，也就是说，如何验证链上 AI 的身份是可信的，以及链上 AI 的输入和输出是可信的且可被验证？
链上 AI 的可信验证是实现链上 AI 经济大繁荣的第一要义。

人类的所有经济活动也是一样，一切都需要建立在可信的基础之上，人的身份、资产信息、商业行为都需要可信，否则，人类的商业文明和经济繁荣就是空谈，所谓，诚信是一切商业的基础，就是这个意思。
同样，链上 AI 经济的繁荣也是如此，也需要建立在可信验证的基础之上。
因此，谁能解决链上 AI 可信验证的问题，谁就能启动链上 AI 经济繁荣，谁就能开启第四次 Crypto 革命。
值得关注的是，关于链上 AI 可信验证问题，已经很多优秀的创业者开始探索，目前主流的方向有两个。
一个方向是构建专有的 AI Layer1，让一切链上 AI 标准及应用都基于同一个基础设施构建，其中 AI Layer1 的典型代表是 0G 和 Bittensor。
0G 主要是构建 AI DA 层，通过多共识验证数据完整性与快速检索，从而确保 AI 数据来源可信，0G 作为专有的 AI Layer1，专有聚焦于 AI 数据存储及访问（如 AI 模型训练数据集），0G 只验证数据而非 AI 输出/代理，而且不直接处理 AI Agent 行为。
Bittensor 则强调通过去中心化激励的方式构建 AI 大模型，以子网激励的模式优化机器学习，其优势是规范统一，劣势是不兼容外部大模型构建的 AI，Bittensor 的逻辑是用区块链的方式来构建 AI 模型，优势是垂直专业化，可以实现生态内部 AI 的可信验证，劣势是不兼容外部 AI 模型。

还有一个方向是直接构建 AI 可信验证网络，直接验证 AI 的输入和输出过程，且兼容一切外部 AI 模型，这里面的典型代表是 Mira 和 DeepSafe。
Mira 通过多模型交叉验证形成共识、实现事实一致性，然后再通过社区节点参与最终仲裁，然后链上记录证明，最终实现 AI 的可信验证，Mira 实现 AI 可信验证的方法是一种基于交叉验证和社区仲裁的社会共识法，其更强调 AI 的输出验证。
而 DeepSafe 通过 Ring-VRF 随机算法、ZKP、MPC 隐私计算、TEE 硬件隔离四项密码学技术共同构建的 CRVA（Crypto Random Verification Agent），来实现动态随机选择节点（每 10-60 分钟旋转），多代理协作验证 AI 意图和行为，而且支持链上/链下的 AI 消息验证，这种完全依靠密码学和数学的 AI 可信验证方案，我们称之为数学共识法，且 DeepSafe 强调对 AI 的输入和输出过程的验证。
以上，就是 AI 可信验证市场的两个主流方向以及代表性项目。
简单总结就是，以 0G 和 Bittensor 所代表的 AI Layer1 派，通过统一标准的 AI 基础层实现对 AI 数据的可信验证，而以 Mira 和 DeepSafe 为代表的 AI 可信验证网络，则是直击 AI 验证的输入和输出，通过社会共识法或者数学共识法来实现 AI 的可信验证。

现在很难说，这两个流派哪个才会成为未来主流的 AI 可信验证方案，但是，可以很明显的看到，AI 可信验证市场 - ATVM（AI Trusted Verification Market）正在逐步打开，已经有越来越多的优秀创业者涌进这个赛道。
我相信，随着 AI 可信验证市场的壮大，将会有越来越多的可信 AI 运行在区块链上，目前可能只要几十万或者上百万，但是，未来将诞生数倍于链上人类数量的链上 AI，它们将成为区块链上的主流用户，链上 AI 和链上人类，链上 AI 和链上 AI 之间，将产生大量的链上业务往来和商业活动，进而催生真正的链上经济繁荣。
或许，就在未来的 3-5 年，人们将看到链上 AI 经济网络大繁荣，而人们将把这段探索链上 AI 可信验证的过程，称为 Crypto 第四次革命。
文中出现的链上 AI、AI 可信身份及账户体系，以及区块链是 AI 的身份和账户系统，AI 是区块链的最大用户群体等观点，我早已在年初撰写的 25 万 + 爆文 - 《Crypto + Agent 的终局思考》中进行了详细阐述，想了解更多的朋友，可以阅读该帖子。

ICP 上的 AI 项目介绍
Caffeine

Caffeine 是一个在线平台，只需与人工智能聊天，即可创建并维护成功的应用程序和网站，由于只需聊天，Caffeine 是一个“自主编写应用程序”的平台。
该平台开启了一个未来：全球大部分应用程序、网站甚至企业系统最终都将实现自主编写，一方面，企业将使用自主编写的应用程序来满足诸如 CRM（客户关系管理）、ERP（企业资源规划）、工作流管理和电子商务等常见需求。
另一方面，消费者将开创新的范式，例如创建高度定制的“超本地化”社交媒体和电子竞技功能，供大家庭和朋友群体使用，以及创建用于处理婚礼回复或托管照片等简单需求的应用程序。
Caffeine 使用全新的技术栈来创建和托管应用程序，旨在增强 AI 扮演技术团队角色的能力，并提供安全保障，例如，在 Caffeine上，AI 使用一种名为 Motoko 的全新 AI 编程语言编写后端软件，这不仅提升了 AI 构建应用程序的复杂程度，还能防止数据在更新时意外丢失。
Caffeine 建立在开放的云网络平台上，这保证了支持应用程序的无服务器软件能够运行，并且其数据可用（在网络配置的故障范围内）。
自编写平台最终将为数亿个应用程序的创建和运行提供动力，并成为科技行业的主导领域，它们可以将开发成本和上市时间降低数千倍，让非技术用户掌控全局，无论是在商业、创业活动还是我们的私人生活中。
Caffeine 的设计目标是同时支持移动端和桌面端用户，如今，智能手机用户数量超过 50 亿，未来，许多人都会理所当然地创建自己的应用程序。
更多详细介绍请点击：
Caffeine AI：人工智能编程和软件生成的革命DFINITY 推出 Caffeine - 一个通过自然语言提示构建生产应用程序的 AI 平台自写互联网：DFINITY 的 Caffeine AI 是否为应用程序开发人员敲响了警钟？
Kinic

Kinic 是您拥有并掌控的个人 AI 记忆库，它可以帮助您存储重要信息（例如书签、电子邮件、笔记等），以便您日后使用可信的 AI 查询进行搜索和检索，您可以使用自己的数据增强大型语言模型，从而构建更智能的代理和个性化智能。
Kinic 矢量数据库在互联网计算机区块链上运行，这使得它具有防篡改和完全隐私的特性，它采用了零知识证明等先进的隐私保护技术。
KINIC 代币是一种实用型代币，用于支付区块链上矢量数据库的部署和管理费用，它也可以用于在 Kinic DAO 中投票，KINIC 已在中心化交易所和 DEX 上线。
更多详细介绍请点击：
记忆列车宣言人工智能记忆经济您的数据被劫持，您的人工智能失忆了


#AI #DeAI，迎接牛市！ #KINIC


你关心的 IC 内容
技术进展 | 项目信息 | 全球活动

收藏关注 IC 币安频道
掌握最新资讯

Kinic AI 通过在互联网计算机区块链上提供去中心化的（上下文）矢量数据库，改变了我们与数字数据的交互方式，允许用户从网站、电子邮件等构建个人知识库，并进行人工智能检索。
个人数据存储的力量
在当今的数字环境中，我们的数据分散在无数的平台和服务中，Kinic AI 通过在互联网计算机区块链上为用户提供自己的个人数据存储来改变这一模式，这不仅仅是另一种云存储解决方案 - 它是一个复杂的矢量数据库，可让您的信息真正有用且易于访问。

Kinic AI 的工作原理
从本质上讲，Kinic AI 允许您通过浏览器插件捕获和存储来自各种来源的数据，无论您是在浏览网站、处理电子邮件还是收集文档，Kinic AI 都会将这些信息转换为矢量嵌入 - 这种格式非常适合现代 AI 应用程序。
Kinic AI 的与众不同之处在于它与互联网计算机区块链的集成，这意味着您的数据不仅被安全存储，它还是一个去中心化的生态系统的一部分，可确保隐私和可访问性，您可以完全控制您的信息，同时受益于区块链技术的固有优势。

革命性的 RAG 应用程序
Kinic AI 最令人兴奋的方面之一是其检索增强生成（RAG）的潜力，通过维护您的个人矢量数据库，您可以：
根据您自己整理的数据修改 AI 推理创建个性化的知识库开发更准确、更具情境感知能力的 AI 应用程序构建自定义搜索和检索系统

个人数据的未来
Kinic AI 代表的不仅仅是一种技术解决方案，它更是迈向真正数据主权的一步，通过将矢量数据库与区块链技术相结合，它为以下方面创造了新的可能性：
个人知识管理人工智能研究与分析自定义搜索引擎安全的数据共享和协作

入门
无论您是希望构建下一代 AI 应用程序的开发人员，还是想要控制数字足迹的个人，Kinic AI 都能为您提供所需的工具和基础设施，该平台与互联网计算机区块链的集成可确保您的数据保持安全、可访问，最重要的是，在您的控制之下。
下一步
随着我们走向人工智能和个人数据在生活中扮演越来越重要角色的未来，像 Kinic AI 这样的解决方案变得至关重要，通过提供分散的矢量数据库，让用户控制自己的数据，同时支持强大的人工智能应用程序，Kinic AI 正在帮助塑造个人数据管理和人工智能解决方案的未来。

#Kinic #AI #ICP生态

你关心的 IC 内容
技术进展 | 项目信息 | 全球活动

收藏关注 IC 币安频道
掌握最新资讯

人工智能的未来不在于谁能构建最智能的模型，而在于谁能掌控记忆，现在，你与 ChatGPT 的对话会消失在公司网络中，你精心设计的提示会为他人的利润服务，而且每次你开始新的聊天，你的数字大脑都会被“脑白质切除”。
但想象一下，如果你的人工智能记忆真的属于你 - 可移植、持久且有利可图，如果存储人工智能知识的矢量数据库不是被锁在某个大型服务器群里，而是像数字侍酒师一样放在你的口袋里，那会怎样？这就是人工智能记忆经济，它将彻底颠覆整个行业。
专业技能租赁市场
以下是几种具体做法：马克·安德森可以把他的全部投资理念 - 每一份交易备忘录、他识别出的每个模式、他发现的每个危险信号 - 都打包到他个人的 Kinic AI Memory 中，并以每月 4.99 美元的价格将 RAG 访问权限出租给他现有的粉丝。
你已经在 X 平台上关注了他，你也已经信任他的判断 - 现在你可以直接咨询他的投资大脑或他的个人阅读清单，戈登·拉姆齐的烹饪知识库也对那些已经尊重他技艺的厨师开放，你不需要去挖掘一些随机的本地十大美食榜单 - 你只需向那些你已经信任其口味的人出租访问权限即可。
当这些个人知识库开始协作时，我们会获得更多的魔力，想象一下：你和你的妻子各自拥有一个 Kinic 数据库，你们一直在里面存储约会之夜的点子、餐厅发现，以及那些“我们应该试试这个”的随机对话。
现在，你可以运行 RAG 查询，同时从两个数据库中提取上下文 - “什么样的约会之夜才能完美地融合我对冷门鸡尾酒吧的热爱和她对互动艺术体验的迷恋？”人工智能不仅会给你提供通用的推荐，还会从你实际存储的发现中提取信息，为你推荐一些独特的内容。
或者想象一下，与团队一起进行头脑风暴，每个人的个人知识库都成为创意过程的一部分，设计师的视觉灵感数据库与开发人员的技术解决方案集合以及营销人员的营销活动洞察库协同工作，当您问“我们如何让这个功能更具吸引力？”时，人工智能会从每个人的真实研究中提取背景信息，您不仅仅是在获取信息，您还在利用团队的集体认知模式。
这种私密性正是其强大之处，这些并非公开的推文或领英帖子 - 而是私人收藏，用于记录尚未成型的想法，记录那些“如果我们尝试一下……”的瞬间，而这些瞬间才是真正推动创新的动力，当你的个人知识库能够协作，同时又在你的掌控之下时，你就获得了集体智慧，而无需牺牲隐私。
AI 记忆经济具有革命性，专家不再一次性出售课程，而是通过他们个人的、受区块链保护的矢量数据库，将不断演变的知识库的访问权转化为现实，每一个新的洞察、每一个完善的框架、每一个学习到的课程都会被矢量化，并可供订阅者即时查询。
由于这些数据库基于区块链基础设施运行，因此具有防篡改功能，真正归专家所有，不会受到平台变更或公司决策的影响，AI 记忆经济不仅实现了专业知识获取的民主化，还创造了一种新的资产类别，将思想和创意转化为可出租、可验证的资源。
所有权问题
AI 记忆经济在传统的 Web2.0 中遭遇困境，并非因为这些平台本身恶意，而是因为其根本结构，诚然，数百万人每天都将数据托付给谷歌和亚马逊 - 这并非毫无道理，这些公司可靠且运营良好，但结构性问题在于：当你的 AI 记忆存储在他们的服务器上时，这种商业模式不可避免地会产生利益冲突。
即使你完全信任这些公司，你仍然是租户，而不是业主，从内心深处来说，这会改变你的行为方式，你可能会把你的度假照片存储在谷歌云端硬盘上，但你会把你的自营交易算法上传到一个服务条款明天就可能改变的数据库中吗？戈登·拉姆齐会把他的秘方放在服务器上，而下个季度新任首席执行官可能会决定以不同的方式将食谱数据货币化吗？
这与信任无关，而与激励有关，这些平台需要从你的数据中提取价值，才能证明其基础设施成本的合理性，这并非邪恶，而是生意，但这意味着你最有价值的洞见 - 那些在人工智能记忆经济中可能卖出高价的洞见 - 只能被锁在你的脑海或本地文件中，无法进入能够创造真正价值的协作知识生态系统。
Kinic 的存在，是因为我们解决了迄今为止尚无解决方案的问题，我们构建了基于 WASM 的矢量数据库，这些数据库直接在区块链基础设施上运行 - 没有企业巨头，没有服务条款变更，也没有突然停机，您的数据存储在智能合约中，您可以通过 WebAuthn 生物识别技术进行控制。
我们还专门为 WASM 和机器学习创建了新颖的零知识证明，让您无需暴露底层数据即可证明 AI 内存的特性，想要在不泄露投资组合的情况下证明您的投资理念具有一定的成功率吗？轻松搞定，想要在不暴露数据来源的情况下展示您的知识库涵盖特定领域吗？简单。
创造就业革命
每个人都在恐慌人工智能会抢走人们的工作，但他们忽略了一个重要的情节，这和我们以前听到过的歇斯底里如出一辙 - 有人说电脑会取代所有办公室职员，有人说互联网会摧毁零售业，有人说智能手机会毁掉整个行业，剧透预警：颠覆会带来新事物，它们创造了一些全新的、无人预见的工种。
想想看：二十年前，“社交媒体经理”根本算不上一个职位名称 - 它只是一堆毫无意义的词语组合，“应用程序开发者”听起来像科幻小说，“SEO 专家”在招聘会上听到这个名字只会让你一脸茫然，互联网不仅改变了现有的工作岗位，还催生了数百万个以前根本不可能存在的职位，你听说过 2020 年之前的“快捷工程师”吗？
AI 记忆经济即将做同样的事情，但它不会创造什么花哨的新职位 - 而是让你已经关注的人将他们所知道的知识货币化，那个总是能推荐最佳餐厅的朋友？那个你真正尊重其技术见解的同事？那个旅行建议从未误导过你的网红？你无需再浏览陌生人的 TripAdvisor 评论，而是可以查询那些你已经认可过的人的 AI 记忆。
你在城里住了三十年的邻居，并非在与某个不知名的聚合器竞争 - 她服务的对象是那些早已了解并信任她本地专业知识的人，发现问题消失了，因为你不是在随机寻找专家，而是在获取你网络中已有人的知识，这些人的信誉你已经通过真实的关系和可靠的业绩记录建立了。
想想那些训练过数百名客户的健身教练，他们能准确记住哪些练习适合特定的体型和伤病，又比如，那些帮你解决过你家附近所有奇怪的房屋问题，并且能立刻想起哪些承包商值得联系的本地杂工，这些人不会成为 “RAG 优化专家” - 他们会继续做他们正在做的事情，只不过现在他们积累的智慧变成了被动收入来源。
美在于平凡，每一个花费数年时间收藏古董吉他的爱好者，每一个探索特殊需求资源的家长，每一个对自身供应链了如指掌的小企业主 - 他们都拥有宝贵的、可搜索的知识，人们愿意为此付费，人工智能记忆经济不会取代人类的专业知识，也不会创造出令人眼花缭乱的新职业 - 它最终会让普通人凭借在自己擅长的领域取得的成就获得报酬。
它完全消除了消费者的冷启动问题 - 您不是试图评估未知的“专家”或十大列表，而只是更好地接触您已经关注和信任的人。
下一步是什么？
您需要做的是：立即开始使用 Kinic 浏览器插件（kinic.io），您保存的每一个书签、做的每一个笔记、捕捉到的每一个洞察，都将进入您基于区块链基础设施的个人 AI 记忆。
您不仅仅是在组织信息，更是在构建一项宝贵的资产，它或许会在明天成为您的收入来源，您一直在积累的行业洞察？朋友经常咨询的餐厅推荐？还是您多年经验积累的故障排除知识？
未来，所有这一切都将由您搜索、共享和货币化。‍
Kinic 团队正在构建和探索改变世界的技术，以实现这一目标，我们每天都生活在其中。
未来属于那些预见未来的人，不要错过 AI 记忆经济革命。

#Kinic #AI #ICP生态

你关心的 IC 内容
技术进展 | 项目信息 | 全球活动

收藏关注 IC 币安频道
掌握最新资讯

你的 Spotify 了解你的灵魂，Gmail 藏匿你的秘密，你的浏览器历史记录记录着你所有深夜的秘密，但你的 AI 呢？
它像刚认识一样，主动发起每一次对话，与此同时，科技巨头把你的数据分别存放在不同的保险库中，每家公司都像数字巨龙一样守护着你的数据，正因如此，你的 AI 感觉就像一个天才的失忆症患者 - 强大却对你的真实身份一无所知。
我们构建 Kinic 就是为了同时解决这两个问题：一座防篡改的桥梁，让 AI 能够访问你分散的数字生活，同时又让你掌控一切，想想 Plaid，但是为了 AI 革命，你的数据，你的 AI，你的规则，终于来了。
约会之夜
想象一下：你正在计划一个约会之夜，想要一些特别的东西，你花了几个小时浏览 - 你所在城市的隐藏美食清单，朋友推荐的美食博客，阅读新开的鸡尾酒吧的评论，Instagram 上关于屋顶餐厅的帖子，以及社交媒体上关于一定价位浪漫餐厅的帖子，浏览了三十个标签后，你的大脑已经疲惫不堪，读过的内容已经忘了一半。
现在你向一个 LLM 聊天机器人寻求帮助，但问题来了：这个 LLM 机器人对你的研究一无所知，它看不到你收藏的那家地下酒吧，看不到那篇博文里提到的饮食限制，也看不到三个不同来源警告说这家时髦酒吧要等上一个小时，所以它给你的建议和其他人一样，都是泛泛而谈 - 这些建议完全忽略了你刚刚收集到的三十个网站的背景信息。
你最终只能把一些片段复制粘贴到聊天中，试图重现你的研究成果，“有个地方叫……”，“我在哪里读到过……”，“你能比较一下我找到的这三个选项吗……”，这真是让人精疲力尽，你正在做人工智能连接信息的工作，而人工智能只是对片段做出回应。
这完全是反着来的，你应该能够浏览这些网站，把所有信息都吸收到你的个人记忆库中，然后问：“根据上下文，今晚最好的约会地点是哪里？”你的人工智能应该已经知道哪些地方有精酿鸡尾酒的地下酒吧，哪些地方可以欣赏城市景观，以及哪些地方的噪音水平和价格符合你的要求。
但真正有趣的是：如果你的 AI 也能理解你伴侣的喜好呢？也许他们最近在浏览素食餐厅，或者在群聊中提到对新开的爵士乐俱乐部感到兴奋，传统的 AI 工具无法做到这一点 - 每个用户都各自为政，彼此的情境之间毫无交集。
传统的 SaaS 解决方案只会创建另一个中心化的数据孤岛，要求双方将数据上传到另一家公司的服务器，但突破之处在于，数据存储由用户拥有，并受加密保护，可以选择性地共享，你对约会地点的研究、对方的饮食偏好以及你们的日程安排 - 所有这些都可以被人工智能访问，同时仍然由你个人控制。
这不是遥远的未来 - 这就是 Kinic 正在构建的，浏览、吸收、查询，以加密方式共享上下文，您的研究成果将立即成为 AI 记忆，并且您可以精确控制共享内容和共享对象。
现代人工智能没有上下文，这并不是它的错 - 它正在与数字健忘症作斗争，被迫从头开始每一次对话，而你的实际研究和上下文却被困在浏览器标签和书签中。
这正是 Kinic 解决的核心问题，正如 Plaid 通过在银行和应用程序之间搭建安全桥梁，彻底革新了金融科技一样，Kinic 正在构建连接 AI 和分布式数字生活的基础设施层，它不仅仅是一个 AI 工具，更是实现真正个性化 AI 的管道。
这种差异是深刻的，你获得的不是千篇一律的回复，而是能够理解你思维模式的人工智能，你无需从零开始，而是能够跨对话、跨项目、跨平台地获得连续性，你无需将数据拱手让给公司，而是在保留所有权的同时，开启了人们一直期盼的人工智能未来。
这不仅仅是为了提供更强大的自动完成功能或更智能的推荐，当人工智能能够获取你提供的全部上下文信息 - 从电子邮件中获取你的沟通风格、从书签中获取你的审美偏好、从日历数据中获取你的工作模式 - 它就不再是一个计算器，而是一个认知放大器。
基础设施已存在，技术已奏效，而且，这是有史以来第一次，你可以拥有自己 AI 记忆的钥匙。
实现这一目标的技术
革命性基础设施的特点是：在有人建造之前，它看起来不可能实现，然后，它突然变得显而易见，我们花了一年时间构建技术栈，让用户控制的人工智能记忆真正发挥作用 - 这不是一份理论白皮书，而是你今天就可以下载的代码。
您的个人矢量数据库，无处不在
其基础是我们基于 WASM 的矢量数据库，它完全运行在 ICP 区块链上，试想一下：无需信任任何中央服务器，也无需担心第三方数据库被攻破，您的记忆将永存于世，并由 WebAuthn 生物识别技术保护 - 您的指纹将解锁您的人工智能对您的理解。
当您访问任何网站或查看电子邮件时，奇迹就会发生，我们的 Chrome 扩展程序会吸收内容，在您的浏览器中本地进行矢量化，并将其存储在您的个人数据存储库中，您是否拥有 2019 年激发您当前创业想法的书签？您的 AI 会记住，您构思管理理念的邮件线索？已编入索引并可搜索。
可移植向量格式意味着此上下文可跨所有 AI 模型跟随您，GPT、Claude、Gemini - 它们都能针对您的具体情况进行智能化，但不会将您的数据作为人质。
零知识机器学习
但事情就是从这里开始变得疯狂，我们使用先进的加密技术来允许数据存储之间进行无信任的交互，A16Z 研究发布了一项名为 JOLT 的特殊技术，它是一种虚拟机，可以让我们以极快的速度对任何程序进行可验证的计算，它使用一种称为查找的特殊技术 - 这种技术恰好非常适合人工智能中出现的非线性函数。
我们修改了 JOLT 证明器，使其能够进行可扩展的零知识机器学习，然后，我们将其与微软研究院和其他伟大机构首创的内存高效折叠方案组合在一起，查找和和校验协议 - 非常适合 ML 工作负载 - 现在是我们基于 Nova 的证明器网络中的一个特殊证明器，这是一项在许多方面都意义重大的技术 - 但需要深入探讨。
这在实践中意味着：你的 AI 可以用你的数据来验证程序，而无需透露这些数据的具体内容，想象一下，AI 代理可以通过加密方式验证它们是否理解你的偏好，从而实现不同 AI 系统之间的去信任协作，同时保护你的实际信息隐私，对于个人约会场景来说，这是必不可少的，对于企业对企业来说，这同样必不可少。
隐私优先架构
我们的 WASM zkVM 采用基于最新隐私保护研究成果的折叠方案，并支持证明组合，与其他事后才考虑隐私的 zkVM 不同，我们从头开始就为隐私设计了方案，多重折叠支持意味着我们可以高效地聚合证明。
完整堆栈的工作原理如下：基于浏览器的向量数据库捕获上下文 → 内存高效的 ZKP 证明理解 → 快速 zkML 支持 AI 推理 → 链上验证确保防篡改操作 → 您通过加密密钥控制一切。
这是 Plaid 级别的基础设施，但面向的是人工智能革命，与目前那些需要信任中心化提供商的人工智能记忆解决方案不同，它实际上遵循了互联网的本意：分布式、用户控制、加密可验证。
我们发布了 Chrome 扩展程序，快来试用吧！早期用户已经开始构建应用，并用它来实现我们意想不到的功能！
龙来了！这需要区块链
传统科技人士需要听到一个令人不安的事实：你无法用 Plaid 曾经成功的中心化架构来构建 “AI 记忆版 Plaid”，它的基本经济原理行不通。
信任问题关乎生存，当 Plaid 将你的银行账户连接到 Mint 时，最糟糕的情况是金融欺诈 - 虽然严重，但可以控制，当一个人工智能记忆平台连接你的浏览器历史记录、电子邮件、位置数据以及你使用的每个应用中的私人对话时，数据泄露不仅会危及你的资金安全，还会危及你的整个数字身份，无论你进行多少安全审计，用户都不会相信一家中心化公司会提供如此私密的数据访问权限。
竞争护城河问题，传统的 SaaS 公司通过数据网络效应构建护城河 - 用户越多，每个人获得的服务就越好，但人工智能记忆本质上是个性化的，你的浏览模式不会让我的人工智能助手变得更好，而是会让你的更好，中心化的人工智能记忆公司没有可防御的护城河，因为其价值不会在用户之间复合增长 - 而是随着时间的推移，在用户内部复合增长。
平台风险问题，任何中心化的人工智能记忆解决方案都会对各大平台构成生存威胁，谷歌、苹果、Meta - 它们都通过控制用户数据和上下文来赚钱，它们永远不会与能够将其核心竞争优势商品化的解决方案整合，中心化的“人工智能格子”会被切断数据源，或者被大型科技公司复制并扼杀。
监管上的不可能，GDPR、CCPA 以及即将到来的人工智能监管浪潮都要求用户拥有个人数据的所有权和可移植性，一家中心化公司跨平台收集私密行为数据，无疑是一场迟早会发生的合规噩梦，智能合约赋予用户对自身数据的加密控制权？这不仅在技术上更胜一筹，也是唯一能够经受住监管考验的架构。
智能合约为何如此重要？用户控制的智能合约可以同时解决所有这些问题，用户信任系统，因为他们掌握着密钥，没有中央服务器可以入侵或传唤，平台无法扼杀它们无法控制的东西，而且，其技术架构与监管的发展方向相一致，而不是过去的方向。
这不是加密意识形态，而是市场现实。
内存革命现在开始
这并不是要构建另一个 AI 工具，而是要构建一个基础层，让每个 AI 工具都能真正为你提供智能，那些理解这一转变 - AI 内存必须由用户控制才能真正有价值 - 的公司将掌握下一代计算平台的基础设施层。
您的数据绝不会被劫持，您的人工智能绝不会失忆，我们正处于一个独特的技术十字路口，多种变革在此交汇：人工智能模型在不断发展，却又遭受着数字失忆的困扰；个人数据在激增，却依然孤立；隐私法规要求用户拥有所有权，尽管缺乏必要的基础设施。
Kinic 不仅仅是在应对当前的挑战，我们正在为即将到来的人工智能原生世界构建基础设施，未来，每个应用程序都拥有人工智能助手，每次交互都会生成上下文，每个决策都会得到机器智能的增强，对内存层的控制将至关重要。
早期迹象已经显现，我们最近发布的开发 API 和 Chrome 扩展程序展现出了令人惊讶的采用模式，用户不仅仅是保存书签，他们还在开发研究工作流程、创建共享知识库，并进行尽职调查，而这些工作以前需要数周时间，现在只需数小时即可完成，用例的涌现速度超出预期，表明对这种基础设施的需求早已存在。
竞争优势已经形成，每一条被吸收的数据、每一个存储的上下文向量以及每一个生成的加密证明都在提升网络对个人用户的价值，这超越了传统的网络效应，而是一种更强大的动态，一个基于你数月行为的个性化人工智能，是竞争对手无法在明天就从头开始复制的。
机会之窗很狭窄，尽管大型科技公司意识到了这种即将到来的转变，但它们现有的平台将在架构上受到限制，它们最终还将连接到 Kinic 去中心化记忆存储。
你的数据不应该被俘获，你的人工智能不应该失忆，你的约会计划也不应该被打乱。
下载 Kinic，拥有你的记忆：
kinic.io
更多相关信息，请阅读：
JOLTx 在零知识机器学习（zkML）中达到 SOTA去中心化 AI 世界中您的数据的最佳新朋友

#Kinic #AI #ICP生态

你关心的 IC 内容
技术进展 | 项目信息 | 全球活动

收藏关注 IC 币安频道
掌握最新资讯

零知识机器学习（zkML）是密码学魔法与人工智能的结合，想象一下，在不泄露模型输入、内部工作原理或结果的情况下，证明一个机器学习模型产生了特定的结果，这就是 zkML 的愿景 - 目前已有多种前沿方法竞相将其变为现实。
在本文中，我们将深入探讨三种领先的 zkML 范式 - JOLT（已针对机器学习操作进行修改，并带有预编译功能：JOLTx）、EZKL（基于 Halo2）和 DeepProve（基于 GKR），比较它们的工作原理和性能，并解释为什么 JOLT 以查找为中心的方法会像出租车上的雪球一样震撼整个行业。
什么是 zkML？
零知识机器学习（zkML）是一个新兴领域，它将零知识证明（ZKP）与机器学习（ML）相结合，以实现可验证且隐私保护的 ML 计算，zkML 允许证明者证明 ML 模型已正确执行，而无需泄露敏感输入或要求验证者重新运行计算，您还可以使用它来隐藏模型权重和模型。
这对于去中心化金融、隐私保护型 AI 和安全的链下计算等应用至关重要，通过确保 ML 推理的私密性和去信任性，zkML 为区块链、Web3 及其他领域中透明且可扩展的 AI 应用铺平了道路。
zkML 的技术基础
基于 JOLT 的 zkML（JOLTx）– JOLT 是一个 zkVM，一种可以证明任意程序执行的零知识虚拟机（JOLT 论文，JOLT 博客）。
JOLT 以 RISC-V 指令集为目标，这意味着您可以将任何程序（使用 Rust 或 C++ 等高级语言编写）编译为 RISC-V 汇编语言，然后生成该汇编代码正确运行的证明。
JOLT 在底层引入了一个基于“查找奇点”概念的新前端：它不再对每个操作施加繁重的代数约束，而是将 CPU 指令转换为在一个巨大的预定义有效指令结果表中进行查找，每一步计算（例如加法、乘法，甚至是按位运算）都会通过名为 Lasso 或最近的 Shout 的快速查找参数与该表进行比对，从而进行验证。
JOLT 的电路只需在这些表中执行查找操作，从而显著简化了证明生成过程，例如，64 位“或”以及“与”运算（在常规算术约束下执行成本高昂）在 JOLT 下只需进行一次表查找即可完成。
该设计确保证明器在每条 CPU 指令中的主要工作只是提交少量字段元素（每步约 6 个 256 位数字）并证明这些查找的正确性，这使得 JOLT 成为一种通用且可扩展的方法：任何机器学习模型都可以被视为一个程序，并通过最少的定制电路设计进行证明。
我们计划为 JOLT 堆栈贡献一些针对机器学习操作的专用预编译功能，非线性可以通过查找高效处理，而其他常见属性可以通过和校验以及 JOLT zkVM 独有的一些技术来处理。
我们将此扩展称为 JoltX，但它实际上只是在 JOLT 的基础上添加了几个工具和专用预编译功能，我们预计将在几个月后发布，敬请期待！
还有哪些其他优秀的 zkML 项目？
EZKL（基于 Halo2）- EZKL 采用基于 Halo2 构建的更传统的 SNARK 电路方法。
EZKL 并非模拟 CPU，而是在机器学习模型的计算图层面运行，开发人员将神经网络（或任何计算图）导出为 ONNX 文件，EZKL 工具包会将其编译成一组针对该模型定制的多项式约束（算术电路）。
神经网络的每一层 - 例如卷积、矩阵乘法、激活函数 - 都被转化为 Halo2 证明器可以求解的约束，为了处理非自然多项式的运算（例如 ReLU 激活或大整数运算），Halo2 也使用查找参数，但方式更为有限。
例如，大型表（例如 64 位运算的所有 $2^{64}$ 种可能性）必须拆分或“分块”为较小的表（例如 16 位块），并且需要多次查找加上重组约束来模拟原始运算，这种分块会增加电路的开销和复杂性。
因此，EZKL 的证明生成涉及创建许多这样的约束，并使用 Halo2 的证明算法（通常是 KZG 或基于 Halo 的承诺）来生成证明，EZKL 方法的优势在于它具有模型感知能力 - 它可以针对神经网络层进行专门优化，甚至可以修剪或量化权重以提高效率。
然而，每个新模型或层类型可能都需要自定义约束编写或至少重新生成电路，并且证明者必须处理大型约束系统，这对于大型模型来说可能会很慢。
DeepProve（基于 GKR）- Lagrange 提出的 DeepProve 采用了不同的路径，使用称为 GKR（Goldwasser–Kalai–Rotblum）的交互式证明协议。
本质上，GKR 将整个计算过程（类似于机器学习模型的前向传递）视为一个分层的算术电路，并通过和校验协议而非繁琐的多项式运算来证明其正确性，DeepProve 的工作流程是提取模型（同样通过 ONNX 实现），然后自动生成与神经网络每一层对应的计算序列。
它并非直接将其转换为静态的 SNARK 电路，而是使用 GKR 以最小的加密哈希/承诺开销来检查每一层的输出与其输入，GKR 方案中的证明者运行实际的模型计算，然后进行交互式证明（使用 Fiat-Shamir 算法使其变为非交互式），以使验证者确信每一层都计算正确。
GKR 的优点在于其证明器复杂度与电路规模呈线性关系（O(n)），与正常执行相比，仅有很小的常数因子减慢，事实上，对于某些任务（例如大型矩阵乘法），基于 GKR 的现代系统可以比普通执行慢不到 10 倍，DeepProve 将此与现代多项式承诺技术相结合，在校验轮后输出简洁的证明，从而有效地创建了针对神经网络推理的 zkSNARK。
GKR 的一个缺点是，它最适用于结构化计算（例如神经网络的静态层），并且涉及更复杂的加密协议逻辑，但它的优势在于在深度计算证明方面的原始速度。
优势与劣势
每种方法都有其独特的优势和潜在的缺点。
JOLTx（基于查找的预编译 zkVM）
优势：极其灵活（它可以证明任何代码，而不仅仅是神经网络），并且受益于 JOLT 的“查找奇点”优化，即使是位级操作也成本低廉。
它不需要每个模型定制电路 - 只需编译即可运行——这极大地提升了开发人员的体验并降低了出现 bug 的可能性。
使用 Lasso 查找意味着证明约束主要根据执行的操作数量而非其复杂性进行扩展，从而使 JOLT 拥有一致的成本模型。 
缺点：作为通用虚拟机，它可能会为每条指令带来一些开销；对于包含数百万个简单操作的超大型模型，像 GKR 这样的专用方法可以通过流式计算来实现更低的绝对证明时间。
此外，JOLT 相对较新 - 它依赖于一种新颖的查找参数和复杂的 ISA 级表，这些是尖端技术，需要时间才能成熟，但考虑到其设计，即使是 JOLT 目前的原型在效率上也优于之前的 zkVM。
EZKL（Halo2 / PLONK）
优势：它基于广泛使用的 SNARK 框架构建，这意味着它可以受益于现有的工具、审计和链上验证器支持（Halo2 证明可以使用以太坊友好的加密技术进行验证）。
EZKL 对数据科学家来说相当易于使用：你可以使用 PyTorch 或 TensorFlow 模型，导出 ONNX，并获得模型推理正确完成的证明。
它已经实现了实际集成（从 DeFi 风险模型到游戏 AI，我们将在下文讨论），这表明它能够证明真正的机器学习任务。 
缺点：随着模型的增长，性能可能成为瓶颈，传统的 SNARK 电路通常会带来巨大的开销 - 从历史上看，证明者的工作量比仅仅运行模型要多一百万倍。
Halo2 的方法试图进行优化，但诸如大矩阵乘法或非线性激活之类的操作仍然会转化为许多约束，对大型查找进行分块（例如 32 位算术或非线性函数）的需求增加了额外的约束和证明时间。
本质上，EZKL 可能难以处理非常大的网络（在证明时间和内存方面），有时需要拆分电路或使用特殊技术来适应实际限制，这是一种很好的通用 SNARK 方法，但在扩展时并不是最快的。
DeepProve（GKR）
优势：为深度模型提供极快的证明生成速度，通过避免将每个乘法编码为多项式约束的开销，GKR 使证明器几乎只需进行常规数值计算，然后添加一层薄薄的加密校验，DeepProve 团队报告称，在同等神经网络上，GKR 的证明速度比 EZKL 快 54 到 158 倍。
事实上，模型越大，GKR 的优势就越大：随着模型复杂度的增加，DeepProve 的优势也越来越大，因为它的线性扩展仍然可控，而基于电路的方法的成本却在不断膨胀。
劣势：该方法在某种程度上仅适用于类似电路的计算（幸运的是，这类计算涵盖了大多数前馈机器学习），如果您的工作负载包含大量条件逻辑或不规则运算，那么它的灵活性会降低 - 这些操作在 JOLT 等虚拟机中更容易处理。
此外，将 GKR 证明设为零知识证明且简洁，会导致证明规模大于经典的 SNARK 证明和验证程序，尽管后者比重新运行整个模型快得多，但并非即时完成。
DeepProve 的证明对于 CNN 的验证时间约为 0.5 秒，这对于大型模型来说非常出色，但传统的 SNARK 验证器可以以毫秒为单位完成。
因此，DeepProve 专注于性能，这可能会以证明协议的复杂性和比 Halo2 证明等略重的验证任务为代价，它是扩展 zkML 的强大方法，尤其是在服务器或云环境中，尽管在进一步优化之前，它可能不太适合轻客户端或链上验证。
性能和效率比较
就原始性能而言，每种 zkML 方法都有不同的优先级，证明生成时间通常是关键指标，DeepProve 基于 GKR 的证明器目前在速度方面占据首位 - 基准测试表明，在相同模型下，其生成证明的速度比 EZKL快 50 倍到 150 倍。
这一飞跃源于 GKR 的近线性时间算法，该算法避开了 SNARK 电路繁重的多项式代数运算，实际上，EZKL 可能需要数小时才能证明的神经网络推理，使用 DeepProve 只需几分钟即可完成，而且，随着模型规模增大（更多层、更多参数），这一差距会进一步扩大，因为 GKR 的单次操作开销保持较低，而 Halo2 的开销却在不断增长。
JOLT 的性能目标同样雄心勃勃 - 它的目标是比现有的 SNARK 框架快一个数量级，a16z 团队已经演示了 Lasso（JOLT 中的查找引擎），其运行速度比 Halo2 的查找机制快 10 倍，并计划将速度提升至 40 倍。
这意味着曾经是瓶颈的操作（例如那些令人讨厌的按位运算或大字段运算）变得便宜得多，JOLT 本质上是用计算换取了表查找，而且由于 Lasso，在巨大的虚拟表中查找值的成本很低，成本不会随着表大小的增加而增长（不，它们实际上并没有在内存中存储 2^{128}$ 行数据！）- 它主要随着执行的查找次数而增长。
因此，如果您的机器学习模型执行了一百万个 ReLU，那么证明器的成本会随着这百万次操作而增长，但每次操作都只是一次快速的表格检查，早期结果表明，JOLT 的证明器每条指令步骤只需处理少量字段元素承诺，开销极低，简而言之，JOLT 正在最大限度地优化每条操作的计算量，通过使用预先计算的知识（查找表）来跳过复杂的动态数学运算，从而大幅降低传统的 SNARK 开销。
EZKL 与 Halo2 的结合虽然速度较慢，但也并未停滞不前，它受益于 Halo2 的优化，例如自定义门和部分查找，对于中等规模的模型，EZKL 完全可用，并且已被证明优于一些早期的替代方案，在 Cairo 上，它比基于 STARK 的方法快约 3 倍，在 2024 年的一项基准测试中，它比 RISC-V STARK 快 66 倍。
这表明，经过精心优化的 SNARK 电路可以击败实现方式较为简单的虚拟机，缺点是，为了达到这些速度，EZKL 和 Halo2 必须仔细调整所有内容，而且它们仍然继承了多项式承诺、FFT 和证明算法的基本成本。
相比之下，JOLT 和 DeepProve 的新方法避免了大部分 FFT 或高阶多项式的开销 - JOLT 通过将自身限制在查找操作（加上一个新参数来高效处理查找操作），而 DeepProve 则使用和校验（它适用于多线性多项式，并且只需要轻量级哈希承诺）。
在经典的 SNARK 中，大量时间都花在计算大型 FFT 或多标量乘法等操作上，GKR 通过对布尔超立方体和多线性扩展进行操作，在很大程度上避免了 FFT，而 JOLT 通过从一开始就不实现巨型表，避免了查找所需的大型 FFT。
在证明大小和验证方面，存在着权衡，JOLT 和 EZKL（Halo2）最终生成标准的 SNARK 证明（通常为几 KB），可以快速验证（一些配对或一些多项式求值）。
DeepProve 的方法类似于 STARK，可能会生成更大的证明（几十 KB 到几百 KB，具体取决于模型），并且验证虽然比重新运行模型快得多，但可能比验证简洁的 KZG 证明涉及更多步骤。
DeepProve 团队强调，他们的验证速度比使用 GPU 简单地重新计算 MLP 来检查它快 671 倍，对于相当复杂的模型，可将验证时间缩短至约 0.5 秒。
这是一个强有力的结果，表明即使证明规模更大，验证起来也比进行原始的人工智能计算要容易得多（如果验证者是智能合约或计算能力有限的轻客户端，这一点尤其重要），Halo2 的证明规模更小，验证速度也更快，但如果一开始就证明它们的速度对于你的应用程序来说太慢，那么这种差异就显得无关紧要了。
效率的一个重要方面在于这些框架如何处理特殊操作，例如，在机器学习推理中，我们经常会遇到非线性步骤（例如 ArgMax、ReLU 或 Sigmoid），EZKL 可以通过使用布尔选择器强制执行约束来处理 ReLU（这本身可以通过查找或其他约束来完成）。
相比之下，JOLT 可以在程序中实现 ReLU（作为几条基于符号位分支的 CPU 指令），并通过查找以低成本证明这些分支 - 本质上是利用了 CPU 的比较能力。
DeepProve 可以通过将分段线性函数合并到 GKR 将要验证的算术电路中来适应分段线性函数，但高度非线性函数（例如 Sigmoid）可能需要多项式或查找近似，总体而言，JOLT 的理念是通过执行实际代码（包括条件语句、循环等）并使用查找参数来覆盖任何操作的逻辑，使所有奇特的东西看起来都正常。
Halo2 的理念是将所有内容限制在多项式方程中（有时对于复杂的运算来说会很繁琐），而 GKR 的理念是将计算分解为可递归验证的和与积，每种方法处理这些问题的效率将反映在证明时间上：JOLT 可能擅长控制逻辑，GKR 擅长大型线性代数运算，而 Halo2 则处于两者之间，两者兼顾，但开销较高。
为了验证 Kinic 证明，我们使用互联网计算机区块链，因为它比其他 L1 区块链更快地处理更大规模的证明验证，我们也不受预编译的限制，因为预编译需要一些复杂的工作才能将 JOLTx 上链。

大规模模型的可扩展性
当我们在 zkML 中谈论可扩展性时，我们可能指两件事：处理大型模型（多层级、大量参数）和处理多样化模型（不同架构甚至动态模型），我们首先考虑大规模部署 - 假设你想在一个大型 CNN 或具有数百万个参数的 Transformer 上进行推理验证。
DeepProve 专为此场景而设计，其性能会随着模型规模的扩大而倍增，例如，如果一个小型模型（比如一个微型 MLP）用 DeepProve 证明的速度比用 EZKL 证明的速度快 50 倍，那么一个更大的模型可能要快 100 倍以上。
该团队指出，随着我们扩展到包含数百万个参数的模型，DeepProve 的速度将比其他方案更快，他们计划通过并行和分布式证明技术进一步提升这一速度，GKR 易于并行化，因为许多子计算（例如某一层中的所有神经元）可以批量验证。
此外，GKR 不需要一个会随着电路规模增长而增长的巨型单片“证明密钥” - 它能够实时运行，因此内存占用更低，这使得 DeepProve 在未来有望用于云规模甚至链上大型神经网络的验证。
EZKL（Halo2）可以处理相当大的网络，但也存在局限性，为大型模型构建单个巨型电路可能需要大量内存和时间（在某些情况下需要数十 GB 的 RAM 和数小时的计算时间），EZKL 团队一直在探索改进方法，例如电路拆分和聚合（分别对模型的各个部分进行证明，然后合并证明），以及量化策略以降低算术复杂度。
尽管如此，像 Halo2 这样的通用 SNARK 算法，如果没有专门的优化，在超过一定规模后仍将面临挑战，它可能最适合中小型模型，或者离线且不频繁进行证明的情况（或有强大硬件可用）。
其优点是，一旦生成证明，即使对于大型模型，验证它也很容易 - 这对于链上场景非常有用，因为智能合约可能会验证包含 1 亿个参数的模型的证明，而这在链上重新计算是绝对不可行的。
JOLT 在可扩展性方面处于一个有趣的位置，一方面，它是一种基于 SNARK 的方法，因此它的工作量也必须与执行的操作数量大致呈线性关系（就像 Halo2 和 GKR 一样）。
另一方面，由于采用了基于查找的技术，JOLT 的每次操作的常数非常低，如果我们考虑“大规模部署”，比如运行一个包含 1000 万次操作的模型，JOLT 就必须执行这 1000 万次查找和相应的承诺，这很繁重，但从本质上来说并不比 GKR 或甚至一个简单的电路更重 - 它仍然是线性的。
问题是：JOLT 能多好地优化和并行化它？由于 JOLT 将每条指令视为一个步骤，如果证明系统支持拆分跟踪，它可以通过并行执行多条指令（类似于多个 CPU 内核）来实现证明的并行化。
目前的研究表明，他们首先关注单核性能（每步成本约为 6 个字段元素），但由于该方法是一种虚拟机，因此可以设想将来在证明器之间分发程序跟踪的不同部分（这只是推测，但考虑到查找参数可以组合，这并非不可能）。
即使没有花哨的分布，JOLT 也可以利用现有的多项式承诺技巧 - 例如支持任意大小电路的通用设置，因此不需要为更大的模型提供新的可信设置。
在处理不同的 ML 架构方面，JOLT 表现出色：无论您的模型是 CNN、带循环的 RNN、决策树集成还是某种新的混合模型，只要您可以在 CPU 上运行它，JOLT 就可以证明它，这使得它在开发意义上具有高度的可扩展性 - 您不需要为每种新模型类型重新设计证明方法。
DeepProve 和其他基于 GKR 的方法目前针对典型的深度神经网络（矩阵运算层和元素函数）进行了定制，它们能够随着网络的深度和宽度而出色地扩展，但如果你给它们施加非常不规则的工作负载（例如，一个动态决定跳过层或具有数据依赖循环的模型），该框架可能需要进行调整或可能会损失一些效率。
不过，大多数已部署的大规模机器学习模型（视觉、自然语言处理等）都具有规则的结构，因此这没有问题。
有人可能会问：哪种方法最适合实时或设备端使用，而不是云规模？实时意味着即使对于较小的模型，我们也希望证明延迟非常低。
JOLT 的方法是一种 SNARK，可能允许在几秒或更短的时间内在一个不错的设备上证明较小的模型，尤其是在技术成熟的情况下，移动 CPU 上的 EZKL 可能会更慢（Halo2 证明还不是完全适合移动设备，尽管有人努力加速它）。
DeepProve 可以有效地利用 GPU - 如果设备上有 GPU，它实际上可能会非常快速地证明一个小模型（GKR 喜欢并行硬件），但 CPU 上的 DeepProve 可能不如 CPU 上的 JOLT 那样针对实时场景进行优化。
因此，可扩展性不仅仅在于处理更大的模型 - 还在于在正确的环境中有效地处理正确的尺寸，JOLT 的目标是成为跨环境的万能主力，从长远来看，这使其成为云和边缘部署的有力候选者。
JOLTx：通过校验和查找重新定义 zkML 功能
既然有这么多创新，为什么我们还要强调基于 JOLT 的 zkML 是未来的最佳选择呢？答案在于它的多功能性、性能和实际应用 - 这三者的组合很难被超越。
首先，JOLT 引入了一种构建 SNARK 的全新范式，JOLT 不再将高级程序逐个门地嵌入到电路中，而是实现了设计仅执行查找操作的电路的愿景，这意味着复杂性在预计算阶段得到处理（定义那些庞大的指令表），而在线阶段则非常简单：只需证明你进行了有效的查找即可。
这就像将电路中的每个复杂操作都变成了 “O(1)” 步骤，这大大降低了证明者在 SNARK 中执行传统上非常繁琐的任务（例如，位操作、任意分支逻辑）的开销。
对于机器学习模型，它通常混合了线性代数（SNARK 可以处理）和非线性决策或数据转换（SNARK 处理不佳），JOLT 提供了一个平衡的解决方案 - 线性代数仍然必须逐步完成，但每个算术操作都很简单，任何非线性决策（例如 ReLU 中的“如果神经元 > 0 则...”）也很简单，因为 VM 可以简单地分支，并且正确分支的证明只是一个查找检查。
其次，JOLT 速度很快，而且速度还在不断提升，其背后的研究表明，与主流 SNARK 工具相比，其证明器速度可立即提升 10 倍以上，并暗示通过优化可达到 40 倍。
它还继承了SNARK 的许多前期改进：它采用了现代多项式承诺方案，并可以利用现有的密码库，其核心的 Lasso 论证以效率为核心，并且已经展现出优于旧式查找论证（后者是 Halo2 等系统的瓶颈）的性能。
对于实时或本地机器学习而言，这意味着在智能手机或笔记本电脑上生成证明的想法突然变得不再那么疯狂，如果您的模型推理通常需要 100 毫秒，那么 JOLT 可能只需几秒钟就能证明这一点 - 这可是件大事！
相比之下，旧方法中的证明可能需要几分钟或几小时，因此在服务器场之外无法实现，JOLT 的效率提升使 zkML 更接近交互式使用的领域。
例如，我们可以设想一个浏览器扩展程序，它使用 JOLT 实时证明“我在您刚上传的图像上运行了一个视觉模型，它不包含任何 NSFW 内容”，然后再允许发布该图像。
或者汽车的车载计算机向保险服务器证明它确实在自动驾驶过程中使用了经过验证的驾驶模型，这些场景需要快速周转，而 JOLT 的速度使其成为可能。
另一个重要因素是开发者和用户的体验，JOLT 允许开发者使用他们熟悉的语言和模型（通过 RISC-V 编译和即将推出的 ONNX 转换），你无需了解 SNARK 电路的复杂性即可使用它。
对于机器学习领域来说，这一点至关重要：大多数机器学习工程师都不是密码学专家，他们也不应该成为密码学专家，使用 JOLT，他们可以编写或编译现有代码并获得证明，这种方法类似于 GPU 的早期 - 最初只有图形专家编写 GPU 代码，但最终通用框架允许任何程序员使用 GPU 加速。
从这个意义上讲，JOLT 就像“用于零知识证明的 GPU”：一个可通过标准工具链访问的专用引擎，这大大降低了采用的门槛，我们很可能会看到一些库将常见的机器学习任务（例如模型推理、模型准确性证明等）打包在 JOLT 之上，以便其他人可以即插即用。
JOLT 的可审计性是另一个微妙的改变，由于它本质上是在证明标准 ISA 的执行情况，因此比定制电路更容易推理和审计，您可以依赖定义明确的 RISC-V 规范和查找表的正确性，而无需验证成千上万个手写约束，这意味着对关键机器学习模型的证明拥有更高的可信度。
例如，如果某个模型用于法庭或医疗决策，那么拥有清晰的轨迹（“该程序已正确执行”）比“只有少数专家理解的这个定制电路已得到满足”更令人放心，如果需要，审计人员甚至可以单步执行虚拟机执行轨迹，而这在单片电路证明中是无法实现的。
基于 JOLT 的零知识证明（zkML）将理论的优雅与实际实现完美结合 - 既具备可扩展性所需的性能突破，也具备广泛应用所需的灵活性，它将零知识证明转化为开发者友好的高速实用程序。
虽然基于 Halo2 和 GKR 的方法已经开辟了道路，展示了其可能性（并将继续以其特定优势应用），但 JOLT 有望统一和提升 zkML 领域，这就像从手工汇编到高级编程的飞跃 - 一旦出现通用高效的解决方案，它就能赋能整个生态系统蓬勃发展。
对于任何希望在实践中部署可验证机器学习的人来说，JOLT 提供了一条清晰且极具吸引力的前进之路：快速证明，适用于任何模型，随时随地，zkML 的未来也属于精心设计的 zkVM 及其预编译代码！

#Kinic #AI #ICP生态

你关心的 IC 内容
技术进展 | 项目信息 | 全球活动

收藏关注 IC 币安频道
掌握最新资讯

一场集体顿悟已经开始，通过日常的人工智能互动，人们逐渐意识到，拥有非凡推理能力的系统竟然无法记住你昨天告诉它们的内容，这直接导致用户发现人工智能记忆危机的速度比大多数公司意识到它存在的速度还要快。
人工智能记忆的未来不是企业保险库，而是加密主权
随着人工智能代理从云端好奇心迅速发展成为在我们的手机、笔记本电脑和本地服务器上运行的重要伙伴，一个基本假设必须改变：内存所有权属于用户，而不是平台。
就像您可以将照片保存在手机、计算机或云端一样，您可以自由地在您喜欢的任何设备或服务上选择、编辑、删除和使用这些照片。
想要使用您的 AI 记忆的公司可以请求访问权限，就像他们访问您的照片库一样。 
该宣言宣告了人工智能记忆时代的五项核心原则：
1. 记忆独立性，AI 代理将以指数级速度在各种设备和平台上激增，你的上下文、偏好和数字关系不能被困在公司数据库中，从第一天起，记忆就必须是可移植的、用户可控制的、并且与平台无关的。2. 加密所有权，您的记忆由您控制的加密密钥保护，而非您无法协商的服务条款，任何公司都不应在未经明确同意且具备相关技术能力的情况下，有权删除、修改或利用您的个人人工智能上下文进行货币化。3. 用户至上的架构，随着人工智能计算向边缘设备和本地服务器迁移，记忆存储也必须随之迁移，您最敏感的场景 - 健康对话、家庭讨论、创意工作 - 都不应脱离您的掌控，以提供个性化的人工智能体验，您应该能够随意添加、删除和迁移您的人工智能内存。 4. 进化韧性，人工智能模型将不断变化、改进和被取代，您的记忆基础设施必须与模型无关，在当今人工智能系统不可避免的更替中生存下来，同时保持数字关系的连续性。5. 开放记忆标准，专有记忆格式如同数字流沙，人工智能记忆的工具、协议和标准必须开源、可审计且由各方共同维护，确保任何一家公司都无法控制人机关系的基础设施。
列车已然启程，早期采用者已开始构建可移植的人工智能记忆系统，开源框架正在涌现，加密工具日趋成熟，问题不在于这样的未来是否会到来，而在于现有平台是否会适应，还是会被记忆主权型替代方案所取代。

企业赢得了“浏览器战争” - 而人们将赢得“记忆战争”
浏览器大战（1995-2017）提供了一个完美的案例研究，说明为什么内存可移植性的“经济激励不一致”论点在历史上是幼稚的。
浏览器之战：企业的胜利
在浏览器大战中，各大公司争夺的焦点是谁能在网络访问方面构建最大的护城河，微软利用了操作系统集成的优势，谷歌则利用了搜索主导地位和数据收集的优势。
Firefox 曾一度为用户提供了选择，但最终谷歌凭借其“连接性”最强的优势赢得了胜利 - 将 Chrome 与 Gmail、地图、YouTube 以及整个谷歌生态系统紧密联系在一起。
用户获得了更好的浏览器，但公司获得了真正的奖励：成为互联网的门户并将每次点击转化为金钱。
记忆之战为何与众不同
这一次，根本的权力格局发生了逆转，在浏览器之战中，谷歌拥有最多的人脉 - 覆盖整个网络的网站、服务和用户数据，但在人工智能领域，没有哪家公司拥有最多的人脉，只有你了解哪些规则能让人工智能记忆对你和你的用例最有用。
您的记忆优势：
个人背景：只有你知道为什么你更喜欢早会、讨厌香菜、并且正在从事那个秘密项目。跨领域知识：您的人工智能需要了解您的工作、健康、家庭和爱好——这些数据分散在数十个平台上。时间连续性：您最有价值的背景来自数月的对话、偏好和学习模式，任何公司都无法重建这些。语义理解：数据背后的含义 - 为什么你做出某些选择、你的目标是什么、你的想法是什么 - 只存在于你的累积互动中。
公司限制 - OpenAI 了解你的 ChatGPT 对话，Google 了解你的搜索历史，Meta 了解你的社交关系，但它们都无法完全了解你，它们只是处理碎片信息，而你掌握着完整的信息。
经济翻转 - 用户作为价值创造者和所有者
与浏览器不同，谷歌可以构建最全面的网络索引，而没有一家人工智能公司能够构建最全面的你，你最丰富的背景信息分布在各个平台上，锁定在你的脑海中，并通过任何算法都无法观察到的现实世界体验不断演变。
那些允许你将完整的上下文信息带入其 AI 的公司，将提供卓越的体验，让平台锁定变得无关紧要，用户最终将拥有在浏览器大战中从未有过的优势 - 因为这一次，他们掌控着游戏中最宝贵的资源。

自行车谬误：为什么用户会承担记忆责任
“用户不想承担责任”的论点从根本上误解了我们正在构建的东西，我们并非要给用户增加数据管理的负担，而是要为他们的数字思维提供一辆“自行车”。
史蒂夫·乔布斯和自行车革命
1980 年，史蒂夫·乔布斯曾将个人电脑称为“思维的自行车” - 一种无需用户了解内燃机就能增强人类智能的工具，乔布斯观察到，人类并非跑得最快的人，但骑上自行车，他们就成为地球上最高效的旅行者。
自行车的失败并非因为人们“不想承担”转向、踩踏板或保持平衡的责任，它的成功在于，它在保持人类控制的同时，也增强了人类的能力。
虚假复杂性论证
批评人士指出，Facebook 在剑桥分析公司丑闻后的增长证明用户更注重便利而非控制，但这忽略了一个关键的区别：Facebook 的隐私控制是官僚机构的纸上谈兵，而不是真正的自行车。
Facebook 要求用户对不可见的数据流做出抽象的决策，这就像要求骑自行车的人调整化油器的设置，而不是直接控制方向盘去往他们想要去的地方。
AI 记忆作为数字自行车
便携式人工智能记忆不是复杂的隐私管理，而是直观的数字导航：
简单指导：“将我的工作内容带给这个新的 AI 助手”。自然刹车：“不要与购物 AI 分享我的健康对话”。轻松加速：“使用我以前教给 AI 的所有知识，让这个 AI 立即变得有用”。个人所有权：您的自行车会跟随您去任何地方，响应您的引导，并且骑得越多，它就越好。
用户体验革命
正如自行车不需要用户成为机械工程师一样，AI 内存的可移植性也不需要用户成为数据科学家，界面层处理复杂性，而用户则通过添加、共享和删除来保持直观的控制。
为什么这次不同
个人计算机的成功，是因为它们赋予了个人直接掌控的强大工具，智能手机的成功，是因为它们将计算能力放入每个人的口袋，人工智能记忆的成功，是因为它让数字智能处于人类的引导之下，而非企业算法的引导之下。
采用模式
早期采用者会构建自己的 AI 记忆系统（就像早期的 PC 爱好者组装电脑一样），然后，消费者友好的工具将会出现（比如 Apple II），最终，它将成为每个人都无需思考就能使用的隐形基础设施（就像 TCP/IP 一样）。
用户不想管理数据包，但他们热爱互联网，他们不想管理向量嵌入，但他们热爱真正了解他们并在所有平台上为他们服务的人工智能。
心灵的自行车变成了数字自我的自行车 - 增强了人类的智慧，同时让人类牢牢地坐在驾驶座上。

电子邮件革命：为什么人工智能记忆不需要完美的标准
“人工智能环境无法标准化”的论点犯了批评者在 20 世纪 80 年代对电子邮件所犯的同样错误 - 混淆了完美的互操作性与实用的可移植性。
从未发生过的电子邮件战争
1985 年，每家公司都有专有的电子邮件系统：IBM 的 PROFS、DEC 的 All-in-1、Microsoft Mail、cc:Mail 以及其他几十个系统，批评者认为，电子邮件永远无法跨组织运行，因为：
地址、标题和内容的不同数据结构不兼容的安全模型和身份验证系统不同的消息格式和附件处理无法翻译的特定领域功能
听起来很熟悉？
SMTP 的出色解决方案：足够好的可移植性
SMTP 并没有解决完美的电子邮件标准化问题，它只是解决了实际的电子邮件传递问题，邮件无需保留所有格式细节或专有功能，它们只需要将核心内容完整地从发件人传送到收件人即可。
结果如何？电子邮件成为了历史上最成功的通信协议，这并不是因为它有局限性，而是因为它优先考虑可移植性而不是完美性。
AI 记忆并行
人工智能记忆不需要通用标准化 - 它需要实用的可导入性：
核心语境转移：姓名、沟通风格、基本偏好、关键关系。领域边界：健康 AI 不需要您的购物偏好，生产力 AI 不需要您的治疗课程。有损压缩：您的 Netflix 推荐不需要完美地传达给您的工作助理 - 它们只需要让它了解您的偏好。逐步增强：从基础开始（沟通风格），随着时间的推移增加复杂性（领域专业知识）？
历史先例：Web “查看源代码”的成功
Web 的成功并非源于 HTML 的完美标准化，而是源于其可检查性和适应性，开发者可以“查看”任何网站的源代码，并了解如何构建类似的内容，浏览器能够优雅地处理不一致之处，显示其能够显示的内容，忽略其无法显示的内容。
人工智能记忆可以遵循相同的模式：“查看记忆”功能，其中人工智能系统可以检查、理解和导入有用的内容，同时优雅地忽略不兼容的元素。
为什么“足够好”会胜出
RSS 提要并不能完美地捕捉每个博客的独特功能，但它们可以实现内容的可移植性。CSV 文件丢失了数据库关系和格式，但实现了数据移动。PDF 文档不保留原始文档结构，但可以共享内容。MP3 文件失去了音频保真度，但却引发了音乐革命。
切实可行的前进之路
AI 记忆可移植性将通过以下方式获得成功：
干净传输的核心身份层（如电子邮件标题）。当复杂的上下文无法翻译时（例如带有未知 HTML 标签的 Web 浏览器），优雅降级。随着导入系统随着时间的推移变得越来越智能，其功能也不断增强。用户控制哪些内容可以传输以及哪些内容保留在特定平台。
完美的标准化是实际可移植性的敌人，首批能够实现“足够好”的内存导入的 AI 平台将比那些等待可能永远不会到来的通用标准的平台更快地吸引用户。

全体上车
记忆革命并非即将到来 - 而是已经到来，早期采用者已在构建便携式人工智能记忆系统，而现有企业则在争论用户是否“真的想要”掌控自己的数字思维。
火车即将驶离车站，你要么成为自己 AI 关系的指挥家，要么继续做别人公司记忆库里的乘客。
在互联网历史上，这是第一次，选择权真正掌握在你自己手中。
你会记得什么？
延伸阅读：
人工智能记忆经济您的数据被劫持，您的人工智能失忆了JOLTx 在零知识机器学习（zkML）中达到 SOTA去中心化 AI 世界中您的数据的最佳新朋友

#Kinic #AI #ICP生态

你关心的 IC 内容
技术进展 | 项目信息 | 全球活动

收藏关注 IC 币安频道
掌握最新资讯

我们生活在一个人工智能无处不在的时代，从推荐接下来要看什么到帮你起草一封棘手的电子邮件，但问题是：这些系统大多依赖于个人数据，这些数据存储在谁知道的地方，用于谁知道的事情。
这就是 Kinic 的作用所在，它通过链上矢量数据库颠覆了剧本，让你重新掌控一切。
AI 正在以前所未有的速度革新行业，而 Kinic 可以确保您的数据在这个新时代保持私密和安全，通过利用链上矢量数据库，Kinic 使个人 AI 和垂直 AI 代理能够更智能、更快速、更透明地工作。
无论是自动执行无聊的管理任务、创建合乎道德的推荐系统，还是实现完全自主的代理，Kinic 都是去中心化、用户至上的 AI 未来的支柱。
那么，矢量数据库到底是什么？
可以将矢量数据库视为 AI 的大脑，它不会将信息组织成枯燥的行和列，而是使用矢量（花哨的数学表示）来存储图像、文本和偏好等内容，这些矢量本质上是多维空间中的坐标，用于编码数据点的含义或上下文。
例如，表示相似图像或文本片段的两个矢量在这个空间中会更接近，从而使 AI 更容易找到联系。
这种方法对于相似性搜索等任务具有颠覆性意义，因为 AI 需要将查询与数百万个数据点进行比较，并提取最相关的结果，想象一下在电子商务目录中寻找特定产品或在照片数据库中识别相似面孔 - 矢量数据库使这种闪电般快速的匹配成为可能。
对于代理和 AI 系统而言，这项技术是情境感知决策的基础，无论是检索聊天机器人的知识、为推荐引擎提供支持，还是实现个性化搜索结果，矢量数据库都能让 AI 发挥潜力，使其能够准确理解和响应复杂的查询。
随着代理日益智能化，非结构化数据量呈指数级增长，拥有这种技术是理所当然的事情，矢量数据库不再是尖端人工智能应用的奢侈品 - 它们正迅速成为必需品。

为什么要将其放在链上？
情况是这样的：传统的矢量数据库存在于集中式系统中，数据可能会被泄露、操纵，甚至被锁定，Kinic 的链上方法利用区块链魔法解决了这些问题，这对你来说意味着什么？
您的数据，您的规则：有了 Kinic，您就是主宰者，没有人可以控制您的数据 - 一些大公司无法控制，甚至 Kinic 也无法控制。坚如磐石的安全性：区块链确保您的数据防篡改且安全。一切都协同工作：Kinic 与去中心化应用程序和智能合约配合良好，使其自然适合 Web3 项目。
Kinic 如何为您的 AI Sidekick 提供支持
想象一下这样一个世界：你的人工智能助手不仅能帮你，而且实际上只认识你，Kinic 让这一愿景成为现实，它提供了创建安全、高效且完全以用户为中心的个人人工智能所需的基本基础设施。
Kinic 的一大突出功能是其闪电般快速的矢量搜索，这项技术可让您的 AI 立即从庞大的数据集中检索最相关的信息，无论是回答复杂的问题、查找类似的文档，还是根据您的需求提供定制建议。
通过优化数据的搜索和匹配方式，Kinic 可确保您的 AI 以无与伦比的速度和准确性运行，让每次互动都感觉无缝且直观。
更好的隐私是 Kinic 方法的另一个基石，与将数据存储在容易受到破坏和滥用的集中式服务器中的传统系统不同，Kinic 将所有内容都放在链上，这意味着您的数据保持安全、透明且完全在您的控制之下。
借助区块链技术，可以有效缓解窥探和未经授权的访问，确保您的个人 AI 始终尊重和保护您的隐私。
Kinic 还实现了一定程度的个性化，这使其有别于传统的 AI 系统，由于您拥有自己的数据，因此您的 AI 可以真正适应您的独特偏好、习惯和需求。
无论是策划内容、管理任务还是提供个性化见解，由 Kinic 提供支持的 AI 都会与您一起发展，提供量身定制、以人为本的体验。
最后，Kinic 解决了人工智能面临的最大挑战之一：缺乏透明度，传统的人工智能系统通常以“黑匣子”的形式运行，让用户对决策的制定方式一无所知。
借助 Kinic，人工智能采取的每项行动都会记录在区块链上，提供可验证和可追溯的运营记录，这不仅可以建立信任，还可以确保问责制，使 Kinic 驱动的人工智能既可靠又合乎道德。
AI 代理的 5 个级别：Kinic 适合哪个级别
AI 代理正在不断发展，了解它们的进展有助于明确 Kinic 的最大影响力，有关此框架的更多信息，您可以参考 Cobus Greyling 对 AI 代理 5 个级别的详细分析：
基本自动化：遵循简单、预定义指令的代理，Kinic 确保这些任务都是使用安全、用户拥有的数据执行的。反应智能：对刺激或查询做出反应的代理，借助 Kinic，他们可以提取上下文丰富的链上数据以提供更好的响应。自适应智能：代理会随着时间推移学习并调整行为，Kinic 可让代理做到这一点，同时尊重您的数据隐私。自主决策：能够做出独立决策的代理，Kinic 提供了信任这些操作所需的透明度和可追溯性。协作智能：代理在去中心化的生态系统中共同工作，Kinic 的链上基础设施确保无缝协作，不会出现中心故障点。

为什么垂直人工智能代理是一个巨大的机遇
AI 不仅仅是下一个大趋势 - 它在规模和影响力上有望超越 21 世纪的 SaaS 革命，虽然 SaaS 通过提供高效、可扩展的软件解决方案改变了企业的运营方式，但垂直 AI 代理有望更进一步。
这些代理专为特定行业打造，具有无与伦比的能力来简化运营并解决细分问题。
如今你能想到的每一家 SaaS 独角兽公司在垂直 AI 领域都可能拥有同等的机会，想象一下专为医疗索赔处理、法律研究或供应链优化而设计的 AI 代理。
这些代理不仅仅是替代软件 - 它们还可以自动化整个工作流程，减少对软件系统和人力的依赖，这在那些即将发生颠覆但尚未完全接受 AI 驱动的自动化的行业中创造了数十亿美元的机会。
对于公司而言，采用垂直 AI 代理不仅是为了保持竞争力，还在于从根本上改变其运营方式，通过将 AI 代理集成到其流程中，企业可以变得更精简、更快速、更高效。
他们可以大幅削减成本，不仅是软件许可成本，还有人员配备成本，因为这些代理可以处理以前需要整个员工团队才能完成的任务。
这种转变使规模较小、更专注的公司能够在全球范围内竞争，与大型企业拥有公平的竞争环境，垂直人工智能代理使企业能够以更少的资源实现更多目标，以以前无法想象的方式释放创新和效率，随着这些代理不断发展和专业化，行业特定突破的潜力变得无限。
Kinic 在垂直 AI 生态系统中的作用
垂直 AI 代理的机会非常广阔，而 Kinic 在推动这些系统蓬勃发展方面发挥着关键作用，其中一个主要影响领域是自动化枯燥、重复、无人愿意做的任务，想想医疗保健或保险等行业的行政工作或索赔处理，这些工作通常需要分析大量数据并遵循预定义的工作流程 - 这些任务非常适合 AI 代理。
借助 Kinic 强大的矢量数据库和区块链的透明度，这些代理可以有效地接管这些平凡的活动，从而让人类工人能够从事更具创造性和战略性的角色。
对于企业而言，向垂直 AI 代理的转变代表着根本性的变化，规模较小、专注的组织现在可以实现曾经只有大公司才能达到的效率水平，通过利用 Kinic 的技术，这些公司可以降低劳动力和软件成本，同时保持高性能。
这意味着即使是初创公司和中型企业也可以通过依赖根据其需求量身定制的专用 AI 代理在复杂的市场中保持竞争力。
此外，垂直 AI 代理的专业化是关键，就像 SaaS 通过提供针对特定业务问题的集中解决方案来彻底改变行业一样，垂直 AI 代理将保持高度专业化，而不是试图整合成一刀切的平台。
Kinic 提供这些代理所需的基础设施，以提供个性化、情境感知的服务，同时确保数据安全和用户所有权，无论是精简法律公司的运营还是优化供应链，Kinic 都能让垂直 AI 代理在其领域中脱颖而出。
未来：个人人工智能和去中心化
下一波人工智能不是要让机器变得更智能，而是要让它们为你工作，有了 Kinic，这一愿景终于可以实现，以下是你可以做的一些很酷的事情：
您自己的搜索引擎：获取真正对您有意义的搜索结果，同时又不放弃您的隐私。人工智能代理：DeFi、DAO 及其他领域的自主代理可以利用 Kinic 获取安全的实时数据。道德建议：告别令人毛骨悚然的算法，迎接透明的、用户驱动的系统。审计友好型人工智能：建立可以追踪和验证每个决策的模型。
为什么 Kinic 很重要
人工智能不会消失，隐私和控制需求也不会消失，Kinic 将尖端人工智能的力量与区块链的安全性和透明度相结合，创造一个由您做主的未来。
底线
Kinic 不仅仅是一个工具，它还能改变游戏规则，它旨在构建符合道德规范、安全且为您量身定制的 AI，准备好掌控您的数据并探索下一步了吗？请访问 kinic.io 查看 Kinic。

#Kinic #AI #ICP生态

你关心的 IC 内容
技术进展 | 项目信息 | 全球活动

收藏关注 IC 币安频道
掌握最新资讯

关键要点：
Caffeine AI 是一款集成到互联网计算机协议（ICP）生态系统的高级 AI 助手，旨在服务 Web3 和企业 AI 市场。该团队已经开发了产品原型和社区 - 尽管交易尚未开始，但人们的兴趣正在上升。关于链上与链下部署的讨论正在引发 ICP 社区的争论。Caffeine AI 可能是一些平台上线的主要竞争者，尤其是在 AI 代币呈上升趋势的情况下。交易员和投资者正在密切关注其推出、情绪以及与 ICP 智能合约的互操作性。

Caffeine AI 是一个雄心勃勃的链上人工智能项目，基于互联网计算机协议（ICP）构建，旨在彻底改变人机交互方式，通过将自然语言输入解释为可执行的计算机代码，它消除了对 AWS 或 Azure 等中心化服务的依赖，这使得日常开发者、企业和创作者无需深厚的工程背景即可构建 AI 驱动的应用程序。
其完全去中心化的特性确保了更高的隐私性、安全性和抗审查性 - 使其成为一个在闭源且依赖云的 AI 模型主导的世界中独树一帜的参与者。
该项目在加密社区中引发了兴奋与质疑，尽管许多人对其开源理念、自动化潜力和链上架构赞誉有加，但也有人质疑 Caffeine AI 的实用性及其当前的开发状态，无论如何，Caffeine AI 是区块链与人工智能如何融合以实现透明且由社区驱动的创新的典范。
对于交易者和早期采用者而言，关注 Caffeine AI 不仅能带来经济效益，还能塑造去中心化计算的未来。

目录
什么是 Caffeine AI？Caffeine AI 的工作原理Caffeine AI 和互联网计算机协议（ICP）用例和现实世界的潜力代币的实用性和治理（预期）为什么交易者应该密切关注 Caffeine AI

什么是 Caffeine AI？
Caffeine AI 是一个开源的去中心化人工智能基础设施项目，旨在完全在互联网计算机协议（ICP）上运行 - 这是一种允许开发者在链上构建全栈应用程序的区块链。
与大多数依赖 AWS 或 Google Cloud 等中心化云服务的 AI 平台不同，Caffeine AI 旨在提供一个真正去信任的链上替代方案，让 AI 模型、数据和应用程序无需中间商即可部署。
该项目是日益壮大的人工智能生态系统去中心化运动的一部分，旨在确保创造和运行人工智能的力量不仅限于科技巨头，借助 Caffeine AI，开发者可以构建完全基于去中心化基础设施的生成式人工智能工具（例如聊天机器人、图像生成器和语音助手）。
它由开源社区构建，并服务于开源社区，其使命专注于透明度、用户控制和抗审查。
Caffeine AI 的路线图尚处于早期阶段，但已推出可在链上原生运行的测试应用程序和演示模型，由于其专注于以可扩展的方式融合人工智能和区块链，它吸引了越来越多开发者和加密货币交易者的关注。

Caffeine AI 的工作原理
Caffeine AI 基于 ICP 的运营模式使其有别于其他通常使用传统云计算实现部分功能的去中心化 AI 项目，ICP 允许智能合约（称为“容器”）不仅执行基本逻辑，还能直接在链上执行 AI 模型训练和推理等复杂工作负载，这使得 Caffeine AI 能够提供从后端到前端的完全去中心化技术栈。
Caffeine AI 的核心是这些由 ICP 驱动的容器，它们存储 AI 模型、处理用户交互并执行文本生成或语音合成等任务 - 所有这些都无需任何中心化服务器，用户通过去中心化的前端与 AI 代理交互，这些前端也由区块链本身存储和服务，这确保了端到端的透明性、可审计性和抗篡改性。
开发者可以向 Caffeine 生态系统贡献开源 AI 模型和工具，并可能获得代币奖励，Caffeine AI 未来还计划构建一个去中心化的 GPU 市场，以支持大型模型的链上训练，目前，它支持直接在 ICP 上进行轻量级推理。
这种架构不仅提高了人工智能的可访问性和安全性，而且符合 Web3 的核心价值 - 无需许可的创新、社区所有权和去中心化。

Caffeine AI 和互联网计算机协议（ICP）
Caffeine AI 建立在互联网计算机协议（ICP）之上，这是由 DFINITY 基金会开发的下一代区块链，ICP 不仅仅是一条传统的 Layer 1 链，它提供了一个独特的基础架构，允许开发者构建去中心化应用程序（dApp），甚至托管完全在链上运行的智能合约，包括 AI 等高级应用程序。
这使得 ICP 与 Caffeine AI 完美契合，与其他依赖链下服务器或云端模型的 AI 项目不同，Caffeine AI 利用 ICP 的智能合约，直接在区块链上运行其大型语言模型，这意味着无需依赖 AWS、谷歌云或其他中心化系统，从而打造一个真正抗审查且透明的 AI 框架。
该项目的一些视频可以为您提供有关 Caffience AI 如何工作以及如何利用它的更多信息。
ICP 的架构实现了实时响应、低成本计算和无缝升级 - 所有这些对于托管 AI 聊天机器人、工具和 API 至关重要，它还允许模型权重和数据永久存储在链上，这使得 Caffeine AI 成为加密生态系统中最去中心化的 AI 工具之一。
本质上，ICP 为 Caffeine AI 提供了一个可扩展、安全且去中心化的环境，而 Caffeine AI 则展示了 ICP 功能强大的实际应用 - 强化了这两种技术的价值。

Caffeine AI 的用例和潜力
Caffeine AI 不仅仅是一个基于区块链的聊天机器人，它代表着将人工智能实用程序集成到去中心化互联网的重大飞跃，它的功能远远超出了日常对话的范围，使其成为多个领域的强大工具。
🔧 开发者和构建者工具
Caffeine AI 提供链上 API，开发者可以直接从智能合约或 dApp 调用，这开启了无限可能，包括 AI 驱动的自动化、编码辅助、区块链分析以及面向用户的聊天功能，所有这些都无需离开 Web3 环境，您可以将其视为 Web3 版 ChatGPT，但完全去中心化并通过 ICP 托管在链上。
📚 教育与研究
由于 Caffeine AI 在链上透明运行，它允许研究人员和学生在去中心化的环境中与人工智能互动，并研究其运作方式，这种透明性在人工智能伦理研究、数据来源研究和公共部门应用方面可能大有裨益。
🌍 全球、不受审查的访问
去中心化意味着 Caffeine AI 可以绕过区域审查或平台限制，从而在全球范围内更广泛地使用 AI 工具，这对于活动家、记者以及身处审查严格地区、需要安全、公正援助的用户至关重要。
🔄 持续改进
借助社区反馈和 DAO 治理，Caffeine AI 能够基于集体意见不断改进其模型和功能，这有利于持续训练，更好地与用户保持一致，并提供更有针对性的用例，例如交易工具、法律摘要或科学研究支持。
简而言之，Caffeine AI 的潜力涵盖技术、教育和社会领域 - 这使其成为人工智能和加密领域值得关注的重要项目。

代币的实用性和治理（预期）
截至目前，Caffeine AI 团队尚未完全披露其代币的官方代币经济学细节，然而，基于其去中心化的愿景和社区优先的理念，我们可以预期一些常见的 DeFi 代币机制将成为其框架的一部分。
假如有代币，预计将在 Caffeine 生态系统中发挥核心作用，并可能成为以下媒介：
模型贡献者和验证者的权益和激励奖励；访问优质 AI 推理资源或功能；参与基于 DAO 的治理，允许社区制定协议决策。
在团队发布完整的白皮书或链上供应指标之前，任何关于分配百分比、归属时间表或总供应量的假设都纯属推测。
通过 X 等官方 Caffeine AI 资源，及时了解即将发布的相关公告。

为什么交易者应该密切关注 Caffeine AI
在加密货币交易中，及早发现下一个重大事件可以带来巨额收益，基于互联网计算机协议（ICP）构建的 Caffeine AI 就是这样一个值得关注的新兴项目 - 尤其是对于那些关注 BTC 和 ETH 等热门币种以外的交易者而言。
Caffeine AI 通过将自然语言直接转换为代码，实现全栈应用开发，无需传统编程技能，它采用去中心化的链上计算，而非 AWS 或 Azure 等中心化云平台，从而增强隐私性、控制力和去中心化。
为该生态系统提供动力的代币尚未推出，但社区兴趣的不断增长表明，一旦该代币上市，其早期需求可能会非常强劲 - 类似于 AGIX、FET 或 KINIC 等人工智能代币的情况。
交易者应密切关注 Caffeine AI 的链上活动以及 ICP 和 AI 社区的情绪，可以发现有利可图的切入点。
一句话：在一个由时机和技术叙事驱动的市场中，Caffeine AI 可能会改变游戏规则，请持续关注。

最后的想法
Caffeine AI 不仅仅是一个乘风破浪的 AI 工具，它代表着一种更深层次的转变 - 人工智能、区块链和人类创造力以一种真正去中心化的方式融合，它基于互联网计算机协议（ICP）构建，规避了中心化基础设施的陷阱，让任何人都能开发安全、私密且自主的 AI 应用。
无论您是寻求下一个突破性进展的交易员，还是关注无代码工具和去中心化人工智能发展的开发者，Caffeine AI 都值得您关注，它还处于早期阶段 - 但在加密货币领域，这往往蕴藏着最佳机会。

关于 Caffeine AI 的常见问题
问题 1：什么是 Caffeine AI？
Caffeine AI 是一个基于 ICP 构建的去中心化平台，它利用人工智能将人类语言和想法转化为代码，实现无需传统编程的全栈应用开发。
问题 2：其代币的用途是什么？
其代币预计将成为 Caffeine AI 平台的原生实用代币和治理代币，用于支持开发、功能访问以及可能的质押或奖励。
问题 3：其代币目前是否已上线交易所？
目前，其代币尚未发布，交易者请关注社区渠道和互联网计算机生态系统的最新消息。
问题 4：Caffeine AI 与其他 AI 项目有何不同？
与许多依赖中心化云提供商的 AI 平台不同，Caffeine AI 通过互联网计算机在链上运行，从而增强了隐私性、去中心化和抗审查性。
问题 5：交易者现在应该投资吗？
Caffeine AI 目前处于早期开发阶段，交易者不应盲目投资，而应关注项目更新、社区情绪以及即将发布的产品。


#CaffeineAI #DeAI，迎接牛市！ #ICP生态 #KINIC



你关心的 IC 内容
技术进展 | 项目信息 | 全球活动

收藏关注 IC 币安频道
掌握最新资讯

人工智能（AI）与区块链技术的融合令人兴奋，但这两个领域都面临着不容忽视的根本性限制，区块链承诺安全性和透明度，但在可扩展性、效率和适应性方面却举步维艰。
另一方面，人工智能正以其预测能力重塑行业，却面临着信任危机，数据隐私问题和不透明决策的“黑箱”问题也令其备受困扰，如果这两种各自具有革命性意义的技术能够相互弥补彼此最大的弱点，那会怎样？
想象一下这样一个未来：得益于人工智能的强大问题解决能力，区块链网络将无缝高效且可扩展；人工智能应用程序将利用区块链不可篡改的记录机制，以完全透明和可追溯的方式运行，如今，这一愿景正通过新一波去中心化人工智能项目逐渐成形。
SingularityNET、Ocean Protocol、Fetch.ai 和 Kinic 等平台引领着这一潮流，它们展示了人工智能与区块链的融合不仅可以解决彼此面临的最大挑战，还能重新定义数字时代的透明度、用户控制权和信任。

人工智能如何应对区块链的挑战
虽然区块链因其透明性、安全性和去中心化架构而备受赞誉，但它也面临着重大的技术挑战，效率、可扩展性和适应性问题阻碍了它的广泛应用，尤其是在工作量证明（PoW）等资源密集型模型中，而人工智能凭借其数据驱动的洞察力，可以发挥深远的影响。
效率和可扩展性
区块链（尤其是 PoW 系统）的一个主要问题是效率低下和能耗高，人工智能可以通过分析和预测网络需求，动态调整能耗以减少浪费并优化性能来解决这个问题。
此外，人工智能可以促进“分片”技术，这种技术将区块链数据划分到多个节点，从而实现并行处理并加快交易速度，将人工智能的适应性与区块链的完整性相结合，可以有效地扩展区块链网络，这是实现更广泛行业应用的关键一步。
优化智能合约
智能合约（区块链上的自动执行代码）至关重要，但容易出现漏洞，危及用户资金安全，人工智能（尤其是机器学习）可以仔细检查智能合约代码，在部署前检测并纠正错误，从而降低被利用的风险，这一预测层增强了人们对智能合约的信心，帮助区块链充分发挥其作为可靠自动化信任系统的潜力。
区块链网络的预测性维护
区块链系统非常复杂，需要持续维护，人工智能可以提供预测分析，利用历史数据预测并解决潜在的瓶颈或漏洞，防止其恶化，通过优化区块链维护，人工智能不仅可以提高网络可靠性，还能确保区块链作为去中心化未来发展的坚实基础。

区块链如何解决人工智能的挑战
尽管人工智能的潜力具有革命性，但其中心化和不透明性也引发了人们的担忧，区块链去中心化、不可篡改的结构可以解决这些问题，为人工智能更加道德、透明和负责地发展开辟了一条道路。
数据隐私和所有权
如今，人工智能模型依赖于海量数据，而这些数据往往未经用户完全同意就被收集，区块链引入了一种去中心化模型，允许用户在与人工智能应用程序安全共享数据的同时，保留对自身数据的控制权，这种机制赋予个人管理自身数据使用的权利，并营造一个更安全、更符合道德的数字环境。
增强透明度和问责制
传统的人工智能模型，尤其是深度神经网络，由于决策过程不透明，经常被批评为“黑匣子”，区块链的透明账本可以审计人工智能模型开发的每个步骤，从数据输入到训练结果。
通过在区块链上追踪人工智能的行为，用户可以了解其运行情况，从而促进公平性和问责制 - 这些品质在医疗保健、金融和刑事司法等应用中至关重要。
保护人工智能训练数据
人工智能的有效性取决于其训练数据的质量，而这些数据很容易被篡改，区块链的防篡改存储可以确保数据完整性，降低偏见和操纵风险，这种方法增强了人工智能模型的可靠性，因为用户和利益相关者可以相信人工智能的决策是基于准确、经过验证的数据。

DeAI：透明、用户控制的人工智能的未来
将人工智能与区块链融合到去中心化人工智能系统中，为构建用户驱动、透明且富有弹性的数字环境提供了一条充满希望的道路，这种融合增强了隐私性、透明度和社区驱动的发展，解决了中心化人工智能模型固有的诸多局限性。
数据隐私和所有权
基于区块链构建的去中心化人工智能系统允许个人保留对其数据的控制权，从而支持人工智能应用而无需集中信息，区块链可以验证数据贡献，同时保持实际数据的去中心化，该系统降低了数据滥用的风险，并允许用户决定如何在人工智能开发中使用其数据。
透明的人工智能决策
去中心化人工智能利用区块链的透明性，使所有用户都能看到人工智能的流程，人工智能的每一个动作或决策都可以在区块链上追踪，从而促进问责制和信任，这种透明度在预测性警务、贷款审批和医疗诊断等需要公正决策的领域至关重要。
社区驱动的计算能力
人工智能模型训练需要大量的计算资源，通常由大型数据中心提供，去中心化人工智能将这些任务分布在区块链节点网络中，从而减少对中心化实体的依赖。
参与者将获得基于区块链的奖励，从而创建一个可访问的、社区驱动的基础设施，实现人工智能的民主化，这种方法不仅提高了韧性，也使规模较小的参与者能够参与人工智能的进步并从中受益。

四个领先的去中心化人工智能项目
在快速发展的去中心化人工智能领域，四个项目展现了区块链与人工智能融合的可能性，每个项目都代表了赋能用户、提升透明度和符合伦理道德的人工智能发展的独特方法。
SingularityNET：SingularityNET 是一个去中心化的人工智能服务市场，旨在打造一个开发者和企业共享和部署人工智能工具的全球平台，其 AGIX 代币激励人工智能专家社区的合作，使更多利益相关者能够参与人工智能开发，该平台确保人工智能资源和应用面向全球社区，而不仅仅是科技巨头，从而促进透明度和去中心化。Ocean Protocol：Ocean Protocol 在维护数据所有权的同时，实现了数据共享，从而构建了一个以用户隐私为优先的负责任的数据经济，Ocean Protocol 的市场模型允许数据所有者在不放弃控制权的情况下将其信息货币化，该框架为人工智能数据管理提供了可持续的解决方案，实现了在尊重用户自主权和隐私的前提下，以合乎道德的方式使用数据。Fetch.ai：Fetch.ai 将区块链与人工智能相结合，赋能自主代理，使其能够在物流、金融和能源领域做出去中心化决策，Fetch.ai 利用区块链技术，使这些代理能够独立运行，并实时做出人工智能驱动的决策，这种去中心化方法展现了人工智能在区块链中的实际应用，并深入探讨了人工智能如何在没有集中控制的情况下促进高效运营。Kinic：Kinic 让您一键轻松创建个人矢量数据库，借助 Kinic 浏览器扩展程序，您可以无缝捕获数据（例如书签、电子邮件和笔记），并将其存储起来，以便日后进行可靠的 AI 驱动搜索，Kinic 运行在名为“互联网计算机”的现代区块链上，该区块链拥有 Web3 行业中最多的研发时间，它允许以 Web 速度运行的防篡改智能合约，Kinic 使用 vetKey 和零知识证明来保护隐私并实现可验证的人工智能，Kinic 代币 KINIC 是一种实用型代币，用于支付区块链上矢量数据库的部署和管理费用，它也可以用于在 Kinic DAO 中投票。

DeAI 开启信任与创新的新时代
人工智能与区块链的融合已不再仅仅是一个令人兴奋的概念 - 它正在成为现实，重塑我们看待技术在社会中角色的方式，通过将人工智能的适应性与区块链对透明度和用户控制的承诺相结合，去中心化人工智能为当今的信任和问责挑战提供了一个令人信服的解决方案。
想象一下，一个我们不再需要在隐私与创新、效率与道德责任之间做出选择的世界。
SingularityNET、Ocean Protocol、Fetch.ai 和 Kinic 等项目正在引领我们进入一个新时代，在这个时代，透明度不再是事后诸葛亮，而是核心功能，用户真正拥有自己的数据，去中心化网络促进合作而非竞争。
随着这些先锋平台的不断发展，它们不仅解决了彼此的挑战，更奠定了以透明、赋能和信任为定义的数字化未来的基础。
去中心化人工智能的征程才刚刚开始，如今追踪其进展的人们正见证着一场深刻变革的初期阶段，随着区块链和人工智能相互塑造彼此的发展路径，它们有可能重新定义我们与科技的互动方式以及从科技中获益的方式。
这不仅仅是一种技术趋势，更是一场我们与数字世界互动和信任方式的变革。

#AI #DEAI🤖🤖🤖 #ICP生态 #KINIC

你关心的 IC 内容
技术进展 | 项目信息 | 全球活动

收藏关注 IC 币安频道
掌握最新资讯