链原生 Web3 AI 网络 Chainbase 推出 AVS 主网, 拓展 EigenLayer AVS 场景

news2024/12/25 20:42:25

在 12 月 4 日,链原生的 Web3 AI 数据网络 Chainbase 正式启动了 Chainbase AVS 主网,同时发布了首批 20 个 AVS 节点运营商名单。Chainbase AVS 是 EigenLayer AVS 中首个以数据智能为应用导向的主网 AVS,其采用四层网络架构,其中执行层(Execution Layer)中的 Chainbase AVS 通过与 EigenLayer 集成,确保了数据处理的可扩展性和安全性。执行层利用 Chainbase 虚拟机(CVM)以及 Chainbase Manuscripts 数据框架,实现了复杂工作流的无缝执行,为大规模AI数据处理提供强大支持。

事实上,自 Chainbase 在 7 月启动 AVS 测试网以来,该网络就已经吸引了超过 2,100 名节点运营商注册、质押 ETH 超过 600,000 枚,作为目前最重要的数据堆栈之一每天进行超过 6 亿次 API 调用。而在其此前推出的 Chainbase Genesis 奥德赛活动中,Chainbase 已经连接了 31,161,249 个钱包,代表了市场对于 Chainbase 的认可。

 

而随着全新 AVS 主网的发布,不仅预示着 Chainbase Web3 全链数据网络生态的进一步完善,同时也为 Chainbase 主网的启动奠定了重要基础。

与此同时,Chainbase AVS 是 EigenLayer AVS 中首个以数据智能为核心应用场景的主网 AVS,这不仅拓展了 EigenLayer AVS 体系的应用领域,还进一步为更多与数据相关的板块与 EigenLayer 体系的深度结合奠定了基础。

 

链原生的分布式全链数据网络 Chainbase:专为 Web3 和 AI 经济打造

AI 技术正在让人类的生产力与生产效率实现飞跃,并在过去几年里实现了爆发式增长。算力、算法以及数据是 AI 发展的三驾马车,这其中算力随着计算硬件的不断升级、大规模计算集群不断面向市场而不在紧缺,算法则随着创新不断优化,反倒是可供 AI 训练的可用、格式统一的数据越来越少,比如:

● 由于缺乏足够的开放数据,并存在数据访问权限限制,开发者或研究人员获取到所需的数据集越来越难,并直接影响到 AI 模型的开发和应用。

● 捕获到的数据缺失或受到污染,数据难以保证准确、无缺失,且没有被篡改,这正在成为 AI 模型受到误导,产生不准确或不可靠的结果的重要因素。

● 即便是高质量的数据,数据通常在格式上不统一需要适当的预处理,否则难以直接应用于 AI 模型训练,这大大提升了 AI 训练的工作量与成本。

在这样的背景下,Chainbase 正在以 Web3 的方式构建一套服,旨在解决 AI 领域发展过程中所面临的数据的可访问性、完整性和可用性等系列问题,以让 AI 能够获得高质量、结构化且可信数据的供给,并通过先进的技术架构和开放的生态系统,重新定义数据的获取、管理和利用方式,为开发者和用户提供全面、高效的解决方案,并基于知识经济以奖励多方贡献者共同参与。

透明、开放与协作的 Web3 数据生态

正如上文所说,AI 领域所面临的数据问题,大体可以归结为可访问性、完整性和可用性几方面问题。所以对于一套理想的 Web3 数据体系而言,即需要保证开放且非许可,又需要保证数据的标准统一性、优质且全面。Chainbase 网络以去中心化为基本原则,确保数据不会由单一实体控制或处理,并确立了开源、协作、激励机制及 AI 准备性四大核心准则。

Chainbase 本身构建了一套以区块链方案为基础的分布式数据生态体系,面向 Web3,一方面其允许所有数据需求者从网络中捕获特定数据,并以开源的方式面向所有开发者与研究人员,为 AI 捕获数据提供必要的可访问性构建了基础。

与此同时,Chainbase 正在构建一个以协作和激励为核心的体系,以提供全面、优质且统一标准的数据集,确保数据的完整性和可用性,并避免数据被单一实体控制或处理。Chainbase 允许用户成为网络中的数据供给者,并通过 Manuscripts (通过简化数据格式化和标准化流程,使 AI 系统能够无缝访问所需数据)实现数据的标准化和处理,同时数据供给者还可以通过共享、验证数据或提供计算能力,持续为网络数据解码做出贡献,这些贡献将通过 $C 代币奖励,以激励更多用户参与数据的提供与共享。

四层架构设计

为了保证系统的高效运行,Chainbase 设计了一套四层架构体系,包括数据可访问层、共识层、执行层与协处理层。其中不同层封装不同的功能与角色,且相互间实现无缝的整合。基于层次化架构,Chainbase 将能够为协作式知识共享、强大的执行能力、共识驱动的数据验证以及高质量的数据可访问性构建了一个去中心化环境。

● 数据可访问层

数据可访问层是 Chainbase 数据来源的源头也是数据基础,负责收集、验证和存储链上与链下数据,并响应 Manuscripts 的数据处理功能需求。该层不仅囊括了链上数据。包括记录交易历史、质押信息及元数据等内容,同时也囊括了链下数据(存储在去中心化存储系统中),解决了扩展性和隐私问题,适合存储大型原始数据集、编程代码和复杂 AI 模型。

该层通过去中心化网络获取信息,以保证数据来源的分散性与多样性,避免单一实体的控制或操控。同时利用 ZKP 等密码学技术验证数据来源保护敏感信息,并通过共识机制确保数据在永久存储前的可信度,为数据的合规、完整性提供早期的基础。

● 共识层

作为一个分布式的链上生态,Chainbase 需要保证数据是完整、安全且可信的,并确保所有交易和数据状态都经过网络参与者的验证和认可。

Chainbase 构建了一套基于 CometBFT 的共识算法,提供对网络故障与恶意攻击的强大抗性,并实现快速最终性,确保数据的即时更新。与此同时,Chainbase 也通过 DPoS 共识机制将经济因素引入到系统中并与验证者绑定。

其中验证者角色可以通过质押 $C 代币来维护区块链的完整性、验证数据操作并确保一致性,而委托人通过将 $C 代币质押给其支持或信任的验证者,进一步提升网络质押规模,提升网络安全性并强化系统的经济韧性。验证者因其确保网络准确性和稳定性的关键角色而获得奖励。共识层通过将经济激励与网络安全对齐,维护了一个强大且值得信赖的去中心化框架。

● 执行层

执行层是 Chainbase 的计算核心,负责执行 Manuscripts 并管理大规模数据处理任务,其目标是确保 Manuscripts 的高效、安全和可扩展处理,使开发者能够在保持高性能和可靠性的同时执行复杂 AI 任务。

执行层中封装了 Chainbase 虚拟机(CVM),作为执行层的核心,专为处理 Manuscripts 和执行数据工作流而优化的定制虚拟环境而设计。其被设计为并行化架构,支持同时处理数据集的不同部分以保证数据的并行化处理,并允许多个任务并行执行,从而优化资源利用效率实现任务的并行性。与此同时,CVM 还支持节点运营者贡献计算资源,以支持网络更为顺畅的运行构建基础,而系统也会根据做出计算资源贡献的节点的工作量与性能为其提供奖励。

随着 Chainbase AVS 主网上线,执行层将在 EigenLayer 上正式生效,并能够与 Chainbase AVS 进行协作。

 

● 协处理层

Chainbase 网络的顶层是协处理层,支持具备数据处理专长和 AI 知识的用户进行贡献与协作。协处理层中“Manuscripts”是最核心的概念,其是一种可编程的脚本,用于定义和执行数据处理任务。开发者可以利用 Manuscripts 标准化数据格式和处理流程,将原始数据转化为 AI 可用的统一数据。

Manuscripts 不仅代表着一种数据格式,同样其也可以被视为可一种交易的资源, 这为构建一个创作者经济生态提供了便利。 贡献者可以通过将其工作编译为 Manuscripts,以将其工作内容资产化并在网络中进行流通,并以此为基础构建创作者经济生态。在该经济体系中,$C 代币作为支付、结算、质押和治理的媒介,在该层发挥关键作用。

协处理层不仅推动了协作式知识共享,还建立了透明的经济体系,为贡献者提供公平的补偿,激励创新并提升网络整体效用。同时,这因也为 Chainbase 构建一套完善且全面的可用数据体系构建了基础。

Chainbase AVS 主网:数据体系全面启动的新契机

Chainbase AVS 主网的正式上线,正在将 Chainbase 不同的层进行深入的串联,为 Chainbase 数据网络带来了验证和处理方面的应用与拓展的能力。通过提供了一系列强大的功能,将成为 Chainbase 赋能开发人员并为去中心化应用程序和 AI 驱动的解决方案实现无缝数据处理能力的开端,并成为数据体系全面启动的新契机。

随着 Chainbase AVS 主网的启动,开发者将能够利用 Manuscripts 将原始区块链数据转换为标准化、AI 就绪的格式,并通过与 Google Gemini、OpenAI 等先进开源模型的合作,实现 AI 就绪的工作流程,从而简化区块链数据的准备和利用,为高级应用程序和 AI 推理提供高效支持。

同时,Chainbase 也正式引入了 $C 代币作为其激励系统的一部分,基于此手稿创作者、数据提供者、网络运营商和验证者等都能够因其对网络的贡献而获得奖励,构建 AGI 经济并探索全新的收入模式,确保生成高质量的数据并让所有利益相关者积极参与。

此外,Chainbase 执行层将在 EigenLayer 上正式生效,并能够与 Chainbase AVS 进行协作。通过利用由 EigenLayer 提供支持的去中心化架构,节点角色不仅可以增强网络的安全性,还可以展示其处理复杂工作负载(例如实时 AI 数据处理)的能力。基于数据处理工作流的核心 CVM ,开发者还可实现复杂手稿的无缝执行,并获得可靠且可扩展的环境,以高效管理数据密集型任务,这对于大规模 AI 数据处理至关重要。

从另外一个角度看,Chainbase AVS 对拓展 EigenLayer 生态应用场景具有至关重要的作用。作为 EigenLayer AVS 中首个以数据智能为核心应用场景的主网,Chainbase AVS 专注于通过去中心化的数据处理和 AI 应用优化,实现数据的标准化和 AI 准备。这不仅扩展了 EigenLayer AVS 生态的应用领域,还为更多与数据相关的行业板块与 EigenLayer 体系的深度融合奠定了基础。同时,Chainbase AVS 推动了 EigenLayer 体系与 AI 赛道的深入结合,将其应用从行业内进一步拓展至行业外。

据悉,在 Chainbase AVS 主网推出的下一阶段,Chainbase 计划进一步扩展其数据源,纳入实时 IoT 数据流和其他各种数据集,从而增强开发者的数据可访问性,并扩展数据基础设施在各行业中的应用和实用性,以进一步成为科技领域发展的重要基石。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2265459.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

玩转OCR | 探索腾讯云智能结构化识别新境界

📝个人主页🌹:Eternity._ 🌹🌹期待您的关注 🌹🌹 ❀ 玩转OCR 腾讯云智能结构化识别产品介绍服务应用产品特征行业案例总结 腾讯云智能结构化识别 腾讯云智能结构化OCR产品分为基础版与高级版&am…

生信软件开发2 - 使用PyQt5开发一个简易GUI程序

往期文章: 生信软件开发1 - 设计一个简单的Windwos风格的GUI报告软件 1. 使用PyQt5设计一个计算器主程序 要求PyQt5 > 5.6, calculator.py与MainWindow.py处于同一目录,下载mainwindow-weird.ui和mainwindow.ui资源,运行calculator.py即…

“计算几何”简介

计算几何(Computational Geometry)简单来说就是用计算机解决几何问题。 Computational指“using or connected with computers使用计算机的;与计算机有关的”,Geometry指“the branch of mathematics that deals with the measur…

TowardsDataScience 博客中文翻译 2018~2024(一百二十三)

TowardsDataScience 博客中文翻译 2018~2024(一百二十三) 引言 从 2018 年到 2024 年,数据科学的进展超越了许多技术领域的速度。Towards Data Science 博客依然是这个领域的关键平台,记录了从基础工具到前沿技术的多方面发展。…

GitHub 桌面版配置 |可视化界面进行上传到远程仓库 | gitLab 配置【把密码存在本地服务器】

🥇 版权: 本文由【墨理学AI】原创首发、各位读者大大、敬请查阅、感谢三连 🎉 声明: 作为全网 AI 领域 干货最多的博主之一,❤️ 不负光阴不负卿 ❤️ 文章目录 桌面版安装包下载clone 仓库操作如下GitLab 配置不再重复输入账户和密码的两个方…

今天最新早上好问候语精选大全,每天问候,相互牵挂,彼此祝福

1、朋友相伴,友谊真诚永不变!彼此扶持绿树荫,共度快乐雨后天!一同分享的表情,愿我们友情长存,一生相伴永相连! 2、人生几十年,苦累伴酸甜,风华不再茂,雄心非当…

Verdi -- 打开Consol,创建和执行tcl命令举例

1.Verdi打开Console的步骤: For ref: 2创建tcl脚本. tcl脚本路径: 在Makefile下,与.v文件在同一个目录8_demo这个文件夹下。 font.tcl代码内容: verdiSetFont -monoFont "Courier" -monoFontSize "24" 作用…

基于java博网即时通讯软件的设计与实现【源码+文档+部署讲解】

目 录 1. 绪 论 1.1. 开发背景 1.2. 开发意义 2. 系统设计相关技术 2.1 Java语言 2.2 MySQL数据库 2.3 Socket 3. 系统需求分析 3.1 可行性分析 3.2 需求分析 3.3 系统流程图 3.4 非功能性需求 4. 系统设计 4.1 系统功能结构 4.2 数据库设计 5. 系统实现 5.…

视频汇聚融合云平台Liveweb一站式解决视频资源管理痛点

随着5G技术的广泛应用,各领域都在通信技术加持下通过海量终端设备收集了大量视频、图像等物联网数据,并通过人工智能、大数据、视频监控等技术方式来让我们的世界更安全、更高效。然而,随着数字化建设和生产经营管理活动的长期开展&#xff0…

Hadoop集群(HDFS集群、YARN集群、MapReduce​计算框架)

一、 简介 Hadoop主要在分布式环境下集群机器,获取海量数据的处理能力,实现分布式集群下的大数据存储和计算。 其中三大核心组件: HDFS存储分布式文件存储、YARN分布式资源管理、MapReduce分布式计算。 二、工作原理 2.1 HDFS集群 Web访问地址&…

文本的AIGC率检测原理

背景 你可能在学生群里或者视频中看过这样的消息:“我们学校要求论文AI率不能超过30%!”、“你们学校查AI率吗?”之类的,这些消息到底是真是假? 随着人工智能的快速发展和广泛应用,不论是工作中还是学生学…

PODS:2024-12-21由麻省理工学院 和 OpenAI联合创建一个专门为个性化对象识别任务设计的数据集.

2024-12-21,由MIT和OpenAI联合创建的个性化视觉数据集,为细粒度和数据稀缺的个性化视觉任务提供了新的解决方案,推动了个性化模型的发展,具有重要的研究和应用价值。 一、研究背景: 在计算机视觉领域,现代…

OpenFeign快速入门 示例:黑马商城

使用起因 之前我们利用了Nacos实现了服务的治理,利用RestTemplate实现了服务的远程调用。这样一来购物车虽然通过远程调用实现了调用商品服务的方法,但是远程调用的代码太复杂了: 解决方法 并且这种调用方式比较复杂,一会儿远程调用,一会儿本地调用。 因…

YOLOv11模型改进-模块-引入多尺度大核注意力Multi-scale Large Kernel Attention

MLKA 的提出源于图像超分辨率任务的挑战性,该任务需重建低质量图像缺失的高频信息,但因 LR 与 HR 图像对应关系复杂,寻找像素相关性困难。此前模型扩展容量的方法增加了训练负担和数据收集成本,而采用的注意力机制无法同时获取局部…

学习思考:一日三问(学习篇)之匹配VLAN

学习思考:一日三问(学习篇)之匹配VLAN 一、学了什么(是什么)1.1 理解LAN与"V"的LAN1.2 理解"V"的LAN怎么还原成LAN1.3 理解二层交换机眼中的"V"的LAN 二、为何会产生需求(为…

国际网络专线怎么申请开通?

随着国内企业在国际市场中的活跃度逐年提升,国际网络专线逐渐成为保障企业高效运营的重要基础设施。稳定且高效的网络不仅能够提升工作效率,还能为海外业务的顺利开展提供可靠保障。那么,国际网络专线如何开通?其申请流程是怎样的…

Ubuntu20.04安装openMVS<成功>.colmap<成功>和openMVG<失败(已成功)>

一、安装openMVS 参考官方文档 sudo apt-get -y install git mercurial cmake libpng-dev libjpeg-dev libtiff-dev libglu1-mesa-dev eigen git clone https://gitlab.com/libeigen/eigen --branch 3.4 mkdir eigen_build cd eigen_build &&\cmake . ../eigen -…

【magic-dash】01:magic-dash创建单页面应用及二次开发

文章目录 一、magic-dash是什么1.1 安装1.2 使用1.2.1 查看内置项目模板1.2.2 生成指定项目模板1.2.3 查看当前magic-dash版本1.2.4 查看命令说明1.2.5 内置模板列表二、创建虚拟环境并安装magic-dash三、magic-dash单页工具应用开发3.1 创建单页面项目3.1.1 使用命令行创建单页…

重温设计模式--原型模式

文章目录 原型模式定义原型模式UML图优点缺点使用场景C 代码示例深拷贝、浅拷贝 原型模式定义 用原型实例指定创建对象的种类,并且通过拷贝这些原型创建新的对象; 核心中的核心就是 克隆clone ,后面讲 原型模式是一种创建型设计模式,它的主要…

Kibana8.17.0在mac上的安装

1、Kibana是什么 Kibana是与elasticsearch配套使用的数据分析与可视化工具,通过Kibana可以轻松与es中存储的数据进行高效的交互,包括数据写入、检索、删除等操作,并可以通过编写部分代码将数据做成各种报表,从而进行非常直观的统…