Fetch.AI——基于Cosmos的智能开放式基础架构

Fetch.ai是一个开源软件项目，旨在构建用于开发现代、去中心化和点对点（P2P）应用程序的基础设施。Fetch.ai利用人工智能和自动化技术，提供了各种工具和框架，可以创建和连接智能代理（agents），执行数字经济中的复杂任务。智能代理是一种自主的软件代码，可以代表人类、组织或机器行动。Fetch.ai的网络是一个跨链协议，基于Cosmos-SDK，可以在链上实现高级的加密学和机器学习逻辑。Fetch.ai还有自己的加密货币，叫做FET，目前的流通量为7.46亿枚，最大供应量为11.53亿枚。

作为一家将区块链与人工智能技术深度结合的科技公司，Fetch.AI旨在构建一个去中心化的智能经济体，通过将人工智能、区块链和物联网技术相结合来实现分布式目标。该公司的目标是为企业和消费者提供一种全新的方式来进行经济交互，实现更高效、更安全和更智能的交易。得益于AI+区块链的高度智能性与开放性架构，Fetch.AI的应用场景非常广泛，包括物流、供应链、金融、能源、医疗等多个领域。Fetch.AI的技术架构主要包括两个部分：Fetch.AI主链和Fetch.AI智能代理。Fetch.AI主链是一个基于区块链技术的分布式账本，用于记录交易和智能合约，并确保交易的安全性和可靠性。Fetch.AI智能代理是一种具有人工智能能力的智能合约，能够自主地执行任务、协调资源和与其他智能代理进行交互，从而实现自动化、智能化和去中心化的经济交互。关于主链部分本文不进行过多陈述，我们将重点对自治代理架构（AEA）与群体学习（Colearn）机制进行拆解，以此来展示AI是如何参与区块链系统的运行与数据应用过程之中。

让网络节点自行管理：自治经济代理架构（AEA）

在 Fetch.ai 网络上，拥有数据的个人或公司由其代理代表，与寻求数据的个人或公司的代理联系。代理商在开放经济框架（OEF）上运作。这充当搜索和发现机制，表示数据源的代理可以在其中通告他们有权访问的数据。同样，寻找数据的个人或公司可以使用OEF搜索有权访问相关数据的代理。

Fetch.AI的AEA架构是一种分布式的智能代理架构，用于构建自主协作的智能代理网络。AEA代表Autonomous Economic Agent（自治经济代理），其核心思想是将人工智能和区块链技术相结合，构建一个去中心化的智能经济体，实现智能化、自主化和去中心化的经济交互。AEA架构的核心组件主要包括以下四个模块：

• AEA代理（Agent）：AEA代理是一个自主的、可编程的智能代理，具有自主决策、自主协作和自主学习的能力，是AEA的核心组件，代表了一个独立的实体，具有自主决策和行动的能力。每个AEA代理都有自己的钱包地址、身份标识和智能合约，可以与其他代理进行交互和合作。
• AEA通信（Connection）：AEA通信是一种基于区块链技术的点对点通信协议，用于实现代理之间的信息传输和交互。AEA通信可以确保交互的安全性和可靠性。Fetch.AI的AEA支持多种连接方式，包括WebSocket和HTTP连接。
• AEA技能（Skill）：AEA技能是一种可插拔的模块，用于扩展AEA代理的功能和能力。每个技能包括一个智能合约和一个Python包，用于实现代理的特定功能，例如自然语言处理、机器学习、决策制定等。技能可以包含多个协议和模型，以便代理能够理解和响应来自其他代理的请求。
• AEA协议（Protocol）：AEA协议是一种协作机制，用于实现代理之间的协作和交互。AEA协议定义了代理之间的消息格式、协议流程和交互规则，从而实现代理之间的协同工作。协议是代理之间通信的规则和指南。协议定义了代理应该如何交换信息、响应请求和处理错误。Fetch.AI的AEA支持多种协议，包括Fetch.AI自己的Agent Communication Language（ACL）和HTTP协议。

想象一下，一家公司正在寻找数据来训练预测模型。当公司的代理连接到代表数据源的代理时，它将要求它提供有关贸易条款的信息。然后，代表数据提供者工作的代理将提供其愿意出售数据的条款。出售数据访问权限的代理可能会寻求尽可能高的价格，而购买数据访问权限的代理希望支付尽可能低的价格。但是，出售数据的代理商知道，如果它收取过高的价格，它将错过交易。这是因为寻求数据的代理不会接受这些条款，而是会尝试从网络上的另一个来源购买数据。如果采购代理确实认为条款可以接受，那么它将通过 Fetch.ai 分类账上的交易向销售代理支付商定的价格。收到付款后，出售数据的代理将通过 Fetch.ai 网络发送加密数据。除了初始设置外，整个过程完全自动化，并由 Fetch.ai 代理执行。这意味着公司员工能够在不中断的情况下工作，而预测模型可以积累相关的匿名数据。通过获取数据，购买信息的公司能够更有效地训练其模型，然后可以使用该模型进行更准确的预测。这样的预测可以在任何行业使用。

让节点智能的核心：AEA技能模块与群体学习（Colearn）机制

在以上四个模块中，最为重要的就是AEA技能模块，这是让节点拥有智能的关键模块。AEA技能是一种可插拔的模块，用于实现代理的群体自主学习功能。每个学习技能都包括一个智能合约和一个Python包，用于实现不同类型的学习任务，例如强化学习、监督学习、无监督学习等。当一个代理需要学习时，它可以选择适合自己的学习技能，并将学习结果保存在自己的状态中。代理可以根据学习结果自主调整行为和策略，从而实现更智能、更高效和更可持续的经济交互。

Fetch.AI的集体学习原理包括以下步骤：

关于【Fetch.AI——基于Cosmos的智能开放式基础架构】的延伸阅读

• 重新理解Marlin：AI下半场的可验证计算L0「新基建」

  Marlin是一种可验证云计算服务，利用加密技术保证数据安全，为AI+Web3应用提供低延迟、低成本的解决方案。它基于TEE和ZKP技术，为用户提供通用化的云计算方案，并通过激励机制吸引节点为网络贡献资源。Marlin的愿景是成为AI世界的可验证通用L0，为Oracle预言机、ZK Prover系统、AI人工智能等应用场景提供节点算力和存储等网络资源服务。它可以为AI大模型训练提供安全的计算环境，并为多元化应用场景提供可验证计算中间件。在AI+Web3时代，Marlin有巨大的价值潜力，可能成为未来AI+Web3应用的关键基础设施。

• Sam Altman 围绕 OpenAI 打造出一个致富帝国

  OpenAI首席执行官奥特曼同时经营副业，但只有一份工作让他发了财。他投资了多家想抓住人工智能风口的公司，包括网络安全软件公司和清洁能源公司。他最成功的投资是支付处理初创公司Stripe。奥特曼也投资了使用OpenAI技术的初创公司。他曾因投资引发利益冲突而被罢免职务，但重新担任首席执行官后制定了新的利益冲突政策。董事会正在进行改革，包括强化利益冲突政策和独立审计委员会。奥特曼计划通过全面披露和董事会管理来解决利益冲突问题。

• 数据共享：不同的代理收集自己的数据，并将其上传到区块链网络中的共享数据库中。这些数据可以是传感器数据、文本数据、图像数据等。所有参与集体学习的代理都可以访问共享数据库中的数据，并使用这些数据进行训练。
• 模型训练：代理使用共享数据库中的数据进行模型训练。模型可以是机器学习模型、深度学习模型或其他类型的算法。代理可以使用不同的模型进行训练，以便学习不同的任务或问题。
• 模型选择：在模型训练完成后，代理将其模型上传到区块链网络中。所有参与集体学习的代理可以访问这些模型，并根据自己的需求选择适合自己的模型。选择的过程可以基于代理的性能、任务需求、资源限制等因素进行。
• 模型集成：选定模型后，代理可以将其与自己的技能集成，以便更好地完成自己的任务。技能可以是处理特定类型任务的模块，例如加密货币交易、物流管理等。代理可以使用多个技能和模型进行任务处理。
• 奖励机制：在集体学习的过程中，代理可以通过贡献自己的数据和模型获得奖励。奖励可以基于代理的性能、贡献度、资源利用效率等因素进行分配。奖励机制可以鼓励代理积极参与集体学习，并提高整个系统的性能。

假设有两个代理A和B，它们需要进行合作来完成一个任务，例如运输货物。代理A负责提供货物，代理B负责提供运输服务。在最初的交互中，代理A和代理B都可以采用随机的行为策略来完成任务，例如随机选择运输路线或运输方式。随着交互的进行，代理A和代理B可以通过学习技能来学习交互历史数据，并根据学习结果自主调整行为策略。例如，代理A可以通过学习技能来学习货物的供应量和运输成本等信息，从而根据当前的货物需求和市场价格，自主选择最优的合作策略。代理B也可以通过学习技能来学习运输路线和运输方式的效率和成本等信息，从而根据当前的交通状况和能源价格，自主选择最优的运输策略。随着交互的不断进行和学习结果的不断更新，代理A和代理B可以逐渐优化自己的行为策略，从而实现更高效、更智能和更可持续的经济交互。这种自主学习的过程可以不断迭代和优化，从而实现更好的经济效益和社会价值。需要注意的是，自主学习功能需要代理具备足够的计算能力和数据资源，才能实现良好的学习效果。因此，在实际应用中，需要根据代理的实际情况和需求，选择合适的学习技能和资源配置，从而实现最佳的学习效果。Fetch.ai的核心自治经济代理（AEA）在经济交互方面实现了智能化、自主化和去中心化的目标。其优点在于对人工智能和区块链技术的深度整合，以及实现了自主经济代理的设计，这些AEA代理能够自主学习、决策并在去中心化的环境中自由交互，提升了经济交互的效率和智能化程度。此外，Fetch.AI的群体学习（Colearn）机制鼓励代理们积极参与，通过共享数据和模型来提高整个系统的性能。然而，Fetch.AI也存在一些挑战。首先，其自主学习功能对计算能力和数据资源的需求较高，这可能限制了其在资源受限的环境下的应用。其次，Fetch.AI的技术架构和功能相对复杂，需要更高的技术门槛和学习成本，这可能对其广泛应用产生影响。

Summary

展望未来，Fetch.AI的前景仍然广阔。随着技术的不断发展，它可能会引入更多的AI和区块链技术来提升性能和效率，满足更多的应用场景和需求。同时，随着隐私保护和数据安全日益受到重视，Fetch.AI的去中心化和安全特性可能会得到更多的关注和应用。尽管存在一些挑战，但Fetch.AI在AI和区块链领域的创新和潜力仍然值得我们关注和探索。

参考文献：

[1]Fetch.AI Developer Documentation

[2]Melanie Mitchell: AI 3.0[3]Alexey Potapov: Basic Atomese Features required

免责声明：本文仅代表作者个人观点，不代表链观CHAINLOOK立场，不承担法律责任。文章及观点也不构成投资意见。请用户理性看待市场风险，以及遵守所在国家和地区的相关法律法规。
图文来源：Go2Mars Research，如有侵权请联系删除。转载或引用请注明文章出处！

标签：AIcosmos数据智能