Fetch.ai ist ein Open-Source-Softwareprojekt mit dem Ziel, eine Infrastruktur für die Entwicklung moderner, dezentraler und Peer-to-Peer-Anwendungen (P2P) aufzubauen. Fetch.ai nutzt künstliche Intelligenz und Automatisierungstechnologie, um eine Vielzahl von Tools und Frameworks bereitzustellen, um intelligente Agenten zu erstellen und zu verbinden, um komplexe Aufgaben in der digitalen Wirtschaft auszuführen. Ein intelligenter Agent ist ein autonomer Softwarecode, der im Namen eines Menschen, einer Organisation oder einer Maschine handeln kann. Das Netzwerk von Fetch.ai ist ein kettenübergreifendes Protokoll, das auf dem Cosmos-SDK basiert und fortschrittliche Kryptografie und Logik für maschinelles Lernen in der Kette implementieren kann. Fetch.ai verfügt auch über eine eigene Kryptowährung namens FET mit einer aktuellen Auflage von 746 Millionen und einem maximalen Angebot von 1,153 Milliarden.
Als Technologieunternehmen, das Blockchain- und künstliche Intelligenz-Technologie tiefgreifend kombiniert, zielt Fetch.AI darauf ab, eine dezentrale intelligente Wirtschaft aufzubauen und verteilte Ziele durch die Kombination von künstlicher Intelligenz, Blockchain und Internet-of-Things-Technologien zu erreichen. Ziel des Unternehmens ist es, Unternehmen und Verbrauchern eine neue Möglichkeit zur wirtschaftlichen Interaktion zu bieten und so effizientere, sicherere und intelligentere Transaktionen zu ermöglichen.
Dank der hochintelligenten und offenen Architektur von AI+Blockchain verfügt Fetch.AI über ein breites Spektrum an Anwendungsszenarien, darunter Logistik, Lieferkette, Finanzen, Energie, Medizin und andere Bereiche. Die technische Architektur von Fetch.AI besteht hauptsächlich aus zwei Teilen: der Fetch.AI-Hauptkette und dem intelligenten Fetch.AI-Agenten. Die Fetch.AI-Hauptkette ist ein verteiltes Hauptbuch, das auf Blockchain-Technologie basiert und zur Aufzeichnung von Transaktionen und Smart Contracts sowie zur Gewährleistung der Sicherheit und Zuverlässigkeit von Transaktionen verwendet wird. Der Smart Agent von Fetch.AI ist ein Smart Contract mit Fähigkeiten der künstlichen Intelligenz, der autonom Aufgaben ausführen, Ressourcen koordinieren und mit anderen Smart Agents interagieren kann, um automatisierte, intelligente und dezentrale wirtschaftliche Interaktionen zu erreichen.
In diesem Artikel wird nicht zu viel auf die Hauptkette eingegangen. Wir werden uns auf die Demontage der Mechanismen der autonomen Agentenarchitektur (AEA) und des Gruppenlernens (Colearn) konzentrieren, um zu zeigen, wie KI am Betrieb und Datenanwendungsprozess des Blockchain-Systems beteiligt ist.
Lassen Sie Netzwerkknoten sich selbst verwalten: Autonomous Economic Agent Architecture (AEA)
Im Fetch.ai-Netzwerk werden Einzelpersonen oder Unternehmen, die Daten besitzen, durch ihre Agenten vertreten, die mit Agenten der Einzelpersonen oder Unternehmen kommunizieren, die die Daten suchen. Der Agent arbeitet auf dem Open Economic Framework (OEF). Dies fungiert als Such- und Erkennungsmechanismus, mit dem Agenten, die Datenquellen darstellen, die Daten bekannt geben können, auf die sie Zugriff haben. Ebenso kann eine Person oder ein Unternehmen, die nach Daten sucht, mit OEF nach Agenten suchen, die Zugriff auf die betreffenden Daten haben.
Die AEA-Architektur von Fetch.AI ist eine verteilte intelligente Agentenarchitektur, die zum Aufbau autonomer und kollaborativer intelligenter Agentennetzwerke verwendet wird. AEA steht für Autonomous Economic Agent. Die Kernidee besteht darin, künstliche Intelligenz und Blockchain-Technologie zu kombinieren, um eine dezentrale intelligente Wirtschaft aufzubauen und eine intelligente, autonome und dezentrale wirtschaftliche Interaktion zu erreichen.
Zu den Kernkomponenten der AEA-Architektur gehören im Wesentlichen die folgenden vier Module:
AEA-Agent: Der AEA-Agent ist ein autonomer, programmierbarer intelligenter Agent mit der Fähigkeit zur autonomen Entscheidungsfindung, autonomen Zusammenarbeit und zum autonomen Lernen. Er ist die Kernkomponente von AEA und stellt eine unabhängige Einheit mit der Fähigkeit dar, autonom zu entscheiden und zu handeln. Jeder AEA-Agent verfügt über eine eigene Wallet-Adresse, Identität und einen eigenen Smart Contract und kann mit anderen Agenten interagieren und kooperieren.
AEA-Kommunikation (Verbindung): AEA-Kommunikation ist ein Punkt-zu-Punkt-Kommunikationsprotokoll, das auf der Blockchain-Technologie basiert und zur Realisierung der Informationsübertragung und Interaktion zwischen Agenten verwendet wird. Die AEA-Kommunikation gewährleistet die Sicherheit und Zuverlässigkeit der Interaktionen. Die AEA von Fetch.AI unterstützt mehrere Verbindungsmethoden, einschließlich WebSocket- und HTTP-Verbindungen.
AEA-Skill (Skill): AEA-Skill ist ein steckbares Modul, das zur Erweiterung der Funktionen und Fähigkeiten des AEA-Agenten verwendet wird. Jeder Skill umfasst einen Smart Contract und ein Python-Paket, das die spezifischen Funktionen des Agenten implementiert, wie z. B. Verarbeitung natürlicher Sprache, maschinelles Lernen, Entscheidungsfindung usw. Fertigkeiten können mehrere Protokolle und Modelle enthalten, sodass Agenten Anfragen anderer Agenten verstehen und darauf reagieren können.
AEA-Protokoll: Das AEA-Protokoll ist ein Kollaborationsmechanismus, der zur Zusammenarbeit und Interaktion zwischen Agenten verwendet wird. Das AEA-Protokoll definiert das Nachrichtenformat, den Protokollprozess und die Interaktionsregeln zwischen Agenten, um eine Zusammenarbeit zwischen Agenten zu erreichen. Protokolle sind die Regeln und Richtlinien für die Kommunikation zwischen Agenten. Das Protokoll definiert, wie Agenten Informationen austauschen, auf Anfragen reagieren und Fehler behandeln sollen. Die AEA von Fetch.AI unterstützt mehrere Protokolle, darunter Fetch.AIs eigene Agent Communication Language (ACL) und HTTP-Protokolle.
Stellen Sie sich vor, ein Unternehmen sucht nach Daten, um ein Vorhersagemodell zu trainieren. Wenn der Agent des Unternehmens eine Verbindung zu dem Agenten herstellt, der die Datenquelle darstellt, fragt er ihn nach Informationen zu den Handelsbedingungen. Der im Auftrag des Datenanbieters tätige Agent stellt dann die Bedingungen bereit, zu denen er bereit ist, die Daten zu verkaufen. Agenten, die Zugang zu Daten verkaufen, streben möglicherweise den höchstmöglichen Preis an, während Agenten, die Zugang zu Daten kaufen, den niedrigstmöglichen Preis zahlen möchten. Allerdings weiß die Agentur, die die Daten verkauft, dass sie den Verkauf verpasst, wenn sie einen zu hohen Preis verlangt. Dies liegt daran, dass der nach den Daten suchende Agent die Bedingungen nicht akzeptiert und stattdessen versucht, die Daten von einer anderen Quelle im Internet zu erwerben. Wenn der Einkäufer die Bedingungen für akzeptabel hält, zahlt er dem Handelsvertreter den vereinbarten Preis über eine Transaktion im Fetch.ai-Hauptbuch. Nach Erhalt der Zahlung sendet der Agent, der die Daten verkauft, die verschlüsselten Daten über das Fetch.ai-Netzwerk.
Abgesehen von der Ersteinrichtung ist der gesamte Prozess vollständig automatisiert und wird vom Fetch.ai-Agenten durchgeführt. Das bedeutet, dass die Mitarbeiter des Unternehmens ohne Unterbrechung arbeiten können, während Vorhersagemodelle relevante anonymisierte Daten sammeln. Durch die Erfassung der Daten können Unternehmen, die Informationen kaufen, ihre Modelle effizienter trainieren, die dann für genauere Vorhersagen verwendet werden können. Solche Prognosen können in jeder Branche eingesetzt werden.
Der Kern, um Knoten intelligent zu machen: AEA-Skill-Modul und Gruppenlernmechanismus (Colearn).
Unter den oben genannten vier Modulen ist das AEA-Skill-Modul das wichtigste, ein Schlüsselmodul für die Intelligenz von Knoten. AEA Skill ist ein steckbares Modul, mit dem die gruppenautonome Lernfunktion von Agenten realisiert wird. Jede Lernfähigkeit umfasst einen Smart Contract und ein Python-Paket zur Implementierung verschiedener Arten von Lernaufgaben, wie z. B. verstärkendes Lernen, überwachtes Lernen, unüberwachtes Lernen usw. Wenn ein Agent lernen muss, kann er die Lernfähigkeiten auswählen, die zu ihm passen, und die Lernergebnisse in seinem eigenen Zustand speichern. Agenten können ihr Verhalten und ihre Strategien basierend auf Lernergebnissen autonom anpassen und so intelligentere, effizientere und nachhaltigere wirtschaftliche Interaktionen ermöglichen.
Das kollektive Lernprinzip von Fetch.AI umfasst die folgenden Schritte:
Datenaustausch: Verschiedene Agenten sammeln ihre eigenen Daten und laden sie in eine gemeinsame Datenbank im Blockchain-Netzwerk hoch. Bei diesen Daten kann es sich um Sensordaten, Textdaten, Bilddaten usw. handeln. Alle am kollektiven Lernen teilnehmenden Agenten können auf die Daten in der gemeinsamen Datenbank zugreifen und diese für das Training nutzen.
Modelltraining: Der Agent verwendet Daten aus einer gemeinsam genutzten Datenbank für das Modelltraining. Modelle können Modelle für maschinelles Lernen, Deep-Learning-Modelle oder andere Arten von Algorithmen sein. Agenten können mithilfe verschiedener Modelle geschult werden, um verschiedene Aufgaben oder Probleme zu erlernen.
Modellauswahl: Nach Abschluss des Modelltrainings lädt der Agent sein Modell in das Blockchain-Netzwerk hoch. Alle am kollektiven Lernen teilnehmenden Agenten können auf diese Modelle zugreifen und je nach Bedarf das für sie passende Modell auswählen. Der Auswahlprozess kann auf Faktoren wie Agentenleistung, Aufgabenanforderungen, Ressourcenbeschränkungen usw. basieren.
Modellintegration: Sobald ein Modell ausgewählt ist, können Agenten es mit ihren eigenen Fähigkeiten integrieren, um ihre Aufgaben besser zu erledigen. Fähigkeiten können Module sein, die bestimmte Arten von Aufgaben abwickeln, wie z. B. Kryptowährungshandel, Logistikmanagement usw. Agenten können mehrere Fähigkeiten und Modelle zur Aufgabenbearbeitung nutzen.
Belohnungsmechanismus: Im Prozess des kollektiven Lernens können Agenten Belohnungen erhalten, indem sie ihre eigenen Daten und Modelle beisteuern. Belohnungen können auf der Grundlage von Faktoren wie Agentenleistung, Beitrag, Ressourcennutzungseffizienz usw. verteilt werden. Der Belohnungsmechanismus kann Agenten dazu ermutigen, sich aktiv am kollektiven Lernen zu beteiligen und die Leistung des gesamten Systems zu verbessern.
Angenommen, es gibt zwei Agenten A und B, die zusammenarbeiten müssen, um eine Aufgabe zu erfüllen, beispielsweise den Transport von Gütern. Agent A ist für die Bereitstellung der Waren verantwortlich und Agent B ist für die Erbringung von Transportdienstleistungen verantwortlich. In der ersten Interaktion können sowohl Agent A als auch Agent B zufällige Verhaltensstrategien anwenden, um die Aufgabe zu erledigen, z. B. die zufällige Auswahl von Transportrouten oder Transportmethoden.
Während die Interaktion fortschreitet, können Agent A und Agent B durch Lernfähigkeiten Interaktionsverlaufsdaten erlernen und Verhaltensstrategien basierend auf den Lernergebnissen autonom anpassen. Beispielsweise kann Agent A durch Lernfähigkeiten Informationen wie Warenangebot und Transportkosten erlernen und dann selbstständig die optimale Kooperationsstrategie basierend auf der aktuellen Warennachfrage und Marktpreisen auswählen. Agent B kann durch das Erlernen von Fähigkeiten auch Informationen wie die Effizienz und die Kosten von Transportwegen und Transportmethoden lernen, um auf der Grundlage der aktuellen Verkehrsbedingungen und Energiepreise selbstständig die optimale Transportstrategie auszuwählen.
Während die Interaktion andauert und die Lernergebnisse kontinuierlich aktualisiert werden, können Agent A und Agent B ihre Verhaltensstrategien schrittweise optimieren und so effizientere, intelligentere und nachhaltigere wirtschaftliche Interaktionen erreichen. Dieser selbstlernende Prozess kann kontinuierlich iteriert und optimiert werden, um einen besseren wirtschaftlichen Nutzen und gesellschaftlichen Wert zu erzielen.
Es ist zu beachten, dass die autonome Lernfunktion erfordert, dass der Agent über ausreichende Rechenleistung und Datenressourcen verfügt, um gute Lernergebnisse zu erzielen. Daher ist es in praktischen Anwendungen erforderlich, geeignete Lernfähigkeiten und Ressourcenzuweisungen basierend auf der tatsächlichen Situation und den Bedürfnissen des Agenten auszuwählen, um den besten Lerneffekt zu erzielen.
Der zentrale autonome Wirtschaftsagent (AEA) von Fetch.ai erreicht die Ziele Intelligenz, Autonomie und Dezentralisierung in der wirtschaftlichen Interaktion. Sein Vorteil liegt in der tiefen Integration von künstlicher Intelligenz und Blockchain-Technologie sowie der Realisierung des Designs autonomer Wirtschaftsakteure. Diese AEA-Agenten können in einer dezentralen Umgebung autonom lernen, Entscheidungen treffen und frei interagieren, wodurch die Effizienz und Effizienz der wirtschaftlichen Interaktion verbessert wird . Grad der Intelligenz. Darüber hinaus ermutigt der Gruppenlernmechanismus (Colearn) von Fetch.AI Agenten, sich aktiv zu beteiligen und die Leistung des gesamten Systems durch den Austausch von Daten und Modellen zu verbessern.
Allerdings bringt Fetch.AI auch einige Herausforderungen mit sich. Erstens erfordert seine autonome Lernfunktion eine hohe Rechenleistung und Datenressourcen, was seine Anwendung in ressourcenbeschränkten Umgebungen einschränken kann. Zweitens sind die technische Architektur und die Funktionen von Fetch.AI relativ komplex und erfordern höhere technische Schwellenwerte und Lernkosten, was sich auf seine breite Anwendung auswirken kann.
Zusammenfassung
Mit Blick auf die Zukunft hat Fetch.AI weiterhin gute Aussichten. Im Zuge der Weiterentwicklung der Technologie werden möglicherweise weitere KI- und Blockchain-Technologien eingeführt, um Leistung und Effizienz zu verbessern und mehr Anwendungsszenarien und Anforderungen zu erfüllen. Da gleichzeitig Datenschutz und Datensicherheit zunehmend an Bedeutung gewinnen, erhalten die Dezentralisierungs- und Sicherheitsfunktionen von Fetch.AI möglicherweise mehr Aufmerksamkeit und Anwendungen. Trotz einiger Herausforderungen verdienen die Innovation und das Potenzial von Fetch.AI in den Bereichen KI und Blockchain immer noch unsere Aufmerksamkeit und Erforschung.
Verweise:
[1] Fetch.AI Entwicklerdokumentation
[2] Melanie Mitchell: KI 3.0
[3] Alexey Potapov: Grundlegende Atomese-Funktionen erforderlich
Haftungsausschluss: Dieser Artikel dient nur als Forschungsreferenz und stellt keine Anlageberatung oder -empfehlung dar. Der in diesem Artikel vorgestellte Projektmechanismus stellt nur die persönlichen Ansichten des Autors dar und hat kein Interesse am Autor oder dieser Plattform. Blockchain- und digitale Währungsinvestitionen unterliegen extrem hohen Marktrisiken, politischen Risiken, technischen Risiken und anderen unsicheren Faktoren. Der Preis von Token auf dem Sekundärmarkt schwankt stark. Anleger sollten umsichtige Entscheidungen treffen und Anlagerisiken unabhängig tragen. Der Autor dieses Artikels oder diese Plattform ist nicht verantwortlich für Verluste, die durch Anleger verursacht werden, die die in diesem Artikel bereitgestellten Informationen nutzen.