io.net 推動與 Flashback Labs 的 Stargazer 一起的隱私優先 AI 訓練
io.net 的去中心化 GPU 網絡正在解鎖一種新的隱私保護 AI 應用程序類，而集中式雲提供商無法支持。Flashback Labs 通過 Stargazer 展示了這種能力，這是他們的旗艦生成照片模型，可以在不暴露個人數據的情況下進行訓練。
Stargazer 旨在重現情感重要但未捕捉的時刻（例如，從未拍攝的家庭照片）。它是當前可用於 io.net 基礎設施上去中心化訓練和私密推理的第一個模型。
去中心化基礎設施對 AI 隱私的重要性
像 AWS 這樣的科技巨頭雲平臺爲 AI 訓練創造了關鍵的隱私限制。將敏感數據移動到中央服務器引入合規風險，並阻止許多合法的訓練用例擴展。
io.net 的分佈式架構通過在 138 個以上國家中即時節點部署來解決這個問題。當 Flashback Labs 需要聯邦學習基礎設施時，io.net 訓練節點自動部署，從去中心化存儲中訪問數據，而沒有中央瓶頸。
io.net 的基礎設施爲 Stargazer 解鎖了五個關鍵能力：
聯邦訓練：個人數據保留在設備或安全 TEE 上，同時 io.net 協調網絡中的分佈式模型更新。
TEE 保護的推理：io.net 的可信執行環境在生成過程中保護提示和模型權重。
地理分佈：io.net 的全球節點網絡使得在尊重地區隱私法規的同時，可以在特定位置的數據上進行訓練。
豐富上下文處理：io.net 的基礎設施處理標記的情感、位置和文化元數據，以創造情感準確的輸出。
基於同意的擴展：io.net 的基於代幣的獎勵系統使貢獻者能夠在保持數據所有權的同時改進模型。
io.net 的隱私優先 AI 架構
io.net 的去中心化方法解決了阻止聯邦學習在 AWS 或類似平臺上擴展的技術限制。該網絡的基於代幣的支付系統和即時配置消除了隱私敏感工作負載的傳統雲摩擦。
訓練在 io.net 的可信執行環境內進行，確保整個過程中的數據隱私。完成後，加密的模型權重返回給研究人員，而訓練節點終止，未在 io.net 的基礎設施上留下任何數據痕跡。
這種多層隱私架構通過聯邦學習（數據保持本地）、去中心化存儲（沒有中央故障點）和加密權重分發（保護知識產權）來保護數據。
通過去中心化解決 AI 偏見
io.net 的地理分佈使 AI 公司能夠在多樣化、特定於位置的數據集上訓練模型，這些數據集反映了傳統集中式數據集所缺失的地區特徵。這解決了當前 AI 模型困擾的西方偏見問題。
Flashback Labs 於 2025 年 2 月特別選擇 io.net，以便利用其分佈式訓練能力和新穎的按需節點部署方法。目前，io.net 處理 Flashback Labs 的推理工作負載，計劃在用戶密度增加時擴展到完全去中心化的訓練。
Stargazer 現已在即將推出的 Flashback Mobile App BETA 上上線，證明 io.net 可以支持大規模的端到端隱私保護 AI。它代表了第一個模型：
通過 io.net 以聯邦學習進行訓練
在 io.net 的安全 TEE 中運行推理
通過鏈上日誌進行審計和同意驗證
由貢獻者而非集中實體管理
Stargazer 證明了 io.net 的去中心化基礎設施使強大的 AI 在沒有數據剝削的情況下成爲可能。它只需要正確的架構來實現權限、隱私和分佈式處理。
準備構建隱私優先的 AI 應用程序嗎？立即嘗試 IO Intelligence，實現統一的模型訪問和安全推理能力。