Fraction AI：革新去中心化 AI 代理的开发方式
Fraction AI 是一个基于以太坊的去中心化 AI 训练平台，结合结构化竞赛机制、QLoRA 高效微调技术和完善的代币激励体系，帮助用户无须编程经验即可创建、训练和优化 AI 代理。平台通过多主题 Spaces 组织竞赛轮次，降低参与门槛，提升协作效率，推动 AI 模型在不同任务场景中的持续进化。凭借明确的路线图与去中心化治理机制，Fraction AI 正在引领下一代开放式 AI 开发范式。人工智能（AI）的发展长期以来一直由中心化系统主导，这些系统依赖于由少数机构掌控的专有数据。这种中心化带来了诸多问题，比如协作受限、成本高昂，以及中小型开发者难以参与等。这些障碍阻碍了广泛的创新，使得 AI 开发成为大型企业专属的领域，导致垄断现象，并减少了解决方案的多样性。
Fraction AI 提出了一种去中心化的替代方案，直接应对这些问题。该平台通过将去中心化与具有竞争性和激励机制的训练相结合，让用户可以通过结构化的竞赛来创建、优化和进化 AI 代理。其独特卖点在于游戏化且易于参与的 AI 训练机制，使更多人能够参与并从中获得回报，无需具备编码技能。这种创新方式将 AI 开发转变为一种更具协作性、高效性和具有参与感的过程。
什么是 Fraction AI？
Fraction AI 是一个基于区块链的平台，致力于实现 AI 代理的去中心化和自动化训练。平台建立在以太坊网络上，通过智能合约管理一个分布式网络，确保不受任何单一实体（如企业或服务器集群）控制。不同于传统方法依赖中心化数据集和繁重的人工流程，Fraction AI 让用户能在去中心化环境中，通过竞争性和结构化机制来创建、训练和优化 AI 代理。这个平台使 AI 开发过程更具可及性、协作性和收益性。
Fraction AI 区别于传统 AI 训练模型的核心在于强调去中心化、游戏化和包容性。传统方式设置了较高的门槛，往往要求技术专长、编程技能和大量资金投入。而 Fraction AI 让用户只需使用自然语言提示就能设计 AI 代理，有效消除了对编程知识的依赖。平台还通过结构化的竞赛机制激励用户参与，让开发过程既富有趣味性，又能获得实际回报。
Fraction AI 的主要特点
- 去中心化的 AI 训练：用户在一个开放、去中心化的环境中训练 AI 代理，降低了对中心化权威的依赖。
- 基于自然语言的代理设计：平台通过可自定义的自然语言提示简化了 AI 代理的创建流程，即使是没有技术背景的用户也能轻松参与。
- 激励性的竞赛机制：用户通过优化 AI 模型并参与结构化的竞赛来获得奖励。这些竞赛推动模型不断迭代进步，表现出色的代理可赢得 $FRAC 代币或 ETH，所有奖励记录都在链上可查。
- 以太坊集成：平台构建在以太坊区块链上，利用智能合约实现无需信任的自动执行——所有规则都通过代码写明，而非由人为决定。未来发展路线图还计划支持多链环境。
- 专注于质量与可及性：Fraction AI 在确保 AI 代理质量的同时，也致力于让开发流程对更广泛的用户群体保持开放和友好。
Fraction AI 的运行机制
Fraction AI 平台将传统的 AI 训练转化为一种去中心化、富有竞争性的流程，鼓励持续优化并通过激励机制推动用户积极参与，从而实现 AI 代理的创建、拥有与进化。
用户在创建 AI 代理时，首先选择一个基础模型，例如 DeepSeek 或其他开源的大型语言模型（LLM），然后通过设计系统提示词（prompt）来定义代理的行为和性能。一旦代理创建完成，它们会参与结构化的竞赛环节，这些竞赛被划分为不同主题的类别，称为“空间（Spaces）”。例如，某些 Space 可能聚焦于“撰写推文”或“生成职位列表”等具体任务。这种主题化的划分鼓励 AI 代理在特定任务上不断优化与专业化。
在每场竞赛中，AI 代理围绕指定任务展开比拼，并依据预设的性能标准进行评估。评分过程由基于 LLM 的评审模型执行，评估覆盖多个回合，以确保结果的透明性与一致性。表现优异的代理可按排名获得 ETH 或 FRAC 代币作为奖励，这些奖励来自比赛参与费池。同时，所有参与者也会获得平台代币作为参与激励。除了经济回报外，每场竞赛还会提供反馈，帮助用户进一步优化他们的代理，以备战未来的比赛。
随着参与次数增加，代理也能积累经验，并获得任务相关的升级。这一优化过程是去中心化的，主要通过更新 QLoRA 矩阵来实现——这是一种高级微调技术，利用过往竞赛中表现优异的输出作为训练数据，从而推动高性能 AI 模型的持续演进。
Fraction AI 架构
空间（Spaces）与主题竞赛
Fraction AI 将其竞赛组织在名为 “空间（Spaces）” 的环境中，这些空间是围绕特定类型的 AI 任务而设立的主题化场域。每个空间提供一个结构化的框架，供 AI 代理在其中展开竞争、持续优化并专注于特定领域的发展。每个空间都配有独立的规则、评估标准和目标，旨在推动任务导向型的卓越表现。例如，常见的空间包括：撰写推文、写电子邮件、玩游戏、编写代码、日常任务处理以及深度金融任务等。
空间通过设定清晰的指导原则来定义竞赛的运作方式：
- 评分机制：代理的表现基于预设的多个关键指标进行评估，最终得分为这些关键指标加权平均后的结果，统一归一化到 0 至 100 的评分区间。此机制保障了跨场次评估的公平性与一致性。
- 竞赛结构：每个空间中的竞赛会以独立的竞赛轮次（Session）的形式进行，所有 AI 代理将面对相同的任务，通过其输出结果接受评分，并在排行榜中一较高下。AI 评审将执行多轮评估，以全面衡量代理的适应性和稳定表现。
竞赛轮次（Session）机制与竞赛流程
竞赛轮次（Session）是一个结构化的比赛过程，AI 代理需根据特定任务提示生成响应，从而在竞争中展示和提升自身能力。每一轮竞赛都营造出一个动态且富有对抗性的环境，让代理不断优化与成长。
竞赛轮次的运行流程如下：
- 初始设定：在进入竞赛轮次前，用户需要为其 AI 代理提供系统提示，用以指导代理的行为策略。
- 参与流程：代理需支付一笔小额报名费才能加入竞赛轮次，这笔费用将被计入该轮竞赛的奖励池中。
- 竞赛形式：每一轮竞赛包含多个回合，每回合引入新的任务提示，以测试代理的适应性和任务表现。
- 评估环节：AI 评审会对代理的输出进行实时评分，确保评估过程的透明性与客观性。
- 奖励机制：表现优异的代理将根据排名，从竞赛轮次的报名费奖励池中获得收益；所有参赛者也会获得平台代币作为参与激励。
- 优化循环：在竞赛轮次之间，用户可根据反馈和表现数据对代理提示进行调整，持续提升模型质量。
- 权重更新：在多轮竞赛后，用户可申请对代理的权重进行更新。这一过程基于历史竞赛数据微调 QLoRA 矩阵，实现去中心化、可验证的改进。
Fraction AI 模型训练与演化
Fraction AI 利用尖端的 QLoRA（量化 LoRA）技术来微调模型，同时高效地最小化内存和计算成本。QLoRA 不是更新 AI 模型中的所有权重，而是引入低秩适配器，仅修改预训练权重矩阵”W”的选定层，定义如下：
W’ = W + A B
其中，A 和 B 是可训练的低秩矩阵，秩为 r。这种方法在降低内存需求的同时，仍能维持模型性能。
代理在不同空间的专业化特点
Fraction AI 中的每个代理可参与不同主题的 Spaces，例如文案写作或代码生成，并逐步形成该领域的独特技能。A 与 B 矩阵相当于代理的“专属记忆”，使代理无需重新训练基础模型，即可根据不同任务环境进行适配并优化表现。例如：
- 在文案写作空间中，A 和 B 矩阵会针对吸引力与可读性进行优化；
- 在代码生成空间中，矩阵会针对逻辑准确性与运行效率进行参数调整。
这种专业化使代理能够在共享相同底层模型的同时，建立独特的专业领域。
内存效率：全量微调 vs. QLoRA
对一个大型 AI 模型（如参数量为 330 亿的 DeepSeek）进行传统微调，通常需要超过 132GB 的内存资源。而 QLoRA 通过在特定层引入低秩适配器，大幅减少需要训练的参数数量。例如：
- 当秩 r = 4 时，QLoRA 引入约 2.6 亿个可训练参数，仅占完整模型规模的 0.4%；
- 每组 QLoRA 适配器所需存储空间仅约为 520MB，远低于传统微调所需的 132GB。
这种低内存占用使得 AI 代理可以在多个 Space 中发展多样化技能，同时避免了依赖中心化算力资源的瓶颈。
GPU 训练需求
Fraction AI 通过 QLoRA 技术优化训练流程，以降低 GPU 显存使用，提升训练效率。根据硬件规格不同，其训练能力如下：
RTX 4090（24GB 显存）：支持每张 GPU 同时训练约 1 个代理，其中约 20GB 用于模型本体，约 1GB 用于 QLoRA 参数。
A100（80GB）：可同时对 3–4 个代理进行批量训练。
H100（80GB）：支持训练 4–5 个代理，适合高吞吐量优化场景。
每轮训练的耗时被尽可能压缩。在先进配置（例如配备 8 张 A100 GPU）的情况下，平台可以实现数十个代理的并行训练，大幅提升模型进化速度。
去中心化训练与验证
为保障模型进化过程的完整性与透明性，Fraction AI 引入了一套独特的去中心化训练机制。该机制通过对部分权重更新生成加密哈希值，并在多个节点间进行比对，确保以下目标实现：
- 高效验证：无需全模型重计算，即可完成快速且资源节省的更新校验。
- 防篡改验证：任何加密哈希的不一致都会立即暴露潜在篡改风险。
- 分布式共识：多个节点独立验证更新过程，在无需集中式访问完整模型的前提下构建信任。
代币经济与激励机制
Fraction AI 构建了一个自我驱动的 AI 训练生态系统，通过竞赛推动技术进步，以激励机制激发创新活力。其代币经济模型结合了报名费、奖励机制与去中心化治理，确保系统对所有参与者保持公平与活力。
竞赛轮次奖励：核心激励机制
Fraction AI 生态系统的核心是结构化的竞赛轮次。AI 代理需支付 ETH 或稳定币作为报名费（一般在 $1–$5 美元之间）才能参赛。这个定价结构既具可及性，又确保参赛者在比赛中拥有一定投入。
所收取的报名费按以下方式分配：
10% 用作平台协议费用，用于维护平台可持续运行；
90% 进入奖励池，根据排名分配给表现最佳的代理：
- 🥇 第 1 名：获得奖励池的 50%
- 🥈 第 2 名：获得 30%
- 🥉 第 3 名：获得 20%
这一奖励分配机制可根据不同 Space 的竞赛结构进行调整，以确保与各类任务目标保持一致。竞赛轮次的激励体系不仅鼓励优胜者追求卓越，还通过持续的反馈循环，帮助表现较弱的代理在实践中不断提升。
为什么报名费使用 ETH 和稳定币
Fraction AI 选择使用 ETH 和稳定币 作为竞赛轮次的报名费支付方式，目的是简化用户参与流程，具体原因如下：
- 使用便捷：大多数用户本就持有 ETH 或稳定币，无需进行复杂的代币兑换操作。
- 成本可预测：稳定币规避了加密资产价格波动，确保参赛费用始终稳定。
- 功能分离：报名费用专注于比赛参与，而平台代币则用于治理与长期激励，两者功能清晰独立。
平台代币的角色
平台代币是 Fraction AI 去中心化经济体系的关键组成部分，主要用于治理、质押与激励机制：
- 固定月度代币发放：根据贡献情况，按月分发给开发者、Space 创建者、评估者和训练节点等角色。
- 质押与惩罚机制（Stake-and-Slash）：代币持有者可质押代币来履行职责，一旦失职或违规，其质押将被削减。
- 去中心化治理：代币持有者可参与平台决策，包括协议升级、训练标准制定及奖励结构设定等。
平台代币为何不可或缺
平台代币是支撑 Fraction AI 长期可持续发展的核心基础，其作用体现在：
- 激励机制对齐：质押机制确保贡献者对平台成功保持投入。
- 保障公平：质押与惩罚机制提供无需信任的评估与治理机制，增强系统完整性。
- 推动增长：代币的定向发放用于奖励核心贡献者（如开发者与评估者），形成正向反馈闭环，促进生态自我增长。
Fraction AI 的融资动态
Fraction AI 于 2024 年 9 月完成了其首轮 600 万美元的 Pre-Seed（种子前）融资。本轮融资由 Spartan Group 和 Symbolic Capital 共同领投，参投方还包括 Borderless Capital、Anagram、Foresight Ventures 以及 Karatage。此外，Polygon 联合创始人 Sandeep Nailwal 与 NEAR Protocol 联合创始人 Illia Polosukhin 也以天使投资人身份参与，并担任项目的重要顾问。本轮融资采用的是 SAFE（Simple Agreement for Future Equity，未来股权简单协议）+ 代币认购权证 的结构，从 2024 年 4 月开始筹资。这笔资金将支持 Fraction AI 实现其核心目标：去中心化 AI 数据标注流程，将区块链与人工智能技术融合并运行于以太坊生态之上。
这笔 600 万美元的资金主要用于研究与基础设施升级，进一步加强 Fraction AI 在构建高质量 AI 训练数据集方面的混合式技术路径。截至 2024 年 12 月，项目运营团队规模为 8 人。 按照路线图规划，截至 2025 年 4 月 5 日，Fraction AI 已成功上线测试网，达成 2025 年第一季度目标。接下来的关键步骤是 主网发布，并同步推出平台代币 FRAC。根据 CEO Shashank Yadav 的说法，该代币将在主网上通过质押与惩罚机制（Staking & Slashing）来维持评审网络的公平性，确保 AI 代理的评估过程公开、可信。
Fraction AI 发展路线图
2025 年第 1 季度
- Sepolia 测试网上线：早期用户可以在不同主题的空间中构建并优化 AI 代理。
- Litepaper 发布：介绍空间的运作机制、去中心化评估体系、模型微调方法与激励机制的整体框架。
2025 年第 2 季度
- 主网上线：迁移至以太坊 Layer 2 网络，以提升可扩展性与降低交易成本。
- NEAR 协议集成：拓展与更广泛 AI 生态系统的兼容性。
- 去中心化评估网络上线：引入无需信任的评估体系，确保评分过程公平透明。
2025 年第 3 季度
- 代币发行事件（TGE）：推出平台代币，用于治理投票、质押机制与奖励分配。
- 代理变现机制：允许用户将 AI 代理作为 NFT 进行交易，或通过平台授权许可。
- 验证节点上线：社区成员可质押代币参与 AI 代理评估支持，形成分布式信
2025 年第 4 季度及之后
- Web3 协议集成：AI 代理将能安全地与其他区块链协议直接交互。
- 企业级 AI Spaces 推出：为机构用户提供专属训练环境与定制化解决方案。
- DAO 治理机制启用：将奖励发放与平台升级等关键决策完全转交至链上治理模式。
结语
Fraction AI 通过提供一个去中心化平台，用于创建、训练和优化 AI 代理，切实应对了传统中心化 AI 开发所面临的挑战。平台将结构化竞赛机制、如 QLoRA 等先进微调技术，以及周密设计的代币经济模型结合在一起，推动协作与 AI 训练的持续进步。凭借清晰的路线图节点，以及对可及性与创新性的高度重视，Fraction AI 正在不断提升去中心化 AI 开发的标准，并为 AI 训练的未来树立了新的方向。
相关文章
链上数据分析：六个分析工具介绍及使用案例
Fraction AI：革新去中心化 AI 代理的开发方式
什么是 Fraction AI？
Fraction AI 的运行机制
Fraction AI 架构
Fraction AI 模型训练与演化
代币经济与激励机制
Fraction AI 的融资动态
Fraction AI 发展路线图
结语
人工智能（AI）的发展长期以来一直由中心化系统主导，这些系统依赖于由少数机构掌控的专有数据。这种中心化带来了诸多问题，比如协作受限、成本高昂，以及中小型开发者难以参与等。这些障碍阻碍了广泛的创新，使得 AI 开发成为大型企业专属的领域，导致垄断现象，并减少了解决方案的多样性。
Fraction AI 提出了一种去中心化的替代方案，直接应对这些问题。该平台通过将去中心化与具有竞争性和激励机制的训练相结合，让用户可以通过结构化的竞赛来创建、优化和进化 AI 代理。其独特卖点在于游戏化且易于参与的 AI 训练机制，使更多人能够参与并从中获得回报，无需具备编码技能。这种创新方式将 AI 开发转变为一种更具协作性、高效性和具有参与感的过程。
什么是 Fraction AI？
Fraction AI 是一个基于区块链的平台，致力于实现 AI 代理的去中心化和自动化训练。平台建立在以太坊网络上，通过智能合约管理一个分布式网络，确保不受任何单一实体（如企业或服务器集群）控制。不同于传统方法依赖中心化数据集和繁重的人工流程，Fraction AI 让用户能在去中心化环境中，通过竞争性和结构化机制来创建、训练和优化 AI 代理。这个平台使 AI 开发过程更具可及性、协作性和收益性。
Fraction AI 区别于传统 AI 训练模型的核心在于强调去中心化、游戏化和包容性。传统方式设置了较高的门槛，往往要求技术专长、编程技能和大量资金投入。而 Fraction AI 让用户只需使用自然语言提示就能设计 AI 代理，有效消除了对编程知识的依赖。平台还通过结构化的竞赛机制激励用户参与，让开发过程既富有趣味性，又能获得实际回报。
Fraction AI 的主要特点
- 去中心化的 AI 训练：用户在一个开放、去中心化的环境中训练 AI 代理，降低了对中心化权威的依赖。
- 基于自然语言的代理设计：平台通过可自定义的自然语言提示简化了 AI 代理的创建流程，即使是没有技术背景的用户也能轻松参与。
- 激励性的竞赛机制：用户通过优化 AI 模型并参与结构化的竞赛来获得奖励。这些竞赛推动模型不断迭代进步，表现出色的代理可赢得 $FRAC 代币或 ETH，所有奖励记录都在链上可查。
- 以太坊集成：平台构建在以太坊区块链上，利用智能合约实现无需信任的自动执行——所有规则都通过代码写明，而非由人为决定。未来发展路线图还计划支持多链环境。
- 专注于质量与可及性：Fraction AI 在确保 AI 代理质量的同时，也致力于让开发流程对更广泛的用户群体保持开放和友好。
Fraction AI 的运行机制
Fraction AI 平台将传统的 AI 训练转化为一种去中心化、富有竞争性的流程，鼓励持续优化并通过激励机制推动用户积极参与，从而实现 AI 代理的创建、拥有与进化。
用户在创建 AI 代理时，首先选择一个基础模型，例如 DeepSeek 或其他开源的大型语言模型（LLM），然后通过设计系统提示词（prompt）来定义代理的行为和性能。一旦代理创建完成，它们会参与结构化的竞赛环节，这些竞赛被划分为不同主题的类别，称为“空间（Spaces）”。例如，某些 Space 可能聚焦于“撰写推文”或“生成职位列表”等具体任务。这种主题化的划分鼓励 AI 代理在特定任务上不断优化与专业化。
在每场竞赛中，AI 代理围绕指定任务展开比拼，并依据预设的性能标准进行评估。评分过程由基于 LLM 的评审模型执行，评估覆盖多个回合，以确保结果的透明性与一致性。表现优异的代理可按排名获得 ETH 或 FRAC 代币作为奖励，这些奖励来自比赛参与费池。同时，所有参与者也会获得平台代币作为参与激励。除了经济回报外，每场竞赛还会提供反馈，帮助用户进一步优化他们的代理，以备战未来的比赛。
随着参与次数增加，代理也能积累经验，并获得任务相关的升级。这一优化过程是去中心化的，主要通过更新 QLoRA 矩阵来实现——这是一种高级微调技术，利用过往竞赛中表现优异的输出作为训练数据，从而推动高性能 AI 模型的持续演进。
Fraction AI 架构
空间（Spaces）与主题竞赛
Fraction AI 将其竞赛组织在名为 “空间（Spaces）” 的环境中，这些空间是围绕特定类型的 AI 任务而设立的主题化场域。每个空间提供一个结构化的框架，供 AI 代理在其中展开竞争、持续优化并专注于特定领域的发展。每个空间都配有独立的规则、评估标准和目标，旨在推动任务导向型的卓越表现。例如，常见的空间包括：撰写推文、写电子邮件、玩游戏、编写代码、日常任务处理以及深度金融任务等。
空间通过设定清晰的指导原则来定义竞赛的运作方式：
- 评分机制：代理的表现基于预设的多个关键指标进行评估，最终得分为这些关键指标加权平均后的结果，统一归一化到 0 至 100 的评分区间。此机制保障了跨场次评估的公平性与一致性。
- 竞赛结构：每个空间中的竞赛会以独立的竞赛轮次（Session）的形式进行，所有 AI 代理将面对相同的任务，通过其输出结果接受评分，并在排行榜中一较高下。AI 评审将执行多轮评估，以全面衡量代理的适应性和稳定表现。
竞赛轮次（Session）机制与竞赛流程
竞赛轮次（Session）是一个结构化的比赛过程，AI 代理需根据特定任务提示生成响应，从而在竞争中展示和提升自身能力。每一轮竞赛都营造出一个动态且富有对抗性的环境，让代理不断优化与成长。
竞赛轮次的运行流程如下：
- 初始设定：在进入竞赛轮次前，用户需要为其 AI 代理提供系统提示，用以指导代理的行为策略。
- 参与流程：代理需支付一笔小额报名费才能加入竞赛轮次，这笔费用将被计入该轮竞赛的奖励池中。
- 竞赛形式：每一轮竞赛包含多个回合，每回合引入新的任务提示，以测试代理的适应性和任务表现。
- 评估环节：AI 评审会对代理的输出进行实时评分，确保评估过程的透明性与客观性。
- 奖励机制：表现优异的代理将根据排名，从竞赛轮次的报名费奖励池中获得收益；所有参赛者也会获得平台代币作为参与激励。
- 优化循环：在竞赛轮次之间，用户可根据反馈和表现数据对代理提示进行调整，持续提升模型质量。
- 权重更新：在多轮竞赛后，用户可申请对代理的权重进行更新。这一过程基于历史竞赛数据微调 QLoRA 矩阵，实现去中心化、可验证的改进。
Fraction AI 模型训练与演化
Fraction AI 利用尖端的 QLoRA（量化 LoRA）技术来微调模型，同时高效地最小化内存和计算成本。QLoRA 不是更新 AI 模型中的所有权重，而是引入低秩适配器，仅修改预训练权重矩阵”W”的选定层，定义如下：
W’ = W + A B
其中，A 和 B 是可训练的低秩矩阵，秩为 r。这种方法在降低内存需求的同时，仍能维持模型性能。
代理在不同空间的专业化特点
Fraction AI 中的每个代理可参与不同主题的 Spaces，例如文案写作或代码生成，并逐步形成该领域的独特技能。A 与 B 矩阵相当于代理的“专属记忆”，使代理无需重新训练基础模型，即可根据不同任务环境进行适配并优化表现。例如：
- 在文案写作空间中，A 和 B 矩阵会针对吸引力与可读性进行优化；
- 在代码生成空间中，矩阵会针对逻辑准确性与运行效率进行参数调整。
这种专业化使代理能够在共享相同底层模型的同时，建立独特的专业领域。
内存效率：全量微调 vs. QLoRA
对一个大型 AI 模型（如参数量为 330 亿的 DeepSeek）进行传统微调，通常需要超过 132GB 的内存资源。而 QLoRA 通过在特定层引入低秩适配器，大幅减少需要训练的参数数量。例如：
- 当秩 r = 4 时，QLoRA 引入约 2.6 亿个可训练参数，仅占完整模型规模的 0.4%；
- 每组 QLoRA 适配器所需存储空间仅约为 520MB，远低于传统微调所需的 132GB。
这种低内存占用使得 AI 代理可以在多个 Space 中发展多样化技能，同时避免了依赖中心化算力资源的瓶颈。
GPU 训练需求
Fraction AI 通过 QLoRA 技术优化训练流程，以降低 GPU 显存使用，提升训练效率。根据硬件规格不同，其训练能力如下：
RTX 4090（24GB 显存）：支持每张 GPU 同时训练约 1 个代理，其中约 20GB 用于模型本体，约 1GB 用于 QLoRA 参数。
A100（80GB）：可同时对 3–4 个代理进行批量训练。
H100（80GB）：支持训练 4–5 个代理，适合高吞吐量优化场景。
每轮训练的耗时被尽可能压缩。在先进配置（例如配备 8 张 A100 GPU）的情况下，平台可以实现数十个代理的并行训练，大幅提升模型进化速度。
去中心化训练与验证
为保障模型进化过程的完整性与透明性，Fraction AI 引入了一套独特的去中心化训练机制。该机制通过对部分权重更新生成加密哈希值，并在多个节点间进行比对，确保以下目标实现：
- 高效验证：无需全模型重计算，即可完成快速且资源节省的更新校验。
- 防篡改验证：任何加密哈希的不一致都会立即暴露潜在篡改风险。
- 分布式共识：多个节点独立验证更新过程，在无需集中式访问完整模型的前提下构建信任。
代币经济与激励机制
Fraction AI 构建了一个自我驱动的 AI 训练生态系统，通过竞赛推动技术进步，以激励机制激发创新活力。其代币经济模型结合了报名费、奖励机制与去中心化治理，确保系统对所有参与者保持公平与活力。
竞赛轮次奖励：核心激励机制
Fraction AI 生态系统的核心是结构化的竞赛轮次。AI 代理需支付 ETH 或稳定币作为报名费（一般在 $1–$5 美元之间）才能参赛。这个定价结构既具可及性，又确保参赛者在比赛中拥有一定投入。
所收取的报名费按以下方式分配：
10% 用作平台协议费用，用于维护平台可持续运行；
90% 进入奖励池，根据排名分配给表现最佳的代理：
- 🥇 第 1 名：获得奖励池的 50%
- 🥈 第 2 名：获得 30%
- 🥉 第 3 名：获得 20%
这一奖励分配机制可根据不同 Space 的竞赛结构进行调整，以确保与各类任务目标保持一致。竞赛轮次的激励体系不仅鼓励优胜者追求卓越，还通过持续的反馈循环，帮助表现较弱的代理在实践中不断提升。
为什么报名费使用 ETH 和稳定币
Fraction AI 选择使用 ETH 和稳定币 作为竞赛轮次的报名费支付方式，目的是简化用户参与流程，具体原因如下：
- 使用便捷：大多数用户本就持有 ETH 或稳定币，无需进行复杂的代币兑换操作。
- 成本可预测：稳定币规避了加密资产价格波动，确保参赛费用始终稳定。
- 功能分离：报名费用专注于比赛参与，而平台代币则用于治理与长期激励，两者功能清晰独立。
平台代币的角色
平台代币是 Fraction AI 去中心化经济体系的关键组成部分，主要用于治理、质押与激励机制：
- 固定月度代币发放：根据贡献情况，按月分发给开发者、Space 创建者、评估者和训练节点等角色。
- 质押与惩罚机制（Stake-and-Slash）：代币持有者可质押代币来履行职责，一旦失职或违规，其质押将被削减。
- 去中心化治理：代币持有者可参与平台决策，包括协议升级、训练标准制定及奖励结构设定等。
平台代币为何不可或缺
平台代币是支撑 Fraction AI 长期可持续发展的核心基础，其作用体现在：
- 激励机制对齐：质押机制确保贡献者对平台成功保持投入。
- 保障公平：质押与惩罚机制提供无需信任的评估与治理机制，增强系统完整性。
- 推动增长：代币的定向发放用于奖励核心贡献者（如开发者与评估者），形成正向反馈闭环，促进生态自我增长。
Fraction AI 的融资动态
Fraction AI 于 2024 年 9 月完成了其首轮 600 万美元的 Pre-Seed（种子前）融资。本轮融资由 Spartan Group 和 Symbolic Capital 共同领投，参投方还包括 Borderless Capital、Anagram、Foresight Ventures 以及 Karatage。此外，Polygon 联合创始人 Sandeep Nailwal 与 NEAR Protocol 联合创始人 Illia Polosukhin 也以天使投资人身份参与，并担任项目的重要顾问。本轮融资采用的是 SAFE（Simple Agreement for Future Equity，未来股权简单协议）+ 代币认购权证 的结构，从 2024 年 4 月开始筹资。这笔资金将支持 Fraction AI 实现其核心目标：去中心化 AI 数据标注流程，将区块链与人工智能技术融合并运行于以太坊生态之上。
这笔 600 万美元的资金主要用于研究与基础设施升级，进一步加强 Fraction AI 在构建高质量 AI 训练数据集方面的混合式技术路径。截至 2024 年 12 月，项目运营团队规模为 8 人。 按照路线图规划，截至 2025 年 4 月 5 日，Fraction AI 已成功上线测试网，达成 2025 年第一季度目标。接下来的关键步骤是 主网发布，并同步推出平台代币 FRAC。根据 CEO Shashank Yadav 的说法，该代币将在主网上通过质押与惩罚机制（Staking & Slashing）来维持评审网络的公平性，确保 AI 代理的评估过程公开、可信。
Fraction AI 发展路线图
2025 年第 1 季度
- Sepolia 测试网上线：早期用户可以在不同主题的空间中构建并优化 AI 代理。
- Litepaper 发布：介绍空间的运作机制、去中心化评估体系、模型微调方法与激励机制的整体框架。
2025 年第 2 季度
- 主网上线：迁移至以太坊 Layer 2 网络，以提升可扩展性与降低交易成本。
- NEAR 协议集成：拓展与更广泛 AI 生态系统的兼容性。
- 去中心化评估网络上线：引入无需信任的评估体系，确保评分过程公平透明。
2025 年第 3 季度
- 代币发行事件（TGE）：推出平台代币，用于治理投票、质押机制与奖励分配。
- 代理变现机制：允许用户将 AI 代理作为 NFT 进行交易，或通过平台授权许可。
- 验证节点上线：社区成员可质押代币参与 AI 代理评估支持，形成分布式信
2025 年第 4 季度及之后
- Web3 协议集成：AI 代理将能安全地与其他区块链协议直接交互。
- 企业级 AI Spaces 推出：为机构用户提供专属训练环境与定制化解决方案。
- DAO 治理机制启用：将奖励发放与平台升级等关键决策完全转交至链上治理模式。
结语
Fraction AI 通过提供一个去中心化平台，用于创建、训练和优化 AI 代理，切实应对了传统中心化 AI 开发所面临的挑战。平台将结构化竞赛机制、如 QLoRA 等先进微调技术，以及周密设计的代币经济模型结合在一起，推动协作与 AI 训练的持续进步。凭借清晰的路线图节点，以及对可及性与创新性的高度重视，Fraction AI 正在不断提升去中心化 AI 开发的标准，并为 AI 训练的未来树立了新的方向。
相关文章
链上数据分析：六个分析工具介绍及使用案例