gateLive AMA回顧-OriginTrail
Q1：OriginTrail是什麼？
OriginTrail是一個生態系統，為人工智能構建一個可驗證的互聯網，提供一個包容性框架，解決人工智能時代世界面臨的挑戰，如幻覺、偏見和模型崩潰，通過確保人工智能系統使用的數據的來源和可驗證性。OriginTrail被全球領導者使用，如英國標準協會、瑞士聯邦鐵路、供應商合規審計網絡（SCAN），代表美國40%以上的進口以及歐盟資助的幾個聯盟等。在圖靈獎獲得者鮑勃·梅特卡夫博士的建議下，以網絡效應法則聞名的Trace Labs團隊（OriginTrail核心開發者）在推動更具包容性、透明性和去中心化的人工智能方面發揮著關鍵作用。
Q2：OriginTrail 的真實世界應用有哪些？
OriginTrail的技術最初在全球供應鏈中得到採用，用於提供一個可信賴的數據共享中心，由於其驗證和保護信息的能力，它在資產代幣化、建築、醫療、元宇宙等各個領域變得越來越重要。
(1)在供應鏈領域，BSI 和 SCAN 正在利用 OriginTraill 來確保美國一些最大的進口商的安全審計的完整性。
(2)BSI還利用OriginTrail技術來促進 Flow 穿越英國邊境的貨物。
(3)瑞士聯邦鐵路正在利用OriginTrail來確保火車旅行的安全，通過跟蹤每一塊鐵軌材料。
（4）在醫療保健領域，OriginTrail 用於確保捐贈藥品能夠在複雜環境中抵達預期的患者。
(5) 在建築中使用OriginTrail技術構建一個可信的知識庫，旨在提高效率、減少錯誤、增加透明度和信任，最終實現更可持續的建築項目。
(6)在元宇宙中，OriginTrail與Traverse集成，Traverse是一個使用Graph NFTs提供無與倫比的沉浸式敘事體驗的故事項目。
Q3：人工智能領域的最新創新？
Trace Labs團隊（OriginTrail核心開發人員）推出了ChatDKG，這是一個真正開放的人工智能，它在AI解決方案領域推動協同效應，以解決幻覺、偏見和模型崩潰的問題。在設計AI解決方案時，數據所有權、信息來源、信息可驗證性或偏見方面不應有任何妥協，也不應採取任何審查制度。這一革命無法以包容性的方式展開，這是對社會構成的威脅，會對AI建立壟斷產生影響。
因此，團隊引入了一種有效的方式來建立一個新的範式，使用分佈式檢索增強生成（dRAG）框架。dRAG通過組織分佈式知識圖譜（DKG）中的外部資源，同時引入激勵機制，以發展一個全球的眾包知識網絡，供AI模型使用。dRAG框架實現了一個混合的、分佈式的AI系統，將神經網絡（如LLMs）和符號AI（如知識圖譜）方法結合在一起。
與僅使用概率神經 AI 方法相反，符號 AI 方法通過知識圖譜的優勢對其進行了增強，引入了更具確定性的組件。為了利用 Web3 基本原理和快速部署的 AI 系統之間的和諧發展，方法是整合核心 Web3 技術，例如 OriginTrail 去中心化知識圖譜 （DKG） 和 AI 系統（OpenAI、Gemini、Microsoft Co-pilot、xAI 的 Grok 等）。我們可以通過創建一個基於中立性、包容性和可用性原則的可驗證 AI 互聯網來實現可信 AI 的潛力，同時通過多模態和多模型 AI 框架為用戶提供選擇自由。
Q4：與ChatDKG可能的集成？
Google Gemini、OpenAI、xAI、Perplexity 等全球採用率最高和集中式 AI 解決方案為各種用例提供了巨大的價值。利用 Origin Trails dRAG（品牌 ChatDKG.ai，他們可以通過利用神經符號 AI、數據所有權和更好的成本效益的協同作用來改善他們的不足。因此，ChatDKG.ai 不是在與任何已建立的 AI 解決方案競爭，而是通過其 dRAG 使用戶能夠增強它們，從而推動知識可驗證性、成本效益、用戶擁有數據的主權和 AI 模型選擇的自由。
OriginTrail DKG的開源和無許可特性，允許包容性和中立性，為用戶提供了所有層的巨大自由度——選擇DKG數據可移植性支持的AI模型，選擇可在DKG中發現的知識源，以及選擇不同區塊鏈上的集中式或分散式AI服務。
相同的原則適用於AI代理、搜索引擎和越來越多的集成到現有工具中的各種AI服務-藉助dRAG，它們將實現用戶的選擇自由、AI的自主性和信任，並通過連接實現網絡效應。
Q5：路線圖-下一步是什麼？
即將到來的去中心化知識圖譜（DKG）V8更新代表了去中心化人工智能的重大進步，構建在V6帶來的先前創新成果之上。DKG V6將知識實體化為一種新的資產類別，其核心人工智能準備知識資產為實現領域的高級人工智能應用，如現實資產（RWAs）、去中心化科學（DeSci）、工業4.0等，奠定了基礎。
DKG V8向前邁進，引入了自主DKG增長，並顯著提高了可伸縮性。藉此，去中心化檢索增強生成（dRAG）成為DKG V8中的基礎框架，顯著推進了一系列大型語言模型（LLM）應用。
DKG V8旨在通過多模態內容推動下一代人工智能，這對於多樣化和強大的人工智能生態系統至關重要。集成dRAG和其他分散式人工智能功能可實現更可驗證和安全的人工智能技術應用，解決了錯誤信息、數據偏見和模型崩潰等挑戰。
DKG V8 路線圖更新主要關注旨在推動和加速這些進展的催化劑，包括增強的知識挖掘流程，跨多個區塊鏈生態系統的整合以及旨在支持知識資產的大規模增長的可擴展性改進。這些舉措確保 DKG V8 不僅擴展其基礎網絡效應，而且鞏固其作為未來人工智能發展的基石的地位。
