Apa itu Cortex, CTXC coin adalah
Apa itu Cortex, CTXC coin ?
Cortex adalah platform blockchain open-source, peer-to-peer, terdesentralisasi yang mendukung model Artificial Intelligence (AI) untuk diunggah dan dieksekusi di jaringan terdistribusi. Cortex menyediakan platform AI open-source untuk mencapai demokratisasi AI di mana model dapat diintegrasikan dengan mudah dalam kontrak pintar dan membuat aplikasi terdesentralisasi yang mendukung AI (DApps).
![]() |
Cortex, CTXC coin |
Mengenal lebih dalam tentang Cortex
Di dunia blockchain saat ini, mesin virtual kontrak cerdas Turingcomplete telah banyak digunakan dan menarik perhatian dan partisipasi pengembang aplikasi. Akibatnya, banyak bidang seperti keuangan terdesentralisasi, seni kripto, dan permainan terdesentralisasi telah membuat kemajuan besar.
Namun, infrastruktur blockchain saat ini mengharuskan semua node untuk memverifikasi dan menyetujui hasil perhitungan, yang sangat membatasi kemampuan kontrak pintar.
Bahasa kontrak pintar dan mesin virtual yang ada terbatas untuk menulis program pendek dan mengakses sumber daya yang sangat sedikit.
Namun, model pembelajaran mesin membutuhkan permintaan besar untuk sumber daya komputasi dan penyimpanan untuk diterapkan pada lingkungan blockchain. Dengan munculnya layanan kecerdasan buatan, pembelajaran mesin memainkan peran besar dalam pengenalan gambar, pemrosesan bahasa alami, pengenalan pola, dan banyak bidang lainnya.
Proyek Cortex menambahkan dukungan algoritme AI ke kontrak pintar dengan memperluas set instruksi yang mendasari kontrak pintar dan meningkatkan lapisan penyimpanan sehingga siapa pun dapat menambahkan kemampuan AI ke kontrak pintar. Pada saat yang sama, mekanisme insentif yang diusulkan mendorong kontributor model untuk mengirimkan dan mengoptimalkan model pada rantai Cortex dan menerima hadiah.
Tujuan Utama Cortex
Tujuan utama Cortex adalah menjadi token yang lebih baik yang mendukung semua model AI. Untuk mencapai tujuan ini, Cortex 2.0 membangun arsitektur teknis inti yang lebih komprehensif untuk meningkatkan inferensi AI onchain dalam kontrak pintar dan meningkatkan keamanan dan kinerja rantai Cortex. Selain itu, Cortex 2.0 juga sangat menekankan keakuratan dan privasi hasil inferensi AI onchain dengan menerapkan verifikasi formal, lingkungan eksekusi tepercaya, dll.
Pada tahun 2009, Bitcoin mengusulkan model blockchain yang dapat mendukung sistem pertukaran mata uang digital yang terdesentralisasi dan kredibel.
Namun, bahasa tumpuk bawaannya tidak Turingcomplete, seperti membatasi fungsi loop, desain ini membatasi skenario aplikasi dunia nyata dari sistem Bitcoin.
Pada tahun 2013, proyek Ethereum memperluas bahasa yang dapat diprogram di blockchain ke bahasa Turingcomplete Solidity. Ekspansi ini telah membawa sejumlah besar aplikasi ke sistem blockchain. Ethereum mengusulkan mekanisme Gas untuk mengatasi masalah penutupan Turing berikutnya dan masalah penolakan serangan layanan.
Meskipun ini adalah solusi yang baik dari sudut pandang ekonomi, tetapi Ethereum hanya dapat melakukan perhitungan dan penyimpanan skala kecil, membatasi penerapan sistem Ethereum dalam skenario data besar seperti pembelajaran mesin.
Ada proyek yang mencoba meningkatkan kinerja Ethereum untuk menjalankan kontrak pintar yang lebih kompleks, seperti rantai publik PoS Algorand , rencana ekspansi dua lapis zkRollup , Arbitrum , rantai publik konsensus baru Solana , IPFS penyimpanan terdesentralisasi Avalanche dan solusi lainnya. Namun, masih ada kesenjangan besar antara komputasi dan persyaratan penyimpanan untuk pembelajaran mesin.
Proyek Cortex berdasarkan Ethereum tetapi memperluas dasar-dasar dan memecahkan penghalang antara sistem blockchain saat ini dan kecerdasan buatan. Rantai Cor tex memperkenalkan kemampuan yang belum pernah terjadi sebelumnya seperti klasifikasi, prediksi, dan pembuatan model AI ke sistem blockchain.
Terobosan besar datang dengan lebih banyak tantangan. Dengan demikian, untuk menyelesaikan beban komputasi, penyimpanan, dan kerja bersih aplikasi AI dalam sistem blockchain, Cortex telah mengusulkan serangkaian solusi:
- Menerapkan Model Representation Tool (MRT) untuk mengubah model AI tradisional menjadi model fixedpoint yang dapat dijalankan di blockchain;
- Mengusulkan mesin virtual Cortex, CVM, untuk mewujudkan perhitungan inferensi AI onchain;
- Memperkenalkan sistem penyimpanan file TorrentFS P2P untuk memecahkan masalah model dan usia penyimpanan data;
Selain itu, layanan AI membutuhkan data berskala besar dan daya komputasi yang masif, yang keduanya sebagian besar berada di tangan perusahaan besar, sehingga membentuk pasar monopoli yang tidak sehat. Untuk memecahkan penghalang, ekosistem Cortex menyediakan pasar model AI terdesentralisasi di mana pengguna dapat berbagi model AI dan mendapatkan hadiah, memungkinkan lebih banyak orang untuk menikmati teknologi AI.
Kami percaya proyek Cortex akan menyatukan teknologi AI dan masyarakat umum, seperti halnya Prometheus membawa cahaya bagi umat manusia.
Dengan selesainya peluncuran mainnet Cortex 1.0 pada Juni 2019, Buku putih 1.0 telah direalisasikan, dan bukan lagi fantasi untuk menyebarkan dan menjalankan model pembelajaran mesin di blockchain.
Perusahaan besar bukan lagi satu-satunya yang memiliki data besar dan daya komputasi. Semua orang dapat menikmati kenyamanan yang dibawa oleh AI melalui rantai Cortex dan sepenuhnya memahami bagaimana data mereka digunakan. Operator pengembang sekarang dapat mengakses model AI untuk membangun aplikasi yang lebih kompleks dan memanfaatkannya.
Dengan diperkenalkannya Cortex 2.0, tim Cortex Labs bertujuan untuk membuat terobosan lebih lanjut dalam arsitektur sistem, implementasi perangkat lunak, implementasi perangkat keras, dan ekosistem aplikasi. kami berharap untuk mencapai ekosistem blockchain AIon yang terdesentralisasi dengan fitur yang ditingkatkan, kinerja yang lebih kuat, lebih banyak lagi protokol stabil, dan kemampuan lintas rantai untuk membawa teknologi AI ke sistem blockchain lainnya.
Makalah ini memperkenalkan visi desain Cortex 2.0, arsitektur intinya, dan kerangka keseluruhan. Bagian arsitektur inti menjelaskan bagaimana untuk lebih im
membuktikan kinerja, keamanan, dan desentralisasi rantai Cortex. Bagian kerangka kerja keseluruhan adalah serangkaian pengenalan kerja onchain dan offchain, termasuk memfasilitasi penggunaan rantai Cortex, melindungi model pengguna dan privasi data, dan membuatnya lebih mudah dan lebih baik untuk menggunakan model AI onchain, dll.
Kerangka Inti
Untuk membangun rantai publik yang mendukung model AI, Cortex 2.0 perlu mengoptimalkan inferensi model AI dan infrastruktur blockchain yang mendasarinya. Tidak hanya perlu meningkatkan akurasi dan konsistensi model onchain, tetapi juga perlu mengoptimalkan rantai Cortex yang ada dalam hal konsensus dan kinerja. Arsitektur inti Cortex 2.0 ditunjukkan pada Gambar 1 dan berisi terobosan teknologi berikut:
- Verifikasi formal: Verifikasi formalisasi dan kebenaran operator AI diselesaikan melalui pembukti Z3 untuk memastikan bahwa semua hasil inferensi model dalam rantai Cortex bersifat deterministik dan dapat direproduksi.
- Pustaka operator AI: Tingkatkan lebih lanjut pustaka operator yang mendasari model AI yang didukung oleh Cortex, sehingga Cortex dapat mencapai lebih banyak model AI dalam pekerjaan referensi.
- Algoritma konsensus: Algoritma bukti beban kerja RandomAI untuk meningkatkan desentralisasi Cortex lebih jauh.
- Peningkatan kinerja: Secara bertahap mewujudkan pengemasan tindakan trans transfer, kontrak cerdas, dan inferensi AI, dan meningkatkan kinerja rantai Cortex melalui teknologi zeroknowledge proof.

Verifikasi Resmi: Z3Prover
Eksekusi instruksi dan hasil perhitungan di mesin virtual kontrak pintar milik mekanisme konsensus blockchain, yang mengharuskan operasi instruksi di mesin virtual menjadi deterministik dan dapat direproduksi. Cortex 1.0 menganggap operasi inferensi model AI sebagai instruksi dasar (INFER
| IFNERARRAY) terintegrasi ke dalam mesin virtual (CVM), dan ini mengarah pada dua karakteristik penting yang harus dimiliki oleh operasi inferensi AI di blockchain: determinisme dan reproduktifitas. Tim Cortex Labs memberikan perhatian yang cukup pada fitur di atas, dan mengusulkan atau berencana untuk mengusulkan serangkaian model atau metode yang dapat ditafsirkan untuk memastikan kelengkapan operasi inferensi dalam kerangka kerja AI deterministik (CVM Runtime):
- Menulis dan menerbitkan makalah kuantitatif MRT untuk memperkenalkan kebutuhan, kelengkapan kerangka AI deterministik dan metode transformasi model terkait;
- Gunakan simbol deskriptif matematis yang ketat untuk menentukan input, output,
- dan logika proses operator dalam kerangka AI, untuk memastikan bahwa perhitungan operator dapat diverifikasi secara teoritis;
- Gunakan perpustakaan pihak ketiga Z3Prover untuk memverifikasi kebenaran implementasi kode sumber di perpustakaan proyek CVM Runtime;
Cortex 2.0 berencana untuk menerbitkan makalah kuantitatif MRT, yang berfokus pada pekerjaan transformasi model yang dibuat oleh tim Cortex Labs. Pekerjaan ini untuk kerangka kerja AI deterministik CVM Runtime, termasuk namun tidak terbatas pada kebutuhan model fixedpointization, penelitian terkait, dan pencapaian utama.
Persyaratan perhitungan pada blockchain mencakup kepastian, sedangkan arsitektur paralel model floatingpoint dalam kerangka AI arus utama yang ada memiliki ketidakpastian perhitungan. Perlunya model fixedpointization terletak terutama pada kontradiksi antara kepastian pada blockchain dan ketidakpastian dalam kerangka kerja AI.
Untuk alasan ini, makalah penelitian kuantitatif yang relevan telah diselidiki dan pencapaian terkait telah dirujuk untuk mengimplementasikan alat konversi MRT, yang disesuaikan dengan kerangka kerja AI deterministik. Untuk lebih jelasnya silakan lihat deskripsi makalah dan rencana rilis dijelaskan di peta jalan bagian 5.
Selain itu, Cortex 2.0 secara logis mengabstraksi kode operator yang sudah didukung di CVM Runtime untuk membentuk definisi operasi matematika yang ketat untuk memastikan interpretasi teoretis, konsistensi, dan kelengkapan.
Dengan menstandardisasi dan menyatakan input, output, dan atribut konfigurasi lainnya dari operator, logika pemrosesan yang tersirat dalam kode diabstraksikan dalam bentuk ekspresi matematika dan definisi simbol persamaan, alias rumus, diberikan.
Simbol formal dari deskripsi matematis dapat memberikan referensi teoritis yang lengkap dan memberikan hasil perhitungan yang unik dan pasti ketika hasil perhitungan tidak konsisten antara versi kode inferensi yang mungkin.
Akhirnya, Cortex 2.0 bermaksud untuk menggunakan teori modulo satisfiability (SMT) untuk menyelesaikan verifikasi formal implementasi operator di basis kode.
SMT adalah generalisasi dari Boolean satisfiability (SAT), menambahkan penalaran persamaan, aritmatika, bitvectors ukuran tetap, array, quantifiers, dan teori orde pertama yang berguna lainnya. Pemecah SMT adalah alat untuk menentukan kepuasan (atau validitas ganda) formula dalam teori-teori ini. Ini dapat digunakan dalam aplikasi seperti pemeriksaan statis yang diperluas, abstraksi predikat, pembuatan kasus uji, dan pemeriksaan model terbatas pada domain tak terbatas.
Validator formal Z3 (Z3Prover) adalah pemecah SMT baru yang dikembangkan oleh Microsoft di Amerika Serikat. Tujuannya adalah untuk memecahkan masalah yang muncul dalam verifikasi perangkat lunak dan analisis perangkat lunak, dan mengintegrasikan berbagai karya penelitian teoretis terbaru dan komprehensif dan mengimplementasikannya di perpustakaan proyek untuk analisis kode, audit kode, dan sebagainya.
Cortex 2.0 akan memanggil library Z3Prover untuk melakukan verifikasi formal untuk semua kode operator di CVM Runtime. Dengan mendefinisikan skala data dan jangkauan dari input dan atribut konfigurasi dari setiap operator, diverifikasi bahwa output atau hasil perhitungan antara benar secara komputasi dan bebas dari limpahan presisi.
Lebih banyak model AI di Cortex: Set Operator yang Diperpanjang
Serangkaian set operator dan implementasinya ditentukan di pustaka proyek CVM Run time. Dan definisi deskripsi matematis yang ketat dijelaskan di atas, menetapkan logika operator untuk menghitung di bawah input dan output yang diberikan hasil deterministik. Set operator yang didukung mengacu pada arsitektur kerangka kerja pembelajaran mendalam arus utama yang ada dan menggabungkan struktur jaringan yang terlibat dalam model AI yang paling sering digunakan, termasuk operator yang diperlukan seperti con
volution, sepenuhnya terhubung, dan fungsi aktivasi. Saat ini, kerangka eksekusi CVM Runtime yang dikembangkan oleh tim Cortex Labs dapat mendukung penelitian CV visi komputer dan beberapa tugas NLP pemrosesan bahasa alami, di mana CV berisi klasifikasi gambar dan pengenalan objek.
Berdasarkan hal ini, Cortex versi 2.0 bermaksud untuk mengimplementasikan lebih banyak operator dan memperluas set operator untuk melengkapi model AI onchain. Di satu sisi, Cortex 2.0 terus memperhatikan operator baru yang diusulkan oleh akademisi dan industri.
Di sisi lain, Cortex 2.0 memperluas set operator ke bidang pemrosesan bahasa alami (ucapan, semantik, dan teks), menambahkan LSTM , GRU , RNN , TRANSFORMER Operator seperti , BERT dan operator lainnya, yang akan meningkatkan inferensi kemampuan Cortex 2.0 dalam bahasa alami sangat.
Selain operator yang ditetapkan secara resmi, Cortex 2.0 juga akan meluncurkan fungsi operator khusus. Pengguna dapat menyelesaikan operator kustom sesuai dengan protokol dan alat yang disediakan oleh Cortex, dan mengunggah operator ke perpustakaan operator Cortex untuk ekstensi. Itu memperluas rentang yang ditentukan pengguna dari level model ke level operator. Operator yang disumbangkan oleh komunitas dapat secara efektif membuat perpustakaan operator yang praktis untuk memenuhi kebutuhan mereka.
Selain itu, untuk pertimbangan kebenaran dan keamanan dengan operator yang ditentukan pengguna, basis kode CVM Runtime akan menggabungkan operator yang disesuaikan hanya setelah menyelesaikan deskripsi simbol matematika dan verifikasi formal kode.
Konsensus Bukti Kerja yang Adil: RandomAI
Untuk waktu yang lama, ide onemachineonevote dalam komunitas cryptocurrency belum terwujud karena desain chip ASIC yang mahal yang meningkatkan rasio akselerasi komputasi. Masyarakat dan akademisi memiliki
menjelajahi banyak algoritma kemacetan memori agar lebih ramah terhadap penambangan GPU dan CPU tanpa menghabiskan banyak uang untuk peralatan penambangan khusus seperti ASIC. DaggerHashimoto dari Ethereum dan Equihash dari Zcash adalah di antara praktik algoritmik yang berfokus pada penambangan GPU.
Rantai Cortex akan terus memprioritaskan onemachineonevote. Cortex 1.0 mengadopsi skema proofofwork berdasarkan Cuckoo Cycle [18] untuk mempersempit kesenjangan kecepatan antara CPU dan mesin penambangan khusus. Di Cortex 2.0, algoritma RandomAI POW akan diselidiki dan dirancang untuk memastikan keadilan dari algoritma konsensus.
Keuntungan signifikan dari CPU tujuan umum dibandingkan mesin penambangan ASIC adalah keserbagunaan dalam mengeksekusi kode, sehingga algoritma PoW yang akan digunakan harus dinamis. RandomX yang ada menghasilkan program kalkulasi acak, membutuhkan node untuk menyelesaikannya, dan menyerahkan hasil konversi sebagai bukti kerja. Program perhitungan acak ini dapat meningkatkan keunggulan CPU dibandingkan mesin penambangan ASIC.
Cortex 2.0 akan didasarkan pada konsep algoritma RandomX dan desain algoritma proofofwork Ran domAI. Seperti yang ditunjukkan pada gambar 2, RandomAI memiliki tiga tahap. Berdasarkan informasi dari blok sebelumnya (keadaan memori tidak teratur), tahap pertama menggunakan operator CVM yang telah ditentukan untuk menghasilkan jaringan dan data acak.
Pada tahap kedua, data acak dimasukkan ke dalam jaringan acak untuk mendapatkan hasil inferensi, dan tahap ketiga mengubah hasil inferensi ke dalam format standar bukti kerja untuk diserahkan. Untuk memenuhi persyaratan spesifik dari hasil POW, proses pembuktian perlu diulang, terus-menerus menghasilkan jaringan simulasi yang berbeda untuk dicoba.
Dalam proses ini, karena adanya jaringan simulasi acak, tidak dapat dipercepat oleh mesin penambangan sirkuit yang dibuat khusus. Oleh karena itu, algoritma pembuktian beban kerja RandomAI dapat secara efektif memotivasi node dalam jaringan untuk menggunakan CPU dan GPU tujuan umum untuk sertifikasi beban kerja, meningkatkan tingkat desentralisasi untuk Cortex.
Lingkungan Eksekusi Tepercaya: Cortex Enclave
SGX (Software Guard Extensions) yang diusulkan oleh Intel Corporation adalah solusi populer dalam banyak desain komputasi tepercaya. Ini bertujuan untuk memecahkan masalah komputasi jarak jauh yang aman melalui perangkat keras tepercaya.
Perangkat keras tepercaya akan membuat Enklave wadah aman khusus tempat pengguna layanan komputasi memuat perhitungan beban dan data ke wadah aman, dan SGX melindungi privasi dan keamanan data saat melakukan penghitungan.
Cortex 2.0 akan membangun lingkungan eksekusi tepercaya berdasarkan SGX untuk mengeksekusi inferensi model AI pada rantai Cortex. Di satu sisi, SGX dapat memastikan kebenaran inferensi model AI.
Setiap kali sebuah node menyelesaikan inferensi model AI dan mengemasnya ke dalam blok, node lain tidak perlu mengulangi perhitungan inferensi model yang kompleks. Tanda tangan SGX dapat disertifikasi untuk memastikan bahwa hasil perhitungan sudah benar.
Ini mengurangi overhead komputasi yang disebabkan oleh eksekusi berulang dari model inferensi. Di sisi lain, SGX dapat menjamin privasi data. Pengguna dapat menggunakan mode privasi untuk melakukan perhitungan nonpublik di SGX. Data pribadi ini tidak pernah dapat diperoleh secara eksternal, dan itu memberikan dukungan privasi untuk model dan data.
Atas dasar ini, Cortex 2.0 berencana untuk meningkatkan SGX dan meluncurkan Cortex Enclave, lingkungan eksekusi tepercaya yang menggabungkan perangkat lunak dan perangkat keras.
Bagian perangkat keras dari Cortex Enclave diimplementasikan berdasarkan arsitektur RiskV dan menyediakan enkripsi data di tingkat perangkat keras.
Selain itu, untuk mendukung ekosistem onchain yang kaya dari Cortex 2.0, Cortex Enclave bermaksud untuk menyematkan operator AI yang diformalkan di atas untuk mempercepat dan mengoptimalkan operator dari tingkat perangkat keras, sehingga meningkatkan efisiensi inferensi model AI di Cortex 2.0.
Cortex Enclave termasuk modul perlindungan enclave, eksekusi kontrak pintar
perangkat, dan modul enkripsi. Modul perlindungan enklave membangun lingkungan komputasi tepercaya pada chip untuk memastikan keandalan semua data dan tindakan eksekusi, termasuk namun tidak terbatas pada pelaksanaan kontrak pintar, tanda tangan data, pengumpulan data sensor, dll.
Unit konversi decoding menerima input kode biner dari luar dan menggunakan perangkat decoding untuk mendeanalisis kode biner ke dalam urutan primitif kontrak.
Dengan memanggil fungsi makna primitif yang telah disematkan, ia kemudian mengubah urutan primitif yang dianalisis terbalik menjadi kode instruksi. Unit eksekusi instruksi mem-parsing kode instruksi untuk dieksekusi. Hasil pemrosesan dari unit eksekusi instruksi diserahkan kepada koprosesor enkripsi untuk ditandatangani dan dienkripsi.
Chip komputasi tepercaya dapat memastikan keandalan dalam prosedur prediksi dan meningkatkan efisiensi eksekusi semua kontrak cerdas Turingcomplete pada saat yang sama untuk dipanggil oleh server. Solusi teknis ini telah memperoleh paten terkait.
Sistem File Terdistribusi
Sistem penyimpanan merupakan komponen penting dalam setiap rantai publik. Rantai publik tradisional menggunakan struktur penyimpanan data blok yang ditautkan, dan lapisan bawah menggunakan basis data pasangan nilai kunci seperti levelDB untuk menyimpan data.
Sistem penyimpanan ini memastikan bahwa semua data melewati konsensus seluruh node jaringan, memastikan konsistensi dan modifikasi yang tidak mudah rusak. Namun, karena redundansi yang tinggi, sistem penyimpanan ini memiliki hambatan kinerja dan keterbatasan kapasitas, sehingga sulit untuk menyimpan model dan set data AI.
Cortex telah merancang sistem penyimpanan yang kompatibel untuk tipe data yang berbeda, termasuk keamanan tinggi, penyimpanan onchain redundansi tinggi, yang mengadopsi sistem penyimpanan pasangan nilai kunci tradisional; dan sistem file terdistribusi dengan akses skala besar dan cepat yang menggunakan Sistem File Torrent, memanggil perpustakaan libtorrent, dan mentransmisikan model dan data secara dinamis melalui jaringan DHT. Itu akan
memastikan keadaan konsistensi akhir dari model dan data. Abstraksi yang dirancang dengan baik oleh Cortex memungkinkan penggunaan sistem penyimpanan nilai kunci apa pun untuk menyimpan model dan data. Lapisan abstraksi penyimpanan data Cortex tidak bergantung pada solusi penyimpanan terdistribusi tertentu. DHT dan IPFS keduanya dapat diterapkan untuk memecahkan masalah penyimpanan.
Kapasitas penyimpanan Cortex saat ini dapat mendukung sebagian besar aplikasi umum seperti gambar, suara, teks, dan video pendek, dan cukup untuk mencakup sebagian besar ios skenario AI. Untuk model dan data yang melebihi batas penyimpanan saat ini, seperti data pemindaian holografik medis, yang dapat mencapai puluhan GB per bagian data,
Cortex 2.0 akan mendukungnya dengan meningkatkan batas penyimpanan. Versi Cortex 2.0 bermaksud untuk memperluas sistem file terdistribusi yang mendasarinya, dan meningkatkan skalabilitas rantai Cortex dan kinerja transmisi dan penyimpanan di lapisan penyimpanan dengan mendukung lebih banyak proyek seperti IPFS dan database.
CortexFlow Kerangka AI Offchain
Pengembang model telah terbiasa menyelesaikan pengembangan dan pelatihan model dalam kerangka kerja AI arus utama yang ada seperti TensorFlow dan Py Torch. Cortex telah membuat Model Representation Tool (MRT) untuk membantu pengembang model mengunggah model ke rantai dengan cepat dan nyaman. MRT mewujudkan migrasi yang sederhana dan efisien dari model AI tradisional ke model AI onchain dengan determinisme model AI.
Ada banyak batasan pada penelitian kuantitatif model AI di bawah kerangka tradisional. Alasan mendasar adalah bahwa mereka tidak memiliki solusi yang lengkap secara teoritis untuk konsistensi eksekusi model floatingpoint, yang menyebabkan desain ulang kerangka eksekusi AI titik tetap: CVM Run time dan realisasi alat migrasi MRT. Cortex 2.0 berencana untuk mengembangkan
Kerangka kerja AI CortexFlow, termasuk namun tidak terbatas pada pelatihan, eksekusi, dan penerapan, untuk membantu pengembang model berkontribusi lebih baik dalam ekosistem Cortex.
CortexFlow, kerangka kerja AI yang diusulkan oleh Cortex 2.0, berisi banyak komponen seperti pengembangan model, pelatihan, pengujian, dll. Model dapat dibangun secara langsung menggunakan serangkaian operator verifikasi formal yang didukung oleh Cor tex 2.0.
Dan operator yang ditentukan pengguna dapat diimpor ke set setelah melewati verifikasi formal. Dalam proses pelatihan model, dibandingkan dengan metode pelatihan model tradisional, CortexFlow secara otomatis menambahkan proses titik tetap selama proses pelatihan.
Kemudian proses penerapan akan secara otomatis mengubah parameter yang diperoleh dari pelatihan menjadi model titik tetap yang dapat dijalankan pada rantai, dan secara efektif memastikan akurasi model untuk memenuhi persyaratan aplikasi dalam skenario industri.
Model yang dikembangkan dan dilatih oleh CortexFlow dapat langsung diterapkan ke CVM Runtime untuk inferensi tanpa modifikasi apa pun. Pada saat yang sama, CortexFlow juga menyediakan kumpulan data uji publik untuk membantu pengujian model. Bagian dari dataset berasal dari rantai Cortex 2.0, yang memungkinkan pengguna untuk merancang model AI dari data onchain.
Privasi untuk Model dan Data
Keterbukaan dan transparansi blockchain merupakan ancaman terhadap privasi data pengguna. Di bidang AI, parameter model dan data pelatihan/pengujian semuanya dapat berupa data pribadi. Mengandalkan penyimpanan terdistribusi saja dapat memberikan ketersediaan data, tetapi bukan privasi data. Untuk mengatasi hal ini, Cortex 2.0 menyediakan rangkaian lengkap solusi perlindungan privasi, termasuk privasi data dan privasi model.
Dengan bantuan Cortex Enclave, Cortex 2.0 dapat membantu pengguna menyimpan model atau data mereka di Enclave untuk melindungi privasi. Node lain dapat memasukkan data ke dalam Enclave, dan Enclave mengeksekusi inferensi dan mengembalikan hasilnya. Skema ini
menjamin model pengguna, privasi data, dan kebenaran hasil yang disimpulkan dengan bantuan model Enclave.
Cortex 2.0 bermaksud menggunakan Enclave, enkripsi homomorfik sepenuhnya, dan bukti pengetahuan nol untuk maju secara bersamaan. Untuk model AI publik, pengguna dapat menyimpulkan hasil dan menghasilkan bukti tanpa pengetahuan secara lokal, lalu mengunggah bukti ke node ke verify dan sinkronisasi.
Pengguna dapat memilih mode enkripsi homomorfik sepenuhnya untuk privasi model AI. Pertama, lakukan enkripsi homomorfik pada data yang disimpulkan, lalu unggah data terenkripsi untuk node untuk inferensi. Perhatikan bahwa hasil terenkripsi dapat didekripsi kembali ke hasil yang benar.
Rantai Silang
Dengan munculnya semakin banyak sistem blockchain, interoperabilitas antara beberapa sistem blockchain menjadi isu penting. Kemampuan lintas rantai meneruskan transaksi atau panggilan kontrak pada rantai sumber ke rantai target. Menurut yayasan kepercayaan crosschain, ada tiga jenis teknologi crosschain: pertukaran atom, mekanisme notaris, dan mekanisme relai .
Pengoperasian pertukaran atom terlalu rumit, terbatas pada pertukaran aset pada rantai dan tidak mungkin untuk menyelesaikan panggilan kontrak lintas rantai. Dalam mekanisme notaris, node tepercaya memantau peristiwa tertentu di rantai sumber dan mengirim operasi yang sesuai ke rantai target.
Sifat tanda diverifikasi oleh kontrak untuk memastikan keamanan, dan sebagian besar node notaris diharuskan untuk dipercaya.
Mekanisme relai mengimplementasikan node ringan dari rantai sumber melalui kontrak pintar pada rantai target dan memverifikasi catatan transaksi ke rantai sumber. Jembatan rantai silang pada mekanisme relai tidak perlu mempercayai simpul relai.
Cortex 2.0 akan meningkatkan interoperabilitas rantai Cortex dengan blockchain lainnya sistem dengan membangun jembatan lintas rantai sehingga kemampuan AI di Cortex dapat diberikan ke lebih banyak aplikasi berdasarkan infrastruktur blockchain lainnya.
Aplikasi pada sistem blockchain lain dapat menggunakan jembatan rantai silang untuk memanggil kontrak AI pada rantai Cortex untuk inferensi AI, dan kemudian mengembalikan hasil inferensi ke blockchain untuk menyelesaikan fungsinya.
Cortex 2.0 pertama-tama akan menerapkan jembatan rantai silang dengan mekanisme notaris simpul tunggal untuk mendukung rantai silang aset dua arah. Kemudian Cortex 2.0 akan mewujudkan jembatan crosschain pada mekanisme notaris multinode, yang mendukung panggilan kontrak dua arah, dan memberikan keamanan melalui multisignature. Terakhir, Cortex 2.0 akan mengimplementasikan jembatan rantai silang dari mekanisme relai untuk lebih meningkatkan keamanan jembatan rantai silang.
Aplikasi
AI DAO
DAO (Organisasi Otonom Terdesentralisasi) yang ada memiliki batasan tertentu dalam hal ekspresi fungsi dan skenario penggunaan karena batasan yang mendasari kontrak pintar. Cortex 2.0 akan meluncurkan AI DAO, mempromosikan pengembangan organisasi otonom terdesentralisasi dari dua arah: DAO di AI dan AI di DAO.
DAO di AI
Di bidang AI, platform terpusat seperti Kaggle mengadakan kompetisi AI untuk mendorong inovasi dan pengembangan model AI. Platform ini menyediakan kumpulan data bagi kontestan untuk memecahkan masalah tertentu. Kompetisi sering menarik pengembang AI
operator dari seluruh dunia untuk berpartisipasi dalam kompetisi, dan mengirimkan hasil prediksi mereka untuk peringkat dan hadiah. Namun, kompetisi AI yang diadakan oleh platform terpusat memerlukan data dari perusahaan untuk dikirimkan ke platform untuk penilaian, yang menyulitkan untuk memastikan privasi data. Selain itu, peserta harus mengirimkan model mereka ke platform yang sulit untuk memastikan privasi model.
Proyek Numer.ai mencoba menyediakan kumpulan data terenkripsi untuk pengembang model untuk mengembangkan model mereka. Pengembang kemudian dapat berpartisipasi dalam kompetisi dengan mengirimkan data hasil prediksi atau model untuk peringkat dan menerima hadiah mata uang kripto. Proyek Numer.ai mengadopsi konsep DAO, tetapi proses pelatihan model, prediksi, dan penawaran perusahaan tidak dapat diawasi dan disertifikasi melalui blockchain, dan masih memerlukan lembaga terpusat untuk operasi dan jaminan kredit.
Dalam skenario ini, Cortex 2.0 mendukung implementasi kompetisi AI terdesentralisasi dalam bentuk DAO dan melindungi privasi dan keamanan model dan data. Penyedia data dapat melindungi data melalui enkripsi homomorfik sepenuhnya. Tim yang berpartisipasi menyelesaikan pelatihan dan inferensi model offchain dan menyimpan hasil dan bukti di blockchain.
Solusi ini memecahkan dua masalah penting antara pemilik model AI yang ada dan pemilik data. Di satu sisi, dapat melindungi privasi pemilik data melalui enkripsi homomorfik, dan model yang diinginkan dapat diperoleh tanpa memaparkan data. Pada saat yang sama, juga menghindari potensi risiko kebocoran privasi pengguna.
Di sisi lain, dapat melindungi privasi model pemilik model dan memastikan kebenaran hasil perhitungan. Pemilik model tidak perlu menyediakan model. Melalui hasil perhitungan dan pembuktian model Cor tex 2.0 zeroknowledge AI, pembuktian kebenaran dapat diselesaikan sekaligus melindungi privasi.
AI di DAO
DAO saat ini hanya menggunakan kode kontrak tetap bawaan dan membantu organisasi untuk mengatur melalui pemungutan suara dalam sejumlah kecil pilihan. Kemampuan kontrak pintar sangat membatasi pengembangan DAO. Cortex 2.0 menyediakan model AI onchain lengkap, yang memungkinkan DAO mencapai otomatisasi dan manajemen cerdas dalam lebih banyak aspek, dan lebih jauh mewujudkan keputusan independen.
Misalnya, DAO yang ada perlu merancang mekanisme seperti memegang token atau NFT untuk menyaring anggota DAO. Mekanisme sederhana ini dapat menyebabkan bahaya seperti serangan sybil, sementara mekanisme kompleks menghadapi pembatasan blok dan biaya tinggi pada blockchain yang ada.
Model AI Cortex 2.0 dapat memecahkan masalah ini secara efisien dengan mengumpulkan semua transaksi historis dan data relatif anggota DAO di blockchain. Model dapat dengan cepat mengetahui apakah anggota dapat diterima oleh DAO. Selain itu, dengan menggunakan berbagai operasi anggota di DAO sebagai umpan balik, AI DAO dapat mempelajari lebih lanjut berbagai perilaku organisasi. Dengan peningkatan data, AI DAO dapat menggantikan manusia dalam lebih banyak skenario untuk menyelesaikan keputusan yang cerdas.
Game AI Onchain
Game blockchain yang ada dibatasi oleh fungsi dan kinerja kontrak pintar, dan hanya dapat menerapkan logika game sederhana. Model AI yang didukung oleh Cortex memberikan game desain yang lebih kaya dan gameplay yang lebih canggih. Model AI memberikan penilaian yang lebih logis dalam game, meningkatkan kesenangan dan kemudahan bermain dalam game.
Misalnya, CryptoKitties menggunakan kontrak sederhana dan nomor acak pada rantai untuk menyelesaikan kombinasi gen saat membiakkan keturunan. Logika ini sim
ple dan mudah diimplementasikan, tetapi pemutarannya tidak mencukupi. Cortex 2.0 dapat meningkatkan kemampuan bermain CryptoKitties pada rantai melalui model AI. Kombinasi keturunan dapat membaca data transaksi historis kucing kripto di rantai, dan mendapatkan gameplay kombinasi gen yang lebih kaya melalui model.
Layanan keuangan AI Onchain
Agregator AI DeFi
Dibandingkan dengan agregator DeFi tradisional, Cortex 2.0 menyediakan agregator AI DeFi. Ini tidak hanya mengevaluasi profitabilitas setiap protokol DeFi, tetapi juga mengevaluasi potensi risiko di balik setiap protokol DeFi yang cenderung diabaikan oleh pengguna.
Agregator AI DeFi menggunakan kemampuan inferensi AI untuk membuat keputusan komprehensif tentang strategi dan portofolio investasi.
Mulai dari data asli pada rantai protokol DeFi, serangkaian fitur tingkat tinggi seperti sentralisasi, likuiditas, dan agunan dihitung. Skor setiap proyek investasi akhirnya diperoleh dan portofolio investasi optimal diperoleh dengan model yang dilatih.
Hasil inferensi gabungan diberikan ke kontrak pintar Ethereum oleh jembatan lintas rantai, dan dapat secara otomatis diinvestasikan di berbagai platform DeFi. Solusi ini menawarkan evaluasi investasi lengkap, konsultasi, dan layanan operasi bagi pengguna.
Selain itu, investor hanya perlu menjawab beberapa kuesioner investasi di platform, dan model AI dapat menilai preferensi risiko investor, menggabungkan dengan hasil peringkat AI dari platform DeFi, menentukan rencana pengelolaan keuangan, dan secara otomatis menghasilkan kepribadian akhir Dioptimalkan portofolio lokasi investasi. Seluruh proses hanya memakan waktu beberapa menit, yang mencapai transparansi, efisiensi, dan pencocokan akurat dari tujuan pengelolaan aset pengguna.
Sekilas Kesimpulan tentang Korteks
Mesin Virtual Cortex
CVM kompatibel dengan EVM dengan dukungan tambahan untuk inferensi AI on-chain, yang menggunakan GPU alih-alih CPU untuk mengeksekusi model AI nontrivial pada rantai Cortex.
Mesin Inferensi AI – Sinapsis
Mesin inferensi deterministik yang menjamin hasil inferensi AI yang persis sama di seluruh lingkungan komputasi heterogen, memungkinkan inferensi AI on-chain deterministik tanpa menggunakan solusi off-chain.
Kontrak Cerdas AI dan AI DApp
Cortex menambahkan dukungan pembelajaran mesin ke kontrak pintar dan DApps untuk beradaptasi dengan kasus penggunaan dunia nyata. Pengembang dapat menggunakan bahasa populer Solidity dan model AI siap pakai pada lapisan penyimpanan Cortex untuk membuat DApps dan kontrak pintar yang disempurnakan dengan AI.
Desentralisasi Penelitian AI
Cortex berupaya untuk mendorong ekosistem open-source di mana peneliti dan pengembang AI diberi insentif lebih dari sebelumnya untuk berbagi model mereka dengan dunia.
Apa yang sedang kami pecahkan?
Sebelum Cortex, tidak ada cara yang diketahui untuk mengeksekusi model pembelajaran mesin on-chain secara efisien dan deterministik.
DApps yang menyertakan model pembelajaran mesin harus menggunakan inferensi off-chain, yang mengalahkan tujuan kontrak pintar. Cortex telah memecahkan masalah ini – terutama melalui CVM (yang menggunakan GPU alih-alih CPU) dan MRT (kuantisasi dan inferensi bilangan bulat saja).
Seperti yang Terlihat Di Blockchain Korteks
Cortex Blockchain adalah blockchain publik open source yang berusaha untuk memecahkan salah satu tantangan terbesar yang dihadapi blockchain seperti Bitcoin dan Ethereum saat ini – eksekusi AI on-chain.
Cortex Virtual Machine (CVM) adalah kerangka kerja yang memungkinkan inferensi pembelajaran mesin yang efisien pada blockchain Cortex. Ini memungkinkan integrasi model pembelajaran mesin ke dalam kontrak pintar dan dApps.
AI di Ekosistem Blockchain
Kami telah mengajukan mekanisme yang mendorong pengembang AI untuk menyimpan model di blockchain. Ini menciptakan ekosistem terbuka di mana pengembang AI individu, bukan hanya perusahaan besar, diberi insentif untuk mengunggah model AI mereka ke blockchain, dan pengembang Dapp memiliki akses untuk memilih dari model AI terbaik di dunia. Persaingan antara penyedia model AI secara alami akan mengarah pada evolusi model AI yang lebih baik dan lebih baik.
Kami telah membentuk AI di ekosistem Blockchain, di mana eksekusi model AI secara on-chain tidak lagi menjadi kemungkinan teoretis, peneliti AI diberi penghargaan untuk sumber terbuka model mereka, dan pengembang dApp dapat mengintegrasikan AI ke dalam kontrak pintar mereka untuk membangun aplikasi yang luar biasa.
Tokenomics
Selain ekosistem tradisional pengembang, pengguna, dan penambang dApp, Cortex menghadirkan pemain baru ke dalam ekosistem: pengembang AI.
Cortex telah mengajukan mekanisme yang memberi insentif kepada pengembang AI untuk menyimpan model di blockchain. Ini menciptakan ekosistem bagi pengembang AI individu untuk memonetisasi model AI mereka di blockchain di mana pengembang dApp memiliki akses ke model AI terbaik di dunia dan memiliki kebebasan untuk memilih. Persaingan dalam ekosistem antara penyedia model AI secara alami akan mengarah pada evolusi model AI yang lebih baik dan lebih baik.
Dimana anda bisa membeli Cortex coin ?
Cortex memiiki maksimal pasokan 299.792.458 koin CTXC.
Jika Anda ingin tahu di mana membeli Cortex dengan kurs saat ini, pertukaran cryptocurrency teratas untuk perdagangan saham Cortex saat ini adalah Binance, OKX, MEXC, Huobi Global, dan CoinW.
Referensi : Cortex Whitepaper
Post a Comment