FET / Fetch.ai
$1.264
(USDT)数据更新时间:2024-11-21 20:52:14
中文名称 | FET | 币种简称 | FET |
英文名称 | Fetch.AI | 核心算法 | Ethash |
共识机制 | 基础链 | Ethereum | |
众筹价格 | 发行价格 | $0.086700 | |
区块时间 | 区块奖励 | ||
挖矿方式 | 上架交易所 | 25家 | |
概念板块 | 代币 / AI人工智能 / IEO概念 / Cosmos生态 / Coinbase Pro综合 |
Fetch.AI(FET币)结合机器学习(ML)和人工智能(AI)、多代理系统、去中心化分类账本技术,旨在搭建经济互联网。借助切实的指引和预测,经济活动部件(诸如数据、硬件、服务、人员和基础设施)的数字代理能够高效完成工作。Fetch致力将自治化系统普及所有市场。目前,市场自治进程需要投入大量人力物力;而自动化经济交易有助市场高效顺畅地运转。根据Fetch的愿景,每个人将在Fetch.AI平台上拥有多个经济代理。代理并联或串联运行,为今日乃至未来的复杂问题制定解决方案,将比人工版本更优雅卓越。
Fetch代币是Fetch.AI网络使用定量的可分割代币,作为任何交易或安全通讯等网络运所需的数字货币。此外,节点和代理需要抵押一定代币,换取特定的运营资格(防范恶意行为的安全机制)。
Fetch.ai是一个分散的数字世界,通过将机器学习,高级加密和自治代理部署到区块链来构建未来的数字经济。
我们非常重视构建现实世界的解决方案,因此处于区块链和人工智能技术的最前沿。我们正在研究几个关键领域,包括:
1.使用机器学习,经济学和高级密码技术在各个数据孤岛之间共享知识,并将其潜在应用应用于金融,保险和医疗保健行业。
2.自治代理,用于与交通,智能城市,能源和供应链等部门的多个利益相关者一起优化复杂系统。
3.开发先进的区块链技术,以克服现有实施的安全性和可扩展性挑战。
Fetch.ai将利用云,物联网,边缘计算和5G网络方面的最新进展,从而使复杂的任务自动化在各种消费者和业务应用程序中更容易实现。
机器学习
区块链可用于分散联邦学习算法的分散性,以便这些集体机器学习模型的好处可在多个数据所有者之间共享。
代理商
通过策略,交流,搜索和价值交换来实现经济目标的自治代理人口的简单开发和部署。
密码学
使用针对随机信标和聚合签名的下一代多方计算(MPC)协议提高区块链的速度,效率和安全性。
项目愿景
Fetch的目标是“使需要大量人工干预的市场自动化”
市场需求
随着物联网IOT设备几何级增长,各种设备收集数据呈现分散化、碎片化现象,但现有系统挖掘有价值的数据量并不高,数据变现市场效率在于如何挖掘更多数据价值以及快速匹配数据供给方和需求方.
项目解决方案
Fetch项目瞄准海量数据交易市场,让这些工作交由软件代理去完成,用区块链构建去中心化可信账本,AI/ML智能预测模型提高高价值数据发现及交易效率,OEF框架搭建AEAs之间的交易市场环境及规范,基于Fetch网络降低整个数据交易市场的摩擦成本。
项目实现机制
在网络运行上引入了AEA智能经济体和OEF经济架构,过程采用了智能学习和开发算法,从而将孤立在世界各地的数据经济体相互连接,智能执行,随着参与人群的增多,网络变得更加高效。
Fetch.AI(FET)代币用作Fetch.AI网络上的价值交换。它是所有交易手续费的付款方式,也是在账上注册的可退款方式,代币也可以被质押以保护整个网络。
采用算法
Fetch采用uPoW,即有效工作量证明。uPoW更像PoW和PoS的结合,Fetch通过PoS协议产生新区块,交易由两个块确认记录在有向无环图DAG上,PoW区块链网络再对DAG交易记录进行全网验证,网络不再存在IOTA等有向无环图(DAG)区块链中的coordinator角色。
uPoW主要解决比特币网络PoW工作量证明大量无效算力浪费以及算力集中的现象,Fetch网络由聚焦计算到聚焦工作量,允许部分计算力较低的节点通过验证工作也能获得一些区块奖励,Fetch还会调节与交易费用有关的PoW问题难度,低算力节点可以参与小额交易记账获得奖励。值得一提的是,Fetch网络的分布式计算平台算力可以用于训练ML算法。
技术特点
1、AEA自主经济代理:AEE层中的代理是现实中的硬件实体,不需要任何外部的操作就能运行。每一个代理对应一个钱包的地址,用于接收和发送Fetch代币。代理可以分为很多种,比如存在于硬件设备中的控制器(在一辆自动驾驶车中,代理就是告诉汽车如何开的设备)。买方代理发出一个购买数据请求到OEF层后,OEF层会把购买申请告诉拥有相应数据的卖方代理,卖方代理同意并发送数据,由OEF层转发给买方。
2、独特的UPOW(USEFULPROOF-OF-WORK)共识算法:简单来讲就是弄了一条PoW的主链,然后结合分片技术把数据打包在这条主链上,每个分片采用的是DAG系统。这样做的目的是用DAG确认有价值的事务,节省出网络中的算力来训练AI。