我们的任务

我们的任务是建立自治软件代理所需的基础架构,以组织复杂的任务以使个人,企业和组织受益。


并通过我们可互操作的分散式网络和开源软件工具,使任何人都能使用AI的强大功能。

介绍

Fetch.ai正在开发技术以推动机器对机器的经济发展。这包括新颖的区块链和使用多代理系统技术构建脱链协议的通用框架。该代理框架可用于oracle,链间传输,状态通道和许多其他应用程序,并且与Fetch分类帐紧密集成。

高级概述和架构

Fetch.ai生态系统的主要目标是提供完全自主的,基于代理的数字经济。 Fetch.ai技术堆栈是使用源自人工智能分支(称为多代理系统)的原理构建的。这种方法涉及解决以下问题: 自下而上 通过创建在世界范围内执行操作以实现其个人目标的个人自主软件代理。通过组合多个代理的动作,可以实现集中式架构无法实现的结果,因为环境太复杂,空间分布或涉及多个利益相关者。区块链技术涉及激励机制的设计,以成功地协调多个利益相关方的行动以实现一个共同目标,并且已经被视为世界上最成功的多代理系统实施。 Fetch.ai致力于将已建立的研究领域的结果推广并扩展到金融,供应链,移动性,智慧城市和物联网应用的新领域。

Fetch.ai技术堆栈涉及四个不同的元素。这些元素包括:

  • 代理框架,它提供了用于构建多主体系统的模块化和可重用组件。
  • 开放经济框架  提供搜索和发现功能,以使代理能够相互查找,以及用于在代理之间路由消息的对等网络工具。
  • 代理大都会 是在WebAssembly(WASM)VM上运行的智能合约的集合,这些合约维护代理之间的协议的不变记录,并提供各种服务来支持代理应用程序。
  • Fetch.ai区块链 结合了新颖的多方加密技术和博弈论,以提供安全,抵抗审查的共识以及其他功能,例如快速链同步以支持代理应用程序。

系统架构

Fetch.ai区块链支持多种服务,例如质押,治理和身份验证,这些服务支持代理应用程序的部署。区块链基于Cosmos-SDK,可实现与许多其他链的代币互操作性 通过 区块链间通信(IBC)协议。这意味着基于代理的服务可以部署在其他网络上,例如以太坊,Cosmos和币安智能链。

Fetch.ai分类帐

Fetch.ai v2.0分类帐使用Cosmos-SDK构建,并继承了Cosmos生态系统的许多功能。 Fetch.ai正在与其他Cosmos项目合作,尤其是与 Cosmwasm 虚拟机。我们将在2021年第一季度末启动v2.0主网,并计划在我们的代币和ERC-20代币之间具有完全的互操作性 通过 基于 Peggy的链间桥。

Fetch.ai共识基于Cosmos Tendermint实施,但与Cosmos的权益证明实施及其Tendermint共识协议相比,存在一些差异和改进。这些是:

  • 一种 分散式随机信标(DRB) 用于选择区块生成节点的。这增加了协议对分布式拒绝服务(DDoS)攻击的抵抗力,并为智能合约应用程序提供了强大的伪随机性来源。
    Fetch分类帐和 Tendermint 链之间的技术差异的主要结果是,验证者进入共识后会导致生成新的共享私钥,该私钥用于生成DRB值。 用于此分布式密钥生成(DKG)阶段的消息在分类账的正常操作期间存储在链上,并且具有比其他事务类型更高的优先级。
  • 紧凑的多重签名,可降低存储成本并加快加入网络的节点的同步。
  • 一种 插槽质押证明共识(sPoS) 可减少共识的计算负担并保护验证程序免受操作节点的困扰。

计划启动Fetch.ai主网络的其他功能包括:

  • 基于sPoS共识和多重签名的聚合签名方案,可进一步提高代理和其他轻客户端与链同步的速度。

一种 最小代理共识 与Tendermint兼容的(MAC)方案,但使用有向无环图(DAG)来消除各个验证者对链记录交易的控制。这提供了审查制度上的阻力,并降低了进行交易前端的可能性。

Cosmwasm虚拟机Cosmwasm

虚拟机将代码编译为Webassembly(WASM)。 Cosmwasm VM比其他虚拟机更快,更安全,并且可以支持以许多不同编程语言编写的智能合约。 Cosmwasm还可以用于在Oracle,脱链扩展和基于边缘的计算等应用程序中执行快速且可验证的计算。

快速链同步

基于代理的系统的重要组成部分是它们必须能够与链快速同步以确定链的状态,以便他们可以决定要采取的行动。 Fetch区块链结合了组合的和聚集的签名,可以使用单个签名来验证许多块,因此每个代理都可以充当轻客户端。

代理身份,搜索,发现和声誉

许多基于代理的系统的必要组成部分是用于代理类型,它们可以提供的服务以及其他相关功能(例如位置)的注册表。对于许多应用程序,代理还必须证明其身份或凭证,例如特定组织的所有权或允许其运行的许可证。其他有用的组成部分是放样机制和信誉机制,用于在没有公认的公共身份的情况下激励代理的良好行为。 Fetch链将部署智能合约,以在链上记录质押,身份和代理服务。可搜索的数据库和数据可用性证明将用于提供对瞬态或快速变化的代理状态的链下更新。

技术信息

可以在以下位置找到Fetch.ai分类帐的源代码 Github,其中还包含安装说明。其中涉及安装Golang,C ++编译器和其他几个C ++密码库。

自治经济代理人

自治经济代理人(AEA)代表个人,组织或客体并照顾其利益。代理独立于其所有者的持续投入而行动,并自主执行行动以实现其既定目标。他们的目的是在明确定义的领域中为您(他们的所有者)创造经济价值。代理范围广泛 应用领域 我们提供 演示指南 突出显示其用例的示例。

专为代理人打造

Fetch区块链的主要目的是充当 “代理人之家”,它具有多种功能,使其特别适合于此目的。它还为将FET代币路由到其他链提供了桥梁,让代币可用于基于代理的服务,例如状态通道,预言机,扩展解决方案和交易代理。

代理注册中心

我们已经为代理和组成代理的组件(例如技能,协议和连接)开发了注册中心。这样一来,您可以比以往更快地利用现有工作并建立代理:在命令行中输入几行,即可添加Google日历,电邮,搜索和发现,谈判技巧等等。此外,所有开发人员都可以参与,将他们的作品提供给其他开发人员。

目的是为开发人员建立有效的 “应用商店”,使您能够以前所未有的方式访问和构建代理。

您可以在此处访问新的网页前端注册中心:
https://aea-registry.fetch.ai/.

代理框架

Agent框架是一个开发套件,当前以Python实现,它为您提供了一组高效且可访问的工具,用于构建和运行代理。该框架是模块化的,可扩展的和可组合的。它尝试使代理程序开发尽可能地简单易用,就像使用流行的网页框架进行网页开发一样。

代理借助针对代理的搜索和发现服务来实现其目标 — 简单开放经济框架(SOEF) —分散的代理人通讯系统– 代理人通讯网络(ACN) — 和使用 Fetch.ai的区块链 作为财务结算和承诺层。 AEA也可以与以太坊等第三方区块链集成。

为什么要使用代理人框架进行构建?

代理人框架为开发人员提供了许多功能,这些功能在其他任何地方都找不到:

  • 点对点 代理人通讯网络(ACN) 允许您的代理人通过公共互联网与所有其他代理人进行交互。
  • SOEF 搜索和发现系统允许您的代理人查找其他代理人。
  • 此 代理人注册中心 通过提供代理程序或其组件,可以共享和重用代码。
  • 框架的 加密和分类帐API 使代理与区块链可以进行交互。
  • 此 合同 软件包使代理能够与Fetch.ai和其他第三方分散式分类帐中的智能合约进行交互。

简单开放经济框架(SOEF)

简单开放经济框架(SOEF)是Fetch.ai针对代理人的搜索和发现系统的最新版本。 代理可以描述他们的外观,以及他们所做的事情以及发现或被其他代理发现。 他们可以语义和/或地理位置上进行搜索,从而指定对他们而言很重要的事物。

探索代理人的世界

SOEF易于使用,Fetch.ai开发了两个演示应用程序以查看其数字世界,一个iOS应用程序和一个网站。这些是开发人员的绝佳工具:创建代理,以及 看到它出现 在Fetch世界中。

前所未有的透明度

在接下来的几个月中,SOEF将会真正实现分散化:在全球设有多个节点,专门研究不同领域或主题。对于代理人来说,这将是一个真正的数字环境,可以在其中导航,探索和存在 任何人 将能够运行一个节点。

集体学习 - Colearn平台

集体学习协议允许学习者合作训练模型,而无需参与者之间信任。学习者对模型的更新进行投票,并且仅更新质量阈值。这使系统能够通过提供错误的更新来尝试干扰使模型更强大。

Colearn是一个数据库 保护隐私 在FET网络上的分散式机器学习任务。

这种由区块链介导的集体学习系统使多个利益相关者可以构建共享的机器学习模型,而无需依赖中央机构,也无需向其他利益相关者透露有关其数据集的敏感信息。

Colearn的目的是使由于隐私问题,缺乏信任或缺乏沟通而无法有效协作的各方之间一起工作。 Colearn的目标是成为一个框架,以简单但有效的方式弥合不同利益相关者之间的鸿沟。

核心组件

当一组实体(称为参与者)决定模型架构并开始学习时,Collearn实验就开始了。他们将一起训练一个单一的全球模型。目的是训练一种模型,该模型的性能要优于任何学习者通过训练其私有数据集所能产生的效果。

核心组件是:

  • 学习者: 每个参与者都是实验中的学习者。学习者代表一个独特的私有数据集和机器学习系统。
  • 全局模型: 集体学习实验的结果:由学习者集体训练的机器学习模型。目前,我们支持神经网络架构。
  • 获取区块链: 底层区块链和智能合约,允许以安全和可审核的方式进行协调和治理。
  • 数据层: 基于IPFS的分散数据层,使学习者之间可以共享机器学习资源。

怎么进行培训

训练是全面进行的;在每个回合中,学习者都试图改善全局共享模型的性能。为此,建议每轮更新全局模型(例如,神经网络中的一组新的权重)。然后,学习者评估更新并确定新模型是否优于当前的全局模型。

如果有足够的学习者批准该更新,则将更新全局模型。批准或拒绝更新后,新的回合开始。

通过使用去中心化分类帐(区块链),可以完全去中心化,安全和可审计的方式运行此学习过程。通过使用差异隐私可以避免在生成更新时公开您的私人数据集,从而提供进一步的安全性。