The Graph 如何擴展成為 AI 驅動的 Web3 基礎設施

d 可以幫助用戶撰寫能獲得更多讚的帖子。

這種方法使開發者能夠輕鬆利用 The Graph 的基礎設施，在 The Graph 網絡上託管預訓練模型，並通過 API 接口將其集成到應用程序中，讓用戶在使用 dApps 時能夠直接體驗這些功能。

為了給開發者提供更多選擇和靈活性，The Graph 的推理服務支持大多數現有的流行模型。白皮書中寫道：「在 MVP 階段，The Graph 的推理服務將支持一組篩選過的流行開源 AI 模型，包括 Stable Diffusion、Stable Video Diffusion、LLaMA、Mixtral、Grok 和 Whisper 等。」未來，任何經過充分測試和索引器運行的開放模型都可以部署在 The Graph 推理服務中。此外，為了減少部署 AI 模型的技術複雜性，The Graph 提供了一個用戶友好的界面，簡化了整個過程，使開發者能夠輕鬆上傳和管理他們的 AI 模型，而不必擔心基礎設施維護。

為了進一步提升模型在特定應用場景中的性能，The Graph 還支持針對特定數據集進行模型微調。然而，需要注意的是，微調通常不在 The Graph 上進行。開發者需要在外部微調模型，然後使用 The Graph 的推理服務進行部署。為了鼓勵開發者公開微調後的模型，The Graph 正在開發激勵機制，例如在模型創建者和提供模型的索引器之間合理分配查詢費用。

在驗證推理任務執行方面，The Graph 提供了多種方法，如可信權威、M-of-N 共識、交互式欺詐證明和 zk-SNARKs。這四種方法各有優缺點。可信權威依賴於可信實體；M-of-N 共識需要多個索引器進行驗證，這增加了作弊的難度，同時也增加了計算和協調成本；交互式欺詐證明更安全，但不適合需要快速響應的應用；而 zk-SNARKs 實現起來更複雜，不適合大型模型。

The Graph 認為，開發者和用戶應該有權根據自己的需求選擇適當的安全級別。因此，The Graph 計劃在其推理服務中支持多種驗證方法，以適應不同的安全需求和應用場景。例如，在涉及金融交易或重要業務邏輯的情況下，可能需要使用更安全的驗證方法，如 zk-SNARKs 或 M-of-N 共識。對於一些低風險或娛樂應用，可以選擇成本較低且實現簡單的驗證方法，如可信權威或交互式欺詐證明。此外，The Graph 還計劃探索增強隱私的技術，以改善模型和用戶的隱私問題。

代理服務：幫助開發者構建自主 AI 驅動的應用程序

相比主要運行訓練後 AI 模型進行推理的推理服務，代理服務更為複雜，需要多個組件協同工作，以使這些代理能夠執行一系列複雜且自動化的任務。The Graph 代理服務的價值主張是將代理的構建、託管和執行集成到 The Graph 中，並提供來自索引器網絡的服務。

具體而言，The Graph 將提供一個去中心化網絡來支持代理的構建和託管。一旦代理部署在 The Graph 網絡上，The Graph 索引器將提供必要的執行支持。

包括索引數據、回應鏈上事件和其他互動請求。

如上所述，The Graph 核心開發團隊 Semiotic Labs 推出了早期的 Agent 實驗產品 Agentc，該產品結合了 The Graph 的索引軟件堆棧和 OpenAI。其主要功能是將自然語言輸入轉換為 SQL 查詢，允許用戶直接查詢區塊鏈上的實時數據，並以易於理解的形式向用戶展示查詢結果。簡而言之，Agentc 專注於為用戶提供便捷的加密貨幣市場趨勢分析和交易數據查詢。其所有數據來自於以太坊上的 Uniswap V2、Uniswap V3、Uniswap X 及其分叉，價格每小時更新一次。

此外，The Graph 還表示，The Graph 使用的 LLM 模型的準確率僅為 63.41%，因此存在回應錯誤的問題。為了解決這一問題，The Graph 正在開發一種新的大型語言模型，稱為 KGLLM（Knowledge Graph-enabled Large Language Models）。

KGLLM 可以通過使用 Geo 提供的結構化知識圖譜數據顯著降低生成錯誤信息的概率。Geo 系統中的每個聲明都由鏈上時間戳和投票驗證支持。整合 Geo 的知識圖譜後，代理可以應用於多種場景，包括醫療法規、政治發展、市場分析等，從而提高代理服務的多樣性和準確性。例如，KGLLM 可以使用政治數據為去中心化自治組織（DAO）提供政策變更建議，並確保這些建議基於當前和準確的信息。

KGLLM 的優勢還包括：

使用結構化數據：KGLLM 使用結構化的外部知識庫。信息在知識圖譜中以圖形形式建模，使數據之間的關係一目了然，因此查詢和理解數據變得更加直觀；
關係數據處理能力：KGLLM 特別適合處理關係數據，例如，它可以理解人與人之間的關係、人與事件之間的關係等。並且它使用圖遍歷算法通過在知識圖譜中跳過多個節點來查找相關信息（類似於在地圖上移動）。這樣，KGLLM 可以找到最相關的信息來回答問題；
高效的信息檢索和生成：通過圖遍歷算法，KGLLM 提取的關係被轉換為模型可以理解的自然語言提示。通過這些清晰的指令，KGLLM 模型可以生成更準確和相關的答案。

展望

作為 Web3 的“Google”，The Graph 利用其優勢彌補了當前 AI 服務的數據短缺，並通過引入 AI 服務簡化了開發人員的項目開發過程。隨著更多 AI 應用的開發和使用，用戶體驗有望進一步提升。未來，The Graph 開發團隊將繼續探索人工智能與 Web3 結合的可能性。此外，其生態系統中的其他團隊，如 Playgrounds Analytics 和 DappLooker，也在設計與代理服務相關的解決方案。