勇者终局：原生加密基础模型

Pond 正在构建一个用于 Web 3.0 的去中心化图神经网络（GNN）模型。该模型旨在学习链上的行为并预测未来的行为。由领先的数据科学家和机器学习研究者开发，我们的模型是首创的，将支持加密原生的应用场景，如链上交易、利用链上流动性、社交网络、安全等。

链上空间是一个庞大的图网络。我们的愿景是成为首个在广泛应用中整合链上行为模型的项目，以增强 Web 3.0 用户体验，使机器学习链上化的访问更为民主，并将链上流动性提升到一个全新的水平。

接下来，我们将概述链上 AI 的挑战、对 GNN 特定模型的需求，以及 Pond 可能的广泛应用场景。

AI 模型开发永远是勇者的游戏。加入我们的早期生态系统计划，以确保您可以从最初阶段就开始开发和使用该模型，并获得独家奖励。

请在此处填写您对使用我们的模型进行开发或使用的兴趣： https://cryptopond.xyz/question

AI 模型是什么？

AI 模型是一种算法，可以在没有任何人工干预的情况下从给定数据集中学习和做出决策。 它们能够分析大量数据，并随着模型的改进和输入数据量的增长，展示出随时间增强的性能。 通过迭代训练、人工输入、仔细监督和接触不同的数据集，这些模型逐渐变得更加自主，并能够基于它们所获得的模式和知识独立做出决策。.

AI 模型可以为 Web 3.0 提供哪些重大改进呢？

在 Web 3.0 中，链上数据对于优化 AI 模型至关重要。这些数据主要由用户账户和智能合约之间的复杂交互组成，这自然地适用于基于图的表示。钱包、智能合约、DID 等实体在图中形成节点，通过各种类型的边（无论是社交、金融还是其他类型的边）连接。这种固有的图结构反映了区块链内复杂的依赖关系和交互，为分析和预测提供了独特的机会。

利用这些数据创建 AI 模型带来了巨大的机遇。随着这些模型的信息密度和丰富性的增加，我们将看到基于新型 AI 模型的 Web 3.0 应用和集成的激增。

Pond 正在开发一个工业级别的 GNN 模型，并通过合并不同开发者的模型，使他们能够共同合作。

图神经网络（GNNs）是一种专门设计用于处理图相关数据的神经网络架构。就像 GPT 模型是在大量的语言数据上进行训练的，GNNs 则是在大量的图数据上进行训练的。然而，GPT 旨在预测下一个单词，而 GNNs 旨在预测复杂的关系。这支持了一系列广泛的应用场景，我们将在下面详细说明。

价格预测：链上行为模型最直接的应用是评估市场情绪并生成未来的价格预测。

• AI 自动链上交易。
• 从链上动态分析市场情绪。
• 加密资产价格预测。
• 通过集成领先的加密交易市场的 AI 模型，提高市场情报的效率并拉平市场情报的获取门槛。

人工智能金融（AiFi）：将 AI 模型整合到现有的 DeFi 应用中，以及创建新的基元。

• 训练用于价格预测的 AI 模型，以利用 DEX 的流动性，允许人们将流动性添加到 DEX 的 LPs 以增加收益。
• 训练用于开发高级收益策略的 AI 模型。
• 训练用于响应异常链上行为的 AI 模型。
• 预测链上事件的 AI 模型，例如空投、NFT 铸造和代币发布。

DeFi 安全性：使用 AI 模型主动分析链上行为和异常，而不是被动地进行链上安全。

• AI-Agents：使用模型来监控异常的链上行为。
• 消费者应用利用最佳的链上行为模型，将内置安全性作为用户体验的一部分。
• 民主化、简化和增强个人用户的链上审计，以审查异常交易和事件。

链上营销：预测链上行为对于发现链上营销和广告机会具有价值。

• 用模型去分析以链上行为为基础的 Web 3.0 营销技术堆栈。
• 根据用户的链上行为（例如 NFTs、交易、预售参与和收益位置）向用户推广新的协议的模型。
• 结合链上用户行为与社交媒体和外部数据的模型，预测未来的营销机会。
• 使用链上数据的推荐引擎。

Social-Fi 和游戏：预测 social-fi 和游戏应用中的链上行为对游戏开发人员和社交应用都很有用。

• 对链上用户在游戏中的游戏体验和购买游戏内物品模型分析。
• 对用户在 social-fi 应用中的社交行为（例如打赏和铸造）的模型分析，例如 Farcaster。

模型开发过程

AI 模型由一系列数学公式组成。它们的开发需要精心设计，以确保输入产生所需的输出。每种类型的 AI 模型在复杂性、可解释性、可扩展性和对不同任务的适用性方面都有其特点和权衡。例如，在某些情况下，不需要标记数据，而在其它情况下，标记数据是必须的。一些模型通过反复试验来学习最佳决策策略，而另一些模型则专注于学习模式和关系。
模型开发的目标是在功能与准确性之间取得平衡。两个关键要素对于模型开发至关重要：

a） 数据（模型输入）
b） 模型架构

为了说明模型设计与开发过程之间的关系，可将使用镜子将手电筒的光照射到洞穴中的目标的过程作为类比。这里出现了两个重要目标：（1）将镜子定位在正确的角度以反射光线.（2）理解目标的位置。就像实现正确的反射需要理解目标的位置和精确调整镜子一样，开发 AI 模型需要准确的数据解释和对模型结构的精心设计。这是通过持续训练（选择正确的手电筒和其角度）、测试和修改（改变手电筒和其角度）的反馈循环来实现的。

使用链上数据构建 AI 模型

由于模型开发优先于传统数据分析，正如最新的 @ycombinator 批次所示，许多模型已经使用现有框架快速且廉价地构建或微调，我们必须考虑：加密货币应该使用什么 AI 模型？什么是区块链的加密货币原生模型？

构建 AI 模型比您可能想象的更快更便宜 | Y Combinator

首先，原生模型是使用特定行业的固有数据构建的 - 机器人模型使用机器人数据构建，语音模型使用语音数据构建。因此，区块链的基础模型必须从链上数据构建。虽然加密货币领域的模型开发速度因缺乏成熟框架而受到阻碍，但加速进展的关键不仅在于开发这样的框架，还在于重新构想模型本身的本质。

无许可网络的开放性导致在开发用于预测链上行为（钱包之间的交易和活动、钱包与合约之间的交互以及合约与合约之间的交互）的 AI 模型时出现了几个挑战。例如，检测异常行为、开发高级收益策略和创建链上推荐都非常具有挑战性，这是由于用户账户和智能合约之间的复杂交互所致。以下是进一步描述研究人员在基于区块链数据构建加密货币原生模型时面临的挑战。

1. 复杂且嘈杂的高维数据：链上数据通常是非结构化和复杂的，包含大量噪音，使其难以处理和分析。这些数据可能包括各种类型的交易、智能合约、市场异常以及其他需要以适合建模的方式组织和结构化的链上活动。
2. 缺乏标准化数据集：AI 行业通常缺乏标准化的评估框架和基准。在 Web 3.0 中，这一问题进一步恶化，因为大多数协议不会公开分享其基础数据集/代码。每个协议都必须从头开始开发其评估框架。
3. 不断发展的技术：由于无需许可网络的快速变化性质，难以创建随时间保持相关和准确的模型。
4. 链上与链下数据：最强大的模型将需要考虑区块链之外的因素，例如社交媒体活动和宏观经济市场影响。在实践中，这增加了显著的的复杂性，并且难以实施。
5. 可扩展性：区块链网络产生的数据量可能非常庞大，尤其是像 Solana 这样的热门链。这使得创建和维护能够有效处理如此大型数据集的模型具有挑战性，更不用说跨链或多链数据集了。
6. 有限的资源和工具：为加密货币开发 AI 模型的工具和资源有限。资源的缺乏可能使得这一过程耗时且昂贵。通常，开发人员需要创建定制解决方案或调整现有工具和数据维度以满足其需求。

尽管开发预测模型具有挑战性，但好消息是，出现了一些协议，如 SpaceAndTime，以帮助索引链上数据和智能合约事件。SpaceAndTime 等协议减少了研究人员训练模型所需的资源。

如果您的模型不是第一个，那就是最后一个

争夺表现最佳的链上行为预测模型的军备竞赛将为获胜团队打造竞争壁垒。在 Pond，我们认识到开发第一个（也是最好的）链上行为预测模型的优势。

_原因如下：

1. 数据优势：AI 模型需要大量的数据来学习和提升其性能，其开发和工程过程也高度专业化。基于定制数据的广泛训练和实验，形成了竞争对手难以企及的竞争优势。

在 Pond，我们使用静态数据，如地址的最早活动时间、代币初始铸造量、历史 DEX 交易次数；以及动态数据，如每个地址的交易量和每对交易对的交易量和次数。数据的选择和处理都需要时间进行实验和分析。

2. 网络效应：随着更多用户和应用采用特定的 AI 模型，会产生更多数据，从而提升模型性能，吸引更多用户，形成正反馈循环。此外，模型提供者能够更深入地了解使用模型产生的行为。

通过行为模型，使用模型会产生进一步的行为，这些行为对外界可能显得混乱，但从模型提供者的角度来看，这些行为可以被理解并用于基于行为迭代进一步改进模型。

3. 先发优势：在某些情况下，在特定领域取得显著成功的第一个 AI 模型将建立一个主导地位。这可能是由于品牌认知度、可组合性、用户熟悉度以及切换到新模型所带来的摩擦。
4. 人才：AI行业竞争激烈，顶尖的 AI 研究人员和工程师供不应求。一旦先发优势确立，他们将吸引顶尖人才。

加入我们的早期生态系统计划，确保您可以从一开始就开始开发模型并使用模型，并获得独家奖励。

申请表单：https://cryptopond.xyz/question

欲了解更多信息，请关注我们@PondGNN https://x.com/PondGNN@Pond_Eco

特别感谢 @0G_labs 的 @lachlanalextodd 和 @NFTSWIMM3R 为我们做出的一切。
特别感谢@0G_labs的@spark_ren、@mheinrich，@ritualnet的@sanlsrni，@AlloraNetwork的@nick_emmons，@cyberfund的@sgershuni，@DCGco的@tommyeastman21，@getmasafi的@brendanplayford和@calanthiaaa，@_inceptioncap的@blockhiro，@Presto_Labs的@kkrrayy，@Dither_Solana的@0xMattness，以及@sicko1993和@rezoshm的审查。