<100 subscribers
Share Dialog
Share Dialog
Проект в мае раздал активным пользователям Base, Forcaster, участникам тестнета в 2022 году и некоторым другим категориям $SPEC, но запустил новый функционал по созданию смарт-контрактов при помощи ИИ и другого, о котором поговорим в статье.
Хотя и проведём анализ проекта по стандартной схеме.
На сайте указан LinkedIn: https://www.linkedin.com/company/spectrallabs/
1647 отслеживающих, последняя публикация 3 месяца назад. Всего их дофига...
Важно, что есть и реакции, и комментарии, и репосты, хоть и немного их.
Всего 24, доступно ссылками 6.
Co-Founder в Spectral Labs с июня 2021 года.
Early Advisor в Scroll с мая 2021 года по настоящее время
Партнёр в e^{i} Ventures с июня 2021 по июнь 2022
Founder в London Startup Network с мая 2017 по май 2019
И ещё две...
Doctor of Philosophy в NYU Courant Institute of Mathematical Sciences. Учился с мая 2019 по май 2021:Аспирант кафедры компьютерных наук Института Куранта Нью-Йоркского университета. Интересуется машинным обучением, генеративными моделями и криптографией (Zero Knowledge).
В Columbia University Master's degree, Machine Learning (2017 - 2018).Там же учился на Bachelor's degree, Mathematics and Computer Science (2013-2017).
Навыки:
Теория чисел - 1 подтверждение
Java - 5 подтверждений
C++ - 2 подтверждения
Research - 6 подтверждений
html - 2 подтверждения
C - одно подтверждение
Программирование - 7 подтверждений
10375 отслеживающих, всего 3 публикации (последняя 2 месяца назад. У неё 76 реакций, 12 комментариев и 9 репостов.
Предыдущий пост получил 400 реакций и 22 коммента.
Пост до него получил 175 реакций, 7 комментариев и 7 репостов.
Опыт работы:
Партнёр Protagonist с мая 2022
Инвестор в Fhenix с мая 2024
Инвестор в Movement Labs и Exowatt с марта 2024
Инвестор в Open Asset Standards с января этого года
Всего 26, и в Spectral Labs он тоже инвестор с октября 2022 года по настоящее время.
Для чего его добавили в список команды непонятно. Разве что внёс существенный вклад в проект...
Навыков 42, и ни одного с подтверждениями.
6314 отслеживающих, 3 публикации:
Последняя 3 недели назад, получила 13 реакции и 1 коммент.
Предыдущая была опубликована 4 месяца назад про конференцию с участием Spectral. Получила она 83 реакции и 2 комментария
Третья получила 267 реакций и 46 комментариев. Писал про вступление в должность руководителя продуктов в Spectral. Опубликована 5 месяцев назад
Опыт работы:
Head of Product в Spectral Labs с ноября 2023
Angel Investor с января 2022
В Truist SVP- Senior Product Manager, AI & Web3 с сентября 2022 по октябрь 2023
В Coinbase Senior Manager, Product Operations, Institutional Products с октября 2021 по июль 2022.
В EY Senior Consultant - Digital and Emerging Technology (Blockchain) Consulting с августа по октябрь 2021. Там же Analyst, Financial Services Consulting с июня 2017 по март 2018
В Neighbourhoods Cryptocurrency Design Intern с июня 2016 по май 2017 (Стажировка).Там же Portfolio Management Intern с января по июнь 2015 (стажировка)
Образование:
Duke University - The Fuqua School of Business (2018-2019)
В University of Mumbai Bachelor of Engineering (B.E.), Information Technology (2013-2017)
Навыки:
GenerativeAI - 1 подтверждение
Prompt Engineering - 1 подтверждение
Всего 24 навыка...
256 отслеживающих, 3 комментария, публикаций нет.
Опыт работы:
В Spectral Labs Head of Machine Learning с февраля 2024, Machine Learning Engineer с сентября 2021 года по февраль 2024
В Columbia University Research Assistant с января 2020 по июнь 2021
В GRID3 Data Intern с июня по декабрь 2020 (Стажировка)
В University of Washington: Research Assistant с марта 2017 по август 2019; University of Washington Digital Systems and Information Technology Student Assistant с августа 2017 по июль 2019; Research Assistant с мая по сентябрь 2018.
Учился на Master of Science - MS, Data Science в Columbia University с августа 2019 по май 2021.
А также в University of Washington на Bachelor of Science - BS, Physics, Minor in Art History (2016-2019).
Навыки:
Large Language Models (LLM) - Machine Learning Engineer в компании Spectral
Machine Learning - Оценка навыков LinkedIn успешно выполнена, 1 подтверждение
Data Science, Deep Learning и Computer Vision - 2 подтверждения
Python - Python
Оценка навыков LinkedIn успешно выполнена, 1 подтверждение
И другие (всего 10)
1040 отслеживающих, 1 комментарий (публикаций нет).
Опыт работы:
В Spectral Labs Senior Data Scientist с июня 2023
В Coinbase Data Scientist с сентября 2021 по июнь 2023
В Amazon Business Intelligence Engineer II с мая 2019 по сентябрь 2021
В Instapage Product Data Analyst с июля 2018 по апрель 2019
В LinkedIn Data Analyst с августа 2017 по июль 2018
В State Street Product Strategy Summer Analyst с июня по август 2016
Учился в University of California, Berkeley на Bachelor's Degree, Economics and Statistics.
Навыки:
Data Scraping - Data Analyst в компании LinkedIn
product data - Product Data Analyst в компании Instapage
Data Analysis - Product Data Analyst в компании Instapage, 11 подтверждений
R - 8 подтверждений
SQL - в компании Coinbase и еще в 3 компаниях, 7 подтверждений
И другие (всего 39) с подтверждениями работой в компаниях или просто с подтверждениями.
750 отслеживающих, 3 комментария (публикаций нет).
В Spectral Labs Machine Learning Engineer Intern с мая 2024 (Стажировка)
В The Garage at Northwestern University Resident с марта 2023 по настоящее время
В Cogno Cogno
Machine Learning Engineer, Founding Member с января 2023
В Northwestern Fintech Club Natural Language Processing Engineer с октября 2022 по настоящее время (Частичная занятость)
В Electrical & Computer Engineering | Northwestern University Student Researcher с июня 2023 по май 2024
Editor в HOPE (Humanities Online Platform For Everyone) с июня 2021 по август 2022 (частичная занятость)
И другое (всего 8)
Образование:
В Northwestern University Bachelor of Science - BS, Computer Engineering, Economics - сентябрь 2022 по июнь 2026
В BASIS International School Guangzhou High School Diploma, n/a 2018 - 2022
В University of Pennsylvania Management and Technology Summer Institute с июня по июль 2021
Навыки:
Convex Optimization - Student Researcher в компании Electrical & Computer Engineering | Northwestern University
Julia (Programming Language) - Student Researcher в компании Electrical & Computer Engineering | Northwestern University
Graph Theory - Student Researcher в компании Electrical & Computer Engineering | Northwestern University
Prompt Engineering и Large Language Models (LLM), OpenAI - Machine Learning Engineer, Founding Member в компании Cogno
NLP Libraries - Natural Language Processing Engineer в компании Northwestern Fintech Club
Machine Learning и Data Analysis- Опыт работы (2) в компании Northwestern Fintech Club и еще в 1 компании
Всего 26...
Команда профессиональная, по крайней мере судя по публичным лицам.
X:
1212 постов, 178,9 тысяч читателей, последний пост 27 июня.У него 16 ответов, 33 репоста, 160 лайков и 19692 просмотров.У предыдущего 13 ответов, 23 репоста, 115 лайков и 9014 просмотров.
В общем, у всех постов хорошая активность.
Связанные с проектом аккаунты - это @WartuII и @__sishir.
ПО ботам уровень 4 (Alarming), Score 882, общий уровень 3 (Credible).
Подписавшиеся проекты: @ArkhamIntel, @Arcade_xyz, @MyCrypto, @flipsidecrypto, @SynapseProtocol и другие...
Венчурный капитал: Chamath Palihapitiya, Social Capital, Andrew Steinwold, Sfermion, DeFi Dad ⟠ defidad.eth, Fourth Revolution Capital и другие...
В анонсах последний пост 25 июня.
В │community-announcements 26 июня:
В основном чате есть активность и сегодня, ответы на вопросы тоже имеются:
Бот указал ссылку на пост с таблицей токеномики, а затем и человек ответил...
Блог:
Последний пост 12 июня 2024.
У них есть ещё и Slack, но у меня там нет аккаунта.
Оценка 4 из 5: не хватает информации о разработчиках Solidity, которые могли бы интегрировать AI функционал в блокчейны, но, судя по Sintex приложению, они есть.
Spectral - это платформа, разработанная для интеграции автономных onchain-агентов с экосистемой Web3 с помощью инновационных технологий ИИ и машинного обучения.
Основные предложения Spectral включают:
Spectral Syntax - инструмент, позволяющий пользователям создавать onchain-агентов, переводя намерения, выраженные на естественном языке, в исполняемый код.
Spectral Nova - децентрализованная сеть, которая предоставляет выводы машинного обучения напрямую в смарт-контракты.
Эти продукты связаны через Inferchain, что облегчает коммуникацию между onchain-агентами ИИ. С помощью Spectral Syntax пользователи могут легко создавать onchain-агентов из простых инструкций, а Spectral Nova приносит мощь машинного обучения непосредственно в эти контракты. Inferchain обеспечивает возможность коммуникации между этими агентами.
Эта инновация не просто улучшает эффективность блокчейна; она преобразует его в динамичную и интеллектуальную систему, где контракты могут адаптироваться и учиться. Видение Spectral заключается в расширении возможностей блокчейна, делая его более отзывчивым и интуитивным для пользователей.
(информация из белой бумаги).
Там же подробно описан Spectral sintex. Интересно то, что ончейн-агент будет обладать своим смарт-кошельком (AA), что позволяет ему отправлять транзакции. Но пользователь все равно его контролирует, т. к. от него зависит, сколько средств будет отправлено на кошелёк агента.
Также планируется сделать систему ончейн-агентов открытой, т. е. каждый желающий сможет их создавать и публиковать, помогая развивать экосистему, и зарабатывая.
Для конфиденциальности используются ZKml. Валидаторы проверяют модели на несанкционированный доступ, а также их производительность, при этом публикуя все промежуточные шаги.
Spectral открывает новую эру: эпоху, в которой любой агент (потребители, смарт-контракты, LLM и т. д.) в сети Spectral может автоматически проверять, а не просто доверять выводам и результатам других моделей ML и легко использовать их в своих целях.
Протокол машинного обучения Spectral Finance развернут в сети Arbitrum. Spectral использует Arbitrum для следующих целей:
Хранение запросов на выводы, вызовов моделей и доказательств мошенничества для Solvers, Challenges и Validators.
Регистрация и отслеживание всех участников (Solvers, Consumers, Solvers и Creators).
Предоставление контрактов для взаимодействия с сетью Spectral (для коммитов моделей, потребления выводов и т.д.).
Оценка 4 из 5: если будет децентрализованным, если будет реализован максимально качественным, отлично! Ведь такое внедрение нужно в блокчейнах для создания максимально качественного DeFi, но сейчас многое не реализовано - сложно оценить.
A. Обзор токена SPEC
Стандарт ERC20: Токен SPEC интегрирован в сеть Spectral как токен стандарта ERC20, что обеспечивает совместимость с кошельками, биржами и децентрализованными приложениями на базе Ethereum.
Управление: SPEC играет ключевую роль в управлении платформой, давая держателям право голоса и возможность принимать решения по важным операционным вопросам.
Демократический процесс: Владельцы SPEC могут предлагать и голосовать за обновления платформы, изменения параметров и другие важные решения, что способствует консенсусу сообщества и повышает прозрачность.
Механизмы стейкинга: SPEC используется в механизмах стейкинга внутри сети:
В Spectral Syntax пользователи, ставящие SPEC, получают права на создание и монетизацию агентов, что предотвращает создание вредоносных агентов.
В Spectral Nova валидаторы должны ставить SPEC в качестве залога, что мотивирует их действовать честно, поскольку любое неправильное поведение может привести к потере застейканных токенов.
Средство обмена: SPEC также служит средством обмена и передачи стоимости на платформе:
Пользователи платят SPEC за взаимодействие с агентами и получают преимущества, такие как ускоренная обработка транзакций и снижение комиссий.
Валидаторы получают вознаграждения за валидацию данных от участников.
Пользователи Spectral Syntax могут строить и монетизировать агентов, получая доступ к специальным программам верификации.
B. Управление
Участие в управлении: Владельцы SPEC могут активно участвовать в управлении Децентрализованной Автономной Организацией (DAO), предлагая и голосуя за изменения:
Влияние на параметры управления, такие как правила голосования и пороги кворума.
Стейкинг для операций агентов и валидации данных.
Участие в обновлениях смарт-контрактов.
Распределение средств на инициативы сообщества.
Формирование будущего Spectral через участие в различных активностях.
C. Стейкинг на Spectral Syntax
Использование агентов: Стейкинг SPEC для привилегированного доступа к взаимодействию с агентами, снижения комиссий и ускоренной обработки транзакций.
Монетизация агентов: Стейкинг SPEC для прав на монетизацию агентов и участие в программах верификации.
D. Стейкинг на Spectral Nova
Для Solvers: Участники стейкают SPEC для участия в задачах машинного обучения, демонстрируя свою приверженность и качество моделей.
Для Валидаторов: Валидаторы стейкают SPEC в качестве залога, обеспечивая безопасность сети и проверку данных.
Для Потребителей: Потребители платят за использование моделей машинного обучения, и часть этих платежей распределяется как вознаграждение Solvers. Потребители также могут стейкать SPEC для получения скидок на комиссии сети.
Многофункциональная роль SPEC подчеркивает его значимость в управлении и операционной деятельности сети Spectral.
Информация взята из белой бумаги.
Есть также таблица токеномики:
Всего токенов 100,000,000,
В Foundation Treasury идёт 40%. 10% разблокируется на TGE, а затем 12 месяцев пауза и далее разблокировка в течение 30 месяцев (первый месяц - 10%).
Команда и контрибьюторы - 22%. На TGE 0%, пауза 12 месяцев, затем разлок 10% и далее каждый месяц в течение 30 месяцев.
Инвесторы - 38%. На TGE 0%, 12 месяцев пауза, далее 10% и в последующие месяцы разблокировка оставшегося (всего 18 месяцев).
Инвестором оочень много распределяют, как и команде!
В нормальной токеномике без риска слива активов команде 10%, контрибьюторам где-то 2-5%, инвесторам тоже до 10%...
Что в фонде развития 40% - хорошо: главное, чтоб он распределялся сообществу.
Но судя по первому дропу, это так и есть, но посмотрим.
По данным https://cryptorank.io/ico/spectral-finance, проект получил 29,82 МЛН $ от Polychain Capital, Galaxy, Circle, ParaFi Capital, Jump Capital, Samsung, General Catalyst, Social Capital, Franklin Templeton Investments, Section 32 и других:
По данным Coingecko, SPEC находится на 540 месте с ценой в 6.14 $:
Дневной объём торговли $3,634,689.
Circulating Supply 10,523,351 (довольно мало: впереди разблокировка большей части токенов).
За 30 дней вырос на 52,3%, но максимальная цена была $15.67 (падение на 60.8%), минимум же - $5.30 (рост на 15.8%).
38% инвесторам - 38 МЛН токенов. Инвестиции составили 30 МЛН $ (округлим), т. е. зона безубытка - 0,78 $. Получается, что даже при текущем курсе около 8 иксов...
Оценка 3 из 5: большие риски долгого падения цены, из-за чего инвестировать в $SPEC опасно. Хотя разлоки начнутся лишь в мае 2025: есть шансы на рост в 2-5-10 раз до этого, но тут каждый решает сам.
Проект, конечно, очень интересный, но токеномика может его погубить... (имхо)
Есть аудиты:
Последний коммит 2 месяца назад.
Представлены PDF файлы аудитов проекта.
Вот, например, от Zellic Inc анализ контракта токена:
Было ими найдено две информационных проблемы, которые были исправлены.
От них же аудит Spectral Modelers:
Он был проведён до деплоя в Ethereum mainnet. Обнаружили восемь существенных недостатков. Была выявлена одна критическая проблема. Два из них имели высокую степень воздействия, три - среднюю степень воздействия, одна - низкую степень воздействия, а остальные результаты носили информационный характер. Spectral Finance ac ознакомилась со всеми выводами и внесла исправления.
От другого аудитора:
К сожалению прочитать на слух документ не смог: символы в словах разделены пробелами...
Естественно у них есть и Github репозитории:
Spectral-Finance/Spectral_Adapter:
Последний коммит аж 3 года назад!
Это, наверное, репозиторий адаптации МЛ-моделей под Spectral. К сожалению описания нет, поэтому точно не знаю...
Либо обновлять нечего, либо не стали размещать исходный код...
Последний коммит:
5 измененных файлов со 127 добавлениями и 43 удалениями.
Но коммитов в целом довольно много: только публиковали их давно...
ezkl - это библиотека и инструмент командной строки для выполнения логических выводов для моделей глубокого обучения и других вычислительных графов в zk-snark (ZKML).
Последний коммит 7 месяцев назад:
7 измененных файлов с 344 добавлениями и 16 удалениями.
История коммитов:
Опять же: активная разработка с резким завершением... Возможно всё, что могли, сделали - не знаю...
Spectral-Finance/scoracle-example:
Пример реализации контракта Scoracle.
Последний коммит в прошлом году:
6 измененных файлов с 70 добавлениями и 10 удалениями.
История коммитов:
Spectral-Finance/nova-bootstrap:
Шаблон сервера Spectral nova для взаимодействия с моделями.
Последний коммит 3 месяца назад:
История коммитов:
Предпоследний коммит:
В целом коммитов немного.
Оценка 3 из 5: разработка не очень активная, не всё есть в открытом коде...
Сайт: https://docs.spectral.finance/
Странно, что для попадания в документацию пришлось посмотреть белую бумагу: неудобно...
Сеть машинного интеллекта Spectral – это двусторонняя платформа, предлагающая экономически эффективный и качественный способ для смарт-контрактов использовать выводы машинного обучения (ML) и искусственного интеллекта (AI) с использованием zero-knowledge машинного обучения (zkML), уникального процесса валидации и современного, удобного в использовании набора инструментов разработки (SDK). Это способствует формированию сообщества, где инновации и экспертиза в области ML поощряются и вознаграждаются.
Основой Spectral является децентрализованная сеть Solver'ов, представляющая собой глобальное сообщество ведущих специалистов по обработке данных и решателей проблем, которые постоянно мотивированы на решение самых сложных задач в Web3 и за его пределами.
Обзор:
Model: Разработка высококачественных и точных моделей машинного обучения для решения реальных задач в области науки о данных.
Commit: Обеспечение целостности и качества моделей с использованием zkML, который защищает интеллектуальную собственность, одновременно способствуя развитию платформы.
Submit: Заявки на модели проходят тщательный процесс оценки, управляемый автоматизированным и прозрачным механизмом, выполняемым Валидаторами.
Verify: Модели проверяются с использованием zkML, что позволяет Моделям математически доказывать свои выводы, не раскрывая при этом методологии. Это гарантирует производительность и целостность моделей до того, как они становятся доступными для использования.
Спектр возможностей:
Моделирование: Ученые данных создают точные и надежные модели машинного обучения для решения разнообразных задач.
Обязательства: Использование zkML обеспечивает защиту интеллектуальной собственности и поддерживает высокое качество платформы.
Подтверждение: Автоматизированные механизмы и Валидаторы тщательно оценивают модели.
Верификация: zkML позволяет моделям подтверждать свои выводы без раскрытия методологии, что обеспечивает доверие к их результатам.
Spectral упрощает инновационное использование: каналы вывода для смарт-контрактов. В то время как существующие сети оракулов обслуживают потоки данных, в основном для ценовых данных, Spectral заполняет значительный пробел, обеспечивая беспрецедентный поток высококачественных выводов. Это расширяет сферу применения и потенциальный рынок смарт-контрактов в целом, открывая новые горизонты для децентрализованных приложений в Web3.
Сеть предлагает вознаграждения, долю дохода и постоянные конкурсы, чтобы стимулировать независимых разработчиков моделей машинного обучения (ML) создавать высококачественные модели и выводы on-chain для Создателей и Потребителей, которые публикуют задания, устанавливают контрольные показатели и подписываются на постоянно обновляемые потоки данных. Валидаторы получают комиссию за обеспечение справедливости процесса.
Эта динамика называется экономикой вывода. Она соединяет разрыв между ML, AI и блокчейном. Миссия проекта - предоставлять и вознаграждать интеллектуальные вклады обработчиков данных и инженеров ML (которых называют "Моделерами") за решение реальных задач науки о данных, обеспечивая третьим лицам высококачественные и защищенные выводы напрямую on-chain.
Цель команды проекта - позволить Моделерам создавать, проверять и разворачивать самые точные и качественные модели ML. Каждая модель должна следовать строгому процессу, включающему обязательство по модели и проверку с использованием zero-knowledge машинного обучения (zkML). Позволяя моделям математически доказывать, что их модели произвели выводы без раскрытия методологии, zkML подтверждает целостность и производительность моделей, сохраняя при этом интеллектуальные права Моделеров.
Валидация и проверка встроены в платформу. Позволяя Моделерам делиться своими инновациями без утраты конкурентного преимущества, Spectral будет способствовать созданию благоприятной среды для интеллектуального роста и вклада. Spectral также реализует автоматизированный и доказуемо справедливый механизм, выполняемый Валидаторами, для оценки всех представленных моделей по специфическим для задач контрольным показателям. Это гарантирует, что только модели, которые соответствуют или превосходят контрольные показатели, рассматриваются для использования. По мере развития платформы будет интегрирована сеть Валидаторов, эффективно децентрализуя процесс валидации, чтобы он стал еще более безопасным и прозрачным.
Spectral стимулирует Моделеров через повторяемую, продолжающуюся систему 'model-to-earn', отчасти благодаря возможности Моделеров сохранять права на свои модели и держать их детали в тайне. Эта система вознаграждает Моделеров за решение задач науки о данных с использованием их опыта, монетизируя их навыки машинного обучения через прозрачные и адаптивные выплаты, напрямую связанные с потреблением их моделей. Для Моделеров выполнение и поддержание контрольных показателей производительности имеет решающее значение, поскольку это определяет их долю в вознаграждении за задание.
Чтобы заработать вознаграждение, Моделер должен быть активен "онлайн" — в этом контексте это означает, что модель должна быть готова отвечать на запросы потребления. Доходы разблокируются только тогда, когда выводы модели потребляются в реальном времени. Эта установка побуждает Моделеров обеспечивать, чтобы их модели постоянно оптимизировались и были доступны, так как частота потребления выводов напрямую влияет на долю разблокированного вознаграждения.
Структура стимулирования также направлена на вознаграждение за постоянное участие. Даже после полного распределения первоначального вознаграждения за задание, Моделеры продолжают получать долю от текущих комиссий за потребление. Распределение этих комиссий является динамическим и зависит от количества конкурирующих Моделеров, которые находятся онлайн и отвечают на запросы потребления. Меньшее количество Моделеров онлайн означает большую долю вознаграждений для присутствующих, в то время как большее количество Моделеров онлайн означает, что вознаграждения распределяются шире. Например, если задание предлагает 80% доли дохода и ограничено топ-10 Моделерами, доля может варьироваться от всей 80% доли дохода, если есть один ответчик, до 10% доли (от 80%), если все топ-Моделеры активны. Этот механизм обеспечивает справедливое и сбалансированное распределение вознаграждений, отражающее вклад каждого Моделера в экосистему платформы.
Задания на Spectral постоянно открыты, позволяя новым Моделерам представлять модели, чтобы превзойти существующие решения. Успешные Моделеры могут заработать долю текущих выплат, побуждая к постоянному улучшению и инновациям. Постоянная система заданий гарантирует, что платформа остается на переднем крае решений ML, так как она стимулирует Моделеров к постоянному совершенствованию и улучшению своих моделей, чтобы оставаться впереди.
Web3 и за его пределами
Платформа Spectral предназначена для ученых данных, и хотя она опирается на технологии Web3, мы постарались сделать использование этих систем максимально интуитивным и удобным. В частности, мы используем взаимодействие с кошельками, мультиподписные кошельки и on-chain выплаты. Эти абстракции необходимы для обеспечения того, чтобы Моделеры с различным опытом могли использовать эти передовые системы, не погружаясь в их сложности. Упрощая пользовательский опыт, Spectral позволяет Моделерам сосредоточиться на своей основной компетенции — разработке мощных и инновационных моделей, в то время как платформа обрабатывает подспудные механизмы блокчейна. Этот подход не только расширяет доступность, приглашая к участию разнообразные таланты, но и ускоряет принятие высококачественного, защищенного от подделок и сохраняющего конфиденциальность краудсорсингового интеллекта.
Платформа Spectral представляет собой слияние передовых технологий, создавая уникальный синтез между ML и блокчейном. Эта интеграция является ключевой для будущего прогнозной аналитики, предлагая децентрализованную сеть, которая не только решает сложные задачи прогнозирования, но и делает это с беспрецедентным уровнем безопасности и конфиденциальности. Spectral — это не просто платформа; это новый стандарт применения конкурентного машинного обучения в современном мире.
FAQs:
Опишу некоторые ответы:
Spectral отличается от других платформ краудсорсинга в области науки о данных следующими особенностями: уникальная система распределения вознаграждений, где моделеры получают долю от комиссий за каждый запрос потребителя, сохраняя права на свои модели ML; возможности для создания конкурсов, позволяющие решать проблемы в различных областях; децентрализованные валидаторы, обеспечивающие максимальную прозрачность и честность; высококачественные выводы ML, проверяемые с помощью ZKML, что гарантирует точность и надежность результатов без раскрытия методологии; а также множество on-chain применений, таких как оценка кредитоспособности в Web3, торговля, MEV, рекомендательные системы и прогнозирование рисков.
Какие преимущества предоставляет Spectral моделерам?Spectral позволяет моделерам сохранять конфиденциальность своих моделей благодаря технологии zero-knowledge machine learning (zkML). Кроме того, платформа дает возможность моделерам монетизировать свои модели, получая вознаграждения либо через участие в конкурсах, либо через распределение доходов, когда потребители используют их модели. Этот подход обеспечивает уникальный баланс между конфиденциальностью и прибыльностью для моделеров.
Spectral совместима с популярными фреймворками машинного обучения, что обеспечивает легкость интеграции в существующие рабочие процессы и позволяет пользователям использовать знакомые инструменты и библиотеки. Каждое задание может иметь свои требования к моделям. Популярные выборы включают TensorFlow, PyTorch, Scikit-learn и Keras.
Создатели моделей сами должны подтверждать ZKP. SDK и CLI Spectral в этом помогут.
Здесь представляют обзор того, как вы можете взаимодействовать со Spectral в качестве разработчика моделей.
Я не буду это описывать: скажу лишь, что подробно всё.
CONSUMER HANDBOOK -> Requesting inferences for Web3 Credit Scoring Challenge:
Потребители могут запросить выводы, вызвав следующую функцию в своем контракте:
makeConsumerRequest(string calldata _input)
Для выполнения этой функции требуется, чтобы окно потребления было активным, а у потребителя был достаточный платежный баланс.
_input: данные, для которых запрашивается вывод.
Spectral Command-Line Interface (CLI) предоставляет текстовый интерфейс, позволяя моделерам взаимодействовать с платформой Spectral напрямую через командную строку. Такой подход упрощает задачи по получению и отправке данных.
Официальная ссылка на Python Package Index: https://pypi.org/project/spectral-cli/
Spectral CLI нативно обрабатывает все взаимодействия с инфраструктурой Spectral (смарт-контракты и IPFS) для:
загрузки обучающего набора данных из IPFS,
генерации всех необходимых артефактов для zkML операций из файла ONNX модели машинного обучения,
обязательства использования модели машинного обучения через генерацию всех требуемых артефактов для zkML операций на основе окончательного файла ONNX модели (так называемое обязательство модели машинного обучения),
загрузки обязательства модели машинного обучения в IPFS и смарт-контракты,
загрузки тестового набора данных из IPFS,
выполнения отправки, загружая файл CSV с предсказаниями, сгенерированными моделью машинного обучения моделера, в IPFS и смарт-контракты.
Все операции будут выполняться на локальной машине моделера перед загрузкой в IPFS или смарт-контракты.
Далее приведены команды, которые я пропущу.
Spectral Python SDK - это инструмент, предназначенный для оптимизации процесса получения данных в режиме реального времени с целью отправки. Например, SDK можно использовать для получения значений характеристик вашего тестового набора в режиме реального времени, чтобы делать прогнозы по тестовому набору (на основе вашей обученной модели) и успешно отправлять их.
Установку и использование можете сами посмотреть на странице.
На платформе Spectral существует три типа кошельков.
Аккаунт Spectral (также называемый кошельком Privy) - Основной аккаунт на приложении Spectral управляется с помощью Privy и используется для входа после регистрации.
Кошелек Spectral CLI - На вашем устройстве вы можете настроить Spectral CLI (Шаг 5 из Руководства для моделеров) для генерации кошелька Spectral CLI, который можно привязать к вашему кошельку Privy на странице профиля в приложении Spectral. Допускается создание дополнительного кошелька Spectral CLI на каждом дополнительном устройстве (все они могут быть связаны вместе в приложении Spectral). Причина существования и необходимости кошелька Spectral CLI заключается в том, что вы можете писать код и гибко взаимодействовать с Spectral (например, делать отправки) со своего устройства как моделлер, не взаимодействуя с приложением Spectral через веб.
Кошелек с мультиподписью (Multisig wallet) - После того, как ваш кошелек Privy и кошельки Spectral CLI будут связаны (что вы должны сделать через приложение Spectral), создается кошелек с мультиподписью, который представляет все ваши кошельки (Privy и Spectral CLI). С точки зрения web3, этот кошелек с мультиподписью участвует в заданиях и сети Spectral.
В этом руководстве описан процесс использования моста ETH Arbitrum Mainnet, но я его описывать не буду, т. к. это стандартно.
Каждое задание, размещенное на платформе Spectral, содержит начальный набор обучающих данных, который можно получить с помощью Spectral CLI.
Spectral Python SDK предоставляет оболочки данных, которые помогают получать данные в реальном времени, которые можно использовать для участия в заданиях (см. Шаг 7 Руководства по моделированию).
Детали
Получите тренировочные данные через Spectral SDK:Используйте Spectral SDK для загрузки предоставленного набора тренировочных данных.
При необходимости и если это целесообразно, выполните обработку данных и/или дополнительные операции по созданию признаков на основе предоставленного набора данныхПри необходимости обработайте и дополните данные, используя методы и подходы, которые подходят для вашего конкретного случая.
[По желанию] Моделеры могут использовать любые другие внешние данные, если они хотят. Однако, важно, чтобы:• Любые данные, кроме предоставленных Spectral SDK, были доступны в нужные сроки в течение Окна Потребления.• Моделеры сохраняли все необходимые скрипты, относящиеся к извлечению данных, созданию признаков, выбору признаков и т. д., так как они будут необходимы в фазах Валидации Модели и Потребления.
Обучающий набор данных включает в себя все адреса, которые совершили хотя бы одну транзакцию заимствования на Aave v2 Ethereum или Compound v2 Ethereum в любое время в период с 7 мая 2019 года по 31 августа 2023 года включительно (так называемое окно наблюдения).
Подробности опущу, т. к. это интересно лишь специалистам...
В Platform Architecture Smart Contracts Architecture:
Контракт CompetitionFactory служит фабрикой для создания и управления двумя типами контрактов: контрактами соревнований и контрактами моделера.
Контракт Competition представляет собой отдельное соревнование по машинному обучению на платформе Spectral Machine Learning.
Контракт Service Agreement определяет список правил и параметров для конкретного соревнования.
Контракт Modeler упрощает взаимодействие между валидаторами и моделлерами в рамках конкретного соревнования по машинному обучению.
Consumption в разработке.
Zero-Knowledge Machine Learning (zkML):
В контексте проекта Zero-Knowledge Machine Learning (zkML) — это возможность достоверно доказать, что данное предсказание действительно было получено от определенной модели машинного обучения (ML), которую заявляет моделлер, который и обучил эту ML-модель.
В игре zkML участвуют два основных игрока:
Доказатель (Prover): утверждает, что данное предсказание является результатом определенной ML-модели.
Проверяющий (Verifier): проверяет правильность вышеуказанного доказательства.
Подробности сложны, поэтому опущу...
Страницы этого раздела также пропустим.
Все отправленные модели оцениваются по строгим критериям, чтобы гарантировать, что в сеть не попадают модели с низкими показателями. Оценка моделей проводится с использованием стандартных метрик валидации ML-моделей на предсказаниях, полученных на отложенном тестовом наборе данных.
После отправки модели моделлеры должны предоставить предсказания своей модели на временно независимом валидационном наборе данных, предоставленном валидаторами. Это обеспечивает исключение из сети моделей, которые показывают низкие результаты.
Подробности опустим, но опишу критерии валидации:
Сравнение предсказаний модели: Валидационные данные модели будут сопоставляться с реальными данными, собранными в течение Паузы (Pause Window).
Оценка по стандартам производительности: Модели будут оцениваться в соответствии с критериями производительности, указанными на странице соревнования и в соответствующих подразделах.
Исключение моделей: Модели, не прошедшие испытания на соответствие критериям производительности, будут исключены из конкурса.
Челендж 1 пропустим, т. к. это не является важной частью проекта.
Third-Party Tools & Libraries:
Страница ресурсов по PyTorch.
PyTorch - это предпочтительная библиотека для разработки ZKml.
Documentation for the Consumption Smart Contract:
Документация на этой странице предназначена только для справочных целей. Платформа Spectral включает встроенные услуги для развертывания вашей модели и её доступности для потребления, поэтому прямой вызов этих функций не требуется, поэтому и я не буду описывать их.
Оценка 5 из 5: всё подробно описано.
https://www.app.spectral.finance/ - сайт:
"Sign In" и вводим e-mail:
"Submit", вводим код из письма и авторизуемся:
Вводим логин, "Continue":
"Continue":
Нажав "Settings", а затем "Wallet" можете выполнить некоторые действия:
Например, скопировать кошелёк, экспортировать его, добавить Spectral CLI...
Нажав "Join Challenge +", попадёте на страницу испытания:
Здесь можете посмотреть информацию, а нажав "Get Started", посмотреть команды:
"Next" откроет следующую:
Остальные вкладки неактивные: будут активны после запуска испытания у вас в Spectral CLI и подключения.
Лидерборд:
Сайт https://syntax.spectrallabs.xyz/
Выбираем метод авторизации (я Google):
Отмечаем галочку о принятии условий, "Continue":
Под "0 points" жмём по кнопке:
"Connect Wallet":
Выбираем, подключаем и, если вы подключены не к Base, меняем сеть. Результат:
Есть страница с полем ввода запроса к ИИ.
Сейчас существует 3 модели:
MoonMaker - создаёт мемкоин
TestMachine - позволяет проанализировать смарт-контракт на уязвимость
Onchain Explorer - изучает данные в блокчейнах, и предоставляет их в ответ на естественный запрос пользователя.
Начнём с последнего, т. к. это наиболее лёгкий пример...
Выбираем сверху, и видим информацию:
Можем ввести запрос.
Допустим, я знаю про токен в Base с адресом 0x3c281a39944a2319aa653d81cfd93ca10983d234. Попробуем узнать его параметры:
Основную инфу вывел, да и то количество в странном формате... Текущее же количество разлоченных токенов не написал, как и не описал холдеров. В прочем, отдельным запросом тоже ответа я не добился, но понимаю: это сложный запрос (он требует нескольких действий в изучении блокчейна).
Баллы, кстати, за такое не начисляются.
Например, вставлю код контракта игры "Камень, ножницы, бумага", что делал во время BNB chain хакатона:
Дал ответ в формате JSON и в нормальном (читаемом) формате:
Про переменные состояния написал, но что такой контракт не стоит использовать в мейннете - нет (у него слабый ГСЧ).
Так что особого чего-то ждать не стоит, но ошибки в коде укажет...
Почему-то требует вновь подключения кошелька. Нажал по кнопке под 0 points, и вижу:
"Sign for ownership" и подписываем в кошельке. Всё:
"Connected", и кнопка подключения исчезла.
Читаем информацию:
"Привет, добро пожаловать в Syntax MoonMaker. Я помогу вам создать и запустить собственный мемкоин за считанные секунды! Я помогу создать и развернуть смарт-контракт, разместить ваш токен на DEX и даже создать для вас веб-сайт. Вам потребуется ETH на сети Base для развертывания вашего мемкоина.Вот пример запроса, который вы можете отправить мне (скопируйте и вставьте этот формат и отредактируйте детали для оптимального результата):Создайте монету под названием 'ElegantFrenchMoon' с символом 'EFM'. Объем выпуска — 100 миллионов. Тема — непринужденно шикарный и очень элегантный проект, представленный стильной парижской борзой, которая пьет газированную воду, носит черную водолазку и берет. Мой Twitter — https://twitter.com/your_account."
Вставляем, переводим (если пишем на Русском), и отправляем:
Выдал нам, что создал мемкоин, и отправил изображение! Я не знаю, соответствует ли оно теме, но ладно...
Пишу "Yes" на вопрос о деплое:
Хоть и пишет, что деплоит, на самом деле нет: идём дальше...
Нажав по значку 📝 возле логотипа проекта откроем coder:
Ввёл запрос о создании мемкоина:
Жмём по кнопке "Compile", а затем "Deploy", выбираем сеть:
"Continue" и подтверждаем в кошельке. Всё:
Деплой удался, но Sintex к сожалению не реагирует на него: не пишет адрес контракта и id транзакции... Пришлось из кошелька переходить:
Как видите, токен создан, и отправлен на мой адрес кошелька. Только вот с нулём я похоже ошибся: вышло 10 МЛРД вместо 1 МЛРД...
P. S. Советую вам в Coder создавать не только мемкоины, но и другие смарт-контракты, например, nft и так далее...
Например, вот я заказал несколько контрактов:
Правда он создал с ошибками, а на просьбу сгенерировать код ещё раз ответил кодом ERC-20 токена, но это уже другое дело... Можно попросить
После обновления страницы видим, что 25 поинтов:
Нажав по количеству, увидим подробности:
Зарабатывайте 10 баллов, когда вы приглашаете друга и он присоединяется к вам
зарабатывайте 5 баллов, когда ваши друзья совершают транзакцию
зарабатывайте 25 баллов, когда вы совершаете транзакцию.
Нажав по "Refer to win points!", скопируете свою реферальную ссылку. Моя - https://syntax.spectrallabs.xyz/referral?code=FaoiNXxj
И да:
выше обратите внимание на список чатов, как в Chat GPT. Удобно, т. к. позволяет искать нужное из ранее создаваемого... Хотя, к сожалению, именуются далеко не все...
Оценка 4 из 5: не все хотелки реализует, контракты генерирует в том числе с ошибками, а перегенерировать не разобрался как... Но в целом инструмент интересный!
Оценка 23 из 30 или 3 из 5:
Команда: не хватает информации о разработчиках Solidity, которые могли бы интегрировать AI функционал в блокчейны, но, судя по Sintex приложению, они есть.
Концепт: если будет децентрализованным, если будет реализован максимально качественным, отлично! Ведь такое внедрение нужно в блокчейнах для создания максимально качественного DeFi, но сейчас многое не реализовано - сложно оценить.
Коин: большие риски долгого падения цены, из-за чего инвестировать в $SPEC опасно. Хотя разлоки начнутся лишь в мае 2025: есть шансы на рост в 2-5-10 раз до этого, но тут каждый решает сам.Проект, конечно, очень интересный, но токеномика может его погубить... (имхо)
Код: разработка не очень активная, не всё есть в открытом коде...
Документация: всё подробно...
Практика: не все хотелки реализует, контракты генерирует в том числе с ошибками, а перегенерировать не разобрался как... Но в целом инструмент интересный!
С вами был незрячий программист, автор https://t.me/blind_dev - подписывайтесь, чтоб получать новые обзоры, дайджесты интересных статей и новости по моим разработкам.
Минтите и распространяйте статью - буду рад!
Проект в мае раздал активным пользователям Base, Forcaster, участникам тестнета в 2022 году и некоторым другим категориям $SPEC, но запустил новый функционал по созданию смарт-контрактов при помощи ИИ и другого, о котором поговорим в статье.
Хотя и проведём анализ проекта по стандартной схеме.
На сайте указан LinkedIn: https://www.linkedin.com/company/spectrallabs/
1647 отслеживающих, последняя публикация 3 месяца назад. Всего их дофига...
Важно, что есть и реакции, и комментарии, и репосты, хоть и немного их.
Всего 24, доступно ссылками 6.
Co-Founder в Spectral Labs с июня 2021 года.
Early Advisor в Scroll с мая 2021 года по настоящее время
Партнёр в e^{i} Ventures с июня 2021 по июнь 2022
Founder в London Startup Network с мая 2017 по май 2019
И ещё две...
Doctor of Philosophy в NYU Courant Institute of Mathematical Sciences. Учился с мая 2019 по май 2021:Аспирант кафедры компьютерных наук Института Куранта Нью-Йоркского университета. Интересуется машинным обучением, генеративными моделями и криптографией (Zero Knowledge).
В Columbia University Master's degree, Machine Learning (2017 - 2018).Там же учился на Bachelor's degree, Mathematics and Computer Science (2013-2017).
Навыки:
Теория чисел - 1 подтверждение
Java - 5 подтверждений
C++ - 2 подтверждения
Research - 6 подтверждений
html - 2 подтверждения
C - одно подтверждение
Программирование - 7 подтверждений
10375 отслеживающих, всего 3 публикации (последняя 2 месяца назад. У неё 76 реакций, 12 комментариев и 9 репостов.
Предыдущий пост получил 400 реакций и 22 коммента.
Пост до него получил 175 реакций, 7 комментариев и 7 репостов.
Опыт работы:
Партнёр Protagonist с мая 2022
Инвестор в Fhenix с мая 2024
Инвестор в Movement Labs и Exowatt с марта 2024
Инвестор в Open Asset Standards с января этого года
Всего 26, и в Spectral Labs он тоже инвестор с октября 2022 года по настоящее время.
Для чего его добавили в список команды непонятно. Разве что внёс существенный вклад в проект...
Навыков 42, и ни одного с подтверждениями.
6314 отслеживающих, 3 публикации:
Последняя 3 недели назад, получила 13 реакции и 1 коммент.
Предыдущая была опубликована 4 месяца назад про конференцию с участием Spectral. Получила она 83 реакции и 2 комментария
Третья получила 267 реакций и 46 комментариев. Писал про вступление в должность руководителя продуктов в Spectral. Опубликована 5 месяцев назад
Опыт работы:
Head of Product в Spectral Labs с ноября 2023
Angel Investor с января 2022
В Truist SVP- Senior Product Manager, AI & Web3 с сентября 2022 по октябрь 2023
В Coinbase Senior Manager, Product Operations, Institutional Products с октября 2021 по июль 2022.
В EY Senior Consultant - Digital and Emerging Technology (Blockchain) Consulting с августа по октябрь 2021. Там же Analyst, Financial Services Consulting с июня 2017 по март 2018
В Neighbourhoods Cryptocurrency Design Intern с июня 2016 по май 2017 (Стажировка).Там же Portfolio Management Intern с января по июнь 2015 (стажировка)
Образование:
Duke University - The Fuqua School of Business (2018-2019)
В University of Mumbai Bachelor of Engineering (B.E.), Information Technology (2013-2017)
Навыки:
GenerativeAI - 1 подтверждение
Prompt Engineering - 1 подтверждение
Всего 24 навыка...
256 отслеживающих, 3 комментария, публикаций нет.
Опыт работы:
В Spectral Labs Head of Machine Learning с февраля 2024, Machine Learning Engineer с сентября 2021 года по февраль 2024
В Columbia University Research Assistant с января 2020 по июнь 2021
В GRID3 Data Intern с июня по декабрь 2020 (Стажировка)
В University of Washington: Research Assistant с марта 2017 по август 2019; University of Washington Digital Systems and Information Technology Student Assistant с августа 2017 по июль 2019; Research Assistant с мая по сентябрь 2018.
Учился на Master of Science - MS, Data Science в Columbia University с августа 2019 по май 2021.
А также в University of Washington на Bachelor of Science - BS, Physics, Minor in Art History (2016-2019).
Навыки:
Large Language Models (LLM) - Machine Learning Engineer в компании Spectral
Machine Learning - Оценка навыков LinkedIn успешно выполнена, 1 подтверждение
Data Science, Deep Learning и Computer Vision - 2 подтверждения
Python - Python
Оценка навыков LinkedIn успешно выполнена, 1 подтверждение
И другие (всего 10)
1040 отслеживающих, 1 комментарий (публикаций нет).
Опыт работы:
В Spectral Labs Senior Data Scientist с июня 2023
В Coinbase Data Scientist с сентября 2021 по июнь 2023
В Amazon Business Intelligence Engineer II с мая 2019 по сентябрь 2021
В Instapage Product Data Analyst с июля 2018 по апрель 2019
В LinkedIn Data Analyst с августа 2017 по июль 2018
В State Street Product Strategy Summer Analyst с июня по август 2016
Учился в University of California, Berkeley на Bachelor's Degree, Economics and Statistics.
Навыки:
Data Scraping - Data Analyst в компании LinkedIn
product data - Product Data Analyst в компании Instapage
Data Analysis - Product Data Analyst в компании Instapage, 11 подтверждений
R - 8 подтверждений
SQL - в компании Coinbase и еще в 3 компаниях, 7 подтверждений
И другие (всего 39) с подтверждениями работой в компаниях или просто с подтверждениями.
750 отслеживающих, 3 комментария (публикаций нет).
В Spectral Labs Machine Learning Engineer Intern с мая 2024 (Стажировка)
В The Garage at Northwestern University Resident с марта 2023 по настоящее время
В Cogno Cogno
Machine Learning Engineer, Founding Member с января 2023
В Northwestern Fintech Club Natural Language Processing Engineer с октября 2022 по настоящее время (Частичная занятость)
В Electrical & Computer Engineering | Northwestern University Student Researcher с июня 2023 по май 2024
Editor в HOPE (Humanities Online Platform For Everyone) с июня 2021 по август 2022 (частичная занятость)
И другое (всего 8)
Образование:
В Northwestern University Bachelor of Science - BS, Computer Engineering, Economics - сентябрь 2022 по июнь 2026
В BASIS International School Guangzhou High School Diploma, n/a 2018 - 2022
В University of Pennsylvania Management and Technology Summer Institute с июня по июль 2021
Навыки:
Convex Optimization - Student Researcher в компании Electrical & Computer Engineering | Northwestern University
Julia (Programming Language) - Student Researcher в компании Electrical & Computer Engineering | Northwestern University
Graph Theory - Student Researcher в компании Electrical & Computer Engineering | Northwestern University
Prompt Engineering и Large Language Models (LLM), OpenAI - Machine Learning Engineer, Founding Member в компании Cogno
NLP Libraries - Natural Language Processing Engineer в компании Northwestern Fintech Club
Machine Learning и Data Analysis- Опыт работы (2) в компании Northwestern Fintech Club и еще в 1 компании
Всего 26...
Команда профессиональная, по крайней мере судя по публичным лицам.
X:
1212 постов, 178,9 тысяч читателей, последний пост 27 июня.У него 16 ответов, 33 репоста, 160 лайков и 19692 просмотров.У предыдущего 13 ответов, 23 репоста, 115 лайков и 9014 просмотров.
В общем, у всех постов хорошая активность.
Связанные с проектом аккаунты - это @WartuII и @__sishir.
ПО ботам уровень 4 (Alarming), Score 882, общий уровень 3 (Credible).
Подписавшиеся проекты: @ArkhamIntel, @Arcade_xyz, @MyCrypto, @flipsidecrypto, @SynapseProtocol и другие...
Венчурный капитал: Chamath Palihapitiya, Social Capital, Andrew Steinwold, Sfermion, DeFi Dad ⟠ defidad.eth, Fourth Revolution Capital и другие...
В анонсах последний пост 25 июня.
В │community-announcements 26 июня:
В основном чате есть активность и сегодня, ответы на вопросы тоже имеются:
Бот указал ссылку на пост с таблицей токеномики, а затем и человек ответил...
Блог:
Последний пост 12 июня 2024.
У них есть ещё и Slack, но у меня там нет аккаунта.
Оценка 4 из 5: не хватает информации о разработчиках Solidity, которые могли бы интегрировать AI функционал в блокчейны, но, судя по Sintex приложению, они есть.
Spectral - это платформа, разработанная для интеграции автономных onchain-агентов с экосистемой Web3 с помощью инновационных технологий ИИ и машинного обучения.
Основные предложения Spectral включают:
Spectral Syntax - инструмент, позволяющий пользователям создавать onchain-агентов, переводя намерения, выраженные на естественном языке, в исполняемый код.
Spectral Nova - децентрализованная сеть, которая предоставляет выводы машинного обучения напрямую в смарт-контракты.
Эти продукты связаны через Inferchain, что облегчает коммуникацию между onchain-агентами ИИ. С помощью Spectral Syntax пользователи могут легко создавать onchain-агентов из простых инструкций, а Spectral Nova приносит мощь машинного обучения непосредственно в эти контракты. Inferchain обеспечивает возможность коммуникации между этими агентами.
Эта инновация не просто улучшает эффективность блокчейна; она преобразует его в динамичную и интеллектуальную систему, где контракты могут адаптироваться и учиться. Видение Spectral заключается в расширении возможностей блокчейна, делая его более отзывчивым и интуитивным для пользователей.
(информация из белой бумаги).
Там же подробно описан Spectral sintex. Интересно то, что ончейн-агент будет обладать своим смарт-кошельком (AA), что позволяет ему отправлять транзакции. Но пользователь все равно его контролирует, т. к. от него зависит, сколько средств будет отправлено на кошелёк агента.
Также планируется сделать систему ончейн-агентов открытой, т. е. каждый желающий сможет их создавать и публиковать, помогая развивать экосистему, и зарабатывая.
Для конфиденциальности используются ZKml. Валидаторы проверяют модели на несанкционированный доступ, а также их производительность, при этом публикуя все промежуточные шаги.
Spectral открывает новую эру: эпоху, в которой любой агент (потребители, смарт-контракты, LLM и т. д.) в сети Spectral может автоматически проверять, а не просто доверять выводам и результатам других моделей ML и легко использовать их в своих целях.
Протокол машинного обучения Spectral Finance развернут в сети Arbitrum. Spectral использует Arbitrum для следующих целей:
Хранение запросов на выводы, вызовов моделей и доказательств мошенничества для Solvers, Challenges и Validators.
Регистрация и отслеживание всех участников (Solvers, Consumers, Solvers и Creators).
Предоставление контрактов для взаимодействия с сетью Spectral (для коммитов моделей, потребления выводов и т.д.).
Оценка 4 из 5: если будет децентрализованным, если будет реализован максимально качественным, отлично! Ведь такое внедрение нужно в блокчейнах для создания максимально качественного DeFi, но сейчас многое не реализовано - сложно оценить.
A. Обзор токена SPEC
Стандарт ERC20: Токен SPEC интегрирован в сеть Spectral как токен стандарта ERC20, что обеспечивает совместимость с кошельками, биржами и децентрализованными приложениями на базе Ethereum.
Управление: SPEC играет ключевую роль в управлении платформой, давая держателям право голоса и возможность принимать решения по важным операционным вопросам.
Демократический процесс: Владельцы SPEC могут предлагать и голосовать за обновления платформы, изменения параметров и другие важные решения, что способствует консенсусу сообщества и повышает прозрачность.
Механизмы стейкинга: SPEC используется в механизмах стейкинга внутри сети:
В Spectral Syntax пользователи, ставящие SPEC, получают права на создание и монетизацию агентов, что предотвращает создание вредоносных агентов.
В Spectral Nova валидаторы должны ставить SPEC в качестве залога, что мотивирует их действовать честно, поскольку любое неправильное поведение может привести к потере застейканных токенов.
Средство обмена: SPEC также служит средством обмена и передачи стоимости на платформе:
Пользователи платят SPEC за взаимодействие с агентами и получают преимущества, такие как ускоренная обработка транзакций и снижение комиссий.
Валидаторы получают вознаграждения за валидацию данных от участников.
Пользователи Spectral Syntax могут строить и монетизировать агентов, получая доступ к специальным программам верификации.
B. Управление
Участие в управлении: Владельцы SPEC могут активно участвовать в управлении Децентрализованной Автономной Организацией (DAO), предлагая и голосуя за изменения:
Влияние на параметры управления, такие как правила голосования и пороги кворума.
Стейкинг для операций агентов и валидации данных.
Участие в обновлениях смарт-контрактов.
Распределение средств на инициативы сообщества.
Формирование будущего Spectral через участие в различных активностях.
C. Стейкинг на Spectral Syntax
Использование агентов: Стейкинг SPEC для привилегированного доступа к взаимодействию с агентами, снижения комиссий и ускоренной обработки транзакций.
Монетизация агентов: Стейкинг SPEC для прав на монетизацию агентов и участие в программах верификации.
D. Стейкинг на Spectral Nova
Для Solvers: Участники стейкают SPEC для участия в задачах машинного обучения, демонстрируя свою приверженность и качество моделей.
Для Валидаторов: Валидаторы стейкают SPEC в качестве залога, обеспечивая безопасность сети и проверку данных.
Для Потребителей: Потребители платят за использование моделей машинного обучения, и часть этих платежей распределяется как вознаграждение Solvers. Потребители также могут стейкать SPEC для получения скидок на комиссии сети.
Многофункциональная роль SPEC подчеркивает его значимость в управлении и операционной деятельности сети Spectral.
Информация взята из белой бумаги.
Есть также таблица токеномики:
Всего токенов 100,000,000,
В Foundation Treasury идёт 40%. 10% разблокируется на TGE, а затем 12 месяцев пауза и далее разблокировка в течение 30 месяцев (первый месяц - 10%).
Команда и контрибьюторы - 22%. На TGE 0%, пауза 12 месяцев, затем разлок 10% и далее каждый месяц в течение 30 месяцев.
Инвесторы - 38%. На TGE 0%, 12 месяцев пауза, далее 10% и в последующие месяцы разблокировка оставшегося (всего 18 месяцев).
Инвестором оочень много распределяют, как и команде!
В нормальной токеномике без риска слива активов команде 10%, контрибьюторам где-то 2-5%, инвесторам тоже до 10%...
Что в фонде развития 40% - хорошо: главное, чтоб он распределялся сообществу.
Но судя по первому дропу, это так и есть, но посмотрим.
По данным https://cryptorank.io/ico/spectral-finance, проект получил 29,82 МЛН $ от Polychain Capital, Galaxy, Circle, ParaFi Capital, Jump Capital, Samsung, General Catalyst, Social Capital, Franklin Templeton Investments, Section 32 и других:
По данным Coingecko, SPEC находится на 540 месте с ценой в 6.14 $:
Дневной объём торговли $3,634,689.
Circulating Supply 10,523,351 (довольно мало: впереди разблокировка большей части токенов).
За 30 дней вырос на 52,3%, но максимальная цена была $15.67 (падение на 60.8%), минимум же - $5.30 (рост на 15.8%).
38% инвесторам - 38 МЛН токенов. Инвестиции составили 30 МЛН $ (округлим), т. е. зона безубытка - 0,78 $. Получается, что даже при текущем курсе около 8 иксов...
Оценка 3 из 5: большие риски долгого падения цены, из-за чего инвестировать в $SPEC опасно. Хотя разлоки начнутся лишь в мае 2025: есть шансы на рост в 2-5-10 раз до этого, но тут каждый решает сам.
Проект, конечно, очень интересный, но токеномика может его погубить... (имхо)
Есть аудиты:
Последний коммит 2 месяца назад.
Представлены PDF файлы аудитов проекта.
Вот, например, от Zellic Inc анализ контракта токена:
Было ими найдено две информационных проблемы, которые были исправлены.
От них же аудит Spectral Modelers:
Он был проведён до деплоя в Ethereum mainnet. Обнаружили восемь существенных недостатков. Была выявлена одна критическая проблема. Два из них имели высокую степень воздействия, три - среднюю степень воздействия, одна - низкую степень воздействия, а остальные результаты носили информационный характер. Spectral Finance ac ознакомилась со всеми выводами и внесла исправления.
От другого аудитора:
К сожалению прочитать на слух документ не смог: символы в словах разделены пробелами...
Естественно у них есть и Github репозитории:
Spectral-Finance/Spectral_Adapter:
Последний коммит аж 3 года назад!
Это, наверное, репозиторий адаптации МЛ-моделей под Spectral. К сожалению описания нет, поэтому точно не знаю...
Либо обновлять нечего, либо не стали размещать исходный код...
Последний коммит:
5 измененных файлов со 127 добавлениями и 43 удалениями.
Но коммитов в целом довольно много: только публиковали их давно...
ezkl - это библиотека и инструмент командной строки для выполнения логических выводов для моделей глубокого обучения и других вычислительных графов в zk-snark (ZKML).
Последний коммит 7 месяцев назад:
7 измененных файлов с 344 добавлениями и 16 удалениями.
История коммитов:
Опять же: активная разработка с резким завершением... Возможно всё, что могли, сделали - не знаю...
Spectral-Finance/scoracle-example:
Пример реализации контракта Scoracle.
Последний коммит в прошлом году:
6 измененных файлов с 70 добавлениями и 10 удалениями.
История коммитов:
Spectral-Finance/nova-bootstrap:
Шаблон сервера Spectral nova для взаимодействия с моделями.
Последний коммит 3 месяца назад:
История коммитов:
Предпоследний коммит:
В целом коммитов немного.
Оценка 3 из 5: разработка не очень активная, не всё есть в открытом коде...
Сайт: https://docs.spectral.finance/
Странно, что для попадания в документацию пришлось посмотреть белую бумагу: неудобно...
Сеть машинного интеллекта Spectral – это двусторонняя платформа, предлагающая экономически эффективный и качественный способ для смарт-контрактов использовать выводы машинного обучения (ML) и искусственного интеллекта (AI) с использованием zero-knowledge машинного обучения (zkML), уникального процесса валидации и современного, удобного в использовании набора инструментов разработки (SDK). Это способствует формированию сообщества, где инновации и экспертиза в области ML поощряются и вознаграждаются.
Основой Spectral является децентрализованная сеть Solver'ов, представляющая собой глобальное сообщество ведущих специалистов по обработке данных и решателей проблем, которые постоянно мотивированы на решение самых сложных задач в Web3 и за его пределами.
Обзор:
Model: Разработка высококачественных и точных моделей машинного обучения для решения реальных задач в области науки о данных.
Commit: Обеспечение целостности и качества моделей с использованием zkML, который защищает интеллектуальную собственность, одновременно способствуя развитию платформы.
Submit: Заявки на модели проходят тщательный процесс оценки, управляемый автоматизированным и прозрачным механизмом, выполняемым Валидаторами.
Verify: Модели проверяются с использованием zkML, что позволяет Моделям математически доказывать свои выводы, не раскрывая при этом методологии. Это гарантирует производительность и целостность моделей до того, как они становятся доступными для использования.
Спектр возможностей:
Моделирование: Ученые данных создают точные и надежные модели машинного обучения для решения разнообразных задач.
Обязательства: Использование zkML обеспечивает защиту интеллектуальной собственности и поддерживает высокое качество платформы.
Подтверждение: Автоматизированные механизмы и Валидаторы тщательно оценивают модели.
Верификация: zkML позволяет моделям подтверждать свои выводы без раскрытия методологии, что обеспечивает доверие к их результатам.
Spectral упрощает инновационное использование: каналы вывода для смарт-контрактов. В то время как существующие сети оракулов обслуживают потоки данных, в основном для ценовых данных, Spectral заполняет значительный пробел, обеспечивая беспрецедентный поток высококачественных выводов. Это расширяет сферу применения и потенциальный рынок смарт-контрактов в целом, открывая новые горизонты для децентрализованных приложений в Web3.
Сеть предлагает вознаграждения, долю дохода и постоянные конкурсы, чтобы стимулировать независимых разработчиков моделей машинного обучения (ML) создавать высококачественные модели и выводы on-chain для Создателей и Потребителей, которые публикуют задания, устанавливают контрольные показатели и подписываются на постоянно обновляемые потоки данных. Валидаторы получают комиссию за обеспечение справедливости процесса.
Эта динамика называется экономикой вывода. Она соединяет разрыв между ML, AI и блокчейном. Миссия проекта - предоставлять и вознаграждать интеллектуальные вклады обработчиков данных и инженеров ML (которых называют "Моделерами") за решение реальных задач науки о данных, обеспечивая третьим лицам высококачественные и защищенные выводы напрямую on-chain.
Цель команды проекта - позволить Моделерам создавать, проверять и разворачивать самые точные и качественные модели ML. Каждая модель должна следовать строгому процессу, включающему обязательство по модели и проверку с использованием zero-knowledge машинного обучения (zkML). Позволяя моделям математически доказывать, что их модели произвели выводы без раскрытия методологии, zkML подтверждает целостность и производительность моделей, сохраняя при этом интеллектуальные права Моделеров.
Валидация и проверка встроены в платформу. Позволяя Моделерам делиться своими инновациями без утраты конкурентного преимущества, Spectral будет способствовать созданию благоприятной среды для интеллектуального роста и вклада. Spectral также реализует автоматизированный и доказуемо справедливый механизм, выполняемый Валидаторами, для оценки всех представленных моделей по специфическим для задач контрольным показателям. Это гарантирует, что только модели, которые соответствуют или превосходят контрольные показатели, рассматриваются для использования. По мере развития платформы будет интегрирована сеть Валидаторов, эффективно децентрализуя процесс валидации, чтобы он стал еще более безопасным и прозрачным.
Spectral стимулирует Моделеров через повторяемую, продолжающуюся систему 'model-to-earn', отчасти благодаря возможности Моделеров сохранять права на свои модели и держать их детали в тайне. Эта система вознаграждает Моделеров за решение задач науки о данных с использованием их опыта, монетизируя их навыки машинного обучения через прозрачные и адаптивные выплаты, напрямую связанные с потреблением их моделей. Для Моделеров выполнение и поддержание контрольных показателей производительности имеет решающее значение, поскольку это определяет их долю в вознаграждении за задание.
Чтобы заработать вознаграждение, Моделер должен быть активен "онлайн" — в этом контексте это означает, что модель должна быть готова отвечать на запросы потребления. Доходы разблокируются только тогда, когда выводы модели потребляются в реальном времени. Эта установка побуждает Моделеров обеспечивать, чтобы их модели постоянно оптимизировались и были доступны, так как частота потребления выводов напрямую влияет на долю разблокированного вознаграждения.
Структура стимулирования также направлена на вознаграждение за постоянное участие. Даже после полного распределения первоначального вознаграждения за задание, Моделеры продолжают получать долю от текущих комиссий за потребление. Распределение этих комиссий является динамическим и зависит от количества конкурирующих Моделеров, которые находятся онлайн и отвечают на запросы потребления. Меньшее количество Моделеров онлайн означает большую долю вознаграждений для присутствующих, в то время как большее количество Моделеров онлайн означает, что вознаграждения распределяются шире. Например, если задание предлагает 80% доли дохода и ограничено топ-10 Моделерами, доля может варьироваться от всей 80% доли дохода, если есть один ответчик, до 10% доли (от 80%), если все топ-Моделеры активны. Этот механизм обеспечивает справедливое и сбалансированное распределение вознаграждений, отражающее вклад каждого Моделера в экосистему платформы.
Задания на Spectral постоянно открыты, позволяя новым Моделерам представлять модели, чтобы превзойти существующие решения. Успешные Моделеры могут заработать долю текущих выплат, побуждая к постоянному улучшению и инновациям. Постоянная система заданий гарантирует, что платформа остается на переднем крае решений ML, так как она стимулирует Моделеров к постоянному совершенствованию и улучшению своих моделей, чтобы оставаться впереди.
Web3 и за его пределами
Платформа Spectral предназначена для ученых данных, и хотя она опирается на технологии Web3, мы постарались сделать использование этих систем максимально интуитивным и удобным. В частности, мы используем взаимодействие с кошельками, мультиподписные кошельки и on-chain выплаты. Эти абстракции необходимы для обеспечения того, чтобы Моделеры с различным опытом могли использовать эти передовые системы, не погружаясь в их сложности. Упрощая пользовательский опыт, Spectral позволяет Моделерам сосредоточиться на своей основной компетенции — разработке мощных и инновационных моделей, в то время как платформа обрабатывает подспудные механизмы блокчейна. Этот подход не только расширяет доступность, приглашая к участию разнообразные таланты, но и ускоряет принятие высококачественного, защищенного от подделок и сохраняющего конфиденциальность краудсорсингового интеллекта.
Платформа Spectral представляет собой слияние передовых технологий, создавая уникальный синтез между ML и блокчейном. Эта интеграция является ключевой для будущего прогнозной аналитики, предлагая децентрализованную сеть, которая не только решает сложные задачи прогнозирования, но и делает это с беспрецедентным уровнем безопасности и конфиденциальности. Spectral — это не просто платформа; это новый стандарт применения конкурентного машинного обучения в современном мире.
FAQs:
Опишу некоторые ответы:
Spectral отличается от других платформ краудсорсинга в области науки о данных следующими особенностями: уникальная система распределения вознаграждений, где моделеры получают долю от комиссий за каждый запрос потребителя, сохраняя права на свои модели ML; возможности для создания конкурсов, позволяющие решать проблемы в различных областях; децентрализованные валидаторы, обеспечивающие максимальную прозрачность и честность; высококачественные выводы ML, проверяемые с помощью ZKML, что гарантирует точность и надежность результатов без раскрытия методологии; а также множество on-chain применений, таких как оценка кредитоспособности в Web3, торговля, MEV, рекомендательные системы и прогнозирование рисков.
Какие преимущества предоставляет Spectral моделерам?Spectral позволяет моделерам сохранять конфиденциальность своих моделей благодаря технологии zero-knowledge machine learning (zkML). Кроме того, платформа дает возможность моделерам монетизировать свои модели, получая вознаграждения либо через участие в конкурсах, либо через распределение доходов, когда потребители используют их модели. Этот подход обеспечивает уникальный баланс между конфиденциальностью и прибыльностью для моделеров.
Spectral совместима с популярными фреймворками машинного обучения, что обеспечивает легкость интеграции в существующие рабочие процессы и позволяет пользователям использовать знакомые инструменты и библиотеки. Каждое задание может иметь свои требования к моделям. Популярные выборы включают TensorFlow, PyTorch, Scikit-learn и Keras.
Создатели моделей сами должны подтверждать ZKP. SDK и CLI Spectral в этом помогут.
Здесь представляют обзор того, как вы можете взаимодействовать со Spectral в качестве разработчика моделей.
Я не буду это описывать: скажу лишь, что подробно всё.
CONSUMER HANDBOOK -> Requesting inferences for Web3 Credit Scoring Challenge:
Потребители могут запросить выводы, вызвав следующую функцию в своем контракте:
makeConsumerRequest(string calldata _input)
Для выполнения этой функции требуется, чтобы окно потребления было активным, а у потребителя был достаточный платежный баланс.
_input: данные, для которых запрашивается вывод.
Spectral Command-Line Interface (CLI) предоставляет текстовый интерфейс, позволяя моделерам взаимодействовать с платформой Spectral напрямую через командную строку. Такой подход упрощает задачи по получению и отправке данных.
Официальная ссылка на Python Package Index: https://pypi.org/project/spectral-cli/
Spectral CLI нативно обрабатывает все взаимодействия с инфраструктурой Spectral (смарт-контракты и IPFS) для:
загрузки обучающего набора данных из IPFS,
генерации всех необходимых артефактов для zkML операций из файла ONNX модели машинного обучения,
обязательства использования модели машинного обучения через генерацию всех требуемых артефактов для zkML операций на основе окончательного файла ONNX модели (так называемое обязательство модели машинного обучения),
загрузки обязательства модели машинного обучения в IPFS и смарт-контракты,
загрузки тестового набора данных из IPFS,
выполнения отправки, загружая файл CSV с предсказаниями, сгенерированными моделью машинного обучения моделера, в IPFS и смарт-контракты.
Все операции будут выполняться на локальной машине моделера перед загрузкой в IPFS или смарт-контракты.
Далее приведены команды, которые я пропущу.
Spectral Python SDK - это инструмент, предназначенный для оптимизации процесса получения данных в режиме реального времени с целью отправки. Например, SDK можно использовать для получения значений характеристик вашего тестового набора в режиме реального времени, чтобы делать прогнозы по тестовому набору (на основе вашей обученной модели) и успешно отправлять их.
Установку и использование можете сами посмотреть на странице.
На платформе Spectral существует три типа кошельков.
Аккаунт Spectral (также называемый кошельком Privy) - Основной аккаунт на приложении Spectral управляется с помощью Privy и используется для входа после регистрации.
Кошелек Spectral CLI - На вашем устройстве вы можете настроить Spectral CLI (Шаг 5 из Руководства для моделеров) для генерации кошелька Spectral CLI, который можно привязать к вашему кошельку Privy на странице профиля в приложении Spectral. Допускается создание дополнительного кошелька Spectral CLI на каждом дополнительном устройстве (все они могут быть связаны вместе в приложении Spectral). Причина существования и необходимости кошелька Spectral CLI заключается в том, что вы можете писать код и гибко взаимодействовать с Spectral (например, делать отправки) со своего устройства как моделлер, не взаимодействуя с приложением Spectral через веб.
Кошелек с мультиподписью (Multisig wallet) - После того, как ваш кошелек Privy и кошельки Spectral CLI будут связаны (что вы должны сделать через приложение Spectral), создается кошелек с мультиподписью, который представляет все ваши кошельки (Privy и Spectral CLI). С точки зрения web3, этот кошелек с мультиподписью участвует в заданиях и сети Spectral.
В этом руководстве описан процесс использования моста ETH Arbitrum Mainnet, но я его описывать не буду, т. к. это стандартно.
Каждое задание, размещенное на платформе Spectral, содержит начальный набор обучающих данных, который можно получить с помощью Spectral CLI.
Spectral Python SDK предоставляет оболочки данных, которые помогают получать данные в реальном времени, которые можно использовать для участия в заданиях (см. Шаг 7 Руководства по моделированию).
Детали
Получите тренировочные данные через Spectral SDK:Используйте Spectral SDK для загрузки предоставленного набора тренировочных данных.
При необходимости и если это целесообразно, выполните обработку данных и/или дополнительные операции по созданию признаков на основе предоставленного набора данныхПри необходимости обработайте и дополните данные, используя методы и подходы, которые подходят для вашего конкретного случая.
[По желанию] Моделеры могут использовать любые другие внешние данные, если они хотят. Однако, важно, чтобы:• Любые данные, кроме предоставленных Spectral SDK, были доступны в нужные сроки в течение Окна Потребления.• Моделеры сохраняли все необходимые скрипты, относящиеся к извлечению данных, созданию признаков, выбору признаков и т. д., так как они будут необходимы в фазах Валидации Модели и Потребления.
Обучающий набор данных включает в себя все адреса, которые совершили хотя бы одну транзакцию заимствования на Aave v2 Ethereum или Compound v2 Ethereum в любое время в период с 7 мая 2019 года по 31 августа 2023 года включительно (так называемое окно наблюдения).
Подробности опущу, т. к. это интересно лишь специалистам...
В Platform Architecture Smart Contracts Architecture:
Контракт CompetitionFactory служит фабрикой для создания и управления двумя типами контрактов: контрактами соревнований и контрактами моделера.
Контракт Competition представляет собой отдельное соревнование по машинному обучению на платформе Spectral Machine Learning.
Контракт Service Agreement определяет список правил и параметров для конкретного соревнования.
Контракт Modeler упрощает взаимодействие между валидаторами и моделлерами в рамках конкретного соревнования по машинному обучению.
Consumption в разработке.
Zero-Knowledge Machine Learning (zkML):
В контексте проекта Zero-Knowledge Machine Learning (zkML) — это возможность достоверно доказать, что данное предсказание действительно было получено от определенной модели машинного обучения (ML), которую заявляет моделлер, который и обучил эту ML-модель.
В игре zkML участвуют два основных игрока:
Доказатель (Prover): утверждает, что данное предсказание является результатом определенной ML-модели.
Проверяющий (Verifier): проверяет правильность вышеуказанного доказательства.
Подробности сложны, поэтому опущу...
Страницы этого раздела также пропустим.
Все отправленные модели оцениваются по строгим критериям, чтобы гарантировать, что в сеть не попадают модели с низкими показателями. Оценка моделей проводится с использованием стандартных метрик валидации ML-моделей на предсказаниях, полученных на отложенном тестовом наборе данных.
После отправки модели моделлеры должны предоставить предсказания своей модели на временно независимом валидационном наборе данных, предоставленном валидаторами. Это обеспечивает исключение из сети моделей, которые показывают низкие результаты.
Подробности опустим, но опишу критерии валидации:
Сравнение предсказаний модели: Валидационные данные модели будут сопоставляться с реальными данными, собранными в течение Паузы (Pause Window).
Оценка по стандартам производительности: Модели будут оцениваться в соответствии с критериями производительности, указанными на странице соревнования и в соответствующих подразделах.
Исключение моделей: Модели, не прошедшие испытания на соответствие критериям производительности, будут исключены из конкурса.
Челендж 1 пропустим, т. к. это не является важной частью проекта.
Third-Party Tools & Libraries:
Страница ресурсов по PyTorch.
PyTorch - это предпочтительная библиотека для разработки ZKml.
Documentation for the Consumption Smart Contract:
Документация на этой странице предназначена только для справочных целей. Платформа Spectral включает встроенные услуги для развертывания вашей модели и её доступности для потребления, поэтому прямой вызов этих функций не требуется, поэтому и я не буду описывать их.
Оценка 5 из 5: всё подробно описано.
https://www.app.spectral.finance/ - сайт:
"Sign In" и вводим e-mail:
"Submit", вводим код из письма и авторизуемся:
Вводим логин, "Continue":
"Continue":
Нажав "Settings", а затем "Wallet" можете выполнить некоторые действия:
Например, скопировать кошелёк, экспортировать его, добавить Spectral CLI...
Нажав "Join Challenge +", попадёте на страницу испытания:
Здесь можете посмотреть информацию, а нажав "Get Started", посмотреть команды:
"Next" откроет следующую:
Остальные вкладки неактивные: будут активны после запуска испытания у вас в Spectral CLI и подключения.
Лидерборд:
Сайт https://syntax.spectrallabs.xyz/
Выбираем метод авторизации (я Google):
Отмечаем галочку о принятии условий, "Continue":
Под "0 points" жмём по кнопке:
"Connect Wallet":
Выбираем, подключаем и, если вы подключены не к Base, меняем сеть. Результат:
Есть страница с полем ввода запроса к ИИ.
Сейчас существует 3 модели:
MoonMaker - создаёт мемкоин
TestMachine - позволяет проанализировать смарт-контракт на уязвимость
Onchain Explorer - изучает данные в блокчейнах, и предоставляет их в ответ на естественный запрос пользователя.
Начнём с последнего, т. к. это наиболее лёгкий пример...
Выбираем сверху, и видим информацию:
Можем ввести запрос.
Допустим, я знаю про токен в Base с адресом 0x3c281a39944a2319aa653d81cfd93ca10983d234. Попробуем узнать его параметры:
Основную инфу вывел, да и то количество в странном формате... Текущее же количество разлоченных токенов не написал, как и не описал холдеров. В прочем, отдельным запросом тоже ответа я не добился, но понимаю: это сложный запрос (он требует нескольких действий в изучении блокчейна).
Баллы, кстати, за такое не начисляются.
Например, вставлю код контракта игры "Камень, ножницы, бумага", что делал во время BNB chain хакатона:
Дал ответ в формате JSON и в нормальном (читаемом) формате:
Про переменные состояния написал, но что такой контракт не стоит использовать в мейннете - нет (у него слабый ГСЧ).
Так что особого чего-то ждать не стоит, но ошибки в коде укажет...
Почему-то требует вновь подключения кошелька. Нажал по кнопке под 0 points, и вижу:
"Sign for ownership" и подписываем в кошельке. Всё:
"Connected", и кнопка подключения исчезла.
Читаем информацию:
"Привет, добро пожаловать в Syntax MoonMaker. Я помогу вам создать и запустить собственный мемкоин за считанные секунды! Я помогу создать и развернуть смарт-контракт, разместить ваш токен на DEX и даже создать для вас веб-сайт. Вам потребуется ETH на сети Base для развертывания вашего мемкоина.Вот пример запроса, который вы можете отправить мне (скопируйте и вставьте этот формат и отредактируйте детали для оптимального результата):Создайте монету под названием 'ElegantFrenchMoon' с символом 'EFM'. Объем выпуска — 100 миллионов. Тема — непринужденно шикарный и очень элегантный проект, представленный стильной парижской борзой, которая пьет газированную воду, носит черную водолазку и берет. Мой Twitter — https://twitter.com/your_account."
Вставляем, переводим (если пишем на Русском), и отправляем:
Выдал нам, что создал мемкоин, и отправил изображение! Я не знаю, соответствует ли оно теме, но ладно...
Пишу "Yes" на вопрос о деплое:
Хоть и пишет, что деплоит, на самом деле нет: идём дальше...
Нажав по значку 📝 возле логотипа проекта откроем coder:
Ввёл запрос о создании мемкоина:
Жмём по кнопке "Compile", а затем "Deploy", выбираем сеть:
"Continue" и подтверждаем в кошельке. Всё:
Деплой удался, но Sintex к сожалению не реагирует на него: не пишет адрес контракта и id транзакции... Пришлось из кошелька переходить:
Как видите, токен создан, и отправлен на мой адрес кошелька. Только вот с нулём я похоже ошибся: вышло 10 МЛРД вместо 1 МЛРД...
P. S. Советую вам в Coder создавать не только мемкоины, но и другие смарт-контракты, например, nft и так далее...
Например, вот я заказал несколько контрактов:
Правда он создал с ошибками, а на просьбу сгенерировать код ещё раз ответил кодом ERC-20 токена, но это уже другое дело... Можно попросить
После обновления страницы видим, что 25 поинтов:
Нажав по количеству, увидим подробности:
Зарабатывайте 10 баллов, когда вы приглашаете друга и он присоединяется к вам
зарабатывайте 5 баллов, когда ваши друзья совершают транзакцию
зарабатывайте 25 баллов, когда вы совершаете транзакцию.
Нажав по "Refer to win points!", скопируете свою реферальную ссылку. Моя - https://syntax.spectrallabs.xyz/referral?code=FaoiNXxj
И да:
выше обратите внимание на список чатов, как в Chat GPT. Удобно, т. к. позволяет искать нужное из ранее создаваемого... Хотя, к сожалению, именуются далеко не все...
Оценка 4 из 5: не все хотелки реализует, контракты генерирует в том числе с ошибками, а перегенерировать не разобрался как... Но в целом инструмент интересный!
Оценка 23 из 30 или 3 из 5:
Команда: не хватает информации о разработчиках Solidity, которые могли бы интегрировать AI функционал в блокчейны, но, судя по Sintex приложению, они есть.
Концепт: если будет децентрализованным, если будет реализован максимально качественным, отлично! Ведь такое внедрение нужно в блокчейнах для создания максимально качественного DeFi, но сейчас многое не реализовано - сложно оценить.
Коин: большие риски долгого падения цены, из-за чего инвестировать в $SPEC опасно. Хотя разлоки начнутся лишь в мае 2025: есть шансы на рост в 2-5-10 раз до этого, но тут каждый решает сам.Проект, конечно, очень интересный, но токеномика может его погубить... (имхо)
Код: разработка не очень активная, не всё есть в открытом коде...
Документация: всё подробно...
Практика: не все хотелки реализует, контракты генерирует в том числе с ошибками, а перегенерировать не разобрался как... Но в целом инструмент интересный!
С вами был незрячий программист, автор https://t.me/blind_dev - подписывайтесь, чтоб получать новые обзоры, дайджесты интересных статей и новости по моим разработкам.
Минтите и распространяйте статью - буду рад!
No comments yet