介绍

Xebra Swap 是一个点对点系统，旨在在 Movement M2 链上交换加密货币。它利用自动做市商 (AMM) 模型来促进无缝、高效的代币交换，而无需传统的订单簿。

工作原理

• 兑换流程：用户可以出售现有代币，换取所需代币的比例。在此过程中，会扣除少量兑换费，作为对流动性提供者的奖励。

• 交易费用：每当有人在 Xebra Swap 上交易时，都会收取固定费用。对于测试网/开发网，费用显然为零。

• 赚取费用：流动性提供者可赚取流动性池中掉期产生的交易费用的一部分。

• 价格影响：掉期合约的最终成交价格受不同价格点的流动性影响，流动性越高，价格影响越小，流动性越低，价格影响越大。

• 滑点：用户可以设置滑点容忍度，限制交易过程中可接受的价格影响。如果最终执行价格在此范围内，则交易执行；否则，交易失败。

优点

• 去中心化：不需要中央权威机构或订单簿，实现点对点交易。

• 高效：AMM模型确保持续的流动性和低滑点交易。

• 收益：流动性提供者从交易费中获得奖励，激励参与。

风险

• 无常损失：提供流动性会使用户面临无常损失的风险，即 AMM 中的代币价值可能与简单地将其放在钱包中不同。

探索 Xebra Swap 并体验 Movement 生态系统内的无缝、去中心化交易。

在2022年之前，如果你想快速回忆起你最喜欢的书中的某个特定段落或你刚刚观看的电影中的一句话，而作品本身并不在你面前，你可能会求助于搜索引擎。您可以用一个精心设计的搜索输入来提示它，解析返回的结果，访问似乎包含您的答案的SparkNotes或IMDB链接，并在几分钟内找到您在页面上寻找的文本。现在，你只需打开ChatGPT，键入“最著名的终结者名言是什么？”或者“写出《双城记》的开篇文章”，几秒钟内就能得到你一字不差的答案。

大型语言模型最简单的用途之一是作为知识数据库。LLM已经在大量丰富信息的数据集上进行了训练，ChatGPT等接口使其易于检索。例如，当您提示ChatGPT返回电影或书籍中的内容时，您只是利用模型的能力来回忆它在训练期间接触到的信息。但是，如果它不是根据《终结者》剧本训练的，或者它的权重没有给狄更斯的作品带来重要性，那该怎么办呢？为了为最简单的用例（如基本信息检索）提供最准确和最相关的结果，LLM需要复杂的索引和检索机制，以精确地访问广泛的信息。

了解LLM内容生成和培训

LLM内容是通过一个称为下一个令牌预测，这确保了响应在上下文中是适当的，多样的，并在一定程度上反映了类似人类的理解。以下是下一个令牌预测的工作原理:

1. **输入处理:**当您键入提示或问题时，该输入被转换为标记:单词或单词片段。

2. **上下文理解:**该模型会查看你给它的令牌，并根据其训练试图理解上下文，其中包括从手头的话题到你可能使用的语气的所有内容。

3. **下一个令牌预测:**使用所理解的上下文，该模型然后预测最有可能的下一个令牌是什么。这不仅仅是基于上一个单词的猜测；它会考虑到对话的整个背景。

4. **令牌选择:**一旦它预测了一系列可能的下一个令牌，它就会选择一个。该选择基于概率，即基于模型训练数据最有可能出现的令牌。然而，值得注意的是，这里也有一些随机性，这有助于生成更多样和听起来更自然的响应。

5. **输出生成:**然后将选定的令牌转换回人类可读的文本。如果响应不完整（通常在一个令牌后就不完整了），则重复该过程。新的令牌被添加到序列中，并且模型基于该更新的上下文来预测下一个令牌。

6. **迭代优化:**预测下一个标记并将其添加到序列中的过程重复进行，直到模型到达停止点。这可能是当响应达到一定长度时，模型预测一个标志着一句话或一段话结束的标记，或者当它满足提示中嵌入的指令时。

LLM训练中压缩的局限性

当LLM预测一个令牌时，它会有效地检索和利用嵌入其权重中的压缩知识来产生适合上下文的输出。通过这种方式，LLM培训可以镜像数据库压缩。正如数据库经过优化可以快速调用频繁访问的数据一样，LLM旨在从其权重中检索信息（特定的插值内存）。这种能力使它能够对训练中遇到的关于熟悉材料的查询做出精确的响应，就像在数据库中查询索引良好的信息一样。然而，当模型遇到不太熟悉或模糊的内容时，就会出现限制。例如，当你向LLM询问圣经中的特定段落时，它会逐字逐句地引用它们，但它不能逐字逐句地引用任何它在训练期间没有多余地“见证”过的概念，因为与该概念相关联的权重太微不足道了。从这个意义上讲，LLM类似于一个数据库。就像数据库可能只返回明确存储在其中的数据一样，LLM可能很难就培训期间没有广泛见过的主题生成内容。

当然，LLM超出了这种类比的范围，因为它们内部有一个世界模型，允许它们“理解”不仅仅是查找的事物。然而，这种过度简化有助于我们理解LLM被训练生成内容的方式中的一些关键限制。

法律硕士培训的进一步限制

此外，next token预测系统还有其他固有的限制，这些限制源于其生成文本的基本方法:

• **上下文窗口大小:**主要约束之一是模型的上下文窗口大小-模型在进行预测时可以考虑的最大文本量（以标记为单位）。对于许多模型（包括早期版本的GPT）来说，此窗口不够大，无法在长对话或文档中维护上下文，这可能会导致较长文本或复杂讨论中失去连贯性，而这些文本或讨论需要维护紧接在前面的标记之外的上下文。

• **普遍性与特殊性:**虽然这些模型是在庞大的数据集上训练的，但它们从这种训练中归纳的能力有时会导致它们产生通用或模糊相关的内容。他们可能无法做出高度具体或细微的反应，而这些反应需要详细的理解或培训数据之外的最新知识。

• **缺乏外部知识获取渠道:**Next token预测模型仅限于其训练数据集中包含的信息。他们无法在培训后访问或整合新信息，这意味着他们很快就会过时或缺乏当前背景，例如最近的事件、发现或趋势话题。

• **重复性和可预测性:**下一个令牌预测的算法性质有时会导致重复或可预测的文本生成。由于该模型通常倾向于在给定上下文的情况下统计上更有可能遵循的标记，因此它可能会陷入循环或偏好常用短语，从而降低输出的可变性。

检索增强生成（RAG）解释

如前所述，LLM根据他们在训练期间分配给数据不同方面的权重生成响应。这些权重反映了模型对输入数据的各种元素的感知程度。如果用户的提示包括在训练数据中没有显著表示的元素，则模型可能无法生成准确或相关的响应。

当对话超出LLM的上下文窗口时，或者当提示超出LLM自己的训练数据集中的有效权重限制时（这意味着它无法准确回忆用户正在寻找的答案），该模型通常依赖于外部向量搜索数据库，该数据库允许它搜索相关上下文或可以附加到用户提示的新数据。这个过程被称为检索增强生成（RAG）。

“矢量搜索成功”

RAG过程是通过向量搜索数据库实现的:这是一种高级类型的数据库，将数据作为向量进行存储和管理。这些向量表示高维空间中的数据，其中每个维度都捕获数据含义的某个方面，从而可以表示复杂的关系和属性。在文本和语言的上下文中，向量搜索数据库使用嵌入等技术将文本转换为数字向量。这种转换使系统能够通过计算不同文本片段在多维空间中对应向量之间的距离来测量它们之间的语义相似性。

在RAG期间，查询（即用户对LLM的输入）和存储的数据（如文章、文档或句子）都使用文本嵌入转换为向量。这些嵌入将文本数据转换成数字向量，其中相似的含义被映射到向量空间中的邻近点。然后数据库计算查询向量和存储数据向量之间的距离，以确定文本含义的相关程度。数据库检索向量最接近查询向量的数据点（文本内容），即语义上最类似于输入的数据点。就上下文和含义而言，这些数据点被视为“最近邻”。

这些最近邻提供了基础LLM在其自己的训练数据中可能无法访问的上下文相关的附加信息，这可以显著提高LLM输出的准确性、相关性、丰富性和多样性。萨姆·奥特曼和其他人一样，倡导“成功矢量搜索”方法——依靠RAG开发代理，而不是单独进行模型微调。

作为微调替代方案的RAG

微调LLM涉及根据特定数据集上的附加训练调整模型的权重，以增强特定任务的性能或提高对某些领域的理解。这一过程不仅慢于创新的速度，意味着微调模型的过时速度几乎与更新速度一样快，而且也没有解决新数据的问题。

相反，RAG使模型能够实时访问外部数据库，以检索与手头的查询相关的最新信息。即使基础模型最近没有更新或微调，它仍然可以生成包含最新数据的响应。模型保持相关性的时间更长，因为它们可以通过检索外部信息源来适应新数据和不断变化的环境。

RAG有效地弥合了深度学习和传统信息检索技术之间的差距。通过这样做，它利用了两者的优势-深度学习的强大上下文理解和信息检索的精确性。这种混合方法允许LLM产生更准确、详细和上下文丰富的响应。

解决LLM的进一步限制

除了微调之外，RAG还解决了前面提到的与标准LLM相关的挑战:

• **扩展上下文理解:**RAG通过获取增强模型响应的最新或详细信息来扩展传统LLM的上下文窗口。

• **提高特异性和准确性:**RAG不仅仅依赖于训练期间学习的模式，而是允许模型将检索到的文档中的特定细节注入到其响应中，使它们不仅更准确，而且适合手头的特定查询。

• **减轻重复性和可预测性:**通过为每个查询动态提取不同的信息集，RAG可以显著改变模型的响应。这种可变性有助于减少纯生成模型中常见的重复性和可预测性，因为外部数据为对话引入了新的措辞和细节。

RAG面临的挑战和必要的发展

然而，RAG也有自己的挑战——即延迟和缺乏智能。考虑一个基于turn的agent chatbot对话，其中用户提交一个提示，LLM吐出几个令牌表示它需要更多上下文，向量搜索数据库通过用户的输入提示检索最近邻上下文，然后两者最终再次发送到LLM进行推断。然后，轮到用户回复，以此类推。

在这个系统中，每个用户提示都会启动一个多步骤操作，其中每个步骤都会增加总处理时间。整个过程的速度还取决于矢量搜索数据库检索必要上下文的速度。如果数据库查询很复杂，或者数据库本身很大并且没有优化索引，则这种检索会带来很大的延迟。此外，特别是在更复杂的对话中，这种生成和检索序列可能需要重复多次才能充分完善响应。这种迭代循环会增加延迟，导致交互速度比完全依赖内部数据的纯生成模型更慢。

此外，富含RAG的LLM的智能在很大程度上取决于从向量搜索数据库中检索的信息的质量和相关性。如果数据库内容不全面、不最新或维护不当，检索到的信息的效用可能会受到限制，从而影响答复的整体智能。

即使检索到高质量的外部数据，挑战仍然在于如何有效地将这些信息集成到LLM的现有响应框架中。该模型不仅必须纳入这些外部数据，而且必须以一种上下文适当和一致的方式这样做。模型的训练和外部数据的性质之间的不一致会导致技术上准确但上下文脱节的响应。

下一代LLM

下一代LLM可能会将基于向量搜索的RAG和传统的训练/微调方法以及结构化数据处理（例如TradFi市场数据和相关金融新闻的SQL数据库）结合在一起。“这边”有一个LLM提供者，“那边”有一个单独的矢量搜索数据库，这一概念将通过新模型进行整理，这些新模型直观地将其索引工作内存扩展到具有万亿字节矢量化上下文的本地固态硬盘。

时空公司已经向客户提供了SQL证明——一种ZK证明，用于验证SQL数据库处理的准确性和防篡改性——以及最近推出的vector search证明，该证明同样适用于Vector Search检索。这些新颖的证据为未来开辟了道路，在未来，LLMs可以集成新的上下文，实时访问更广泛、更细微的数据范围，并集成结构化数据处理以产生更具洞察力的分析，所有这些都以可跟踪、可验证的方式进行。这些进步最终将扩大LLM的应用范围，扩大其在金融服务、新闻聚合和风险评估等严重依赖最新数据的行业中的应用，从而推动下一波人工智能驱动的创新。

概述

Houston 使用户能够利用其 Prompt-to SQL 功能生成 SQL 查询并通过图表和仪表板立即可视化结果。借助 Houston，您可以使用 OpenAI 支持的聊天机器人在几秒钟内构建数据管道。

主要特征：

提示 SQL

休斯顿的 OpenAI 支持的聊天机器人可以生成 SQL 查询来响应自然语言输入。您可以简单地要求休斯顿“显示 xyz”或“为 xyz 编写查询”，它将生成并运行相应的 SQL 代码。

提示Python脚本

休斯顿的 OpenAI 支持的聊天机器人还可以生成 Python 代码来响应自然语言输入。您可以要求休斯顿“为 xyz 编写代码”或“给我一个 Python 脚本来执行 xyz”，它会生成相应的 Python 脚本并让您在我们的在线 Python 编辑器中进行编辑。

文本到 Chainlink 作业

Houston 允许您创建 Chainlink 作业，该作业获取查询结果并将该查询结果发送到链上的智能合约。您可以使用 Houston 的聊天机器人功能轻松与 Chainlink 集成。

探索数据集

您可以使用 Houston 探索各种数据集，例如 Aave 或以太坊数据。只需要求休斯顿“向我显示 Aave 数据”或“向我显示 ETH 数据”，它就会为您提供相关信息。

文本到文档

如果您需要休斯顿文档方面的帮助，您可以向休斯顿寻求帮助。只需提供“休斯顿文档需求”之类的提示，它就会引导您找到相关的文档资源。

自动图表和数据可视化

Houston 会自动为您的查询结果生成图表和数据可视化。您可以轻松地将查询发布到 API、仪表板、应用程序和其他数据库。

提示示例：

• “显示所有已在链上进行至少 10 笔交易且余额至少为 1 ETH 的 Polygon 钱包。”

• “按交易数量显示以太坊上排名前 10 的地址。”

• “生成一个 Python 代码来计算比特币区块链上的平均交易价值。”

• “编写一个 Python 脚本，使用 Twitter API 密钥 xyz 来获取有关‘比特币’的 Twitter 情绪数据……”

• “创建一个 Chainlink 作业以从外部 API 获取以太坊的当前价格。”

• “探索 Aave 贷款利率的历史数据。”

• “如何自定义休斯顿仪表板的外观？”

• “休斯顿有哪些可用的数据可视化选项？”

• “您能给我展示一个根据特定日期范围过滤数据的 SQL 查询示例吗？”

• “将休斯顿的查询结果发布到 API 的步骤是什么？”

• “如何将 Houston 与我现有的 ML/AI 模型集成？”

空间和时间 (SxT) 是可验证的计算层，可在去中心化数据仓库上扩展零知识证明，为智能合约、法学硕士和企业提供无需信任的数据处理。 Space and Time 将来自主要链的索引区块链数据与链下数据集连接起来。 Proof of SQL 是 Space and Time 开发的新颖的 ZK-proof，可确保大规模计算的防篡改，并证明查询结果未被操纵。 Space and Time 受到最著名的金融机构、企业和 Web3 应用程序的信任。

跳转到Discord加入时空社区！

开发人员使用空间和时间来...

🤝连接索引的链上数据和链下数据

连接到我们从主要链中索引的防篡改、关系型实时区块链数据以及您获取的链下数据。我们已经为以太坊、比特币、zkSync、Polygon、Sui、Avalanche、Sei 和 Aptos 建立了索引，并且我们正在不断增加对更多链的支持。

🦋使用 SQL 转换数据

执行低延迟缓存查询和大型分析作业，将数据转换和塑造为特定于您的业务的模式。

👩‍💻将查询发布到 API 和漂亮的仪表板

将数据集和查询直接发布到 API，在空间和时间之上构建 dapp，并轻松扩展到数十 TB 和数千个并发查询/请求。

🚀将无需信任的数据发送到智能合约

以去信任的方式将防篡改的查询结果发送到智能合约，或者使用我们新颖的 SQL 加密保证证明直接在链上发布查询结果。

空间和时间解决方案：可验证的计算层

Space and Time 平台的核心是混合事务/分析 (HTAP) 数据仓库，提供具有极高吞吐量的基于行的 OLTP 内存缓存和具有弹性横向扩展的基于列的 GPU 加速 OLAP。 SxT 在单一去中心化环境中为应用程序、仪表板、机器学习和数据科学提供支持，使您能够更轻松、更快、更便宜地在 Web3 中进行构建。

SxT 预加载了从主要链（包括以太坊、比特币、zkSync、Polygon、Sui、Avalanche、Sei 和 Aptos）索引的区块链数据，并允许您将其与从数据库、数据仓库、对象存储、应用程序加载的自己的链下数据集结合起来，或游戏服务器。您可以灵活地转换数据、执行即席查询并将查询结果发布到新的 API 端点，以便为您的 dapp 提供低延迟 API 访问。

SQL 证明是新颖的 ZK 证明，可保证 SxT 中运行的每个查询都是准确的，并且查询和底层数据都是可验证的防篡改。借助 SxT，您的智能合约可以询问有关其自己链上的数据、其他链上的数据以及以去信任和加密保证的方式从任何来源加载的链下数据的问题。

我们很高兴地宣布发布**智能合约索引：**我们的区块链索引服务的一项新功能，允许您通过简单地提供合约地址，从您自己的智能合约事件中生成一组新的自定义空间和时间表。

它是什么以及我们为何构建它

当您使用 Space and Time 进行构建时，您可以免费访问我们从主要链实时进行 ZK 索引的全面区块链数据。与其他索引解决方案相比，我们采取的方法更快、更成熟、可扩展、兼容 ZK，最重要的是具有对整个链进行索引的能力。因为我们正在运行相当大的数据仓库集群（不仅仅是单服务器 PostgreSQL 实例），所以每个集群可以容纳数十 TB 的数据。仅以太坊每年就会产生约 2TB 的重要数据，并且以太坊是迄今为止数据量最小的流行链。

我们的索引服务提供存储在“核心”表中的链级数据（即钱包、交易、合约、区块、代币转移等表，一旦链的索引完成，即来自创世块的完整链状态），如以及来自 Aave、Uniswap、Opensea、dYdX 或价格源等协议的特定于协议的语义数据集。但我们也理解，有时开发人员需要访问他们自己的智能合约发出的事件相关的数据，我们希望抽象出必须对核心表进行排序才能获取数据的复杂性。

今天，我们很高兴地宣布 SxT 索引服务新增一项功能：**智能合约索引。**现在，用户可以提交智能合约列表进行索引，Space and Time 将创建一组新的自定义表，其中包含来自这些特定智能合约的事件。我们将发出的事件写入新表中，然后可以查询该表，与其他索引数据或链下数据连接，并在亚秒内经过 ZK 验证。这使得开发人员能够创建高度定制、高效且复杂的应用程序，以快速、经济且经过 ZK 验证的方式利用链级数据、特定于协议的数据、链下数据以及来自自己的智能合约事件的数据。

怎么运行的

获取您自己的智能合约事件

索引您的智能合约就像在时空工作室上提交合约地址一样简单。

1. 登录 Studio 并导航至主菜单“智能合约”选项卡下的“从链获取数据”按钮

2. 选择您的合约链并输入地址

3. 查看最近链上数据生成的表并提交索引

就是这样！我们提取 ABI，自动为每个智能合约事件生成一个表，然后开始自动为您填充它们。

SxT 区块链索引的工作原理

我们构建了一个强大的基于 Rust 的索引器，它以可验证的方式从每个块中获取与每个交易相关的每个智能合约事件。它首先轮询每个链的多个 RPC 节点，并验证从每个 RPC 节点接收到的内容是否一致。然后索引器通过我们本地缓存的智能合约 ABI 来解码数据。最后，这些数据被转换为一种易于查询的关系形式，并加载到数据仓库中——当前链上数据的精确副本。当您提交智能合约进行索引时，发出的事件将单独写入您定义的新表中。整个过程发生在区块时间内。

索引器服务是一个基于 Rust 的单一二进制文件，因此随着 Space and Time 的不断去中心化，我们计划为其添加一个轻节点，以便多个索引器（验证器）可以冗余地索引每个链，并将对其索引数据的承诺发送到达成共识的交易节点。这个计划的架构在我们的白皮书中有详细介绍，但这里有一个总结：交易节点层负责 BFT 共识。索引节点（称为验证器）对来自 RPC 的原始区块链数据进行解码和转换，并在数据上构建加密承诺，以便稍后用于 ZK 证明验证。承诺和索引数据都被发送到事务节点，鉴于已为每条链建立索引的多个冗余索引节点，事务节点达成共识。

它能实现什么

• 定制和灵活性： Web3 开发人员经常使用独特的智能合约来生成对其应用程序功能至关重要的特定事件。其他索引服务并不总是涵盖这些专门事件，限制了开发人员创建完全优化和响应式 dapp 的能力。 Space and Time 的扩展索引服务通过提供对定制事件进行索引的灵活性来解决这一差距。

• **可扩展性：**内部处理和处理区块链数据可能会非常耗费资源，需要大量的基础设施和技术专业知识。通过将此数据索引外包给 Space and Time，开发人员可以更有效地扩展其应用程序。

• 改进的数据可访问性：访问和查询区块链数据可能非常复杂且耗时。该服务简化了流程，提供结构化、可查询的表，使开发人员更容易提取见解并将区块链数据集成到他们的应用程序中。

空间和时间 (SxT) 是可验证的计算层，可在去中心化数据仓库上扩展零知识证明，为智能合约、法学硕士和企业提供无需信任的数据处理。Space and Time 将来自主要链的索引区块链数据与链下数据集连接起来。Proof of SQL 是 Space and Time 开发的新颖的 ZK-proof，可确保大规模计算的防篡改，并证明查询结果未被操纵。Space and Time 受到最著名的金融机构、企业和 Web3 应用程序的信任。

跳转到Discord加入时空社区！

开发人员使用Space and Time：

🤝连接索引的链上数据和链下数据

连接到我们从主要链中索引的防篡改、关系型实时区块链数据以及您获取的链下数据。我们已经为以太坊、比特币、Polygon、Sui、Avalanche、Sei 和 Aptos 建立了索引，并且我们正在不断增加对更多链的支持。

🦋使用 SQL 转换数据

执行低延迟缓存查询和大型分析作业，将数据转换和塑造为特定于您的业务的模式。

👩‍💻将查询发布到 API 和漂亮的仪表板

将数据集和查询直接发布到 API，在空间和时间之上构建 dapp，并轻松扩展到数十 TB 和数千个并发查询/请求。

🚀将无需信任的数据发送到智能合约

以去信任的方式将防篡改的查询结果发送到智能合约，或者使用我们新颖的 SQL 加密保证证明直接在链上发布查询结果。

Space and Time解决方案：可验证的计算层

Space and Time 平台的核心是混合事务/分析 (HTAP) 数据仓库，提供具有极高吞吐量的基于行的 OLTP 内存缓存和具有弹性横向扩展的基于列的 GPU 加速 OLAP。SxT 在单一去中心化环境中为应用程序、仪表板、机器学习和数据科学提供支持，使您能够更轻松、更快、更便宜地在 Web3 中进行构建。

SxT 预加载了从主要链（包括以太坊、比特币、Polygon、Sui、Avalanche、Sei 和 Aptos）索引的区块链数据，并允许您将其与从数据库、数据仓库、对象存储、应用程序或应用程序加载的自己的链下数据集结合起来。游戏服务器。您可以灵活地转换数据、执行即席查询并将查询结果发布到新的 API 端点，以便为您的 dapp 提供低延迟 API 访问。

SQL 证明是新颖的 ZK 证明，可保证 SxT 中运行的每个查询都是准确的，并且查询和底层数据都是可验证的防篡改。借助 SxT，您的智能合约可以询问有关其自己链上的数据、其他链上的数据以及以去信任和加密保证的方式从任何来源加载的链下数据的问题。

Space and Time 是一个社区优先的项目，在我们为 Web3 构建可验证计算层时，我们非常感谢我们出色的社区的持续支持。我们 2024 年的主要目标之一是设计新的方式来奖励个别社区成员对 SxT 的参与和参与。为了迎接新的一年，我们很高兴推出空间和时间社区积分！新的社区参与系统在Zealy平台上开发，代表了 SxT 在鼓励和奖励社区活动方面的重大飞跃。

首先，请加入我们的Discord 服务器。

关于空间和时间社区点

空间和时间社区积分系统的核心不仅仅是奖励参与；这是关于围绕我们的技术和生态系统建立一个充满活力的互动社区。通过参加时空的各种活动和参与，会员可以获得象征其贡献和参与的积分。

社区积分被概念化为我们生态系统中参与的标记，并不具有现实价值。需要注意的是，Space and Time 目前没有令牌。对任何有关 SxT 代币的索赔保持警惕，并保护自己免受潜在的诈骗。如果您不确定互动是否正式且安全，请联系主持人或团队成员。

另请注意，社区积分尚处于测试阶段，系统的结构可能会随着时间的推移而发生变化。随着社区成员解锁新级别，我们将不断添加新的任务和奖励。敬请关注！

如何参与

通过积极参与我们的社区，您将在 Zealy 上积累积分。有些任务专门针对开发人员和分析师，而其他任务则旨在促进普遍的社区参与。您可能会看到的一些任务示例包括：

• 在 Space and Time Studio 上构建公共仪表板

• 在 SxT 上构建演示应用程序

• 将 SxT 博客翻译成另一种语言

• 创建有关 SxT 的信息图

奖励参与

虽然社区积分没有现实价值，但它们可以作为社区内参与度和贡献的衡量标准。根据我们增强社区参与度的承诺，我们将定期宣布与积分系统相关的各种奖励。这些奖励可能包括独家参与活动、社区内的特殊地位或其他福利。

给早期支持者的特别说明

如果您是 SxT 社区的一员，您可能已经通过测验和小任务在 Zealy 上获得了一些积分。对于一直与我们一起并通过 Zealy 积极参与的敬业社区成员来说，你们的努力并没有被忽视。您之前获得的积分仍然有效，并将在我们的新系统中兑现。这是我们表达感谢并承认您的贡献的方式。您的早期支持仍然是我们社区成功的基石。

准备发射

我们邀请你们每一个人积极参与这一旅程。无论您是新成员还是从一开始就加入我们，您的参与将塑造时空社区。加入我们，开启令人兴奋的时空新篇章！

还有其他问题吗？我们有答案！

我已经通过之前的活动在 SxT Zealy 上积累了一些积分。这些积分会转移吗？

是的，您通过 Zealy 上的 SxT 活动获得的任何积分都将转入新系统。这种无缝过渡意味着早期支持者已经开始根据之前积累的积分兑换奖励。

社区积分可以在会员之间转移吗？

不，社区积分对于每个成员的贡献和努力都是独一无二的。因此，它们不能在会员之间转让，从而确保奖励是单独赚取和兑换的。

是否有参与限制或赚取积分上限？

SxT 不打算对您可以获得的积分设置任何上限。您可以获得 Zealy 平台支持的尽可能多的积分。随着社区成员解锁新级别，我们将定期添加奖励。

是否有杰出贡献者排行榜？

您可以在 Zealy 上查看实时排行榜。

时空将如何解决潜在的游戏或积分系统的利用问题？

我们与 Zealy 密切合作，实施严格的措施来防止机器人和剥削。我们的 Discord 服务器还采取了强有力的措施来维护积分系统的完整性。

社区是否有机会就任务和奖励提出意见或建议？

我们高度重视社区的投入！请随意在我们的 Discord 中分享您对任务和奖励的想法。

会员可以开始赚取积分是否有具体的开始日期？

更新后的积分系统现已上线！您可以通过参加社区活动立即开始赚取积分。

积分系统内是否有不同的等级？

是的，这些都在 Zealy 中显示。解锁新关卡是获得奖励的关键。随着新奖励的添加，我们将在 Discord 中列出这些奖励。

如何用积分兑换已公布的奖励？

有些奖励将自动兑换，其他奖励则必须由 SxT 团队手动分配。不管怎样，你所要做的就是赚钱！您的积分、已完成的任务和当前等级都会在 Zealy 中进行追踪。当新奖励公布时，我们将提供有关奖励流程的更多信息。

还有其他问题吗？

如果您有任何其他问题，您可以随时在Discord上联系我们！

计算领域的每一次重大转变都是由里程碑式的创新推动的。微处理器使个人电脑得以诞生，图形用户界面使普通人可以轻松使用计算机，互联网开创了信息访问和全球通信的新时代。最近，云的普及创造了一个所有人都可以轻松访问计算资源的世界。曾经受到物理硬件限制的企业和个人现在可以按需利用庞大的、可扩展的基础设施。云重塑了技术的结构，并在我们的互联世界中变得无处不在。现在，我们正在见证一个由区块链和人工智能等新兴技术驱动的新时代的开始。

云计算的四个“原语”

云计算的深远影响源于其对构成数字生态系统支柱的四个关键计算原语的抽象：服务器、存储、网络和数据库。了解每个原语对于理解云系统提供的复杂性和广度至关重要。

服务器：执行任务

服务器是计算任务的引擎，执行为应用程序提供支持的业务逻辑。随着云计算的出现，范式从静态物理服务器转变为动态虚拟化环境。计算能力已在很大程度上从本地系统转移到全球云网络，使企业能够扩展运营并更有效地响应应用程序需求。

存储：保存数据

数据是企业战略决策的驱动力。云不再受物理硬件的限制，可提供适应性强、有弹性的数据存储解决方案，以满足企业不断扩大的需求。如今，超过 60%的企业数据存储在云端。

网络：系统之间的通信

网络可以促进系统之间的无缝通信，无论距离或规模如何。云提升了这一原则，实现了业务应用程序之间以前无法实现的一定程度的互连。通过云，广阔的世界变成了一个单一的、互联的数字游乐场。

数据库：为业务逻辑提供动力

数据库充当业务运营背后的“大脑”，使企业能够管理和编排驱动其核心流程的信息。曾经是本地化和僵化的数据库系统已经转变为灵活的、全球可访问的强大系统。Snowflake破纪录的 IPO等里程碑凸显了云数据库和数据仓库的迅速崛起，证明了数据库技术在现代企业堆栈中的重要性。

新原始的兴起

在当今高度互联的数字生态系统中，财务价值与数据直接相关，计算结果具有切实的货币影响，仅靠效率、灵活性和安全性是不够的。验证数据和计算真实性的能力（尤其是在充当财务价值托管人的业务系统中）势在必行。

世界正处于另一场重大转变之中，这一次是由市场对可验证性的需求推动的。随着企业从“信任”模式转向“验证一切”模式，不能再依赖黑匣子系统来确保价值。尽管在可预见的未来，云计算及其基本原语可能仍然是业务运营的基石，但一个新的原语正在迅速出现，成为堆栈的必需部分：可验证性。

可验证性成为计算标准

可验证性的本质在于营造一个环境，让每一条数据、每笔交易和每一个计算结果都是准确且不受操纵的。

每个原语都为计算增添了独特的功能：服务器提供执行能力，存储解决方案管理数据储备，网络确保互连性，数据库简化数据驱动的逻辑。然而，所有这些都在某种程度的隐性信任下运行：对数据准确性、系统可靠性和交易完整性的信任。随着世界变得越来越相互依存，信任不再是业务运营的充分保证。某一层的不准确或漏洞会危及整个系统。如果系统从根本上受到损害，那么它的可扩展性或效率就无关紧要了。

可验证性不仅仅是对计算的四个核心原语的简单补充，而是一个巩固所有其他原语运行基础的总体层。以云数据库为例，它是企业计算堆栈的关键组件。如果没有可验证层，企业如何知道数据，更重要的是数据的处理是准确且防篡改的？即使很小的差异也可能导致企业及其利益相关者出现运营或财务错误。可验证性将成为现代计算基础设施的基本要素。

空间和时间：可验证的计算层

Space and Time 开创了大规模可验证计算的先河，我们现在的重点是加速区块链、LLM 和企业采用。我们敏锐地意识到市场对 Web3、AI 和云系统等可验证数据和计算的需求不断增长，并且我们构建了第一个从头开始构建的 Web3 原生数据仓库 - 一个具有完整功能的可验证数据仓库。由零知识 (ZK) 技术提供支持的开发人员工具堆栈套件。

为什么我们要在数据仓库（数据库）级别构建可验证的计算层？数据库是位于计算交叉点的信息流的主要纽带。如果您在数据库级别提供可验证性，则可以确保整个组织的决策都是基于事实的。它不仅仅是以防篡改的方式存储数据，还涉及确保操作的无缝执行（服务器）、数据的安全高效传输（网络）以及提供促进这些过程的底层基础设施（数据库）。随着所有行业对数据的依赖日益增长，可验证的数据仓库本质上提供了有效验证所有业务运营核心的结构。

Space and Time 在数据仓库中集成可验证性的方法为业务运营的整体、端到端可验证性奠定了基础。我们的平台不是针对堆栈各个组件的拼凑点解决方案，而是确保从数据进入系统的那一刻到做出业务决策的时间，每个交互都是可审计的、安全的，而且最重要的是可验证的。当我们在一个数据完整性和运营成功之间的界限变得越来越模糊的世界中，Space and Time 正在满足 Web3 和云系统中端到端可验证性的需求。

最初发布于https://www.spaceandtime.io。