交互式数据模型浏览器

要开始探索数据模型，请转到交互式数据模型浏览器（下面有具体链的链接），然后单击顶部菜单中的“数据集”。从那里，您可以点击不同的区块链数据模型、您自己的数据集或社区共享数据。

要在模型中搜索数据元素，请使用资源管理器左上角的“搜索”栏：

区块链数据模型

以下链接将直接带您进入不同的区块链数据模型页面：

• 比特币

• 以太坊

• 同步

• 多边形

• 隋

• 阿普托斯

• 诚

即将推出：

• 雪崩

• BNB链

• 根据

• 仲裁庭

• 乐观

那么链下数据呢？

您还可以将自己的链下数据加载到 Space and Time 中。这样，您就可以将应用程序生成的数据与区块链数据结合起来，并在单个查询中为您的游戏生成 DeFi 选项或动态 NFT。

大型语言模型 (LLM) 最简单的用途之一是作为知识数据库。法学硕士接受过包含丰富信息的海量数据集的培训，像 ChatGPT 这样的界面使得检索变得容易。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其在训练期间接触到的信息。但是，如果它没有接受《终结者》剧本的训练，或者它的权重不重视狄更斯的作品，该怎么办？为了即使是最简单的用例（例如基本信息检索）也能提供最准确和相关的结果，法学硕士需要复杂的索引和检索机制，能够精确地访问广泛的信息。

了解法学硕士内容生成和培训

*LLM 内容是通过称为“下一个令牌预测”*的过程生成的，该过程可确保响应上下文适当、多样化，并且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，一步一步：

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

2. **上下文理解：**模型会查看您给它的标记，并根据其训练尝试理解上下文，其中包括从当前主题到您可能使用的语气的所有内容。

3. **下一个标记预测：**使用它所理解的上下文，模型然后预测最有可能的下一个标记是什么。这不仅仅是根据前一个单词进行猜测；而是根据前一个单词进行猜测。它正在考虑到目前为止对话的整个背景。

4. **令牌选择：**一旦预测了一系列可能的下一个令牌，它就会选择一个。这种选择基于概率——根据模型训练数据，最有可能出现的标记。然而，值得注意的是，这里也存在一些随机性，这有助于生成更加多样化和听起来更自然的响应。

5. **输出生成：**然后将选定的标记转换回人类可读的文本。如果响应不完整（通常不是仅在一个令牌之后），则该过程会重复。新的标记被添加到序列中，模型根据更新的上下文预测下一个标记。

6. **迭代细化：**重复预测下一个标记并将其添加到序列中的过程，直到模型到达停止点。这可能是当响应达到一定长度时，模型预测一个表示句子或段落结束的标记，或者当它满足提示中嵌入的指令时。

LLM 培训中压缩的局限性

当 LLM 预测令牌时，它会有效地检索并利用嵌入其权重中的压缩知识来生成上下文适当的输出。通过这种方式，LLM 培训反映了数据库压缩。正如数据库经过优化以快速调用经常访问的数据一样，法学硕士旨在从其权重中检索信息（特定的插值记忆）。这种功能使其能够对训练期间遇到的熟悉材料的查询产生精确的响应，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，当你向法学硕士询问《圣经》中的特定段落时，它会逐字引用它们，但它不能逐字引用任何它在训练期间没有多余“见证”的概念，因为与该概念相关的权重太高了。微不足道。从这个意义上说，法学硕士也类似于数据库。正如数据库可能只返回已明确存储在其中的数据一样，法学硕士可能很难生成其在培训期间未广泛见过的主题的内容。

当然，法学硕士超出了这个类比的范围，因为他们内部有一个世界模型，使他们能够“理解”纯粹不仅仅是查找之外的事物。然而，这种过度简化有助于我们理解法学硕士训练生成内容的方式的一些关键限制。

LLM 培训的进一步限制

此外，下一个令牌预测系统还具有其他固有的局限性，这些局限性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，无法维护较长对话或文档的上下文，这可能会导致较长文本或复杂讨论失去连贯性，而这些文本或复杂讨论需要维护超出前一个标记的上下文。

• **泛化与特异性：**虽然这些模型是在大量数据集上进行训练的，但它们从训练中泛化的能力有时会导致它们产生通用或模糊相关的内容。他们可能无法生成高度具体或细致入微的响应，这些响应需要详细的理解或训练数据之外的最新知识。

• **缺乏外部知识访问：**下一个令牌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，这意味着它们可能很快就会过时或缺乏当前背景，例如最近的事件、发现或热门话题。

• **重复性和可预测性：**下一个标记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在统计上更有可能遵循的标记，因此它可能会陷入循环或更喜欢常见短语，从而减少输出的可变性。

检索增强生成 (RAG) 解释

如上所述，法学硕士根据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感知输入数据的各种元素的重要性或重要性。如果用户的提示包含训练数据中未显着表示的元素，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重要权重限制时（意味着它无法准确回忆起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，这使得它能够搜索可以附加到用户提示中的相关上下文或新数据。此过程称为检索增强生成 (RAG)。

“矢量搜索成功”

RAG 过程是通过矢量搜索数据库实现的：矢量搜索数据库是一种以矢量形式存储和管理数据的高级数据库。这些向量表示高维空间中的数据，其中每个维度捕获数据含义的某些方面，从而允许表示复杂的关系和属性。在文本和语言的背景下，向量搜索数据库使用嵌入等技术将文本转换为数值向量。这种转换使系统能够通过计算多维空间中不同文本片段对应向量之间的距离来测量不同文本片段之间的语义相似性。

在 RAG 期间，查询（即用户对 LLM 的输入）和存储的数据（例如文章、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为数值向量，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与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），即语义上与输入最相似的数据点。这些数据点在上下文和含义方面被认为是“最近的邻居”。

这些最近的邻居提供了基础法学硕士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，这可以显着提高法学硕士输出的准确性、相关性、丰富性和多样性。 Sam Altman 等人提倡“向量搜索成功”方法，即依靠 RAG 来开发代理，而不是单独进行模型微调。

RAG 作为微调的替代方案

微调法学硕士涉及根据特定数据集的额外训练来调整模型的权重，以提高特定任务的性能或增进对某些领域的理解。这个过程不仅慢于创新的速度，这意味着经过微调的模型几乎和更新一样快地过时，而且它也没有解决新数据的问题。

相比之下，RAG 使模型能够实时访问外部数据库，以检索与当前查询相关的最新信息。即使底层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。模型可以更长时间地保持相关性，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，它充分利用了深度学习强大的上下文理解和信息检索的精确性的优势。这种混合方法使法学硕士能够做出更准确、更详细、上下文更丰富的回答。

解决法学硕士的进一步限制

除了微调之外，RAG 还解决了之前提到的与标准法学硕士相关的挑战：

• 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法学硕士的上下文窗口。

• 提高特异性和准确性： RAG 允许模型将检索到的文档中的特定详细信息注入到其响应中，而不是仅仅依赖于训练期间学习的模式，从而使它们不仅更加准确，而且可以针对当前的特定查询进行定制。

• **减少重复性和可预测性：**通过为每个查询动态提取不同的信息集，RAG 可以显着改变模型的响应。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，因为外部数据在对话中引入了新的措辞和细节。

RAG 的挑战和必要的演变

然而，RAG 也有其自身的挑战，即延迟和缺乏智能。考虑一个基于回合的代理聊天机器人对话，其中用户提交提示，LLM 吐出一些标记表明它需要更多上下文，矢量搜索数据库通过用户的输入提示检索最近邻居上下文，然后最终发送两者再次向LLM进行推理。然后，轮到用户回复，等等。

在此系统中，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最佳索引，则此检索可能会导致严重的延迟。此外，特别是在更复杂的对话中，这种生成和检索的顺序可能需要重复多次才能充分细化响应。这种迭代循环会加剧延迟，导致交互速度比仅依赖内部数据的纯生成模型慢。

此外，富含 RAG 的法学硕士的智力在很大程度上取决于从矢量搜索数据库检索到的信息的质量和相关性。如果数据库内容不全面、不最新或维护良好，则检索到的信息的效用可能会受到限制，从而影响响应的整体智能。

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整合到法学硕士现有的响应框架中。该模型不仅必须包含这些外部数据，而且必须以适合上下文且连贯的方式进行。模型的训练与外部数据的性质之间的不一致可能会导致技术上准确但上下文脱节的响应。

下一代法学硕士

下一代法学硕士可能会将基于矢量搜索的 RAG 和传统的培训/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）混合在一起。 “这里”有一个法学硕士提供商，“那里”有一个单独的向量搜索数据库的概念将通过新模型进行整理，该模型直观地将其索引工作内存扩展到具有 TB 向量化上下文的本地 SSD。

Space and Time 已经向客户提供了 Proof of SQL（一种 ZK 证明，用于验证 SQL 数据库处理的准确性和防篡改性），并且最近还提供了 Proof of Vector Search（矢量搜索检索），它对矢量搜索检索具有相同的作用。这些新颖的证明为未来开辟了道路，法学硕士可以集成新的背景，实时访问更广泛、更细致的数据范围，并集成结构化数据处理以产生更有洞察力的分析，所有这些都以可追踪、可验证的方式进行。这些进步最终将扩大法学硕士的应用范围，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领域的效用，从而推动下一波人工智能浪潮——驱动创新。

斯科特·戴克斯特拉

联合创始人兼首席技术官

Scott Dykstra 是 Space and Time 的联合创始人兼首席技术官，也是包括 Sotero 在内的多家数据库和 Web3 技术初创公司的战略顾问。斯科特拥有围绕复杂的绿地挑战和研究驱动的开发建立和扩展大型工程团队的长期历史。 Scott 专长于企业级分析，此前曾担任 Teradata 云解决方案副总裁，他花了近八年的时间将 Teradata 从本地部署转向下一代基于云的 SaaS。 Scott 是一位富有远见的产品领导者，拥有 Web3、数据仓库、云和衍生品交易领域的产品开发专业知识。 Scott 痴迷于美丽的用户体验/用户界面。作为一名彻头彻尾的企业家，《时空》是斯科特作为研究驱动型初创公司高管的第二次成功尝试。

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。

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提示

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。

如果您一直关注 Space and Time 或 Web3 新闻周期，您可能听说过 SQL 证明。但除非您精通 zk 或者确实做了功课，否则您可能仍然想知道它到底是什么。SQL 证明是一个 zk-SNARK，它以加密方式证明在空间和时间中运行的查询是准确的，并且查询和底层数据都是可验证的防篡改。如果这句话对您来说非常直观，您可以在此处了解有关如何开始使用 SQL 证明进行构建的更多信息。如果没有，请跟我一起，我们将解决它。

它是什么以及我们为何构建它

在解释一项复杂技术时，我喜欢从谈论它解决的问题开始。如果您尚未了解篡改查询的含义，那么防篡改查询的概念就没有意义。如果您还没有意识到系统不具备可验证性的后果，那么可验证性就没有多大意义。SQL 证明不仅有可能从根本上改变 Web3，而且有可能从根本上改变世界商业和经济的整个数据基础。但是……怎么办？

问题#1：数据篡改

材料又贵

为了回答这个问题，让我们回顾一下数据篡改的悠久且造成经济损失的历史。数据篡改是指有人操纵、更改或删除数据库中存储的信息。在许多情况下，数据篡改是由外部不良行为者（即：黑客）执行的。随着数据库在每个政府、行业和组织中变得无处不在，黑客攻击及其对企业造成的威胁使得价值2 万亿美元的网络安全产业得以蓬勃发展。公司比以往任何时候都更加投资于工具来保护其数据免受外部威胁，例如数据库内加密、基于角色的访问控制和多因素身份验证。

但恶意的外部行为者并不是公司唯一需要担心的事情。即使采取了最严格的安全措施，数据仍然容易受到可以说更大的威胁：内部人为错误。事实上，估计62% 的数据篡改事件是由有权访问数据的用户引起的。恶意、疏忽和受损的用户对组织的安全、生产力和声誉构成巨大（且代价高昂）的威胁。据估计，一次内部来源篡改数据的事件平均造成1,538 万美元的损失，这还不包括消费者信任度下降造成的收入损失。

现实生活中的数据篡改事件

就在今年，摩根大通因错误删除超过 470 万条电子邮件记录而被 SEC罚款400 万美元，此前该公司在 2021 年因未能保存其他通信记录而支付了 1.25 亿美元的罚款。该公司将责任归咎于其聘请来处理电子邮件数据存储的归档供应商，其中许多电子邮件是在 SEC 调查中通过传票寻求的。

今年 2 月，一名员工意外删除了处理速率限制的内部服务中的数据后，Twitter 经历了一次重大的站点范围内的停机。结果，大量用户无法发推或转发，而是收到一条错误消息，称他们已达到每日限额。

2021 年 4 月，达拉斯市解雇了一名 IT 员工，该员工鲁莽删除了达拉斯警方的20.68 TB数据，此举导致该市损失 50 万美元。这名接受过培训并有权访问数据的员工承认，他在没有检查这些表是否已备份的情况下就删除了这些表。该事件导致在大约 17,500 起刑事案件中作为证据收集的超过 870 万份档案丢失。仅 3TB 的丢失数据得以恢复。

证明数据未被篡改

随着网络安全行业的不断进步，有很多方法可以确保数据不被外部参与者操纵。但这些安全措施到哪里结束呢？例如，公司如何确保授权的数据库管理员不会犯下导致其损失数百万美元的错误？

好吧，这就是 SQL 证明的用武之地。 SQL 证明旨在保证两件事：在查询时，您获取的数据是正确的，并且自摄取以来没有被操纵过；您获得的查询结果是该数据的精确 SQL 计算。尽管此设计仅提供单个时间点的数据状态证明，但可以轻松地利用它来创建数据沿袭：始终数据状态的证明。您所需要做的就是按照您想要验证数据的频率设置定期运行状况检查查询 - 每隔几天、每隔几个小时，甚至每隔几秒。这将创建一个防篡改的血统，确保您的数据始终可追溯。

借助 SQL 证明，您不仅可以在篡改事件发生后立即捕获它，还可以轻松地将数据恢复到篡改前的状态。如果 DBA 不小心删除了一些表，公司就会对之前的数据进行防篡改审计跟踪。SQL 证明允许数据库本质上充当防篡改账本，就像区块链一样，但具有业务运营所需的存储、计算和 SQL 接口。

问题#2：智能合约无法提问

Web3 中有一个完全独立的问题：智能合约无法提出数据驱动的问题。为了理解其中的原因，我们来讨论一下数据存储和计算在 Web3 堆栈中的位置。

有限的链上存储和计算

区块链本质上只是一个包含单个不可变数据表的数据库。每次创建新交易时，数据都会添加到表中并永久存储在其中。如果区块链是链上存储，那么智能合约就是链上计算：一段旨在对区块链数据执行非常基本的 if/then 逻辑的代码。“如果 X 发生，则交易 Y。” 这对于简单的链上价值交换非常有效，但是对于需要更复杂计算的东西（例如期权交易）呢？就其本身而言，智能合约甚至无法提出一个简单的问题，例如“拥有该集合中的两个 NFT 的所有钱包是什么？” 为了让智能合约“更智能”，你必须将它们连接到链下存储和计算；你必须给他们一种提问的方式。

链下数据库是解决方案吗？

SQL（代表结构化查询语言）是世界上提出问题的编程语言。这就是从微软到麦当劳的每个企业如何对数据进行计算——他们如何提出诸如“该产品上季度产生的总收入是多少？”之类的问题。他们都使用一种通用工具来完成此操作：SQL 数据库。

企业利用数据库的方式与 dapp 利用区块链的方式类似：存储、管理和检索数据。但与区块链不同的是，数据库非常高效，可以处理构建业务逻辑所需的更复杂的计算：确定系统内如何处理数据的规则。另一方面，数据仓库更加强大：它们是专门为处理分析而构建的企业级数据库。数据仓库为企业提供了一种从数据中收集见解的方法，支持趋势分析、报告和决策等任务。事务数据库和分析数据仓库都是企业数据管理堆栈的关键组成部分，并提供必要的存储和计算来补充区块链的存储和计算，并允许智能合约提出复杂的问题。

中心化系统需要信任

不幸的是，您不能将任何旧数据库或数据仓库（例如 PostgreSQL 或 Snowflake）连接到智能合约。其一，数据库没有预加载索引的区块链数据，智能合约必须能够知道链上发生了什么。更重要的是，链外数据库本身不会写回链，因此没有内置方法可以将您提出的问题的答案连接到智能合约。也许最重要的是，今天的数据库都需要一件与区块链根本不兼容的东西：信任。

去信任化是区块链技术的基石，也是区别于传统系统的关键因素。“不可信”一词并不意味着区块链不可信；而是意味着区块链不值得信任。相反，它意味着用户不需要信任中央机构或中介来验证和执行交易。去信任性确保智能合约可以完全确定地执行其预定义的规则和条件，而无需外部各方的干扰或操纵。这对于自动化价值驱动流程（例如金融交易）至关重要，任何偏离预期行为的行为都可能产生严重后果。通过在去信任的环境中运行，智能合约保证了一致和透明的结果。

相比之下，传统数据库和数据仓库要求用户信任监督和管理系统的中央机构。这些集中式系统容易受到潜在的篡改、欺诈以及与单点故障相关的风险。将此类系统连接到智能合约会损害区块链技术的零信任模型。

去中心化数据库与零知识数据库

看似显而易见的答案是去中心化数据库。去中心化数据库，例如 Space and Time 的去中心化 HTAP 数据仓库，将 SQL 数据库的高效计算能力引入区块链堆栈，而不会引入集中式、需要信任的故障点。在去中心化数据库中，数据分布在节点网络中，每个节点负责一部分数据。从表面上看，它似乎是对智能合约有限存储和计算的完美补充，Web3 领域的许多公司都在为此构建。

但是，除非数据和计算分布在足够多的节点上，以便有效的共识算法保证其完整性，否则信任仍然是一个因素。如果您的数据由单个节点操作员甚至少数节点操作员管理，您仍然需要相信操作员没有操纵任何内容。共识对于像以太坊这样的网络来说效果很好，因为交易会在数千个节点上复制，但随着节点数量的减少，它的效率也会降低。我们在区块链网络中看到的这种极其冗余的复制首先就是它们存储和计算如此有限的原因。所以你会怎么做？如何构建一个高效的去中心化数据库，以完全不信任的方式向智能合约提供查询结果？为此，您需要零知识证明。

经过 Zk 验证的查询结果及其功能

SQL 证明是一种 zk 证明，可提供加密保证，确保您的数据和查询结果没有被运行数据库集群的节点操作员操纵。与依赖多个节点就数据有效性达成一致的共识不同，零知识证明允许一方证明陈述的正确性，而无需透露任何其他信息。对于 SQL 证明，它可以确保您正在查询的数据是正确的，并且自摄取以来没有被篡改，并且您收到的查询结果是该数据的准确 SQL 计算。

需要 SQL 证明来保证去中心化数据网络的去信任性，而不需要不必要的节点复制或依赖共识。这使得智能合约能够提出复杂的、数据驱动的问题并获得可信的答案，从而扩展其潜在的应用程序和功能。借助 SQL 证明，您可以实现 SQL 数据库的效率以及区块链的安全性和防篡改血统。这项技术让企业和 dapp 能够自信地利用链下存储和计算来补充智能合约的有限容量，为 Web3 应用释放新的可能性，让智能合约变得“更智能”。

怎么运行的

现在我们已经解决了 SQL 证明解决的两个主要问题，我们可以进一步深入研究它的工作原理。我们知道 SQL 证明保证以下内容：

1. 在数据被摄取和查询之间，数据没有被操纵。

2. 您收到的查询结果是对存储数据的准确计算。

3. 查询结果本身在返回给您之前没有被篡改。

但让我们看看如何做。请记住，我们只会按照普通人（阅读：非密码学家）的需要深入了解幕后发生的事情。如需更深入的了解，请查看由 Space and Time 联合创始人、研究主管兼协议创建者 Jay White 撰写的Proof of SQL 文档。

下图显示了高级 SQL 架构的证明：

时空架构中的证明者和验证者

Zk 证明是一种协议，其中不受信任的证明者让验证者相信某个陈述是真实的，而无需共享任何附加信息。与任何 zk-proof 架构一样，Proof of SQL 由两个组件组成：证明者和验证者。这些组件的名称很好，并且功能与听起来完全一样：证明者生成证明，验证者对其进行验证。换句话说，将证明者视为提出主张的人，将验证者视为检查该主张是否属实的人。

在《空间与时间》中，当您使用 SQL 证明运行查询时，数据仓库（存储数据的位置）充当证明者。它生成一个证明，表明查询结果是准确的并且未被篡改。该证明是使用复杂的加密算法生成的，这需要大量的计算能力。幸运的是，数据仓库基于 NVIDIA GPU 构建，GPU 专为并行处理（相对于顺序处理）而设计，因此对于此类计算来说比 CPU 快得多。这意味着即使计算量很大，也可以相对快速地生成证明。而且由于该协议不要求证明者是不可信的（仅要求验证者），因此每个查询只需执行一次。

验证者的工作是检查证明并确保其正确。验证在计算上足够轻量，可以通过空间和时间验证器层、去中心化的预言机网络或智能合约冗余地完成，所有这些都确保了协议的去信任性。Proof of SQL 团队正在构建轻量级验证，最终甚至可以通过运行客户端库的 iPhone 等设备来执行。

防篡改查询流程

让我们一步一步地过一遍防篡改查询的过程。

第 1 步：摄取和承诺创建

当数据被摄取到空间和时间时，无论是我们从主要区块链索引的数据，还是从游戏、应用程序或其他数据库加载的数据，它首先都会通过验证器层进行路由。验证器捕获数据的承诺（我们称之为“指纹”）并将其存储起来以供以后使用。（注：我之前提到过，验证也可以通过智能合约来完成。这是因为，与一次可能有几 GB 的原始数据不同，指纹很小，并且可以以经济实惠的方式存储在链上） 。接下来，验证器将原始数据发送到存储它的数据仓库。

第二步：查询请求

当您通过 API、JDBC 驱动程序或 Space and Time Studio 发送查询请求时，验证器会将其路由到数据仓库。（验证器还负责确定查询是事务性的还是分析性的，并将其路由到适当的 OLTP 或 OLAP 引擎，这非常简洁，但您可以在此处阅读更多相关信息）。

步骤3：证明生成和查询结果

数据仓库解析查询，计算正确的结果，并生成加密证明，证明在计算查询时没有任何内容被篡改。然后它将查询结果和证明发送回验证者。

第四步：证明验证

然后验证者检查证据、查询结果和存储的数字指纹，以确认数据在摄取时间和查询时间之间没有更改。瞧！您已经获得了防篡改的查询结果。

它能实现什么

希望此时您对 SQL Proof 是什么、它如何工作以及它解决什么问题有一个全面的（尽管是高层次的）理解，这应该为您提供更好的基础上下文来理解它的一些用例。我们将介绍其中的两个。

去中心化期权交易

让我们回到去中心化期权交易的例子。在这篇博文的前面，您读过以下内容：

“[智能合约]对于简单的链上价值交换非常有效，但是对于需要更复杂计算的东西（例如期权交易）又如何呢？就其本身而言，智能合约甚至无法提出一个简单的问题，例如“拥有该集合中的两个 NFT 的所有钱包是什么？” 为了让智能合约“更智能”，你必须将它们连接到链下存储和计算；你必须给他们一种提问的方式。”

现在您知道 SQL 证明是缺失的部分，它允许智能合约询问和回答有关其自己链上的数据、其他链上的数据的数据驱动的问题（在此处阅读有关空间和时间区块链索引服务的更多信息），以及从任何链外源加载的数据。这使得 SQL 证明特别适合数据驱动的 DeFi 协议，例如去中心化期权交易平台。

选项解释

期权是一种金融工具，赋予交易者在特定时间范围内以预定价格购买或出售标的资产（例如加密货币）的权利。在 Web3 中，期权交易通过智能合约实现自动化。SQL 证明允许这些智能合约实时查询定价信息，并保证他们获得的信息准确且未被操纵。

可验证的价格信息

计算期权价格的计算量太大，无法通过智能合约来完成；它必须使用Black-Scholes 模型等复杂算法在链下完成。如果用户想要计算加密代币衍生品的隐含波动率或期权价格，他们将获取这些代币在空间和时间上的价格历史记录，然后运行 ​​Black-Scholes 模型来计算期权价格或隐含波动率。在这种情况下，智能合约可以在交易发生之前直接从 Space and Time 查询数据，以确保交易时的价格正确、可验证。以下是该流程如何确保价格准确且防篡改：

1. 将模型的必要输入存储在空间和时间中。这些可能包括代币价格、执行价格、波动性和到期时间等参数。

2. 实现模型并使用存储的输入来计算期权价格。

3. 将生成的期权价格以及模型中使用的任何中间值或计算结果存储在空间和时间中。

4. 将从 Space and Time 检索实时期权价格的 SQL 查询发送到您的智能合约。

5. 使用 SQL 证明来验证查询及其结果的完整性，确保输入和输出未被篡改。

银行财团账本

SQL 证明还使 Web3 之外的企业能够利用可验证的数据和计算，这对于财务价值与数据直接相关的行业尤其重要。例如，在银行财团分类账中，每个成员银行根据其各自的交易计算自己的损益表，这些交易存储在单独的数据库中。一旦计算出损益，银行就会将其记录在共享分类账上，其功能有点像区块链（可以添加交易，但不能删除或更改交易。联盟对添加的数据达成共识）。该账本成为该联盟的单一事实来源。

准确且可验证的计算

财团成员需要确信每家银行记录的损益是准确的，并且在添加到分类账之前没有被操纵。SQL 证明允许这一过程以可验证的方式完成，因此任何银行都不必信任其他银行的完整性。当银行将其损益表添加到共享分类账中时，它提供了一个证据，保证其损益表是根据其数据库中的交易正确计算的……没有人操纵结果或用于计算结果的日内数据。

透明度和问责制

这种相互问责制度促进了联盟成员之间的信任和透明度。每家银行都可以确信共享账本包含准确可靠的财务数据，而不必信任其他机构。

验证一切的未来

如果您到目前为止一直坚持我的观点，您可能开始意识到这比智能合约、银行或数据库要大得多。SQL 证明正在赋能未来，所有金融、经济和业务流程都不是建立在信任的基础上……而是建立在验证的基础上。验证一切的未来。

Space and Time 开创了第一个 zk 数据仓库，开启了验证时代，但我们设想的未来将远远超出 Space and Time。我们设想未来世界上的每个数据库都通过 SQL 证明进行验证，其中 SQL 证明是标准。我们很高兴能够继续朝着这个未来迈进，并期待在未来几个月分享更多里程碑。

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提示

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

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、相互关联的数字游乐场。

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加，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，每个交互都是可审核的、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

浏览复杂的数据集并执行多方面的查询是许多数据驱动应用程序面临的常见挑战。开发人员可能会发现自己一遍又一遍地编写和运行相同的复杂的多表查询。这可能既耗时又容易出错，尤其是随着数据的增长和发展。为了支持更好的开发人员工作流程，我们很高兴地宣布我们引入了对空间和时间视图的支持。

从本质上讲，视图就像保存的查询快捷方式，您可以在将来的 SQL 语句中引用它。Space and Time 已经允许您在 Studio 界面上保存和命名查询，但通过增加对视图的支持，您可以在新的 SQL 语句中引用保存的查询，并轻松使用它为您的智能合约编写更复杂的逻辑一种具有成本效益的方式。此外，此升级还将实现更快的查询结果，以便更快地加载到您的应用程序、仪表板、BI 工具等上。

怎么运行的

视图是一种虚拟表；它是存储在数据库中的命名 SQL 查询。典型用途包括：

• 以消费者认为更自然、更简单等的方式构建数据。

• 限制数据访问/可见性（例如限制表列）

• 为架构已更改的表提供向后兼容的接口

当您查询标准视图时，数据库会对基表运行基础 SQL 查询并返回结果。它本质上是一种保存和重用复杂查询的方法，但它不存储结果数据，因此每次查询视图时，都需要再次执行底层查询。

Space and Time 支持标准视图，还支持两种特殊类型的视图：物化视图和参数化视图。

物化视图

物化视图是其结果在执行之前被物化的视图。换句话说，根据某些用户配置的冲动（无论是成功提交到引用的表还是只是过去的时间间隔），存储在物化视图中的数据都会被刷新。从用户的角度来看，对物化视图进行操作非常简单：它们的查询方式与视图相同，创建物化视图只需要有关刷新的额外配置。

参数化视图

参数化视图是添加参数的视图的扩展。参数是用户在执行视图时必须提供一些值的变量。因此，参数化视图可以对常见查询进行模板化，从而进一步提高与数据库交互时的工作效率。

它能实现什么

Space and Time 对标准、物化和参数化视图的支持为分析开辟了大量新用例：

• **复杂的分析操作：**如果您正在处理涉及多个繁重计算的复杂数据分析，例如时间序列分析、多维分析或任何其他复杂的操作，视图可以通过存储预先计算的结果来显着加快这些操作的速度，从而允许您可以更有效地产生见解。

• **更快的仪表板：**假设您的应用程序包含一个仪表板，可显示最近的用户活动、关键性能指标以及定期更新的其他信息。您可以使用物化视图来存储这些查询的结果，而不是每隔几秒运行一次占用大量资源的查询来刷新仪表板。这减少了数据库的负载，并允许更快地更新仪表板。

• **个性化的用户体验：**参数化视图非常适合需要根据个人用户配置文件或操作检索特定信息的场景。如果您想使用参数化视图为应用中的每个用户显示个性化活动源，您可以创建一个带有用户 ID 占位符的查询模板，这样您就不必为每个用户编写唯一的查询。这不仅简化了您的代码，还提高了应用程序的性能。假设您想要按时间范围创建 NFT 购买图表。您可以使用一些简单的参数（例如时间范围、交易哈希、智能合约地址或用户地址信息）轻松执行历史分析，而不是简单地提供区块链的当前状态。

许多人的印象是加密货币对环境有害。比特币及其POW算法导致许多人建造整个仓库来开采比特币，这让人们认为区块链和加密货币作为一个整体正在破坏环境。尽管有许多区块链致力于改善环境影响并减少这种负面看法，但我们仍然有方法可以进一步改进。

目前，想要获取传统 Web2 数据并将其与区块链数据相结合的公司被迫通过多个网关和第三方，从而产生大量计算并减慢运行时间。这就产生了两个大问题：数据必须被复制并保存在区块链以及 Web2 服务器上，然后如上所述的第三方必须对新的区块链数据进行分析。您觉得这听起来很复杂并且需要大量资源吗？对我来说确实如此。另一方面，如果你想创建一个真正去中心化的应用程序，你必须将其所有数据存储在链上，这是计算成本高昂的。 Space and Time 使开发人员能够分析来自链上和链下来源的数据，并且只将重要的结果放在链上，从而节省运行时间……和环境。没有重复的数据，只有可证明的结果。用一句古老的说法来说，SxT 就是一石二鸟。

一些例子…

如果您已经接触 Web3 领域一段时间，您可能听说过 Solana。 Solana 使用POS而不是 POW，使其交易速度更快、效率更高。由于这种效率，Solana 链也是最环保的链之一。 Solana 链每年产生的碳足迹为 10,007 吨二氧化碳。这个数字听起来很高，但与美国18家最大银行每年排放19.68亿吨二氧化碳相比，实际上是微不足道的。比较这两家银行可能会显得有些奇怪，当然最大的 18 家银行会产生大量排放。然而，如果我们进一步挖掘并查看这些银行的交易数量并将其与 Solana 进行比较，我们就会开始看到整体情况。2019年银行联合购买交易量约为396亿笔。与Solana 每年约 100 亿笔交易相比，我们发现 Solana 链产生的二氧化碳只是这些银行每年四分之一交易产生的二氧化碳的一小部分。作为参考，Solana 产生的二氧化碳约为银行排放量的 0.000508%。

让我们更深入地研究一下，如果我们想分析针对银行的区块链交易怎么办？或者，进一步停止将某些区块链数据存储在链上的要求？如上所述，加入 Web3 区块链数据和 Web2 银行数据将需要大量第三方程序和大量计算能力，除非您使用空间和时间。通过使用空间和时间，这些链外数据永远不必加载到链上，而是可以按原样处理数据。只有数据的聚合和分析结果才会加载到链上——所有这些都由 Space and Time 的 SQL 证明来证明。比以往更加高效且环保。

对于可持续发展的区块链的另一个例子，让我们看看现代和起亚基于 Hedera 网络构建的新监控系统。 Hedera 已成功将其交易的能源效率比 Solana 高 170 倍。考虑到上面关于 Solana 的所有内容，这无疑是一个令人印象深刻的数字。然而，Hedera 是一个“标准”的 Web3 区块链；意味着网络中的数据必须全部连接到云端。除了存储在其他地方的 Web2 数据之外，区块链数据还必须全部存储在某个地方。借助空间和时间，这些数据可以全部存储在一个地方，这意味着更少的硬盘驱动器浪费，以及更少的数据所在磁盘的翻新。与我们的 Solana 示例类似，需要处理的数据越少，自然对环境的影响就越小。特别是像硬盘废物这样有害的东西，处理的影响包括：有毒化学物质和颗粒物的释放、稀土金属的损失以及工程部件的损失，这对环境和消费者来说极其有利。

还有气候行动数据信托的例子。 CAD Trust 的目标是将所有主要碳信用登记数据联系起来以提高透明度。通过使用区块链，他们的目标是创建碳排放的去中心化记录。目前有三十个参与组织以及十一个国家政府。例如，新加坡政府承诺到 2030 年将排放量减少 36%，其数据目前存储在 CAD Trust 链上。 CAD Trust 链本身如何更加环保？当然还有空间和时间。通过将区块链数据与政府和组织生成的链下数据相结合，CAD 可以识别和了解实现更好可持续性的机会……并以可持续的方式做到这一点。

结论

区块链在可持续发展方面名声不佳，但 Web3 正在努力解决这个问题。许多项目已改用 POS 算法或某种允许使用更少能源的变体。像 Solana 这样的区块链处理的交易量约为主要银行的 25%，同时产生的碳排放量却高达主要银行的 0.000508%。还有像 CAD Trust 这样的项目可以提高气候数据的整体透明度。有了空间和时间，这种效率和透明度只会增加，并带来更绿色的未来。总体而言，区块链具有与任何其他交易和数据存储方法一样或更环保的能力。这完全取决于如何使用区块链。通过使用空间和时间，这些区块链技术可以比以往更加环保。没有重复数据，没有第三方，没有不必要的链上天然气

数据革命和人工智能：可验证性挑战

随着人工智能的出现，我们已经进入了决策日益自动化的阶段。人工智能算法从数据中学习，它们做出的决策取决于它们所输入的数据。如果输入数据有缺陷、有偏见或不完整，结果将反映出这些缺陷。

此外，随着人工智能系统变得更加复杂，其决策过程往往变得不那么透明，导致有时被称为“黑匣子”的人工智能。这种不透明性使得理解特定结果是如何达成的具有挑战性，凸显了对可验证数据和可解释人工智能模型的需求。

深度造假和错误信息的兴起

在数据泛滥的世界中，区分事实与虚构的能力变得至关重要。我们看到深度造假和错误信息活动的兴起，这些活动利用先进的人工智能技术来创建和传播难以区分真假的虚假信息。可验证性可以在应对这些威胁方面发挥至关重要的作用，有助于维护数字领域的真相和信任。

‍

解决方案：可验证的数据库

这就是空间和时间发挥作用的地方。作为一个可验证的数据库，时空确保数据不仅可靠、准确，而且可追溯、可审计。

空间和时间创建了一个分散的数据分类帐。通过这种方式，数据库提供了清晰的、不可更改的数据历史记录，确保了透明度和去信任性。

未来：人工智能时代的信任和透明度

随着我们的前进，对可验证数据的需求只会变得更加重要。随着人工智能和数据驱动决策的兴起，信任我们交互的信息的能力至关重要。像空间和时间这样的可验证数据库提供了一种在日益复杂的数字环境中确保信任、促进透明度和问责制的方法。

归根结底，可验证性不仅仅涉及数据完整性；还涉及数据完整性。这是为了建设一个我们可以自信地依赖人工智能系统的未来，因为我们知道它们的决策是基于准确、可靠的信息。这是为了创造一个在面对日益复杂的情况和潜在的错误信息时坚持真相和透明度的世界。这是为了确保当我们迈向未来时，我们对塑造世界的数据充满信心。