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。这种迭代周期会增加延迟，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和连贯的方式进行。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

这篇博文改编自最近的播客节目，其中 Space and Time 首席技术官兼联合创始人 Scott Dykstra 采访了 ChainML 创始人兼首席执行官 Ron Bodkin，讨论了休斯顿的能力、生成式 AI 的未来以及两者之间的合作关系项目。

**Scott Dykstra：**我是 Space and Time 联合创始人兼首席技术官 Scott Dykstra，我和 ChainML 首席执行官兼创始人 Ron Bodkin 在一起。Space and Time 一直在与 ChainML 合作开展大量工作，将文本到 SQL 的 AI 集成到 Space and Time 中。也就是说，ChainML 实际上提供了一个对话式 AI 引擎，Space and Time 在我们的聊天机器人中使用了该引擎。如果没有 ChainML 团队以及 Ron 和他的工程团队的帮助，我们在聊天机器人方面将面临很大的挑战。因此，Ron 提供的是企业级对话人工智能引擎，我们已将其集成到我们的应用程序中。与 ChainML 合作是一次非常有趣的经历，ChainML 也是我们在 Chainlink BUILD 计划中的另一个合作伙伴。罗恩，很高兴见到你。

**罗恩·博德金：**很高兴今天在这里与您交谈，斯科特，我们非常高兴与您在休斯顿合作。你知道，我们认为 Space and Time 确实是应用对话式人工智能使应用程序更有用的创新者。休斯顿正在使获得客户支持和提出问题变得容易，而不仅仅是文档，甚至生成代码以方便与数据库和支持技术集成，并轻松使用空间和时间数据库进行分析，以便用户可以可视化数据，甚至进行预测。你知道，这里面有很大的力量。我们看到越来越多的项目意识到通过生成式人工智能添加这些功能非常重要。您知道，我们感到兴奋的事情之一是我们的引擎可以轻松地将这些更复杂的用例分解为小型代理，这些代理可以一起协作并真正交付结果。我当然很高兴谈论我们如何合作以及我们如何实现这一目标。

**Scott：**是什么让 ChainML 专注于对话式人工智能？ChainML 这段旅程的起点是什么？

**Ron：**作为一个团队，我们 ChainML 的人已经在人工智能领域工作了很多年，所有领导团队都在人工智能领域工作了十多年。而且，您知道，多年来我们一直对大型语言模型的强大功能感到兴奋。我对此感到兴奋，并在 Google Cloud CTO 办公室与大客户合作时利用它。当我去 Vector Institute（加拿大领先的人工智能研究机构之一）并与一些大型行业客户合作时，我们正在帮助他们研究如何使用这些模型来提供客户支持以及与客户互动。而且技术正在变得越来越好。因此，我们开始与 Web3 客户交谈，并询问“围绕人工智能所做的哪些事情让您感到兴奋？” 我们看到人们对改善用户访问数据的体验非常感兴趣。我们构建了一个小型黑客马拉松演示来展示我们所兴奋的内容，斯科特，你看到了，也许我会让你描述一下接下来发生的事情。

**Scott：**是的，我认为 ChainML 在聊天机器人中提供的功能给我们留下了深刻的印象，例如根据区块链数据进行预测、围绕意图路由的功能，就像我要求在聊天机器人中执行某个操作一样。聊天机器人，ChainML 很好地弄清楚了意图是什么，并将我的请求路由到适当的后端来满足该请求，无论是文本到 Python 应用程序还是文本到 SQL 应用程序，还是预测模型，或者，你知道，可能即将推出一些更复杂的功能。询问有关《时空》文档的问题。您认为这将走向何方？您认为 ChainML 在 AI 和 Web3 的交叉点上继续构建什么？

**罗恩：**我们很兴奋！我们正在准备该引擎的开源版本。所以这很快就会到来。这将使更多的人能够构建一些强大的体验。显然，随着越来越多的 Space and Time 客户开始使用休斯顿，我们感到很兴奋，并表示，我们如何扩展它并在代理中添加我们自己的一些技能和功能，以使其能够很好地适合我们的用例。这些都是我们想做的重要事情。您知道，我们认为，行业越来越多地转向如何不只是构建演示？嘿，您可以构建一个调用 GPT-4 并执行一些有趣操作的演示。但是如何构建可以部署的健壮的东西呢？如何做到这一点，才能真正对它返回的答案充满信心，并进行事实检查和获取参考资料等事情？如何使用不同的模型和日益强大的开源模型来准备信息并验证它？与最强大的商业模型（如 GPT-4 和 Claude）配合，可以产生真正高质量的结果。所以我们认为这很重要。

下一步将开始进行多式联运，对吧？因此，不仅是语言，还包括处理图像和视频以及更复杂的模式。我认为，你知道，更多的公司和项目将会像 Space and Time 一样，在他们的应用程序中构建丰富的对话体验，比如 Houston。因此，我认为更多的组织将会这样做，因为它非常有价值，而且这将利用访问数据库数据以及非结构化数据的需求。我认为您仍然看到更多的人正在构建“如何查询文档？”的演示。但你知道，能够在人工智能中集成文档和结构化数据也将非常重要。

**斯科特：**我完全同意。我认为很多项目、Web3 中的很多协议都会尝试构建自己的聊天机器人，并意识到使用 OpenAI 的聊天 API 来启动和运行聊天机器人或者获取基础知识很容易。但是，当他们开始意识到，嘿，需要有一层意图 - 路由层是我能描述的最好的，这有点像位于前端聊天机器人和后端大型之间的中间件层您正在使用的语言模型。您需要中间的一些东西作为基于代理的框架来与后端的大型语言模型进行通信。您认为 ChainML 明年会走向何方？您很快就谈到了开源对话式人工智能引擎。您的团队还在做什么？

**Ron：**我们正在与许多很高兴使用它的客户合作。我们认为将会有越来越多的功能，不仅仅是意图检测之类的东西，还有如何进行细化和改进。如何通过良好的协调规划来分解更复杂的问题？你什么时候得到一个人的反馈？正确的？所以我认为，今天，人们往往植根于一种非常非常短周期的聊天机器人心态，比如，我要求人工智能助手快速做某事，它会做或不做。我们认为，它正在走向一个世界，人们将在人工智能的持续帮助下完成更复杂的项目。我们认为这是一个非常重要的方向。其中一部分还包括增加更丰富的质量管理。

那么，如何衡量人工智能在各种任务上的表现，以便您能够不断改进并了解自己的处境？正确的。因此，这既包括使用人工智能来获取有关人工智能的反馈，也包括何时让人们提供输入，无论是应用程序的用户提供明确的反馈，还是只是使用第三方团队提供关键反馈，以便你可以不断评估和改进。因此，这些都是我们很高兴能够开展工作的领域。我们也很高兴能够继续推进引擎运行的底层基础设施。我们有一个执行人工智能的协议，它允许你以去中心化的方式运行，这样你就可以以抗审查的方式在正确的位置在正确的 GPU 上运行。所以我们也正在朝这个方向努力。我们认为这也将成为 AI 和 Web3 交叉点的一个重要方向。

**Scott：**随着 LM 的开源方面变得越来越好，您是否认为 ChainML 有可能在某个时候训练您自己的 LM？

**罗恩：**是的，这是个好问题。我的意思是，我非常看好开源语言模型的快速进步以及用于阅读高质量开源的资金。所以，你知道，我认为将会有越来越多的机会使用各种优秀的开源模型来创造有价值的体验，并且许多公司已经在测试和比较它们。但我认为，如何微调它们并对数据进行小幅调整以使其适合特定用例，通常存在一些容易实现的目标？我们发现，这通常不是您想要做的第一件事，您可以通过集成外部数据为模型提供正确的信息并准备响应，甚至尝试一些不同的提示策略并评估和完善来更快地行动。因此，您可以做很多事情来提高人工智能代理的质量，而无需构建自己的自定义模型。

但这肯定是我们随着时间的推移而思考的一个方向，社区希望看到用于培训开源的资源。因此，随着我们规模的扩大，我们可能会在这个领域做更多的事情。但现在，我认为很高兴看到如此多的非营利组织、学术界以及商业公司创建开源大型语言模型。我认为在 Web3 社区中，DAO 将越来越多地站出来并希望支持伟大模型的创建。所以我认为这是一个快速发展和进步的领域。

**Scott：**我们的合作伙伴关系目前只专注于数据管理——我们可以在聊天机器人中提供哪些不同的功能，使 dapp 开发人员、业务分析师、数据工程师能够更好地管理他们的数据。所以我可以看到一个开源的 LLM 可能在这些领域进行了微调，这对未来的 Space and Time 和 ChainML 确实有利。

**Ron：**是的，我认为你肯定想测试一下，然后说，在某些时候，你是否会通过专门针对数据库查询和分析用例微调 LLM 获得更好的结果，而不是，你知道，有多少结果？只需跟上最新模型的快速发展并向他们提供正确的信息以产生良好的结果，您是否会受益？另外，我们关注的一件大事，我认为很重要的是，它不仅仅是一个完成的事情，比如要求一个模型产生一个输出，而是能够测试它并使用什么的反馈那是为了完善它。甚至与此同时，一些批评者说，“这有什么潜在的错误或潜在的不正确之处？” 并解决这个问题。或者，你知道，也许最终会回到用户那里问他们，“嘿，我想澄清一下，你知道，你如何衡量这个关键目标，以便查询不仅仅是正确的数据，而是方法你想测量一下吗？” 正确的？

因此，坦率地说，我认为这是一个很大的转变，业内人士非常关注培训模型。但这些生成式人工智能模型的强大之处在于，一个模型可以在多种任务上表现出色。如果你给它一些背景信息，那就可以做得很好。所以我认为未来训练自定义模型的需要会大大减少。

**斯科特：**是的，我绝对同意。我们已经谈论了很多关于休斯顿的事情。让我们快速浏览一下休斯顿，描述休斯顿是什么，然后从那里开始。Houston 是 Space and Time 的聊天机器人，是与 ChainML 合作构建的，当然也是由 ChainML 提供支持的。Houston 是我们共同构建的一个聊天机器人，旨在让用户更好地执行文本到 SQL 的生成：例如，在提示符下询问自然语言问题，返回 SQL，针对区块链数据运行该 SQL。我们还使用 Python 做了很多工作。例如，我今天正在玩一个提示：写一个 Python 脚本来从 Polygon 周围的 Twitter API 中获取 Twitter 情绪数据，基本上是说，嘿，我想写一个简单的 Python 脚本来 ping Twitter 的 API，获取任何我们可以围绕 Polygon 获取数据 – 你知道 Twitter 上围绕 Polygon 的讨论是什么吗？然后，当然，将其集成到我们的应用程序中，我们会看到这个开放的人工智能为我们生成了 Python 脚本。我们可以在我们的 Python 预览器、代码编辑器、代码预览器中实时调试它，然后从那里开始。

而且，您知道，这远远超出了文本到 SQL 的范围。我开始看到许多不同的以数据为中心的应用程序（无论是在 Web3 中还是在 Web2 中）开始使用文本到 SQL 进行越来越多的工作，我们稍后将对此进行描述。但我认为，当您还可以生成简单的 Python 脚本来将数据加载到数据库中、将数据加载到空间和时间中、从外部源获取数据以及生成 Chainlink 预言机作业时，它就会变得非常强大。因此，真正有趣的地方是在前端：我说，嘿，给我一个 Python 脚本，这是我的 Python 脚本的参数。在后端，ChainML 解释该请求并将该请求路由到以 Python 为中心的模块，然后该模块要求 GPT-4 返回 Python 脚本。ChainML 所做的是提供一个中间件层，在对话中适当地进行路由，因为单独地，如果我说，你知道，向我展示所有至少有 10 笔链上交易的 Polygon 钱包，这是一个这是非常不同类型的请求，也是我们将发送到 GPT-4 的一组非常不同的提示。ChainML 提供了中间件，一个中间层，可以将请求路由到适当的后端逻辑，无论是 SQL、Python、理解文档、提交错误，您可以采取许多不同的操作在专注于数据的聊天机器人中。如果你只做一件事，那很容易，对吧？如果我们只进行文本到 SQL，这很容易，但当有很多不同的操作时，ChainML 会有所帮助。

**Ron：**即使在生成代码或执行数据库查询时，控制流中也已经存在一些复杂性，您不仅必须能够输入正确的上下文信息，对吗？就像，您知道，为了生成目的，需要从空间和时间代码库中获取哪些相关代码？正在使用的最新 API 或最新表是什么？但随后也会迭代结果说，嘿，也许让我们测试一下，就像，嘿，这里可能有错误，所以让我们修改脚本或 SQL 代码来响应，看看什么实际上会产生正确的结果。因此，即使在这些链之一中，获取准备信息和生成结果的整个流程，迭代直到获得工作结果然后返回它，也比仅仅让我们尽力而为要复杂得多你看，对吧？

这是一个巨大的胜利，因为大多数时候，当用户使用 ChatGPT 时，它不知道最新的 API。它的信息在 2021 年就被切断了，所以它已经过时了。而且您甚至没有关于某些 API 的任何信息。第二，如果它犯了错误，你就有责任去接受它，引导它，告诉它这是错误，你要做什么来修复它。而且你不需要与聊天机器人来回喂食的过程。因此，对于用户来说，让所有工作都能自动且可预测地完成是一个巨大的胜利。

*斯科特： ****没错。因此，当您只需要开始处理一些数据、发现某些数据集或开始快速编写查询时，聊天机器人可能会特别有用。例如，这些可能不是您必须放入仪表板的生产级查询。但有时他们是这样的，而且只是开始寻找你需要的数据，整理数据集，开始使用正确的模式、正确的列针对区块链数据编写 SQL，并找出一些简单的东西，比如，嘿，向我展示每天的 Polygon 交易以开始，或者，你知道，向我展示所有至少有 5 笔链上交易的 Polygon 钱包，并开始，你知道，在聊天机器人中取回准确的 SQL。该 SQL 在聊天机器人中执行，当然，您不仅可以获得查询结果，而且还可以可视化该查询结果并编辑数据可视化。在一个案例中，我问，嘿，向我展示 Polygon 每天的交易情况，在一个舒适的范围内。我们正在返回带时间戳的交易哈希、发件人和收件人地址以及有关该组钱包的信息。在下一个查询中，我询问的是链上有一定数量交易的钱包。因此，只要能够在聊天机器人中提出自然语言问题并返回针对空间和时间执行的准确 SQL，它确实可以加快找到所需内容的价值实现时间。 *

因此，您知道，我们的许多业务分析师正在研究代表 Polygon 的数据集。因此，我们已经获得了 Polygon 上链上内容的关系 SQL 副本。而且还有很多桌子。您有自己的区块表，可以与您的本机钱包表等连接，但开始查询它可能会很困难。因此，好处是您可以跳入我们的查询编辑器或聊天机器人，并开始编写 SQL，从 Polygon 块中选择所有内容。我们可以开始看到我们引用的块表，以及我们可以加入的其他表。但是我们的很多用户说，嘿，我们需要向前迈出一步，我们需要真正开始查询它。所以我可能会说，你知道，看看这里的这个数据集，我会说，你知道，向我展示所有区块表，其中使用的 Gas 量大于一定量的 Gas 或区块奖励高于一定数量。现在，这是一个非常强大的发现工具，可用于开始构建仪表板或为数据集充电。只需一秒钟，我们就从 OpenAI 获取 SQL，该 SQL 查询针对空间和时间数据库执行。我们甚至可以在那里看到一些生成的可视化效果。而且，您知道，对聊天机器人中正确的数据可视化可能是什么样子的一些猜测。ChainML 的作用在于，当我说“显示 XYZ”时，ChainML 知道这是一个 SQL 请求，而不是我要求的 Python 脚本，也不是有关 Space and Time 文档的问题。我不想进行一般性的聊天对话，我有一个非常有针对性、非常具体的请求：向我展示多边形块。因此 ChainML 知道这是一个 SQL 请求，将请求适当地路由到后端 SQL 模块，然后该模块与 OpenAI 对话，并向 GPT-4 提供一堆额外的提示上下文。

**Ron：**是的，我的意思是，ChainML 的引擎不仅决定什么是正确运行的链、什么是正确的功能集，而且在控制流程中，比如，嘿，首先，我们如何提供相关的功能您所要求的该查询的表、您所要求的查询类型，并提供有关其子集的信息以生成 SQL，然后使用运行查询的结果来说明是否有错误，就放弃它返回并纠正它以获得正确的结果？就像在代码生成示例中一样，使用 API 中的最新代码提示它，以便它知道如何生成信息，这与您回顾 GPT-4 等模型中内置的内容不同，其中它拥有最后的知识关于 API 的内容是 2021 年底的。所以已经过时了，对吧？因此，获取最新信息，基于该信息生成，然后循环和更正，这对于脚本很重要，对于 SQL 也很重要，而且，你知道，我们认为这是为分析师创造影响力的一种非常强大的方式，对吧？你不需要成为提示专家，你不需要用勺子喂养像 ChatGPT 这样的聊天机器人，然后回去说，让我运行它，让我获取更多信息，让我修复错误。您无需轮流聊天即可获得有用的查询。它将自动执行所有这些操作，最终您将获得一个功能强大的分析工具。正确的？

而且，你知道，我不想过多地预览我们的发展方向。但我们认为这是我们可以构建的一个原语，并构建用户可以拥有的更强大的分析工具。因此，不仅生成查询并将其可视化，而且如何不断提高标准，以便分析师可以更好地查看丰富数据库中的所有数据，例如空间和时间数据库，以及所有精彩的区块链索引数据，并在此基础上真正进行强大的分析。

**斯科特：**您预计还有哪些其他行动对您的客户很重要？Space and Time 非常注重数据工程：SQL、Python、有关我们文档的问题，重点是数据库。您认为 ChainML 路由对您的客户还有哪些其他行为或意图？

**Ron：**我们认为 DeFi 和金融领域有很多人经常喜欢深入分析不同的策略并预测潜在的结果 - 你知道，自动化他们的交易策略和风险管理协议，对吗？因此，这些都是越来越多的内置功能的示例，因此代理可以进行更多的分析，为您提供更多的杠杆作用和更多的自动化，同时仍然让您最终拥有控制权并决定您想要做什么。我们看到许多协议不仅希望将支持集成到已编写的文档中，还希望集成到根据最新代码自动生成的文档中。甚至还有代码示例。你知道，我们看到很多项目都对这种能力感到兴奋。他们正在重新思考整个研究和分析领域，将结构化和非结构化数据结合起来，因此不仅拥有来自时空数据库的丰富数据库数据，而且还拥有可能是公司以前的报告或已发布的信息的文档。我们经常看到这样的用例，分析师希望将已经发布的、社交媒体上发布的信息与数据库数据结合起来，我们认为这种丰富的组合非常强大。

**斯科特：**我也这么认为。我认为围绕文档、错误报告、错误报告、客户支持还有更多用例，几乎每个协议、每个 dapp、每个项目都可以利用这些用例，尤其是任何拥有自己的文档的项目，人们已经要求很多的问题。

**罗恩：**是的。您知道，文档是重要来源之一。从 Discord 或其他社区讨论中的噪音中提取信号 - 你如何才能找到权威的答案，而不是新人出现并一遍又一遍地问同一问题的噪音，但谁在富有洞察力地回答问题？您如何从最新的代码中实际获取信息？事实证明，大多数项目的文档都缺少代码，这是一个众所周知的秘密。因此，实际上，优先使用代码而不是书面文档很重要。就像，这是真的，您可能想根据代码所说的内容而不是不久前记录的内容来回答，对吧？因此，回答技术问题并帮助人们提高工作效率是我们认为很多项目都在寻找的一个非常重要的领域。

**斯科特：**那么，举一个简单的例子。假设我从你们的文档中问了一个非常粗糙的问题：告诉我如何使用 PKI 进行身份验证。ChainML 会将其解释为文档请求，适当路由该请求以检索支持文档，然后 OpenAI 就会明白，嘿，PKI 正在引用公钥加密技术。鉴于我们所有的文档，它将返回一个非常合理的响应，说明如何使用私钥签署质询以及如何开始使用空间和时间安全身份验证 API。

**Ron：**还要指出另一件事，就是这样做，你知道，在调用 GPT-4 之前，我们已经对文档建立了索引，并且可以接受该查询并说，我们将找到文档中的以下部分：与它最相关的，这样我们就可以提示它并将其作为大型语言模型的输入，以便它根据正确的上下文进行回答。

**斯科特：**是的。你知道，这只会变得更加强大，因为人们开始提出更复杂的问题，不仅涉及我们的文档，当然还涉及我们摄取到空间和时间并提供的大量索引区块链数据。它最终将成为区块链数据的谷歌搜索引擎。现在，有一个问题到 SQL 语句的映射，我说，嘿，给我看一下至少有 10 个 NFT 的 Polygon 钱包的数量。这是请求到 SQL 的映射。但是，随着我们在矢量搜索方面做得更好，随着我们在组织区块链数据方面做得更好，甚至，你知道，开始将原始区块链数据本身潜在地提供给开源法学硕士，随着时间的推移，区块链数据本身可以搜索、可以生成搜索或使用最近邻算法与矢量搜索数据库、ChainML 和空间和时间一起基本上可以构建区块链数据的 Google 搜索。

到目前为止，我们所做的只是提出转换为 SQL 的自然语言问题，这已经是一个非常非常强大的基础设施，可以快速找到您需要的内容并回答您的问题。但这会变得更多，你知道，我们可以进一步从 SQL 中抽象出一个层。你明白我在说什么吗，罗恩？

**罗恩：**当然。我认为现在是对使用空间和时间的人们说的好时机，我们很想听听我们如何使休斯顿对您来说更加强大。它如何改进您的分析并使其更轻松地访问所有出色的区块链数据和可视化？如何使其成为区块链数据分析的最佳工具？

**Scott：**请告诉我一些您对 Space 和 Time 以及所有客户和合作伙伴如何构建 on-chainML 的期望吗？它真的只是一个托管在后端的 API 吗？与 ChainML 的集成是什么样的？

**Ron：**是的，我的意思是，我们提供 API。我们的引擎可以轻松地将不同的链组合在一起，这些链使用各种模型来解决诸如预测、选择数据、测试假设、查找信息和文档、提供有针对性的对话支持（例如客户服务）等任务，对吗？因此可以很容易地集成这些。它们都被设计为真正的模块化，因此您可以扩展它们，可以更改提示策略，可以将自己的文档和信息放在适当的位置，并说明哪些表与您的项目相关，等等，然后使控制意图是什么、链条是什么、它如何运作、甚至有预算真的很容易，这样你就可以说出你将使用多少资源。

因此，我们让启动和运行以及执行此类用例变得非常容易，并不断构建更复杂的功能。继续构建，例如，如何进行一定程度的过滤？您如何确保所产生的结果与您的品牌想要接触客户并与客户互动的方式一致，对吧？所以有一系列的功能。使用 API 开始很容易，而且扩展也很容易。

**Scott：**从我们的角度来看，Space and Time 的下一步实际上是构建越来越多的数据工程重点功能。在本次讨论的前面，我们展示了文本到 Python，我说，嘿，给我一个 Python 脚本，它可以 ping Twitter API，获取围绕 Polygon 这样的关键字的一些 Twitter 情绪数据。我认为这将成为使用数据库加速实现价值的一个非常非常基本的事情，尤其是已经加载了索引区块链数据的 Web3 原生数据库：空间和时间。作为一项服务，我们已经对链上内容的精确副本进行了索引，并使其可供查询。我们的客户正在使用 ChainML 的对话式 AI 引擎来查询该数据。但随后客户希望将其与自己的数据或链下数据或链下参考表中的数据或来自 TradFi 的财务数据结合起来，以加入与 DeFi 相关的链上数据，例如利率。他们可能想要获取 Twitter 数据以加入链上活动，并查看其映射情况。他们可能希望将游戏数据映射到哪些游戏内事件导致了链上 NFT 购买或铸币。链上发生的事情与链下发生的事情的交集将非常重要。

**罗恩：**是的，我完全同意。我认为，灵活地引入各种数据来公开数据，以便人工智能可以适当地使用它，是持续投资和改进的一个重要领域。所以我们对此感到兴奋。我认为，您知道，您正在开创性地使其成为该协议的最佳开发人员体验。我认为任何 Web3 协议，或者实际上任何以开发人员为中心的项目，都需要考虑如何构建这些人工智能功能，以使其为客户提供丰富、高效的体验。

**Scott：**是的，我认为从数据工程的角度来看，除了简单的文本到 Python 之外，我们接下来可以解决的一些领域实际上是构建端到端的整个管道，真正的 ETL 管道，即，还包括以下管道： Chainlink 预言机作业不仅将数据加载到空间和时间中，而且实际上将空间和时间数据加载到链上，您知道，快速开发完整的端到端数据管道，您可能会在其中获取链下数据并加载它进入空间和时间，对其进行处理、查询，然后将其放在链上，通过 Chainlink 或其他预言机网络将其发送回您的智能合约。端到端的管道将非常重要。我们将做大量工作来利用 OpenAI 来加速这一进程。嘿，聊天机器人，即，嘿，ChainML，给我一个管道，抓取债券市场数据，将其加载到空间和时间中，将其与 Aave 的链上利率结合起来，然后将整个数据集传回我的智能合约。因此，这些端到端数据管道主要对数据工程师和 dapp 开发人员来说非常重要。

另一方面，对于业务分析师来说，实际生成整个仪表板非常重要，不仅仅是 SQL 结果，不仅仅是查询，而是基本上围绕某个主题的整个分析套件。所以你知道，嘿，聊天机器人，嘿，休斯顿，更重要的是，嘿，ChainML，给我一个关于 Aave 清算的仪表板，或者给我一个关于 Chainlink OCR 向节点运营商支付的仪表板，或者给我一个关于 NFT 钱包活动的仪表板今天从这个特定的 NFT 项目开始。我在 Twitter 上看到某个 NFT 薄荷糖真的很流行。我可以在聊天机器人中提出问题，为自己构建一个小仪表板，这样我就可以了解我的 NFT 铸币厂现在的实时链上活动。从这里获得的价值非常快，这是我的铸币厂的地址，您可以快速向我展示有关我的铸币厂的信息，活跃的钱包，哪些钱包交易最多，底价，您知道，快速生成整个仪表板，将是我们的下一个前沿。

**罗恩：**是的，超级令人兴奋。我们还认为，这在某种程度上提高了更强大的代理的标准，无论是为数据工程师实现完整管道的自动化，还是为分析师真正推动下一个水平的自动化和复杂性的仪表板，都是一些超级令人兴奋的方向。它与我们的路线图以及我们想要继续构建引擎的方向非常一致。当然，到目前为止，合作非常顺利，非常高兴休斯顿能够上线并交到客户手中，并且很高兴推出该引擎让更多人试用。

**斯科特：**我完全同意。这是我们两个项目的重点与 ChainML 的完美交集，因此专注于成为意图引擎、用于将请求路由到大型语言模型的会话引擎，以及空间和时间，它拥有真正全面的当前内容副本 -链。我们收集所有数据，组织数据，并使其可供处理。ChainML 生成将要处理的实际代码，该代码将处理该数据。所以，与您的团队合作非常愉快。您的团队所做的事情给我留下了深刻的印象。它确实大大提高了我们的用户体验质量

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

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

下一代 DeFi 期权交易平台 Diving Board 今天宣布正式上线。 Diving Board 通过跨链流动性聚合、先进算法和机器学习 (ML) 见解释放 DeFi 的全部潜力，以实现更明智和更具战略性的交易。

Diving Board 通过聚合主要链上协议的流动性并在全面的 UI 中呈现数据，提供用户友好且高效的期权交易体验。 Diving Board 的设计考虑到了大鲸鱼，它会整理来自 CEX 和 DEX 的数据，帮助交易者为大额交易找到最佳价格，同时最大限度地减少滑点、最大化流动性并确保最佳执行。

Diving Board 现已推出alpha 版。

“我们非常高兴推出 Diving Board，引领下一代 DeFi 期权交易。选项是令人难以置信的数据驱动的，最重要的是，为我们的平台提供支持的数据是准确且防篡改的。我们在 Space and Time 的可验证计算层上构建了 Diving Board，为我们的用户提供更明智、更具战略性的交易。” Diving Board 创始人兼Systango首席执行官 Vinita Rathi 说道。

此次发布的重要组成部分是空间和时间，这是为 Diving Board 平台提供支持的可验证计算层。 Space and Time 的去中心化数据仓库和全栈零知识 (ZK) 开发人员工具将使 Diving Board 通过可验证的数据和计算为其聚合和算法提供支持。

Diving Board 的推出代表了 DeFi 领域的重大飞跃，为主要交易者提供了流动性、价格执行、风险管理、安全和用户体验方面的一流体验。

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。

下一代 DeFi 期权交易平台 Diving Board 今天宣布正式上线。Diving Board 通过跨链流动性聚合、先进算法和机器学习 (ML) 见解释放 DeFi 的全部潜力，以实现更明智和更具战略性的交易。

Diving Board 通过聚合主要链上协议的流动性并在全面的 UI 中呈现数据，提供用户友好且高效的期权交易体验。Diving Board 的设计考虑到了大鲸鱼，它会整理来自 CEX 和 DEX 的数据，帮助交易者为大额交易找到最佳价格，同时最大限度地减少滑点、最大化流动性并确保最佳执行。

Diving Board 现已推出alpha版本。

“我们非常高兴推出 Diving Board，引领下一代 DeFi 期权交易。选项是令人难以置信的数据驱动的，最重要的是，为我们的平台提供支持的数据是准确且防篡改的。我们在 Space and Time 的可验证计算层上构建了 Diving Board，为我们的用户提供更明智、更具战略性的交易。” Diving Board 创始人兼Systango首席执行官 Vinita Rathi 说道。

此次发布的重要组成部分是空间和时间，这是为 Diving Board 平台提供支持的可验证计算层。Space and Time 的去中心化数据仓库和全栈零知识 (ZK) 开发人员工具将使 Diving Board 通过可验证的数据和计算为其聚合和算法提供支持。

Diving Board 的推出代表了 DeFi 领域的重大飞跃，为主要交易者提供了流动性、价格执行、风险管理、安全和用户体验方面的一流体验。

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。

•