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。LLM 已在包含丰富信息的海量数据集上进行训练，而 ChatGPT 等接口让检索变得十分简单。例如，当您提示 ChatGPT 返回电影或书籍的内容时，您只是在利用模型回忆训练期间接触过的信息的能力。但如果模型没有接受《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？为了为最简单的用例（例如基本信息检索）提供最准确、最相关的结果，LLM 需要复杂的索引和检索机制，以便精确访问广泛的信息。

了解 LLM 内容生成和培训

LLM 内容是通过称为下一个标记预测的过程生成的，该过程可确保响应符合上下文、多种多样，并且在一定程度上反映出类似人类的理解。以下是下一个标记预测的分步工作原理：

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：**模型查看您提供的标记，并根据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：**使用所理解的上下文，模型会预测最有可能的下一个标记是什么。这不仅仅是根据紧接的上一个单词进行猜测；它考虑了到那时为止的整个对话上下文。

4. **标记选择：**一旦预测了一系列可能的下一个标记，它就会选择一个。此选择基于概率——根据模型训练的数据，最有可能出现的下一个标记。但值得注意的是，这里也有一些随机性，这有助于生成更多样、听起来更自然的响应。

5. **输出生成：**所选标记随后被转换回人类可读的文本。如果响应不完整（通常在一个标记之后就不完整），则重复该过程。新标记被添加到序列中，模型根据更新后的上下文预测下一个标记。

6. **迭代细化：**预测下一个标记并将其添加到序列的过程会重复进行，直到模型到达停止点。这可能是当响应达到一定长度时，模型预测的标记表示句子或段落的结束，或者当模型满足提示中嵌入的指令时。

LLM 培训压缩的局限性

当 LLM 预测一个 token 时，它实际上是在检索和利用嵌入在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 训练反映了数据库压缩。正如数据库经过优化以快速调用经常访问的数据一样，LLM 旨在从其权重中检索信息（特定的插值记忆）。此功能使其能够对在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。但是，当模型遇到不太熟悉或晦涩难懂的内容时，就会出现限制。例如，当您向 LLM 询问圣经中的特定段落时，它会逐字逐句地引用它们，但它无法逐字逐句地引用它在训练期间没有冗余“见证”的任何概念，因为与该概念相关的权重太小了。从这个意义上讲，LLM 也类似于数据库。正如数据库可能只返回明确存储在其中的数据一样，LLM 可能难以生成在训练期间未广泛看到的主题的内容。

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，使它们能够“理解”事物，而不仅仅是查找。然而，这种过度简化有助于我们理解 LLM 训练生成内容的方式的一些关键限制。

LLM 培训的进一步局限性

此外，下一个标记预测系统还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，即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）而言，此窗口不足以在较长的对话或文档中保持上下文，这可能会导致较长的文本或复杂的讨论失去连贯性，这些讨论需要保持紧接在前的标记之外的上下文。

• **泛化与特异性：**虽然这些模型是在大量数据集上训练的，但它们从训练中泛化的能力有时会导致它们产生通用或不太相关的内容。它们可能无法生成高度特定或细微的响应，而这些响应需要详细了解或了解训练数据之外的最新知识。

• **缺乏外部知识访问：**下一个 token 预测模型仅限于其训练数据集中包含的信息。它们无法访问或整合训练后的新信息，这意味着它们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统计上更有可能在给定上下文的情况下出现的标记，因此它可能会陷入循环或偏爱常用短语，从而降低输出的可变性。

检索增强生成 (RAG) 详解

如上所述，LLM 根据在训练期间分配给数据不同方面的权重来生成响应。这些权重反映了模型认为输入数据中各个元素的重要性或显著性。如果用户的提示包含训练数据中未显著体现的元素，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，或者提示超出 LLM 自身训练数据集中重要权重的限制（这意味着它无法准确回忆起用户正在寻找的答案）时，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附加到用户提示的新数据。这个过程称为检索增强生成 (RAG)。

“向量搜索成功”

RAG 流程通过向量搜索数据库实现：这是一种将数据存储和管理为向量的高级数据库。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，从而可以表示复杂的关系和属性。在文本和语言环境中，向量搜索数据库使用嵌入等技术将文本转换为数字向量。通过这种转换，系统可以通过计算此多维空间中相应向量之间的距离来测量不同文本之间的语义相似性。

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近似点。然后，数据库计算查询向量与存储数据的向量之间的距离，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视为“最近邻居”。

这些最近邻提供了上下文相关的附加信息，而基础 LLM 可能无法在其自己的训练数据中获取这些信息，这可以显著提高 LLM 输出的准确性、相关性、丰富性和多样性。Sam Altman 等人提倡“向量搜索成功”方法 - 依靠 RAG 来开发代理，而不是仅仅进行模型微调。

RAG 作为微调的替代方案

对 LLM 进行微调需要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提高对某些领域的理解。这个过程不仅比创新的速度慢，这意味着微调后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。模型的相关性会保持更长时间，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 有效地弥补了深度学习与传统信息检索技术之间的差距。通过这样做，它充分利用了两者的优势——深度学习强大的语境理解和信息检索的精确度。这种混合方法使 LLM 能够生成更准确、更详细、语境更丰富的响应。

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 LLM 相关的挑战：

• 扩展情境理解： RAG 通过获取最新或详细的信息来扩展传统 LLM 的情境窗口，从而增强模型的响应。

• 增强特异性和准确性： RAG 不再仅仅依赖于训练期间学习到的模式，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，使其不仅更加准确，而且还可以根据手头的特定查询进行定制。

• **降低重复性和可预测性：**通过动态提取每个查询的不同信息集，RAG 可以显著改变模型的响应。这种可变性有助于降低纯生成模型中经常出现的重复性和可预测性，因为外部数据会将新的措辞和细节引入对话中。

RAG 面临的挑战和必要的演进

然而，RAG 也有自己的挑战——即延迟和缺乏智能。想象一下回合制代理聊天机器人对话，用户提交提示，LLM 吐出一些标记，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 进行推理。然后，轮到用户回复，依此类推。

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向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且索引不理想，则此检索可能会带来显著的延迟。此外，特别是在更复杂的对话中，可能需要多次重复此生成和检索序列才能充分优化响应。这种迭代循环可能会增加延迟，导致交互速度比仅依赖内部数据的纯生成模型慢。

此外，RAG 富集的 LLM 的智能性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、不及时或维护不善，检索到的信息的实用性可能会受到限制，从而影响响应的整体智能性。

即使检索到高质量的外部数据，挑战仍然是如何有效地将这些信息集成到 LLM 现有的响应框架中。模型不仅必须整合这些外部数据，而且还必须以适合上下文且连贯的方式进行整合。模型训练与外部数据性质之间的不一致可能会导致响应在技术上准确但在上下文上脱节。

下一代法学硕士

下一代 LLM 可能会将基于向量搜索的 RAG 与传统的训练/微调方法以及结构化数据处理（例如 TradFi 市场数据和相关财经新闻的 SQL 数据库）融合在一起。在“这边”拥有一个 LLM 提供商，在“那边”拥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，这些模型直观地将其索引工作内存扩展到具有 TB 级向量化上下文的本地 SSD。

Space and Time 已经向客户交付了 SQL 证明（一种用于验证 SQL 数据库处理的准确性和防篡改性的 ZK 证明），最近又交付了向量搜索证明，该证明对向量搜索检索具有同样的功能。这些新颖的证明为未来开辟了道路，LLM 可以整合新背景，实时访问更广泛、更细致的数据，并集成结构化数据处理以产生更具洞察力的分析，所有这些都以可追溯、可验证的方式完成。这些进步最终将拓宽 LLM 的应用范围，将其实用性扩展到严重依赖最新数据的领域，例如金融服务、新闻聚合和风险评估，从而推动下一波人工智能驱动的创新。

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）解码并转换来自 RPC 的原始区块链数据，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

新模型将使开发人员能够更轻松、更经济地在 Web3 中进行构建。

您今天就可以使用钱包登录Space and Time Studio开始使用。无需电子邮件注册。

它是什么以及我们为何构建它

Web3 中的数据层高度分散，如今开发人员正在付费购买并组装用于索引、存储、OLTP、OLAP、API、流和 ZK 计算的单独工具。Space and Time 将一整套开发人员工具打包在一个分散的部署中。与几乎所有其他数据库解决方案不同的是，当您使用空间和时间时，您所支付的只是计算费用。

自 4 月份 Space and Time 推出测试版以来，开发人员已经能够通过订阅 Azure 市场上的计算来访问数据仓库。基于订阅的定价非常适合具有大量计算需求并希望以固定费率访问所有空间和时间服务的项目。我们的定价结构生态系统令人兴奋不已，因为价格比流行的云数据仓库低 50%。

但 Space and Time 不仅是为具有大量计算需求的大型项目而构建的……它也是为首次智能合约开发人员、入门级数据分析师和休闲 Web3 爱好者而构建的。空间和时间是为社区而建的。我们引入了按计算付费，以便您可以根据需要灵活地构建 dapp 和仪表板。您不必担心固定订阅的承诺或利用不足；您可以立即开始，无需任何开销。

怎么运行的

从今天开始，任何人都可以前往 Space and Time Studio（无需电子邮件注册）并开始运行查询、构建仪表板等，而无需计算订阅。只需导航到Studio，只需点击几下即可使用您的钱包登录。

Access 每月提供 30 次免费查询。除此之外，系统会提示您选择订阅类型。选择“基于使用情况”选项并连接您的付款方式。

我会被收取什么费用？

无论您选择哪种定价模型，您只需支付计算费用。存储、索引区块链数据、Space and Time Studio、API 网关等始终包含在内。当您选择按计算付费时，您只需为成功执行的查询付费。计算成本是使用类似 Gas 的模型计算的，其中每个空间和时间单位 (STU) 的成本为 1 美元。

STU 是如何计算的？

每个查询的 STU 成本是使用类似于 Gas 的模型根据执行查询所需的计算量来计算的。如今，每个 STU 的价格为 1 美元。请记住，按计算付费仍处于测试阶段，该数字可能会随着时间的推移而变化。您可以随时查看时空工作室以获取最新价格。

每个 STU 可以运行多少个查询？

每个 STU 可以运行的查询数量取决于每个查询使用的计算量。例如，小型查找查询比大型分析查询使用更少的计算。

当我输入付款方式时，我会立即被扣款吗？

您不会立即被收取费用。每月 5 日，您的付款方式将仅针对成功完成的查询请求收取费用。

它能实现什么

社区仪表板

Space and Time 预加载了来自主要链的索引数据，因此您可以立即开始使用区块链数据构建仪表板。跟踪不同 DeFi 协议的代币流动性、交易量和收益耕种统计数据，可视化最热门的 NFT 集合，或检查交易速度、区块大小和验证时间。

灵活的 dapp 开发

按计算付费不仅适用于 Studio 用户，您还可以通过我们的 REST API 访问它。直接在空间和时间上构建数据驱动的 dapp，具有完全的灵活性。更快地进行原型设计、随时随地进行迭代，并在准备就绪时进行部署。

成本效率和可扩展性

根据项目要求进行扩展或缩小从未如此简单。无论您是刚入门的独立开发人员，还是构建下一个大型平台的经验丰富的企业，按计算付费模型都能确保您获得最佳价值。只需为您使用的内容付费。

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

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和 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。

第一部分讨论消费者数据收集的道德和安全问题。第二部分即将推出。

在当今的超数字化世界中，您所做的一切都会生成数据。每次您在线购买商品、在社交媒体上发布内容、甚至只是查看网页时，您的操作都会留下数据痕迹。尽管对于普通人来说这似乎微不足道，但这些数据对于寻求了解和影响消费者行为的企业来说非常有价值。随着企业收集的消费者数据量的增加，公众对隐私和个人数据滥用的担忧也随之增加。

企业和消费者之间的协议正在重新谈判。消费者越来越意识到他们的个人信息如何被使用，并要求企业提高透明度。为此，企业正在探索新的方法来管理数据并平衡客户的需求与所收集数据的潜在价值。

数据收集和消费者关注

自20 世纪 80 年代开始收集消费者数据以来，公司收集和存储的个人信息量呈爆炸式增长。消费者比以往任何时候都更加意识到和关注个人信息的保护。《哈佛商业评论》 2014 年进行的一项调查发现，97% 的消费者担心其个人数据被滥用。

普通消费者要求提高个人数据的透明度和控制权，并且对在他们不知情或明确同意的情况下收集和使用他们的信息的公司越来越警惕。所有 DTC 行业的企业都见证了消费者信任度的崩溃，因为个人对其个人信息的使用方式更加持怀疑态度，并且在分享个人信息时更加谨慎。

数据会发生什么情况？

消费者对数据共享的谨慎态度并非没有根据。公司，尤其是大型科技公司，经常被指控滥用和管理不善从用户那里收集的数据。当他们这样做时，他们就会付出代价。 2018 年，Facebook成为头条新闻，一名前 Cambridge-Analytica 员工揭发了这家科技巨头未经同意收集用户数据并将其出售给这家英国咨询公司用于政治广告的行为，此举最终使 Meta 损失了 725美元百万。 2020 年，谷歌因不承认其如何使用个人数据而被法国数据保护机构 罚款5700 万美元。

数据管理不善

数据滥用的范围包括未经您同意将您的个人信息出售给广告商、在许可的应用程序之外跟踪您的位置、以及使用数字助理监听您的对话。如果这些事情发生在你身上的想法让你感到不舒服，那么你当然并不孤单。有多少次你大声提到你想吃披萨，结果片刻之后必胜客广告就出现在你的 Instagram 上？尽管肇事者极力否认，但许多消费者认为此类事件并非巧合。现实情况是，我们的数据管理是在黑匣子系统中进行的，我们不知道我们的个人数据被用来对付我们的确切程度。

“我们的数据管理是在黑匣子系统中进行的，我们不知道我们的个人数据被用来对付我们的确切程度。”

监管和隐私法

一些政府，即欧盟，采取了支持个人隐私的强硬立场。 2018年，欧盟通过了众所周知的世界上最严格的隐私法。 《通用数据保护条例》 (GDPR) 对违反为欧盟公民制定的隐私标准的公司处以巨额罚款。在美国，不存在这样的法律。相反，隐私受到HIPAA、FCRA、FERPA、GLBA、ECPA、COPPA 和 VPPA 等多种法律的保护。尽管这些法律可能会阻止企业滥用消费者数据（取得了不同程度的成功），但它们并不能防止可能更大的威胁：数据泄露。

数据泄露

即使企业完全遵守隐私法和道德标准，他们存储和管理数据的系统仍然容易受到黑客攻击和破坏。当您向信用卡公司提供年龄、地址和社会安全号码等信息时，您相信他们正在适当地管理这些数据（希望他们确实如此）。但如果发生黑客攻击，重要的私人数据会突然落入恶意者手中，而您却无法获得真正的追索权。不幸的是，这种事情一直在发生。 2021 年，数据泄露数量比之前的历史最高水平增加了23% 。就在 2022 年 9 月，流行的流媒体应用程序 Plex 也卷入了一次大规模数据泄露事件，影响了超过3000 万用户。

对企业的影响

作为一家企业，未能保护和正确管理您收集的消费者数据将使您付出代价，而不仅仅是罚款。IBM估计，美国数据泄露的平均成本略低于 1000 万美元。更重要的是，数据滥用和数据泄露直接导致企业可以持有的最有价值的资产之一：消费者信任的流失。

在第二部分中，我们将研究消费者信任的价值并探讨隐私与信任之间的关系。

构建 Web3 原生数据仓库的挑战之一是所需的极端数字规模和精度——我们已经看到 Gas 费、Gas 限制、代币奖励等要求数字规模和精度达到 72 位或更高。Oracle 或 Snowflake 等传统数据仓库的 Decimal 数据类型最高可达 37 位，利用 Float 数据类型来处理更大的数字。Float 数据类型面临的挑战是缺乏精度，这在 Web3 中意味着在聚合各方之间的价值转移时缺乏保真度。或者，一些 Web3 数据提供程序将这些非常大的数字存储在 VarChar 等字符字段中，但会牺牲基本数学函数的性能。用户可以在全精度数字之间进行选择，并能够执行基本计算。

为了实现高保真 Web3 用例，Space and Time 构建了 Big Decimal 数据类型来支持 Web3 极端大小和精度，同时仍然保留数学功能。

怎么运行的

Space and Time从多个端点接收区块链数据，然后将其发送到Kafka主题，数据仓库从中实时消费数据并将其写入表中。另外，我们建立了一个 ETL 流程，用于将历史区块链数据批量加载到数据仓库中。这允许用户访问区块 1 中的所有数据，还可以访问实时添加到链中的数据。我们努力使区块链事件与空间和时间中反映的数据之间的延迟尽可能低。

我们不是使用类似 JSON 的模式存储区块链数据，而是将区块链表提取到特定的结构化模式中，使开发人员更容易使用数据。对于开发人员来说，在关系模式之上编写应用程序和查询要容易得多，而不是简单的 JSON 块。

由于 Space and Time 是一个 HTAP 数据仓库，因此它由两种不同的查询引擎组成：OLTP（事务性、基于行）引擎和 OLAP（分析、基于列）引擎。从用户的角度来看，没有分叉——您只需运行查询并获取结果即可。Space and Time 处理到验证器层中适当引擎的路由。当用户运行事务查询时，它是从具有极端延迟的行格式数据库提供服务的。如果查询路由器确定用户运行了分析查询，则由 OLAP 引擎提供服务，该引擎作用于列式存储格式，以实现更快的查询响应时间并减少存储和查询引擎之间的数据传输。

当我们构建区块链索引服务时，我们意识到区块链数据（特别是财务数据，如钱包余额）的精度可以高达 78 位。虽然我们的 OLTP 引擎本身支持这种精度级别，但 OLAP 引擎不支持超过 38 的精度和超过 18 的标度。尽管数据以字符串格式存储，但仍然无法进行计算（即使对此类数据进行基本的数学运算（如加法和减法），而不会损失精度。因此，我们创建了 Big Decimal 数据类型，它支持无限精度，允许用户以有意义的方式处理区块链数据，而不会损失精度。

如何使用它

要创建包含小数值小数列的表：

Create table ETH.FUNGIBLETOKEN_WALLET(key integer, balance decimal(78, 10))

上面的余额字段可以包含精度（总位数）为 78 的小数值。小数位数为 10，即小数点后的位数可以为 10。

要创建一个包含整数小数列的表格：

Create table ETH.FUNGIBLETOKEN_WALLET(key integer, balance decimal(78, 0))

请注意上面的刻度为 0。这将使我们能够在字段中存储整数。您可以尽可能任意地定义比例和精度。

支持的操作

• 二进制算术： [+、-、*、/、%]

• 比较运算符： [>、<、<=、>=、<=>]

• 分组运算符： [Avg、Min、Max、Count、Sum]

• 空检查

注意：对于二元运算，如果前导操作数的数据类型不是 Big Decimal，查询引擎将尝试对 Big Decimal 进行截断和四舍五入，从而导致精度损失。

例如，以下表达式将导致精度损失，因为 1 是前导操作数并且不是大十进制：

1 - 3000000089999919191919190000000000000000.2000000

为了避免失去精度，请使用强制转换：

cast(1, decimal(48,7) - 3000000089999919191919190000000000000000.2000000)

它能实现什么

Web3 原生数据类型可实现高保真 Web3 分析用例，否则无法实现真正​​的精度：

• Gas 优化是大多数智能合约作者主要关心的问题，但开发人员如何知道什么是“好”？当自费用户开始寻找替代方案时，断点在哪里？能够进行精确的数据仓库/大数据分析意味着能够轻松了解 Gas 消耗的生态系统如何随时间变化，并帮助开发人员将其 Gas 使用情况置于更广泛的行业背景中，无论是 DeFi、DEX 还是游戏。\

• 同样，使用机器学习模型来预测未来的 Gas 费用可以让开发人员和用户了解各种价格点的未来可能性。这为用户提供了大量使用的计划，以做出最有效的选择，也为寻求提供更低成本替代方案的开发人员提供了帮助。