Space and Time是一个去中心化的数据平台，旨在解决传统数据处理和存储系统中的一些关键问题，如数据隐私、安全性和可扩展性。通过结合区块链技术和零知识证明，SxT提供了一种创新的解决方案，使得数据处理和存储更加高效和安全。

1.1 核心理念 Space and Time的核心理念是通过去中心化的方式来处理和存储数据，从而避免单点故障和数据泄露的风险。其主要特点包括：

去中心化：数据存储和处理分布在多个节点上，避免了单点故障。

数据隐私：通过零知识证明技术，确保数据在处理过程中不被泄露。

高效性：利用先进的加密和数据处理技术，提高数据处理的效率。

1.2 主要组件 Space and Time的主要组件包括：

去中心化存储：利用区块链技术，将数据分布存储在多个节点上。

ZK Coprocessor：利用零知识证明技术，增强数据处理的隐私和安全性。

智能合约：通过智能合约，实现自动化的数据处理和交易。

二、ZK Coprocessor简介

ZK Coprocessor是Space and Time平台中的一个关键组件，利用零知识证明技术来增强数据处理的隐私和安全性。零知识证明是一种密码学技术，允许一方在不泄露具体数据的情况下，向另一方证明某个陈述的真实性。

2.1 零知识证明技术 零知识证明（Zero-Knowledge Proof, ZKP）是一种密码学技术，允许证明者在不泄露具体数据的情况下，向验证者证明某个陈述的真实性。ZKP的主要特点包括：

完整性：如果陈述是真实的，验证者可以确信证明者没有欺骗。

零知识：验证者无法从证明中获得任何关于具体数据的信息。

可靠性：如果陈述是假的，验证者几乎不可能被欺骗。

2.2 ZK Coprocessor的工作原理 ZK Coprocessor利用零知识证明技术，在数据处理过程中确保数据的隐私和安全。其工作原理如下：

数据加密：在数据处理之前，首先对数据进行加密。

生成证明：利用零知识证明技术，生成一个证明，证明数据处理的正确性。

验证证明：验证者可以通过验证证明，确认数据处理的正确性，而无需访问具体数据。

数据解密：在数据处理完成后，对数据进行解密，得到处理结果。

2.3 ZK Coprocessor的优势 ZK Coprocessor的主要优势包括：

数据隐私：通过零知识证明技术，确保数据在处理过程中不被泄露。

安全性：利用先进的加密技术，确保数据的安全性。

高效性：通过优化的数据处理算法，提高数据处理的效率。

三、ZK Coprocessor的应用 ZK Coprocessor在多个领域具有广泛的应用

以下是一些典型的应用场景：

3.1 金融领域 在金融领域，数据隐私和安全性是至关重要的。ZK Coprocessor可以用于以下应用：

隐私保护的交易：通过零知识证明技术，确保交易数据在处理过程中不被泄露。

合规性验证：利用零知识证明技术，验证交易的合规性，而无需访问具体交易数据。

风险管理：通过加密和零知识证明技术，提高风险管理的效率和安全性。

3.2 医疗领域 在医疗领域，患者数据的隐私和安全性同样至关重要。ZK Coprocessor可以用于以下应用：

隐私保护的医疗数据处理：通过零知识证明技术，确保医疗数据在处理过程中不被泄露。

数据共享：利用零知识证明技术，实现不同医疗机构之间的数据共享，而无需泄露具体数据。

研究分析：通过加密和零知识证明技术，提高医疗研究和分析的效率和安全性。

3.3 供应链管理 在供应链管理中，数据的透明性和安全性是关键。ZK Coprocessor可以用于以下应用：

透明的供应链追踪：通过零知识证明技术，确保供应链数据在追踪过程中不被泄露。

合规性验证：利用零知识证明技术，验证供应链的合规性，而无需访问具体数据。

风险管理：通过加密和零知识证明技术，提高供应链风险管理的效率和安全性。

3.4 物联网 在物联网领域，设备数据的隐私和安全性同样至关重要。ZK Coprocessor可以用于以下应用：

隐私保护的设备数据处理：通过零知识证明技术，确保设备数据在处理过程中不被泄露。

数据共享：利用零知识证明技术，实现不同设备之间的数据共享，而无需泄露具体数据。

安全管理：通过加密和零知识证明技术，提高物联网设备的安全管理效率。

四、ZK Coprocessor的未来发展 随着区块链技术和零知识证明技术的不断发展，ZK Coprocessor在未来将有更广泛的应用和更大的发展潜力。以下是一些可能的发展方向：

4.1 技术优化 随着技术的不断进步，ZK Coprocessor的性能和效率将不断提高。例如，通过优化零知识证明算法，可以进一步提高数据处理的效率和安全性。

4.2 应用扩展 随着区块链技术和零知识证明技术的不断普及，ZK Coprocessor将在更多领域得到应用。例如，在智能城市、智能交通等领域，ZK Coprocessor可以用于数据隐私和安全的保护。

4.3 标准化 随着ZK Coprocessor的应用不断扩大，相关的技术标准和规范也将逐步建立。这将有助于提高ZK Coprocessor的互操作性和兼容性，促进其在不同领域的应用。

五、结论 Space and Time的ZK Coprocessor通过结合区块链技术和零知识证明技术，提供了一种高效、安全的数据处理和存储解决方案。其在金融、医疗、供应链管理和物联网等多个领域具有广泛的应用前景。随着技术的不断发展，ZK Coprocessor将在未来发挥更大的作用，推动数据隐私和安全的保护。

https://spaceandtime.io/

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：

• Bitcoin

• Ethereum

• zkSync

• Polygon

• Sui

• Aptos

• Sei

  即将推出：

  • Avalanche

  • BNB Chain

  • Base

  • Arbitrum

  • Optimism

    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。

  https://docs.spaceandtime.io/docs/blockchain-data-models

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？”

https://docs.spaceandtime.io/docs/houston-ai-powered-data-engineer

在 2022 年之前，如果你想在没有作品本身的情况下快速回忆起你最喜欢的书中的特定段落或你刚刚看过的电影中的台词，你可能会转向搜索引擎。您可以使用格式良好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，并在几分钟内在页面上找到您要查找的文本。现在，您只需打开 ChatGPT，输入“最著名的《终结者》名言是什么？”或者“写出《两个城市的故事》的开头段落”并在几秒钟内得到你的逐字回答。

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过的信息。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”纯粹超出查找范围的事物。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矢量搜索数据库，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“矢量搜索成功”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。

https://www.spaceandtime.io/blog/vector-search-to-success

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。

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！

https://www.spaceandtime.io/blog/introducing-space-and-time-community-points

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、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eth、btc、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。

https://docs.spaceandtime.io/docs/welcome-to-space-and-time

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。

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！

https://www.spaceandtime.io/blog/introducing-space-and-time-community-points