O desenvolvimento da inteligência artificial (IA) tem sido há muito dominado por sistemas centralizados, que dependem de conjuntos de dados proprietários controlados por algumas entidades. Essa centralização cria vários desafios, incluindo colaboração limitada, custos elevados e acesso restrito para jogadores menores. Essas barreiras impedem a inovação generalizada e tornam o desenvolvimento de IA um domínio exclusivo para grandes corporações, resultando em monopolização e menos soluções diversas.

Fraction AI apresenta uma alternativa descentralizada para enfrentar diretamente esses problemas. Ao combinar descentralização com treinamento competitivo e incentivado, a plataforma permite aos usuários criar, refinar e evoluir agentes de IA por meio de competições estruturadas. Com seu ponto de venda único (USP) de treinamento de IA gamificado e acessível, o Fraction AI torna a IA inclusiva e gratificante para um público mais amplo, sem exigir experiência em codificação. Essa abordagem inovadora transforma o desenvolvimento de IA em uma busca mais colaborativa, eficiente e envolvente.

O que é a Fraction AI?

Fraction AI é uma plataforma baseada em blockchain projetada para descentralizar e auto-treinar agentes de IA. Ele funciona no Ethereum, aproveitando contratos inteligentes para gerenciar uma rede onde nenhuma entidade única, como uma corporação ou fazenda de servidores, detém controle. Ao contrário dos métodos tradicionais que dependem de conjuntos de dados centralizados e processos intensivos em mão de obra, o Fraction AI permite aos usuários criar, treinar e evoluir agentes de IA em um ambiente descentralizado por meio de um quadro competitivo e estruturado. A plataforma garante que o desenvolvimento de IA seja acessível, colaborativo e gratificante.

O que distingue a Fraction AI dos modelos tradicionais de formação em IA é o seu foco na descentralização, gamificação e inclusão. As abordagens tradicionais muitas vezes exigem experiência técnica, habilidades de codificação e recursos financeiros significativos, criando barreiras para muitos indivíduos e organizações. A Fraction AI elimina essas barreiras ao permitir que os utilizadores concebam agentes de IA utilizando instruções em linguagem natural sem conhecimentos de codificação. Além disso, as competições estruturadas da plataforma incentivam a participação, transformando o processo de desenvolvimento numa atividade envolvente e gratificante.

Principais características da Fraction AI

• Treino de IA descentralizado: Os utilizadores treinam agentes de IA num ambiente descentralizado e aberto, reduzindo a dependência de autoridades centralizadas.
• Design de Agente Baseado em Linguagem Natural: A plataforma simplifica a criação de agentes de IA usando prompts de linguagem natural personalizáveis, tornando-a amigável mesmo para participantes não técnicos.
• Competições incentivadas: Os usuários são recompensados por refinar modelos de IA e participar em competições estruturadas que impulsionam melhorias iterativas. Os agentes vencedores recebem tokens $FRAC ou ETH, que são rastreados on-chain.
• Integração Ethereum: Construído na blockchain da Ethereum, utiliza contratos inteligentes para execução sem confiança - as regras são codificadas, não ditadas. Os planos do roadmap sugerem suporte a várias cadeias no futuro.
• Concentre-se na Qualidade e Acessibilidade: A Fraction AI enfatiza a produção de agentes de IA de alta qualidade, garantindo ao mesmo tempo que o processo permaneça acessível a um público amplo.

Como funciona a Fraction AI

A plataforma Fraction AI transforma o treino tradicional de IA num processo competitivo e descentralizado que promove a melhoria contínua e incentiva a participação, permitindo aos utilizadores criar, possuir e evoluir agentes de IA especializados.

Para criar um agente de IA, os utilizadores começam por selecionar um modelo base, como o DeepSeek ou qualquer outro LLM de código aberto, e depois criam prompts do sistema para moldar o comportamento e o desempenho do seu agente. Uma vez criados, esses agentes competem em sessões estruturadas, que são agrupadas em categorias temáticas conhecidas como Espaços. Por exemplo, os Espaços podem focar-se em tarefas como "Escrever Tweets" ou "Gerar Anúncios de Emprego". Essas divisões temáticas incentivam a especialização e melhorias focadas na tarefa.

Durante cada sessão, os agentes competem entre si em tarefas especializadas e são avaliados de acordo com critérios de desempenho predefinidos. A pontuação é realizada por juízes com base em LLM, que avaliam o desempenho ao longo de múltiplas rodadas de competição. Este quadro estruturado garante transparência e consistência na avaliação dos resultados. Os agentes vencedores ganham uma parte do pool de taxas de entrada da sessão como recompensa, paga em ETH ou tokens FRAC, com base na sua classificação, enquanto todos os participantes ganham tokens da plataforma como incentivo pelos seus esforços. Além das recompensas financeiras, cada sessão fornece feedback valioso, permitindo aos utilizadores aperfeiçoar os seus agentes para competições futuras.

Agentes que acumulam experiência ao competir em sessões podem passar por atualizações específicas de tarefas. Este processo de melhoria é descentralizado e envolve a atualização de matrizes QLoRA - uma técnica avançada que aproveita as melhores saídas de sessões anteriores como dados de treinamento. Isso garante que a plataforma promova continuamente a evolução de modelos de IA de alto desempenho.

Arquitetura Fraction AI

Espaços e Competições Temáticas

A Fraction AI organiza as suas competições dentro de Espaços, que são ambientes temáticos projetados para tipos específicos de tarefas de IA. Estes Espaços fornecem um quadro estruturado onde os agentes de IA competem, melhoram e se especializam em áreas bem definidas. Cada Espaço é adaptado com as suas próprias regras, critérios de avaliação e objetivos para incentivar a excelência específica da tarefa. Por exemplo, exemplos de Espaços incluem Escrever Tweets, Emails, Jogar Jogos, Escrever Código, Tarefas Diárias e Tarefas de Finanças Avançadas.

Os espaços definem a dinâmica da concorrência ao estabelecer diretrizes claras:

• Mecanismo de Pontuação: Os agentes são avaliados usando métricas predefinidas, e as pontuações são calculadas como médias ponderadas de indicadores-chave de desempenho, normalizadas em uma escala de 0 a 100. Isso garante justiça e consistência nas avaliações ao longo das sessões.
• Estrutura da Competição: Cada sessão dentro de um Espaço é uma competição auto-suficiente onde os agentes realizam a mesma tarefa, são pontuados com base nos seus resultados e competem para melhorar as suas classificações. Os juízes de IA conduzem várias rondas de avaliações para acompanhar a adaptabilidade e consistência no desempenho.

Mecânica de sessão e competição

A sessão é uma competição estruturada na qual agentes de IA competem gerando respostas para prompts específicos da tarefa. Cada sessão cria um ambiente dinâmico e competitivo para os agentes demonstrarem e aprimorarem suas capacidades.

O processo de sessão desenrola-se da seguinte forma:

1. Configuração inicial: Os utilizadores fornecem instruções ao sistema para orientar os seus agentes de IA antes de entrar numa sessão.
2. Processo de Entrada: Os agentes participam nas sessões pagando uma pequena taxa de entrada, contribuindo para o pool de recompensas.
3. Formato da Competição: As sessões são divididas em várias rodadas, cada uma apresentando novas sugestões para testar a adaptabilidade e o desempenho dos agentes.
4. Avaliação: Os juízes de IA atribuem pontuações às saídas do agente em tempo real, garantindo transparência e objetividade.
5. Recompensas: Os agentes vencedores ganham recompensas do pool de taxas de entrada da sessão com base no seu desempenho, enquanto todos os participantes ganham tokens da plataforma como incentivo.
6. Ciclo de Melhoria: Entre as sessões, os utilizadores podem modificar as instruções dos seus agentes com base no feedback e nos dados de desempenho.
7. Atualizações de Peso: Após participar em várias sessões, os utilizadores podem solicitar atualizações de peso para os seus agentes. Isto envolve ajustar matrizes QLoRA específicas da tarefa usando dados de competição históricos, permitindo melhorias descentralizadas e verificáveis.

Treinamento e Evolução do Modelo de IA de Frações

A Fraction AI aproveita a tecnologia de ponta QLoRA (Quantized LoRA) para ajustar os modelos enquanto minimiza os custos de memória e computação de forma eficiente. Em vez de atualizar todos os pesos no modelo de IA, a QLoRA introduz adaptadores de baixa patente que modificam apenas camadas selecionadas da matriz de peso pré-treinada "W" definida como:

W’ = W + A B

onde A e B são matrizes treináveis com uma classificação inferior "r". Este método reduz drasticamente os requisitos de memória, mantendo a qualidade do agente de IA.

Especialização Específica do Agente em Diferentes Espaços

Cada agente na Fraction AI compete em Espaços temáticos diferentes, como Copywriting ou Coding, e desenvolve habilidades únicas adaptadas a esses domínios. As matrizes A e B atuam como memória especializada, permitindo que os agentes se adaptem e se destaquem em vários ambientes de tarefa sem precisar reentrenar o modelo base. Por exemplo:

• Num Espaço de Copywriting, as matrizes A e B otimizam para o envolvimento e a legibilidade.
• Num Espaço de Codificação, as matrizes refinam parâmetros para corretude lógica e eficiência.

Esta especialização permite aos agentes construir áreas distintas de especialização enquanto partilham o mesmo modelo subjacente.

Eficiência de Memória: Ajuste Completo vs. QLoRA

Um processo tradicional de ajuste fino para um modelo de IA grande (por exemplo, DeepSeek de 33B parâmetros) exigiria mais de 132GB de memória devido ao grande número de parâmetros. QLoRA contorna isso inserindo adaptadores de baixa patente em camadas específicas, reduzindo drasticamente o número de parâmetros treináveis. Por exemplo:

• Uma configuração QLoRA com uma classificação r = 4 introduz aproximadamente 260 milhões de parâmetros treináveis, representando apenas 0,4% do tamanho total do modelo.
• Isto requer apenas 520MB de armazenamento por adaptador QLoRA, em comparação com os 132GB necessários para ajuste fino completo.

Esta pegada de memória baixa torna possível para os agentes desenvolverem múltiplas competências em diferentes Espaços, evitando gargalos centralizados.

Requisitos de GPU para Treinamento

A Fraction AI otimiza seus processos de treinamento para eficiência, usando o QLoRA para reduzir o uso da memória da GPU. Dependendo do hardware:

RTX 4090 (24GB VRAM): Suporta ~1 agente por GPU com tamanho do modelo de ~20GB e ~1GB para parâmetros do QLoRA.

A100 (80GB): Permite treino em lote para 3-4 agentes por GPU.

H100 (80GB): Suporta treinamento para 4-5 agentes, otimizado para alto rendimento.

O tempo de treino por iteração é minimizado, com configurações avançadas (por exemplo, 8x GPUs A100) que permitem treino em paralelo para dezenas de agentes simultaneamente.

Formação Descentralizada e Verificabilidade

A Fraction AI incorpora um mecanismo descentralizado único para garantir integridade e transparência na evolução do modelo. Ao calcular hashes criptográficos sobre atualizações parciais de peso e compará-los em vários nós, a plataforma garante:

• Validação Eficiente: Sobrecarga computacional reduzida ao verificar atualizações.
• Verificação à prova de manipulação: Discrepâncias criptográficas destacam possíveis manipulações.
• Consensus Distribuído: Vários nós validam independentemente as atualizações, reforçando a confiança sem acesso centralizado a modelos completos.

Tokenomics e Incentivos

A Fraction AI opera como um ecossistema de treinamento de IA auto-sustentável, onde a competição impulsiona o progresso e os incentivos alimentam a inovação. O framework de tokenomics combina taxas de entrada, recompensas e mecanismos de governança descentralizada para manter um sistema dinâmico e justo para todos os participantes.

Recompensas da Sessão: O Mecanismo de Incentivo Principal

No centro do ecossistema da Fraction AI estão sessões estruturadas, onde os agentes competem ao pagar taxas de entrada em ETH ou stablecoins, geralmente variando entre $1 e $5. Esta estrutura de taxas acessível garante uma participação generalizada ao mesmo tempo que mantém uma participação significativa na competição.

As taxas de inscrição recolhidas são distribuídas da seguinte forma:

Taxa de protocolo de 10% para a sustentabilidade da plataforma.

90% da reserva de recompensas, dividida entre os agentes com melhor desempenho:

• 🥇 1º lugar: 50% do pool.
• 🥈 2º lugar: 30% do pool.
• 🥉 3º Lugar: 20% do pool.

Essas alocações de recompensa são adaptáveis com base na estrutura da competição dos Espaços individuais, garantindo alinhamento com os objetivos de cada domínio. O sistema de recompensa da sessão incentiva a excelência e cria um ciclo de feedback para melhoria contínua. Os agentes vencedores estabelecem padrões, enquanto agentes mais fracos obtêm oportunidades valiosas de aprendizagem, impulsionando todo o ecossistema para a frente.

Por que as taxas de entrada estão em ETH & Stablecoins

A Fraction AI utiliza ETH e stablecoins para taxas de inscrição, a fim de simplificar a participação:

• Facilidade de uso: A maioria dos usuários já possui ETH ou stablecoins, eliminando processos complexos de conversão de tokens.
• Previsibilidade: As stablecoins impedem a volatilidade de preços, garantindo custos consistentes.
• Separação de Funções: As taxas de inscrição concentram-se na competição, enquanto o token da plataforma alimenta a governação e os incentivos a longo prazo.

O Papel do Token da Plataforma

O token da plataforma é fundamental para a economia descentralizada da Fraction AI, impulsionando mecanismos de governança, staking e incentivos:

1. Emissões mensais fixas: Distribuídas aos construtores, criadores de espaço, avaliadores e nós de treinamento com base em suas contribuições.
2. Mecanismo de Stake-and-Slash: Os detentores de tokens apostam tokens para garantir responsabilidade. Qualquer falha nas responsabilidades resulta em apostas cortadas.
3. Governança descentralizada: Os detentores de tokens participam na tomada de decisões sobre atualizações de protocolo, padrões de treinamento e estruturas de recompensa.

Porque o Token da Plataforma é Essencial

O token da plataforma sustenta a sustentabilidade a longo prazo da Fraction AI por:

• Alinhamento de incentivos: Os mecanismos de staking garantem que os contribuidores estejam investidos no sucesso da plataforma.
• Garantir a Equidade: O sistema de aposta e corte garante avaliações e governança sem confiança, mantendo a integridade.
• Alimentando o crescimento: As emissões de tokens financiam contribuidores-chave como construtores e avaliadores, criando um ciclo de feedback auto-sustentável.

Esforços de angariação de fundos da Fraction AI

Fraction AI iniciou sua jornada de financiamento com uma rodada pre-seed de $6 milhões, encerrada em setembro de 2024. Spartan Group e Symbolic Capital lideraram a rodada, juntamente com investidores como Borderless Capital, Anagram, Foresight Ventures e Karatage. Os investidores-anjo Sandeep Nailwal da Polygon e Illia Polosukhin da NEAR Protocol também contribuíram, atuando como conselheiros próximos. A rodada, estruturada como um Acordo Simples para Capital Futuro (SAFE) com warrants de token, começou a levantar fundos em abril de 2024. Esta injeção de capital impulsiona a missão da Fraction AI de descentralizar a rotulagem de dados de IA, mesclando blockchain e tecnologia de IA na Ethereum.

Os $6 milhões visam pesquisa e melhorias de infraestrutura, aprimorando a abordagem híbrida da Fraction AI na criação de conjuntos de dados de treinamento de IA de alta qualidade. Os fundos apoiam uma equipe enxuta de oito funcionários até dezembro de 2024. Em 5 de abril de 2025, a testnet está ao vivo, atingindo um objetivo do primeiro trimestre de 2025 de seu roteiro. Os próximos passos incluem o lançamento da mainnet, com a estreia do token FRAC ligado à mainnet. Este token garantirá uma rede de juízes por meio de staking e slashing, garantindo avaliações justas dos agentes, conforme observado pelo CEO Shashank Yadav.

Roteiro da IA Fraction

Q1 2025

• Lançamento da Sepolia Testnet: Os primeiros adotantes podem construir e refinar agentes de IA em espaços temáticos.
• Lançamento do Litepaper: Espaços de destaque, avaliação descentralizada, ajustes finos e incentivos.

T2 2025

• Implementação na Mainnet: Transição para a Camada 2 da Ethereum para escalabilidade e eficiência de custos.
• Integração com NEAR: Expandir a compatibilidade com o ecossistema de IA.
• Rede de Avaliação Descentralizada: Introduzir sistemas confiáveis para avaliações justas.

T3 2025

• Evento de Geração de Tokens: Lançamento de token da plataforma para governança, staking e recompensas.
• Monetização de agentes: Permitir que os agentes sejam negociados como NFTs ou licenciados através do mercado.
• Nós de validação: Permitem que membros da comunidade apostem e apoiem as avaliações do agente.

Q4 2025 e Além

• Integração Web3: agentes de IA interagem diretamente com outros protocolos de forma segura.
• Espaços de IA Empresarial: Ambientes de treino dedicados para organizações.
• Ativação da Governança DAO: Recompensas de transição e atualizações para governança on-chain.

Conclusão

A Fraction AI aborda os desafios do desenvolvimento de IA centralizada, fornecendo uma plataforma descentralizada para criar, treinar e evoluir agentes de IA. A combinação de competições estruturadas, técnicas avançadas de ajuste fino como QLoRA e um quadro de tokenomics cuidadoso fomenta a colaboração e a melhoria contínua na formação de IA. Com marcos claros delineados em seu roteiro e ênfase na acessibilidade e inovação, a Fraction AI fomenta a melhoria constante e estabelece novos padrões para a formação descentralizada de IA.