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

Fraction AI apresenta uma alternativa descentralizada para enfrentar esses problemas de frente. 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 recompensadora para um público mais amplo, sem exigir expertise em codificação. Essa abordagem inovadora transforma o desenvolvimento de IA em uma busca mais colaborativa, eficiente e envolvente.

O que é Fraction AI?

A Fraction AI é uma plataforma baseada em blockchain projetada para descentralizar e treinar automaticamente agentes de IA. Ele funciona na Ethereum, aproveitando contratos inteligentes para gerenciar uma rede onde nenhuma entidade única, como uma corporação ou fazenda de servidores, detém o controle. Ao contrário dos métodos tradicionais que dependem de conjuntos de dados centralizados e processos intensivos em mão de obra, o Fraction AI permite que os usuários criem, treinem e evoluam agentes de IA em um ambiente descentralizado através de uma estrutura competitiva e estruturada. A plataforma garante que o desenvolvimento de IA seja acessível, colaborativo e recompensador.

O que diferencia a Fraction AI dos modelos tradicionais de treinamento de IA é o foco na descentralização, gamificação e inclusão. Abordagens tradicionais frequentemente exigem expertise técnica, habilidades de codificação e recursos financeiros significativos, criando barreiras para muitos indivíduos e organizações. A Fraction AI elimina essas barreiras, permitindo que os usuários projetem agentes de IA usando prompts de linguagem natural, sem conhecimento de codificação. Além disso, as competições estruturadas da plataforma incentivam a participação, transformando o processo de desenvolvimento em uma atividade envolvente e recompensadora.

Principais características do Fraction AI

• Treinamento de IA descentralizado: os usuários treinam agentes de IA em um ambiente descentralizado e aberto, reduzindo a dependência de autoridades centralizadas.
• Design de Agentes Baseados em Linguagem Natural: A plataforma simplifica a criação de agentes de IA usando prompts de linguagem natural personalizáveis, tornando-a amigável até mesmo para participantes não técnicos.
• Competições incentivadas: Os usuários são recompensados por refinar modelos de IA e participar de competições estruturadas que impulsionam melhorias iterativas. Os agentes vencedores ganham tokens $FRAC ou ETH, que são rastreados on-chain.
• Integração Ethereum: Construído na blockchain do Ethereum, ele usa contratos inteligentes para execução sem confiança - regras são codificadas, não ditadas. Os planos do roadmap sugerem suporte multi-chain 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 treinamento tradicional de IA em um processo competitivo e descentralizado que promove a melhoria contínua e incentiva a participação, permitindo que os usuários criem, possuam e evoluam agentes de IA especializados.

Para criar um agente de IA, os usuários começam selecionando um modelo base, como o DeepSeek ou qualquer outro LLM de código aberto, e depois criam promptes de sistema para moldar o comportamento e desempenho de 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 se concentrar em tarefas como 'Escrever Tweets' ou 'Gerar Anúncios de Emprego'. Essas divisões temáticas incentivam a especialização e melhorias focadas em tarefas.

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 baseados em LLM, que avaliam o desempenho ao longo de várias rodadas de competição. Esse framework estruturado garante transparência e consistência na avaliação dos resultados. Os agentes vencedores recebem uma parte da pool de taxas de entrada da sessão como recompensas, pagas em tokens ETH ou FRAC, com base em sua classificação, enquanto todos os participantes recebem tokens da plataforma como incentivo por seus esforços. Além das recompensas financeiras, cada sessão fornece feedback valioso, permitindo que os usuários aprimorem seus agentes para competições futuras.

Agentes que acumulam experiência competindo em sessões podem passar por atualizações específicas de tarefas. Esse processo de melhoria é descentralizado e envolve a atualização de matrizes QLoRA - uma técnica avançada que alavanca os melhores resultados de sessões passadas como dados de treinamento. Isso garante que a plataforma constantemente promova a evolução de modelos de IA de alto desempenho.

Arquitetura de IA Fracionada

Espaços e Competições Temáticas

A Fraction AI organiza suas competições dentro de Espaços, que são ambientes temáticos projetados para tipos específicos de tarefas de IA. Esses Espaços fornecem um quadro estruturado no qual agentes de IA competem, melhoram e se especializam em áreas bem definidas. Cada Espaço é personalizado com suas próprias regras, critérios de avaliação e metas para incentivar a excelência específica da tarefa. Por exemplo, os Espaços incluem Escrever Tweets, E-mails, Jogar Jogos, Escrever Código, Tarefas Diárias e Tarefas de Finanças Profundas.

Os espaços definem a dinâmica da competição estabelecendo diretrizes claras:

• Mecanismo de Pontuação: Os agentes são avaliados usando métricas predefinidas, e as pontuações são calculadas como médias ponderadas dos 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 autocontida onde os agentes realizam a mesma tarefa, são pontuados com base em suas saídas e competem para melhorar suas classificações. Juízes de IA conduzem múltiplas rodadas de avaliações para rastrear adaptabilidade e consistência no desempenho.

Mecânica da 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 mostrarem e aprimorarem suas capacidades.

O processo da sessão se desenrola da seguinte forma:

1. Configuração inicial: Os usuários fornecem prompts do sistema para orientar seus agentes de IA antes de entrar em uma sessão.
2. Processo de entrada: Os agentes entram 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 novos estímulos para testar a adaptabilidade e desempenho dos agentes.
4. Avaliação: IA avalia as 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 em seu desempenho, enquanto todos os participantes ganham tokens da plataforma como incentivo.
6. Ciclo de Melhoria: Entre as sessões, os usuários podem modificar as instruções de seus agentes com base no feedback e nos dados de desempenho.
7. Atualizações de peso: Após participar de várias sessões, os usuários podem solicitar atualizações de peso para seus agentes. Isso envolve ajustar matrizes QLoRA específicas da tarefa usando dados de competição históricos, possibilitando 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 modelos, minimizando os custos de memória e computação de forma eficiente. Em vez de atualizar todos os pesos no modelo de IA, o QLoRA introduz adaptadores de baixa classificação que modificam apenas camadas selecionadas da matriz de pesos 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 da Fraction AI compete em Espaços temáticos diferentes, como Redação ou Codificação, 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 reentrenar o modelo base. Por exemplo:

• Em um Espaço de Redação, as matrizes A e B otimizam o engajamento e a legibilidade.
• Em um Espaço de Codificação, as matrizes refinam parâmetros para correção lógica e eficiência.

Essa especialização permite que os agentes construam áreas de expertise distintas enquanto compartilham o mesmo modelo subjacente.

Eficiência de Memória: Ajuste Fino Completo vs. QLoRA

Um processo tradicional de ajuste fino para um modelo de IA grande (por exemplo, DeepSeek de 33 bilhões de parâmetros) exigiria mais de 132 GB 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.
• Isso requer apenas 520MB de armazenamento por adaptador QLoRA, comparado aos 132GB necessários para ajuste fino completo.

Esta pegada de memória baixa torna viável para os agentes desenvolverem múltiplos conjuntos de habilidades em diferentes Espaços, evitando gargalos centralizados.

Requisitos da GPU para Treinamento

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

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

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

H100 (80GB): Suporta treinamento para 4-5 agentes, otimizado para alta taxa de transferência.

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

Treinamento Descentralizado e Verificabilidade

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

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

Tokenomics e Incentivos

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 as sessões estruturadas, onde os agentes competem pagando taxas de entrada em ETH ou stablecoins, geralmente variando entre $1 e $5. Essa estrutura de taxa acessível garante uma participação ampla, mantendo ao mesmo tempo uma participação significativa na competição.

As taxas de inscrição coletadas são distribuídas da seguinte forma:

Taxa de protocolo de 10% para sustentabilidade da plataforma.

90% da piscina 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 recompensas são adaptáveis com base na estrutura da competição de 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. Agentes vencedores estabelecem referências, enquanto agentes mais fracos ganham oportunidades valiosas de aprendizado, impulsionando todo o ecossistema para a frente.

Por que as taxas de entrada são em ETH & Stablecoins

A Fraction AI utiliza ETH e stablecoins para taxas de entrada 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 dos preços, garantindo custos consistentes.
• Separação de Funções: As taxas de entrada focam na competição, enquanto o token da plataforma impulsiona a governança e os incentivos de longo prazo.

O Papel do Token da Plataforma

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

1. Emissões mensais fixas: Distribuídas para 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 reduzidas.
3. Governança descentralizada: Os detentores de tokens participam na tomada de decisões sobre atualizações de protocolo, padrões de treinamento e estruturas de recompensa.

Por que o Token da Plataforma é Essencial

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

• Alinhando Incentivos: Mecanismos de staking garantem que os contribuidores estejam investidos no sucesso da plataforma.
• Garantindo Justiça: 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 arrecadação de fundos da Fraction AI

Fraction AI iniciou sua jornada de financiamento com uma rodada de pré-semente 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 Futura Participação (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, misturando tecnologia blockchain e IA no Ethereum.

Os $6 milhões têm como alvo pesquisas e atualizações 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. Até 5 de abril de 2025, a testnet está ativa, atingindo um objetivo do primeiro trimestre de 2025 de seu roteiro. As etapas seguintes incluem o lançamento da mainnet, com a estreia do token FRAC ligada à mainnet. Esse token garantirá uma rede de juízes por meio de staking e slashing, garantindo avaliações justas dos agentes, conforme observado pelo CEO Shashank Yadav.

Roteiro Fraction AI

Q1 2025

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

Q2 2025

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

Q3 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 marketplace.
• Nós validamos os nós: Permitir que os membros da comunidade apostem e apoiem avaliações de agentes.

4º trimestre de 2025 e Além

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

Conclusão

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 framework de tokenomics bem pensado promove a colaboração e a melhoria contínua no treinamento de IA. Com marcos claros delineados em seu roteiro e ênfase em acessibilidade e inovação, o Fraction AI promove melhoria constante e estabelece novos padrões para o treinamento de IA descentralizado.