在本期播客中，我们邀请到了 Wynd Labs 的首席执行官兼联合创始人 Andrej，与我们分享了他和团队在开发 Grass 网络及实时上下文检索 (LCR) 技术的经历。Andrej 介绍了他从应用数学博士研究转型到创业的背景，并深入探讨了 LCR 技术如何改变 AI 模型获取实时数据的方式，突破传统 AI 仅依赖静态数据的局限。
我们还聊到了 Grass 网络如何确保数据的准确性与透明性，并讨论了去中心化网络中对用户隐私的保护措施。Andrej 详细说明了 Grass 网络与传统中心化平台的技术和道德优势，以及它在多个行业中的广泛应用 — — 从电子商务到金融市场预测。此外，Andrej 还透露了未来几个月内 Grass 的发展计划，包括即将推出的 Android 应用程序、新的硬件设备，以及对贡献者的激励措施。
音频转录由 GPT 完成，可能存在错误。请收听完整的播客：
小宇宙：https://www.xiaoyuzhoufm.com/episodes/66f7e5da6c7f817786b5a762
YouTube: https://youtu.be/rFU9zOeWt30
Andrej 的背景和项目概述
Prince：
今天我们很高兴邀请到了 Andrej，Wynd Labs 的首席执行官兼联合创始人。Andrej，你能给我们简单介绍一下你自己，以及你是如何参与到这个项目的，还有这个项目的具体内容吗？
Andrej：
我是 Andrej。在加入这个项目之前，我一直在攻读应用数学的博士学位，专注于计算物理领域的研究。疫情期间，我创办了一家专注于网络爬虫基础设施的公司，为客户提供大型服务器和数据中心，专门用于网络抓取。随着客户数量超过 1,000 人，他们开始询问是否可以通过家庭设备和网络进行抓取。那时，我了解到像沃尔玛这样的公司通过在一些免费应用中偷偷植入 SDK，利用普通用户的设备进行网络抓取，这让我在道德层面感到不安。
后来，我遇到了现在的两位联合创始人，我们决定一起解决这个问题。我们没有预料到，随着 AI 的迅速发展，这个领域会如此迅猛地爆发。
自从我们启动以来，项目规模已经扩大了十倍。Grass 是一个任何人都可以一键加入的网络，加入后，用户基本上是在出租自己的资源，比如 CPU 和带宽，以便进行大规模抓取公开的网络信息。
解释实时上下文检索 (LCR)
Prince：
可能我们的一些听众没有工程或计算背景，不太了解 AI 技术。你能不能用简单的方式给我们解释一下你们的核心技术 — — 实时上下文检索 (LCR)？另外，这项技术是如何改变 AI 模型与数据交互的方式的？能不能与传统的数据训练方法做个对比？
Andrej：
要解释 LCR，可以想象一下，当你与某人聊天时，如果提到一个他们不太熟悉的话题，可能他们没有跟上最新的新闻。这时，他们不会直接给你过时的信息，而是会先查阅最新的细节，然后再给你一个更准确的回答。LCR 的原理与此类似，只不过是为 AI 模型服务的。
简单来说，LCR 使 AI 模型在生成回答或做出决策时，能够访问并使用来自外部来源（例如互联网）的实时信息。这意味着，AI 模型不再局限于它在最初训练时学到的内容。通常，在训练一个模型时，会提供大量静态数据，因此当你询问一些今天或最近发生的事情时，它可能无法回答。而通过 LCR，相当于为 AI 模型接入了一个引擎，这个引擎让它可以实时访问互联网，并根据最新的信息来回答问题。整个系统由数百万个节点运行，LCR 就在这些节点上运作。
与传统 AI 模型的对比
Prince：
是的，我知道像 OpenAI 的模型是无法即时访问在线信息的。它们在训练过程中有人工干预，对模型的反馈会进行重新标注。所以我想知道，你们的系统是不是也有类似的人工干预，还是完全自动化的？
Andrej：
对，Grass 网络完全没有人工干预或人为篡改。它完全是自动化的，所有内容都在公共账本上 100% 透明地进行验证。这也确保了通过 Grass 网络生成的所有回应是完全公正的，并且不会被篡改。
信息完整性和隐私性问题
Prince：
你们会不会担心网络上的信息准确性呢？比如 AI 可能会误解一些信息，或者给出不当的回答，甚至可能涉及暴力或无厘头的内容。你们团队是否采取了措施来预防这些问题？
Andrej：
是的，Grass 网络的每个用户都必须通过 KYB（了解你的业务）流程，还需要遵守一定的合规要求。这里的“用户”指的是另一端的客户，也就是那些运行 AI 模型的人。
至于 AI 模型现在访问的数据，它们目前只能使用搜索引擎的结果。但是，搜索引擎结果中充斥着广告，虽然对人类来说，第一页的内容可能是有效的，但对于大语言模型（LLM）来说，这些内容的质量很差。OpenAI 的一些研究显示，很多情况下，40% 的查询结果其实只用了 1% 的数据，说明有很多数据是没有用的。
LCR 的亮点在于，由于所有节点都在实时验证每个数据请求，我们可以确保返回给 AI 模型的数据不是为了其他目的优化的，而是根据知识和语义相似性来判断的。这也是 Grass 网络的一个重要区别。
Prince：
这的确是一个很棒的观点。我们再深入聊聊 LCR 吧。LCR 在获取实时数据时，如何处理隐私问题？用户的隐私会不会有任何风险？
Andrej：
完全不会。Grass 节点并不会接触到用户的数据或浏览历史，节点只是简单地利用了一些 CPU 和带宽。被访问的数据实际上是在互联网上公开的，不涉及用户个人电脑上的数据。用户的设备只是作为一个节点，传递网络请求。所以完全不用担心个人隐私问题。为了进一步确保，我们已经通过了三次不同机构的审计，其中一个审计报告已经公开在我们的网站上。此外，我们还完成了与苹果团队的安全审查，他们是这一领域的领先者。
LCR 在各大行业中的影响
Prince：
那你能具体谈谈实时数据的应用场景吗？LCR 如何帮助加密领域之外的行业，比如金融市场的预测模型，或者其他实际例子？
Andrej：
从实时数据访问的角度来看，未来几年内，每一家《财富》500 强公司都将以某种方式使用 AI，并且每个应用场景都会需要获取最新的信息。比如，一家航空公司需要实时了解供应链的动态，并从全球范围内收集数据来做出决策。
像 Target 或 Amazon 这样的电子商务公司，需要实时抓取竞争对手的网站，了解他们的价格变化。比如，Costco 每天都会知道 Amazon 上所有商品的价格。未来，LLMs 和 AI 需要像 LCR 这样的工具来帮助他们高效完成这些工作。
LCR 的应用非常广泛，不局限于某个特定领域。未来几年内，所有使用 AI 的行业都会需要某种形式的实时数据访问。预测金融市场的分析也是 LCR 的一个重要应用领域。实际上，已经有一些顶级的对冲基金联系了我们，想参与 LCR 的封闭测试。
Grass 的竞争优势
Prince：
是的，我看到现在有很多团队在做类似的事情。你觉得 Grass 和其他竞争对手相比，最大的优势是什么？
Andrej：
在加密领域，我认为没有其他方案能做到我们现在正在做的事情。
Prince：
那么目前在加密领域有没有竞争对手？
Andrej：
在加密领域里？据我所知还没有。我预计一些协议会注意到 Grass 在做的事情，并试图模仿，但目前还没有看到成功的案例。
在加密领域之外，我们最大的竞争对手是两家能够抓取整个互联网的公司。我不便说出它们的名字，但我相信大家应该能猜到。
Grass 有两个主要优势：首先是道德层面，Grass 是由用户拥有的，所有的决策都是用户做出的，完全是去中心化的，所有内容都记录在不可更改的公共账本上，大家可以自己验证，不需要依赖中心化公司。
其次是技术层面，Grass 能做到其他公司做不到的事情，因为它是由数百万个节点支持的，能更快、更公平地抓取网站信息。此外，Grass 的运营成本也更低，因为它不需要像中心化公司那样承担巨大的运营费用。我们是基于信息对 LLM 的价值来排序页面，而不是基于广告价值，这让我们比其他方案更加高效。
对贡献者的激励
Prince：
那么，对于网络的贡献者，你们提供了哪些激励措施呢？用户是如何被鼓励参与的？
Andrej：
这是个好问题。现在这个网络是完全被动的，用户只需要安装一个节点，系统就会在后台自动完成所有操作。虽然应用是被动的，但我们的社区非常活跃，所以我们也在考虑如何让用户更积极地参与。我们即将推出更多面向消费者的应用，第一个将会使用 LCR，大家可以期待一下。
关于激励措施，迄今为止，我们主要集中在构建网络并确保它的稳健性。早期有数百万用户加入，这非常了不起，因为它让我们可以进行大规模的压力测试，确保网络正常运行。作为回报，早期用户将会获得空投奖励。不过，老实说，空投并不是大家下载 Grass 的主要原因，更多的是对早期支持者的一种奖励。
从长远来看，我们真正感兴趣的是开启带宽货币化。例如，当一家大公司使用 LCR 时，如果你的带宽被用来查询该公司所需的数据，你将因此获得奖励。这为用户提供了一种被动的收入来源，他们只需在后台运行系统，无需做任何额外的事情。
即将到来的发展
Prince：
你能再详细说说用户能期望获得的奖励吗？接下来几个月或这一年内，你们有什么值得期待的进展或重大里程碑可以和我们分享吗？
Andrej：
当然。接下来我们会推出 Grass 的 Android 应用。很多人可能已经听说了 Saga 应用，也就是 Solana 手机。Android 应用将在网络上线后推出。我们还在开发一款面向消费者的硬件设备。第一个使用 LCR 的产品即将面世，Grass 的用户将有机会参与测试。所以如果你已经安装了 Grass，那你就可以体验到这个新产品。
此外，大家还可以继续关注我们提到的路线图，比如即将发布的硬件设备和其他应用程序的进展。