心理學家榮格提出了集體潛意識 (Collective Unconscious) 的心理學概念，他的理論基礎與學派都建立在這個結構底下。榮格認為人類社會的底層有著集體潛意識，這個集體潛意識為所有人類共有，集體潛意識並非來自個人的直接經驗，而是來自於人類的遺傳基因和過往集體創造出的共同意識與原型，這些集體意識會互相影響未來個人與群體的發展，但也可能會以訛傳訛，讓錯誤也重複的傳遞下去，影響知識傳承並阻礙文明社會發展。
這就能說明去中心化人工智慧知識圖譜 (Decentralized Knowledge Graph 簡稱 DKG) 透過區塊鏈驗證資料的來源、著作權和誠信價值的重要性。
生成 AI 已經在多個領域中蓬勃發展，但還是有許多缺陷，嚴重影響未來人工智慧於各領域的發展。為了讓生成 AI 做好準備應對大規模的社會變更，需要限制人工智慧的幻覺、偏見與誤判，並杜絕侵犯智慧財產權。
去中心化人工智慧圖譜透過模型輸出提供資訊來源、確保所呈現資訊的可驗證性、並尊重資料所有權與來源，來解決 AI 不足的領域。
OriginTrail 的開發團隊 Trace Labs 加入 NVIDIA Inception 計畫，希望能實現去中心化知識圖譜 (DKG) 創造可驗證 (Verifiable Internet) 的人工智慧網路。
Trace Labs 已在供應鏈、醫療保健、建築、體育、航空業等領域實施去中心化人工智慧知識圖譜，與輝達的合作更能將區塊鏈與人工智慧做完美的結合。
Trace Labs 和 Nvidia 如何打造去中心化 AI 知識圖譜
Origin Trail 將本身技術團隊開發的去中心化知識圖譜（DKG）與 NVIDIA 生成 AI 合作打造「去中心化 AI 知識圖譜」。
Retrieval Augmented Generation (簡稱 RAG) 為生成文本時增強擴大的信息檢索生成機制，提供可驗證且可靠的知識訊息來源。RAG 是一種技術，允許機器學習模型在生成輸出前從外部數據庫中提取相關訊息，藉以提高回答的準確性和上下文的相關性。
去中心化 RAG（dRAG）為 RAG 的進階版，通過 OriginTrail 的去中心化知識圖譜來允許數據以知識資產（Knowledge Assets）的形式存在，每個資產都有其特定的識別和所有權，確保數據的可追溯性、完整性和所有權，可大幅提高 GenAI 模型的準確性和可靠性
dRAG 透過利用去中心化知識圖譜（DKG) 改進 RAG 系統。每個知識資產都包含圖表資料和向量嵌入、不變性證明與去中心化識別碼（DID）和所有權 NFT。當連接到一個無需許可的 DKG 中時，將啟用知識圖譜中的結構允許神經網路和符號與人工智慧混合，透過準確性輸入來增強生成 AI 的模型。
知識資產的擁有者可以管理知識資產庫中資料的存取，並透過區塊鏈帶著可驗證與不可篡改的特性， DKG 上每條知識訊息都有加密憑證，可確保自發佈後沒有發生篡改。
NVIDIA Inception 與 Trace Labs 的發展計劃
Nvidia 與 Trace Labs 透過合作發展去中心化 AI 知識圖譜 ，提供 VC 投資機會。Inception 計畫還包括加入 NVIDIA 深度學習學院以及 NVIDIA 開發者論壇，使 Trace Labs 能夠與 NVIDIA 一起推動建設去中心化人工智慧生態系。
如果說人類社會有集體潛意識，那麼人工智慧也有 AI 的集體潛意識，可以重新定義人工智慧能為人類社會帶來的改變。
去中心化人工智慧知識圖譜的應用場景就是 AI 代理，利用網路大規模的集體意識，從共享但擁有主權的知識庫中獲取知識，意味著人工智慧可以提供上下文能具有連貫且準確的交互結合而不會損害資料的隱私與完整性，讓各個專業可以建立一個可信賴的 AI 代理生態系。
去中心化 AI 知識圖譜運用 Nvidia 的超級電腦處理數十億知識資產，可奠定去中心化科學基礎。
這篇文章 Trace Labs 加入輝達 Inception 計劃，合作推動去中心化 AI 知識圖譜 最早出現於 鏈新聞 ABMedia。