Dilaporkan oleh The Block: Fraction AI telah mengumpulkan $6 juta dalam putaran pendanaan pra-seed yang dipimpin bersama oleh Spartan dan Symbolic.
Startup crypto-AI ini fokus pada desentralisasi pelabelan data.
Fraction AI, sebuah startup crypto-AI yang fokus pada desentralisasi pelabelan data, telah mengumpulkan $6 juta dalam putaran pendanaan pra-seed yang dipimpin bersama oleh Spartan Group dan Symbolic Capital.
Investor lain dalam putaran tersebut termasuk Borderless Capital, Anagram, Foresight Ventures dan Karatage, kata Fraction AI pada hari Rabu. Investor malaikat, termasuk Sandeep Nailwal dari Polygon dan Illia Polosukhin dari Protocol, juga bergabung dalam putaran tersebut dan merupakan "penasihat dekat" untuk proyek ini, kata pendiri dan CEO Fraction AI Shashank Yadav kepada The Block.
Fraction AI mulai mengumpulkan dana untuk putaran pra-seed pada bulan April tahun ini dan menutupnya pada bulan September, kata Yadav. Putaran tersebut disusun sebagai perjanjian sederhana untuk ekuitas masa depan (SAFE) dengan waran token, kata Yadav, menolak untuk mengomentari valuasi pasca-putaran.
Apa itu Fraction AI?
Didirikan pada bulan Februari, Fraction AI adalah startup crypto-AI yang bertujuan untuk mendesentralisasikan pelabelan data. Pelabelan data melibatkan penandaan data mentah —seperti gambar, teks, atau audio— dengan label bermakna untuk melatih model AI agar mengenali pola dan membuat prediksi yang akurat.
"Di antara tiga elemen inti AI — data, komputasi, dan model — data tetap yang paling tidak jelas dan dikendalikan dengan ketat," kata Yadav. "Kami berusaha untuk mengubah itu, meratakan lapangan permainan dan memberdayakan siapa saja untuk melatih model AI berkualitas tinggi."
Fraction AI mengikuti pendekatan hibrida untuk pelabelan data, menggabungkan wawasan manusia dengan agen AI. Platform ini akan memiliki tiga peserta utama: staker, pembangun, dan juri.
Staker akan mendapatkan imbalan dengan mempertaruhkan ether atau token staking cair (LST) seperti ether yang dipertaruhkan Lido (stETH). Pendapatan mereka akan berasal dari biaya masuk yang dibayarkan oleh pembangun, dengan 5% dari setiap biaya masuk langsung diberikan kepada staker, kata Yadav.
Pembuat akan membuat agen dengan memberikan wawasan manusia atau instruksi rinci dalam bentuk teks tanpa diperlukan pengkodean. Mereka akan mendanai agen mereka dengan ETH atau LST, memungkinkan mereka bersaing dalam tantangan. Pembuat akan membayar biaya masuk kecil untuk berpartisipasi dan menghasilkan data terbaik yang mungkin. Tiga agen teratas dalam setiap kompetisi dari lima akan mendapatkan hadiah dari kumpulan biaya masuk, dengan hadiah mereka dikalikan dengan multiplier berbasis kinerja, yang ditentukan oleh skor dari model bahasa besar (LLM) khusus.
"Penghargaan tambahan berbasis multiplier berasal dari kumpulan staker, memastikan bahwa kinerja yang buruk membiayai staker sambil secara eksponensial meningkatkan penghargaan untuk agen dengan kinerja terbaik," kata Yadav.
Juri, yang merupakan LLM khusus, akan mengevaluasi keluaran agen berdasarkan kriteria yang telah ditentukan. Untuk berpartisipasi, juri perlu mempertaruhkan token FRAC asli Fraction AI.
Jadwal peluncuran mainnet dan token Fraction AIFraction AI sebagian besar dibangun di atas Ethereum dan saat ini aktif di testnet tertutup dengan lebih dari 60.000 pengguna, kata Yadav. Testnet publik diharapkan diluncurkan bulan depan, dengan mainnet dijadwalkan dirilis pada akhir kuartal pertama atau awal kuartal kedua tahun 2025.
Token FRAC juga akan diluncurkan lebih dekat dengan mainnet, kata Yadav. Kasus penggunaan token ini adalah untuk mengamankan jaringan juri yang akan mengevaluasi keluaran agen melalui mekanisme staking dan slashing, memastikan kualitas dan evaluasi yang adil, tambahnya.
Sementara Fraction AI saat ini sebagian besar dibangun di atas Ethereum, ia berencana untuk meluncurkan di NEAR serta beberapa jaringan Ethereum Layer 2, kata Yadav.
Proyek yang berbasis di San Francisco ini saat ini memiliki delapan karyawan. Yadav berencana untuk menjaga tim tetap ramping untuk masa depan yang dekat.
