Reportado pelo The Block: A Fraction AI arrecadou $6 milhões em uma rodada de financiamento pré-seed co-liderada pelo Spartan e pela Symbolic.

A startup de crypto-AI está focada na descentralização da rotulagem de dados.

A Fraction AI, uma startup de crypto-AI focada na descentralização da rotulagem de dados, arrecadou $6 milhões em uma rodada de financiamento pré-seed co-liderada pelo Spartan Group e pela Symbolic Capital.

Outros investidores na rodada incluem Borderless Capital, Anagram, Foresight Ventures e Karatage, disse a Fraction AI na quarta-feira. Investidores anjos, incluindo Sandeep Nailwal da Polygon e Illia Polosukhin do Protocol, também se juntaram à rodada e são "conselheiros próximos" do projeto, disse o fundador e CEO da Fraction AI, Shashank Yadav, ao The Block.

A Fraction AI começou a arrecadar fundos para a rodada pré-seed em abril deste ano e a fechou em setembro, disse Yadav. A rodada foi estruturada como um acordo simples para futuras participações (SAFE) com garantias de tokens, disse Yadav, recusando-se a comentar sobre a avaliação pós-rodada.

O que é a Fraction AI?

Fundada em fevereiro, a Fraction AI é uma startup de crypto-AI que visa descentralizar a rotulagem de dados. A rotulagem de dados envolve etiquetar dados brutos — como imagens, texto ou áudio — com etiquetas significativas para treinar modelos de IA a reconhecer padrões e fazer previsões precisas.

"Entre os três elementos principais da IA — dados, computação e modelos — os dados continuam a ser os mais obscuros e controlados de forma restrita", disse Yadav. "Nos propusemos a mudar isso, nivelando o campo de jogo e capacitando qualquer um a treinar modelos de IA de alta qualidade."

A Fraction AI segue uma abordagem híbrida para a rotulagem de dados, combinando insights humanos com agentes de IA. A plataforma terá três participantes principais: stakers, builders e judges.

Os stakers ganharão recompensas ao apostar ether ou tokens de staking líquido (LSTs) como ether staked da Lido (stETH). Seus ganhos virão de taxas de entrada pagas pelos builders, com 5% de cada taxa de entrada indo diretamente para os stakers, disse Yadav.

Os builders criarão agentes fornecendo insights humanos ou instruções detalhadas em forma de texto, sem necessidade de codificação. Eles financiarão seus agentes com ETH ou LSTs, permitindo que compitam em desafios. Os builders pagarão uma pequena taxa de entrada para participar e gerar os melhores dados possíveis. Os três melhores agentes em cada competição, de cinco, serão recompensados a partir do pool de taxas de entrada, com suas recompensas multiplicadas por um multiplicador baseado em desempenho, determinado por pontuações de modelos de linguagem de grande porte (LLMs) especializados.

"A recompensa adicional baseada em multiplicadores vem do pool de stakers, garantindo que os desempenhos ruins financiem os stakers enquanto aumentam exponencialmente as recompensas para os agentes de alto desempenho", disse Yadav.

Judges, que são LLMs especializados, avaliarão as saídas dos agentes com base em critérios pré-definidos. Para participar, os judges precisarão apostar tokens nativos FRAC da Fraction AI.

Cronograma de lançamento do mainnet e token da Fraction AI. A Fraction AI é construída principalmente sobre Ethereum e atualmente está ativa em um testnet fechado com mais de 60.000 usuários, disse Yadav. O testnet público deve ser lançado no próximo mês, com o mainnet previsto para ser lançado até o final do primeiro trimestre ou início do segundo trimestre de 2025.

O token FRAC também será lançado mais próximo do mainnet, disse Yadav. O caso de uso do token será garantir uma rede de judges que avaliarão as saídas dos agentes através de mecanismos de staking e slashing, garantindo qualidade e avaliação justa, acrescentou.

Embora a Fraction AI seja atualmente construída principalmente sobre Ethereum, planeja lançar no NEAR, bem como em várias redes Ethereum Layer 2, disse Yadav.

O projeto, com sede em San Francisco, atualmente tem oito funcionários. Yadav planeja manter a equipe enxuta no futuro próximo.