在本期播客中，我們邀請到了 Wynd Labs 的首席執行官兼聯合創始人 Andrej，與我們分享了他和團隊在開發 Grass 網絡及實時上下文檢索 (LCR) 技術的經歷。Andrej 介紹了他從應用數學博士研究轉型到創業的背景，並深入探討了 LCR 技術如何改變 AI 模型獲取實時數據的方式，突破傳統 AI 僅依賴靜態數據的侷限。
我們還聊到了 Grass 網絡如何確保數據的準確性與透明性，並討論了去中心化網絡中對用戶隱私的保護措施。Andrej 詳細說明了 Grass 網絡與傳統中心化平臺的技術和道德優勢，以及它在多個行業中的廣泛應用 — — 從電子商務到金融市場預測。此外，Andrej 還透露了未來幾個月內 Grass 的發展計劃，包括即將推出的 Android 應用程序、新的硬件設備，以及對貢獻者的激勵措施。
音頻轉錄由 GPT 完成，可能存在錯誤。請收聽完整的播客：
小宇宙：https://www.xiaoyuzhoufm.com/episodes/66f7e5da6c7f817786b5a762
YouTube: https://youtu.be/rFU9zOeWt30
Andrej 的背景和項目概述
Prince：
今天我們很高興邀請到了 Andrej，Wynd Labs 的首席執行官兼聯合創始人。Andrej，你能給我們簡單介紹一下你自己，以及你是如何參與到這個項目的，還有這個項目的具體內容嗎？
Andrej：
我是 Andrej。在加入這個項目之前，我一直在攻讀應用數學的博士學位，專注於計算物理領域的研究。疫情期間，我創辦了一家專注於網絡爬蟲基礎設施的公司，爲客戶提供大型服務器和數據中心，專門用於網絡抓取。隨着客戶數量超過 1,000 人，他們開始詢問是否可以通過家庭設備和網絡進行抓取。那時，我瞭解到像沃爾瑪這樣的公司通過在一些免費應用中偷偷植入 SDK，利用普通用戶的設備進行網絡抓取，這讓我在道德層面感到不安。
後來，我遇到了現在的兩位聯合創始人，我們決定一起解決這個問題。我們沒有預料到，隨着 AI 的迅速發展，這個領域會如此迅猛地爆發。
自從我們啓動以來，項目規模已經擴大了十倍。Grass 是一個任何人都可以一鍵加入的網絡，加入後，用戶基本上是在出租自己的資源，比如 CPU 和帶寬，以便進行大規模抓取公開的網絡信息。
解釋實時上下文檢索 (LCR)
Prince：
可能我們的一些聽衆沒有工程或計算背景，不太瞭解 AI 技術。你能不能用簡單的方式給我們解釋一下你們的核心技術 — — 實時上下文檢索 (LCR)？另外，這項技術是如何改變 AI 模型與數據交互的方式的？能不能與傳統的數據訓練方法做個對比？
Andrej：
要解釋 LCR，可以想象一下，當你與某人聊天時，如果提到一個他們不太熟悉的話題，可能他們沒有跟上最新的新聞。這時，他們不會直接給你過時的信息，而是會先查閱最新的細節，然後再給你一個更準確的回答。LCR 的原理與此類似，只不過是爲 AI 模型服務的。
簡單來說，LCR 使 AI 模型在生成回答或做出決策時，能夠訪問並使用來自外部來源（例如互聯網）的實時信息。這意味着，AI 模型不再侷限於它在最初訓練時學到的內容。通常，在訓練一個模型時，會提供大量靜態數據，因此當你詢問一些今天或最近發生的事情時，它可能無法回答。而通過 LCR，相當於爲 AI 模型接入了一個引擎，這個引擎讓它可以實時訪問互聯網，並根據最新的信息來回答問題。整個系統由數百萬個節點運行，LCR 就在這些節點上運作。
與傳統 AI 模型的對比
Prince：
是的，我知道像 OpenAI 的模型是無法即時訪問在線信息的。它們在訓練過程中有人工干預，對模型的反饋會進行重新標註。所以我想知道，你們的系統是不是也有類似的人工干預，還是完全自動化的？
Andrej：
對，Grass 網絡完全沒有人工干預或人爲篡改。它完全是自動化的，所有內容都在公共賬本上 100% 透明地進行驗證。這也確保了通過 Grass 網絡生成的所有迴應是完全公正的，並且不會被篡改。
信息完整性和隱私性問題
Prince：
你們會不會擔心網絡上的信息準確性呢？比如 AI 可能會誤解一些信息，或者給出不當的回答，甚至可能涉及暴力或無厘頭的內容。你們團隊是否採取了措施來預防這些問題？
Andrej：
是的，Grass 網絡的每個用戶都必須通過 KYB（瞭解你的業務）流程，還需要遵守一定的合規要求。這裏的“用戶”指的是另一端的客戶，也就是那些運行 AI 模型的人。
至於 AI 模型現在訪問的數據，它們目前只能使用搜索引擎的結果。但是，搜索引擎結果中充斥着廣告，雖然對人類來說，第一頁的內容可能是有效的，但對於大語言模型（LLM）來說，這些內容的質量很差。OpenAI 的一些研究顯示，很多情況下，40% 的查詢結果其實只用了 1% 的數據，說明有很多數據是沒有用的。
LCR 的亮點在於，由於所有節點都在實時驗證每個數據請求，我們可以確保返回給 AI 模型的數據不是爲了其他目的優化的，而是根據知識和語義相似性來判斷的。這也是 Grass 網絡的一個重要區別。
Prince：
這的確是一個很棒的觀點。我們再深入聊聊 LCR 吧。LCR 在獲取實時數據時，如何處理隱私問題？用戶的隱私會不會有任何風險？
Andrej：
完全不會。Grass 節點並不會接觸到用戶的數據或瀏覽歷史，節點只是簡單地利用了一些 CPU 和帶寬。被訪問的數據實際上是在互聯網上公開的，不涉及用戶個人電腦上的數據。用戶的設備只是作爲一個節點，傳遞網絡請求。所以完全不用擔心個人隱私問題。爲了進一步確保，我們已經通過了三次不同機構的審計，其中一個審計報告已經公開在我們的網站上。此外，我們還完成了與蘋果團隊的安全審查，他們是這一領域的領先者。
LCR 在各大行業中的影響
Prince：
那你能具體談談實時數據的應用場景嗎？LCR 如何幫助加密領域之外的行業，比如金融市場的預測模型，或者其他實際例子？
Andrej：
從實時數據訪問的角度來看，未來幾年內，每一家《財富》500 強公司都將以某種方式使用 AI，並且每個應用場景都會需要獲取最新的信息。比如，一家航空公司需要實時瞭解供應鏈的動態，並從全球範圍內收集數據來做出決策。
像 Target 或 Amazon 這樣的電子商務公司，需要實時抓取競爭對手的網站，瞭解他們的價格變化。比如，Costco 每天都會知道 Amazon 上所有商品的價格。未來，LLMs 和 AI 需要像 LCR 這樣的工具來幫助他們高效完成這些工作。
LCR 的應用非常廣泛，不侷限於某個特定領域。未來幾年內，所有使用 AI 的行業都會需要某種形式的實時數據訪問。預測金融市場的分析也是 LCR 的一個重要應用領域。實際上，已經有一些頂級的對衝基金聯繫了我們，想參與 LCR 的封閉測試。
Grass 的競爭優勢
Prince：
是的，我看到現在有很多團隊在做類似的事情。你覺得 Grass 和其他競爭對手相比，最大的優勢是什麼？
Andrej：
在加密領域，我認爲沒有其他方案能做到我們現在正在做的事情。
Prince：
那麼目前在加密領域有沒有競爭對手？
Andrej：
在加密領域裏？據我所知還沒有。我預計一些協議會注意到 Grass 在做的事情，並試圖模仿，但目前還沒有看到成功的案例。
在加密領域之外，我們最大的競爭對手是兩家能夠抓取整個互聯網的公司。我不便說出它們的名字，但我相信大家應該能猜到。
Grass 有兩個主要優勢：首先是道德層面，Grass 是由用戶擁有的，所有的決策都是用戶做出的，完全是去中心化的，所有內容都記錄在不可更改的公共賬本上，大家可以自己驗證，不需要依賴中心化公司。
其次是技術層面，Grass 能做到其他公司做不到的事情，因爲它是由數百萬個節點支持的，能更快、更公平地抓取網站信息。此外，Grass 的運營成本也更低，因爲它不需要像中心化公司那樣承擔巨大的運營費用。我們是基於信息對 LLM 的價值來排序頁面，而不是基於廣告價值，這讓我們比其他方案更加高效。
對貢獻者的激勵
Prince：
那麼，對於網絡的貢獻者，你們提供了哪些激勵措施呢？用戶是如何被鼓勵參與的？
Andrej：
這是個好問題。現在這個網絡是完全被動的，用戶只需要安裝一個節點，系統就會在後臺自動完成所有操作。雖然應用是被動的，但我們的社區非常活躍，所以我們也在考慮如何讓用戶更積極地參與。我們即將推出更多面向消費者的應用，第一個將會使用 LCR，大家可以期待一下。
關於激勵措施，迄今爲止，我們主要集中在構建網絡並確保它的穩健性。早期有數百萬用戶加入，這非常了不起，因爲它讓我們可以進行大規模的壓力測試，確保網絡正常運行。作爲回報，早期用戶將會獲得空投獎勵。不過，老實說，空投並不是大家下載 Grass 的主要原因，更多的是對早期支持者的一種獎勵。
從長遠來看，我們真正感興趣的是開啓帶寬貨幣化。例如，當一家大公司使用 LCR 時，如果你的帶寬被用來查詢該公司所需的數據，你將因此獲得獎勵。這爲用戶提供了一種被動的收入來源，他們只需在後臺運行系統，無需做任何額外的事情。
即將到來的發展
Prince：
你能再詳細說說用戶能期望獲得的獎勵嗎？接下來幾個月或這一年內，你們有什麼值得期待的進展或重大里程碑可以和我們分享嗎？
Andrej：
當然。接下來我們會推出 Grass 的 Android 應用。很多人可能已經聽說了 Saga 應用，也就是 Solana 手機。Android 應用將在網絡上線後推出。我們還在開發一款面向消費者的硬件設備。第一個使用 LCR 的產品即將面世，Grass 的用戶將有機會參與測試。所以如果你已經安裝了 Grass，那你就可以體驗到這個新產品。
此外，大家還可以繼續關注我們提到的路線圖，比如即將發佈的硬件設備和其他應用程序的進展。
