2024 年10 月17 日，在麻省理工学院(MIT) 去中心化AI 峰会中，Origin Trail 被评选为最佳去中心化AI 项目。

知识图谱（Knowledge Graph）是一种将知识以关系结构方式组织起来的技术，用来表示各种事物之间的关系和背景。它不仅储存资料与数据，还将资料与数据转化为「知识」，强调事物之间的连结和语意信息。

也能理解成一种知识资料库，和一般资料库差别在于更强调关系和语意；平常最常接触到的知识图谱之一是Google Knowledge Graph，由Google 推出，用来提高Google 搜寻品质的知识图谱，虽然我们不一定知道它，但在google 上搜寻时，背后可能都有它的运作。

而最知名的"去中心化" 知识图谱则是维基百科Wiki，开源共享分散，不过维基百科并没有使用区块链，Origin Trail 将去中心化知识图谱搬到区块链上运作，能和去中心化AI 结合，提供透明、可追溯、可验证的知识。

NeuroWeb 是由Origin Trail 创建的波卡生态平行链，链上活跃度飞速发展，根据the Block 链上数据，波卡平行链交易活跃度持续创出新高，NeuroWeb 就占了其中70% 交易量(10 月数据)。

Origin Trail 是2017 创立的老项目，如今怎么和火热的AI 又扯上关系？这篇文章将介绍Origin Trail 是什么、与NeuroWeb 的关系、知识挖矿是什么、项目前景如何、为什么能在波卡平行链中占有这么高的活跃度、以及其中的相关代币$TRAC 与$ NEURO。

去中心化知识图谱在真实世界中使用情境

如果对去中心化知识图谱在真实世界的应用感到抽象，觉得很难想像，可参考这个与铁路公司合作的案例：

欧洲之前一起火车出轨意外，原因是轮子坏掉但没事先发现，在结合去中心化知识图谱与区块链之后，就能整合众多资讯来源数据，交给AI 即时侦测出异常状况并避免此类意外事故。

至于为什么去中心化在这种应用中会有优势？因为更安全、更弹性，且去信任。

而同样的应用方式，在航空航太、汽车、国防、建筑等等领域也都能发挥用处，未来使用场景极大。

Oirigin Trail 小档案

Origin Trail 去中心化知识图谱介绍

多年老项目，架构和生态版图都有点大，不太容易简短说明，我们一步一步拆解。

Origin Trail 发展过程

最初是作为供应链解决方案，结合区块链技术来改善供应链管理上的问题，这是第一版白皮书提出时的主要方向；接着发现可以将更多数据整合进来，包含真实世界资产、NFT等等，开始朝web 3 的方向，也推出自己的波卡平行链Origin Trail parachain。

Origin Trail 合作的企业单位包含英国标准协会BSI、瑞士联邦铁路SBB、国际条码组织GS1、供应商合规审计网络SCAN (包含了Costco / 沃尔玛/ Target 等知名零售) 等，参与了包括货物进口检查、威士忌原料、药品、农产品与肉品追踪、甚至包含铁路铁轨零件异常侦测等，主要在欧洲地区。

随着AI 发展，Origin Trail 的去中心化知识图谱也连接了更多数据与资讯，2024 提出白皮书3.0 版，朝向成为AI 的可验证知识网，可以理解成提供给AI 使用的去中心化知识层，提供可追溯、可验证的知识。

2024 / 10 月在麻省理工学院进行的AI 峰会，参与者包含了Dell、Intel、Nvdia 等知名企业，Origin Trail 经参与者投票获选为最佳AI 项目。

Origin Trail 主要产品

知识资产

每个知识资产都是NFT，并可使用区块链追踪与验证。

知识资产创建与管理工具nOS

知识资产浏览器DKG Explor

可查询资料库中的所有知识资产。

LLM 机器人ChatDKG

就是聊天机器人，但只会根据DKG 中的知识来回答。目前因为知识图谱中的知识比较属于特定范畴，大多日常问题无法回答。

https://x.com/ChatDKG

ChatDKG 的推特机器人，可下命令并标注它，它会回答问题，例如：
/ask @ChatDKG why origin trail is the best AI project

前面是命令，后面问题可自行调整，有推特帐号的可以体验看看。

备注：目前ChatDKG 问题的回答范围受限于OriginTrail 知识图谱中的资讯，因此并不是所有问题都能够得到充分的回答。

Origin Trail 技术架构

撇除应用层，Origin Trail 是双层架构，由第一层区块链NeuroWeb 和第二层去中心化知识网络构成。

去中心化知识图谱Decentralized Knowledge Graph 可简称为DKG，去中心化节点网络，在链下运行，可与多个区块链整合(Gnosis、Neuroweb、Base 等)。

知识包含了哪些？数据、资讯等等都算，再加上语意与关联性，知识主要储存在DKG 节点网络中(链下)，经加密摘要后上传至链上，并生成独一无二的UAL，可理解成一个链上超连结，每个UAL 都对应一组知识。

DKG 是开放、无须许可的去中心化节点网络，任何人都可以成为节点(需要质押$TRAC)，网络中的知识可以设定为公开(所有节点共用) 或私有(由特定节点托管)。

$TRAC 是DKG 网络的代币，要成为节点必需质押一定数量的$TRAC，在网络中增加知识也需要支付$TRAC。

两层架构可简易理解为：

• 知识层DKG
  去中心化节点网络，可和多链整合，知识实际存储与管理的地方，$TRAC 是这一层主要代币，生成知识要支付代币，成为节点需质押代币

• 区块链层NeuroWeb
  由波卡支援的layer 1 区块链，负责协助DKG 所需的区块链运作，例如生成知识的加密证明与哈希等，链上代币为$NEURO，作为知识挖矿激励、gas 支付与治理代币  

什么是知识挖矿- 绑定$TRAC 以及$NEURO

简单说就是提供奖励给为DKG 增加知识的人。在DKG 上增加知识要支付$TRAC，知识挖矿计画会奖励$Neuro，主要目的是希望借此来增加DKG 的丰富度，就像是提供奖励引诱人们去维基百科上增加条目。

知识挖矿的四个步骤：

• 发现－发现有利可图的知识差距

• 发布－发布可补上差距的有用知识

• 充实－知识的改进与应用(例如知识被引用/ 被使用的次数等)

• 学习－系统最终确认此知识并评估品质

目前要进行知识挖矿需要一点程式背景，有兴趣可参阅官方文件。未来可能会推出更多直接使用前述推特机器人@ChatDKG就能进行的知识挖矿活动，可以追踪官方推特，注意最新消息。

小结- Origin Trail 是协助AI 的去中心化知识层

AI 近年展现出的成长速度令人惊艳，但随之而来的中心化AI 风险也令人担忧，所幸也有许多去中心化AI 项目发展中，币研之前也介绍过不少。

Origin Trail 做为去中心化知识图谱，提供可追溯、可验证，并已结合关联性和语意的知识给AI 使用，这能解决中心化AI 中数据来源不透明的问题，可以将Origin Trail 理解为AI的协同运作项目

虽然白皮书出了三版，但能看出这并不是因为找不到方向而频繁调整，而是建立在累积之后的延伸，先从供应链数据上链出发，而后延伸到更多类型资产上链，再延伸到将这些累积的知识作为AI 的协知识层。

在AI 的发展过程中，关于数据隐私、AI 产出所使用的数据来源、推理过程透明度、是否可验证等等的讨论一直存在，去中心化知识图谱可以改善这些问题，Origin Trail 从供应链解决方案起家，多年来已在特定领域累积大量链上知识，再加上这些年累积的广泛企业组织合作网，未来发展颇令人期待。

本文链接地址：https://www.wwsww.cn/qkl/28572.html
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。