AI และ Restaking ได้รับการยอมรับอย่างกว้างขวางว่าเป็นการเล่าเรื่องชั้นนําของวงจรตลาดกระทิงนี้ อดีตได้ผลิตโครงการ AI ดาวต่างๆในขณะที่โครงการหลังซึ่งมีศูนย์กลางอยู่ที่ EigenLayer ได้ก่อให้เกิดโครงการ LRT จํานวนมากและกลยุทธ์การได้รับคะแนนต่างๆ อย่างไรก็ตามเห็นได้ชัดว่าการเล่าเรื่องทั้งสองนี้ดูเหมือนจะเข้าสู่การหยุดชั่วคราวกลางเวที แม้จะมีโครงการเพิ่มขึ้น แต่พวกเขาก็กลายเป็นเนื้อเดียวกันมากขึ้นทําให้นวัตกรรมจากศูนย์เป็นหนึ่งหายากขึ้น

ยิ่งไปกว่านั้น แม้ว่า AI และ Restaking จะถือว่า "ถูกต้องตามการเล่าเรื่อง" แต่ความถูกต้องนี้ไม่ได้บ่งบอกถึงความสมบูรณ์แบบ โครงการ AI/Depin จํานวนมากมีการกระจายอํานาจอย่างแท้จริงหรือไม่? ข้อมูลล่าสุดยังแสดงให้เห็นถึงการลดลงของ TVL ของ EigenLayer Restaking สามารถรับประกันความปลอดภัยของ AVS ระบบนิเวศ Ethereum ได้หรือไม่?

ดังนั้นในช่วงครึ่งหลังของการเล่าเรื่องที่ร้อนแรงเหล่านี้โครงการที่กล่าวถึงปัญหาทั่วไปที่สําคัญคืออัญมณีที่ซ่อนอยู่รอการค้นพบ จากมุมมองนี้ Mind Network ได้รับความสนใจจากเรา มันแก้ไขปัญหาการกระจายอํานาจของโครงการ AI / Depin จํานวนมากและเพิ่มยูทิลิตี้และมูลค่าของ Restaging

หาก EigenLayer เป็นโซลูชัน restaking สําหรับระบบนิเวศ Ethereum แล้ว Mind คือโซลูชัน restaking สําหรับฟิลด์ AI ด้วยการใช้การ restaking ที่ยืดหยุ่นมากขึ้นรวมกับการเข้ารหัสแบบ homomorphic อย่างสมบูรณ์เพื่อความปลอดภัยฉันทามติจะช่วยให้มั่นใจได้ถึงเศรษฐกิจโทเค็นและความปลอดภัยของข้อมูลของเครือข่าย AI แบบกระจายอํานาจ

นอกจากนี้โครงการยังได้รับเงินทุน 2.5 ล้านดอลลาร์ในปี 2023 โดยมีส่วนร่วมจากสถาบันที่มีชื่อเสียงเช่น Binance ปัจจุบันมีความร่วมมืออย่างลึกซึ้งกับโครงการ AI / Depin ใหม่ยอดนิยมเช่น io.net และ Myshell ความคาดหวังของการเปิดตัว mainnet และกิจกรรมจูงใจเพิ่มความคาดหวังเพิ่มเติม

อย่างไรก็ตามสําหรับผู้อ่านส่วนใหญ่ที่พบโครงการนี้เป็นครั้งแรกการรวมกันของการเข้ารหัสแบบ homomorphic ที่ซับซ้อนและการ restaking ที่ขับเคลื่อนด้วยผลกําไรอาจดูน่างวย องค์ประกอบทั้งสองนี้ทํางานร่วมกันเพื่อแก้ปัญหาสําคัญของโครงการ AI ได้อย่างไร

ในฉบับนี้เราเจาะลึก Mind Network เพื่อสํารวจโครงการที่มีแนวโน้มนี้ซึ่งรวมการเล่าเรื่องที่กําลังมาแรงของ AI, Restaking และการเข้ารหัสแบบ homomorphic อย่างสมบูรณ์

AI Projects Striving to Slay Dragons, Yet ค่อยๆ กลายเป็นมังกรเองเนื่องจากล้มเหลวในการบรรลุ "Zero Trust"

เพื่อทําความเข้าใจว่า Mind Network ทําอะไรเป็นพิเศษสิ่งสําคัญคือต้องเข้าใจความท้าทายในปัจจุบันที่โครงการ AI ต้องเผชิญ บางทีการเล่าเรื่องของนักฆ่ามังกรที่กลายเป็นมังกรเองอาจเป็นบทส่งท้ายที่ดีที่สุดสําหรับการอธิบายโครงการ AI ที่เข้ารหัสในปัจจุบัน

จากมุมมองการสังหารมังกรการเล่าเรื่องหลักของโครงการ AI ที่เข้ารหัส (หรือ DePIN) หมุนรอบการกระจายอํานาจ สิ่งนี้เกี่ยวข้องกับการต่อสู้กับการผูกขาดที่ถือโดย บริษัท ขนาดใหญ่เหนือองค์ประกอบ AI เช่นพลังการคํานวณอัลกอริทึม (แบบจําลอง) และข้อมูล เป้าหมายคือการทําลายความไว้วางใจในอํานาจที่ บริษัท เหล่านี้ถืออยู่

แม้ว่าการเล่าเรื่องนี้จะถูกต้องและสะท้อนอย่างลึกซึ้งกับสาธารณชน แต่โครงการ AI แบบกระจายอํานาจมักเผชิญกับความท้าทายในการเป็นมังกรเอง:

พวกเขาพยายามดิ้นรนเพื่อให้บรรลุ "ความไว้วางใจเป็นศูนย์" ในหมู่ผู้ตรวจสอบความถูกต้องในสภาพแวดล้อมแบบกระจายอํานาจ

เข้าใจยาก? ลองสํารวจตัวอย่างที่เฉพาะเจาะจง

ตัวอย่างเช่นในโครงการ AI ที่เข้ารหัสทั่วไปผู้เข้าร่วมมักจะต้องกระจายอํานาจการตรวจสอบ / การลงคะแนนบนโมเดล AI เพื่อพิจารณาว่าแบบใดทํางานได้ดีที่สุด อย่างไรก็ตามในทางปฏิบัติผู้ตรวจสอบความถูกต้อง (โหนด) ภายในโครงการมักจะตัดสินใจว่าโมเดล AI ใดทํางานได้ดีที่สุด คุณจะมั่นใจได้อย่างไรว่าโมเดลที่เลือกโดยผู้ตรวจสอบความถูกต้องนั้นมีประสิทธิภาพดีที่สุดอย่างแท้จริง? การปฏิบัติตามกลไก Proof of Stake (POS) ไม่ได้รับประกันว่าการเลือกนั้นเหมาะสมที่สุดหรือยุติธรรม

ในทํานองเดียวกันในธุรกิจตัวแทน AI การจัดอันดับบริการตามประสิทธิภาพทําให้เกิดคําถามว่าจะแน่ใจได้อย่างไรว่าบริการอันดับต้น ๆ จะให้ผลลัพธ์ที่ดีที่สุดอย่างแท้จริง ในสถานการณ์สมมติ DePIN เมื่องานถูกกําหนดให้กับโหนดภายในเครือข่ายคุณจะมั่นใจได้อย่างไรว่าผู้ตรวจสอบจะกระจายงานไปยังโหนดที่เหมาะสมอย่างเป็นธรรมแทนที่จะสนับสนุนโหนดที่คุ้นเคย

ตัวอย่างเหล่านี้เน้นถึงปัญหาทั่วไปที่สําคัญ: ในเครือข่าย AI แบบกระจายอํานาจการตัดสินใจของผู้ตรวจสอบความถูกต้องมักจะกลายเป็นจุดรวมศูนย์ของความไว้วางใจ คุณต้องเชื่อถือผู้ตรวจสอบความถูกต้องหรือผู้เข้าร่วมที่สําคัญภายในเครือข่ายเพื่อตัดสินใจอย่างถูกต้องและปราศจากความอาฆาตพยาบาท

โครงการที่สนับสนุนการกระจายอํานาจพบว่าตัวเองถูก จํากัด โดยความจําเป็นในการไว้วางใจกลไกเครือข่ายภายใน การบรรลุ "zero trust" ยังคงเข้าใจยากโดยเน้นถึงความไม่สมบูรณ์ในการเล่าเรื่องปัจจุบันเกี่ยวกับ AI

ดังนั้นสิ่งที่จําเป็นในการเผชิญกับความท้าทายเหล่านี้คืออะไร?

เห็นได้ชัดว่าเราต้องการกลไกทางเทคโนโลยีและการออกแบบทางเศรษฐกิจเพื่อลดการพึ่งพาความไว้วางใจจากผู้เข้าร่วมหลักที่เกี่ยวข้องกับการตรวจสอบการลงคะแนนและการตัดสินใจภายในเครือข่าย AI นี่คือพื้นที่ที่ Mind Network มุ่งเน้นและแสดงให้เห็นถึงคุณค่าของมัน

จอกศักดิ์สิทธิ์ของการเข้ารหัสแบบ homomorphic อย่างสมบูรณ์อยู่ในตําแหน่งที่เหมาะสมที่สุดโดย Mind Network

Mind Network เก่งในการใช้ประโยชน์จากการเข้ารหัสแบบ homomorphic อย่างเต็มที่ซึ่งได้รับการยกย่องว่าเป็นจอกศักดิ์สิทธิ์ของการเข้ารหัส

อย่างไรก็ตามสิ่งนี้เกี่ยวข้องกับปัญหาที่เปิดเผยในโครงการ AI และ DePin ที่กล่าวถึงข้างต้นอย่างไร

หัวใจหลักของพวกเขาปัญหาเหล่านี้ทั้งหมดชี้ไปที่การจัดสรรทรัพยากรการเลือกและการตัดสินใจนอกเหนือจากเทคโนโลยีพวกเขาเกี่ยวกับการกํากับดูแล

ในกรณีที่ธรรมาภิบาลอนุญาตให้มีการประพฤติมิชอบคือที่ที่ผู้เข้าร่วมแบ่งปันข้อมูลที่ทราบอย่างเปิดเผย (ฉันรู้ว่าผู้ถือรายใหญ่กําลังลงทุนดังนั้นฉันจะทําตามความเหมาะสม)

คุณน่าจะรู้สึกถึงศักยภาพของ FHE แล้ว:

จะเกิดอะไรขึ้นถ้าข้อมูลไม่เป็นที่รู้จักในระดับสากลอีกต่อไป?

การเข้ารหัสแบบ Homomorphic อย่างสมบูรณ์ (FHE) ได้รับการขนานนามว่าเป็นจอกศักดิ์สิทธิ์ในการเข้ารหัส ซึ่งเมื่อเร็ว ๆ นี้ Vitalik Buterin เน้นย้ําสําหรับบทบาทใน Web3 ที่นี่เราจะไม่เจาะลึกกลไกของ FHE คุณเพียงแค่ต้องรู้หน้าที่ของมัน—ดําเนินการคํานวณที่ซับซ้อนกับข้อมูลที่เข้ารหัสโดยไม่ต้องถอดรหัส โดยนําเสนอโซลูชันที่ข้อมูลยังคงปลอดภัยและเป็นส่วนตัวตลอดการวิเคราะห์

กระนั้นการโอบกอดจอกศักดิ์สิทธิ์หมายถึงการแบกรับน้ําหนักของมัน

แม้ว่าการคํานวณที่เข้ารหัสของ FHE จะน่าประทับใจ แต่ก็มีต้นทุนทรัพยากรจํานวนมากทําให้ไม่สามารถฝึกอบรมโมเดล AI ในโครงการ AI ที่เข้ารหัสได้

แนวทางของ Mind Network ต่อ FHE บ่งบอกถึงการใช้ประโยชน์จากศักยภาพอย่างมีประสิทธิภาพโดยวางตําแหน่งจอกศักดิ์สิทธิ์ไว้ที่

โดยไม่ต้องใช้ FHE สําหรับการฝึกอบรมแบบจําลอง AI และการปรับพารามิเตอร์ แต่ใช้ "การกํากับดูแลของมนุษย์" ในด้านต่างๆเช่นการตรวจสอบข้ามการเลือกการจัดอันดับและการลงคะแนนหลังจากได้รับการฝึกอบรมโมเดล AI แล้วสามารถควบคุมค่าใช้จ่ายด้านทรัพยากรได้ ปัญหาที่ต้องแก้ไขก็ชัดเจนเช่นกัน:

หากผู้เข้าร่วมในเครือข่าย AI ดําเนินธุรกิจโดยไม่ทราบตัวเลือก / ผลการลงคะแนนของกันและกันจะไม่มีการ "ติดตามผู้เล่นรายใหญ่" หรือคัดลอกพฤติกรรมสุ่มสี่สุ่มห้าจากโหนดที่เชื่อถือได้ สิ่งนี้จะขจัดอคติในการตัดสินใจที่เกิดจากอิทธิพลของข้อมูลประจําตัวทําให้การตัดสินใจแบบกระจายอํานาจกลับสู่สาระสําคัญดังนั้นจึงระบุโมเดล AI และบริการ AI ที่มีประสิทธิภาพอย่างแท้จริง

ดังนั้นการใช้ FHE สําหรับการประมวลผลทั่วไปต้องเผชิญกับอุปสรรคที่สําคัญ แต่การใช้ FHE สําหรับขั้นตอนการกระจายอํานาจที่เฉพาะเจาะจงเช่นการตรวจสอบความถูกต้องนั้นสอดคล้องและเป็นไปได้ภายใน การสร้างความมั่นใจว่าไม่มีความไว้วางใจในกระบวนการตรวจสอบความถูกต้องจะบรรลุความปลอดภัยที่เป็นเอกฉันท์สําหรับโครงการ AI ที่เข้ารหัสและการกระจายอํานาจที่แท้จริง

ในทางกลับกันการรักษาความปลอดภัยมีความหมายเหมือนกันกับความเป็นธรรม

นอกจากนี้เรายังสามารถใช้กรณีเฉพาะเพื่อดูว่าความเป็นธรรมของ Mind Network สะท้อนให้เห็นอย่างไรในการดําเนินการเข้ารหัสของการตรวจสอบความถูกต้อง:

• 1. โครงการ AI รวม Validation SDK ที่จัดทําโดย Mind เข้าถึงบริการตรวจสอบการเข้ารหัสแบบ homomorphic
• 1. ในขณะเดียวกันโครงการ AI จะลงทะเบียนบนเครือข่าย Mind เพื่อยืนยันตัวตน Mind สร้างสัญญาอัจฉริยะบนเครือข่าย/ห่วงโซ่โครงการเป้าหมายเพื่อซิงโครไนซ์การเปลี่ยนแปลงการดําเนินงานและผลการดําเนินการที่ตามมา
• 1. โครงการ AI เผยแพร่งานตรวจสอบความถูกต้องบนเครือข่าย Mind ที่ต้องใช้การเข้ารหัสแบบ homomorphic อย่างสมบูรณ์ (FHE) เช่นการพิจารณาว่าโมเดล AI ใดทํางานได้ดีกว่า บริการลงคะแนน FHE เริ่มต้นขึ้นโดยอนุญาตให้โหนดตรวจสอบความถูกต้องของโครงการ AI ลงคะแนนโดยไม่เห็นผลลัพธ์ข้อความธรรมดา แต่ยังคงดําเนินการตามกระบวนการลงคะแนน
• 1. ผลการลงคะแนนและการเปลี่ยนแปลงข้อมูลที่เกี่ยวข้องจะถูกส่งไปยังห่วงโซ่ของ Mind เองผ่านสัญญาอัจฉริยะและซิงโครไนซ์และบันทึกทันที
• 1. ในขั้นตอนข้างต้นเมื่อโครงการ AI ใช้บริการของ Mind โทเค็นโครงการของ Mind จะถูกเรียกเก็บเป็นค่าธรรมเนียมก๊าซ (โทเค็นยังไม่ได้ออก)

ในทํานองเดียวกันเมื่อพูดถึงโครงการเช่น DePIN การใช้ Mind Network ยังสามารถนําไปสู่การจัดสรรทรัพยากรที่เท่าเทียมกันมากขึ้น ลองมาดู IO.net ซึ่งร่วมมือกับ Mind Network เป็นตัวอย่าง:

• 1. IO.net รวม SDK ของผลิตภัณฑ์ที่ Mind จัดหาให้เพื่อเข้าถึงบริการตรวจสอบการเข้ารหัสแบบ homomorphic อย่างสมบูรณ์
• 1. หลังจากรวมบริการเหล่านี้โหนดที่มี GPU จะได้รับความสามารถในการฉันทามติภายใต้การเข้ารหัสแบบ homomorphic อย่างสมบูรณ์ ซึ่งหมายความว่าเมื่องานคอมพิวเตอร์ AI มาถึงทั้งคําขอและข้อมูลจะถูกเข้ารหัสทําให้สามารถกระจายงานอย่างเป็นธรรมระหว่างโหนดที่เหมาะสม

Wait, but what does this have to do with restaking?

การอภิปรายก่อนหน้านี้ดูเหมือนจะมุ่งเน้นไปที่ด้านเทคนิคทั้งหมด สิ่งนี้เกี่ยวข้องกับ Restaging ระดับสินทรัพย์อย่างไร Mind Network นําเสนอโซลูชันที่ใช้ FHE ซึ่งช่วยเพิ่มความปลอดภัยของการตรวจสอบเครือข่าย AI ในทางเทคนิค อย่างไรก็ตามเพื่อเข้าร่วมและได้รับประโยชน์จากการตรวจสอบความปลอดภัยนี้มันเกี่ยวพันอย่างใกล้ชิดกับโครงสร้างเครือข่ายทางเศรษฐกิจของโครงการ AI / Deepin ส่วนใหญ่

PoS หรือ Proof of Stake เป็นตรรกะฉันทามติพื้นฐานสําหรับโครงการสกุลเงินดิจิทัลส่วนใหญ่ ดังนั้นขนาดของสินทรัพย์ที่ถือหุ้นภายใต้การกํากับดูแลของแต่ละโหนดและสิทธิ์ในการเข้าร่วมการตรวจสอบที่เป็นธรรมที่รับประกันโดย FHE จึงมีความสัมพันธ์กันอย่างใกล้ชิด

การเคลื่อนไหวที่สําคัญของ Mind Network ในระดับสินทรัพย์คือการขยาย Staking และ Restaking อย่างเปิดเผยปกป้องฉันทามติการตรวจสอบเครือข่าย AI ผ่านการเข้ารหัสแบบ homomorphic บทบาทที่แตกต่างกันในเครือข่ายจึงสามารถตอบสนองความสนใจของตนได้

สําหรับโหนดการตรวจสอบความถูกต้องของโครงการ AI การเพิ่มจํานวน Restaking ให้โอกาสและสิทธิในการออกเสียงมากขึ้นในการดําเนินงานตรวจสอบ FHE ภายใน Mind Network

สําหรับผู้ใช้ทั่วไปการมอบหมายสินทรัพย์ LST / LRT ไปยังโหนดดังกล่าวในลักษณะการปักหลักพร็อกซีช่วยให้พวกเขาได้รับรายได้ APR

สิ่งนี้ดูเหมือนจะมีความคล้ายคลึงกับ EigenLayer's Restaking ที่เราคุ้นเคยโดยพื้นฐานแล้วมาบรรจบกันบนเส้นทางที่แตกต่างกัน:

EigenLayer รักษาความปลอดภัย AVS ต่างๆในระบบนิเวศ Ethereum โดยใช้ restaking; Mind Network รักษาฉันทามติสําหรับเครือข่าย AI ที่แตกต่างกันในระบบนิเวศการเข้ารหัสทั้งหมดโดยใช้ restaking

เป็นที่น่าสังเกตว่าแนวคิดของ "ระบบนิเวศทั้งหมด" นั้นแยกออกจากคุณสมบัติหลักอีกประการหนึ่งของ Mind Network: Remote Restaging

เนื่องจาก Remote Taking จึงไม่จําเป็นต้องข้ามเครือข่ายโทเค็น LRT ของตนในเครือข่ายต่างๆ ผู้ใช้สามารถเดิมพันโทเค็น LRT จากเชนต่างๆ ไปยังโหนดการตรวจสอบความถูกต้องของเครือข่าย AI ผ่านการปักหลักระยะไกลแทน สิ่งนี้ช่วยลดอุปสรรคในการเข้าร่วมของผู้ใช้อย่างมีนัยสําคัญและรวมสภาพคล่องที่กระจัดกระจายในสภาพแวดล้อมแบบหลายห่วงโซ่

Broad Ecosystem Development and Solid Technical Strength

Mind Network ปัจจุบันมีตัวเร่งปฏิกิริยาอีกหลายตัวที่ควรค่าแก่การสังเกต:

ประการแรกที่ด้านหน้าผลิตภัณฑ์เครือข่ายการทดสอบได้ดึงดูดกระเป๋าเงิน 650,000 ใบและประมวลผลธุรกรรม 3.2 ล้านรายการซึ่งบ่งชี้ถึงแนวโน้มที่มีแนวโน้มสําหรับการเปิดตัวฟังก์ชันเมนเน็ตเต็มรูปแบบ

ประการที่สองในการพัฒนาระบบนิเวศเนื่องจากแพลตฟอร์มมุ่งเน้นไปที่การเพิ่มขีดความสามารถให้กับโครงการ AI อื่น ๆ ความร่วมมือกับโครงการชั้นนําเป็นสิ่งสําคัญ ปัจจุบัน Mind Network ให้บริการรักษาความปลอดภัยฉันทามติเครือข่าย AI แก่ io.net, Singularity, Nimble, Myshell, AIOZ และอื่น ๆ นอกจากนี้ยังมีโซลูชัน FHE Bridge สําหรับ Chainlink CCIP และบริการจัดเก็บข้อมูลความปลอดภัยของข้อมูล AI สําหรับ IPFS, Arweave, Greenfield และโครงการที่คล้ายกัน ความร่วมมือเหล่านี้ครอบคลุมโครงการ AI, Storage และ Oracle ชั้นนํา ซึ่งอาจวางตําแหน่ง Mind Network เป็น "พลั่วทองคํา"

นอกจากนี้จากมุมมองเบื้องหลังในปี 2023 โครงการได้รับการคัดเลือกโดย Binance Incubator และเสร็จสิ้นการจัดหาเงินทุนรอบเมล็ดพันธุ์มูลค่า 2.5 ล้านดอลลาร์ที่เกี่ยวข้องกับสถาบันที่มีชื่อเสียงเช่น Binance นอกจากนี้ยังได้รับทุนเช่น Ethereum Foundation Fellowship Grant รวมอยู่ใน Chainlink Build Program และกลายเป็นพันธมิตรช่องทางของ Chainlink

ในแง่ของความสามารถทางเทคนิคนอกเหนือจากทีมงานที่ประกอบด้วยอาจารย์ชั้นยอดและปริญญาเอกที่เชี่ยวชาญด้าน AI ความปลอดภัยและการเข้ารหัสจากมหาวิทยาลัยและองค์กรชั้นนําแล้วจุดสนใจที่สําคัญอยู่ที่ความร่วมมือกับ บริษัท วิจัยการเข้ารหัสแบบ homomorphic ชั้นนําของอุตสาหกรรม

ในเดือนกุมภาพันธ์ปีนี้ Mind Network ได้ประกาศความร่วมมืออย่างเป็นทางการกับ ZAMA ซึ่งเป็นบริษัทเข้ารหัสโอเพ่นซอร์สชั้นนําในด้านการเข้ารหัสแบบ homomorphic (FHE) อย่างสมบูรณ์ ZAMA เพิ่งเสร็จสิ้นรอบการจัดหาเงินทุน Series A มูลค่า 73 ล้านดอลลาร์ซึ่งนําโดย Multicoin และ Protocol Labs

เมื่อเร็ว ๆ นี้ ความร่วมมือระหว่าง Mind Network และ ZAMA ได้ขยายเพื่อร่วมกันเปิดตัวเครือข่าย Hybrid FHE AI ใหม่ ความคิดริเริ่มนี้มีจุดมุ่งหมายเพื่อพัฒนาแอปพลิเคชันของอัลกอริธึม AI ในข้อมูลที่เข้ารหัสโดยเพิ่มความก้าวหน้าทางเทคโนโลยีอีกชั้นหนึ่งให้กับโครงการ

ตามแหล่งข่าวที่ใกล้ชิดกับเรื่องนี้ Mind Network เลือกที่จะใช้ไลบรารีเทคโนโลยีพื้นฐานของ ZAMA ในความพยายาม R&D ของตนเอง การตัดสินใจเชิงกลยุทธ์นี้แสดงให้เห็นถึงความเชี่ยวชาญของ Mind ในการเพิ่มประสิทธิภาพทรัพยากร FHE ทําให้มั่นใจได้ถึงความสามารถในการรักษาความปลอดภัยสูงสุดโดยไม่กระทบต่อประสิทธิภาพ

นอกเหนือจากการเพิ่มขีดความสามารถของตนเองด้วยเทคโนโลยีที่เหนือกว่าแล้ว Mind Network ยังมีส่วนช่วยในการปรับปรุงระบบนิเวศของ crypto อีกด้วย ในเดือนพฤษภาคมโครงการได้ร่วมมือกับ Chainlink เพื่อแนะนําอินเทอร์เฟซ FHE แรกที่ใช้ Cross-Chain Interoperability Protocol (CCIP) การทํางานร่วมกันนี้ช่วยเพิ่มความปลอดภัยของการสื่อสารและธุรกรรมข้ามสายโซ่ในขณะที่ส่งเสริมระบบนิเวศ Web3 ที่น่าเชื่อถือและเน้นผู้ใช้เป็นศูนย์กลางมากขึ้น

จากการอัปเดตล่าสุด Mind Network ได้สร้างความร่วมมือกับโครงการชั้นนํามากมายในระบบนิเวศและสาขาต่างๆ เมื่อมุ่งเน้นไปที่การเพิ่มขีดความสามารถให้กับโครงการอื่น ๆ จึงอาจพร้อมที่จะบรรลุผล "พลั่วทองคํา" ในอนาคต

บทสรุป

เมื่อการเข้ารหัสแบบ homomorphic เต็มรูปแบบตรงกับ Restaging Mind Network อาจกลายเป็นแรงผลักดันใหม่ในช่วงครึ่งหลังของการเล่าเรื่องกระแสหลัก crypto ในปีนี้

การใช้การเข้ารหัสแบบ homomorphic อย่างสมบูรณ์เป็นผู้ไกล่เกลี่ย Mind Network มีจุดมุ่งหมายเพื่อเพิ่มประสิทธิภาพการดําเนินธุรกิจสําหรับโครงการ AI ที่เข้ารหัสจํานวนมากโดยให้การกระจายอํานาจที่แท้จริงและการสนับสนุนแบบ zero-trust สําหรับความคิดริเริ่ม AI แบบกระจายอํานาจ ในขณะเดียวกัน Restaking ปูทางไปสู่การดูดซับสภาพคล่องเพิ่มเติมในห่วงโซ่ต่างๆ ซึ่งอาจนําไปสู่การเพิ่มขึ้นอย่างรวดเร็วของ Total Value Locked (TVL) สําหรับโครงการ

ไม่ได้ว่าเสน่ห์ของการเข้ารหัสแบบ homomorphic อย่างสมบูรณ์ในฐานะจอกศักดิ์สิทธิ์กําลังดึงดูดความสนใจของตลาดด้วยการเล่าเรื่องใหม่ ในขณะเดียวกัน Restaking จะดึงดูดสภาพคล่องของตลาด เมื่อการรักษาความปลอดภัยฉันทามติสําหรับโครงการ AI สามารถเข้าถึงได้มากขึ้นความเข้มข้นของความสนใจและสภาพคล่องมีแนวโน้มที่จะส่งเสริมการพัฒนาในอนาคตของโครงการ

โครงการเช่น Mind Network ซึ่งปรับแต่งการเล่าเรื่อง (AI, Restaking) ผ่านเทคโนโลยีของตนเองอาจเป็นตัวแทนของรูปแบบการหยุดชะงักที่อ่อนโยนกว่าในช่วงครึ่งหลังของการเล่าเรื่องกระแสหลัก?

ข้อจํากัดความรับผิดชอบ:

1. บทความนี้พิมพ์ซ้ําจาก [Techflow] ลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนต้นฉบับ [Techflow] หากมีการคัดค้านการพิมพ์ซ้ํานี้ โปรดติดต่อทีม Gate Learn และพวกเขาจะจัดการทันที
2. ข้อจํากัดความรับผิดชอบความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนและไม่ถือเป็นคําแนะนําการลงทุนใด ๆ
3. การแปลบทความเป็นภาษาอื่นทําโดยทีม Gate Learn ห้ามคัดลอก แจกจ่าย หรือลอกเลียนแบบบทความที่แปล