当今 AI 研究人员关注的一个核心问题是：如何让 AI 智能体真正变得更加智能？传统方法主要集中在两大策略：构建更先进的基础模型，以及设计精密的智能体工作流以增强意图识别、缩短响应时间并提升任务精度。然而，我们提出第三种路径——建立一个通用的去中心化知识层，使 AI 智能体能够在推理过程中访问分布式知识。
面向 AI 智能体的去中心化知识层是一个无需信任的市场框架，个人和组织可以在其中以保护隐私的方式分享其专有见解。每当智能体访问贡献者的知识用于推理任务时，贡献者即可获得持续收入。本质上，这形成了一个外部的私有知识库，涵盖全球范围内分散的私有专业知识，智能体可通过按使用付费系统访问。
这一层级充当基础模型推理能力与目前隔离在企业和个人内部的大量专业化专有知识之间的连接器。
人类智能源于将全球知识与抽象、推理、泛化和演绎等先天认知能力相结合。AI 智能体应当模仿这一进程：大型基础模型提供卓越的推理和分析能力，而专业化的私有知识可以通过按需付费模式从去中心化层按需获取。
当今的知识基础设施存在几个核心缺陷：
**1. 价值分配不均：**中心化架构使少数大型公司主导个人或小企业生产的知识。创作者相对于其贡献为这些平台提供的价值而言，获得的回报微乎其微。去中心化经济对于公平重新分配私有知识共享的价值至关重要。
**2. 信息控制与审查：**中心化系统形成知识访问的脆弱节点，存在审查和扭曲风险。去中心化促进更具韧性和公平的信息可用性。
**3. 孤立的知识池：**关键的领域专业知识仍被锁定在组织内部，限制了 AI 智能体访问人类智慧和专业知识完整范围的能力。
平台的用户流程简单明了：
**1. 知识提交：**用户上传体现其专业知识的文件和文本。
**2. 向量转换：**文档在客户端或集群上的可信执行环境（TEE）中被转换为高维向量。
**3. 加密与存档：**这些向量被加密并发送到服务器，存储在安全的向量数据库中。
**4. 智能体检索：**AI 智能体对加密向量进行相似性搜索，解密相关结果以纳入其推理。
**5. 支付：**智能体使用稳定币向贡献者支付费用，费用根据解密和应用的数据量确定。