REI Network 是一个去中心化的人工智能研究和开发平台，专注于通过一种新颖的架构和协作生态系统来推进通用人工智能（AGI）。它旨在为人工智能研究创造一个可持续的环境，同时确保与人类价值观和伦理考量保持一致。^[1]

概述

REI Network是一个以研究为中心的组织，通过科学和认知原则而非传统的计算机科学方法来探索人工智能。他们的工作重点是借鉴生物和认知模型的新型神经架构，旨在超越标准的统计方法。

他们的主要创新之一是通用连接层，允许AI 代理跨各种系统进行交互，而不受固定操作约束的限制。这种通用适配器设计使代理能够在与不同的外部架构集成时保持核心功能。

该架构包括一种转换机制，可将见解转换为标准化格式，从而支持更广泛的应用和适应性。该系统旨在作为开发人员构建交互式系统、分析工具或全新形式应用程序的基础框架。^[2]

核心

Core是一个围绕三个主要组件构建的人工智能架构：Bowtie架构、推理集群和模型编排。它为人工智能系统如何处理、解释和随信息演变引入了一个新的框架。

Core被设计为一个基础平台，支持各种应用程序的开发——从交互式系统到分析工具——而不规定特定的用例。其开放式架构旨在促进更广泛的开发社区的采用、适应和持续创新。^[3]

Core的结构强调模块化推理和灵活集成，旨在扩展智能代理的能力，同时保持在不同环境中的适应性。^[3]

Bowtie架构

Bowtie架构是一个由三个集成组件组成的记忆和概念形成系统：左侧的语义处理、中心的中心概念提炼和右侧的抽象向量匹配。该结构通过将信息存储在语义向量和抽象概念节点中来管理信息，从而实现超越基本模式识别的细致理解。

该系统在保留关键向量特征的同时删除冗余文本，从而支持记忆的双重表示方法。右侧组件处理可以与类似记忆组合的抽象、未锚定的向量特征，通过数学相似性而非语义对齐来揭示隐藏的关系。

当这些元素通过中心组件交互时，新的连接自然形成，使系统能够随着时间的推移演变其理解。这种设计允许以类似于认知过程的方式进行持续学习和适应，从而培养新兴的知识和洞察力。^[3]

推理集群

推理集群充当Core架构中的中央处理单元，管理认知操作并指导模型选择。它使用Bowtie架构，使用决策树来确定每个查询最合适的模型，并在生成的记忆之间形成连接。

该系统维护一个概念图，该概念图随着新信息的引入而演变。它应用复杂性偏差来优先考虑平衡效率和有效性的模型选择。处理在多个模型上并行发生，使系统能够在保持一致性能的同时保持适应性。^[3]

模型编排

Core中的模型编排管理跨多个专用模型的任务分配。它使用动态查询分解来分解复杂问题并将组件分配给适当的模型，从而实现高效处理，同时支持新功能的模块化集成。

该系统协调三类模型：用于预测、分类和时间序列分析等任务的统计模型；用于处理视觉、音频和传感器数据的感知模型；以及针对行业或特定于应用程序的需求量身定制的领域特定模型。每个模型都在一个灵活的框架内运行，从而为系统的整体功能做出贡献。

编排层通过分析查询以识别所需功能、相应地分配任务以及维护每个模型的性能配置文件来优化性能。这种方法支持高效的资源使用，并为持续改进奠定基础。^[3]

进化

进化是Unit架构中的一个基本原则，允许它通过持续的交互来发展。每次交互都存储为记忆，并随着时间的推移为Unit的自适应行为做出贡献。

记忆分为短期记忆（包括最近的交流）和长期记忆（包括较旧的信息）。随着时间的推移，相关的长期记忆形成模式，代表进化学习的第一阶段。这些模式基于相似性进行聚类，频繁且相似的记忆会相互加强，并增加形成新连接的可能性。

随着记忆的积累，它们被抽象成概念——底层特征的稳定表示。与长期记忆不同，概念不会消失，但它们仍然可以修改。它们通过类似的聚类和模式形成来组织，尽管具有更复杂的相似性评估。

该系统的记忆框架会随着每次用户交互而更新，从而塑造Unit的行为和内部逻辑。这种进化最终可能会加强或偏离其原始行为设置，从而反映出持续的认知发展。^[4]

特点

目录

目录是基于Transformer的模型的集合，每个模型都专为特定任务而设计。这些模型中的大多数都旨在开源，允许开发人员免费访问和使用它们。API可用于将这些模型顺利地集成到现有系统中。目录也可以连接到Core，从而提高工作流程的性能和效率。^[5]

Hanabi-1

Hanabi-1是第一个专注于金融预测的目录系列模型。与大型通用模型不同，Hanabi-1采用紧凑的、特定于领域的设计，专为金融时间序列分析需求量身定制，优先考虑速度、效率和特定于任务的准确性。

该模型由1640万个参数组成，分布在8个具有多头注意力的Transformer层中，保持384维的隐藏状态。它包括用于预测方向、波动率、价格变化和价差的专用路径。批量归一化取代了层归一化，以改善训练动态，而焦点损失用于管理类不平衡。

Hanabi-1结合了多种时间聚合方法来丰富特征表示，捕获最近的状态、平均趋势和注意力加权信号。方向预测路径使用具有LeakyReLU激活和Xavier初始化的批量归一化全连接层。相比之下，波动率、价格和价差的回归路径是独立优化的，以针对特定任务，而无需不必要的复杂性。

该模型的多任务框架鼓励Transformer编码器开发通用、鲁棒的表示。其紧凑的架构支持实时推理，使其适用于高频金融环境。Hanabi-1突出了专注、高效的模型在金融预测中的有效性，并代表了朝着构建更高级的该领域系统的初步步骤。^[6]

REI API

REI作为一个基础架构平台，支持AI 代理的运行和交互。它通过运行自己的模型和架构来提供传统AI API的替代方案，将自己定位为现有基础设施解决方案之下的基础层系统。

其认知架构API是REI产品的核心。这些API定义了系统如何解释和处理信息。这些API代表了控制代理推理的底层逻辑，使其成为一个核心元素，无法通过添加外部工具轻松复制。这个核心层塑造了构建在其上的所有应用程序的功能。

REI的系统包括几个关键组件：基础设施级别的认知引擎、主流AI API的替代方案以及支持REI和ETH代币的灵活支付模型，并为两者提供定价激励。该平台可以通过多个入口点访问，包括软件开发工具包（SDK）和Web界面，以适应各种集成要求。它还支持开放的构建者生态系统，鼓励开发人员为平台的功能做出贡献并扩展平台的功能。^[7]

增长反馈循环

REI上的开发者循环是一个自我强化的系统。随着构建者在平台上开发工具和应用程序，他们扩展了平台的功能并改进了底层基础设施。这些增强功能吸引了更多的开发人员，他们贡献了更多的工具和改进。这种持续的循环稳步加强了平台，并鼓励持续的增长和创新。

构建者循环是一个循环，其中构建者活动驱动平台代币的效用和价值，从而产生支持进一步开发的资源。这些资源为吸引更多构建者和扩大平台用例的改进提供资金，从而促进可持续的经济增长。

网络效应循环是由REI上更多应用程序的启动驱动的，这导致用户采用率的提高。随着用户群的扩大，网络的价值增长，吸引更多的构建者在平台上进行开发。引入新的应用程序会吸引更多的用户，从而进一步加强网络。^[7]

REI

$REI充当REI Network和Unit 00的生态系统代币。它提供对平台SDK和API的访问，并将支持未来的功能，例如部署用户创建的代理。它的总供应量为10亿个代币，并具有以下分配：^[8]

• 公开捐赠活动：54%
• 基础流动性：30%
• 额外流动性：6%
• 赠款/实验：5%
• 团队：5%