EdgeAI

EdgeAI 是一个区块链项目，自称为网络边缘人工智能的 Layer 1 网络，将去中心化物理基础设施与设备端计算相结合。该项目自诩为“边缘 AI 最智能的数据链”，是一种安全、可扩展且高效的 Layer 1 解决方案，它利用了 DePIN（去中心化物理基础设施网络，一种由区块链协调个人拥有硬件的模型），在靠近数据产生的设备上运行 AI 处理，而非在中心化云端。^[1] 其自述宗旨是使推理和决策贴近数据源，从而减少延迟和隐私泄露。^[2] 该项目的 X 账号 @EdgeAI_xyz 创建于 2024 年 5 月，并在其个人资料中公布了一个以太坊地址：0x276b792d11b9e3712fe6a78a460a0deb416bab0a。^[2]

项目概览

EdgeAI 将其解决的问题界定为联网设备产生的数据量日益增长，称这超出了传统系统的能力，并导致延迟和隐私风险。^[1] 其阐述的方法是在区块链框架内融合边缘计算、差分隐私和联邦学习，项目方声称这种结合能够实现实时决策、更强的数据隐私和安全的数据变现。^[1] 用其原话来说：“大多数 AI 仍将数据传输到云端，等待，然后进行猜测。EdgeAI 颠覆了这一点：推理发生在数据产生的地方；隐私保留在本地；有价值的贡献被衡量而不仅仅是计数；设备可以在工作时结算价值。”^[2]

该项目将其重点领域分为四个类别：边缘计算集成、数据主权与隐私、高性能区块链以及数据变现机会。^[1] 它还列出了性能目标，包括节能的数据处理、降低延迟以及高效的边缘 AI 学习。^[1] EdgeAI 发布了一份白皮书，并通过 DocSend 以 EdgeAI 为标题分发项目推介文档；项目联系方式指向 [email protected]。^[3][1]

技术与架构

EdgeAI 的共识设计核心是一种被称为信息熵证明 (Proof of Information Entropy, PoIE) 的机制。该项目表示，PoIE 评估并奖励来自物联网 (IoT) 设备的高质量数据贡献，构建网络挖矿结构，使参与硬件根据其提供的价值信息而非原始计算努力获得补偿。^[1] 项目方曾表示，PoIE 旨在让设备“在工作时结算价值”，并使贡献“被衡量，而不仅仅是计数”。^[2]

该项目描述了一个由三个命名组件构建的隐私优先架构。本地差分隐私在数据共享前在设备本身添加统计噪声；带有差分隐私的联邦学习在不将底层原始数据移动到中央服务器的情况下，跨多个设备训练共享模型；隐私保护数据聚合则以旨在保护个人记录的形式合并贡献。^[1] EdgeAI 将这些技术定位为在边缘处理数据同时保持敏感信息本地化的手段，支持其所述的安全数据变现。^[1] 所有这些架构元素均如项目方所述。

EdgeML 与 TinyML 计算机视觉

EdgeAI 维护着一个公开代码库 0xEdgeAI/EdgeML，创建于 2025 年 10 月 28 日，其顶级项目名为“TinyML-Computer-Vision”。^[4] 该库展示了一个围绕边缘图像识别构建的智能门铃用例，列出的目标检测对象包括人脸、宠物（如猫狗）、不安全内容（如枪支）、值得注意的车辆（如救护车和消防车，分类为卡车、轿车）、快递公司标志（USPS、FedEx、DHL 和 Amazon Prime）以及交付包裹或快递盒。^[4]

该库记录了实现这些检测任务的三种不同技术方法。第一种是基于亚马逊网络服务 (AWS) 构建的云端软件即服务 (SaaS) 流水线，项目将其描述为跨边缘和云资源实现场景检测分析。该方法使用 AWS Rekognition 进行视频场景检测，使用 AWS Kinesis 将分析数据从边缘上传到云端，使用 AWS DynamoDB 存储数据，使用 AWS S3 存储视频和图像帧，并使用 AWS SNS 进行服务通知。^[4] 该方法的代码围绕一个主程序组织，调用 AWS 凭证、Rekognition 功能和视频捕获模块，并包含一个用于索引已知面孔的脚本，以便在门口识别已知的访客。^[4] 项目方表示，该方法试图重现论文《使用低成本物联网设备的基于云的视频分析应用软件框架演示》中所述的场景。^[4]

第二种方法直接在设备上运行计算机视觉，目标硬件包括树莓派 3 Model B+、NVIDIA Jetson Nano 和 Arduino Nano 33 BLE。它依靠 TensorFlow Lite 解释器运行多个模型：武器检测模型 (gun_model_2.2.tflite)、快递标志检测模型（用于检测快递车上的 DHL、FedEx、Amazon Prime 和 USPS 标志，LogoModel.tflite）、用于检测人、宠物、汽车等常见物体的预训练 MobileNet SSD v2 模型 (MobileNetV2.tflite)，以及用于检测送到门口的包裹的包裹检测模型 (PackageModel.tflite)。^[4] 该库组织了数据集、预训练及自定义训练的 TFLite 模型、定义类名的标签映射，以及包含在树莓派和 Jetson Nano 上运行实验的检测输出结果文件夹。^[4]

第三种方法通过 Viola–Jones 算法和 Haar 级联分类器使用经典计算机视觉，这是一种利用亮区和暗区模式检测物体的较老技术。该方法为相同的门铃用例提供了一套训练好的级联文件——分别为正面人脸、枪支、猫、狗、救护车、消防车、包裹以及 Amazon、DHL、FedEx 和 USPS 标志提供 XML 分类器。^[4] 该库还引用了对比分析、API 服务器和移动应用的部分。^[4]

该库将其工作与学术传播联系起来，列出了三篇研究论文：《编排视频分析应用的分布式框架》、《使用低成本物联网设备的基于云的视频分析应用软件框架演示》以及《使用联邦深层学习的智能门铃设计演示》。^[4] 它还引用了一个名为《使用低成本 COTS 设备的基于云的智能门铃》的演示视频。^[4]

合作伙伴与社区

EdgeAI 宣称其网络涵盖超过 10,000 台边缘设备，并以此数据来描述其数据变现和推理服务的运作规模。^[2] 2026 年 8 月，该项目宣布与 Solulu Pay (@SoluluPay) 建立合作伙伴关系，旨在为该设备网络带来双方所述的实时、隐私优先的加密微支付，目标是以“机器速度”实现数据变现和 AI 推理。^[2] Solulu Pay 的相应帖子将此次合作描述为将 Web3 支付轨道与 EdgeAI 的设备网络连接起来，通过隐私优先的结账方式，为边缘数据变现和 AI 推理实现实时加密结算。^[2]

该项目还参与了多次社区活动。2026 年 8 月 18 日，它参加了 Tilted (@tiltedxyz) 在 Discord 举办的主题为“当 AI 平台遇见边缘”的社区 AMA；同一时期，它参加了原定于 2026 年 8 月 20 日举行的 WikiBit (@WikiBitOfficial) X Space 活动，该活动以 100 USDT 的抽奖作为宣传。^[2] 此外，EdgeAI 还宣布加入 Beatcoin (@BrcToTheMoon) 的 Space，讨论比特币反弹、ETF 资金流向和机构定位。^[2]

荣誉认可

EdgeAI 表示其荣获了滨城国际创新大赛颁发的科技前沿奖。^[1] 这一荣誉由项目方自行报告。