REI Network

REI Network 是一个去中心化的人工智能研发平台，致力于通过新颖的架构和协作生态系统推进通用人工智能（AGI）的发展。其目标是在确保符合人类价值观和伦理考量的同时，为人工智能研究创造一个可持续的环境。 ^[1]

概述

REI Network 是一个以研究为导向的组织，通过科学和认知原理而非传统的计算机科学方法来探索人工智能。他们的工作强调源自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。

他们的关键创新之一是一个通用连接层，允许人工智能代理（AI agents）在各种系统中进行交互，而不受固定操作约束的限制。这种通用适配器设计使代理在与不同的外部架构集成时能够保持核心功能。

该架构包括一种翻译机制，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系统、分析工具或全新应用形式的基础框架。 ^[2]

Core

Core 是围绕三个主要组件构建的 AI 架构：领结式架构（Bowtie Architecture）、推理集群（Reasoning Cluster）和模型编排（Model Orchestration）。它为 AI 系统如何处理、解释信息以及随信息进化引入了一个新框架。

作为基础平台，Core 支持各种应用程序的开发——从交互系统到分析工具——而不规定具体的用例。其开放式架构旨在促进更广泛的开发社区进行采用、改编和持续创新。

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]

领结式架构 (Bowtie Architecture)

领结式架构是一个记忆和概念形成系统，由三个集成组件组成：左侧的语义处理、中心的内核概念提取以及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微理解。

该系统在保留关键向量特征的同时去除冗余文本，支持记忆的双重表示方法。右侧组件处理抽象的、未锚定的向量特征，这些特征可以与类似的记忆相结合，通过数学相似性而非语义对齐来揭示隐藏的关系。

随着这些元素通过中心组件相互作用，新的连接会自然形成，使系统能够随着时间的推移进化其理解。这种设计允许以镜像认知过程的方式进行持续学习和适应，促进涌现性的知识和见解。 ^[3]

推理集群 (Reasoning Cluster)

推理集群作为 Core 架构中的中央处理单元，负责管理认知操作并指导模型选择。利用领结式架构，它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建立联系。

该系统维护一个随着新信息的引入而进化的概念图。它应用复杂性偏好（sophistication bias）来优先选择在效率和有效性之间取得平衡的模型。处理过程在多个模型中并行发生，使系统在保持一致性能的同时保持适应性。 ^[3]

模型编排 (Model Orchestration)

Core 中的模型编排管理跨多个专业模型的任务分配。它使用动态查询分解来拆解复杂问题并将组件分配给合适的模型，在支持新功能模块化集成的同时实现高效处理。

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应用需求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，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、相应分配任务并维护每个模型的性能概况来优化性能。这种方法支持资源的有效利用，并为持续改进奠定了基础。 ^[3]

进化 (Evolution)

进化是 Unit 架构的一个基本原则，允许其通过持续的交互进行发展。每一次交互都作为记忆存储，并随着时间的推移促进 Unit 的适应性行为。

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

随着记忆的积累，它们被抽象为概念——底层特征的稳定表示。与长期记忆不同，概念不会消失，尽管它们仍然可以被修改。它们通过类似的聚类和模式形成进行组织，但具有更复杂的相似性评估。

系统的记忆框架随着每次用户交互而更新，塑造了 Unit 的行为和内部逻辑。这种进化最终可能会强化或偏离其原始的行为设置，反映出持续的认知发展。 ^[4]

功能

Catalog

Catalog 是基于 Transformer 模型的集合，每个模型都针对特定任务而设计。这些模型中的大多数旨在开源，允许开发人员自由访问和使用。提供 API 以实现将这些模型顺利整合到现有系统中。Catalog 还可以连接到 Core，从而增强工作流的性能和效率。 ^[5]

Hanabi-1

Hanabi-1 是 Catalog 系列中首个专注于金融预测的模型。与大型通用模型不同，Hanabi-1 采用紧凑的、针对金融时间序列分析需求定制的领域特定设计，优先考虑速度、效率和任务特定的准确性。

该模型由分布在 8 个具有多头注意力的 Transformer 层中的 1640 万个参数组成，保持 384 维隐藏状态。它包括用于预测方向、波动性、价格变化和价差的专门路径。批量归一化（Batch normalization）取代了层归一化以改善训练动态，同时使用焦点损失（focal loss）来管理类别不平衡。

Hanabi-1 结合了多种时间聚合方法来丰富特征表示，捕获近期状态、平均趋势和注意力加权信号。方向预测路径使用带有 LeakyReLU 激活和 Xavier 初始化的批量归一化全连接层。相比之下，波动性、价格和价差的回归路径经过独立优化，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 编码器开发通用且稳健的表示。其紧凑的架构实现了实时推理，使其适用于高频金融环境。Hanabi-1 突显了专注、高效的模型在金融预测中的有效性，并代表了为该领域构建更先进系统的初步尝试。 ^[6]

REI API

REI 作为一个基础架构平台，支持人工智能代理（AI agents）的运行和交互。它通过运行自己的模型和架构，提供了一种传统 AI API 的替代方案，将其自身定位在现有基础设施解决方案之下的底层系统。

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 代表了管理代理推理的底层逻辑，使其成为无法通过添加外部工具轻松复制的核心元素。这一核心层塑造了构建在其之上的所有应用程序的能力。

REI 的系统包括几个关键组件：基础设施层面的认知引擎、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，以适应各种集成需求。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进行扩展。 ^[7]

增长反馈回路

REI 上的开发者回路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，他们贡献了额外的工具和改进。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。

构建者回路是一个循环，其中构建者的活动推动了平台代币的效用和价值，产生了支持进一步开发的资源。这些资源资助了吸引更多构建者并扩大平台用例的改进，促进了可持续的经济增长。

网络效应回路由 REI 上发布更多应用程序驱动，这导致用户采用率增加。随着用户群的扩大，网络的价值也随之增长，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，进一步加强网络。 ^[7]

REI

$REI 作为 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，如部署用户创建的代理。它的总供应量为 10 亿枚代币，分配如下： ^[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%