Hyperspace

什么是 Hyperspace？

Hyperspace 是一个去中心化 AI 代理网络，让用户在点对点 (P2P) 网络上运行自主 AI 代理。其核心目的是支持分布式推理和参与分布式机器学习研究，通过网络协调而非单一中心化服务。

在网络中，参与者可贡献计算/服务能力来运行推理并推动分布式 ML 进展。网站还指出，参与者可通过提供推理服务和贡献网络获得积分。

主要特性

• 在 P2P 网络上执行自主 AI 代理：无需依赖单一中心化后端，利用网络分布式结构运行代理。
• 参与分布式推理：作为去中心化系统的一部分提供推理服务。
• 贡献积分：网络通过积分追踪贡献，包括提供推理服务和支持更广泛的网络活动。
• 支持分布式 ML 研究：参与不仅限于推理，还包括贡献分布式 ML 研究。

如何使用 Hyperspace

1. 在 Hyperspace 网络中设置运行或提供服务（网站强调“运行自主 AI 代理”和“提供推理服务”）。
2. 部署自主 AI 代理，使其作为网络一部分运行。
3. 通过提供推理服务贡献网络容量，遵循网络参与流程。
4. 通过积分追踪参与，网站描述其为网络贡献奖励的一部分。

使用场景

• 在去中心化网络上运行自主代理工作流：使用 Hyperspace 部署旨在作为 P2P 系统一部分运行的代理。
• 为推理提供计算容量：作为节点/运营商参与，响应网络的推理请求。
• 贡献分布式 ML 研究：支持通过网络组织的研发活动，而非单一中心化项目。
• 实验分布式代理执行：测试自主代理在去中心化 P2P 环境中的运行，同时参与网络的推理和研究循环。

常见问题

• Hyperspace 中的“去中心化”是什么意思？
  Hyperspace 被描述为运行在去中心化点对点 (P2P) 网络上，表示通过多个对等节点协调和执行，而非单一中心化服务。

• 我能运行代理，还是只能提供推理服务？
  页面指出两者均可：您可以“运行自主 AI 代理”，也可作为网络一部分“提供推理服务”。

• 积分如何与参与相关？
  网站指出，通过提供推理服务和贡献分布式 ML 研究可“获得积分”。

• 网络除了推理还支持哪些工作？
  根据页面描述，它还支持分布式机器学习研究。

替代方案

• 中心化 AI 代理平台：代理运行在单一提供商基础设施上的服务。与 Hyperspace 相比，它们通常聚焦中心化执行而非 P2P 分布。
• 去中心化计算市场：设计用于跨节点分发计算资源的平台。这些可能有类似基础设施目标，但工作流通常围绕计算供应，而非代理网络专属的推理/研究循环。
• 带分布式基础设施的自托管代理运行时：运行您控制的代理，同时使用自家分布式服务扩展。这不同于 Hyperspace 的网络参与和基于积分的贡献模式。
• 分布式 ML 研究框架：支持协作或分布式训练/研究的工具和框架。它们可能在研究贡献方面重叠，但未必提供专为自主代理执行构建的网络。