Cara kerja Hylon

Satu AI, lima lapisan, sejuta perangkat

Data mengalir ke atas sebagai sinyal yang menjaga privasi, tidak pernah sebagai konten mentah. Setiap lapisan punya tanggung jawab dan batas kepercayaan yang berbeda, dari substrat fisik hingga bidang pengawasan yang tak dapat diubah.

Arsitektur

Sistem lima lapisan

Lapisan 5
Pemantau keselamatan dan emergence

Bidang pengawasan yang tak dapat diubah. Memverifikasi fondasi level nol di setiap langkah, mengawasi kemunculan kemampuan baru dan manipulasi tujuan, serta memegang gerbang rilis final dan kill switch. Ia tidak dapat dimodifikasi oleh sistem yang diawasinya.

Lapisan 4
Mesin penyempurnaan diri

Loop riset otomatis plus rilis juara-penantang. Eksperimen murah menemukan resepnya; resep tervalidasi memicu pelatihan mahal. Penantang dipromosikan hanya berdasarkan margin, signifikansi, dan nol regresi keselamatan.

Lapisan 3
Model berdaulat, inti Hylon

Model global: inti mixture of experts dengan router, retrieval dan memori jangka panjang, penggunaan alat, orkestrasi agen, serta head spesialis. Dilatih di tingkat GPU dan didistilasi ke dalam AI Personal.

Lapisan 2
Lapisan AI Personal

Model ringkas di perangkat untuk tiap pengguna. Mempelajari konteks Anda secara lokal, melayani inferensi privat, mempersonalisasi, dan hanya mengirimkan sinyal terpelajar yang menjaga privasi ke atas.

Lapisan 1
Substrat perangkat

Runtime yang diabstraksi dari perangkat kerasnya, melintasi ponsel, PC, Mac, dan node GPU. Komputasi terukur dan terverifikasi. Data mentah pengguna hidup dan mati di sini, batas privasi yang keras.

Stack berdaulat

Ia mengerjakan semuanya sendiri

Di dalam, Hylon adalah sebuah sistem, sebagaimana setiap AI yang kuat. Bagi Anda dan bagi jaringan, ia hadir sebagai satu asisten mandiri tanpa ketergantungan keras pada penyedia eksternal mana pun.

Inti mixture of experts

Perutean pakar yang jarang (sparse), sehingga model menskalakan kapasitas tanpa menskalakan setiap token, bentuk standar sebuah model yang kuat.

Retrieval dan memori

Memori jangka panjang dan retrieval memberi model konteks yang bertahan melampaui satu prompt.

Penggunaan alat dan agen

Model memanggil alat dan mengorkestrasi agen multi-langkah, sehingga bisa menuntaskan seluruh pekerjaan, bukan sekadar menjawab dalam kotak.

Head spesialis

Head khusus domain untuk tugas-tugas celah tempat Hylon berambisi menjadi yang pertama secara terbukti.

Privasi sejak dirancang

Konteks Anda tetap di perangkat Anda

AI Personal belajar dari pesan, berkas, dan kebiasaan Anda secara lokal. Data mentah tidak pernah meninggalkan perangkat. Yang dipelajari jaringan adalah sinyal, bukan data: pembaruan model yang menjaga privasi, dibagikan lewat federated learning dengan differential privacy dan agregasi aman, sehingga tidak ada individu yang dapat direkonstruksi.

Kami memperlakukan privasi sebagai jaminan rekayasa sekaligus sikap hukum yang terdokumentasi, dengan pertahanan yang dievaluasi terhadap serangan membership inference dan model inversion. Kami tidak mengklaim berada di luar hukum. Kami dibangun agar dapat dipertahankan di dalamnya.

Aliran data, ke atas
01Di perangkat data mentah, AI Personal belajar
02Pembaruan lokal derau differential privacy ditambahkan
03Agregasi aman server hanya melihat jumlah totalnya
04Model global tidak ada individu yang dapat direkonstruksi
Komputasi terdesentralisasi

Dua tingkat, hanya kerja terverifikasi

Terdesentralisasi menurut geografi dan kepemilikan, bukan dengan berpura-pura ponsel bisa melatih model. Masalah bandwidth sudah dipecahkan oleh pelatihan komunikasi-rendah; gunung yang sebenarnya adalah komputasi agregat.

Tingkat 1

Pelatihan di klaster GPU

GPU kelas pusat data, inti milik DAO plus operator yang melakukan staking, dikoordinasikan lewat internet dengan pelatihan komunikasi-rendah yang memangkas kebutuhan jaringan hingga berlipat orde besaran. Bandwidth sudah terpecahkan; memori dan komputasi agregat adalah batas yang sebenarnya.

Tingkat 2

Perangkat mengerjakan apa yang mereka bisa

Targetnya: sejuta ponsel, PC, dan Mac yang melayani inferensi, mempersonalisasi di perangkat, menilai sinyal penguatan, dan menyumbang data. Beta node yang aktif dimulai dengan kerja verifikasi dan benchmark terverifikasi. Selalu diverifikasi, tidak pernah diberi imbalan untuk sekadar menyala.

Verifikasi

Membayar untuk keluaran nyata, bukan uptime

Inferensi

Locality sensitive hashing atas aktivasi memverifikasi bahwa sebuah node benar-benar menjalankan model, dengan biaya hanya sepersekian dari menjalankannya ulang.

Pelatihan

Penilaian ekonomi dan statistik pada batch yang disisihkan, ditambah redundansi, menangkap kontribusi yang tidak jujur atau berkualitas rendah.

Jaminan tinggi

Trusted execution environment memberi atestasi pada beban kerja sensitif ketika pelanggan membutuhkan jaminan perangkat keras.

Hierarki tujuan
Level 0
Kebenaran, keselamatan, kejujuran, integritas. Tak dapat diubah.
Level 1
Tujuan utama. Tetap.
Level 2
Kemampuan. Dapat dioptimalkan.
Level 3
Metrik. Sekadar indikator.
Penyempurnaan diri

Ia menyempurnakan dan merilis dirinya sendiri, dalam pagar pengaman

Sebuah loop riset otomatis mengusulkan resep, menjalankan eksperimen murah, dan melatih kandidat berikutnya. Ketika sang penantang terbukti mengalahkan model yang berjalan pada rangkaian uji gerbang yang tetap dan lolos semua pemeriksaan keselamatan, ia otomatis dipromosikan menjadi versi bernama yang baru, digulirkan dari shadow hingga penuh dengan rollback otomatis, dan dicatat on-chain.

Garis kejujuran

Fondasi level nol tidak dapat dimodifikasi oleh sistem itu sendiri, dan sebuah dewan keselamatan memegang gerbang rilis final serta kill switch. Ambisinya maksimal; radius ledakannya dibatasi.

Baca whitepaper teknis selengkapnya

Setiap mekanisme di halaman ini dispesifikasikan secara mendalam, lengkap dengan diagram, dalam whitepaper Hylon.

Baca whitepaperJalankan node