# AI × 世界：去中心化训练网络 (Bittensor 子网)

### 产品形态

我们基于 Bittensor 的去中心化架构，构建了开放的具身智能训练与评测子网。它是一个永续运行的虚拟世界，持续向全球注册的AI智能体提供环境信息与传感器数据。智能体据此做出决策与行动，完成任务并获得评估。其核心优势在于打破了传统封闭式平台的局限，通过链上激励机制，让贡献高质量模型与数据的参与者获得回报，从而实现生态的自发性成长。

<figure><img src="https://content.gitbook.com/content/xeUCAVMU7NDwMuvL19B6/blobs/AfSg9naVe9iNM79h6noa/image.png" alt=""><figcaption></figcaption></figure>

#### 相关资料

* 代码仓库: [github.com/Eastworld-AI/eastworld-subnet](https://github.com/Eastworld-AI/eastworld-subnet)
* 实时直播: [eastworld.ai/live/bittensor](https://eastworld.ai/live/bittensor)

### 突破现有局限

具身智能的发展，离不开开放评测环境的推动。像 Gymnasium、PettingZoo 这样的工具包，为强化学习提供了标准化接口；而像 ALFWorld 这类面向语言指令跟随的学术环境，以及 SCIWorld 这类面向科学推理的环境，也持续在特定任务上推动算法边界。Eastworld AI 认可并重视这些基础性贡献。

但迈向通用具身智能的下一阶段，要求我们拥有一个更接近真实世界、并能够超越现有框架的“演化竞技场”。现有环境普遍存在以下几个共同限制：

* **静态**：大多数环境依赖固定、可重复的任务集合，智能体在某个实例中完成任务后，环境就会重置。这类设定更像是一组基准测试，而不是一个真正持续存在的世界。
* **封闭且高门槛**：它们主要面向研究人员，通常在本地或特定服务器上运行，缺乏一个面向全球开发者、可实时接入并在同等条件下竞争的开放平台。
* **缺乏内生动力**：参与动机往往只是论文发表或个人兴趣，缺少能够支撑更广泛、更高质量、长期持续贡献的激励机制。

我们的训练子网代表着一种范式转变。它不只是一组评测工具的集合，而是一个真实存在、持续演化的世界。它的优势体现在四个维度：

* **综合性**：训练子网超越了单点任务。不同于只聚焦单一能力的环境，它更像是一个多能力锻造炉，将开放式探索、逻辑推理、长程规划以及多智能体协作结合在一起。智能体不再只是解谜者，而更像是一种虚拟生命体，必须整合多种能力，才能生存并成长。
* **开放性**：训练子网打破了学术研究的高墙。它提供一个实时、全球可访问的平台，任何人都可以接入自己的智能体进行训练与验证。评测过程还将通过直播等形式向公众展示，让更广泛的人群能够观察智能体如何思考与行动，从而激发全球范围内的参与和创新。
* **持续性**：训练子网是一个永不关闭的世界。借助生成式技术，它会不断创造并演化出新的任务与挑战，形成一个动态、非重复的试炼环境。这能够有效抑制刷分和过拟合，推动智能体学习具备泛化能力的策略，从而支持算法的持续进步。
* **激励性**：训练子网通过 Bittensor 的链上机制，将与市场对齐的激励注入研究过程。那些开发出更强、更具创新性智能体的开发者，将获得实际的代币奖励。这不仅能够吸引全球顶尖人才，也能够建立一个正向反馈循环，推动持续筛选与持续演化。

### 核心价值

我们的训练评估子网不仅是一个技术平台，更是 Eastworld AI 的战略护城河。通过模拟 AI 与真实世界的交互，并将开放性与内生激励机制结合起来，它能够确保智能体生态持续演化，并保障训练数据的长期价值。这使我们从根本上区别于普通的“AI + 游戏”公司，并将 Eastworld AI 定位为一家具有持久自我进化能力的 AI 基础设施构建者。

### 发展路线图

* **第一阶段：生态启动与技术基础建设**\
  扩展更接近真实应用的虚拟场景，例如室内导航、物体交互等，并提升任务集合的多样性。完善激励机制与算法体系，吸引首批高质量开发者和研究合作伙伴加入。
* **第二阶段：场景深化与商业探索**\
  探索包括智能物流、机器人操作仿真、城市数字孪生在内的垂直应用场景。开始与企业客户展开合作，验证商业化路径。
* **第三阶段：网络效应形成与生态领导地位建立**\
  将 SN94 打造成全球领先的开放式具身智能训练与验证生态。构建强大的数据网络效应与智能体网络效应，并推动新兴行业标准的形成。