> For the complete documentation index, see [llms.txt](https://docs.eastworld.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.eastworld.ai/docs/cn/whitepaper/decentralized-training-network.md).

# 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="/files/blZiPJwrq6HHsFLVgfUp" 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。


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.eastworld.ai/docs/cn/whitepaper/decentralized-training-network.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.