Fetch.ai (FET) wird am 28. Dezember 3.390.000 Token freischalten

Der FET von Fetch.ai, ein Utility-Token, ist die Grundlage für die Entdeckung, Erstellung, Bereitstellung und Schulung digitaler Zwillinge.

Fetch.ai, a platform harnessing artificial intelligence, collective learning, and digital twins, is set to unlock 3,390,000 FET tokens on December 28th. This allocation constitutes approximately 0.13% of the currently circulating supply.

Fetch.ai, eine Plattform, die künstliche Intelligenz, kollektives Lernen und digitale Zwillinge nutzt, wird am 28. Dezember 3.390.000 FET-Token freischalten. Diese Zuteilung macht etwa 0,13 % des derzeit zirkulierenden Angebots aus.

As an integral part of the Fetch.ai platform, FET tokens serve as a utility token, enabling users to build and deploy digital twins on the network. These twins are then empowered with machine-learning capabilities, allowing them to autonomously learn and collaborate within the network. Moreover, validation nodes can stake FET tokens to facilitate network validation, enhancing their reputation in the process.

Als integraler Bestandteil der Fetch.ai-Plattform dienen FET-Token als Utility-Token und ermöglichen es Benutzern, digitale Zwillinge im Netzwerk zu erstellen und bereitzustellen. Diese Zwillinge werden dann mit maschinellen Lernfähigkeiten ausgestattet, die es ihnen ermöglichen, autonom zu lernen und innerhalb des Netzwerks zusammenzuarbeiten. Darüber hinaus können Validierungsknoten FET-Token einsetzen, um die Netzwerkvalidierung zu erleichtern und so ihre Reputation zu verbessern.

The Fetch.ai platform is underpinned by four distinct technological components. Firstly, the Digital Twin Framework provides modular components for teams to construct marketplaces, skills, and intelligence for digital twins. Secondly, the Open Economic Framework offers search and discovery capabilities for digital twins. Thirdly, the Digital Twin Metropolis comprises smart contracts that maintain an immutable record of agreements between digital twins on a WebAssembly (WASM) virtual machine. Finally, the Fetch.ai Blockchain utilizes multi-party cryptography and game theory to ensure secure, censorship-resistant consensus and rapid chain-syncing for digital twin applications.

Die Fetch.ai-Plattform basiert auf vier unterschiedlichen technologischen Komponenten. Erstens bietet das Digital Twin Framework modulare Komponenten für Teams zum Aufbau von Marktplätzen, Fähigkeiten und Informationen für digitale Zwillinge. Zweitens bietet das Open Economic Framework Such- und Entdeckungsmöglichkeiten für digitale Zwillinge. Drittens umfasst die Digital Twin Metropolis intelligente Verträge, die eine unveränderliche Aufzeichnung von Vereinbarungen zwischen digitalen Zwillingen auf einer virtuellen WebAssembly (WASM)-Maschine verwalten. Schließlich nutzt die Fetch.ai-Blockchain Mehrparteien-Kryptographie und Spieltheorie, um einen sicheren, zensurresistenten Konsens und eine schnelle Kettensynchronisierung für digitale Zwillingsanwendungen zu gewährleisten.

The platform also features a learner component, where each participant represents a unique private dataset and machine learning system. Collectively, they contribute to the formation of a global market, which in turn generates a machine learning model that is trained by the collective effort of the learners. Additionally, the Fetch.ai Blockchain supports smart contracts for secure and auditable coordination and governance. Lastly, the platform incorporates a decentralized data layer based on IPFS, enabling the sharing of machine learning weights among all learners involved.

Die Plattform verfügt außerdem über eine Lernkomponente, bei der jeder Teilnehmer einen einzigartigen privaten Datensatz und ein maschinelles Lernsystem repräsentiert. Gemeinsam tragen sie zur Bildung eines globalen Marktes bei, der wiederum ein Modell des maschinellen Lernens generiert, das durch die gemeinsame Anstrengung der Lernenden trainiert wird. Darüber hinaus unterstützt die Fetch.ai-Blockchain intelligente Verträge für eine sichere und überprüfbare Koordination und Governance. Schließlich enthält die Plattform eine dezentrale Datenschicht auf Basis von IPFS, die die gemeinsame Nutzung von Gewichtungen des maschinellen Lernens zwischen allen beteiligten Lernenden ermöglicht.