DeepCloudAI：人工智能驱动的去中心化云平台|ONETOP评级

原创

2287 天前

2317

声明：本测评内容仅供参考，任何依本测评内容作出的投资行为，与本测评内容无关。项目有风险，投资须谨慎。

Statement: the contents of this assessment are for reference only. Any investment behavior made according to the contents of this assessment is not related to the contents of this assessment. The project is risky and the investment must be prudent.

DeepCloud AI旨在提供一个人工智能驱动的分布式云平台，用于运行去中心化物联网和Web 3.0应用。该项目为公司和个人提供计算与存储资源的现货市场，供其在分布式云上共享多余容量，并通过人工智能匹配引擎将这些资源与应用开发者配对。

云计算是继1980年代大型计算机到客户端-服务器的大转变之后的又一种巨变。它可以提供可用的、便捷的、按需的网络访问，进入可配置的计算资源共享池（资源包括网络、服务器、存储、应用软件、服务），使用者可以快速获得所需资源。自2009年以来，云计算支出增速为IT支出增速的4.5倍，2015年至2020年间，预计将超过IT支出增速的6倍。Gartner预测，云计算市场将从2015年的670亿美元增长到2020年的1620亿美元，年复合增长率为19%。

新分布式云网络的出现使得分布式云平台数量激增。这些平台通过利用最终用户、私人数据中心或企业基础设施的闲置资源，能以较低成本为用户提供分布式计算、存储和网络资源，让应用的部署比传统供应商更经济实惠。然而现有的中心化和分布式平台缺乏对资源的智能分配。例如，当用户提供云资源来部署应用程序时，他们通常不知道自己需要多少资源才能用最低的成本实现其应用程序目的或实现其使用场景。而使用由AI/ML管理的云，则可以根据用户的需求和丰富的历史数据为用户提供智能建议。

因此，DeepCloud AI利用云计算、人工智能和区块链技术，使用人工智能在网络资源提供者和应用开发者之间进行资源匹配。DeepCloud AI还在应用程序市场为开发者提供经过预先验证的应用程序，以便加速其端到端解决方案的开发。

目前分布式云平台赛道已有MIOTA、WTC、IUFF、SMT和ITC等项目，它们已上线交易所，失去了先发优势的DeepCloud AI能否后来者居上成为该领域的重要应用存在很大不确定性。人工智能赋能分布式云平台，效果仍未可知。

1. 法律政策和监管风险

由于区块链技术仍处于初期阶段，目前在任何司法管辖区的筹资过程中都没有关于界定、交易、信息披露和锁仓要求的具体规定，并且相关政策将如何实施尚无明确的定论。所有这些因素都可能导致项目开发不确定。

2. 技术风险

区块链技术正在不断发展，密码学也在不断演化，研发团队无法保证绝对的安全性，平台有可能受到网络攻击致使持有人的数字货币有被盗、失窃、消失、毁灭或者贬值的风险。

3. 项目落地风险

目前人工智能还在研究发展中，市场炒作概念的比较多，实现巨大突破带来变革的应用比较少，因此DeepCloud AI定位人工智能赋能分布式云平台，是否比其他分布式云平台更便捷也是不确定的。

4. 项目执行风险

项目属于早期阶段，虽然客服告知MVP已完成，但是DeepCloud AI代码库目前只有3个合同项目，没有找到MVP代码。共有482行代码的情况也很值得注意。

【token名称】DEEP

【token类型】ERC-20

【token总量】2亿

【是否KYC】是

【是否锁仓】是

【代币分布情况】

DEEP token在DeepCloud AI平台上的用途包括：

访问 DeepCloud AI的网络系统
供高端用户使用高级功能
网络用户和应用开发者的支付手段
网络资源提供者和应用程序市场提供者的支付手段

用户可以通过三种方式获取DEEP token用于访问DeepCloud AI平台：

DeepCloud AI首次token发行活动
加密货币交易所
成为资源提供者，用户可以通过在平台上提供资源获得代币并用于享受其他服务

1. 故障检测

主节点协调集群内全部节点的网络ping，并维持心跳信号以检测故障。当节点无法访问时，会从集群中删除该节点，运行在该节点上的所有应用程序工作都会自动部署到该集群中的其他工作节点上。

2. 分片和侧链

在 DeepCloud AI中，分片主要用于划分网络中的复杂查询，使其在分布式网络中变得更小、更快。DeepCloud AI使用人工智能在网络实时监控和历史数据的基础上配置并调整侧链的角色。每个分片的主节点都与侧链相连，根据主节点定义网络中侧链的角色，用于处理任何瓶颈或其他问题。

3. 数据复制和完整性

DeepCloud AI正在构建用于数据存储的API，以便应用开发者能够更轻松地备份数据并与其他去中心化存储服务进行整合，还简化了中心化和分布式存储系统之间的数据迁移。

4. 负载平衡

根据网络状态动态配置分片和资源分配。调整运行服务队列优先级，平衡网络流量。此外，节点按集群分类，如果任何集群中存在问题，主节点会管理网络流量，保证根据网络需求实时配置网络中的节点。

5. 人工智能控制器和匹配算法

DeepCloud AI运用统计学和人工智能模型作为预测策略。这些算法大多采用 ARIMA 等回归、SVM 和统计时间序列技术。模型整合了数种要素（即评分、任务依赖性、任务成本），然后与适合使用贝叶斯分类等方式进行分类的模型进行比较。使用 RNN、CNN 之类的深度学习算法，同时使用持续学习反馈循环的强化学习来分析场景。主要目标是了解交易行为、工作负荷模式并改进系统瓶颈。

6. 应用程序注册表

可重复使用的应用程序组件缩短了应用开发者的开发周期。应用程序市场提供者在应用程序注册表上发布组件，开发者则可以轻松为自己的应用程序搜索并部署这些组件。

DeepCloud AI代码是开源状态，代码库共3个项目，其中两个星云合同、一个token合同。目前共有482行代码，有1人观看了项目的代码，最近一次代码更新发生在6月13日。整体来看，DeepCloud AI代码更新频次偏低。

DeepCloud AI由团队自行研发，项目定位于人工智能驱动的分布式云平台，目前人工智能和云平台都属于技术难度比较大的，两者结合开发难度比较高。

2017年属于DeepCloud AI的筹备阶段，项目正式启动于2017年11月，预计2019年底项目基础工作基本完成，项目时间跨度约为2年，目前属于前期阶段。

2017年7月-创始人开始勾勒初始理念，制定如何让人工智能和区块链能够实现分布式云。
2017年11月-DeepCloud AI成立。
2018年4月-首份白皮书发布。
2018年5月-平台设计和架构动工。根据平台设计详情修改白皮书。
2018年5月-DeepCloud AI架构开始MVP设计和开发。
2018年7月-DeepCloud AI架构开始MVP测试。
2018年8月-DeepCloud AI架构首次实测。在Testnet上发布去中心化应用（物联网、dApp）。
2018年第三季度-平台设计进入最后阶段，为全面开发/测试部署组建团队。实施敏捷开发最佳实践，如连续集成与测试、用Chaos Monkey 进行中断测试等。部署战略性全球开发团队，确保全天候开发/测试/支持周期。
2018年第四季度-DeepCloud AI架构支持有效运行Web 应用程序。
2019年第一季度-推出类似利用边缘人工智能处理视频的dApp。大规模客户进行平台实测。
2019年第二季度-达成全球合作伙伴关系，在世界各地展示dApp。推出应用程序市场。
2019年第三季度-DeepCloud AI提升系统的恢复能力，为企业客户提供支持。
向物联网领域的企业客户开发并展示测试应用程序，展示DeepCloud AI的功能。
2019年第四季度及以后-DeepCloud AI开始投资于开发者社区和生态系统的研发，鼓励DAP开发者设计并构建分布式应用。建立基金会，支持/鼓励新的热心参与者。采用回馈社区的理念，确保DeepCloud AI可持续发展。