不少人都在這里能想到FIL。但在這個領域似乎也沒那么順利，即使目前在這個領域FIL還都占據著這個領域舞臺中央的位置，不過近兩年異軍突起了一個新的項目AITN。

AITN是去中心化人工智能生態鏈，能解決全球整個人工智能生態上下游軟硬件的生產流通與結算！AITN和FIL看著有些類似，都是去中心化存儲，但細看，發現兩者其實截然不同。

AITN是各種各樣的物聯網設備可以加入基于區塊鏈技術的人工智能技術網絡（AI Technology Network，以下簡稱AITN網絡）中成為聯邦學習的原子單位，從自身在生產和服務中產生的經過脫敏后的工作數據中學習并訓練子模型，為實用的行業人工智能解決方案做出貢獻。

而FIL解決的是付費存儲的問題，也就是付多少錢存多長時間，一旦時間超過了，存儲的內容是否依然存在則系統無法保證。本質上，IPFS將p2p軟件的按需下載轉換為資源的長期存儲，這需要服務質量保證，否則，沒有用戶希望存儲需要IPFS中服務質量保證的有價值的數據或資源內容。因此，對于一個松散的IPFS網絡，用戶的隨機退出，網絡質量的不確定性，存儲位置的不確定性，硬件資源性能不均衡，硬件資源性能抖動，這些問題使得IPFS不可能存儲一個具有強服務質量要求的資源存儲，換句話說，商業使用。

FIL更偏重于云存儲，但在各類真實項目中FIL使用的頻率似乎并不高，真正使用頻率高的反而是它的基礎協議IPFS。從這個角度上看FIL的表現遠遠不如AITN。

AITN是分布式的數據存儲與分發網絡，依賴區塊鏈技術的存儲工作量證明(POS)，并具有內置的經濟激勵措施，將人工智能技術將資源整合利用起來，從而構建一套超低成本的可靠存儲系統。

AITN構建的去中心化大腦，是AITN網絡如何存儲和處理生成的數據以提供AI訓練的服務。數據將使用邊緣計算進行處理，并存儲在 IPFS 協議下。邊緣計算，也稱為霧計算，與云計算相對。 對 于需要實時交互、位置感知的大規模移動網絡而言，能預測和降低通信延遲的霧計算非常重要。設備產生的工作數據會先通過隱私計算進行脫敏處理，處理后的數據集會被切片，放入IPFS網絡并獲得唯一的CID內容地址標識。

脫敏后的數據集可以作為AI學習的訓練集或測試集。此外，這些設備還將在被稱為聯邦學習的AI模型訓練過程中發揮作用。每一種設備可以從自己的數據集中學習，計算得出粗略的梯度子模型，然后需求服務器收集各子模型后，分配權重以聚合成優化后的應用模型。

目前，AITN已經將總量70%用來獎勵，包括了計算獎勵，流動性獎勵和流通獎勵。每個人都可以參與進來，這是早期參與者的福利。越靠后價值越高，購買難度也就越大。所以，這次融資吸引的用戶越來越多，也讓許多觀望者按捺不住了。

AITN猶如是一臺超級計算機，IPFS就是它的硬盤、操作系統就是去中心化操作系統和CPU就是去中心化社會大腦。最后組合起來就是構建一個數字孿生世界。所以，未來FIL和AITN哪個更有潛力？就已經一目了然了。