一套由你拥有的主权 AI， 任何实验室都无法将它关停。
Hylon 是一个由 5 层组成的分布式智能系统。Personal AI 在你的设备上运行，在本地学习你的使用情境，而全球模型则 持续自我提升，从架构上保证隐私，并在前沿实验室触及不到的地方最为强大。
自我改进被不可更改的安全基础严格约束，这些基础永远无法被改变。
每个节点都运行一套 Personal AI，为集体智能做出贡献。
颠覆性架构
通往智能的五层设计
不仅仅是聊天机器人，而是一整套为持续、受控的自我改进与批判性思维而打造的系统。
安全监控器
在每一步验证不可更改的安全基础，并掌控最终发布闸门和紧急断开开关。
自我改进引擎
KEY自动化研究循环，持续提出方案、测试并训练下一代模型，只有在确实超越当前模型并通过所有安全检查后才会升级。
关键学习系统
质疑一切，检验所有论断，在验证之前不会接纳任何信息。
Hylon 核心模型
专为从 Personal AI 学习而设计——从不接触用户原始数据（始终隔离两层）。
Personal AI + OrbMesh Network
不断扩展的节点网络，在本地用户数据上运行并训练 Personal AI。
在护栏之内自我改进
其他 AI 需要等人类来升级它们。Hylon 则运行 自动化研究循环， 持续提出新方案、进行低成本实验并训练下一代模型。
只有在新模型确实击败已上线模型并通过所有安全检查后，才会正式替换。
自动化研究
梳理现有研究，提出训练方案，并通过低成本实验验证有效方法
验证训练
用低成本实验找到有效方案；只有验证通过的方案才会触发昂贵的正式训练
冠军与挑战者机制
只有在明显击败在线模型且没有任何安全回退时，才会提升为新的候选模型
安全灰度发布
先影子部署，再接入部分流量，最后全量上线，并可自动回滚且记录在链上
持续训练
模型持续从数据飞轮以及真实用户任务的强化反馈中学习
不可变护栏
Level 0基础层不可自我修改，由安全委员会掌控发布权限
唯一的约束：不可更改的安全基础
Level 0 基础被硬编码写死，永远不可更改——系统改不了，更新改不了，任何人都改不了。所有改进都必须服务于这些基础。
关键学习系统
唯一会质疑一切的 AI
传统 AI 模型通常直接吸收训练数据。Hylon 会质疑每一条输入，检验每一个论断，在验证之前不会接纳任何信息，不会对任何内容照单全收。
摄入
解析并从输入数据中提取论断
质询
质疑假设，检查偏见与缺口
验证
与多个已验证来源交叉比对
分类
分配可信度评分与知识类别
“量子计算机可以在 5 年内破解所有现有加密算法”
摄入： 提取出 2 条论断——（1）量子可以破解所有加密，（2）时间范围为 5 年内
质询： “所有加密”过于宽泛。时间范围的说法需要证据。那后量子密码呢？
验证： 交叉比对了 12 个来源——NIST、IBM Research、《Nature》论文。RSA 易受攻击；AES‑256/格基密码目前仍安全。时间线在 12 个来源中有 8 个存在争议。
分类： 论断 1—— DISPUTED （对 RSA 部分成立）。论断 2—— REJECTED （主流共识：10‑20 年）。
通过全部测试。以高可信度评分纳入核心知识库。
部分成立或证据冲突。暂存，等待更深入分析。
验证失败。丢弃以避免知识污染。
诚实对比
Hylon 对比传统 AI
不仅是不同产品，而是完全不同的架构。
| 特性 | Hylon | 其他 |
|---|---|---|
| 运行位置 | 在你的设备和社区自有集群上运行 | 你无法控制的集中式云端 |
| 你的上下文 | 在设备本地学习，原始数据从不外传 | 在中心服务器上处理 |
| 可用性 | 在其他服务被封锁的市场中也能正常使用 | 在许多地区被封锁或限速 |
| 自我提升 | 在安全边界内的自动化研究循环 | 仅手动更新 |
| 训练信号 | 真实用户任务，私密且支持多语言 | 静态互联网抓取数据 |
| 所有权 | 由其网络所有并治理 | 由实验室及其股东所有 |
| 成本结构 | 用户自有基础设施 | 昂贵的集中式GPU集群 |
隐私架构
Hylon 从不查看你的数据
你与云端之间有两层隔离。你的数据只在本地训练你的个人 AI。Hylon 向已经学习过的 AI 学习——就像向看完所有书的导师学习，而不是自己去读这些书。
你的数据
邮件、消息、文件、浏览记录、语音
个人 AI
只在你的设备上学习
共享权重
从不共享原始数据，只共享学习结果
Hylon 学习
来自个人 AI
知识获取
Hylon 的学习来源
五大独立知识源，在整合前都经过严格评估。没有任何内容被盲目接收。
个人AI
主要来源——用户的数字生活
VPN模式
实时行为元数据
开源
DeepSeek、Qwen、Llama 的权重
研究论文
arXiv、论文、观点
模型API
学习类查询
VPN 数据优势
没有其他 AI 公司能从用户那里获取实时互联网行为模式。传统 AI 模型只在静态互联网抓取数据上训练。Hylon 看到的是人们实际如何使用互联网—— 实时.
数据转化
原始数据变成抽象知识
Personal AI 从你的数据中学习。Hylon 只接收被抽象化的模式——从不接收原始内容，也不接收任何可识别信息。
敏感——保留在设备上
抽象化——无个人数据
在目标规模下
海量规模＝前所未有的算力
当网络达到完整规模时，它将成为有史以来最强大的分布式计算基础设施。
常见问题
常见问题解答
Hylon 会超越 GPT 或 Gemini 这样的前沿模型吗？
击败所有中心化实验室是我们的目标，这条路是分阶段、按闸门推进的。先在大型实验室触及不到的领域、依托你自己的场景与服务不足的市场做到可证实的领先，再持续叠加能力，靠近通用前沿。只有在通过相应闸门后，我们才会宣称某项能力，不会给出关于通用智能的过期承诺。
这与传统 AI 有什么不同？
根本差异包括：（1）分布在用户自有设备和社区自有集群上，而不是中心化云；（2）Personal AI 在本地学习你的个人场景，原始数据永不外流；（3）模型通过自动化研究循环自我改进，并受不可变护栏约束；（4）关键学习系统会质疑和验证，而不是照单全收训练数据；（5）它能在主流助手被屏蔽的市场中工作。
自我改进到底如何运作？
自动化研究循环会检索文献，提出训练方案，并运行低成本实验找出有效方法。只有通过验证的方案才会触发高成本训练。新模型（挑战者）只有在固定评测集上可证明击败线上模型且没有任何安全回退时，才会被提升为新版本，并逐步灰度发布，过程中自动支持回滚。Level 0 基础不可自我修改，且由安全委员会把控最终发布闸门。
在不接触用户数据的情况下你们如何盈利？
我们出售 OrbMesh 硬件设备，而不是用户数据。节点运营者通过运行 Personal AI 和 VPN 服务获得 OrbToken 奖励。用户使用 OrbToken 支付高级功能。整个系统在不依赖数据变现的前提下实现经济自洽。
是什么防止 AI 变得危险？
Level 0 基础（Truth、Consistency、Honesty、Safety、Integrity）是硬编码且不可变的——自我改进引擎和任何更新都无法更改。重大变更都设有人类监督检查点。整个系统在设计上把安全视为不可修改的约束。
使用 Hylon 一定要有 OrbMesh 设备吗？
不需要。你可以通过我们的应用使用 Hylon，无需自有硬件。但 OrbMesh 拥有者可获得高级访问权限、赚取 OrbToken 奖励，并直接提升网络整体能力。拥有一个节点，就等于持有一部分 AI 基础设施。