不少人都在这里能想到FIL。但在这个领域似乎也没那么顺利，即使目前在这个领域FIL还都占据着这个领域舞台中央的位置，不过近两年异军突起了一个新的项目AITN。
AITN是去中心化人工智能生态链，能解决全球整个人工智能生态上下游软硬件的生产流通与结算！AITN和FIL看着有些类似，都是去中心化存储，但细看，发现两者其实截然不同。
AITN是各种各样的物联网设备可以加入基于区块链技术的人工智能技术网络（AI Technology Network，以下简称AITN网络）中成为联邦学习的原子单位，从自身在生产和服务中产生的经过脱敏后的工作数据中学习并训练子模型，为实用的行业人工智能解决方案做出贡献。
而FIL解决的是付费存储的问题，也就是付多少钱存多长时间，一旦时间超过了，存储的内容是否依然存在则系统无法保证。本质上，IPFS将p2p软件的按需下载转换为资源的长期存储，这需要服务质量保证，否则，没有用户希望存储需要IPFS中服务质量保证的有价值的数据或资源内容。因此，对于一个松散的IPFS网络，用户的随机退出，网络质量的不确定性，存储位置的不确定性，硬件资源性能不均衡，硬件资源性能抖动，这些问题使得IPFS不可能存储一个具有强服务质量要求的资源存储，换句话说，商业使用。
FIL更偏重于云存储，但在各类真实项目中FIL使用的频率似乎并不高，真正使用频率高的反而是它的基础协议IPFS。从这个角度上看FIL的表现远远不如AITN。
AITN是分布式的数据存储与分发网络，依赖区块链技术的存储工作量证明(POS)，并具有内置的经济激励措施，将人工智能技术将资源整合利用起来，从而构建一套超低成本的可靠存储系统。
AITN构建的去中心化大脑，是AITN网络如何存储和处理生成的数据以提供AI训练的服务。数据将使用边缘计算进行处理，并存储在 IPFS 协议下。边缘计算，也称为雾计算，与云计算相对。 对 于需要实时交互、位置感知的大规模移动网络而言，能预测和降低通信延迟的雾计算非常重要。设备产生的工作数据会先通过隐私计算进行脱敏处理，处理后的数据集会被切片，放入IPFS网络并获得唯一的CID内容地址标识。
脱敏后的数据集可以作为AI学习的训练集或测试集。此外，这些设备还将在被称为联邦学习的AI模型训练过程中发挥作用。每一种设备可以从自己的数据集中学习，计算得出粗略的梯度子模型，然后需求服务器收集各子模型后，分配权重以聚合成优化后的应用模型。
目前，AITN已经将总量70%用来奖励，包括了计算奖励，流动性奖励和流通奖励。每个人都可以参与进来，这是早期参与者的福利。越靠后价值越高，购买难度也就越大。所以，这次融资吸引的用户越来越多，也让许多观望者按捺不住了。
AITN犹如是一台超级计算机，IPFS就是它的硬盘、操作系统就是去中心化操作系统和CPU就是去中心化社会大脑。最后组合起来就是构建一个数字孪生世界。所以，未来FIL和AITN哪个更有潜力？就已经一目了然了。
