1. Переменчивая природа внимания

За последний год из-за разобщенности нарративов прикладного уровня, неспособных соответствовать темпам роста инфраструктуры, криптопространство постепенно превратилось в конкуренцию за ресурсы внимания. От Глупого Дракона до Козла, от Pump.fun до Кланкера, непостоянство внимания привело к циклу постоянного переосмысления этой битвы. То, что начиналось с самой традиционной формы привлекательной монетизации, быстро превратилось в платформенную модель, которая объединила искателей внимания и поставщиков, что в конечном итоге привело к тому, что кремниевые формы жизни стали новыми поставщиками контента. Среди причудливого множества мем-монет появилась новая сущность, которая позволяет розничным инвесторам и венчурным капиталистам достичь консенсуса: агенты искусственного интеллекта.

Внимание, в конечном счете, является игрой с нулевой суммой, хотя спекуляции действительно могут привести к быстрому росту. В нашей предыдущей статье об UNI мы вернулись к началу последнего золотого века блокчейна, когда взрывной рост DeFi был вызван запуском Compound Finance майнинга LP. В ту эпоху участие в сотнях, а иногда и тысячах майнинговых пулов с доходностью в тысячи или даже десятки тысяч процентов годовых было самой примитивной формой ончейн-спекуляций. Хотя результатом стал хаотичный коллапс многих пулов, приток майнеров «золотой лихорадки» оставил беспрецедентную ликвидность в пространстве блокчейна. DeFi в конечном итоге освободился от чистых спекуляций и превратился в прочную вертикаль, которая удовлетворяла финансовые потребности пользователей в таких областях, как платежи, торговля, арбитраж и стейкинг. Агенты ИИ в настоящее время переживают аналогичную фазу «дикого роста». Сейчас мы изучаем, как криптовалюта может лучше интегрировать ИИ и, в конечном итоге, поднять уровень приложений на новые высоты.

2. Как работают автономные AI агенты?

В нашей предыдущей статье мы кратко познакомились с происхождением мемов ИИ через Truth Terminal и исследовали будущий потенциал ИИ-агентов. В этой статье мы сосредоточимся на самих ИИ-агентах.

Давайте начнем с определения AI Agent. В области искусственного интеллекта термин «Агент» является старым, но все еще неясным концептом, прежде всего, подчеркивающим автономность. Другими словами, любой AI, который может воспринимать свою среду и принимать рефлексивные решения, считается Агентом. Сегодня определение AI Agent ближе к определению интеллектуального существа, системы, созданной для имитации человеческих процессов принятия решений. Эта система считается в академических кругах наиболее многообещающим подходом к достижению AGI (Artificial General Intelligence).

В ранних версиях GPT мы четко чувствовали, что большие модели похожи на человека, но при ответе на сложные вопросы они часто давали нечеткие или неточные ответы. Фундаментальной причиной этого было то, что эти модели основывались на вероятностях, а не на причинно-следственных связях, и у них не было таких человекоподобных способностей, как использование инструментов, память и планирование. AI Agents стремятся заполнить эти пробелы. Итак, чтобы подвести итог формулой: AI Agent = LLM (Large Language Model) + Планирование + Память + Инструменты.

Модели, основанные на подсказках, больше похожи на статичную версию человека, которая оживает только тогда, когда мы вводим данные. В отличие от этого, цель ИИ-агента — быть более динамичным, человекоподобным существом. В настоящее время большинство ИИ-агентов в этой области представляют собой тонко настроенные модели, основанные на версиях Llama 70b или 405b с открытым исходным кодом Meta (с другими параметрами), оснащенные памятью и возможностью использовать API для интеграции инструментов. В других областях они по-прежнему могут нуждаться в участии или помощи человека, например, во взаимодействии или сотрудничестве с другими ИИ-агентами. Вот почему большинство ИИ-агентов сегодня в основном существуют в виде лидеров мнений в социальных сетях. Чтобы сделать ИИ-агента более похожим на человека, он должен включать в себя возможности планирования и действий, при этом цепочка мыслей в процессе планирования особенно важна.

3. Цепочка мыслей (CoT)

Концепция Chain of Thought (CoT) впервые появилась в документе Google 2022 года под названием Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. В документе отмечается, что, генерируя серию промежуточных шагов рассуждения, способность модели к рассуждению может быть улучшена, что помогает ей лучше понимать и решать сложные проблемы.

Типичная подсказка CoT состоит из трех частей: описание задачи с четкими инструкциями, логическое обоснование задачи с теоретической базой или принципами, лежащими в основе решения, и конкретный пример решения. Такой структурированный подход помогает модели понять требования задачи и с помощью логических рассуждений постепенно приближаться к ответу, повышая как эффективность, так и точность решения задач. CoT особенно подходит для задач, требующих глубокого анализа и многоступенчатых рассуждений, таких как решение математических задач или написание отчетов по проектам. Для более простых задач CoT может не показывать очевидных преимуществ, но для более сложных он может значительно повысить производительность модели за счет снижения частоты ошибок за счет пошаговой стратегии решения проблем, тем самым повышая качество выполнения задач.

При создании ИИ-агентов CoT играет решающую роль. ИИ-агенты должны понимать информацию, которую они получают, и принимать разумные решения на ее основе. CoT обеспечивает упорядоченный мыслительный процесс, который помогает агенту эффективно обрабатывать и анализировать входные данные, превращая анализ в практические рекомендации. Этот метод не только повышает надежность и эффективность принятия решений Агентом, но и повышает прозрачность процесса принятия решений, делая поведение Агента более предсказуемым и отслеживаемым. Разбивая задачи на более мелкие шаги, CoT помогает Агенту детально рассмотреть каждую точку принятия решения, уменьшая количество ошибок, вызванных информационной перегрузкой, и делая процесс принятия решений более прозрачным. Такая прозрачность позволяет пользователям лучше понимать основы решений Агента. При взаимодействии с окружающей средой CoT позволяет агенту постоянно узнавать новую информацию и корректировать свою стратегию поведения.

Будучи эффективной стратегией, CoT не только повышает способность к рассуждению больших языковых моделей, но и играет важную роль в создании более умных и надежных агентов ИИ. Используя CoT, исследователи и разработчики могут создавать интеллектуальные системы, которые лучше адаптируются к сложным средам и обладают высокой степенью автономности. В практическом применении CoT показал свои уникальные преимущества, особенно при решении сложных задач. Разбивая задачи на ряд более мелких шагов, он не только повышает точность решения задач, но и повышает интерпретируемость и управляемость модели. Такой пошаговый подход к решению проблем может значительно сократить количество ошибок, вызванных чрезмерной или чрезмерно сложной информацией при решении сложных задач. В то же время этот метод также улучшает прослеживаемость и проверяемость всего решения.

Основная функция CoT заключается в интеграции планирования, действия и наблюдения, сокращая разрыв между рассуждениями и действиями. Эта модель мышления позволяет AI Агенту разрабатывать эффективные контрмеры при прогнозировании потенциальных аномалий и накапливать новую информацию во взаимодействии с внешней средой, подтверждая предварительно установленные прогнозы и предоставляя новые основания для рассуждений. CoT действует как мощный двигатель точности и стабильности, помогая AI Агенту поддерживать высокую эффективность в сложных средах.

4. Правильный вид псевдоспроса

Как именно должна интегрироваться Крипто в стеки технологий искусственного интеллекта? В прошлогодней статье я предложил, что децентрализация вычислительной мощности и данных является ключевым шагом в помощи малому бизнесу и индивидуальным разработчикам экономить затраты. В этом году, в подробном разбивке секторов Крипто x ИИ, составленной Coinbase, мы можем увидеть более конкретные подразделения:

(1) Вычислительный слой (ориентированный на предоставление ресурсов GPU для разработчиков искусственного интеллекта);

(2) Уровень данных (сосредоточенный на децентрализованном доступе, оркестрации и верификации конвейеров данных ИИ);

(3) Промежуточный слой (платформы или сети, поддерживающие разработку, развертывание и хостинг моделей или агентов искусственного интеллекта);

(4) Прикладной уровень (пользовательские продукты, использующие механизмы на цепи искусственного интеллекта, независимо от того, являются ли они B2B или B2C).

Каждый из этих четырех уровней имеет грандиозное видение, каждое из которых направлено на то, чтобы бросить вызов господству гигантов Кремниевой долины в следующую эру интернета. Как я уже говорил в прошлом году, действительно ли нам нужно признать, что гиганты Кремниевой долины контролируют исключительно вычислительные мощности и данные? Под их монополией большие модели с закрытым исходным кодом являются черными ящиками, и наука, как наиболее почитаемая система верований человечества сегодня, будет полагаться на ответы, данные этими большими моделями. Но как проверить эти истины? Согласно видению этих гигантов Кремниевой долины, полномочия, которыми обладают разумные агенты, могут превзойти наше воображение — например, иметь право совершать платежи из вашего кошелька или контролировать доступ к вашему терминалу. Как мы можем гарантировать, что не возникнет злого умысла?

Децентрализация является единственным ответом, но иногда нам нужно разумно подумать о том, сколько покупателей существует для этих грандиозных замыслов. В прошлом мы могли не обращать внимания на необходимость коммерческого цикла и использовать токены, чтобы заполнить пробелы, вызванные идеализмом. Однако нынешняя ситуация гораздо сложнее. Crypto x AI должен разрабатываться, исходя из практических обстоятельств. Например, как сбалансировать предложение на обоих концах вычислительного уровня в случае потери производительности и нестабильности, и при этом конкурировать с централизованными облачными провайдерами? Сколько реальных пользователей на самом деле будет в проектах уровня данных? Как мы можем проверить подлинность и достоверность предоставленных данных? Каким типам клиентов на самом деле нужны эти данные? Та же логика применима и к другим слоям. В нынешнюю эпоху нам не нужно так много, казалось бы, правильных псевдотребований.

5. Meme превратился в SocialFi

Как я упоминал в первом разделе, Meme быстро превратился в совместимую с Web3 форму SocialFi. Friend.tech был DApp, который первым начал эту волну социальных приложений, но, к сожалению, он потерпел неудачу из-за спешного дизайна токена. С другой стороны, Pump.fun продемонстрировал возможность чистой платформенной модели без токенов или правил. Потребности и поставщики внимания сходятся на этой платформе, где вы можете размещать мемы, транслировать в прямом эфире, создавать токены, комментировать, торговать, и все это бесплатно. Pump.fun только собирает плату за услуги. Эта модель по сути идентична экономике внимания текущих социальных медиа-платформ, таких как YouTube и Instagram, но с другой моделью дохода и более ориентированной на Web3 игрой.

С другой стороны, Кланкер от Base - это история успеха, благодаря интегрированной экосистеме, разработанной самой платформой. У Base есть свое собственное социальное DApp в качестве вспомогательного инструмента, создавая полный внутренний цикл. Meme Agent - это форма Meme Coin 2.0. Люди всегда гонятся за новинками, и сейчас Pump.fun находится в центре внимания. С точки зрения трендов, это только вопрос времени, когда забавные идеи силиконовых форм жизни заменят более грубые мемы углеродных форм жизни.

Я упоминал Base бесчисленное количество раз, каждый раз с разными аспектами, но ясно одно: Base никогда не была первопроходцем, но она всегда была победителем.

6. Кем еще может быть ИИ-агент?

С практической точки зрения агенты искусственного интеллекта вряд ли будут децентрализованы в обозримом будущем. В традиционной области искусственного интеллекта создание агента искусственного интеллекта не является проблемой, которую можно решить просто через децентрализацию или открытые процессы. Агенты искусственного интеллекта должны подключаться к различным API для доступа к контенту Web2, и их эксплуатационные расходы высоки. Для проектирования цепочки мыслей (CoT) и многих агентов часто все еще требуется посредничество человека. Мы пройдем через долгий переходный период, пока не найдем подходящую форму интеграции — возможно, что-то вроде UNI, но пока я все еще верю, что агенты искусственного интеллекта окажут значительное влияние на нашу отрасль, как и CEX существуют в нашем секторе — неверно, но крайне важно.

В прошлом месяце Стэнфорд и Microsoft опубликовали обзор искусственного интеллекта AI Agent, в котором описываются применение AI агентов в таких отраслях, как здравоохранение, умные машины и виртуальные миры. В приложении к этой статье уже есть множество экспериментальных случаев, в которых GPT-4V, как AI-агент, участвует в разработке AAA-игр высшего уровня.

Мы не должны спешить интегрировать искусственных интеллектных агентов с децентрализацией. Что я надеюсь, так это то, что первая часть головоломки, которую искусственные интеллектные агенты выполнят, - это их способности снизу вверх и скорость. Существует так много повествовательных руин и пустых метавселенных, которые нуждаются в заполнении, и когда придет подходящий момент, мы сможем рассмотреть, как превратить искусственных интеллектных агентов в следующий UNI.

О YBB

YBB - это веб3-фонд, посвященный выявлению проектов, определяющих веб3, с целью создания лучшей онлайн-среды для всех жителей интернета. Основанный группой блокчейн-верующих, активно участвующих в этой отрасли с 2013 года, YBB всегда готов помочь проектам на ранней стадии развития. Мы ценим инновации, самоотверженную страсть и ориентированные на пользователя продукты, признавая потенциал криптовалют и блокчейн-приложений.

Отказ от ответственности:

1. Эта статья воспроизводится из [Средний]. Авторские права принадлежат оригинальному автору [YBB]. Если есть возражения по поводу воспроизведения, пожалуйста, свяжитесь сgate Узнавать команду, кто оперативно решит вопрос в соответствии с соответствующими процедурами.
2. Отказ от ответственности: Взгляды и мнения, выраженные в этой статье, являются исключительно мнением автора и не являются инвестиционными советами.
3. Команда gate Learn перевела статью на другие языки. Копирование, распространение или плагиат переведенных статей запрещены, если не указано иное.