Três principais direções estratégicas da fusão entre IA e encriptação

Atualmente, a combinação de IA e encriptação está entrando em uma fase de rápido desenvolvimento. Este artigo detalha as três principais direções de desenvolvimento da fusão IA + encriptação.

1. Construir uma economia impulsionada por agentes inteligentes ativos

Os agentes inteligentes a operar na cadeia têm-se mostrado viáveis. Os experimentos nesta área estão constantemente a ultrapassar os limites das operações de agentes na cadeia, com um potencial enorme e um vasto espaço de design. Atualmente, esta tornou-se uma das direções mais revolucionárias nos campos da encriptação e da IA, e isto é apenas o começo.

No futuro, agentes inteligentes podem gerenciar projetos complexos que exigem coordenação econômica entre várias partes. Por exemplo, no campo da pesquisa científica, os agentes podem ser responsáveis por encontrar compostos terapêuticos para doenças específicas:

• Realizar captação de tokens através de plataformas relacionadas
• Utilizar os fundos angariados para pagar as despesas de acesso a dados de pesquisa e os custos de computação da rede de computação descentralizada
• Recrutar humanos para realizar trabalhos de validação de experimentos através da plataforma de recompensas

Além de projetos complexos, os agentes também podem executar tarefas simples, como criar sites pessoais e produzir obras de arte, com cenários de aplicação com possibilidades infinitas.

A utilização de sistemas de encriptação de moeda digital tem vantagens únicas:

• Aplicações de pagamentos de baixo valor
• Vantagem de velocidade: a funcionalidade de liquidação instantânea ajuda os agentes a alcançar a máxima eficiência de capital
• Acesso ao mercado de capitais através de DeFi: os agentes podem cunhar ativos, negociar, investir, realizar gestão financeira, emprestar e utilizar alavancagem de forma integrada.

A indústria espera ver agentes equipados com carteiras encriptação realizando experimentos inovadores na cadeia. Especial atenção a direções como as seguintes:

1. Mecanismo de controle de risco
2. Promover cenários de uso não especulativos
3. Requisitos de progresso do desenvolvimento: atingir pelo menos a fase de protótipo da rede de teste, de preferência já em funcionamento na rede principal.

2. Aumentar a capacidade do LLM no desenvolvimento de código

Os grandes modelos de linguagem têm mostrado um desempenho excelente na escrita de código, e no futuro, isso será ainda mais aprimorado. Com essas capacidades, a eficiência dos desenvolvedores pode ser aumentada em 2 a 10 vezes. Recentemente, a criação de benchmarks de alta qualidade para avaliar a capacidade dos LLMs de entender e escrever código ajudará a compreender o impacto potencial dos LLMs no ecossistema.

No entanto, atualmente existem vários desafios que impedem que os LLMs atinjam um nível de excelência em compreensão:

• Falta de dados de treinamento originais de alta qualidade
• O número de construções de validação é insuficiente
• Falta de interações de alto valor informativo em algumas plataformas.
• O desenvolvimento da infraestrutura está a avançar rapidamente, e o código antigo pode não ser adequado para as necessidades atuais.
• Falta de métodos para entender o grau de compreensão dos modelos de avaliação

A indústria espera ver:

• Ajudar a obter dados relevantes melhores
• Mais equipes publicam construções de validação
• Mais pessoas no ecossistema estão ativamente a fazer boas perguntas e a fornecer respostas de alta qualidade nas plataformas relevantes.
• Criar testes de referência de alta qualidade para avaliar o nível de compreensão dos LLMs
• Criar um modelo de ajuste fino LLM que se destaque em testes de benchmark

A conquista final será: um novo cliente de nó de validação, totalmente criado por IA, de alta qualidade e diferenciado.

3. Apoiar uma pilha de tecnologia AI aberta e descentralizada

"Stack de tecnologia de IA aberto e descentralizado" inclui os seguintes elementos-chave:

• Obtenção de dados de treino
• Capacidade de cálculo para treino e inferência
• Partilha de pesos do modelo
• Capacidade de validação de saída do modelo

A importância deste stack tecnológico de AI aberto reflete-se em:

• Acelerar a inovação e a experimentação no desenvolvimento de modelos
• Fornecer uma alternativa para os usuários que não confiam em IA centralizada

Atualmente, já existem vários projetos na ecologia que suportam a pilha de tecnologia de IA aberta:

• Coleta de dados
• Poder de cálculo descentralizado
• Estrutura de treino descentralizada

A indústria espera construir mais produtos em todos os níveis da pilha de tecnologia de IA open source:

• Coleta de dados descentralizada
• Identidade na cadeia: protocolo que suporta a verificação da identidade humana por carteiras, protocolo que valida as respostas da API de IA.
• Treinamento descentralizado
• Infraestrutura IP: permitir que a IA licencie (e pague) pelo conteúdo que utiliza.