Vorstellung des HyperAGI-Teams und des Projekthintergrunds

HyperAGI ist das erste dezentrale KI-Projekt, das von der Community mit der KI-Rune HYPER· AGI· AGENT. Das HyperAGI-Team ist seit vielen Jahren tief im KI-Bereich tätig und hat umfangreiche Erfahrungen mit generativen Web3-KI-Anwendungen gesammelt. Vor drei Jahren nutzte das HyperAGI-Team generative KI, um 2D-Bilder und 3D-Modelle zu erstellen, und baute eine offene Welt namens MOSSAI auf der Blockchain auf, die aus Tausenden von KI-generierten Inseln besteht. Sie schlugen auch einen Standard für KI-generierte nicht-fungible kryptografische Assets, NFG, vor. Zu diesem Zeitpunkt waren jedoch noch keine dezentralen Lösungen für das Training und die Generierung von KI-Modellen entwickelt worden. Die GPU-Ressourcen der Plattform allein reichten nicht aus, um eine große Anzahl von Benutzern zu unterstützen, was ein explosives Wachstum verhinderte. Mit dem Aufkommen großer Sprachmodelle (LLMs), die das öffentliche Interesse an KI wecken, startete HyperAGI seine dezentrale KI-Anwendungsplattform und begann im 1. Quartal 2024 mit Tests auf Ethereum und Bitcoin L2.

HyperAGI konzentriert sich auf dezentrale KI-Anwendungen mit dem Ziel, eine autonome Kryptowährungswirtschaft zu kultivieren. Sein ultimatives Ziel ist die Einführung eines bedingungslosen Grundeinkommens für Agenten (UBAI). Es erbt die robuste Sicherheit und Dezentralisierung von Bitcoin, die durch einen innovativen Proof of Useful Work (PoUW)-Konsensmechanismus verbessert wird. GPU-Knoten der Verbraucherklasse können ohne Erlaubnis dem Netzwerk beitreten und lokale Token $HYPT schürfen, indem sie PoUW-Aufgaben wie KI-Inferenz und 3D-Rendering ausführen.

Benutzer können mit verschiedenen Tools Proof of Personhood (PoP) AGI-Agenten entwickeln, die von LLMs gesteuert werden. Diese Agenten können als Chatbots oder 3D/XR-Entitäten im Metaverse konfiguriert werden. KI-Entwickler können LLM-KI-Microservices sofort verwenden oder bereitstellen, was die Erstellung programmierbarer, autonomer On-Chain-Agenten erleichtert. Diese programmierbaren Agenten können Kryptowährungs-Assets ausgeben oder besitzen, kontinuierlich arbeiten oder handeln und so zu einer lebendigen, autonomen Krypto-Wirtschaft beitragen, die die Realisierung von UBAI unterstützt. Benutzer, die HYPER· AGI· AGENT-Runen-Token sind berechtigt, einen PoP-Agenten auf der Bitcoin-Layer-1-Chain zu erstellen und könnten sich bald für grundlegende Vorteile für ihre Agenten qualifizieren.

Was ist ein KI-Agent? Wie unterscheidet sich der Agent von HyperAGI von anderen?

Das Konzept eines KI-Agenten ist in der Wissenschaft nicht neu, aber der aktuelle Markthype hat den Begriff zunehmend verwirrend gemacht. Die Agenten von HyperAGI beziehen sich auf LLM-gesteuerte verkörperte Agenten, die in virtuellen 3D-Simulationsumgebungen trainieren und mit Benutzern interagieren können, nicht nur LLM-gesteuerte Chatbots. HyperAGI-Agenten können sowohl in virtuellen digitalen Welten als auch in der realen physischen Welt existieren. Derzeit lassen sich HyperAGI-Agenten in physische Roboter wie Roboterhunde, Drohnen und humanoide Roboter integrieren. In Zukunft werden diese Agenten in der Lage sein, erweitertes Training aus der virtuellen 3D-Welt auf physische Roboter herunterzuladen, um eine bessere Aufgabenausführung zu ermöglichen.

Darüber hinaus sind HyperAGI-Agenten vollständig im Besitz der Nutzer und haben eine sozioökonomische Bedeutung. PoP-Agenten, die Benutzer vertreten, können UBAI erhalten, um das Grundeinkommen der Agenten anzupassen. HyperAGI-Agenten werden in PoP-Agenten (Proof of Personhood) unterteilt, die einzelne Benutzer repräsentieren, und gewöhnliche funktionale Agenten. In der Agentenwirtschaft von HyperAGI können PoP-Agenten ein Grundeinkommen in Form von Token erhalten, was die Benutzer dazu anregt, sich an der Schulung und Interaktion ihrer PoP-Agenten zu beteiligen. Dies hilft, Daten zu sammeln, die die menschliche Individualität beweisen, und UBAI verkörpert KI-Gleichheit und Demokratie.

Ist AGI ein Hype oder wird es bald Realität? Was sind die Unterschiede und Merkmale des Forschungs- und Entwicklungspfads von HyperAGI im Vergleich zu anderen KI-Projekten?

Obwohl die Definition von Artificial General Intelligence (AGI) noch nicht vereinheitlicht ist, gilt sie seit Jahrzehnten als der heilige Gral der KI-Wissenschaft und -Industrie. Während auf Transformers basierende Large Language Models (LLMs) zum Kern verschiedener KI-Agenten und AGI werden, teilt HyperAGI diese Ansicht nicht ganz. LLMs bieten in der Tat neuartige und bequeme Informationsextraktion sowie Planungs- und Argumentationsfunktionen auf der Grundlage natürlicher Sprache. Im Grunde handelt es sich jedoch um datengetriebene tiefe neuronale Netze. Vor Jahren, während des Big-Data-Booms, haben wir verstanden, dass solche Systeme von Natur aus unter GIGO (Garbage in, garbage out) leiden. LLMs fehlen einige wesentliche Merkmale fortschrittlicher Intelligenz, wie z. B. Verkörperung, was es für diese KI oder Agenten schwierig macht, die Weltmodelle menschlicher Benutzer zu verstehen oder Pläne zu formulieren und Maßnahmen zur Lösung realer Probleme zu ergreifen. Darüber hinaus weisen LLMs keine höheren kognitiven Aktivitäten wie Selbstbewusstsein, Reflexion oder Introspektion auf.

Unser Gründer, Landon Wang, verfügt über umfangreiche und langjährige Forschungserfahrung im KI-Bereich. Im Jahr 2004 schlug er Aspect-Oriented AI (AOAI) vor, eine Innovation, die neuronal inspiriertes Computing mit aspektorientierter Programmierung (AOP) kombiniert. Ein Aspekt bezieht sich auf eine Kapselung mehrerer Beziehungen oder Einschränkungen zwischen Objekten. Ein Neuron ist beispielsweise eine Kapselung von Beziehungen oder Einschränkungen mit mehreren anderen Zellen. Insbesondere interagiert ein Neuron mit sensorischen oder motorischen Zellen über Fasern und Synapsen, die sich vom Neuronenkörper erstrecken, wodurch jedes Neuron zu einem Aspekt wird, der solche Beziehungen und Logik enthält. Jeder KI-Agent kann als Lösung eines bestimmten Aspekts eines Problems angesehen werden, und technisch kann er als Aspekt modelliert werden.

Bei der Softwareimplementierung künstlicher neuronaler Netze werden Neuronen oder Schichten in der Regel als Objekte modelliert, was in objektorientierten Programmiersprachen verständlich und wartbar ist. Dies macht es jedoch schwierig, die Topologie des neuronalen Netzes anzupassen, und die Aktivierungssequenzen der Neuronen sind relativ starr. Dies zeigt zwar eine große Leistungsfähigkeit bei der Durchführung einfacher hochintensiver Berechnungen, wie z. B. beim LLM-Training und bei der Inferenz, aber es schneidet in Bezug auf Flexibilität und Anpassungsfähigkeit schlecht ab. Auf der anderen Seite werden in AOAI Neuronen oder Schichten als Aspekte und nicht als Objekte modelliert. Diese Architektur neuronaler Netze besitzt eine starke Anpassungsfähigkeit und Flexibilität, die die Selbstevolution neuronaler Netze ermöglicht.

HyperAGI kombiniert effiziente LLMs mit dem evolvierbaren AOAI und bildet einen Pfad, der die Effizienz traditioneller künstlicher neuronaler Netze mit den Selbstevolutionsmerkmalen neuronaler AO-Netze integriert. Dies wird bis heute als praktikabler Ansatz zur Erreichung von AGI angesehen.

Was ist die Vision von HyperAGI?

Die Vision von HyperAGI ist es, ein bedingungsloses Grundeinkommen zu erreichen, eine Zukunft aufzubauen, in der Technologie allen gerecht dient, den Kreislauf der Ausbeutung zu durchbrechen und eine wirklich dezentralisierte und faire digitale Gesellschaft zu schaffen. Im Gegensatz zu anderen Blockchain-Projekten, die nur behaupten, sich dem BGE verschrieben zu haben, hat UBAI von HyperAGI einen klaren Implementierungspfad durch die Agentenökonomie, anstatt ein unerreichbares Ideal zu sein.

Satoshi Nakamotos Einführung von Bitcoin war eine monumentale Innovation für die Menschheit, aber es ist lediglich eine dezentralisierte digitale Währung ohne praktischen Nutzen. Die bedeutenden Fortschritte und der Aufstieg der künstlichen Intelligenz haben es ermöglicht, durch ein dezentrales Modell Werte zu schaffen. In diesem Modell profitieren die Menschen von KI, die auf Maschinen läuft, und nicht vom Wert anderer. Es entsteht eine echte kryptografische Welt, die auf Code basiert, in der alle Maschinen zum Wohle und Wohlergehen der Menschheit geschaffen werden.

In einer solchen kryptografischen Welt mag es immer noch Hierarchien unter den KI-Agenten geben, aber die menschliche Ausbeutung wird eliminiert, weil die Agenten selbst eine Form von Autonomie besitzen könnten. Der ultimative Zweck und die Bedeutung der künstlichen Intelligenz besteht darin, der Menschheit zu dienen, wie sie auf der Blockchain kodiert ist.

Die Beziehung zwischen Bitcoin L2 und KI und warum KI auf Bitcoin L2 aufbauen

1. Bitcoin L2 als Zahlungsmethode für KI-Agenten

   Bitcoin ist derzeit das Medium, das "maximale Neutralität" verkörpert, was es für Agenten der künstlichen Intelligenz, die an Werttransaktionen beteiligt sind, sehr gut geeignet macht. Bitcoin beseitigt die Ineffizienzen und "Reibungen", die Fiat-Währungen innewohnen. Als "digital natives" Medium bietet Bitcoin eine natürliche Grundlage für KI, um Wertaustausch durchzuführen. Bitcoin L2 verbessert die programmierbaren Fähigkeiten von Bitcoin, erfüllt die Geschwindigkeitsanforderungen, die für den KI-Wertaustausch erforderlich sind, und positioniert Bitcoin so als native Währung für KI.

2. Dezentrale KI-Governance auf Bitcoin L2

   Der aktuelle Trend zur Zentralisierung in der KI hat die dezentrale Ausrichtung und Governance der KI in den Fokus gerückt. Die leistungsstärkeren Smart Contracts von Bitcoin L2 können als Regeln dienen, die das Verhalten von KI-Agenten und Protokollmodellen regulieren und ein dezentrales KI-Ausrichtungs- und Governance-Modell erreichen. Darüber hinaus erleichtert die Eigenschaft von Bitcoin der maximalen Neutralität den Konsens über die Ausrichtung und Governance von KI.

3. Ausgabe von KI-Assets auf Bitcoin L2

   Neben der Ausgabe von KI-Agenten als Assets auf Bitcoin L1 kann die hohe Leistung von Bitcoin L2 die Bedürfnisse von KI-Agenten erfüllen, die KI-Assets ausgeben, die die Grundlage der Agentenwirtschaft bilden werden.

4. KI-Agenten als Killer-Anwendung für Bitcoin und Bitcoin L2

   Aufgrund von Leistungsproblemen hatte Bitcoin seit seiner Einführung keine praktische Anwendung, die über die Rolle als Wertaufbewahrungsmittel hinausgeht. Bitcoin, der in L2 eintritt, erhält eine leistungsfähigere Programmierbarkeit. KI-Agenten werden im Allgemeinen zur Lösung realer Probleme eingesetzt, sodass Bitcoin-gesteuerte KI-Agenten wirklich eingesetzt werden können. Das Ausmaß und die Häufigkeit des Einsatzes von KI-Agenten könnten zu einer Killeranwendung für Bitcoin und L2 werden. Während die menschliche Wirtschaft Bitcoin als Zahlungsmethode möglicherweise nicht priorisiert, könnte die Roboterwirtschaft dies tun. Eine große Anzahl von KI-Agenten, die 24/7 arbeiten, können Bitcoin unermüdlich verwenden, um Mikrozahlungen zu tätigen und zu empfangen. Die Nachfrage nach Bitcoin könnte auf eine Art und Weise deutlich steigen, die derzeit unvorstellbar ist.

5. KI-Computing zur Verbesserung der Bitcoin L2-Sicherheit

   KI-Computing kann den Proof of Work (PoW) von Bitcoin ergänzen und sogar PoW durch Proof of Useful Work (PoUW) ersetzen, was revolutionär für Sicherheit sorgt und gleichzeitig die Energie, die derzeit für das Bitcoin-Mining verwendet wird, in KI-Agenten einspeist. KI kann L2 nutzen, um Bitcoin in eine intelligente, grüne Blockchain zu verwandeln, im Gegensatz zum PoS-Mechanismus von Ethereum. Unser vorgeschlagener Hypergraph-Konsens, der auf dem PoUW von 3D/KI-Computing basiert, wird später vorgestellt.

Was macht HyperAGI im Vergleich zu anderen dezentralen KI-Projekten einzigartig?

HyperAGI zeichnet sich im Bereich der Web3-KI durch seine ausgeprägte Vision, Lösungen und Technologie aus. Der Ansatz von HyperAGI umfasst den Konsens von GPU-Rechenleistung, Verkörperung von KI und Assetisierung, was es zu einer dezentralen hybriden KI-Finanzanwendung macht. Kürzlich schlug die Wissenschaft fünf Eigenschaften vor, die dezentrale KI-Plattformen aufweisen sollten, und wir haben bestehende dezentrale KI-Projekte kurz nach diesen fünf Merkmalen überprüft und verglichen. Fünf Merkmale dezentraler KI-Plattformen:

1. Überprüfbarkeit von remote ausgeführten KI-Modellen
   • Die dezentrale Verifizierbarkeit umfasst Technologien wie Data Availability und Zero-Knowledge (ZK) Proofs.
2. Usability von öffentlich zugänglichen KI-Modellen
   • Die Benutzerfreundlichkeit hängt davon ab, ob die API-Knoten des KI-Modells (hauptsächlich LLM) Peer-to-Peer sind und ob das Netzwerk vollständig dezentralisiert ist.
3. Anreize für KI-Entwickler und -Nutzer
   • Mechanismen zur Generierung fairer Token sind entscheidend für die Anreize.
4. Global Governance wesentlicher Lösungen in der digitalen Gesellschaft
   • KI-Governance sollte neutral und konsensorientiert sein.
5. Keine Vendor Lock-ins
   • Die Plattform sollte vollständig dezentralisiert sein.

Vergleich bestehender dezentraler KI-Projekte anhand dieser Merkmale:

1. Überprüfbarkeit von remote ausgeführten KI-Modellen
   • Gizeh: Basierend auf dem ZKML-Konsensmechanismus erfüllt Giza die Anforderungen an die Überprüfbarkeit, leidet aber derzeit unter Leistungsproblemen, insbesondere bei großen Modellen.
   • Cortex AI: Ein dezentrales KI-L1-Projekt, das vor fünf Jahren gestartet wurde und neue Anweisungen in die EVM integriert, um neuronale Netzwerkberechnungen zu unterstützen, aber nicht die Anforderungen großer LLM-Modelle erfüllen kann.
   • Ofelimos: Der erste Vorschlag von PoUW in der kryptographischen Community, der jedoch nicht mit bestimmten Anwendungen oder Projekten verknüpft ist.
   • Projekt PAI: Erwähnt PoUW in einem Whitepaper, aber es fehlt ein Produkt.
   • Qubic: Schlägt vor, PoUW mit mehreren GPUs für die Berechnung künstlicher neuronaler Netze zu verwenden, aber seine praktische Anwendung bleibt unklar.
   • FLUX: Verwendet PoW ZelHash, nicht PoUW.
   • Coinai: In der Research-Phase fehlt ein strikter Konsensmechanismus.
2. Zu den Projekten, die das Kriterium der Überprüfbarkeit nicht erfüllen, gehören:
   • GPU-Computing-Leasing-Projekte: Es fehlen dezentrale Überprüfbarkeitsmechanismen wie DeepBrain Chain, EMC, Atheir, IO.NET, CLORE. KI und andere.
   • DeepBrain Chain: Konzentriert sich auf GPU-Leasing und startete sein Mainnet im Jahr 2021.
   • EMC: Zentralisierte Aufgabenzuweisung und Belohnungen, es fehlt ein dezentraler Konsens.
   • Atheir und IO.NET: Keine Konsensmechanismen beobachtet.
   • CLORE. KI: Nutzt Crowdsourcing, On-Chain-Zahlung für KI-Modellveröffentlichungen und NFT-Ausgabe, aber es fehlt an Überprüfbarkeit. Ähnliche Projekte sind SingularityNET, Bittensor, AINN, Fetch.ai, Ocean Protocol und Algovera.ai.
3. Usability von öffentlich zugänglichen KI-Modellen
   • Cortex AI und Qubic: Keine Unterstützung für LLM beobachtet.

Keines der bestehenden dezentralen KI-Projekte befasst sich vollständig mit diesen fünf Problemen. HyperAGI ist jedoch ein vollständig dezentralisiertes KI-Protokoll, das auf dem Hypergraph PoUW-Konsensmechanismus und dem vollständig dezentralisierten Bitcoin L2-Stack basiert und in Zukunft auf ein Bitcoin-KI-spezifisches L2 aufgerüstet werden soll.

Die einzigartigen Funktionen von HyperAGI:

• Hypergraph PoUW Consensus Mechanism: Gewährleistet die Netzwerksicherheit auf die effizienteste Weise und nutzt die gesamte Rechenleistung, die von Minern für LLM-Inferenz- und Cloud-Rendering-Dienste bereitgestellt wird.
• Vollständig dezentralisierte Plattform: Basierend auf Bitcoin L2 Stack, der sicherstellt, dass die Plattform frei von Vendor Lock-Ins ist und einen einfachen Konsens über die KI-Governance ermöglicht.
• Überprüfbarkeit und Benutzerfreundlichkeit: Die PoUW-Vision stellt sicher, dass Rechenleistung zur Lösung verschiedener Probleme verwendet werden kann, die an das dezentrale Netzwerk übermittelt werden, wobei die Überprüfbarkeit von remote ausgeführten KI-Modellen angegangen und öffentlich zugängliche KI-Modelle nutzbar gemacht werden.

HyperAGI erfüllt nicht nur die erforderlichen Eigenschaften für eine dezentrale KI-Plattform, sondern bringt das Feld auch mit seiner einzigartigen Integration von GPU-Rechenleistung und KI-Assetisierung in einem dezentralen Rahmen voran.

Warum jetzt?

1. Die Explosion von LLMs und ihre Anwendungen

ChatGPT von OpenAI erreichte in nur drei Monaten 100 Millionen Nutzer und löste damit einen weltweiten Anstieg der Entwicklung, Anwendung und Investition in große Sprachmodelle (LLMs) aus. Bisher waren die Technologie und die Ausbildung von LLMs jedoch stark zentralisiert. Diese Zentralisierung hat in Wissenschaft, Industrie und Öffentlichkeit erhebliche Bedenken hinsichtlich der Monopolisierung der KI-Technologie durch einige wenige wichtige Anbieter, Datenschutzverletzungen, Übergriffe und Anbieterbindung durch Cloud-Computing-Unternehmen hervorgerufen. Diese Probleme ergeben sich im Wesentlichen aus der Kontrolle des Internets und der Anwendungsgateways durch zentralisierte Plattformen, die für groß angelegte KI-Anwendungen nicht geeignet sind. Die KI-Community hat damit begonnen, einige lokal betriebene und dezentrale KI-Projekte umzusetzen. Zum Beispiel steht Ollama für lokale Ausführung und Blütenblätter für Dezentralisierung. Ollama verwendet Parameterkomprimierung oder Methoden mit reduzierter Präzision, um die Ausführung kleiner bis mittlerer LLMs auf PCs oder sogar Mobiltelefonen zu ermöglichen und so den Datenschutz und andere Rechte der Benutzer zu schützen. Dieser Ansatz ist jedoch offensichtlich schwierig, um Produktionsumgebungen und vernetzte Anwendungen zu unterstützen. Petals hingegen erreicht durch die Peer2Peer-Technologie von Bittorrent eine vollständig dezentralisierte LLM-Inferenz. Dennoch fehlt es Petals an Konsens- und Anreizschichtprotokollen und es ist immer noch auf einen kleinen Kreis von Forschern beschränkt.

2. LLM-gesteuerte intelligente Agenten

Mit der Unterstützung von LLMs können intelligente Agenten übergeordnete Schlussfolgerungen führen und über bestimmte Planungsfähigkeiten verfügen. Durch die Verwendung natürlicher Sprache können mehrere intelligente Agenten ähnlich wie Menschen soziale Kooperationen bilden. Es wurden mehrere LLM-gesteuerte intelligente Agenten-Frameworks vorgeschlagen, wie z. B. AutoGen, Langchain und CrewAI von Microsoft. Derzeit konzentriert sich eine große Anzahl von KI-Unternehmern und -Entwicklern auf die Richtung von LLM-gesteuerten intelligenten Agenten und ihren Anwendungen. Es besteht eine hohe Nachfrage nach stabiler, skalierbarer LLM-Inferenz, die jedoch hauptsächlich durch die Anmietung von GPU-Inferenzinstanzen von Cloud-Computing-Unternehmen erreicht wird. Im März 2024 veröffentlichte Nvidia ai.nvidia.com, eine generative KI-Microservice-Plattform, die LLMs umfasst, um diese enorme Nachfrage zu befriedigen, obwohl sie noch nicht offiziell gestartet ist. LLM-gesteuerte intelligente Agenten boomen, ähnlich wie einst die Website-Entwicklung. Die Zusammenarbeit erfolgt jedoch immer noch hauptsächlich im traditionellen Web2-Modus, bei dem Entwickler intelligenter Agenten GPUs leasen oder APIs von LLM-Anbietern beschaffen müssen, um den Betrieb dieser Agenten zu unterstützen. Dies führt zu erheblichen Reibungsverlusten und behindert das schnelle Wachstum des intelligenten Agenten-Ökosystems und die Wertübertragung innerhalb der intelligenten Agentenwirtschaft.

3. Simulationsumgebungen für verkörperte Agenten

Derzeit können die meisten Agenten nur über Code oder Skripte auf bestimmte APIs zugreifen und diese bedienen oder mit diesen APIs interagieren, von LLMs generierte Steuerbefehle schreiben oder externe Zustände lesen. Allgemeine intelligente Agenten sollten nicht nur natürliche Sprache verstehen und generieren, sondern auch die menschliche Welt verstehen. Nach entsprechender Schulung sollten sie in der Lage sein, auf Robotersysteme (wie Drohnen, Staubsauger, humanoide Roboter usw.) umzusteigen, um bestimmte Aufgaben zu erledigen. Diese Wirkstoffe werden als verkörperte Wirkstoffe bezeichnet. Das Training verkörperter Agenten erfordert eine große Menge an visuellen Daten aus der realen Welt, um ihnen zu helfen, bestimmte Umgebungen und die reale Welt besser zu verstehen, die Trainings- und Entwicklungszeit für Roboter zu verkürzen, die Trainingseffizienz zu verbessern und die Kosten zu senken. Derzeit werden die Simulationsumgebungen für das Training der verkörperten Intelligenz von einigen wenigen Unternehmen entwickelt und sind im Besitz einiger Unternehmen, wie z. B. Microsofts Minecraft und Nvidias Isaac Gym. Es gibt keine dezentralen Umgebungen, um den Trainingsbedarf der verkörperten Intelligenz zu decken. In letzter Zeit haben einige Spiele-Engines begonnen, sich auf künstliche Intelligenz zu konzentrieren, wie z. B. die Unreal Engine von Epic, die KI-Trainingsumgebungen fördert, die OpenAI GYM entsprechen.

4. Bitcoin L2-Ökosystem

Obwohl es Bitcoin-Sidechains schon seit Jahren gibt, wurden sie hauptsächlich für Zahlungen verwendet, und die fehlende Unterstützung für Smart Contracts behinderte komplexe On-Chain-Anwendungen. Das Aufkommen von EVM-kompatiblen Bitcoin L2s ermöglicht es Bitcoin, dezentrale KI-Anwendungen über L2 zu unterstützen. Dezentrale KI erfordert ein vollständig dezentrales, rechendominantes Blockchain-Netzwerk anstelle von zunehmend zentralisierten PoS-Blockchain-Netzwerken. Die Einführung neuer Protokolle für native Bitcoin-Assets, wie Inschriften und Ordinalzahlen, ermöglicht die Einrichtung von Ökosystemen und Anwendungen, die auf Bitcoin basieren. Zum Beispiel wurde die Fair-Launch-Prägung von HYPER•AGI•AGENT innerhalb einer Stunde abgeschlossen, und in Zukunft wird HyperAGI mehr KI-Assets und Community-gesteuerte Anwendungen auf Bitcoin herausgeben.

Technischer Rahmen und Lösungen von HyperAGI

1.Wie realisiert man eine dezentrale LLM-gesteuerte KI-Anwendungsplattform für intelligente Agenten?

Die größte Herausforderung bei der dezentralen KI besteht heute darin, Remote-Inferenz für große KI-Modelle und das Training und die Inferenz von verkörperten intelligenten Agenten unter Verwendung von hochleistungsfähigen, überprüfbaren Algorithmen mit geringem Overhead zu ermöglichen. Ohne Überprüfbarkeit würde das System zu einem traditionellen Mehrparteien-Marktmodell mit Lieferanten, Nachfragern und Plattformbetreibern zurückkehren, anstatt eine vollständig dezentralisierte KI-Anwendungsplattform zu erreichen.

Überprüfbare KI-Berechnungen erfordern den PoUW-Konsensalgorithmus (Proof of Useful Work). Dies dient als Grundlage für dezentrale Anreizmechanismen. Insbesondere innerhalb von Netzwerkanreizen wird die Prägung von Token von Knoten durchgeführt, die Rechenaufgaben erledigen und überprüfbare Ergebnisse übermitteln, anstatt dass eine zentralisierte Instanz Token an die Knoten überträgt.

Um eine überprüfbare KI-Berechnung zu erreichen, müssen wir zunächst die KI-Berechnung selbst definieren. Die KI-Berechnung umfasst viele Ebenen, von Low-Level-Maschinenanweisungen und CUDA-Anweisungen bis hin zu höheren Sprachen wie C++ und Python. In ähnlicher Weise gibt es beim Training von verkörperten intelligenten Agenten auch 3D-Berechnungen auf verschiedenen Ebenen, einschließlich Shader-Sprachen, OpenGL, C++ und Blaupausenskripten.

Der PoUW-Konsensalgorithmus von HyperAGI wird mithilfe von Berechnungsgraphen implementiert. Ein Berechnungsgraph ist definiert als ein gerichteter Graph, bei dem Knoten mathematischen Operationen entsprechen. Es ist eine Möglichkeit, mathematische Ausdrücke auszudrücken und auszuwerten, im Wesentlichen eine "Sprache", die Gleichungen beschreibt und Knoten (Variablen) und Kanten (Operationen oder einfache Funktionen) enthält.

Überprüfbare KI-Berechnungsimplementierung:

1.1 Verwenden von Berechnungsdiagrammen zum Definieren überprüfbarer Berechnungen

Jede Berechnung (z. B. 3D- und KI-Berechnungen) kann mithilfe von Berechnungsdiagrammen definiert werden. Verschiedene Berechnungsebenen können mit Subgraphen dargestellt werden. Dieser Ansatz umfasst verschiedene Arten von Berechnungen und drückt unterschiedliche Berechnungsebenen durch Subgraphen aus. Derzeit umfasst es zwei Schichten: Der Rechengraph der obersten Ebene wird auf der Kette bereitgestellt, um die Überprüfung durch Knoten zu erleichtern.

1.2 Dezentrales Laden und Ausführen von LLM-Modellen und 3D-Szenen

LLM-Modelle und 3D-Szenenebenen werden vollständig dezentral geladen und ausgeführt. Wenn ein Benutzer auf ein LLM-Modell zur Inferenz zugreift oder eine 3D-Szene zum Rendern betritt, initiiert ein intelligenter HyperAGI-Agent einen anderen vertrauenswürdigen Knoten, um denselben Hypergraphen (LLM- oder 3D-Szene) auszuführen.

1.3 Überprüfung der Berechnungsergebnisse

Wenn ein Verifizierungsknoten feststellt, dass ein von einem Knoten übermitteltes Ergebnis nicht mit dem von einem vertrauenswürdigen Knoten übermittelten Ergebnis übereinstimmt, führt er eine binäre Suche in den Off-Chain-Berechnungsergebnissen des Berechnungsgraphen der zweiten Schicht (Subgraph) durch, um den divergenten Berechnungsknoten (Operator) innerhalb des Subgraphen zu finden. Die Subgraph-Operatoren sind für Smart Contracts vorinstalliert. Durch die Übergabe der Parameter des inkonsistenten Operators an den Smart Contract und die Ausführung des Operators können die Ergebnisse überprüft werden.

2. Wie vermeidet man übermäßigen Rechenaufwand?

Eine große Herausforderung bei der überprüfbaren KI-Berechnung ist die Verwaltung des zusätzlichen Rechenaufwands. In byzantinischen Konsensprotokollen müssen 2/3 der Knoten zustimmen, einen Konsens zu bilden. Für den KI-Inferenzkonsens bedeutet dies, dass alle Knoten die gleiche Berechnung durchführen müssten, was eine inakzeptable Verschwendung bei der KI-Berechnung ist. HyperAGI benötigt jedoch nur 1 bis (m) Knoten, um zusätzliche Berechnungen für die Validierung durchzuführen.

2.1 Begleitberechnung für LLM-Inferenz

Jede LLM-Inferenz wird nicht unabhängig ausgeführt. Der intelligente HyperAGI-Agent initiiert mindestens einen vertrauenswürdigen Knoten für die "Begleitberechnung". Da die LLM-Inferenz von tiefen neuronalen Netzen durchgeführt wird, bei denen die Berechnungsergebnisse jeder Schicht als Eingabe für die nächste Schicht verwendet werden, bis die Inferenz abgeschlossen ist, können mehrere Benutzer gleichzeitig auf dasselbe große LLM-Modell zugreifen. Daher muss höchstens eine zusätzliche Anzahl vertrauenswürdiger Knoten initiiert werden, die der Anzahl der LLMs (m) entspricht. Mindestens ein vertrauenswürdiger Knoten ist für die "Begleitberechnung" erforderlich.

2.2 Berechnung des 3D-Szenen-Renderings

Das 3D-Szenen-Rendering folgt einem ähnlichen Prinzip. Wenn ein Benutzer eine Szene betritt und den Hypergraphen aktiviert, lädt der intelligente HyperAGI-Agent einen vertrauenswürdigen Knoten basierend auf dem Hypergraphen, um die entsprechende Hypergraphenberechnung durchzuführen. Wenn (m) Benutzer verschiedene 3D-Szenen eingeben, müssen höchstens (m) vertrauenswürdige Knoten für die "Companion-Berechnung" initiiert werden.

Zusammenfassend lässt sich sagen, dass die Anzahl der Knoten, die an zusätzlichen Berechnungen teilnehmen, zwischen 1 und (n + m) liegt (wobei (n) die Anzahl der Benutzer ist, die 3D-Szenen betreten, und (m) die Anzahl der LLMs). Diese Verteilung folgt einer Gaußschen Verteilung, wodurch Ressourcenverschwendung effektiv vermieden und gleichzeitig die Effizienz der Netzwerkverifizierung sichergestellt wird.

Wie KI in Web3 integriert wird, um Semi-KI- und Semi-Finanzanwendungen zu bilden

KI-Entwickler können intelligente Agenten als Smart Contracts einsetzen, wobei Verträge Hypergraph-On-Chain-Daten der obersten Ebene enthalten. Benutzer oder andere intelligente Agenten können Methoden dieser intelligenten Agentenverträge aufrufen und die entsprechenden Token bezahlen. Der intelligente Agent, der den Dienst bereitstellt, muss die entsprechende Berechnung durchführen und überprüfbare Ergebnisse vorlegen. Dieses Setup gewährleistet dezentrale Geschäftsinteraktionen zwischen Benutzern oder anderen intelligenten Agenten und dem intelligenten Agenten.

Der intelligente Agent macht sich keine Sorgen, dass er nach Abschluss einer Aufgabe keine Token erhält, und der Zahler muss sich keine Gedanken über die Zahlung von Token machen, ohne die richtigen Geschäftsberechnungsergebnisse zu erhalten. Die Leistungsfähigkeit und der Wert der Dienstleistung des intelligenten Agenten werden durch den Sekundärmarktpreis und den Marktwert der Vermögenswerte des intelligenten Agenten (einschließlich ERC-20-, ERC-721- oder ERC-1155-NFTs) bestimmt.

Jenseits von Semi-KI- und Semi-Finanzanwendungen

Die Anwendung von HyperAGI ist nicht auf Semi-KI- und Semi-Finanzanwendungen beschränkt. Es zielt darauf ab, UBAI (Universal Basic AI) zu verwirklichen, eine Zukunft zu schaffen, in der Technologie allen gleichermaßen dient, Ausbeutungskreisläufe zu durchbrechen und eine wirklich dezentralisierte und faire digitale Gesellschaft zu schaffen.

Aussage:

1. Dieser Artikel wurde von [techflow deep tide] reproduziert, der Originaltitel lautet "HyperAGI-Interview: Aufbau eines echten KI-Agenten und Schaffung einer autonomen Kryptowährungswirtschaft", das Urheberrecht liegt beim ursprünglichen Autor [Fünftens], wenn Sie Einwände gegen den Nachdruck haben, wenden Sie sich bitte an das Gate Learn-Team, das Team wird es so schnell wie möglich gemäß den entsprechenden Verfahren behandeln.

2. Haftungsausschluss: Die in diesem Artikel geäußerten Ansichten und Meinungen stellen nur die persönlichen Ansichten des Autors dar und stellen keine Anlageberatung dar.

3. Andere Sprachversionen des Artikels werden vom Gate Learn-Team übersetzt, nicht in Gate.io erwähnt, der übersetzte Artikel darf nicht vervielfältigt, verbreitet oder plagiiert werden.