Presentación del equipo de HyperAGI y los antecedentes del proyecto

HyperAGI es el primer proyecto de IA descentralizado impulsado por la comunidad con la runa de IA HYPER· AGI· AGENTE. El equipo de HyperAGI ha estado profundamente involucrado en el campo de la IA durante muchos años, acumulando una experiencia significativa en aplicaciones de IA generativa Web3. Hace tres años, el equipo de HyperAGI utilizó IA generativa para crear imágenes 2D y modelos 3D, construyendo un mundo abierto llamado MOSSAI en la cadena de bloques, compuesto por miles de islas generadas por IA. También propusieron un estándar para los activos criptográficos no fungibles generados por IA, NFG. Sin embargo, en ese momento, aún no se habían desarrollado soluciones descentralizadas para el entrenamiento y la generación de modelos de IA. Los recursos de GPU de la plataforma por sí solos eran insuficientes para soportar un gran número de usuarios, lo que impedía un crecimiento explosivo. Con el auge de los grandes modelos de lenguaje (LLM) que despiertan el interés del público por la IA, HyperAGI lanzó su plataforma de aplicaciones de IA descentralizada, comenzando las pruebas en Ethereum y Bitcoin L2 en el primer trimestre de 2024.

HyperAGI se centra en aplicaciones de IA descentralizadas, con el objetivo de cultivar una economía autónoma de criptomonedas. Su objetivo final es establecer la Renta Básica Incondicional de los Agentes (UBAI). Hereda la robusta seguridad y descentralización de Bitcoin, mejorada por un innovador mecanismo de consenso de Prueba de Trabajo Útil (PoUW). Los nodos de GPU de nivel de consumidor pueden unirse a la red sin permiso, minando tokens locales $HYPT realizando tareas de PoUW, como la inferencia de IA y el renderizado 3D.

Los usuarios pueden desarrollar agentes AGI de prueba de personalidad (PoP) impulsados por LLM utilizando varias herramientas. Estos agentes pueden configurarse como chatbots o entidades 3D/XR en el metaverso. Los desarrolladores de IA pueden usar o implementar instantáneamente microservicios de IA de LLM, lo que facilita la creación de agentes programables y autónomos en la cadena. Estos agentes programables pueden emitir o poseer activos de criptomonedas, operar o comerciar continuamente, contribuyendo a una criptoeconomía vibrante y autónoma que apoya la realización de UBAI. Los usuarios que tengan HYPER· AGI· Los tokens rune AGENT son elegibles para crear un agente PoP en la cadena de capa 1 de Bitcoin y pronto pueden calificar para beneficios básicos para sus agentes.

¿Qué es un agente de IA? ¿En qué se diferencia el agente de HyperAGI de los demás?

El concepto de agente de IA no es nuevo en el mundo académico, pero la exageración actual del mercado ha hecho que el término sea cada vez más confuso. Los agentes de HyperAGI se refieren a agentes incorporados impulsados por LLM que pueden entrenarse en entornos de simulación virtual 3D e interactuar con los usuarios, no solo con chatbots impulsados por LLM. Los agentes de HyperAGI pueden existir tanto en mundos digitales virtuales como en el mundo físico real. Actualmente, los agentes de HyperAGI se están integrando con robots físicos como perros robóticos, drones y robots humanoides. En el futuro, estos agentes podrán descargar la formación mejorada del mundo virtual en 3D a los robots físicos para una mejor ejecución de las tareas.

Además, los agentes de HyperAGI son propiedad total de los usuarios y tienen importancia socioeconómica. Los agentes PoP que representan a los usuarios pueden recibir UBAI para ajustar los ingresos básicos de los agentes. Los agentes HyperAGI se dividen en agentes PoP (Proof of Personhood) que representan a los usuarios individuales y agentes funcionales ordinarios. En la economía de agentes de HyperAGI, los agentes PoP pueden recibir ingresos básicos en forma de tokens, lo que incentiva a los usuarios a participar en la formación e interacción de sus agentes PoP. Esto ayuda a acumular datos que demuestran la individualidad humana, y UBAI encarna la igualdad y la democracia de la IA.

¿Es AGI una exageración o pronto se convertirá en una realidad? ¿Cuáles son las diferencias y características de la ruta de investigación y desarrollo de HyperAGI en comparación con otros proyectos de IA?

Aunque la definición de Inteligencia General Artificial (AGI) aún no está unificada, se ha considerado como el santo grial de la academia y la industria de la IA durante décadas. Si bien los modelos de lenguaje grandes (LLM) basados en Transformers se están convirtiendo en el núcleo de varios agentes de IA y AGI, HyperAGI no comparte completamente esta visión. De hecho, los LLM proporcionan una extracción de información novedosa y conveniente, así como capacidades de planificación y razonamiento basadas en el lenguaje natural. Sin embargo, son fundamentalmente redes neuronales profundas basadas en datos. Hace años, durante el boom del big data, entendimos que estos sistemas sufren inherentemente de GIGO (Garbage in, garbage out). Los LLM carecen de algunas características esenciales de la inteligencia avanzada, como la corporeidad, lo que dificulta que estas IA o agentes comprendan los modelos mundiales de los usuarios humanos o formulen planes y tomen medidas para resolver problemas del mundo real. Además, los LLM no exhiben actividades cognitivas superiores como la autoconciencia, la reflexión o la introspección.

Nuestro fundador, Landon Wang, tiene una amplia experiencia de investigación a largo plazo en el campo de la IA. En 2004, propuso la IA orientada a aspectos (AOAI), una innovación que combina la computación inspirada en las neuronas con la programación orientada a aspectos (AOP). Un aspecto se refiere a una encapsulación de múltiples relaciones o restricciones entre objetos. Por ejemplo, una neurona es una encapsulación de relaciones o restricciones con muchas otras células. Específicamente, una neurona interactúa con las células sensoriales o motoras a través de fibras y sinapsis que se extienden desde el cuerpo de la neurona, lo que hace que cada neurona sea un aspecto que contenga tales relaciones y lógica. Cada agente de IA puede ser visto como la solución de un aspecto específico de un problema y, técnicamente, puede ser modelado como un aspecto.

En la implementación de software de redes neuronales artificiales, las neuronas o capas generalmente se modelan como objetos, lo cual es comprensible y mantenible en los lenguajes de programación orientados a objetos. Sin embargo, esto hace que la topología de la red neuronal sea difícil de ajustar, y las secuencias de activación de las neuronas son relativamente rígidas. Si bien esto muestra un gran poder en la realización de cálculos simples de alta intensidad, como en el entrenamiento y la inferencia de LLM, tiene un rendimiento deficiente en flexibilidad y adaptabilidad. Por otro lado, en AOAI, las neuronas o capas se modelan como aspectos en lugar de objetos. Esta arquitectura de redes neuronales posee una gran adaptabilidad y flexibilidad, lo que hace posible la autoevolución de las redes neuronales.

HyperAGI combina LLMs eficientes con el AOAI evolutivo, formando un camino que integra la eficiencia de las redes neuronales artificiales tradicionales con las características de autoevolución de las redes neuronales AO. Esto, hasta la fecha, se considera un enfoque factible para lograr el ingreso bruto.

¿Cuál es la visión de HyperAGI?

La visión de HyperAGI es lograr la Renta Básica Incondicional de los Agentes (UBAI), construyendo un futuro en el que la tecnología sirva equitativamente a todos, rompiendo el ciclo de explotación y creando una sociedad digital verdaderamente descentralizada y justa. A diferencia de otros proyectos de blockchain que solo afirman estar comprometidos con la RBU, la UBAI de HyperAGI tiene un camino claro de implementación a través de la economía de agentes, en lugar de ser un ideal inalcanzable.

La introducción de Bitcoin por parte de Satoshi Nakamoto fue una innovación monumental para la humanidad, pero no es más que una moneda digital descentralizada sin utilidad práctica. Los importantes avances y el auge de la inteligencia artificial han hecho posible la creación de valor a través de un modelo descentralizado. En este modelo, las personas se benefician de que la IA se ejecute en máquinas en lugar del valor de los demás. Está surgiendo un verdadero mundo criptográfico basado en código, donde todas las máquinas se crean para el beneficio y bienestar de la humanidad.

En un mundo tan criptográfico, todavía puede haber jerarquías entre los agentes de IA, pero la explotación humana se elimina porque los propios agentes pueden poseer alguna forma de autonomía. El propósito final y la importancia de la inteligencia artificial es servir a la humanidad, tal como está codificada en la cadena de bloques.

La relación entre Bitcoin L2 y la IA, y por qué construir IA en Bitcoin L2

1. Bitcoin L2 como método de pago para agentes de IA

   Bitcoin es actualmente el medio que personifica la "máxima neutralidad", lo que lo hace muy adecuado para los agentes de inteligencia artificial que participan en transacciones de valor. Bitcoin elimina las ineficiencias y "fricciones" inherentes a las monedas fiduciarias. Como medio "nativo digital", Bitcoin proporciona una base natural para que la IA realice intercambios de valor. Bitcoin L2 mejora las capacidades programables de Bitcoin, cumpliendo con los requisitos de velocidad necesarios para los intercambios de valor de IA, posicionando así a Bitcoin para convertirse en la moneda nativa de la IA.

2. Gobernanza descentralizada de la IA en Bitcoin L2

   La tendencia actual de centralización en la IA ha puesto de relieve la alineación y la gobernanza descentralizadas de la IA. Los contratos inteligentes más poderosos de Bitcoin L2 pueden servir como reglas que regulan el comportamiento de los agentes de IA y los modelos de protocolo, logrando una alineación y un modelo de gobernanza de IA descentralizados. Además, la característica de máxima neutralidad de Bitcoin hace que sea más fácil llegar a un consenso sobre la alineación y la gobernanza de la IA.

3. Emisión de activos de IA en Bitcoin L2

   Además de emitir agentes de IA como activos en Bitcoin L1, el alto rendimiento de Bitcoin L2 puede satisfacer las necesidades de los agentes de IA que emiten activos de IA, que serán la base de la economía de los agentes.

4. Agentes de IA como una aplicación asesina para Bitcoin y Bitcoin L2

   Debido a problemas de rendimiento, Bitcoin no ha tenido una aplicación práctica más allá de ser una reserva de valor desde sus inicios. Bitcoin que ingresa a L2 gana una programabilidad más poderosa. Los agentes de IA se utilizan generalmente para resolver problemas del mundo real, por lo que los agentes de IA impulsados por Bitcoin pueden aplicarse realmente. La escala y la frecuencia del uso de agentes de IA podrían convertirse en una aplicación asesina para Bitcoin y L2. Si bien es posible que la economía humana no priorice Bitcoin como método de pago, la economía robótica sí lo haría. Un gran número de agentes de IA que trabajan las 24 horas del día, los 7 días de la semana, pueden utilizar incansablemente Bitcoin para realizar y recibir micropagos. La demanda de Bitcoin podría aumentar significativamente de formas que actualmente son inimaginables.

5. Computación de IA para mejorar la seguridad de Bitcoin L2

   La computación de IA puede complementar la prueba de trabajo (PoW) de Bitcoin e incluso reemplazar la prueba de trabajo útil (PoUW), lo que garantiza la seguridad de manera revolucionaria al tiempo que inyecta la energía que se utiliza actualmente para la minería de Bitcoin en los agentes de IA. La IA puede aprovechar L2 para convertir Bitcoin en una cadena de bloques inteligente y ecológica, a diferencia del mecanismo PoS de Ethereum. Nuestra propuesta de Consenso de Hipergrafos, basada en el PoUW de la computación 3D/IA, se presentará más adelante.

¿Qué hace que HyperAGI sea único en comparación con otros proyectos de IA descentralizados?

HyperAGI destaca en el campo de la IA Web3 por su visión, soluciones y tecnología distintivas. El enfoque de HyperAGI incluye el consenso de la potencia de cómputo de la GPU, la realización de la IA y la activación, lo que la convierte en una aplicación financiera e IA híbrida descentralizada. Recientemente, el mundo académico propuso cinco características que deberían poseer las plataformas de IA descentralizadas, y hemos revisado y comparado brevemente los proyectos de IA descentralizada existentes de acuerdo con estas cinco características. Cinco características de las plataformas de IA descentralizadas:

1. Verificabilidad de los modelos de IA ejecutados de forma remota
   • La verificabilidad descentralizada incluye tecnologías como la disponibilidad de datos y las pruebas de conocimiento cero (ZK).
2. Usabilidad de los modelos de IA disponibles públicamente
   • La usabilidad depende de si los nodos de la API del modelo de IA (principalmente LLM) son Peer-to-Peer y si la red está totalmente descentralizada.
3. Incentivo para desarrolladores y usuarios de IA
   • Los mecanismos justos de generación de tokens son cruciales para la incentivación.
4. Gobernanza global de soluciones esenciales en la sociedad digital
   • La gobernanza de la IA debe ser neutral y estar impulsada por el consenso.
5. Sin bloqueos de proveedores
   • La plataforma debe estar totalmente descentralizada.

Comparación de proyectos de IA descentralizada existentes en función de estas características:

1. Verificabilidad de los modelos de IA ejecutados de forma remota
   • Giza: Basado en el mecanismo de consenso ZKML, Giza cumple con el requisito de verificabilidad, pero actualmente sufre problemas de rendimiento, especialmente con modelos grandes.
   • Cortex AI: Un proyecto descentralizado de IA L1 iniciado hace cinco años, Cortex AI incorpora nuevas instrucciones en la EVM para respaldar los cálculos de redes neuronales, pero no puede satisfacer las necesidades de los grandes modelos LLM.
   • Ofelimos: La primera propuesta de PoUW en la comunidad criptográfica, pero no vinculada a aplicaciones o proyectos específicos.
   • Proyecto PAI: Menciona PoUW en un libro blanco, pero carece de un producto.
   • Qubic: Propone PoUW utilizando múltiples GPU para el cálculo de redes neuronales artificiales, pero su aplicación práctica sigue sin estar clara.
   • FLUX: Utiliza PoW ZelHash, no PoUW.
   • Coinai: En fase de investigación, carece de un mecanismo de consenso estricto.
2. Los proyectos que no cumplen con el criterio de verificabilidad incluyen:
   • Proyectos de arrendamiento de cómputo de GPU: Carecen de mecanismos de verificabilidad descentralizados, como DeepBrain Chain, EMC, Atheir, IO.NET, CLORE. IA, y otros.
   • DeepBrain Chain: Se centra en el arrendamiento de GPU, lanzó su red principal en 2021.
   • EMC: Asignación centralizada de tareas y recompensas, carece de consenso descentralizado.
   • Atheir y IO.NET: No se observaron mecanismos de consenso.
   • LISTO. IA: Utiliza el crowdsourcing, el pago en cadena para los lanzamientos de modelos de IA y la emisión de NFT, pero carece de verificabilidad. Entre proyectos similares se encuentran SingularityNET, Bittensor, AINN, Fetch.ai, Ocean Protocol y Algovera.ai.
3. Usabilidad de los modelos de IA disponibles públicamente
   • Cortex AI y Qubic: No se ha observado compatibilidad con LLM.

Ninguno de los proyectos de IA descentralizada existentes aborda completamente estos cinco problemas. HyperAGI, sin embargo, es un protocolo de IA totalmente descentralizado basado en el mecanismo de consenso Hypergraph PoUW y la pila L2 de Bitcoin totalmente descentralizada, con planes de actualizar a una L2 específica de Bitcoin AI en el futuro.

Características únicas de HyperAGI:

• Hypergraph PoUW Consensus Mechanism: Garantiza la seguridad de la red de la manera más eficiente, aprovechando toda la potencia computacional proporcionada por los mineros para la inferencia de LLM y los servicios de renderizado en la nube.
• Plataforma completamente descentralizada: Basada en Bitcoin L2 Stack, que garantiza que la plataforma esté libre de bloqueos de proveedores y facilita un fácil consenso sobre la gobernanza de la IA.
• Verificabilidad y usabilidad: La visión de PoUW garantiza que la potencia computacional se pueda utilizar para resolver diversos problemas enviados a la red descentralizada, abordando la verificabilidad de los modelos de IA ejecutados de forma remota y haciendo utilizables los modelos de IA disponibles públicamente.

HyperAGI no solo cumple con las características requeridas para una plataforma de IA descentralizada, sino que también avanza en el campo con su integración única de potencia de cómputo de GPU y activos de IA dentro de un marco descentralizado.

¿Por qué ahora?

1. La explosión de los LLM y sus aplicaciones

ChatGPT de OpenAI alcanzó los 100 millones de usuarios en solo tres meses, lo que provocó un aumento global en el desarrollo, la aplicación y la inversión en grandes modelos de lenguaje (LLM). Sin embargo, hasta este momento, la tecnología y la formación de los LLM han estado muy centralizadas. Esta centralización ha suscitado importantes preocupaciones entre el mundo académico, la industria y el público en relación con la monopolización de la tecnología de IA por parte de unos pocos proveedores clave, las violaciones de la privacidad de los datos, la invasión y la dependencia de un proveedor por parte de las empresas de computación en la nube. Estos problemas se derivan fundamentalmente del control de Internet y de las pasarelas de aplicaciones por parte de plataformas centralizadas, que no son adecuadas para aplicaciones de IA a gran escala. La comunidad de IA ha comenzado a implementar algunos proyectos de IA descentralizados y administrados localmente. Por ejemplo, Ollama representa la ejecución local y Petals representa la descentralización. Ollama utiliza métodos de compresión de parámetros o de precisión reducida para permitir que los LLM de pequeña y mediana escala se ejecuten en computadoras personales o incluso teléfonos móviles, protegiendo así la privacidad de los datos del usuario y otros derechos. Sin embargo, este enfoque es obviamente difícil de soportar entornos de producción y aplicaciones en red. Petals, por otro lado, logra una inferencia LLM totalmente descentralizada a través de la tecnología Peer2Peer de Bittorrent. Sin embargo, Petals carece de consenso y protocolos de capa de incentivos y todavía está confinado a un pequeño círculo de investigadores.

2. Agentes inteligentes impulsados por LLM

Con el apoyo de los LLM, los agentes inteligentes pueden realizar un razonamiento de alto nivel y poseer ciertas capacidades de planificación. Utilizando el lenguaje natural, múltiples agentes inteligentes pueden formar colaboraciones sociales similares a las de los humanos. Se han propuesto varios marcos de agentes inteligentes impulsados por LLM, como AutoGen de Microsoft, Langchain y CrewAI. En la actualidad, un gran número de emprendedores y desarrolladores de IA se están centrando en la dirección de los agentes inteligentes impulsados por LLM y sus aplicaciones. Existe una gran demanda de inferencia de LLM estable y escalable, pero esto se logra principalmente alquilando instancias de inferencia de GPU de empresas de computación en la nube. En marzo de 2024, Nvidia lanzó ai.nvidia.com, una plataforma de microservicios de IA generativa que incluye LLM, para satisfacer esta enorme demanda, aunque aún no se ha lanzado oficialmente. Los agentes inteligentes impulsados por LLM están en auge, al igual que lo hizo el desarrollo de sitios web. Sin embargo, la colaboración se sigue llevando a cabo principalmente en el modo tradicional de Web2, en el que los desarrolladores de agentes inteligentes necesitan arrendar GPU o adquirir API de proveedores de LLM para respaldar el funcionamiento de estos agentes. Esto crea fricciones significativas, lo que dificulta el rápido crecimiento del ecosistema de agentes inteligentes y la transmisión de valor dentro de la economía de agentes inteligentes.

3. Entornos de simulación de agentes incorporados

Actualmente, la mayoría de los agentes solo pueden acceder y operar ciertas API o interactuar con estas API a través de código o scripts, escribiendo comandos de control generados por LLM o leyendo estados externos. Los agentes inteligentes generales no solo deben comprender y generar lenguaje natural, sino también comprender el mundo humano. Después de un entrenamiento adecuado, deben ser capaces de transferirse a sistemas robóticos (como drones, aspiradoras, robots humanoides, etc.) para completar tareas específicas. Estos agentes se denominan agentes incorporados. La capacitación de agentes incorporados requiere una gran cantidad de datos visuales del mundo real para ayudarlos a comprender mejor entornos específicos y el mundo real, acortando el tiempo de capacitación y desarrollo de los robots, mejorando la eficiencia de la capacitación y reduciendo los costos. En la actualidad, los entornos de simulación para entrenar la inteligencia incorporada son construidos y propiedad de unas pocas empresas, como Minecraft de Microsoft e Isaac Gym de Nvidia. No existen entornos descentralizados para satisfacer las necesidades de entrenamiento de la inteligencia encarnada. Recientemente, algunos motores de juegos han comenzado a centrarse en la inteligencia artificial, como Unreal Engine de Epic, que está promoviendo entornos de entrenamiento de IA que cumplen con OpenAI GYM.

4. Ecosistema Bitcoin L2

Aunque las cadenas laterales de Bitcoin existen desde hace años, se utilizaban principalmente para pagos, y la falta de soporte para los contratos inteligentes obstaculizaba las complejas aplicaciones en la cadena. La aparición de las L2 de Bitcoin compatibles con EVM permite a Bitcoin admitir aplicaciones de IA descentralizadas a través de L2. La IA descentralizada requiere una red blockchain totalmente descentralizada y computacionalmente dominante en lugar de redes blockchain PoS cada vez más centralizadas. La introducción de nuevos protocolos para los activos nativos de Bitcoin, como inscripciones y ordinales, hace posible el establecimiento de ecosistemas y aplicaciones basadas en Bitcoin. Por ejemplo, la acuñación de lanzamiento justo de HYPER•AGI•AGENT se completó en una hora y, en el futuro, HyperAGI emitirá más activos de IA y aplicaciones impulsadas por la comunidad en Bitcoin.

Marco técnico y soluciones de HyperAGI

1.¿Cómo realizar una plataforma de aplicación de agente inteligente de IA descentralizada impulsada por LLM?

El principal desafío de la IA descentralizada hoy en día es permitir la inferencia remota para grandes modelos de IA y el entrenamiento y la inferencia de agentes inteligentes incorporados mediante algoritmos verificables de alto rendimiento y baja sobrecarga. Sin verificabilidad, el sistema volvería a un modelo de mercado tradicional multipartito que involucra a proveedores, demandantes y operadores de plataformas, en lugar de lograr una plataforma de aplicaciones de IA totalmente descentralizada.

El cálculo de IA verificable requiere el algoritmo de consenso PoUW (Proof of Useful Work). Esto sirve como base para los mecanismos de incentivos descentralizados. Específicamente, dentro de los incentivos de red, la acuñación de tokens se lleva a cabo por nodos que completan tareas computacionales y envían resultados verificables, en lugar de que cualquier entidad centralizada transfiera tokens a los nodos.

Para lograr una computación de IA verificable, primero debemos definir la computación de IA en sí. La computación de IA abarca muchos niveles, desde instrucciones de máquina de bajo nivel e instrucciones CUDA hasta lenguajes de nivel superior como C++ y Python. Del mismo modo, en el entrenamiento de agentes inteligentes incorporados, los cálculos 3D también existen en varios niveles, incluidos los lenguajes de sombreado, OpenGL, C++ y scripts de plano.

El algoritmo de consenso PoUW de HyperAGI se implementa utilizando gráficos computacionales. Un grafo computacional se define como un grafo dirigido donde los nodos corresponden a operaciones matemáticas. Es una forma de expresar y evaluar expresiones matemáticas, esencialmente un "lenguaje" que describe ecuaciones, que contiene nodos (variables) y aristas (operaciones o funciones simples).

Implementación de computación de IA verificable:

1.1 Uso de grafos computacionales para definir el cálculo verificable

Cualquier cálculo (por ejemplo, cálculos 3D e IA) se puede definir mediante gráficos computacionales. Diferentes niveles de cálculo se pueden representar con subgrafos. Este enfoque abarca varios tipos de computación y expresa diferentes niveles computacionales a través de subgrafos. Actualmente, involucra dos capas: el gráfico computacional de nivel superior se despliega en la cadena para facilitar la verificación por parte de los nodos.

1.2 Carga y ejecución descentralizada de modelos LLM y escenas 3D

Los modelos LLM y los niveles de escena 3D se cargan y ejecutan de forma totalmente descentralizada. Cuando un usuario accede a un modelo LLM para la inferencia o entra en una escena 3D para la representación, un agente inteligente de HyperAGI iniciará otro nodo de confianza para ejecutar el mismo hipergrafo (LLM o escena 3D).

1.3 Verificación de los resultados computacionales

Si un nodo de verificación encuentra que un resultado enviado por un nodo es inconsistente con el resultado enviado por un nodo de confianza, realiza una búsqueda binaria en los resultados computacionales fuera de la cadena del grafo computacional de segunda capa (subgrafo) para ubicar el nodo computacional divergente (operador) dentro del subgrafo. Los operadores de subgrafos se implementan previamente en contratos inteligentes. Al pasar los parámetros del operador inconsistente al contrato inteligente y ejecutar el operador, se pueden verificar los resultados.

2. ¿Cómo evitar sobrecargas computacionales excesivas?

Un desafío importante en la computación de IA verificable es administrar la sobrecarga computacional adicional. En los protocolos de consenso bizantino, 2/3 de los nodos deben estar de acuerdo para formar un consenso. Para el consenso de inferencia de IA, esto significa que todos los nodos tendrían que completar el mismo cálculo, lo cual es un desperdicio inaceptable en el cálculo de IA. Sin embargo, HyperAGI solo requiere de 1 a (m) nodos para realizar cálculos adicionales para la validación.

2.1 Cálculo complementario para la inferencia de LLM

Cada inferencia de LLM no se ejecuta de forma independiente. El agente inteligente de HyperAGI inicia al menos un nodo de confianza para el "cálculo complementario". Debido a que la inferencia de LLM se realiza mediante redes neuronales profundas en las que los resultados de cálculo de cada capa se utilizan como entrada para la siguiente capa hasta que se completa la inferencia, varios usuarios pueden acceder simultáneamente al mismo modelo de LLM grande. Por lo tanto, como máximo, es necesario iniciar un número adicional de nodos de confianza igual al número de LLM (m). Como mínimo, solo se requiere un nodo de confianza para el "cálculo complementario".

2.2 Cálculo de renderizado de escenas 3D

El renderizado de escenas 3D sigue un principio similar. Cuando un usuario entra en una escena y activa el hipergrafo, el agente inteligente de HyperAGI carga un nodo de confianza basado en el hipergrafo para realizar el cálculo del hipergrafo correspondiente. Si (m) los usuarios introducen diferentes escenas 3D, como máximo (m) es necesario iniciar nodos de confianza para el "cálculo complementario".

En resumen, el número de nodos que participan en el cálculo adicional oscila entre 1 y (n + m) (donde (n) es el número de usuarios que ingresan escenas 3D y (m) es el número de LLM). Esta distribución sigue una distribución gaussiana, lo que evita eficazmente el desperdicio de recursos y garantiza la eficiencia de la verificación de la red.

Cómo se integra la IA con la Web3 para formar aplicaciones semi-AI y semi-financieras

Los desarrolladores de IA pueden implementar agentes inteligentes como contratos inteligentes, con contratos que contienen datos de hipergrafos on-chain de alto nivel. Los usuarios u otros agentes inteligentes pueden llamar a los métodos de estos contratos de agentes inteligentes y pagar los tokens correspondientes. El agente inteligente que presta el servicio debe completar el cómputo correspondiente y presentar resultados verificables. Esta configuración garantiza interacciones empresariales descentralizadas entre los usuarios u otros agentes inteligentes y el agente inteligente.

El agente inteligente no se preocupará por no recibir tokens después de completar una tarea, y el pagador no tendrá que preocuparse por pagar tokens sin obtener los resultados correctos del cálculo empresarial. La capacidad y el valor del servicio del agente inteligente están determinados por el precio de mercado secundario y el valor de mercado de los activos del agente inteligente (incluidos los NFT ERC-20, ERC-721 o ERC-1155).

Más allá de las aplicaciones semi-AI y semi-financieras

La aplicación de HyperAGI no se limita a aplicaciones semi-IA y semi-financieras. Su objetivo es hacer realidad la UBAI (IA básica universal), construir un futuro en el que la tecnología sirva a todos por igual, rompiendo los ciclos de explotación y creando una sociedad digital verdaderamente descentralizada y justa.

declaración:

1. Este artículo se reproduce de [techflow deep tide], el título original es "Entrevista de HyperAGI: Construyendo un agente de IA real y creando una economía autónoma de criptomonedas", los derechos de autor pertenecen al autor original [Quinto], si tiene alguna objeción a la reimpresión, comuníquese con el equipo de Gate Learn, el equipo lo manejará lo antes posible de acuerdo con los procedimientos pertinentes.

2. Descargo de responsabilidad: Los puntos de vista y opiniones expresados en este artículo representan solo los puntos de vista personales del autor y no constituyen ningún consejo de inversión.

3. Las versiones en otros idiomas del artículo son traducidas por el equipo de Gate Learn, no se mencionan en Gate.io, el artículo traducido no puede ser reproducido, distribuido o plagiado.