1. La nature inconstante de l’attention

Au cours de l'année écoulée, en raison d'un décalage dans les récits de la couche d'application, incapable de suivre le rythme de la croissance de l'infrastructure, l'espace crypto s'est progressivement transformé en une compétition pour les ressources d'attention. De Silly Dragon à Goat, de Pump.fun à Clanker, la volatilité de l'attention a conduit à un cycle de réinvention constante dans cette bataille. Ce qui a commencé par la forme la plus conventionnelle de monétisation accrocheuse a rapidement évolué vers un modèle de plateforme qui a unifié les demandeurs et les fournisseurs d'attention, conduisant finalement à ce que des formes de vie à base de silicium deviennent de nouveaux fournisseurs de contenu. Parmi l'étrange gamme de pièces mèmes, une nouvelle entité a émergé qui permet aux investisseurs particuliers et aux VC de parvenir à un consensus: les agents d'IA.

L’attention est en fin de compte un jeu à somme nulle, bien que la spéculation puisse en effet stimuler une croissance rapide. Dans notre précédent article sur UNI, nous sommes revenus sur le début du dernier âge d’or de la blockchain, lorsque la croissance explosive de la DeFi a été déclenchée par le lancement du minage LP par Compound Finance. À cette époque, participer à des centaines, parfois des milliers, de pools de minage avec des rendements de l’ordre de milliers, voire de dizaines de milliers de pour cent de l’APY était la forme la plus primitive de spéculation on-chain. Bien que le résultat ait été un effondrement chaotique de nombreux pools, l’afflux de mineurs de la « ruée vers l’or » a laissé une liquidité sans précédent dans l’espace blockchain. La DeFi s’est finalement libérée de la pure spéculation et a mûri pour devenir une verticale solide qui répondait aux besoins financiers des utilisateurs dans des domaines tels que les paiements, le trading, l’arbitrage et le jalonnement. Les agents d’IA traversent actuellement une phase similaire de « croissance sauvage ». Ce que nous explorons maintenant, c’est comment la crypto peut mieux intégrer l’IA et, en fin de compte, élever la couche applicative vers de nouveaux sommets.

2. Comment les agents d'IA opèrent-ils de manière autonome ?

Dans notre article précédent, nous avons brièvement présenté les origines des mèmes d’IA via Truth Terminal et exploré le potentiel futur des agents d’IA. Cet article se concentrera sur les agents d’IA eux-mêmes.

Commençons par la définition d'un agent d'IA. Dans le domaine de l'IA, le terme « Agent » est un concept plus ancien mais toujours vague, mettant principalement l'accent sur l'autonomie. En d'autres termes, toute IA capable de percevoir son environnement et de prendre des décisions réflexives est considérée comme un agent. Aujourd'hui, la définition d'un agent d'IA se rapproche de celle d'une entité intelligente, un système conçu pour imiter les processus de prise de décision humains. Ce système est considéré dans le milieu universitaire comme l'approche la plus prometteuse pour atteindre l'AGI (intelligence artificielle générale).

Dans les premières versions de GPT, nous pouvions clairement ressentir que les grands modèles étaient semblables à des humains, mais lorsqu'il s'agissait de répondre à des questions complexes, ils fournissaient souvent des réponses vagues ou imprécises. La raison fondamentale en était que ces modèles étaient basés sur des probabilités plutôt que sur la causalité, et qu'ils manquaient de capacités humaines telles que l'utilisation d'outils, la mémoire et la planification. Les agents d'IA visent à combler ces lacunes. Donc, pour résumer en une formule : Agent d'IA = LLM (Grand Modèle de Langage) + Planification + Mémoire + Outils.

Les modèles basés sur les invites sont plutôt une version statique d'une personne, prenant vie uniquement lorsque nous introduisons des données. En revanche, l'objectif d'un agent d'IA est d'être une entité plus dynamique et semblable à un humain. Actuellement, la plupart des agents d'IA sur le terrain sont des modèles affinés basés sur les versions open-source 70b ou 405b de Llama de Meta (avec des paramètres différents), équipés d'une mémoire et de la capacité à utiliser des API pour l'intégration d'outils. Dans d'autres domaines, ils peuvent encore avoir besoin d'une intervention humaine ou d'une assistance, comme interagir ou collaborer avec d'autres agents d'IA. C'est pourquoi la plupart des agents d'IA d'aujourd'hui existent principalement sous la forme de KOL sur les réseaux sociaux. Pour rendre un agent d'IA plus semblable à un humain, il faut qu'il intègre des capacités de planification et d'action, le processus de réflexion au sein du processus de planification étant particulièrement crucial.

3. Chain de Pensée (CoT)

Le concept de Chain of Thought (CoT) est apparu pour la première fois dans le document de Google de 2022 intitulé Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Le document a souligné qu'en générant une série d'étapes de raisonnement intermédiaires, la capacité de raisonnement du modèle pourrait être améliorée, l'aidant ainsi à mieux comprendre et résoudre des problèmes complexes.

Un prompt typique de CoT se compose de trois parties : une description de la tâche avec des instructions claires, une base logique pour la tâche avec le fondement théorique ou les principes soutenant la solution, et un exemple spécifique de la solution. Cette approche structurée aide le modèle à comprendre les exigences de la tâche et, par un raisonnement logique, à approcher progressivement la réponse, améliorant à la fois l'efficacité et la précision de la résolution de problèmes. CoT est particulièrement adapté aux tâches qui exigent une analyse approfondie et un raisonnement à plusieurs étapes, telles que la résolution de problèmes mathématiques ou la rédaction de rapports de projet. Pour les tâches plus simples, CoT peut ne pas présenter d'avantages évidents, mais pour les tâches plus complexes, il peut améliorer significativement les performances du modèle en réduisant les taux d'erreur grâce à une stratégie de résolution de problèmes étape par étape, améliorant ainsi la qualité de l'achèvement de la tâche.

Dans la construction d'agents d'IA, CoT joue un rôle crucial. Les agents d'IA doivent comprendre les informations qu'ils reçoivent et prendre des décisions raisonnables en fonction de celles-ci. CoT fournit un processus de réflexion ordonné qui aide l'agent à traiter et à analyser efficacement les données d'entrée, transformant l'analyse en directives exploitables. Cette méthode renforce non seulement la fiabilité et l'efficacité de la prise de décision de l'agent, mais améliore également la transparence du processus de décision, rendant le comportement de l'agent plus prévisible et traçable. En divisant les tâches en étapes plus petites, CoT aide l'agent à considérer chaque point de décision en détail, réduisant les erreurs causées par la surcharge d'informations et rendant le processus de prise de décision plus transparent. Cette transparence permet aux utilisateurs de mieux comprendre la base des décisions de l'agent. Dans les interactions avec l'environnement, CoT permet à l'agent d'apprendre en continu de nouvelles informations et d'ajuster sa stratégie de comportement.

En tant que stratégie efficace, le CoT améliore non seulement la capacité de raisonnement des grands modèles de langage, mais joue également un rôle important dans la création d’agents d’IA plus intelligents et plus fiables. En tirant parti de CoT, les chercheurs et les développeurs peuvent créer des systèmes intelligents qui sont plus adaptables à des environnements complexes et hautement autonomes. Dans les applications pratiques, CoT a montré ses avantages uniques, en particulier dans la gestion de tâches complexes. En divisant les tâches en une série d’étapes plus petites, il améliore non seulement la précision de la résolution des tâches, mais améliore également l’interprétabilité et la contrôlabilité du modèle. Cette approche de résolution de problèmes étape par étape peut réduire considérablement les erreurs causées par des informations excessives ou trop complexes lorsque vous êtes confronté à des tâches complexes. Dans le même temps, cette méthode améliore également la traçabilité et la vérifiabilité de l’ensemble de la solution.

La fonction principale de CoT réside dans l'intégration de la planification, de l'action et de l'observation, comblant le fossé entre la réflexion et l'action. Ce modèle de réflexion permet à l'agent d'IA de concevoir des contre-mesures efficaces lors de la prévision d'anomalies potentielles et d'accumuler de nouvelles informations tout en interagissant avec l'environnement externe, validant les prédictions prédéfinies et fournissant de nouveaux fondements de raisonnement. CoT agit comme un moteur puissant de précision et de stabilité, aidant l'agent d'IA à maintenir une efficacité élevée dans des environnements complexes.

4. Le bon type de pseudo-demande

Comment exactement la Crypto devrait-elle s'intégrer aux piles de technologie de l'IA? Dans l'article de l'année dernière, j'ai suggéré que la décentralisation de la puissance de calcul et des données est une étape clé pour aider les petites entreprises et les développeurs individuels à économiser des coûts. Cette année, dans la ventilation détaillée des secteurs Crypto x AI compilée par Coinbase, nous pouvons voir des divisions plus spécifiques :

(1) Couche de calcul (axée sur la fourniture de ressources GPU pour les développeurs d'IA) ;

(2) Couche de données (axée sur l'accès décentralisé, l'orchestration et la vérification des pipelines de données d'IA);

(3) Couche intermédiaire (plateformes ou réseaux soutenant le développement, le déploiement et l'hébergement de modèles ou agents d'IA);

(4) Couche d'application (produits orientés utilisateur utilisant des mécanismes d'IA on-chain, qu'il s'agisse de B2B ou de B2C).

Chacune de ces quatre couches a de grandes visions, qui visent toutes à défier la domination des géants de la Silicon Valley dans la prochaine ère d’Internet. Comme je l’ai dit l’année dernière, avons-nous vraiment besoin d’accepter que les géants de la Silicon Valley contrôlent exclusivement la puissance de calcul et les données ? Sous leurs monopoles, les grands modèles à source fermée sont des boîtes noires, et la science, en tant que système de croyance le plus vénéré de l’humanité aujourd’hui, s’appuiera sur les réponses données par ces grands modèles. Mais comment ces vérités peuvent-elles être vérifiées ? Selon la vision de ces géants de la Silicon Valley, les pouvoirs détenus par des agents intelligents pourraient dépasser notre imagination, comme avoir le pouvoir d’effectuer des paiements à partir de votre portefeuille ou de contrôler l’accès à votre terminal. Comment pouvons-nous nous assurer qu’il n’y a pas de malveillance ?

La décentralisation est la seule réponse, mais nous devons parfois raisonnablement considérer combien d’acheteurs sont là pour ces grandes visions. Dans le passé, nous pouvions ignorer la nécessité d’une boucle commerciale et utiliser des jetons pour combler les lacunes causées par l’idéalisme. Cependant, la situation actuelle est beaucoup plus difficile. Crypto x AI doit concevoir en fonction de circonstances pratiques. Par exemple, comment équilibrer l’offre aux deux extrémités de la couche informatique en cas de perte de performance et d’instabilité, tout en restant en concurrence avec les fournisseurs de cloud centralisés ? Combien d’utilisateurs réels les projets de couche de données compteront-ils réellement ? Comment pouvons-nous vérifier l’authenticité et la validité des données fournies ? Quels types de clients ont réellement besoin de ces données ? La même logique s’applique aux autres couches. À notre époque, nous n’avons pas besoin d’autant de pseudo-exigences apparemment correctes.

5. Le mème a évolué pour devenir SocialFi

Comme je l'ai mentionné dans la première section, Meme s'est rapidement transformé en une forme de SocialFi compatible avec Web3. Friend.tech était le DApp qui a tiré le premier coup dans cette série d'applications sociales, mais malheureusement, il a échoué en raison de sa conception précipitée de jetons. D'autre part, Pump.fun a démontré la faisabilité d'un modèle de plateforme pure, sans jetons ni règles. Les besoins des chercheurs d'attention et des fournisseurs convergent sur cette plateforme, où vous pouvez publier des memes, diffuser en direct, créer des jetons, commenter, échanger, et tout est gratuit. Pump.fun ne collecte qu'une commission de service. Ce modèle est essentiellement identique à l'économie de l'attention des plateformes de médias sociaux actuelles comme YouTube et Instagram, mais avec un modèle de revenus différent et un gameplay plus centré sur Web3.

Clanker de Base, en revanche, est l'histoire de succès ultime, bénéficiant de l'écosystème intégré conçu par la plateforme elle-même. Base a sa propre application sociale DApp comme outil auxiliaire, créant une boucle interne complète. L'Agent Meme est la forme 2.0 de Meme Coin. Les gens recherchent toujours la nouveauté, et en ce moment, Pump.fun est au centre de l'attention. D'un point de vue de tendance, il est seulement une question de temps avant que les idées loufoques des formes de vie à base de silicium remplacent les mèmes plus grossiers des formes de vie à base de carbone.

J'ai mentionné Base d'innombrables fois, avec différents aspects à chaque fois, mais une chose reste claire : Base n'a jamais été le premier à bouger, mais il a toujours été le gagnant.

6. Qu'est-ce qu'un autre agent d'IA peut être?

D'un point de vue pratique, il est peu probable que les agents d'IA soient décentralisés dans un avenir prévisible. Dans le domaine traditionnel de l'IA, la construction d'un agent d'IA n'est pas un problème qui peut être résolu simplement par la décentralisation ou des processus open source. Les agents d'IA ont besoin de se connecter à diverses API pour accéder au contenu Web2, et leurs coûts d'exploitation sont élevés. La conception de la Chaîne de pensée (CoT) et la collaboration multi-agents nécessitent souvent encore une médiation humaine. Nous passerons par une longue période de transition jusqu'à ce que nous trouvions une forme d'intégration appropriée — peut-être quelque chose comme UNI, mais pour l'instant, je crois toujours que les agents d'IA auront un impact significatif sur notre industrie, un peu comme l'existence des CEX dans notre secteur — incorrecte, mais extrêmement importante.

Le mois dernier, Stanford et Microsoft ont publié une revue des agents d’IA qui décrivait les applications des agents d’IA dans des secteurs tels que les soins de santé, les machines intelligentes et les mondes virtuels. Dans l’annexe de cet article, il existe déjà de nombreux cas expérimentaux où GPT-4V, en tant qu’agent d’IA, participe au développement de jeux AAA de haut niveau.

Nous ne devrions pas nous précipiter pour intégrer des agents d'IA à la décentralisation. Ce que j'espère, c'est que la première pièce du puzzle que les agents d'IA achèveront sont leurs capacités ascendantes et leur vitesse. Il y a tellement de ruines narratives et de métaverses vides qui ont besoin d'être comblés, et quand le moment sera venu, nous pourrons envisager comment transformer les agents d'IA en la prochaine UNI.

À propos de YBB

YBB est un fonds web3 qui se consacre à l’identification de projets définissant le Web3 dans le but de créer un meilleur habitat en ligne pour tous les internautes. Fondé par un groupe de croyants de la blockchain qui participent activement à cette industrie depuis 2013, YBB est toujours prêt à aider les projets en phase de démarrage à passer de 0 à 1.Nous valorisons l’innovation, la passion autonome et les produits orientés vers l’utilisateur tout en reconnaissant le potentiel des cryptos et des applications blockchain.

Avertissement :

1. Cet article est reproduit à partir de [Douleur moyenne]. Les droits d'auteur appartiennent à l'auteur original [YBB]. S’il y a des objections à la reproduction, veuillez contacter leÉquipe d'apprentissage de gate, qui traitera rapidement le problème selon les procédures pertinentes.
2. Avertissement : Les points de vue et opinions exprimés dans cet article sont uniquement ceux de l'auteur et ne constituent en aucun cas des conseils en matière d'investissement.
3. L’équipe de gate Learn a traduit l’article dans d’autres langues. La copie, la distribution ou le plagiat des articles traduits sont interdits, sauf mention contraire.