Memperkenalkan Tim HyperAGI dan Latar Belakang Proyek

HyperAGI adalah proyek AI terdesentralisasi pertama yang didorong oleh komunitas dengan AI Rune HYPER· AGI · AGEN. Tim HyperAGI telah sangat terlibat dalam bidang AI selama bertahun-tahun, mengumpulkan pengalaman signifikan dalam aplikasi AI generatif Web3. Tiga tahun lalu, tim HyperAGI menggunakan AI generatif untuk membuat gambar 2D dan model 3D, membangun dunia terbuka yang disebut MOSSAI di blockchain, yang terdiri dari ribuan pulau yang dihasilkan AI. Mereka juga mengusulkan standar untuk aset kriptografi non-fungible yang dihasilkan AI, NFG. Namun, pada saat itu, solusi terdesentralisasi untuk pelatihan dan pembuatan model AI belum dikembangkan. Sumber daya GPU platform saja tidak cukup untuk mendukung sejumlah besar pengguna, mencegah pertumbuhan eksplosif. Dengan munculnya model bahasa besar (LLM) yang memicu minat publik terhadap AI, HyperAGI meluncurkan platform aplikasi AI terdesentralisasi, memulai tes pada Ethereum dan Bitcoin L2 pada Q1 2024.

HyperAGI berfokus pada aplikasi AI terdesentralisasi, yang bertujuan untuk menumbuhkan ekonomi cryptocurrency otonom. Tujuan utamanya adalah untuk membangun Pendapatan Agen Dasar Tanpa Syarat (UBAI). Ini mewarisi keamanan yang kuat dan desentralisasi Bitcoin, ditingkatkan oleh mekanisme konsensus Proof of Useful Work (PoUW) yang inovatif. Node GPU tingkat konsumen dapat bergabung dengan jaringan tanpa izin, menambang token lokal, $HYPT dengan melakukan tugas PoUW seperti inferensi AI dan rendering 3D.

Pengguna dapat mengembangkan agen AGI Proof of Personhood (PoP) yang digerakkan oleh LLM menggunakan berbagai alat. Agen ini dapat dikonfigurasi sebagai chatbot atau entitas 3D/XR di metaverse. Pengembang AI dapat langsung menggunakan atau menyebarkan layanan mikro LLM AI, memfasilitasi pembuatan agen on-chain otonom yang dapat diprogram. Agen yang dapat diprogram ini dapat menerbitkan atau memiliki aset mata uang kripto, terus beroperasi, atau berdagang, berkontribusi pada ekonomi kripto otonom yang dinamis yang mendukung realisasi UBAI. Pengguna yang memegang HYPER· AGI · Token rune AGENT memenuhi syarat untuk membuat agen PoP pada rantai Bitcoin Layer 1 dan mungkin segera memenuhi syarat untuk mendapatkan manfaat dasar bagi agen mereka.

Apa itu Agen AI? Bagaimana Agen HyperAGI Berbeda dari Yang Lain?

Konsep agen AI bukanlah hal baru di dunia akademis, tetapi hype pasar saat ini telah membuat istilah tersebut semakin membingungkan. Agen HyperAGI mengacu pada agen yang diwujudkan oleh LLM yang dapat berlatih di lingkungan simulasi virtual 3D dan berinteraksi dengan pengguna, bukan hanya chatbots yang digerakkan oleh LLM. Agen HyperAGI dapat eksis di dunia digital virtual dan dunia fisik nyata. Saat ini, agen HyperAGI terintegrasi dengan robot fisik seperti anjing robot, drone, dan robot humanoid. Di masa depan, agen-agen ini akan dapat mengunduh pelatihan yang ditingkatkan dari dunia 3D virtual ke robot fisik untuk pelaksanaan tugas yang lebih baik.

Selain itu, agen HyperAGI sepenuhnya dimiliki oleh pengguna dan memiliki signifikansi sosial ekonomi. Agen PoP yang mewakili pengguna dapat menerima UBAI untuk menyesuaikan pendapatan agen dasar. Agen HyperAGI dibagi menjadi agen PoP (Proof of Personhood) yang mewakili pengguna individu dan agen fungsional biasa. Dalam ekonomi agen HyperAGI, agen PoP dapat menerima pendapatan dasar dalam bentuk token, memberi insentif kepada pengguna untuk terlibat dalam pelatihan dan interaksi agen PoP mereka. Ini membantu mengumpulkan data yang membuktikan individualitas manusia, dan UBAI mewujudkan kesetaraan AI dan demokrasi.

Apakah AGI hype atau akan segera menjadi kenyataan? Apa perbedaan dan karakteristik jalur penelitian dan pengembangan HyperAGI dibandingkan dengan proyek AI lainnya?

Meskipun definisi Artificial General Intelligence (AGI) belum disatukan, itu telah dianggap sebagai cawan suci akademisi dan industri AI selama beberapa dekade. Sementara Model Bahasa Besar (LLM) berdasarkan Transformer menjadi inti dari berbagai agen AI dan AGI, HyperAGI tidak sepenuhnya berbagi pandangan ini. LLM memang menyediakan ekstraksi informasi baru dan nyaman, serta kemampuan perencanaan dan penalaran berdasarkan bahasa alami. Namun, mereka pada dasarnya adalah jaringan saraf dalam berbasis data. Bertahun-tahun yang lalu, selama ledakan data besar, kami memahami bahwa sistem seperti itu secara inheren menderita GIGO (Garbage in, garbage out). LLM tidak memiliki beberapa karakteristik penting dari kecerdasan tingkat lanjut, seperti perwujudan, yang menyulitkan AI atau agen ini untuk memahami model dunia pengguna manusia atau untuk merumuskan rencana dan mengambil tindakan untuk memecahkan masalah dunia nyata. Selain itu, LLM tidak menunjukkan aktivitas kognitif yang lebih tinggi seperti kesadaran diri, refleksi, atau introspeksi.

Pendiri kami, Landon Wang, memiliki pengalaman penelitian yang luas dan jangka panjang di bidang AI. Pada tahun 2004, ia mengusulkan Aspect-Oriented AI (AOAI), sebuah inovasi yang menggabungkan komputasi yang terinspirasi saraf dengan Aspect-Oriented Programming (AOP). Aspek mengacu pada enkapsulasi beberapa hubungan atau kendala di antara objek. Misalnya, neuron adalah enkapsulasi hubungan atau kendala dengan beberapa sel lainnya. Secara khusus, neuron berinteraksi dengan sel-sel sensorik atau motorik melalui serat dan sinapsis yang memanjang dari tubuh neuron, membuat setiap neuron menjadi aspek yang mengandung hubungan dan logika tersebut. Setiap agen AI dapat dilihat sebagai pemecahan aspek tertentu dari suatu masalah, dan secara teknis, itu dapat dimodelkan sebagai aspek.

Dalam implementasi perangkat lunak jaringan saraf tiruan, neuron atau lapisan umumnya dimodelkan sebagai objek, yang dapat dimengerti dan dipelihara dalam bahasa pemrograman berorientasi objek. Namun, ini membuat topologi jaringan saraf sulit untuk menyesuaikan, dan urutan aktivasi neuron relatif kaku. Meskipun ini menunjukkan kekuatan besar dalam melakukan perhitungan intensitas tinggi sederhana, seperti dalam pelatihan LLM dan inferensi, kinerjanya buruk dalam fleksibilitas dan kemampuan beradaptasi. Di sisi lain, di AOAI, neuron atau lapisan dimodelkan sebagai aspek daripada objek. Arsitektur jaringan saraf ini memiliki kemampuan beradaptasi dan fleksibilitas yang kuat, memungkinkan evolusi diri jaringan saraf.

HyperAGI menggabungkan LLM yang efisien dengan AOAI yang dapat berkembang, membentuk jalur yang mengintegrasikan efisiensi jaringan saraf tiruan tradisional dengan karakteristik evolusi diri dari jaringan saraf AO. Ini, sampai saat ini, dipandang sebagai pendekatan yang layak untuk mencapai AGI.

Apa visi HyperAGI

Visi HyperAGI adalah untuk mencapai Unconditional Basic Agent Income (UBAI), membangun masa depan di mana teknologi melayani semua orang secara adil, memutus siklus eksploitasi, dan menciptakan masyarakat digital yang benar-benar terdesentralisasi dan adil. Tidak seperti proyek blockchain lainnya yang hanya mengklaim berkomitmen pada UBI, UBAI HyperAGI memiliki jalur implementasi yang jelas melalui ekonomi agen, daripada menjadi cita-cita yang tidak dapat dicapai.

Pengenalan Satoshi Nakamoto tentang Bitcoin adalah inovasi monumental bagi umat manusia, tetapi itu hanyalah mata uang digital terdesentralisasi tanpa utilitas praktis. Kemajuan signifikan dan kebangkitan kecerdasan buatan telah memungkinkan untuk menciptakan nilai melalui model desentralisasi. Dalam model ini, orang mendapat manfaat dari AI yang berjalan pada mesin daripada dari nilai orang lain. Dunia kriptografi sejati berdasarkan kode sedang muncul, di mana semua mesin diciptakan untuk kepentingan dan kesejahteraan umat manusia.

Dalam dunia kriptografi seperti itu, mungkin masih ada hierarki di antara agen AI, tetapi eksploitasi manusia dihilangkan karena agen itu sendiri mungkin memiliki beberapa bentuk otonomi. Tujuan akhir dan pentingnya kecerdasan buatan adalah untuk melayani umat manusia, seperti yang dikodekan pada blockchain.

Hubungan Antara Bitcoin L2 dan AI, dan Mengapa Membangun AI di Bitcoin L2

1. Bitcoin L2 sebagai Metode Pembayaran untuk Agen AI

   Bitcoin saat ini adalah media yang melambangkan "netralitas maksimum," membuatnya sangat cocok untuk agen kecerdasan buatan yang terlibat dalam transaksi nilai. Bitcoin menghilangkan inefisiensi dan "gesekan" yang melekat pada mata uang fiat. Sebagai media "digital native", Bitcoin memberikan landasan alami bagi AI untuk melakukan pertukaran nilai. Bitcoin L2 meningkatkan kemampuan Bitcoin yang dapat diprogram, memenuhi persyaratan kecepatan yang diperlukan untuk pertukaran nilai AI, sehingga memposisikan Bitcoin menjadi mata uang asli untuk AI.

2. Tata Kelola AI Terdesentralisasi pada Bitcoin L2

   Tren sentralisasi saat ini dalam AI telah membawa penyelarasan dan tata kelola AI yang terdesentralisasi menjadi fokus. Kontrak pintar Bitcoin L2 yang lebih kuat dapat berfungsi sebagai aturan yang mengatur perilaku agen AI dan model protokol, mencapai penyelarasan AI yang terdesentralisasi dan model tata kelola. Selain itu, karakteristik netralitas maksimum Bitcoin membuatnya lebih mudah untuk mencapai konsensus tentang penyelarasan dan tata kelola AI.

3. Menerbitkan Aset AI di Bitcoin L2

   Selain menerbitkan agen AI sebagai aset di Bitcoin L1, kinerja tinggi Bitcoin L2 dapat memenuhi kebutuhan agen AI yang menerbitkan aset AI, yang akan menjadi fondasi ekonomi agen.

4. Agen AI sebagai Aplikasi Pembunuh untuk Bitcoin dan Bitcoin L2

   Karena masalah kinerja, Bitcoin belum memiliki aplikasi praktis selain menjadi penyimpan nilai sejak awal. Bitcoin yang memasuki L2 mendapatkan kemampuan pemrograman yang lebih kuat. Agen AI umumnya digunakan untuk memecahkan masalah dunia nyata, sehingga agen AI berbasis Bitcoin dapat benar-benar diterapkan. Skala dan frekuensi penggunaan agen AI bisa menjadi aplikasi pembunuh untuk Bitcoin dan L2. Sementara ekonomi manusia mungkin tidak memprioritaskan Bitcoin sebagai metode pembayaran, ekonomi robot mungkin. Sejumlah besar agen AI yang bekerja 24/7 dapat tanpa lelah menggunakan Bitcoin untuk melakukan dan menerima pembayaran mikro. Permintaan Bitcoin dapat meningkat secara signifikan dengan cara yang saat ini tidak terbayangkan.

5. Komputasi AI untuk Meningkatkan Keamanan Bitcoin L2

   Komputasi AI dapat melengkapi Proof of Work (PoW) Bitcoin dan bahkan menggantikan PoW dengan Proof of Useful Work (PoUW), secara revolusioner memastikan keamanan sambil menyuntikkan energi yang saat ini digunakan untuk penambangan Bitcoin ke agen AI. AI dapat memanfaatkan L2 untuk mengubah Bitcoin menjadi blockchain hijau yang cerdas, tidak seperti mekanisme PoS Ethereum. Konsensus Hypergraph yang kami usulkan, berdasarkan PoUW komputasi 3D / AI, akan diperkenalkan nanti.

Apa yang Membuat HyperAGI Unik Dibandingkan dengan Proyek AI Terdesentralisasi Lainnya?

HyperAGI menonjol di bidang AI Web3 karena visi, solusi, dan teknologinya yang berbeda. Pendekatan HyperAGI mencakup konsensus daya komputasi GPU, perwujudan AI, dan asetisasi, menjadikannya aplikasi keuangan AI hibrida yang terdesentralisasi. Baru-baru ini, akademisi mengusulkan lima karakteristik yang harus dimiliki platform AI terdesentralisasi, dan kami telah meninjau secara singkat dan membandingkan proyek AI terdesentralisasi yang ada sesuai dengan lima fitur ini. Lima Karakteristik Platform AI Terdesentralisasi:

1. Verifikasi Model AI yang Dijalankan dari Jarak Jauh
   • Verifikasi terdesentralisasi mencakup teknologi seperti Ketersediaan Data dan bukti Zero-Knowledge (ZK).
2. Kegunaan Model AI yang Tersedia untuk Umum
   • Kegunaan tergantung pada apakah node API model AI (terutama LLM) adalah Peer-to-Peer dan jika jaringan sepenuhnya terdesentralisasi.
3. Insentif untuk Pengembang dan Pengguna AI
   • Mekanisme pembuatan token yang adil sangat penting untuk insentif.
4. Tata Kelola Global Solusi Penting dalam Masyarakat Digital
   • Tata kelola AI harus netral dan didorong oleh konsensus.
5. Tidak Ada Penguncian Vendor
   • Platform harus sepenuhnya terdesentralisasi.

Perbandingan proyek AI terdesentralisasi yang ada berdasarkan karakteristik ini:

1. Verifikasi Model AI yang Dijalankan dari Jarak Jauh
   • Giza: Berdasarkan mekanisme konsensus ZKML, Giza memenuhi persyaratan verifikasi tetapi saat ini mengalami masalah kinerja, terutama dengan model besar.
   • Cortex AI: Proyek AI L1 terdesentralisasi dimulai lima tahun lalu, Cortex AI menggabungkan instruksi baru ke dalam EVM untuk mendukung perhitungan jaringan saraf, tetapi tidak dapat memenuhi kebutuhan model LLM besar.
   • Ofelimos: Proposal pertama PoUW di komunitas kriptografi, tetapi tidak terkait dengan aplikasi atau proyek tertentu.
   • Project PAI: Menyebutkan PoUW dalam buku putih tetapi tidak memiliki produk.
   • Qubic: Mengusulkan PoUW menggunakan beberapa GPU untuk komputasi jaringan saraf tiruan, tetapi aplikasi praktisnya masih belum jelas.
   • FLUX: Menggunakan PoW ZelHash, bukan PoUW.
   • Coinai: Pada tahap penelitian, tidak memiliki mekanisme konsensus yang ketat.
2. Proyek yang gagal memenuhi kriteria verifikasi meliputi:
   • Proyek Penyewaan Komputasi GPU: Tidak memiliki mekanisme verifikasi terdesentralisasi, seperti DeepBrain Chain, EMC, Atheir, IO.NET, CLORE. AI, dan lainnya.
   • DeepBrain Chain: Berfokus pada penyewaan GPU, meluncurkan mainnet-nya pada tahun 2021.
   • EMC: Penugasan tugas dan penghargaan terpusat, tidak memiliki konsensus terdesentralisasi.
   • Atheir dan IO.NET: Tidak ada mekanisme konsensus yang diamati.
   • CENGKERAMAN. AI: Menggunakan crowdsourcing, pembayaran on-chain untuk rilis model AI, dan penerbitan NFT, tetapi tidak memiliki verifikasi. Proyek serupa termasuk SingularityNET, Bittensor, AINN, Fetch.ai, Ocean Protocol, dan Algovera.ai.
3. Kegunaan Model AI yang Tersedia untuk Umum
   • Cortex AI dan Qubic: Tidak ada dukungan untuk LLM yang diamati.

Tak satu pun dari proyek AI terdesentralisasi yang ada sepenuhnya mengatasi lima masalah ini. HyperAGI, bagaimanapun, adalah protokol AI yang sepenuhnya terdesentralisasi berdasarkan mekanisme konsensus Hypergraph PoUW dan Bitcoin L2 Stack yang sepenuhnya terdesentralisasi, dengan rencana untuk meningkatkan ke Bitcoin AI-specific L2 di masa depan.

Fitur Unik HyperAGI:

• Mekanisme Konsensus Hypergraph PoUW: Memastikan keamanan jaringan dengan cara yang paling efisien, memanfaatkan semua daya komputasi yang disediakan oleh penambang untuk inferensi LLM dan layanan rendering cloud.
• Platform yang Sepenuhnya Terdesentralisasi: Berdasarkan Bitcoin L2 Stack, yang memastikan platform bebas dari penguncian vendor dan memfasilitasi konsensus mudah tentang tata kelola AI.
• Verifikasi dan Kegunaan: Visi PoUW memastikan bahwa daya komputasi dapat digunakan untuk memecahkan berbagai masalah yang diajukan ke jaringan terdesentralisasi, mengatasi verifikasi model AI yang dijalankan dari jarak jauh dan membuat model AI yang tersedia untuk umum dapat digunakan.

HyperAGI tidak hanya memenuhi karakteristik yang diperlukan untuk platform AI terdesentralisasi tetapi juga memajukan bidang dengan integrasi unik kekuatan komputasi GPU dan asetisasi AI dalam kerangka kerja yang terdesentralisasi.

Mengapa Sekarang?

1. Ledakan LLM dan Aplikasinya

ChatGPT OpenAI mencapai 100 juta pengguna hanya dalam waktu tiga bulan, memicu lonjakan global dalam pengembangan, aplikasi, dan investasi dalam model bahasa besar (LLM). Namun, sampai saat ini, teknologi dan pelatihan LLM telah sangat terpusat. Sentralisasi ini telah menimbulkan kekhawatiran yang signifikan di kalangan akademisi, industri, dan publik mengenai monopoli teknologi AI oleh beberapa penyedia utama, pelanggaran privasi data, perambahan, dan penguncian vendor oleh perusahaan komputasi awan. Masalah-masalah ini pada dasarnya berasal dari kontrol internet dan gateway aplikasi oleh platform terpusat, yang tidak cocok untuk aplikasi AI skala besar. Komunitas AI telah mulai mengimplementasikan beberapa proyek AI yang dijalankan secara lokal dan terdesentralisasi. Misalnya, Ollama mewakili eksekusi lokal, dan Petals mewakili desentralisasi. Ollama menggunakan kompresi parameter atau metode presisi yang dikurangi untuk memungkinkan LLM skala kecil hingga menengah berjalan di komputer pribadi atau bahkan ponsel, sehingga melindungi privasi data pengguna dan hak-hak lainnya. Namun, pendekatan ini jelas sulit untuk mendukung lingkungan produksi dan aplikasi jaringan. Petals, di sisi lain, mencapai inferensi LLM yang sepenuhnya terdesentralisasi melalui teknologi Peer2Peer Bittorrent. Namun demikian, Petals tidak memiliki konsensus dan protokol lapisan insentif dan masih terbatas pada lingkaran kecil peneliti.

2. Agen Cerdas Berbasis LLM

Dengan dukungan LLM, agen cerdas dapat melakukan penalaran tingkat tinggi dan memiliki kemampuan perencanaan tertentu. Memanfaatkan bahasa alami, beberapa agen cerdas dapat membentuk kolaborasi sosial yang mirip dengan manusia. Beberapa kerangka kerja agen cerdas berbasis LLM telah diusulkan, seperti Microsoft AutoGen, Langchain, dan CrewAI. Saat ini, sejumlah besar pengusaha dan pengembang AI berfokus pada arah agen cerdas yang digerakkan oleh LLM dan aplikasi mereka. Ada permintaan tinggi untuk inferensi LLM yang stabil dan dapat diskalakan, tetapi ini terutama dicapai dengan menyewa instance inferensi GPU dari perusahaan komputasi awan. Pada Maret 2024, Nvidia merilis ai.nvidia.com, platform layanan mikro AI generatif yang mencakup LLM, untuk memenuhi permintaan yang sangat besar ini, meskipun belum diluncurkan secara resmi. Agen cerdas yang digerakkan oleh LLM sedang booming, seperti halnya pengembangan situs web dulu. Namun, kolaborasi masih terutama dilakukan dalam mode Web2 tradisional, di mana pengembang agen cerdas perlu menyewa GPU atau mendapatkan API dari penyedia LLM untuk mendukung pengoperasian agen ini. Ini menciptakan gesekan yang signifikan, menghambat pertumbuhan pesat ekosistem agen cerdas dan transmisi nilai dalam ekonomi agen cerdas.

3. Lingkungan Simulasi Agen yang Diwujudkan

Saat ini, sebagian besar agen hanya dapat mengakses dan mengoperasikan API tertentu atau berinteraksi dengan API ini melalui kode atau skrip, menulis perintah kontrol yang dihasilkan oleh LLM atau membaca status eksternal. Agen cerdas umum seharusnya tidak hanya memahami dan menghasilkan bahasa alami tetapi juga memahami dunia manusia. Setelah pelatihan yang sesuai, mereka harus dapat mentransfer ke sistem robot (seperti drone, penyedot debu, robot humanoid, dll.) untuk menyelesaikan tugas-tugas tertentu. Agen-agen ini disebut sebagai agen yang diwujudkan. Agen yang diwujudkan dalam pelatihan membutuhkan sejumlah besar data visual dunia nyata untuk membantu mereka lebih memahami lingkungan tertentu dan dunia nyata, mempersingkat waktu pelatihan dan pengembangan untuk robot, meningkatkan efisiensi pelatihan, dan mengurangi biaya. Saat ini, lingkungan simulasi untuk pelatihan kecerdasan yang diwujudkan dibangun dan dimiliki oleh beberapa perusahaan, seperti Microsoft Minecraft dan Nvidia Isaac Gym. Tidak ada lingkungan yang terdesentralisasi untuk memenuhi kebutuhan pelatihan intelijen yang diwujudkan. Baru-baru ini, beberapa mesin game mulai fokus pada kecerdasan buatan, seperti Unreal Engine Epic, yang mempromosikan lingkungan pelatihan AI yang sesuai dengan OpenAI GYM.

4. Ekosistem Bitcoin L2

Meskipun sidechains Bitcoin telah ada selama bertahun-tahun, mereka terutama digunakan untuk pembayaran, dan kurangnya dukungan untuk kontrak pintar menghambat aplikasi on-chain yang kompleks. Munculnya Bitcoin L2 yang kompatibel dengan EVM memungkinkan Bitcoin untuk mendukung aplikasi AI terdesentralisasi melalui L2. AI yang terdesentralisasi membutuhkan jaringan blockchain yang sepenuhnya terdesentralisasi dan dominan secara komputasi daripada jaringan blockchain PoS yang semakin terpusat. Pengenalan protokol baru untuk aset Bitcoin asli, seperti prasasti dan ordinal, memungkinkan pembentukan ekosistem dan aplikasi berdasarkan Bitcoin. Misalnya, mint peluncuran wajar HYPER • AGI • AGENT selesai dalam waktu satu jam, dan di masa depan, HyperAGI akan mengeluarkan lebih banyak aset AI dan aplikasi berbasis komunitas di Bitcoin.

Kerangka Teknis dan Solusi HyperAGI

1. Bagaimana Mewujudkan Platform Aplikasi Agen Cerdas AI Berbasis LLM yang Terdesentralisasi?

Tantangan utama dalam AI terdesentralisasi saat ini adalah memungkinkan inferensi jarak jauh untuk model AI besar dan pelatihan serta inferensi agen cerdas yang diwujudkan menggunakan algoritma berkinerja tinggi dan overhead rendah yang dapat diverifikasi. Tanpa verifikasi, sistem akan kembali ke model pasar multi-pihak tradisional yang melibatkan pemasok, permintaan, dan operator platform, daripada mencapai platform aplikasi AI yang sepenuhnya terdesentralisasi.

Komputasi AI yang dapat diverifikasi memerlukan algoritma konsensus PoUW (Proof of Useful Work). Ini berfungsi sebagai dasar untuk mekanisme insentif yang terdesentralisasi. Secara khusus, dalam insentif jaringan, pencetakan token dilakukan oleh node yang menyelesaikan tugas komputasi dan mengirimkan hasil yang dapat diverifikasi, alih-alih entitas terpusat yang mentransfer token ke node.

Untuk mencapai komputasi AI yang dapat diverifikasi, pertama-tama kita perlu mendefinisikan komputasi AI itu sendiri. Komputasi AI mencakup banyak tingkatan, mulai dari instruksi mesin tingkat rendah dan instruksi CUDA hingga bahasa tingkat yang lebih tinggi seperti C ++ dan Python. Demikian pula, dalam pelatihan agen cerdas yang diwujudkan, perhitungan 3D juga ada di berbagai tingkatan, termasuk bahasa shader, OpenGL, C ++, dan skrip cetak biru.

Algoritma konsensus PoUW HyperAGI diimplementasikan menggunakan grafik komputasi. Grafik komputasi didefinisikan sebagai grafik terarah di mana node sesuai dengan operasi matematika. Ini adalah cara untuk mengekspresikan dan mengevaluasi ekspresi matematika, pada dasarnya "bahasa" yang menggambarkan persamaan, yang berisi node (variabel) dan tepi (operasi atau fungsi sederhana).

Implementasi Komputasi AI yang Dapat Diverifikasi:

1.1 Menggunakan Grafik Komputasi untuk Menentukan Komputasi yang Dapat Diverifikasi

Setiap perhitungan (misalnya, perhitungan 3D dan AI) dapat didefinisikan menggunakan grafik komputasi. Tingkat perhitungan yang berbeda dapat direpresentasikan dengan subgraf. Pendekatan ini mencakup berbagai jenis perhitungan dan mengekspresikan tingkat komputasi yang berbeda melalui subgraf. Saat ini, ini melibatkan dua lapisan: grafik komputasi tingkat atas digunakan secara on-chain untuk memfasilitasi verifikasi oleh node.

1.2 Pemuatan dan Eksekusi Model LLM dan Adegan 3D yang Terdesentralisasi

Model LLM dan tingkat adegan 3D dimuat dan dijalankan dengan cara yang sepenuhnya terdesentralisasi. Ketika pengguna mengakses model LLM untuk inferensi atau memasuki adegan 3D untuk rendering, agen cerdas HyperAGI akan memulai node tepercaya lain untuk menjalankan hypergraph yang sama (adegan LLM atau 3D).

1.3 Verifikasi Hasil Komputasi

Jika node verifikasi menemukan bahwa hasil yang dikirimkan oleh node tidak konsisten dengan hasil yang dikirimkan oleh node tepercaya, node tersebut melakukan pencarian biner pada hasil komputasi off-chain dari grafik komputasi lapisan kedua (subgraf) untuk menemukan node komputasi divergen (operator) dalam subgraf. Operator subgraph sudah dikerahkan sebelumnya ke kontrak pintar. Dengan meneruskan parameter operator yang tidak konsisten ke kontrak pintar dan mengeksekusi operator, hasilnya dapat diverifikasi.

2. Bagaimana cara menghindari overhead komputasi yang berlebihan?

Tantangan signifikan dalam komputasi AI yang dapat diverifikasi adalah mengelola overhead komputasi tambahan. Dalam protokol konsensus Bizantium, 2/3 node harus setuju untuk membentuk konsensus. Untuk konsensus inferensi AI, ini berarti semua node harus menyelesaikan perhitungan yang sama, yang merupakan pemborosan yang tidak dapat diterima dalam komputasi AI. HyperAGI, bagaimanapun, hanya membutuhkan 1 hingga (m) node untuk melakukan perhitungan tambahan untuk validasi.

2.1 Komputasi Pendamping untuk Inferensi LLM

Setiap inferensi LLM tidak berjalan secara independen. Agen cerdas HyperAGI memulai setidaknya satu node tepercaya untuk "komputasi pendamping." Karena inferensi LLM dilakukan oleh jaringan saraf dalam di mana setiap hasil komputasi lapisan digunakan sebagai input untuk lapisan berikutnya sampai inferensi selesai, beberapa pengguna dapat secara bersamaan mengakses model LLM besar yang sama. Oleh karena itu, paling banyak, jumlah tambahan node tepercaya yang sama dengan jumlah LLM (m) perlu dimulai. Minimal, hanya satu node tepercaya yang diperlukan untuk "komputasi pendamping."

2.2 Komputasi rendering adegan 3D

Rendering adegan 3D mengikuti prinsip yang sama. Ketika pengguna memasuki adegan dan mengaktifkan hypergraph, agen cerdas HyperAGI memuat node tepercaya berdasarkan hypergraph untuk melakukan perhitungan hypergraph yang sesuai. Jika (m) pengguna memasukkan adegan 3D yang berbeda, paling banyak (m) node tepercaya untuk "komputasi pendamping" perlu dimulai.

Singkatnya, jumlah node yang berpartisipasi dalam perhitungan tambahan berkisar antara 1 dan (n + m) (di mana (n) adalah jumlah pengguna yang memasuki adegan 3D dan (m) adalah jumlah LLM). Distribusi ini mengikuti distribusi Gaussian, yang secara efektif menghindari pemborosan sumber daya sambil memastikan efisiensi verifikasi jaringan.

Bagaimana AI Terintegrasi dengan Web3 untuk Membentuk Aplikasi Semi-AI dan Semi-Keuangan

Pengembang AI dapat menggunakan agen cerdas sebagai kontrak pintar, dengan kontrak yang berisi data on-chain hypergraph tingkat atas. Pengguna atau agen cerdas lainnya dapat memanggil metode kontrak agen cerdas ini dan membayar token yang sesuai. Agen cerdas yang menyediakan layanan harus menyelesaikan perhitungan yang sesuai dan mengirimkan hasil yang dapat diverifikasi. Pengaturan ini memastikan interaksi bisnis yang terdesentralisasi antara pengguna atau agen cerdas lainnya dan agen cerdas.

Agen cerdas tidak akan khawatir tidak menerima token setelah menyelesaikan tugas, dan pembayar tidak perlu khawatir membayar token tanpa mendapatkan hasil perhitungan bisnis yang benar. Kemampuan dan nilai layanan agen cerdas ditentukan oleh harga pasar sekunder dan nilai pasar aset agen cerdas (termasuk NFT ERC-20, ERC-721, atau ERC-1155).

Di luar Aplikasi Semi-AI dan Semi-Keuangan

Penerapan HyperAGI tidak terbatas pada aplikasi semi-AI dan semi-finansial. Ini bertujuan untuk mewujudkan UBAI (Universal Basic AI), membangun masa depan di mana teknologi melayani semua orang secara setara, memutus siklus eksploitasi, dan menciptakan masyarakat digital yang benar-benar terdesentralisasi dan adil.

pernyataan:

1. Artikel ini direproduksi dari [techflow deep tide], judul aslinya adalah "HyperAGI Interview: Building a Real AI Agent and Creating an Autonomous Cryptocurrency Economy", hak cipta adalah milik penulis asli [Kelima], jika Anda keberatan dengan cetak ulang, silakan hubungi Tim Gate Learn, tim akan menanganinya sesegera mungkin sesuai prosedur yang relevan.

2. Penafian: Pandangan dan pendapat yang diungkapkan dalam artikel ini hanya mewakili pandangan pribadi penulis dan bukan merupakan saran investasi.

3. Versi bahasa lain dari artikel tersebut diterjemahkan oleh tim Gate Learn, tidak disebutkan dalam Gate.io, artikel yang diterjemahkan tidak boleh direproduksi, didistribusikan atau dijiplak.