1. Sifat Berubah-Ubah Dari Perhatian

Selama setahun terakhir, karena terjadi perbedaan narasi lapisan aplikasi, tidak mampu menyamai laju pertumbuhan infrastruktur, ruang kripto secara bertahap telah berubah menjadi kompetisi untuk sumber daya perhatian. Dari Silly Dragon ke Goat, dari Pump.fun ke Clanker, kelabilan perhatian telah menyebabkan siklus reinkarnasi konstan dalam pertempuran ini. Apa yang dimulai dengan bentuk monetisasi yang paling konvensional dengan cepat berkembang menjadi model platform yang menyatukan pencari perhatian dan penyedia, akhirnya mengarah pada bentuk kehidupan berbasis silikon menjadi penyedia konten baru. Di antara berbagai koin meme yang aneh, entitas baru telah muncul yang memungkinkan investor eceran dan VC mencapai konsensus: Agen AI.

Perhatian pada akhirnya adalah permainan zero-sum, meskipun spekulasi memang dapat mendorong pertumbuhan yang cepat. Dalam artikel kami sebelumnya tentang UNI, kami meninjau kembali awal zaman keemasan terakhir blockchain, ketika pertumbuhan eksplosif DeFi dipicu oleh peluncuran penambangan LP oleh Compound Finance. Selama era itu, berpartisipasi dalam ratusan, terkadang ribuan, kolam penambangan dengan hasil ribuan atau bahkan puluhan ribu persen APY adalah bentuk spekulasi on-chain yang paling primitif. Meskipun hasilnya adalah runtuhnya banyak kolam yang kacau, masuknya penambang "demam emas" meninggalkan likuiditas yang belum pernah terjadi sebelumnya di ruang blockchain. DeFi akhirnya melepaskan diri dari spekulasi murni dan matang menjadi vertikal solid yang memenuhi kebutuhan keuangan pengguna di berbagai bidang seperti pembayaran, perdagangan, arbitrase, dan staking. Agen AI saat ini sedang mengalami fase "pertumbuhan liar" yang serupa. Apa yang kami jelajahi sekarang adalah bagaimana crypto dapat mengintegrasikan AI dengan lebih baik dan pada akhirnya meningkatkan lapisan aplikasi ke ketinggian baru.

2. Bagaimana Agen AI Beroperasi Secara Mandiri?

Dalam artikel sebelumnya, kami secara singkat memperkenalkan asal usul meme AI melalui Truth Terminal dan menjelajahi potensi masa depan AI Agents. Artikel ini akan fokus pada AI Agents itu sendiri.

Mari kita mulai dengan definisi Agen AI. Dalam bidang AI, istilah 'Agen' adalah konsep yang lebih tua namun masih samar, terutama menekankan otonomi. Dengan kata lain, setiap AI yang dapat merasakan lingkungannya dan membuat keputusan refleksif dianggap sebagai Agen. Saat ini, definisi Agen AI lebih dekat dengan entitas cerdas, sebuah sistem yang dirancang untuk meniru proses pengambilan keputusan manusia. Sistem ini dianggap di dunia akademis sebagai pendekatan yang paling menjanjikan menuju pencapaian AGI (Kecerdasan Buatan Umum).

Pada versi awal GPT, kita bisa merasakan bahwa model-model besar tersebut mirip manusia, namun saat menjawab pertanyaan-pertanyaan kompleks, seringkali mereka memberikan jawaban yang samar atau tidak jelas. Alasan mendasar untuk hal ini adalah bahwa model-model ini didasarkan pada probabilitas daripada kausalitas, dan mereka kekurangan kemampuan mirip manusia seperti penggunaan alat, ingatan, dan perencanaan. AI Agent bertujuan untuk mengatasi kesenjangan-kesenjangan ini. Jadi, untuk merangkum dalam sebuah rumus: AI Agent = LLM (Large Language Model) + Perencanaan + Ingatan + Alat.

Model berbasis prompt lebih seperti versi statis dari seseorang, hanya menjadi hidup ketika kita memasukkan data. Sebaliknya, tujuan AI Agent adalah menjadi entitas yang lebih dinamis dan mirip dengan manusia. Saat ini, sebagian besar AI Agent di bidang ini adalah model yang disesuaikan berdasarkan versi open-source Llama 70b atau 405b dari Meta (dengan parameter yang berbeda), dilengkapi dengan memori dan kemampuan untuk menggunakan API untuk integrasi alat. Di area lain, mereka mungkin masih membutuhkan masukan atau bantuan manusia, seperti berinteraksi atau berkolaborasi dengan AI Agent lain. Inilah mengapa sebagian besar AI Agent saat ini terutama ada dalam bentuk KOL di jaringan sosial. Untuk membuat AI Agent lebih mirip dengan manusia, ia perlu menggabungkan kemampuan perencanaan dan tindakan, dengan rangkaian pemikiran dalam proses perencanaan menjadi sangat penting.

3. Rantai Pemikiran (CoT)

Konsep Chain of Thought (CoT) pertama kali muncul dalam paper Google tahun 2022 berjudul Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Paper tersebut menunjukkan bahwa dengan menghasilkan serangkaian langkah penalaran intermediet, kemampuan penalaran model dapat ditingkatkan, membantu model memahami dan menyelesaikan masalah kompleks dengan lebih baik.

Sebuah permintaan CoT typikal terdiri dari tiga bagian: deskripsi tugas dengan instruksi yang jelas, dasar logis untuk tugas dengan landasan teoritis atau prinsip yang mendukung solusi, dan contoh spesifik dari solusi. Pendekatan terstruktur ini membantu model memahami persyaratan tugas dan, melalui penalaran logis, secara bertahap mendekati jawaban, meningkatkan efisiensi dan akurasi dalam pemecahan masalah. CoT sangat cocok untuk tugas-tugas yang membutuhkan analisis mendalam dan penalaran multi-tahap, seperti pemecahan masalah matematika atau penulisan laporan proyek. Untuk tugas-tugas yang lebih sederhana, CoT mungkin tidak menunjukkan keunggulan yang jelas, tetapi untuk yang lebih kompleks, ia dapat secara signifikan meningkatkan kinerja model dengan mengurangi tingkat kesalahan melalui strategi pemecahan masalah langkah demi langkah, sehingga meningkatkan kualitas penyelesaian tugas.

Dalam konstruksi AI Agents, CoT memainkan peran penting. AI Agents perlu memahami informasi yang mereka terima dan membuat keputusan yang masuk akal berdasarkan hal tersebut. CoT menyediakan proses berpikir yang teratur yang membantu Agent memproses dan menganalisis data masukan dengan efektif, mengubah analisis menjadi pedoman yang dapat dilaksanakan. Metode ini tidak hanya memperkuat keandalan dan efisiensi pengambilan keputusan Agent, tetapi juga meningkatkan transparansi proses pengambilan keputusan, membuat perilaku Agent lebih dapat diprediksi dan dapat dilacak. Dengan memecah tugas menjadi langkah-langkah yang lebih kecil, CoT membantu Agent mempertimbangkan setiap titik keputusan secara detail, mengurangi kesalahan yang disebabkan oleh kelebihan informasi dan membuat proses pengambilan keputusan lebih transparan. Transparansi ini memungkinkan pengguna untuk lebih memahami dasar keputusan Agent. Dalam interaksi dengan lingkungan, CoT memungkinkan Agent untuk terus belajar informasi baru dan menyesuaikan strategi perilakunya.

Sebagai strategi yang efektif, CoT tidak hanya meningkatkan kemampuan penalaran model bahasa besar tetapi juga memainkan peran penting dalam membangun Agen AI yang lebih cerdas dan lebih andal. Dengan memanfaatkan CoT, para peneliti dan pengembang dapat menciptakan sistem cerdas yang lebih mudah beradaptasi dengan lingkungan yang kompleks dan sangat otonom. Dalam aplikasi praktis, CoT telah menunjukkan keunggulan uniknya, terutama dalam menangani tugas-tugas kompleks. Dengan memecah tugas menjadi serangkaian langkah yang lebih kecil, itu tidak hanya meningkatkan akurasi resolusi tugas tetapi juga meningkatkan interpretabilitas dan kemampuan kontrol model. Pendekatan pemecahan masalah langkah demi langkah ini dapat sangat mengurangi kesalahan yang disebabkan oleh informasi yang berlebihan atau terlalu kompleks ketika menghadapi tugas yang kompleks. Pada saat yang sama, metode ini juga meningkatkan keterlacakan dan verifikasi seluruh solusi.

Fungsi inti dari CoT terletak pada integrasi perencanaan, tindakan, dan observasi, menjembatani kesenjangan antara pemikiran dan tindakan. Model pemikiran ini memungkinkan AI Agent untuk merancang tindakan pencegahan yang efektif saat memprediksi potensi anomali dan mengumpulkan informasi baru saat berinteraksi dengan lingkungan eksternal, memvalidasi prediksi yang telah ditetapkan dan memberikan dasar pemikiran baru. CoT berfungsi seperti mesin yang kuat dalam hal presisi dan stabilitas, membantu AI Agent menjaga efisiensi tinggi dalam lingkungan yang kompleks.

4. Jenis Pseudo-Demand yang Tepat

Bagaimana sebenarnya Kripto harus terintegrasi dengan tumpukan teknologi AI? Dalam artikel tahun lalu, saya menyarankan bahwa mendekan kekuatan komputasi dan data adalah langkah kunci dalam membantu bisnis kecil dan pengembang individu menghemat biaya. Tahun ini, dalam pembagian rinci sektor Kripto x AI yang disusun oleh Coinbase, kita dapat melihat pembagian yang lebih spesifik:

(1) Lapisan Komputasi (berfokus pada menyediakan sumber daya GPU untuk pengembang AI);

(2) Data Layer (berfokus pada akses terdesentralisasi, orkestrasi, dan verifikasi pipa data AI);

(3) Lapisan Middleware (platform atau jaringan yang mendukung pengembangan, implementasi, dan hosting model atau agen AI);

(4) Lapis Aplikasi (produk yang menghadap pengguna yang memanfaatkan mekanisme AI on-chain, baik B2B maupun B2C).

Masing-masing dari empat lapisan ini memiliki visi besar, yang semuanya bertujuan untuk menantang dominasi raksasa Silicon Valley di era internet berikutnya. Seperti yang saya katakan tahun lalu, apakah kita benar-benar perlu menerima bahwa raksasa Silicon Valley secara eksklusif mengontrol daya komputasi dan data? Di bawah monopoli mereka, model besar sumber tertutup adalah kotak hitam, dan sains, sebagai sistem kepercayaan kemanusiaan yang paling dihormati saat ini, akan bergantung pada jawaban yang diberikan oleh model-model besar ini. Tetapi bagaimana kebenaran ini dapat diverifikasi? Menurut visi raksasa Silicon Valley ini, kekuatan yang dimiliki oleh agen cerdas dapat melebihi imajinasi kita – seperti memiliki wewenang untuk melakukan pembayaran dari dompet Anda atau mengontrol akses terminal Anda. Bagaimana kita bisa memastikan bahwa tidak ada niat jahat yang muncul?

Desentralisasi adalah satu-satunya jawaban, tetapi kadang-kadang kita perlu secara wajar mempertimbangkan berapa banyak pembeli yang ada untuk visi besar ini. Di masa lalu, kita bisa mengabaikan kebutuhan akan loop komersial dan menggunakan Token untuk mengisi kesenjangan yang disebabkan oleh idealisme. Namun, situasi saat ini jauh lebih menantang. Crypto x AI harus merancang berdasarkan keadaan praktis. Misalnya, bagaimana kita menyeimbangkan pasokan di kedua ujung lapisan komputasi dalam kasus kehilangan kinerja dan ketidakstabilan, dan tetap bersaing dengan penyedia cloud terpusat? Berapa banyak pengguna nyata yang akan dimiliki oleh proyek lapisan data? Bagaimana kita bisa memverifikasi keaslian dan validitas data yang disediakan? Jenis klien apa yang sebenarnya membutuhkan data ini? Logika yang sama berlaku untuk lapisan lainnya. Di era ini, kita tidak perlu begitu banyak permintaan semu yang tampaknya benar.

5. Meme Telah Berkembang menjadi SocialFi

Seperti yang saya sebutkan di bagian pertama, Meme telah berkembang pesat menjadi bentuk SocialFi yang kompatibel dengan Web3. Friend.tech adalah DApp yang melepaskan tembakan pertama dalam putaran aplikasi sosial ini, tetapi sayangnya gagal karena desain Token yang terburu-buru. Di sisi lain, Pump.fun telah menunjukkan kelayakan dari model platform murni, tanpa adanya Token atau aturan. Kebutuhan para pencari perhatian dan penyedia terkumpul di platform ini, di mana Anda dapat memposting meme, melakukan streaming langsung, membuat token, berkomentar, berdagang, dan semuanya gratis. Pump.fun hanya mengumpulkan biaya layanan. Model ini pada dasarnya identik dengan ekonomi perhatian dari platform media sosial saat ini seperti YouTube dan Instagram, tetapi dengan model pendapatan yang berbeda dan gameplay yang lebih berpusat pada Web3.

Clanker Base, di sisi lain, adalah kisah sukses mutlak, dengan manfaat dari ekosistem terintegrasi yang dirancang oleh platform itu sendiri. Base memiliki DApp sosial sendiri sebagai alat bantu, menciptakan lingkaran internal yang lengkap. Agen Meme adalah bentuk 2.0 dari Meme Coin. Orang selalu mengejar hal-hal baru, dan saat ini, Pump.fun berada di pusat perhatian. Dari perspektif tren, hanya masalah waktu sebelum ide-ide aneh dari bentuk kehidupan berbasis silikon menggantikan meme-meme kasar dari bentuk kehidupan berbasis karbon.

Saya telah menyebutkan Base berkali-kali, dengan berbagai aspek setiap kali, tetapi satu hal tetap jelas: Base tidak pernah menjadi penggerak pertama, tetapi selalu menjadi pemenang.

6. Apa Lain yang Dapat Dilakukan oleh Agen AI?

Dari sudut pandang praktis, agen AI tidak mungkin terdesentralisasi dalam waktu yang dapat diperkirakan. Di bidang AI tradisional, membangun agen AI bukanlah masalah yang dapat diselesaikan hanya melalui desentralisasi atau proses sumber terbuka. Agen AI perlu terhubung ke berbagai API untuk mengakses konten Web2, dan biaya operasional mereka tinggi. Desain Chain of Thought (CoT) dan kolaborasi multi-agen seringkali masih membutuhkan mediasi manusia. Kami akan melewati periode transisi yang panjang sampai kami menemukan bentuk integrasi yang sesuai — mungkin sesuatu seperti UNI, tetapi untuk saat ini, saya masih percaya bahwa agen AI akan memiliki dampak signifikan pada industri kami, seperti halnya CEX ada di sektor kami — tidak benar, tetapi sangat penting.

Bulan lalu, Stanford & Microsoft menerbitkan Tinjauan Agen AI yang menggambarkan aplikasi agen AI di industri seperti perawatan kesehatan, mesin pintar, dan dunia virtual. Di lampiran makalah ini, sudah ada banyak kasus eksperimental di mana GPT-4V, sebagai agen AI, berpartisipasi dalam pengembangan game AAA kelas atas.

Kita sebaiknya tidak terburu-buru mengintegrasikan agen AI dengan desentralisasi. Yang saya harapkan adalah bahwa potongan teka-teki pertama yang diselesaikan oleh agen AI adalah kemampuan dan kecepatan mereka dari bawah ke atas. Ada begitu banyak reruntuhan naratif dan metaverse kosong yang perlu diisi, dan saat waktunya tepat, kita dapat mempertimbangkan bagaimana mengubah agen AI menjadi UNI berikutnya.

Tentang YBB

YBB adalah dana web3 yang mendedikasikan dirinya untuk mengidentifikasi proyek-proyek yang menentukan Web3 dengan visi untuk menciptakan habitat online yang lebih baik untuk semua penghuni internet. Didirikan oleh sekelompok penggiat blockchain yang telah aktif berpartisipasi dalam industri ini sejak tahun 2013, YBB selalu siap membantu proyek-proyek tahap awal untuk berkembang dari 0 menjadi 1. Kami menghargai inovasi, gairah yang didorong sendiri, dan produk yang berorientasi pengguna sambil mengakui potensi kripto dan aplikasi blockchain.

Disclaimer:

1. Artikel ini diambil dari [ Medium]. Hak cipta adalah milik penulis asli [YBB]. Jika ada keberatan terhadap reproduksi, harap hubungiTim Belajar gate, yang akan menangani masalah tersebut dengan segera sesuai dengan prosedur yang relevan.
2. Penafian: Pandangan dan pendapat yang terdapat dalam artikel ini sepenuhnya merupakan pandangan penulis dan tidak membentuk nasihat pelaburan apa pun.
3. Tim Gate Learn telah menerjemahkan artikel ke bahasa lain. Menyalin, mendistribusikan, atau menjiplak artikel yang diterjemahkan dilarang kecuali disebutkan.