Apresentando a equipe HyperAGI e o histórico do projeto

HyperAGI é o primeiro projeto de IA descentralizada impulsionado pela comunidade com o AI Rune HYPER· AGI· AGENTE. A equipe HyperAGI tem estado profundamente envolvida no campo de IA por muitos anos, acumulando experiência significativa em aplicações de IA generativa Web3. Três anos atrás, a equipe da HyperAGI utilizou IA generativa para criar imagens 2D e modelos 3D, construindo um mundo aberto chamado MOSSAI no blockchain, composto por milhares de ilhas geradas por IA. Eles também propuseram um padrão para ativos criptográficos não fungíveis gerados por IA, NFG. No entanto, naquela época, soluções descentralizadas para treinamento e geração de modelos de IA ainda não haviam sido desenvolvidas. Os recursos de GPU da plataforma por si só foram insuficientes para suportar um grande número de usuários, impedindo um crescimento explosivo. Com o surgimento de grandes modelos de linguagem (LLMs) despertando o interesse público em IA, a HyperAGI lançou sua plataforma de aplicativos de IA descentralizada, iniciando testes em Ethereum e Bitcoin L2 no 1º trimestre de 2024.

A HyperAGI se concentra em aplicações de IA descentralizadas, com o objetivo de cultivar uma economia autônoma de criptomoedas. Seu objetivo final é estabelecer a Renda Básica Incondicional do Agente (UBAI). Ele herda a robusta segurança e descentralização do Bitcoin, reforçada por um inovador mecanismo de consenso de Prova de Trabalho Útil (PoUW). Os nós de GPU de nível de consumidor podem ingressar na rede sem permissão, minerando tokens locais $HYPT executando tarefas PoUW, como inferência de IA e renderização 3D.

Os usuários podem desenvolver agentes AGI de Prova de Personalidade (PoP) conduzidos por LLMs usando várias ferramentas. Esses agentes podem ser configurados como chatbots ou entidades 3D/XR no metaverso. Os desenvolvedores de IA podem usar ou implantar instantaneamente microsserviços de IA LLM, facilitando a criação de agentes on-chain programáveis e autônomos. Esses agentes programáveis podem emitir ou possuir ativos de criptomoedas, operar continuamente ou negociar, contribuindo para uma economia criptográfica vibrante e autônoma que apoia a realização do UBAI. Usuários segurando HYPER· AGI· Os tokens runa AGENT são elegíveis para criar um agente PoP na cadeia Bitcoin Layer 1 e podem em breve se qualificar para benefícios básicos para seus agentes.

O que é um agente de IA? Qual a diferença entre o agente do HyperAGI e os outros?

O conceito de agente de IA não é novo na academia, mas o hype atual do mercado tem tornado o termo cada vez mais confuso. Os agentes do HyperAGI referem-se a agentes incorporados orientados por LLM que podem treinar em ambientes de simulação virtual 3D e interagir com usuários, não apenas chatbots orientados por LLM. Os agentes HyperAGI podem existir tanto em mundos digitais virtuais quanto no mundo físico real. Atualmente, os agentes HyperAGI estão se integrando a robôs físicos, como cães robóticos, drones e robôs humanoides. No futuro, esses agentes poderão baixar treinamento aprimorado do mundo virtual 3D para robôs físicos para melhor execução de tarefas.

Além disso, os agentes HyperAGI são de propriedade integral dos usuários e têm importância socioeconômica. Os agentes PoP que representam os usuários podem receber a UBAI para ajustar a renda básica do agente. Os agentes HyperAGI são divididos em agentes PoP (Proof of Personhood) que representam usuários individuais e agentes funcionais comuns. Na economia de agentes do HyperAGI, os agentes PoP podem receber renda básica na forma de tokens, incentivando os usuários a se engajarem no treinamento e interação de seus agentes PoP. Isso ajuda a acumular dados que comprovam a individualidade humana, e a UBAI incorpora a igualdade e a democracia da IA.

A AGI é um hype ou em breve se tornará realidade? Quais são as diferenças e características do caminho de pesquisa e desenvolvimento do HyperAGI em comparação com outros projetos de IA?

Embora a definição de Inteligência Geral Artificial (AGI) ainda não esteja unificada, ela tem sido considerada como o Santo Graal da academia e da indústria de IA há décadas. Embora os Large Language Models (LLMs) baseados em Transformers estejam se tornando o núcleo de vários agentes de IA e AGI, a HyperAGI não compartilha totalmente dessa visão. LLMs de fato fornecem extração de informações novas e convenientes, bem como recursos de planejamento e raciocínio baseados em linguagem natural. No entanto, eles são fundamentalmente redes neurais profundas orientadas por dados. Anos atrás, durante o boom do big data, entendemos que tais sistemas sofrem inerentemente de GIGO (Garbage in, garbage out). Os LLMs carecem de algumas características essenciais da inteligência avançada, como a incorporação, o que torna difícil para esses IA ou agentes entender os modelos de mundo dos usuários humanos ou formular planos e tomar ações para resolver problemas do mundo real. Além disso, os MMII não exibem atividades cognitivas superiores, como autoconsciência, reflexão ou introspecção.

Nosso fundador, Landon Wang, tem extensa e longa experiência em pesquisa no campo da IA. Em 2004, ele propôs a IA Orientada a Aspectos (AOAI), uma inovação que combina computação de inspiração neural com Programação Orientada a Aspectos (AOP). Um aspecto refere-se a um encapsulamento de múltiplas relações ou restrições entre objetos. Por exemplo, um neurônio é um encapsulamento de relações ou restrições com várias outras células. Especificamente, um neurônio interage com células sensoriais ou motoras através de fibras e sinapses que se estendem do corpo do neurônio, tornando cada neurônio um aspecto contendo tais relações e lógica. Cada agente de IA pode ser visto como resolvendo um aspecto específico de um problema e, tecnicamente, pode ser modelado como um aspecto.

Na implementação de software de redes neurais artificiais, neurônios ou camadas são geralmente modelados como objetos, o que é compreensível e sustentável em linguagens de programação orientadas a objetos. No entanto, isso torna a topologia da rede neural difícil de ajustar, e as sequências de ativação dos neurônios são relativamente rígidas. Embora isso mostre grande poder na realização de cálculos simples de alta intensidade, como no treinamento e inferência de LLM, ele tem um desempenho ruim em flexibilidade e adaptabilidade. Por outro lado, na AOAI, neurônios ou camadas são modelados como aspectos e não como objetos. Esta arquitetura de redes neurais possui forte adaptabilidade e flexibilidade, tornando possível a auto-evolução das redes neurais.

A HyperAGI combina LLMs eficientes com a AOAI evolutiva, formando um caminho que integra a eficiência das redes neurais artificiais tradicionais com as características de autoevolução das redes neurais AO. Isso, até o momento, é visto como uma abordagem viável para alcançar o AGI.

Qual a visão da HyperAGI

A visão da HyperAGI é alcançar a Renda Básica Incondicional do Agente (UBAI), construindo um futuro onde a tecnologia sirva a todos de forma equitativa, quebrando o ciclo de exploração e criando uma sociedade digital verdadeiramente descentralizada e justa. Ao contrário de outros projetos de blockchain que apenas afirmam estar comprometidos com a UBI, o UBAI da HyperAGI tem um caminho de implementação claro através da economia do agente, em vez de ser um ideal inatingível.

A introdução do Bitcoin por Satoshi Nakamoto foi uma inovação monumental para a humanidade, mas é apenas uma moeda digital descentralizada sem utilidade prática. Os avanços significativos e a ascensão da inteligência artificial tornaram possível a criação de valor por meio de um modelo descentralizado. Nesse modelo, as pessoas se beneficiam da IA rodando em máquinas e não do valor dos outros. Um verdadeiro mundo criptográfico baseado em código está surgindo, onde todas as máquinas são criadas para o benefício e bem-estar da humanidade.

Em tal mundo criptográfico, ainda pode haver hierarquias entre os agentes de IA, mas a exploração humana é eliminada porque os próprios agentes podem possuir alguma forma de autonomia. O propósito final e o significado da inteligência artificial são servir à humanidade, como codificado no blockchain.

A relação entre Bitcoin L2 e IA, e por que construir IA em Bitcoin L2

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

   O Bitcoin é atualmente o meio que sintetiza a "neutralidade máxima", tornando-o altamente adequado para agentes de inteligência artificial envolvidos em transações de valor. O Bitcoin elimina as ineficiências e "fricções" inerentes às moedas fiduciárias. Como um meio "nativo digital", o Bitcoin fornece uma base natural para a IA realizar trocas de valor. O Bitcoin L2 aprimora as capacidades programáveis do Bitcoin, atendendo aos requisitos de velocidade necessários para trocas de valor de IA, posicionando assim o Bitcoin para se tornar a moeda nativa da IA.

2. Governança de IA descentralizada no Bitcoin L2

   A tendência atual de centralização em IA trouxe o alinhamento e a governança descentralizada da IA em foco. Os contratos inteligentes mais poderosos do Bitcoin L2 podem servir como regras que regulam o comportamento do agente de IA e modelos de protocolo, alcançando um modelo descentralizado de alinhamento e governança de IA. Além disso, a característica de neutralidade máxima do Bitcoin torna mais fácil chegar a um consenso sobre alinhamento e governança de IA.

3. Emissão de ativos de IA no Bitcoin L2

   Além de emitir agentes de IA como ativos no Bitcoin L1, o alto desempenho do Bitcoin L2 pode atender às necessidades dos agentes de IA que emitem ativos de IA, que serão a base da economia do agente.

4. Agentes de IA como uma aplicação assassina para Bitcoin e Bitcoin L2

   Devido a problemas de desempenho, o Bitcoin não teve uma aplicação prática além de ser uma reserva de valor desde sua criação. Bitcoin entrando L2 ganha programabilidade mais poderosa. Os agentes de IA são geralmente usados para resolver problemas do mundo real, para que os agentes de IA impulsionados pelo Bitcoin possam ser realmente aplicados. A escala e a frequência do uso de agentes de IA podem se tornar uma aplicação matadora para Bitcoin e L2. Enquanto a economia humana pode não priorizar o Bitcoin como método de pagamento, a economia robótica pode. Um grande número de agentes de IA trabalhando 24 horas por dia, 7 dias por semana, pode usar incansavelmente o Bitcoin para fazer e receber micropagamentos. A demanda por Bitcoin pode aumentar significativamente de maneiras que atualmente são inimagináveis.

5. Computação de IA para melhorar a segurança do Bitcoin L2

   A computação de IA pode complementar a Prova de Trabalho (PoW) do Bitcoin e até mesmo substituir a PoW pela Prova de Trabalho Útil (PoUW), garantindo revolucionariamente a segurança enquanto injeta a energia atualmente usada para mineração de Bitcoin em agentes de IA. A IA pode alavancar o L2 para transformar o Bitcoin em uma blockchain inteligente e verde, ao contrário do mecanismo PoS do Ethereum. Nossa proposta Hypergraph Consensus, baseada no PoUW da computação 3D/IA, será introduzida mais tarde.

O que torna o HyperAGI único em comparação com outros projetos de IA descentralizados?

A HyperAGI se destaca no campo da IA Web3 devido à sua visão, soluções e tecnologia distintas. A abordagem do HyperAGI inclui o consenso do poder de computação da GPU, incorporação de IA e assetização, tornando-o um aplicativo híbrido descentralizado de IA e financeiro. Recentemente, a academia propôs cinco características que as plataformas de IA descentralizadas devem possuir, e revisamos e comparamos brevemente os projetos de IA descentralizada existentes de acordo com esses cinco recursos. Cinco características das plataformas de IA descentralizadas:

1. Verificabilidade de modelos de IA executados remotamente
   • A verificabilidade descentralizada inclui tecnologias como disponibilidade de dados e provas de conhecimento zero (ZK).
2. Usabilidade de modelos de IA disponíveis publicamente
   • A usabilidade depende se os nós da API do modelo de IA (principalmente LLM) são Peer-to-Peer e se a rede é totalmente descentralizada.
3. Incentivo para desenvolvedores e usuários de IA
   • Mecanismos justos de geração de tokens são cruciais para o incentivo.
4. Governança Global de Soluções Essenciais na Sociedade Digital
   • A governança da IA deve ser neutra e orientada por consenso.
5. Sem bloqueios de fornecedor
   • A plataforma deve ser totalmente descentralizada.

Comparação de projetos de IA descentralizados existentes com base nestas características:

1. Verificabilidade de modelos de IA executados remotamente
   • Gizé: Com base no mecanismo de consenso ZKML, o Gizé atende ao requisito de verificabilidade, mas atualmente sofre de problemas de desempenho, especialmente com modelos grandes.
   • Cortex AI: Um projeto descentralizado de IA L1 iniciado há cinco anos, o Cortex AI incorpora novas instruções no EVM para suportar cálculos de redes neurais, mas não pode atender às necessidades de grandes modelos de LLM.
   • Ofelimos: A primeira proposta do PoUW na comunidade criptográfica, mas não vinculada a aplicações ou projetos específicos.
   • Projeto PAI: Mencionou PoUW em um white paper, mas não tem um produto.
   • Qubic: Propõe PoUW usando várias GPUs para computação de redes neurais artificiais, mas sua aplicação prática ainda não está clara.
   • FLUX: Usa PoW ZelHash, não PoUW.
   • Coinai: Na fase de pesquisa, falta um mecanismo de consenso rigoroso.
2. Os projetos que não atendem ao critério de verificabilidade incluem:
   • Projetos de leasing de computação de GPU: Falta de mecanismos de verificabilidade descentralizados, como DeepBrain Chain, EMC, Atheir, IO.NET, CLORE. IA, e outros.
   • DeepBrain Chain: Foca na locação de GPUs, lançou sua mainnet em 2021.
   • EMC: Atribuição centralizada de tarefas e recompensas, falta consenso descentralizado.
   • Atheir e IO.NET: Não foram observados mecanismos de consenso.
   • CLORE. AI: Utiliza crowdsourcing, pagamento on-chain para lançamentos de modelos de IA e emissão de NFT, mas carece de verificabilidade. Projetos semelhantes incluem SingularityNET, Bittensor, AINN, Fetch.ai, Ocean Protocol e Algovera.ai.
3. Usabilidade de modelos de IA disponíveis publicamente
   • Cortex AI e Qubic: Não há suporte para LLM observado.

Nenhum dos projetos de IA descentralizada existentes aborda totalmente essas cinco questões. O HyperAGI, no entanto, é um protocolo de IA totalmente descentralizado baseado no mecanismo de consenso Hypergraph PoUW e no Bitcoin L2 Stack totalmente descentralizado, com planos de atualizar para um L2 específico de IA de Bitcoin no futuro.

Características exclusivas do HyperAGI:

• Hypergraph PoUW Consensus Mechanism: Garante a segurança da rede da maneira mais eficiente, aproveitando todo o poder computacional fornecido pelos mineradores para inferência LLM e serviços de renderização em nuvem.
• Plataforma completamente descentralizada: Baseada no Bitcoin L2 Stack, que garante que a plataforma esteja livre de bloqueios de fornecedores e facilita o consenso fácil sobre a governança de IA.
• Verificabilidade e Usabilidade: A visão PoUW garante que o poder computacional possa ser usado para resolver vários problemas submetidos à rede descentralizada, abordando a verificabilidade de modelos de IA executados remotamente e tornando utilizáveis modelos de IA disponíveis publicamente.

A HyperAGI não apenas atende às características necessárias para uma plataforma de IA descentralizada, mas também avança no campo com sua integração exclusiva de poder de computação de GPU e asset de IA dentro de uma estrutura descentralizada.

Por que agora?

1. A explosão dos LLMs e suas aplicações

O ChatGPT da OpenAI atingiu 100 milhões de usuários em apenas três meses, provocando um aumento global no desenvolvimento, aplicação e investimento em modelos de linguagem de grande porte (LLMs). No entanto, até este ponto, a tecnologia e o treinamento dos LLMs têm sido altamente centralizados. Essa centralização levantou preocupações significativas entre a academia, a indústria e o público em relação à monopolização da tecnologia de IA por alguns provedores-chave, violações de privacidade de dados, invasão e bloqueio de fornecedores por empresas de computação em nuvem. Esses problemas decorrem fundamentalmente do controle da internet e dos gateways de aplicativos por plataformas centralizadas, que não são adequadas para aplicações de IA em larga escala. A comunidade de IA começou a implementar alguns projetos de IA executados localmente e descentralizados. Por exemplo, Ollama representa a execução local e Pétalas representa a descentralização. A Ollama usa métodos de compressão de parâmetros ou precisão reduzida para permitir que LLMs de pequena a média escala sejam executados em computadores pessoais ou mesmo telefones celulares, protegendo assim a privacidade dos dados do usuário e outros direitos. No entanto, essa abordagem é obviamente difícil de suportar ambientes de produção e aplicativos em rede. Petals, por outro lado, alcança inferência LLM totalmente descentralizada através da tecnologia Peer2Peer do Bittorrent. No entanto, o Petals carece de protocolos de consenso e de incentivo e ainda está confinado a um pequeno círculo de pesquisadores.

2. Agentes inteligentes orientados por LLM

Com o apoio de LLMs, os agentes inteligentes podem realizar raciocínios de alto nível e possuir certas capacidades de planejamento. Utilizando linguagem natural, vários agentes inteligentes podem formar colaborações sociais semelhantes aos humanos. Várias estruturas de agentes inteligentes orientadas por LLM foram propostas, como AutoGen, Langchain e CrewAI da Microsoft. Atualmente, um grande número de empreendedores e desenvolvedores de IA está se concentrando na direção de agentes inteligentes orientados por LLM e suas aplicações. Há uma alta demanda por inferência LLM estável e escalável, mas isso é alcançado principalmente alugando instâncias de inferência de GPU de empresas de computação em nuvem. Em março de 2024, a Nvidia lançou o ai.nvidia.com, uma plataforma de microsserviços de IA generativa que inclui LLMs, para atender a essa enorme demanda, embora ainda não tenha sido lançada oficialmente. Os agentes inteligentes orientados por LLM estão crescendo, assim como o desenvolvimento de sites já fez. No entanto, a colaboração ainda é conduzida principalmente no modo Web2 tradicional, onde os desenvolvedores de agentes inteligentes precisam alugar GPUs ou adquirir APIs de provedores de LLM para dar suporte à operação desses agentes. Isso cria um atrito significativo, impedindo o rápido crescimento do ecossistema de agentes inteligentes e a transmissão de valor dentro da economia de agentes inteligentes.

3. Ambientes de Simulação de Agentes Incorporados

Atualmente, a maioria dos agentes só pode acessar e operar determinadas APIs ou interagir com essas APIs por meio de código ou scripts, escrevendo comandos de controle gerados por LLMs ou lendo estados externos. Os agentes inteligentes em geral não devem apenas compreender e gerar linguagem natural, mas também compreender o mundo humano. Após o treinamento adequado, eles devem ser capazes de se transferir para sistemas robóticos (como drones, aspiradores de pó, robôs humanoides, etc.) para completar tarefas específicas. Esses agentes são chamados de agentes incorporados. O treinamento de agentes incorporados requer uma grande quantidade de dados visuais do mundo real para ajudá-los a entender melhor ambientes específicos e o mundo real, encurtando o tempo de treinamento e desenvolvimento de robôs, melhorando a eficiência do treinamento e reduzindo custos. Atualmente, os ambientes de simulação para treinamento de inteligência incorporada são construídos e de propriedade de algumas empresas, como Minecraft, da Microsoft, e Isaac Gym, da Nvidia. Não existem ambientes descentralizados para atender às necessidades de treinamento da inteligência corpórea. Recentemente, alguns mecanismos de jogos começaram a se concentrar em inteligência artificial, como o Unreal Engine da Epic, que está promovendo ambientes de treinamento de IA que estão em conformidade com o OpenAI GYM.

4. Ecossistema Bitcoin L2

Embora as sidechains do Bitcoin existam há anos, elas eram usadas principalmente para pagamentos, e a falta de suporte para contratos inteligentes impedia aplicações on-chain complexas. O surgimento do Bitcoin L2s compatível com EVM permite que o Bitcoin suporte aplicativos de IA descentralizados por meio do L2. A IA descentralizada requer uma rede blockchain totalmente descentralizada e computacionalmente dominante, em vez de redes blockchain PoS cada vez mais centralizadas. A introdução de novos protocolos para ativos nativos do Bitcoin, como inscrições e ordinais, torna possível o estabelecimento de ecossistemas e aplicações baseadas no Bitcoin. Por exemplo, o lançamento justo do HYPER•AGI•AGENT foi concluído em uma hora e, no futuro, a HyperAGI emitirá mais ativos de IA e aplicativos orientados pela comunidade no Bitcoin.

Estrutura Técnica e Soluções HyperAGI

1.Como realizar uma plataforma de aplicação de agente inteligente de IA orientada por LLM descentralizada?

O principal desafio na IA descentralizada hoje é permitir a inferência remota para grandes modelos de IA e o treinamento e inferência de agentes inteligentes incorporados usando algoritmos verificáveis de alto desempenho e baixa sobrecarga. Sem verificabilidade, o sistema voltaria a um modelo tradicional de mercado multipartidário envolvendo fornecedores, demandantes e operadores de plataforma, em vez de alcançar uma plataforma de aplicativos de IA totalmente descentralizada.

A computação de IA verificável requer o algoritmo de consenso PoUW (Proof of Useful Work). Isso serve de base para mecanismos de incentivo descentralizados. Especificamente, dentro dos incentivos de rede, a cunhagem de tokens é realizada por nós que concluem tarefas computacionais e enviam resultados verificáveis, em vez de qualquer entidade centralizada transferir tokens para os nós.

Para alcançar a computação de IA verificável, primeiro precisamos definir a computação de IA em si. A computação de IA abrange muitos níveis, desde instruções de máquina de baixo nível e instruções CUDA até linguagens de nível superior, como C++ e Python. Da mesma forma, no treinamento de agentes inteligentes incorporados, cálculos 3D também existem em vários níveis, incluindo linguagens de sombreador, OpenGL, C++ e scripts blueprint.

O algoritmo de consenso PoUW do HyperAGI é implementado usando gráficos computacionais. Um grafo computacional é definido como um grafo direcionado onde nós correspondem a operações matemáticas. É uma forma de expressar e avaliar expressões matemáticas, essencialmente uma "linguagem" descrevendo equações, contendo nós (variáveis) e arestas (operações ou funções simples).

Implementação de computação de IA verificável:

1.1 Usando gráficos computacionais para definir computação verificável

Qualquer computação (por exemplo, cálculos 3D e IA) pode ser definida usando gráficos computacionais. Diferentes níveis de computação podem ser representados com subgrafos. Esta abordagem engloba vários tipos de computação e expressa diferentes níveis computacionais através de subgrafos. Atualmente, envolve duas camadas: o gráfico computacional de nível superior é implantado on-chain para facilitar a verificação por nós.

1.2 Carregamento e Execução Descentralizados de Modelos LLM e Cenas 3D

Os modelos LLM e os níveis de cena 3D são carregados e executados de forma totalmente descentralizada. Quando um usuário acessa um modelo LLM para inferência ou insere uma cena 3D para renderização, um agente inteligente HyperAGI inicia outro nó confiável para executar o mesmo hipergrafo (LLM ou cena 3D).

1.3 Verificação de Resultados Computacionais

Se um nó de verificação descobrir que um resultado enviado por um nó é inconsistente com o resultado enviado por um nó confiável, ele conduzirá uma pesquisa binária nos resultados computacionais off-chain do grafo computacional de segunda camada (subgrafo) para localizar o nó computacional divergente (operador) dentro do subgrafo. Os operadores de subgrafo são pré-implantados em contratos inteligentes. Ao passar os parâmetros do operador inconsistente para o contrato inteligente e executar o operador, os resultados podem ser verificados.

2. Como evitar despesas gerais computacionais excessivas?

Um desafio significativo na computação de IA verificável é gerenciar a sobrecarga computacional adicional. Nos protocolos de consenso bizantino, 2/3 dos nós devem concordar em formar um consenso. Para o consenso de inferência de IA, isso significa que todos os nós precisariam completar a mesma computação, o que é um desperdício inaceitável na computação de IA. O HyperAGI, no entanto, requer apenas 1 a (m) nós para executar computação adicional para validação.

2.1 Computação complementar para inferência LLM

Cada inferência de LLM não é executada independentemente. O agente inteligente HyperAGI inicia pelo menos um nó confiável para "computação complementar". Como a inferência LLM é realizada por redes neurais profundas, onde os resultados computacionais de cada camada são usados como entrada para a próxima camada até que a inferência seja concluída, vários usuários podem acessar simultaneamente o mesmo modelo LLM grande. Portanto, no máximo, um número adicional de nós confiáveis igual ao número de LLMs (m) precisa ser iniciado. No mínimo, apenas um nó confiável é necessário para a "computação complementar".

2.2 Computação de renderização de cena 3D

A renderização de cenas 3D segue um princípio semelhante. Quando um usuário entra em uma cena e ativa o hipergrafo, o agente inteligente HyperAGI carrega um nó confiável com base no hipergrafo para executar o cálculo do hipergrafo correspondente. Se (m) os usuários entrarem em cenas 3D diferentes, no máximo (m) nós confiáveis para "computação complementar" precisarão ser iniciados.

Em resumo, o número de nós que participam da computação adicional varia entre 1 e (n + m) (onde (n) é o número de usuários inserindo cenas 3D e (m) é o número de LLMs). Essa distribuição segue uma distribuição gaussiana, evitando efetivamente o desperdício de recursos e garantindo a eficiência da verificação da rede.

Como a IA se integra ao Web3 para formar aplicações semi-IA e semi-financeiras

Os desenvolvedores de IA podem implantar agentes inteligentes como contratos inteligentes, com contratos contendo dados on-chain de hipergrafo de nível superior. Os usuários ou outros agentes inteligentes podem chamar métodos desses contratos de agente inteligente e pagar os tokens correspondentes. O agente inteligente que fornece o serviço deve completar a computação correspondente e enviar resultados verificáveis. Essa configuração garante interações comerciais descentralizadas entre usuários ou outros agentes inteligentes e o agente inteligente.

O agente inteligente não se preocupará em não receber tokens depois de concluir uma tarefa, e o pagador não precisa se preocupar em pagar tokens sem obter os resultados corretos de computação de negócios. A capacidade e o valor do serviço do agente inteligente são determinados pelo preço de mercado secundário e pelo valor de mercado dos ativos do agente inteligente (incluindo ERC-20, ERC-721 ou ERC-1155 NFTs).

Além da Semi-IA e Aplicações Semi-Financeiras

A aplicação do HyperAGI não se limita a aplicações semi-AI e semi-financeiras. O objetivo é realizar a UBAI (Universal Basic AI), construindo um futuro onde a tecnologia sirva a todos igualmente, quebrando ciclos de exploração e criando uma sociedade digital verdadeiramente descentralizada e justa.

declaração:

1. Este artigo é reproduzido de [techflow deep tide], o título original é "HyperAGI Interview: Building a Real AI Agent and Creating an Autonomous Cryptocurrency Economy", os direitos autorais pertencem ao autor original [quinto], se você tiver alguma objeção à reimpressão, entre em contato com a Gate Learn Team, a equipe lidará com isso o mais rápido possível de acordo com os procedimentos relevantes.

2. Disclaimer: Os pontos de vista e opiniões expressos neste artigo representam apenas os pontos de vista pessoais do autor e não constituem qualquer conselho de investimento.

3. Outras versões linguísticas do artigo são traduzidas pela equipe do Gate Learn, não mencionadas em Gate.io, o artigo traduzido não pode ser reproduzido, distribuído ou plagiado.