1. Мінливий характер уваги

Протягом минулого року через розрив у наративах на рівні застосування, не здатність відповідати темпу зростання інфраструктури, криптопростір поступово перетворився на конкуренцію за ресурсами уваги. Від Смішного Дракона до Кози, від Pump.fun до Clanker, капризність уваги призвела до постійного переосмислення у цьому бою. Те, що почалося з найбільш традиційної форми привабливої монетизації, швидко перетворилося на модель платформи, яка об'єднала шукачів та надавачів уваги, що врешті-решт призвело до того, що форми життя на основі кремнію стали новими постачальниками контенту. Серед дивної гами мем-монет з'явилася нова сутність, яка дозволяє роздрібним інвесторам та ВКС досягти консенсусу: Штучні Інтелект Агенти.

Увага в кінцевому підсумку є грою з нульовою сумою, хоча спекуляції дійсно можуть сприяти швидкому зростанню. У нашій попередній статті про UNI ми згадали початок останнього золотого віку блокчейну, коли вибухове зростання DeFi було викликано запуском майнінгу LP компанією Compound Finance. У ту епоху участь у сотнях, а іноді й тисячах майнінг-пулів з прибутковістю в тисячі або навіть десятки тисяч відсотків річних була найпримітивнішою формою спекуляцій у мережі. Хоча результатом став хаотичний крах багатьох пулів, приплив майнерів «золотої лихоманки» залишив безпрецедентну ліквідність у блокчейн-просторі. DeFi врешті-решт звільнився від чистих спекуляцій і перетворився на міцну вертикаль, яка задовольняла фінансові потреби користувачів у таких сферах, як платежі, торгівля, арбітраж і стейкінг. Агенти штучного інтелекту в даний час переживають аналогічну фазу «дикого зростання». Зараз ми досліджуємо, як криптовалюта може краще інтегрувати штучний інтелект і в кінцевому підсумку підняти рівень додатків на нову висоту.

2. Як працюють AI агенти автономно?

В нашій попередній статті ми коротко познайомилися з походженням мемів штучного інтелекту через Truth Terminal та дослідили майбутній потенціал AI Агентів. Ця стаття буде присвячена самим AI Агентам.

Почнемо з визначення AI Agent. У сфері штучного інтелекту термін «агент» є старим, але все ще розпливчастим поняттям, яке в основному наголошує на автономії. Іншими словами, будь-який ШІ, який може сприймати навколишнє середовище та приймати рефлексивні рішення, вважається Агентом. Сьогодні визначення агента штучного інтелекту ближче до визначення розумної сутності, системи, призначеної для імітації процесів прийняття рішень людиною. Ця система розглядається в академічних колах як найбільш перспективний підхід до досягнення AGI (Artificial General Intelligence).

У ранніх версіях GPT ми могли чітко відчути, що великі моделі були подібні до людини, але відповідаючи на складні питання, вони часто надавали відповіді, які були нечіткі або неточні. Основна причина цього полягала в тому, що ці моделі базувалися на ймовірностях, а не на причинності, і вони не мали людських здібностей, таких як використання інструментів, пам'ять та планування. AI Agents мають на меті вирішити ці прогалини. Таким чином, підсумовуючи в формулі: AI Agent = LLM (Large Language Model) + Планування + Пам'ять + Інструменти.

Моделі, засновані на підказках, більше схожі на статичну версію людини, яка оживає тільки тоді, коли ми вводимо дані. На противагу цьому, мета агента штучного інтелекту полягає в тому, щоб бути більш динамічною, схожою на людину сутністю. Наразі більшість AI Agents у цій галузі — це тонко налаштовані моделі на основі версій Llama 70b або 405b з відкритим вихідним кодом від Meta (з різними параметрами), оснащені пам'яттю та можливістю використання API для інтеграції інструментів. В інших сферах їм все ще може знадобитися людський внесок або допомога, наприклад, взаємодія або співпраця з іншими агентами штучного інтелекту. Ось чому більшість агентів штучного інтелекту сьогодні в основному існують у вигляді KOL у соціальних мережах. Щоб зробити агента штучного інтелекту більш схожим на людину, він повинен включати можливості планування та дій, причому ланцюжок думок у процесі планування є особливо важливим.

3. Ланцюг думки (CoT)

Концепція Chain of Thought (CoT) вперше з'явилася в документі Google 2022 року під назвою Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. У документі було зазначено, що шляхом генерування серії проміжних кроків мислення, здатність моделі до мислення може бути покращена, що допоможе їй краще розуміти та вирішувати складні проблеми.

Звичайний виклик CoT складається з трьох частин: опис завдання з чіткими інструкціями, логічною основою для завдання з теоретичними основами або принципами, що підтримують рішення, і конкретним прикладом рішення. Цей структурований підхід допомагає моделі зрозуміти вимоги до завдання і, за допомогою логічного мислення, поступово наблизитися до відповіді, поліпшуючи як ефективність, так і точність вирішення проблем. CoT особливо підходить для завдань, які вимагають глибокого аналізу та багатоетапного мислення, таких як математичне вирішення проблем або написання звітів про проект. Для простіших завдань CoT може не показувати очевидних переваг, але для більш складних він може значно покращити продуктивність моделі, зменшуючи помилковість через поетапну стратегію вирішення проблем, тим самим покращуючи якість виконання завдань.

У побудові агентів штучного інтелекту CoT відіграє вирішальну роль. Агенти штучного інтелекту повинні розуміти інформацію, яку вони отримують, і приймати обґрунтовані рішення на її основі. CoT забезпечує впорядкований процес мислення, який допомагає агенту ефективно обробляти та аналізувати вхідні дані, перетворюючи аналіз на дієві рекомендації. Цей метод не тільки підвищує надійність та ефективність прийняття рішень Агентом, але й підвищує прозорість процесу прийняття рішень, роблячи поведінку Агента більш передбачуваною та простежуваною. Розбиваючи завдання на менші кроки, CoT допомагає агенту детально розглянути кожен момент прийняття рішення, зменшуючи помилки, спричинені інформаційним перевантаженням, і роблячи процес прийняття рішень більш прозорим. Така прозорість дозволяє користувачам краще розуміти основу рішень Агента. У взаємодії з навколишнім середовищем CoT дозволяє агенту постійно вивчати нову інформацію та коригувати свою стратегію поведінки.

Як ефективна стратегія, CoT не тільки покращує здатність міркувати великими мовними моделями, але й відіграє важливу роль у створенні розумніших і надійніших агентів штучного інтелекту. Використовуючи CoT, дослідники та розробники можуть створювати інтелектуальні системи, які є більш адаптивними до складних середовищ і дуже автономними. У практичному застосуванні CoT показав свої унікальні переваги, особливо у вирішенні складних завдань. Розбиваючи завдання на серію менших кроків, він не тільки підвищує точність вирішення завдань, але й покращує інтерпретацію та керованість моделі. Цей покроковий підхід до вирішення проблем може значно зменшити кількість помилок, спричинених надмірною або надмірно складною інформацією під час вирішення складних завдань. У той же час цей метод також покращує простежуваність і перевірюваність всього розчину.

Основна функція CoT полягає в інтеграції планування, дії та спостереження, зводячи міст між міркуванням та дією. Ця модель мислення дозволяє AI Агенту розробляти ефективні протидії при передбаченні потенційних аномалій та накопичувати нову інформацію під час взаємодії з зовнішнім середовищем, підтверджуючи попередні передбачення та надаючи нові підстави для міркувань. CoT діє як потужний рушій точності та стабільності, допомагаючи AI Агенту зберігати високу ефективність в складних середовищах.

4. Правильний вид псевдопопиту

Як саме має інтегруватися Crypto з технологічними стеками AI? У минулорічній статті я запропонував децентралізацію обчислювальної потужності та даних як ключовий крок у допомозі малим бізнесам та індивідуальним розробникам економити кошти. У цьому році, в детальному розбитті секторів Crypto x AI, складеним Coinbase, ми можемо побачити більш конкретні поділів:

(1) Обчислювальний рівень (спрямований на надання ресурсів GPU для розробників штучного інтелекту);

(2) Шара Даних (зосереджена на децентралізованому доступі, організації та перевірці штучних інтелектуальних конвеєрів даних);

(3) Проміжний рівень (платформи або мережі, що підтримують розробку, розгортання та хостинг моделей або агентів ШІ);

(4) Прикладний рівень (продукти, що працюють з механізмами штучного інтелекту на ланцюжку, які використовуються користувачами, незалежно від того, чи є це B2B, чи B2C).

Кожен з цих чотирьох шарів має грандіозне бачення, кожне з яких спрямоване на те, щоб кинути виклик домінуванню гігантів Кремнієвої долини в наступну еру Інтернету. Як я вже говорив минулого року, чи дійсно нам потрібно визнати, що гіганти Кремнієвої долини контролюють виключно обчислювальні потужності та дані? За їхніх монополій великі моделі із закритим вихідним кодом є чорними скриньками, і наука, як найбільш шанована система вірувань людства сьогодні, покладатиметься на відповіді, які дають ці великі моделі. Але як ці істини можна перевірити? Згідно з баченням цих гігантів Кремнієвої долини, повноваження, якими володіють інтелектуальні агенти, можуть перевершити нашу уяву — наприклад, мати повноваження здійснювати платежі зі свого гаманця або контролювати доступ до терміналу. Як ми можемо зробити так, щоб не виникло злого наміру?

Децентралізація – це єдина відповідь, але іноді нам потрібно обґрунтовано враховувати, скільки покупців є для цих грандіозних бачень. У минулому ми могли не помічати потреби в комерційному циклі та використовувати токени, щоб заповнити прогалини, спричинені ідеалізмом. Однак нинішня ситуація набагато складніша. Crypto x AI повинен проектувати, виходячи з практичних обставин. Наприклад, як збалансувати пропозицію на обох кінцях обчислювального рівня у випадках втрати продуктивності та нестабільності, і при цьому конкурувати з централізованими хмарними провайдерами? Скільки реальних користувачів насправді матимуть проєкти рівня даних? Як ми можемо перевірити достовірність та достовірність наданих даних? Яким типам клієнтів насправді потрібні ці дані? Та ж логіка застосовна і до інших шарів. У цю епоху нам не потрібно так багато, здавалося б, правильних псевдовимог.

5. Мем перетворився на SocialFi

Як я вже згадував у першому розділі, Meme швидко перетворився на Web3-сумісну форму SocialFi. Friend.tech був DApp, який зробив перший постріл у цьому раунді соціальних додатків, але, на жаль, він зазнав невдачі через поспішний дизайн токена. З іншого боку, Pump.fun продемонстрував здійсненність чистої моделі платформи, без будь-яких токенів або правил. Потреби шукачів уваги та провайдерів сходяться на цій платформі, де ви можете публікувати меми, вести прямі трансляції, карбувати токени, коментувати, торгувати, і все це безкоштовно. Pump.fun стягує лише комісію за обслуговування. Ця модель, по суті, ідентична економіці уваги сучасних платформ соціальних мереж, таких як YouTube та Instagram, але з іншою моделлю доходу та більш орієнтованим на Web3 геймплеєм.

Clanker Base, з іншого боку, є кінцевою історією успіху, яка користується інтегрованою екосистемою, розробленою самою платформою. Base має власний соціальний DApp як допоміжний інструмент, створюючи повний внутрішній цикл. Meme Agent - це форма Meme Coin 2.0. Люди завжди переслідують новизну, і зараз Pump.fun знаходиться в центрі уваги. З погляду тенденцій, це лише питання часу, коли капризні ідеї силіконових форм життя замінять більш прості меми вуглецевих форм життя.

Я згадував Base незліченну кількість разів, щоразу з різними аспектами, але одне залишається зрозумілим: Base ніколи не була першопрохідцем, але вона завжди була переможцем.

6. Ще Що Може Бути Агент AI?

З практичної точки зору, агенти штучного інтелекту навряд чи будуть децентралізовані в осяжному майбутньому. У традиційній сфері штучного інтелекту створення агента штучного інтелекту не є проблемою, яку можна вирішити просто за допомогою децентралізації або процесів з відкритим вихідним кодом. Агентам штучного інтелекту потрібно підключатися до різних API для доступу до контенту Web2, і їхні операційні витрати високі. Структура ланцюжка думок (CoT) і співпраця з багатьма агентами часто все ще вимагає людського посередництва. Ми пройдемо довгий перехідний період, поки не знайдемо відповідну форму інтеграції — можливо, щось на кшталт UNI, але поки що я все ще вірю, що агенти штучного інтелекту матимуть значний вплив на нашу галузь, подібно до того, як CEX існує в нашому секторі — неправильно, але надзвичайно важливо.

Минулого місяця Стенфорд і Майкрософт опублікували огляд AI Agent, в якому описані застосування AI агентів у таких галузях, як охорона здоров'я, розумні машини та віртуальні світи. У додатку до цієї роботи вже є численні експериментальні випадки, в яких GPT-4V, як AI агент, бере участь у розробці ігор першого рівня AAA.

Ми не повинні поспішати інтегрувати агентів штучного інтелекту з децентралізацією. Я сподіваюся, що перший елемент пазла, який агенти штучного інтелекту завершать, - це їх здатності до знизу вгору та швидкість. Є так багато наративних руїн та порожніх метавсвітів, які потребують заповнення, і коли час буде належним, ми зможемо розглянути, як зробити агентів штучного інтелекту наступним UNI.

Про YBB

YBB — це web3-фонд, який присвячує себе визначенню проєктів, що визначають Web3, з метою створення кращого онлайн-середовища існування для всіх мешканців Інтернету. Заснована групою прихильників блокчейну, які беруть активну участь у цій галузі з 2013 року, YBB завжди готова допомогти проектам на ранніх стадіях розвиватися від 0 до 1.Ми цінуємо інновації, самокеровану пристрасть і продукти, орієнтовані на користувача, визнаючи потенціал криптовалют і блокчейн-додатків.

Умови використання:

1. Цю статтю відтворено з [Середній]. Авторське право належить оригінальному автору [YBB]. Якщо є які-небудь зауваження до відтворення, будь ласка, зв'яжіться зgate Learn team, хто швидко вирішить проблему відповідно до відповідних процедур.
2. Попередження: Погляди та думки, висловлені в цій статті, належать виключно автору і не становлять жодної інвестиційної поради.
3. Команда Gate Learn переклала статтю на інші мови. Копіювання, розповсюдження або плагіат перекладених статей заборонено, якщо не зазначено інше.