1. Tương tác từ Đại lý đến Đại lý

Sự minh bạch mặc định và tính giao hòa của các chuỗi khối khiến chúng trở thành một lớp nền tảng hoàn hảo cho tương tác từ đại lý đến đại lý, nơi mà các đại lý được phát triển bởi các tổ chức khác nhau cho mục đích khác nhau có thể tương tác với nhau một cách mượt mà. Đã có rất nhiều thử nghiệm tuyệt vời vềđại lý gửi tiền cho nhau,khởi chạy token cùng nhau, và nhiều hơn nữa. Chúng tôi muốn xem cách tương tác từ điểm đến điểm có thể mở rộng cả bằng cách tạo ra các không gian ứng dụng mới hoàn toàn, chẳng hạn nhưcác địa điểm xã hội mới được thúc đẩy bởi sự tương tác của đại lý, cũng như bởicải thiện luồng công việc doanh nghiệpChúng tôi hiểu rằng điều này đang trở nên khó khăn hôm nay, từ xác thực và xác minh nền tảng đến thanh toán nhỏ, tích hợp quy trình làm việc giữa các nền tảng và nhiều hơn nữa.

- Danny,Katie,Aadharsh,Dmitriy

aethernet và clanker cùng phát hành một token trên Warpcast

2. Tổ chức Đại lý Phi tập trung

Điều phối đa tác nhân với quy mô lớn cũng là một lĩnh vực nghiên cứu thú vị tương tự. Làm thế nào các hệ thống đa tác nhân có thể làm việc cùng nhau để hoàn thành nhiệm vụ, giải quyết vấn đề và quản lý hệ thống và giao thức? Trong bài viết của mình vào đầu năm 2024, “Những lời hứa và thách thức của ứng dụng tiền điện tử + trí tuệ nhân tạo,” Vitalik tham chiếu đến việc sử dụng các đại lý trí tuệ nhân tạo cho thị trường dự đoán và phán quyết. Ở quy mô lớn, ông lý thuyết rằng hệ thống đa đại lý có khả năng đáng kinh ngạc cho việc tìm “sự thật” và tổ chức hành chính tự động nói chung. Chúng tôi quan tâm để xem khả năng của các hệ thống đa đại lý và các hình thức của “trí tuệ đàn đám” tiếp tục được khám phá và thử nghiệm.

Là một phần mở rộng của sự phối hợp từ đại lý đến đại lý, phối hợp từ đại lý đến con người là một không gian thiết kế thú vị - cụ thể là cách cộng đồng tương tác xung quanh các đại lý hoặc cách các đại lý tổ chức con người thực hiện hành động tập thể. Chúng tôi rất muốn thấy thêm sự thử nghiệm với các đại lý có chức năng mục tiêu liên quan đến phối hợp con người quy mô lớn. Điều này sẽ cần được kết hợp với một cơ chế xác minh nào đó, đặc biệt là nếu công việc của con người được thực hiện ngoại chuỗi, nhưng có thể có một số hành vi phát sinh rất lạ và thú vị.

- Katie,Dmitriy,Ash

3. Agentic Multimedia Entertainment

Khái niệm về nhân cách số đã tồn tại từ hàng thập kỷ.Hatsune Miku(2007) đã bán hết vé 20,000 chỗ ngồi vàLil Miquela(2016) có hơn 2 triệu người theo dõi trên Instagram. Các ví dụ mới hơn, ít người biết đến bao gồm AI vtuberNeuro-sama (2022) với hơn 600K người đăng ký trên Twitch và nhóm nhạc nam kpop ẩn danh@plave_official“/featured”> PLAVE (2023), đã thu hút hơn 300 triệu lượt xem trên YouTube trong chưa đầy hai năm. Với sự tiến bộ trong cơ sở hạ tầng AI và tích hợp các khối chuỗi cho thanh toán, chuyển giá trị và các nền tảng dữ liệu mở, chúng tôi rất háo hức để xem những người đại diện này có thể trở nên tự động hơn và có khả năng mở khóa một thể loại giải trí mới trong năm 2025.

-Katie,Dmitriy

Theo chiều kim đồng hồ từ trên xuống dưới bên trái: Hatsune Miku, Luna của Virtuals, Lil Miquela và PLAVE

4. Generative/Agentic Content Marketing

Ở trường hợp trước, người đại diện làngoài sản phẩm, còn trường hợp mà các đại lý có thể bổ sung sản phẩm. Trong một nền kinh tế chú ý, duy trì một luồng nội dung hấp dẫn liên tục là điều quan trọng đối với sự thành công của bất kỳ ý tưởng, sản phẩm, công ty, v.v. Nội dung tạo ra/biến đổi là một công cụ mạnh mẽ mà các nhóm có thể sử dụng để đảm bảo một đường ống xuất bản nội dung có khả năng mở rộng, liên tục 24/7. Không gian ý tưởng này đã được tăng tốc bởicuộc thảo luận về những gì phân biệt một đồng tiền điện tử theo phong cách meme và một đồng tiền điện tử thông thường.Đại lý là một cách mạnh mẽ để tiền điện tử memecoins có thể có được phân phối, ngay cả khi chưa hoàn toàn là ‘đại lý’.

Ví dụ khác,@archetype/from-players-to-gods-games-and-autonomous-worlds”> các trò chơi ngày càng được mong đợi phải động đến mức duy trì sự tham gia của người dùng. Một phương pháp cổ điển để tạo động lực trong trò chơi là phát triển nội dung do người dùng tạo ra; nội dung hoàn toàn tạo ra (từ các vật phẩm trong trò chơi, đến NPC, cho đến cấp độ hoàn toàn tạo ra) có thể là thời đại tiếp theo của sự tiến hóa này. Chúng tôi tò mò xem giới hạn của chiến lược phân phối truyền thống sẽ được mở rộng đến đâu bởi khả năng của các đại lý vào năm 2025.

-Katie

5. Công cụ/Nền tảng Nghệ thuật Thế hệ Tiếp theo

Vào năm 2024, chúng tôi đã khởi động@archetype> TRÒ CHUYỆN VỚI, một loạt phỏng vấn với các nghệ sĩ trong/crypto ở những giới hạn về âm nhạc, nghệ thuật thị giác, thiết kế, tổ chức triển lãm và hơn thế nữa. Một trong những quan sát chính mà tôi nhận được từ các cuộc phỏng vấn của năm nay là các nghệ sĩ quan tâm đến tiền điện tử thường quan tâm đến công nghệ mới mỡ rộng hơn, cũng như muốn công nghệ đó sống chặt chẽ hơn trong thẩm mỹ hoặc tập trung của họ, ví dụ như các đối tượng AR/VR, nghệ thuật dựa trên mã và livecoding.

Nghệ thuật tạo ra nói riêng trong lịch sử đã thấy sự phối hợp với blockchain, làm cho tiềm năng của nó như một chất nền tương tự cho nghệ thuật AI rõ ràng hơn. Trưng bày và trưng bày các phương tiện nghệ thuật này đúng cách là vô cùng khó khăn để đạt được trong các diễn đàn truyền thống. ArtBlocks cung cấp một cái nhìn thoáng qua về tương lai của việc trình bày, lưu trữ, kiếm tiền và bảo tồn nghệ thuật kỹ thuật số tận dụng các blockchain có thể trông như thế nào — cải thiện trải nghiệm tổng thể cho cả nghệ sĩ và người xem. Ngoài trình bày,Công cụ AI đã mở rộng khả năng của người ngoài ngành để tạo nghệ thuật riêng của mình. Sẽ rất thú vị để xem các khối chuỗi có thể mở rộng hoặc đưa ra công cụ này trong năm 2025.

-Katie

Một đoạn trích từ CUỘC HỘI THOẠI VỚI: Maya Man

6. Data Markets

Trong 20 năm kể từ khi Clive Humby đặt cụm từ ‘dữ liệu là dầu mới’, các công ty đã thực hiện các biện pháp mạnh mẽ để tích trữ và tiếp thị dữ liệu người dùng. Người dùng đã tỉnh dậy với sự thực tế rằng dữ liệu của họ là nền tảng mà các công ty có giá trị hàng tỷ đô la này được xây dựng, tuy nhiên họ chỉ có rất ít kiểm soát về cách sử dụng dữ liệu của họ và không được chia sẻ lợi nhuận mà nó giúp tạo ra. Sự gia tăng của các mô hình AI mạnh mẽ làm cho căng thẳng này trở nên càng tồn tại hơn. Nếu chống lại sự khai thác người dùng là một phần của cơ hội dữ liệu, phần còn lại liên quan đến giải quyết vấn đề thiếu nguồn cung dữ liệu khi các mô hình ngày càng lớn và tốt hơn đang cạn kiệt các mỏ dầu dễ dàng trên dữ liệu mạng công cộng và đòi hỏi nguồn cung mới.

Về câu hỏi đầu tiên về cách chúng ta có thể sử dụng cơ sở hạ tầng phi tập trung để chuyển sức mạnh của dữ liệu trở lại điểm xuất phát của nó (người dùng), đó là một không gian thiết kế rộng lớn đòi hỏi các giải pháp mới trên một loạt các lĩnh vực. Một số vấn đề cấp bách nhất bao gồm: nơi dữ liệu được lưu trữ và cách chúng tôi bảo vệ quyền riêng tư (trong quá trình lưu trữ, truyền và tính toán), cách chúng tôi đánh giá, lọc và định giá chất lượng dữ liệu một cách khách quan, cơ chế nào chúng tôi sử dụng để phân bổ và kiếm tiền (đặc biệt là khi gắn giá trị trở lại nguồn sau suy luận) và hệ thống điều phối hoặc truy xuất dữ liệu nào chúng tôi sử dụng trong một hệ sinh thái mô hình đa dạng.

Về câu hỏi thứ hai về giải quyết rào cản cung cấp, điều quan trọng không chỉ là cố gắng sao chép Scale AI với các mã thông báo, mà là hiểu được nơi chúng ta có thể có lợi thế nhờ các xu hướng kỹ thuật và cách chúng ta có thể xây dựng các giải pháp chu đáo với lợi thế cạnh tranh, cho dù là về quy mô, chất lượng hoặc cơ chế kích thích (và lọc) tốt hơn để tạo ra một sản phẩm dữ liệu có giá trị cao hơn. Đặc biệt khi hầu hết nhu cầu tiếp thị đến từ AI web2, suy nghĩ cách chúng ta kết nối các cơ chế được thực thi bởi hợp đồng thông minh với SLA và các công cụ truyền thống là một lĩnh vực quan trọng cần phải được nhận thức.

-Danny

7. Tính toán phi tập trung

Nếu dữ liệu là một khối xây dựng cơ bản trong quá trình phát triển và triển khai trí tuệ nhân tạo, tính toán là một khối xây dựng khác. Mô hình kế thừa của các trung tâm dữ liệu lớn với quyền truy cập duy nhất vào các trang web, năng lượng và phần cứng đã định rõ quỹ đạo của học sâu và trí tuệ nhân tạo trong vài năm qua, nhưng các ràng buộc vật lý cùng với các phát triển nguồn mở đang bắt đầu thách thức động lực này.

Phiên bản 1 của tính toán trong AI phi tập trung trông giống như một bản sao của các đám mây GPU web2 không có lợi thế thực sự về nguồn cung (phần cứng hoặc trung tâm dữ liệu) và nhu cầu hữu cơ tối thiểu. Trong phiên bản 2, chúng ta bắt đầu thấy một số nhóm đáng chú ý xây dựng các ngăn xếp công nghệ phù hợp trên các nguồn cung cấp điện toán hiệu năng cao (HPC) không đồng nhất với các năng lực xung quanh điều phối, định tuyến và định giá, cùng với các tính năng độc quyền bổ sung được thiết kế để thu hút nhu cầu và chống nén ký quỹ, đặc biệt là về phía suy luận. Các nhóm cũng đang bắt đầu phân kỳ giữa các trường hợp sử dụng và GTM, với một số tập trung vào việc kết hợp các khung trình biên dịch để định tuyến suy luận hiệu quả trên các phần cứng đa dạng trong khi những nhóm khác đang tiên phong trong các khung đào tạo mô hình phân tán trên đỉnh mạng điện toán mà họ đang xây dựng.

Chúng ta đang bắt đầu thấy một thị trường AI-Fi mới nổi với các nguyên lý kinh tế mới để biến máy tính và GPU thành tài sản mang lại lợi nhuận hoặc sử dụng tính thanh khoản trên chuỗi khối để cung cấp nguồn vốn thay thế cho các trung tâm dữ liệu để mua phần cứng. Câu hỏi lớn ở đây là đến đâu DeAI sẽ được phát triển và triển khai trên hệ thống tính toán phi tập trung hoặc nếu như với lưu trữ, khoảng cách giữa lý tưởng và nhu cầu thực tế không đủ đóng lại đến mức đạt được tiềm năng đầy đủ của ý tưởng.

- Danny

8. Tiêu chuẩn kế toán tính toán

Liên quan đến việc thúc đẩy mạng lưới tính toán hiệu suất cao phi tập trung, một thách thức lớn trong việc điều phối tính toán không đồng nhất là thiếu một bộ tiêu chuẩn được đồng thuận trong việc tính toán nói trên. Mô hình AI đặc biệt thêm một số rắc rối vào không gian đầu ra của HPC, từ các biến thể mô hình và định lượng đến các cấp độ có thể điều chỉnh của tính ngẫu nhiên thông qua các mô hình.nhiệt độ và tham số siêu lấy mẫu. Hơn nữa, phần cứng AI có thể giới thiệu nhiều vết nhăn hơn thông qua các đầu ra đa dạng dựa trên kiến trúc GPU và phiên bản của CUDA. Cuối cùng, điều này dẫn đến nhu cầu về tiêu chuẩn quanh cách các mô hình và thị trường tính toán tính toán hiệu suất của họ khi gặp các hệ thống phân tán không đồng nhất.

Ít nhất một phần do thiếu các tiêu chuẩn này, chúng tôi đã thấy nhiều trường hợp trong năm nay trên web2 và web3, nơi các mô hình và thị trường điện toán đã không tính toán chính xác chất lượng và số lượng tính toán của họ. Điều này đã dẫn đến việc người dùng phải kiểm tra hiệu suất thực sự của các lớp AI này bằng cách chạy các điểm chuẩn mô hình so sánh của riêng họ và thực hiện bằng chứng công việc bằng cách giới hạn tỷ lệ thị trường tính toán nói trên.

Với nguyên tắc cốt lõi của không gian tiền điện tử là tính xác thực, chúng tôi hy vọng rằng sự giao nhau giữa tiền điện tử và trí tuệ nhân tạo vào năm 2025 sẽ dễ dàng xác thực hơn so với trí tuệ nhân tạo truyền thống. Cụ thể, quan trọng là người dùng thông thường có thể thực hiện sự so sánh từng điểm của mô hình hoặc cụm dữ liệu cụ thể xác định đầu ra của nó để kiểm tra và đánh giá hiệu suất của hệ thống.

-Aadharsh

9. Các Nguyên tắc Quyền riêng tư xác suất

In “Lời hứa và thách thức của tiền điện tử + ứng dụng trí tuệ nhân tạoVitalik đề cập đến một thách thức độc đáo trong việc kết nối tiền điện tử và trí tuệ nhân tạo:

“Trong mật mã, nguồn mở là cách duy nhất để làm cho một cái gì đó thực sự an toàn, nhưng trong AI, một mô hình (hoặc thậm chí dữ liệu đào tạo của nó) được mở làm tăng đáng kể tính dễ bị tổn thương của nó đối với các cuộc tấn công học máy đối thủ.”

Mặc dù quyền riêng tư không phải là một lĩnh vực nghiên cứu mới cho blockchain, chúng tôi tin rằng sự gia tăng của AI sẽ tiếp tục đẩy nhanh nghiên cứu và sử dụng các nguyên thủy mật mã cho phép quyền riêng tư. Năm nay đã chứng kiến những bước tiến lớn trong các công nghệ tăng cường quyền riêng tư như ZK, FHE, TEE và MPC cho các trường hợp sử dụng như trạng thái chia sẻ riêng để tính toán qua dữ liệu được mã hóa cho các ứng dụng chung. Đồng thời, chúng ta đã thấy những gã khổng lồ AI tập trung như Nvidia và Apple sử dụng TEE độc quyền để học liên kết và suy luận AI riêng tư khi giữ phần cứng, chương trình cơ sở và mô hình không đổi trên các hệ thống.

Với điều này trong tâm trí, chúng tôi sẽ theo dõi sát sao các phát triển về bảo vệ sự riêng tư cho các chuyển tiếp trạng thái ngẫu nhiên và cách chúng tăng tốc tiến trình của ứng dụng trí tuệ nhân tạo phi tập trung trong thế giới thực trên các hệ thống không đồng nhất - từ suy diễn riêng tư phi tập trung đến các đường ống lưu trữ / truy cập cho dữ liệu được mã hóa và môi trường thực thi hoàn toàn độc lập.

-Aadharsh

Apple’s Bộ công cụ Apple Intelligence và GPU H100 của Nvidia

10. Mục đích Agentic và Giao diện Giao dịch Người dùng Thế hệ tiếp theo

Một trong những trường hợp sử dụng gần nhất của các đại lý trí tuệ nhân tạo là sử dụng chúng để tự động giao dịch trên chuỗi khối thay cho chúng ta. Thật thú vị khi thấy rằng trong 12-16 tháng qua, đã có rất nhiều ngôn ngữ mơ hồ xung quanh những gì chính xác là quy định ý định, hành động đại lý, ý định đại lý, người giải quyết, người giải quyết đại lý, v.v., và cách chúng khác biệt so với ‘bot’ phát triển truyền thống trong những năm gần đây.

Trong 12 tháng tới, chúng tôi rất vui mừng khi thấy các hệ thống ngôn ngữ ngày càng tinh vi kết hợp với các loại dữ liệu và kiến trúc mạng thần kinh khác nhau để thúc đẩy không gian thiết kế tổng thể. Các đại lý sẽ giao dịch bằng cách sử dụng cùng một hệ thống onchain mà chúng ta sử dụng ngày nay hay phát triển các công cụ / phương pháp của riêng họ để giao dịch onchain? LLM sẽ tiếp tục là phụ trợ của các hệ thống giao dịch đại lý này hay một hệ thống khác hoàn toàn? Ở lớp giao diện, người dùng sẽ bắt đầu giao dịch bằng ngôn ngữ tự nhiên? Liệu luận điểm cổ điển “ví như trình duyệt” cuối cùng sẽ thành hiện thực?

- Danny, Katie,Aadharsh,Dmitriy

Miễn trừ trách nhiệm:

1. Bài viết này được tái bản từ [[](https://x.com/archetypevc/status/1868721824453812451)[Mẫu nguyên thủy](https://x.com/archetypevc)\]. Tất cả các bản quyền thuộc về tác giả gốc [ Mẫu]. Nếu có ý kiến ​​phản đối về việc tái bản này, vui lòng liên hệ Cổng Họcđội ngũ, và họ sẽ xử lý nó một cách nhanh chóng.
2. Từ chối trách nhiệm: Các quan điểm và ý kiến được thể hiện trong bài viết này chỉ thuộc về tác giả và không tạo thành bất kỳ lời khuyên đầu tư nào.
3. Đội ngũ Gate Learn thực hiện bản dịch của bài viết sang các ngôn ngữ khác. Trừ khi được đề cập, việc sao chép, phân phối hoặc đạo văn những bài viết đã được dịch là không được phép.