1. Interaksi Agen ke Agen

Transparansi dan komposabilitas default dari blockchain membuatnya menjadi substrat yang sempurna untuk interaksi agen-ke-agen, di mana agen-agen yang dikembangkan oleh entitas yang berbeda untuk tujuan yang berbeda dapat berinteraksi satu sama lain tanpa masalah. Sudah ada eksperimen yang sangat baik tentangagen mengirim dana satu sama lain,meluncurkan token bersama, dan lainnya. Kami ingin melihat bagaimana interaksi agen-ke-agen dapat berkembang dengan menciptakan ruang aplikasi baru, sepertivenue sosial baru yang didorong oleh interaksi agen, serta olehmeningkatkan alur kerja perusahaankami tahu menjadi melelahkan hari ini, dari otentikasi dan verifikasi platform hingga pembayaran mikro, integrasi alur kerja antar platform, dan lainnya.

-Danny,Katie,Aadharsh,Dmitriy

aethernet dan clanker meluncurkan token bersama di Warpcast

2. Organisasi Agentic Terdesentralisasi

Koordinasi agen ganda dalam skala besar adalah area penelitian yang sama-sama menarik. Bagaimana sistem agen ganda dapat bekerja bersama untuk menyelesaikan tugas, memecahkan masalah, dan mengatur sistem dan protokol? Dalam postingannya pada awal 2024, Janji dan tantangan aplikasi kripto + AI,” Vitalik merujuk pada penggunaan agen kecerdasan buatan untuk pasar prediksi dan adjudikasi. Pada skala tertentu, ia secara prinsip menyatakan bahwa sistem multi-agen memiliki kemampuan yang luar biasa untuk menemukan “kebenaran” dan umumnya sistem pengaturan otonom. Kami tertarik melihat bagaimana kemampuan sistem multi-agen dan bentuk-bentuk “kecerdasan gerombolan” terus ditemukan dan diuji.

Sebagai perpanjangan dari koordinasi agen-ke-agen, koordinasi agen-ke-manusia adalah ruang desain yang menarik - khususnya bagaimana komunitas terlibat di sekitar agen atau bagaimana agen mengorganisir manusia untuk melakukan tindakan kolektif. Kami akan senang melihat lebih banyak eksperimen dengan agen yang tujuan fungsinya melibatkan koordinasi manusia dalam skala besar. Ini akan perlu dipasangkan dengan mekanisme verifikasi tertentu, terutama jika pekerjaan manusia dilakukan offchain, tetapi bisa ada beberapa perilaku emergen yang sangat aneh dan menarik.

-Katie,Dmitriy,Abu

3. Hiburan Multimedia Agen

Konsep persona digital telah ada selama beberapa dekade. Hatsune Miku(2007) telah habis terjual tempat-tempat dengan kapasitas 20.000 penonton danLil Miquela (2016) memiliki 2M+ pengikut di Instagram. Contoh-contoh baru, yang kurang dikenal, termasuk AI vtuberNeuro-sama(2022) yang memiliki lebih dari 600K pelanggan di Twitch dan grup anak laki-laki kpop yang menggunakan nama samaran@plave_official/featured"> PLAVE (2023), yang telah mengumpulkan lebih dari 300M+ tayangan di YouTube dalam waktu kurang dari dua tahun. Dengan kemajuan infrastruktur AI dan integrasi blockchain untuk pembayaran, transfer nilai, dan platform data terbuka, kami sangat antusias melihat bagaimana agen-agensi ini dapat menjadi lebih otonom dan mungkin membuka kategori hiburan baru pada tahun 2025.

-Katie,Dmitriy

Searah jarum jam dari kiri atas: Hatsune Miku, Luna oleh Virtuals, Lil Miquela, dan PLAVE

4. Pemasaran Konten Generatif/Agentic

Di mana pada kasus sebelumnya, agen adalahproduk, ada juga kasus di mana agen dapat melengkapi produk. Dalam ekonomi perhatian, menjaga aliran konten yang menarik secara konstan sangat penting untuk kesuksesan setiap ide, produk, perusahaan, dll. Konten generatif/agensi adalah alat yang kuat yang dapat digunakan tim untuk memastikan adanya saluran asal konten yang dapat diskalakan 24/7. Ruang ide ini telah dipercepat olehdiskusi seputar apa yang membedakan sebuah memecoin dari seorang agen.Agen adalah cara yang powerful bagi memecoin untuk mendapatkan distribusi, meskipun belum secara ketat “agensi” (belum).

Sebagai contoh lain,@archetype/dari-pemain-ke-dewa-permainan-dan-dunia-autonom"> permainan semakin diharapkan menjadi lebih dinamis untuk mempertahankan keterlibatan pengguna. Salah satu metode klasik untuk menciptakan dinamika dalam permainan adalah dengan mengembangkan konten yang dihasilkan pengguna; konten yang murni generatif (dari item dalam permainan, hingga NPC, hingga level yang benar-benar generatif) mungkin merupakan era berikutnya dari evolusi ini. Kami penasaran melihat sejauh mana batas strategi distribusi tradisional akan diperluas oleh kemampuan agen pada tahun 2025.

-Katie

5. Alat/Platform Seni Next-Gen

Pada tahun 2024, kami meluncurkan@archetype"> DALAM PERCAKAPAN DENGAN, seri wawancara dengan seniman di pinggiran dunia kripto di bidang musik, seni visual, desain, kurasi, dan lainnya. Salah satu pengamatan kunci yang saya ambil dari wawancara tahun ini adalah bahwa seniman yang tertarik pada kripto seringkali tertarik pada teknologi frontier secara lebih luas, serta memiliki teknologi tersebut lebih berada dalam estetika atau fokus praktik mereka, yaitu objek AR/VR, seni berbasis kode, dan livecoding.

Seni generatif khususnya telah lama melihat sinergi dengan blockchain, menjadikan potensinya sebagai substrat serupa untuk seni AI lebih jelas. Menampilkan dan menampilkan medium seni ini dengan benar sangat sulit dicapai dalam forum tradisional. ArtBlocks memberikan gambaran tentang bagaimana masa depan presentasi seni digital, penyimpanan, monetisasi, dan pelestarian dengan memanfaatkan blockchain bisa terlihat seperti - meningkatkan pengalaman keseluruhan baik bagi seniman maupun penonton. Di luar presentasi,Alat kecerdasan buatan bahkan telah memperluas kemampuan orang awam untuk membuat seni mereka sendiri. Akan sangat menarik untuk melihat bagaimana blockchain dapat memperluas atau memberdayakan alat-alat ini pada tahun 2025.

-Katie

Sebuah cuplikan dari PERCAKAPAN DENGAN: Maya Man

6. Pasar Data

Dalam 20 tahun sejak Clive Humby menciptakan frasa "data adalah minyak baru," perusahaan telah mengambil langkah-langkah kuat untuk menyimpan dan memonetisasi data pengguna. Pengguna telah menyadari bahwa data mereka adalah dasar di mana perusahaan-perusahaan bernilai miliaran dolar ini dibangun, namun mereka memiliki sedikit kontrol atas bagaimana data mereka dimanfaatkan atau terpapar pada keuntungan yang dihasilkannya. Percepatan model AI yang kuat membuat ketegangan ini bahkan lebih eksistensial. Jika melawan eksploitasi pengguna adalah satu bagian dari peluang data, yang lainnya adalah memecahkan kekurangan pasokan data karena model-model yang lebih besar dan lebih baik menguras ladang minyak internet publik yang mudah diakses dan menuntut sumber-sumber baru.

Pada pertanyaan pertama tentang bagaimana kita dapat menggunakan infrastruktur terdesentralisasi untuk mentransfer kekuatan data kembali ke titik asalnya (pengguna), itu adalah ruang desain yang luas yang membutuhkan solusi-solusi baru di berbagai bidang. Beberapa yang paling mendesak termasuk: di mana data disimpan dan bagaimana kita mempertahankan privasi (selama penyimpanan, transfer, dan komputasi), bagaimana kita secara objektif mengukur, menyaring, dan menghargai kualitas data, mekanisme apa yang kita gunakan untuk atribusi dan monetisasi (terutama saat mengaitkan nilai kembali ke sumber pasca inferensi), dan sistem orkestrasi atau pengambilan data apa yang kita gunakan dalam ekosistem model yang beragam.

Pada pertanyaan kedua mengenai penyelesaian pembatasan pasokan, ini bukan hanya tentang mencoba mereplikasi Scale AI dengan token, tetapi memahami di mana kita dapat memiliki keunggulan mengingat arah teknis dan bagaimana kita dapat membangun solusi yang dipikirkan dengan keunggulan kompetitif, baik dalam skala, kualitas, atau mekanisme insentif (dan penyaringan) yang lebih baik untuk menghasilkan produk data bernilai lebih tinggi. Terutama karena sebagian besar permintaan terus datang dari web2 AI, berpikir melalui bagaimana kita menjembatani mekanisme yang ditegakkan oleh kontrak cerdas dengan SLA dan instrumen konvensional adalah area penting untuk diketahui.

-Danny

7. Komputasi Terdesentralisasi

Jika data adalah salah satu blok bangunan fundamental dalam pengembangan dan implementasi AI, komputasi adalah yang lainnya. Paradigma warisan dari pusat data besar dengan akses unik ke situs, energi, dan perangkat keras telah secara besar-besaran menentukan lintasan pembelajaran mendalam dan AI dalam beberapa tahun terakhir, tetapi kendala fisik bersama dengan perkembangan open-source mulai menantang dinamika ini.

v1 dari komputasi dalam Kripto AI terdesentralisasi mirip replika awan GPU web2 tanpa keunggulan nyata pada pasokan (perangkat keras atau pusat data) dan permintaan organik minimal. Pada v2, kita mulai melihat beberapa tim luar biasa membangun tumpukan teknologi yang tepat di atas pasokan beragam komputasi berkinerja tinggi (HPC) dengan kompetensi di sekitar orkestrasi, routing, dan penetapan harga, bersama dengan fitur properti tambahan yang dirancang untuk menarik permintaan dan melawan penekanan margin, terutama di sisi inferensi. Tim juga mulai bercabang di berbagai kasus penggunaan dan GTM, dengan beberapa fokus pada menggabungkan kerangka kerja kompilator untuk routing inferensi yang efisien di berbagai perangkat keras sementara yang lain memimpin kerangka kerja pelatihan model terdistribusi di atas jaringan komputasi yang mereka bangun.

Kita bahkan mulai melihat pasar AI-Fi muncul dengan primitif ekonomi baru untuk mengubah komputasi dan GPU menjadi aset yang menghasilkan hasil atau menggunakan likuiditas onchain untuk menawarkan pusat data sumber modal alternatif untuk mengakuisisi perangkat keras. Pertanyaan utama di sini adalah sejauh mana DeAI akan dikembangkan dan diterapkan pada rel komputasi terdesentralisasi atau, jika seperti penyimpanan, kesenjangan antara ideologi dan kebutuhan praktis tidak pernah cukup tertutup untuk mencapai potensi penuh dari ide tersebut.

-Danny

8. Standar Akuntansi Perhitungan

Berkaitan dengan insentivasi jaringan komputasi terdesentralisasi yang tinggi kinerjanya, tantangan utama dalam mengatur komputasi heterogen adalah kurangnya seperangkat standar yang disepakati dalam menghitung komputasi tersebut. Model AI secara unik menambahkan beberapa kerutan ke ruang output HPC, mulai dari variasi model dan kuantisasi hingga tingkat stokastisitas yang dapat diatur melalui model.suhudan parameter hiperparameter sampel. Selain itu, perangkat keras AI dapat memperkenalkan lebih banyak kerutan melalui output yang bervariasi berdasarkan arsitektur GPU dan versiCUDAPada akhirnya, hal ini menghasilkan kebutuhan akan standar dalam hal bagaimana model dan pasar komputasi menghitung kapasitas mereka ketika berinteraksi dengan sistem terdistribusi yang berbeda-beda.

Setidaknya sebagian karena kurangnya standar ini, kita telah melihat banyak contoh tahun ini di web2 dan web3 di mana model dan pasar komputasi gagal mengakuntrasi kualitas dan kuantitas komputasinya dengan akurat. Hal ini mengakibatkan pengguna harus memeriksa kinerja sebenarnya dari lapisan kecerdasan buatan ini dengan menjalankan perbandingan model mereka sendiri dan melakukan bukti kerja dengan membatasi tingkat komputasi yang dikatakan.

Mengingat prinsip inti ruang crypto tentang verifikasi, kami berharap bahwa persimpangan crypto dan AI pada tahun 2025 akan lebih mudah diverifikasi relatif terhadap AI tradisional. Secara khusus, penting bahwa rata-rata pengguna dapat melakukan perbandingan apel-ke-apel pada aspek model atau cluster tertentu yang menentukan outputnya untuk mengaudit dan membandingkan kinerja sistem.

-Aadharsh

9. Primitive Keamanan Probabilistik

Dalam "Janji dan tantangan aplikasi kripto + kecerdasan buatanVitalik merujuk pada tantangan unik dalam menyatukan kripto dan AI:

Dalam kriptografi, sumber terbuka adalah satu-satunya cara untuk membuat sesuatu benar-benar aman, tetapi dalam kecerdasan buatan, model (atau bahkan data latihannya) yang terbuka sangat meningkatkan kerentanannya terhadap serangan pembelajaran mesin yang bersifat adversarial.

Meskipun privasi bukanlah area penelitian baru untuk blockchain, kami percaya proliferasi AI akan terus mempercepat penelitian dan penggunaan primitif kriptografi yang memungkinkan privasi. Tahun ini telah melihat langkah besar dalam teknologi peningkatan privasi seperti ZK, FHE, TEEs, dan MPC untuk kasus penggunaan seperti private shared state untuk komputasi atas data terenkripsi untuk aplikasi umum. Secara bersamaan, kami telah melihat raksasa AI terpusat seperti Nvidia dan Apple menggunakan TEE eksklusif untuk pembelajaran federasi dan inferensi AI pribadi saat memegang perangkat keras, firmware, dan model konstan di seluruh sistem.

Dengan memperhatikan hal ini, kami akan mengikuti perkembangan dalam menjaga privasi untuk transisi keadaan stokastik serta bagaimana mereka mempercepat kemajuan aplikasi AI terdesentralisasi di dunia nyata pada sistem heterogen––dari inferensi pribadi terdesentralisasi hingga saluran penyimpanan/akses untuk data terenkripsi dan lingkungan eksekusi sepenuhnya berdaulat.

-Aadharsh

Apple's tumpukan Intelijen Apple dan GPU H100 Nvidia

10. Agentic Intents and Next-Gen User Trading Interfaces

Salah satu kasus penggunaan AI yang paling dekat dalam jangka pendek adalah memanfaatkannya untuk melakukan transaksi secara mandiri di rantai blok atas nama kita. Terdapat pengakuan bahwa dalam 12-16 bulan terakhir ini telah banyak bahasa yang tidak jelas seputar apa yang sebenarnya menentukan sebuah niat, tindakan agensial, niat agensial, solver, agensial solver, dan bagaimana perbedaannya dengan pengembangan 'bot' yang lebih konvensional dari tahun-tahun sebelumnya.

Selama 12 bulan ke depan, kami senang melihat sistem bahasa yang semakin canggih dipasangkan dengan berbagai tipe data dan arsitektur jaringan saraf untuk memajukan ruang desain secara keseluruhan. Apakah agen akan bertransaksi menggunakan sistem onchain yang sama dengan yang kita gunakan saat ini atau mengembangkan alat/metode mereka sendiri untuk bertransaksi onchain? Akankah LLM terus menjadi backend dari sistem transaksi agen ini atau sistem lain sepenuhnya? Pada lapisan antarmuka, apakah pengguna akan mulai bertransaksi menggunakan bahasa alami? Akankah tesis klasik "dompet sebagai browser" akhirnya membuahkan hasil?

-Danny,Katie, Aadharsh,Dmitriy

Disclaimer:

1. Artikel ini dicetak ulang dari [Arsitipe]. Semua hak cipta milik penulis asli [Archetype]. Jika ada keberatan terhadap pencetakan ulang ini, silakan hubungi Gate Belajartim, dan mereka akan menanganinya dengan segera.
2. Penyangkalan Tanggung Jawab: Pandangan dan opini yang tercantum dalam artikel ini semata-mata merupakan pendapat penulis dan tidak merupakan nasihat investasi apa pun.
3. Tim Belajar gate melakukan terjemahan artikel ke dalam bahasa lain. Kecuali disebutkan, menyalin, mendistribusikan, atau melakukan plagiarisme terhadap artikel-artikel yang diterjemahkan dilarang.