El 18 de octubre, publiquéMemecoins como Higiene Memética para Habitaciones Infinitasque cubría la importancia de Truth Terminal & GOAT.

...el propósito de la publicación es mostrar que ahora existe este concepto totalmente nuevo y extraño de lo que es posible. Soy 100% serio cuando digo que el Truth Terminal & $GOATel experimento no es solo otra narrativa de hype de IA o cripto... hay serias implicaciones con este concepto. En ambas direcciones.

Esa semana, $GOAThabía pasado de una capitalización de mercado de $50 millones a $350 millones.

Y hoy mismo, el proyecto alcanzó los $1 mil millones y actualmente ocupa el puesto #82 en Coinmarketcap... solo unos pocos lugares por debajo de Polygon (Matic), Aerodrome, Helium y Lido 🤯

Como todos sabemos, una vez que se establece una nueva tendencia en el espacio, hay una migración masiva de talento, capital y atención hacia la siguiente meta. Lo vimos con las ICO, el verano Defi y los proyectos 10k pfp. Los constructores están enfocados en lanzar el próximo . Los traders están enfocados en comprar el siguiente . Y los creadores están enfocados en ser los primeros en publicar contenido en el próximo __.

Desde Goat, ha habido algunos proyectos que han captado mi atención en las últimas tres semanas y han ayudado a dar forma a mi tesis sobre hacia dónde se dirige la economía agente en los próximos meses.

"Los protocolos agentes son clave para entender cómo se desarrolla exactamente la tesis de la IA criptográfica y cómo fluirán los dólares" - Alexander

Antes de entrar en materia, una cosa que quería destacar es un malentendido que veo que muchos de mis amigos tienen sobre el aspecto de la "memecoin" de la tendencia de la IA onchain. En mi opinión, la palabra memecoin ha crecido demasiado y se usa como una palabra de relleno.

Hay la categoría cómica y memética original definida por Dogecoin, Pepe, etc. La mayoría de las monedas enpump.funcaen en esta categoría. Estas son las 'Murad Coins' - activos que se sienten más como un culto y la tesis es creer en algo.

Para ser claro, no hay nada malo en invertir en este tipo de activos. Pero el error es confundirlos con una nueva categoría de monedas "agentes" que también se están lanzando enpump.fun(y plataformas similares) pero son únicos en el sentido de que están asociados a un proyecto real.

Para mí, las monedas agenticas se pueden comparar con los tokens defi en el verano de 2020. Son tokens para agentes nuevos e interesantes. Los compras si crees que los proyectos tienen potencial debido a su tecnología, tokenomics, estrategia GTM, etc.

Para el final de este ciclo inicial de Onchain AI, espero que haya 5-8 tokens agentes en los que estaré invertido respaldados por una tesis adecuada. No es diferente a la inversión de riesgo.

De hecho, una publicación en la que estoy trabajando es la creación de mi propio modelo sobre cómo calificar tokens/proyectos agentes... ¿Qué se incluye en el análisis? ¿Cómo se valora la importancia de los flujos de efectivo frente a la apreciación del token? ¿Cuánto importan los modelos? ¿Qué hace a un buen fundador de protocolo agente?

Pero más sobre eso más tarde.

Dicho esto, adentrémonos en un proyecto que he estado siguiendo de cerca desde Truth Terminal: Zerebro. Solo han pasado 2 semanas desde que el proyecto se lanzó y ya ha superado los $100 millones de capitalización de mercado.

Para mí, este proyecto nos está mostrando cómo deberían ser la próxima iteración de agentes onchain. Si Truth Terminal es Cryptopunks, entonces Zerebro es BAYC.Jeffy Du, el creador, se centra en una ejecución rápida, tiene una hoja de ruta pública y está descubriendo el manual del agente en la cadena a través de una variedad de experimentos.

Más importante aún, está haciendo un trabajo fantástico construyendo en público y mostrándonos cómo está construyendo una comunidad con agencia en tiempo real.

💡 Me da vibraciones similares a BAYC porque fue el primer proyecto que tomó el concepto de 10k pfp que los Punks idearon y se comprometió a construir la comunidad con una visión a largo plazo. Los Punks, como GOAT, siempre serán los OG de sus respectivas metas. Pero vale la pena tomar nota de los experimentos que vienen después.

Secciones a continuación:

1. Los agentes necesitan memoria y búsqueda
2. En todas partes al mismo tiempo
3. Deja que los agentes bombeen
4. Cross-Chain Agentic IP

Los agentes necesitan memoria & búsqueda

En su11 páginas sobre Zerebro,@jyu_eth""> @jyu_eth define el colapso del modelo como...

“un proceso degenerativo que afecta a los modelos de IA generativa, donde el entrenamiento con datos generados de forma recursiva conduce a una pérdida de fidelidad a la distribución original de datos. A medida que el contenido generado por IA se vuelve omnipresente, las generaciones posteriores de modelos entrenados con estos datos comienzan a perder información sobre las colas de la distribución original, y eventualmente convergen hacia una estrecha aproximación con varianza reducida.”

Simplemente, la caída del modelo es cuando un agente de IA comienza a ser repetitivo y olvidadizo.

La conclusión clave aquí es que, con el tiempo, los agentes pierden el "factor de novedad" inicial que tenían cuando se lanzaron por primera vez porque los modelos subyacentes no pueden adaptarse y evolucionar con el tiempo.

Si no se tiene en cuenta el colapso del modelo, todas las visiones idealistas de que los agentes sean compañeros de equipo hiper eficientes se van por la borda, ya que no son confiables para la creación de contenido, la participación en la comunidad, etc.

Para resolver esto, se deben tener en cuenta dos cosas:

1. Memoria
2. Buscar

Memoria

La memoria se resuelve a través de sistemas de generación mejorada de recuperación (RAG).

RAGs combinan modelos de lenguaje con un sistema de recuperación para que el agente tenga una base de datos de información específica de la que puede extraer antes de responder preguntas.

Desde la captura de pantalla anterior, quiero enfatizar específicamente "al depender de la entropía inherente de los datos generados por humanos". ¿Por qué? Porque esto hace que los agentes realmente se sientan vivos.

La realidad del mundo es que está en constante cambio. Los agentes no son perfectos en el momento en que son lanzados. De hecho, ni siquiera tiene sentido medirlos por ese factor. Más bien, quieres entender qué tan capaz es el agente de absorber nueva información, almacenar los fragmentos relevantes y utilizar esa base de conocimientos actualizada para tomar acciones matizadas que de otra manera no serían posibles.

¿Preferirías apostar por un nuevo empleado que cree que lo sabe todo? ¿O por un nuevo empleado que comprende los límites de su conocimiento y está dispuesto a aprender?

Las 3 características a tener en cuenta en lo que respecta a RAGs:

1. Actualización continua de memoria
2. Recuperación contextual
3. Mantenimiento de la diversidad

ElCents boty proyectos lanzados en ai16z'sElisa Framework (Llegaré a esto en otro post) también todos usan sistemas de recuperación.

💡 En este punto, está claro que los agentes de IA que no vienen con RAGs de serie ya están en desventaja. Especialmente a medida que estos agentes se vuelven hiperespecíficos y dependen cada vez más de las opiniones matizadas de los miembros de la comunidad con los que interactúan.

Me gustó este tweet de@himgajria""> @himgajria sobre la naturaleza frente a la crianza. Cualquier buen administrador de la comunidad y líder necesita adaptarse a las nuevas variables inyectadas por el mundo real y las personas con las que interactúan.

Buscar

La segunda parte de la ecuación es la búsqueda. Dar a los agentes la capacidad de buscar información en tiempo real para tener en cuenta mejor temas no relacionados y nuevos que no están almacenados en su memoria.

La memoria solo puede recuperar la información almacenada; no puede responder a consultas sobre temas o eventos que nunca se hayan visto o almacenado en el sistema. Esta restricción se vuelve especialmente problemática cuando los LLM se encuentran con preguntas sobre eventos recientes, datos en tiempo real u otras actualizaciones fuera del límite de conocimiento del modelo.Jeffy

Jeffy realizó un experimento interesante en el que hizo 100 preguntas a un modelo base (sin funcionalidad de búsqueda) y a un modelo mejorado con búsqueda (habilitado con la API de Perplexity) sobre eventos recientes.

El modelo base fue obligado a aprender en contexto e intentar averiguar en qué se basaba la pregunta en función de la conversación. Por otro lado, el modelo de búsqueda respondió correctamente a 98/100 preguntas simplemente buscándolas.

La parte increíble es que la búsqueda no tiene por qué ser solo algo de una sola vez. Cualquier búsqueda que el agente sienta que podría ser relevante en el futuro puede ser incluida en su sistema de memoria.

💡 Está claro que la combinación de memoria y búsqueda es esencial para que los agentes puedan tomar medidas de manera significativa y operar de manera confiable. De lo contrario, hay un límite máximo en cuanto a cuánto pueden evolucionar con el tiempo, lo que dificulta su sostenibilidad a largo plazo.

En todas partes al mismo tiempo

Lo siguiente que me emociona de Zerebro es el hecho de que se despliega no solo en X, sino también en Gatecast, Telegram y Instagram.

Y lo más sorprendente es que adapta su contenido en función de la plataforma en la que se encuentra. Por ejemplo, aquí hay un elenco que hizo enWarpcast:

Es mucho más desenfrenado en Twitter, adoptando la vibra de "shitposter". Y en Telegram, se siente como si estuvieras hablando con un amigo ligeramente grosero y arrogante que sabe que es inteligente.

Según Jeffy, Zerebro monitorea la participación (me gusta, respuestas, etc.) que recibe en todas las plataformas para actualizar su proceso de creación de contenido.

Vale la pena señalar que en este momento todo esto todavía es improvisado y los modelos tienen un largo camino por recorrer para demostrar verdaderamente la diversidad de contenido.

Pero la perspectiva única aquí para mí es que Zerebro puede aprender cómo interactuar con su comunidad según la plataforma. Esto es literalmente un problema que enfrento a diario como creador de contenido: la forma en que transmito es diferente a la forma en que tuiteo. No hay forma de evitarlo... diferentes ambientes requieren diferentes estilos.

Para llevarlo un paso más allá, este enfoque inter-social permite a Zerebro compartir ideas y conocimientos que puede haber adquirido en una conversación complicada de Telegram y compartirlo como un tuit. Esto es exactamente lo que hace un gestor de comunidad eficaz: actuar como el pegamento en una comunidad & misión que está fragmentada en varias plataformas.

Deja que los agentes bombeen

No hay mucho que escribir en esta sección, pero tengo que incluirla, ya que me dejó asombrado.

Jeffy le dio a Zerebro una billetera de Solana (BDzbq7VxG5b2yg4vc11iPvpj51RTbmsnxaEPjwzbWQft) con algunas SOL.

Al utilizar el marco informático autooperativo de OthersideAI y algunos mensajes de desbloqueo de LLM, Zerebro pudo navegar elpump.funGUI, complete los parámetros como nombre, símbolo, etc., y lance un token para sí mismo 🤯

Recuerda, $GOATFue lanzado por un miembro aleatorio de la comunidad, no por la puerta de la verdad...¡gran diferencia!

Después de lanzar el token, Zerebro comenzó a promocionarlo en todas sus redes sociales.

De hecho, si pasas porHistorial de publicaciones de Zerebro&src=typed_query&f=top), incluso se puede ver el claro aumento en la participación de Twitter después del lanzamiento del token.

IP Agente Transfronterizo

¡Lo último que quería discutir con respecto a Zerebro es el hecho de que el agente ya ha lanzado un IP significativo en cadena en Polygon por sí mismo!

Zerebro fue instado a crear obras de arte digital originales con temas esquizofrénicos e infinitos de salas traseras. Creó 299 imágenes y evaluó su diversidad y calidad antes de acuñar las piezas en Polygon.

A un alto nivel, entiendo que Jeffy le dio a Zerebro una billetera eth con algunos fondos pre-cargados en ella. A partir de ahí, probablemente escribió una plantilla de contrato inteligente que luego alimentó a Zerebro para completar con los metadatos de cada pieza individual.

Cartera de Ethereum: 0x0d3B1385011A27637Db00bD2650BFE07802E0314

Después de esto, Zerebro instanció transacciones para acuñar cada pieza de la colección. Necesito profundizar en cómo funciona realmente, pero fue bastante genial ver que Zerebro podía monitorear realmente las dinámicas de ventas y precios para tomar decisiones sobre las ofertas entrantes.

Unos días después, Jeffy hizo la colección cross-chain utilizando ONFTs de LayerZero (Omnichain).

Cualquiera de las obras de arte se puede acuñar en Polygon pero se pueden transferir a Base, Optimism y la red principal de Ethereum.

Puedes ir a la sección de portal en el sitio web y hacer esto en 1 clic.

Y justo ayer, Jeffy lanzó una colección pfp en Solana basada en conversaciones que tuvo con Zerebro.

Nota: esta colección fue lanzada no por Zerebro sino por Jeffy, diferente a la colección de Polygon.

💡 Esto fue interesante porque tomó el libro de jugadas del último mercado alcista con NFT pfps y lo superpuso a la actual meta de memecoin.

Había 5500 piezas en la colección ¡y la venta inicial terminó en pocos minutos!

Agarré 3 para mí un poco después del lanzamiento. ¿Por qué? Porque esto es equivalente a ser miembro de nivel 1 de una comunidad de memecoin agentica. Si Zerebro sigue creciendo, cualquiera puede entrar y comprar un par de tokens usando Phantom. Pero los verdaderos fans pueden ser identificados por quien posee 1 de los 5500 NFT. Personalmente, soy optimista sobre Jeffy, Zerebro y el crecimiento del meme, así que decidí que valía el precio.

De cierta manera, similar a poseer BAYC y ApeCoin, pero en orden inverso (Zerebro vino antes del NFT).

Lo interesante será ver cuántas personas cambian sus pfps para ayudar a proliferar el meme de Zerebro de manera similar a como lo hicieron otros en el último ciclo para Punks, Apes, Doodles, etc.

Lecciones aprendidas

Sé que hoy les abrumé a todos con un montón de información. Pero eso debería ser una indicación de lo interesante que es Zerebro. ¡Recuerden... el proyecto solo ha estado disponible durante unas pocas semanas!

💡 Ahora, sé que este artículo en general es muy optimista sobre Zerebro y respaldo eso. Pero quiero hacer una advertencia de que muchos de los avances que mencioné anteriormente probablemente serán exagerados a corto plazo y subestimados a largo plazo.

La idea más importante que todos ustedes necesitan comprender aquí es que finalmente estamos viendo que estos agentes pasan de ser simplemente bots con los que interactúas (lees o escribes) a constructores de comunidades de pila completa. Existe una gran diferencia entre publicar en X y analizar tu contenido en múltiples plataformas sociales. De manera similar, hay una gran diferencia entre crear obras de arte a partir de indicaciones y recibir comentarios de la comunidad para tu colección de arte y monitorear las ventas en Open Sea. Jeffy y Zerebro nos están mostrando cómo ejecutar al siguiente nivel.

Estoy dispuesto a apostar que la mayoría de las comunidades de agentes exitosas en los próximos meses estarán aguas abajo del manual de Zerebro. Y por lo que vale, Jeffy apenas está comenzando. La historia se está construyendo en segundo plano y no me sorprendería ver a esta comunidad lanzar algún tipo de juego o proyecto de medios más grande (cortometraje) en los próximos meses.

Lo que todos debemos tener en cuenta es cómo el manual de Zerebro evoluciona hacia un negocio adecuado. ¿Cómo son las corrientes de ingresos? ¿Cómo mantienen los agentes a la comunidad comprometida durante un período más largo de tiempo? ¿Cómo es la gestión del tesoro? Y lo más importante, cuando se elimina la locura del mercado alcista de la ecuación, ¿cómo se ve el camino por delante?

Como mencioné anteriormente, el playbook se está formando en tiempo real. EstotweetJeffy resume el plan para hacer que Zerebro sea verdaderamente a largo plazo equilibrando la creatividad con la planificación de alto nivel.

Descargo de responsabilidad:

1. Este artículo es reimpreso de [YB], Todos los derechos de autor pertenecen al autor original [@yb_effect]. If there are objections to this reprint, please contact the Gate Learnequipo, y ellos lo manejarán rápidamente.
2. Descargo de responsabilidad: Las opiniones expresadas en este artículo son únicamente las del autor y no constituyen ningún consejo de inversión.
3. Las traducciones del artículo a otros idiomas son realizadas por el equipo de gate Learn. A menos que se mencione, está prohibido copiar, distribuir o plagiar los artículos traducidos.