Dans notre précédent post, nous avons exploré le Histoire de la conception d'application. Dans la première partie de notre deuxième publication de la série Agentic AI, nous examinons le paysage actuel de l'IA Web2 et ses tendances, plateformes et technologies clés. Dans la deuxième partie, nous explorons comment la blockchain et la vérification sans confiance permettent l'évolution des agents d'IA en systèmes vraiment agentic.

1. Paysage des agents d’IA Web2

État actuel des agents d'IA centralisés

Figure 1. Paysage de l'agent IA Web2 E2B.

Le paysage IA contemporain est principalement caractérisé par des plates-formes centralisées et des services contrôlés par les grandes entreprises technologiques. Des entreprises comme OpenAI, Anthropic, Google et Microsoft fournissent de grands modèles linguistiques (LLMs) et maintiennent une infrastructure cloud cruciale et des services API qui alimentent la plupart des agents IA.

Infrastructure de l'agent IA

Les récents progrès de l'infrastructure de l'IA ont fondamentalement transformé la façon dont les développeurs créent des agents IA. Au lieu de coder des interactions spécifiques, les développeurs peuvent maintenant utiliser le langage naturel pour définir les comportements et les objectifs des agents, ce qui conduit à des systèmes plus adaptables et sophistiqués.

Figure 2. Infrastructure de l'agent AI Segmentation.

Les avancées clés dans les domaines suivants ont conduit à une prolifération des agents d'IA :

• Grands modèles de langage avancés (LLM) : les LLM ont révolutionné la façon dont les agents comprennent et génèrent le langage naturel, remplaçant les systèmes rigides basés sur des règles par des capacités de compréhension plus sophistiquées. Ils permettent un raisonnement et une planification avancés grâce à un raisonnement en « chaîne de pensée ».
  La plupart des applications d'IA sont construites sur des modèles LLM centralisés, tels que GPT-4 par OpenAI, Claude parAnthropique, et Gemini by Google.
  Les modèles d'IA open-source incluent DeepSeek, LLaMa de Meta, PaLM 2 et LaMDA de Google, Mistral 7B par Mistral AI, Grok et Grok-1 par xAI, Vicuna-13B par LM Studio, et des modèles Falcon par l'Institut d'Innovation Technologique (TII).
• Cadres d’agents : Plusieurs cadres et outils émergent pour faciliter la création d’applications d’IA multi-agents pour les entreprises. Ces frameworks prennent en charge divers LLM et fournissent des fonctionnalités pré-packagées pour le développement d’agents, notamment la gestion de la mémoire, des outils personnalisés et l’intégration de données externes. Ces cadres réduisent considérablement les défis d’ingénierie, accélérant ainsi la croissance et l’innovation.
  Les principaux frameworks d’agent sont les suivants Phidata, OpenAIEssaim, CrewAI, LangChain LangGraph, LamaIndex, open source Microsoft Autogène, Vertex AI, et LangFlow,qui offrent des capacités pour construire des assistants IA avec un minimum de codage requis.
• Plateformes d'IA agentic : Les plateformes d'IA agentic se concentrent sur l'orchestration de plusieurs agents d'IA dans un environnement distribué pour résoudre de manière autonome des problèmes complexes. Ces systèmes peuvent s'adapter dynamiquement et collaborer, permettant des solutions de mise à l'échelle robustes. Ces services visent à transformer la manière dont les entreprises utilisent l'IA en rendant la technologie des agents accessible et directement applicable aux systèmes existants.
  Les principales plateformes d’IA agentique incluent Microsoft Autogen, Langchain, LangGraph, Microsoft Noyau sémantiqueet CrewAI.
• Generation augmentée par récupération (RAG) : La génération augmentée par récupération (RAG) permet aux LLM d'accéder à des bases de données ou des documents externes avant de répondre aux requêtes, améliorant ainsi la précision et réduisant les hallucinations. Les avancées du RAG permettent aux agents de s'adapter et d'apprendre de nouvelles sources d'informations et d'éviter la nécessité de re-entraîner les modèles.
  Les meilleurs outils RAG viennent deK2View, Faisceau de foin, LangChain, LamaIndex, RAGatouille, et open-source EmbedChain et InfiniFlow.
• Systèmes de mémoire : Pour surmonter les limites des agents d’IA traditionnels dans la gestion des tâches à long terme, les services de mémoire fournissent une mémoire à court terme pour les tâches intermédiaires ou une mémoire à long terme pour stocker et récupérer des informations pour des tâches étendues.
  La mémoire à long terme comprend :
  • Mémoire épisodique. Enregistre des expériences spécifiques pour l’apprentissage et la résolution de problèmes et est utilisé dans le contexte d’une requête actuelle.
  • Mémoire sémantique. Informations générales et de haut niveau sur l’environnement de l’agent.
  • Mémoire procédurale. Stocke les procédures utilisées dans la prise de décision et la pensée étape par étape utilisée pour résoudre les problèmes mathématiques.
• Les leaders des services de mémoire comprennent Letta, open-source MemGPT, Zepet Mem0.
• Plateformes d’IA sans code : Les plateformes sans code permettent aux utilisateurs de créer des modèles d’IA par le biais d’outils de glisser-déposer et d’interfaces visuelles ou d’un assistant de questions-réponses. Les utilisateurs peuvent déployer des agents directement dans leurs applications et automatiser les flux de travail. En simplifiant le flux de travail de l’agent d’IA, tout le monde peut créer et utiliser l’IA, ce qui se traduit par une plus grande accessibilité, des cycles de développement plus rapides et une innovation accrue.
  Les leaders du no-code comprennent BuildFire AI, Google Teachable Machineet Amazon SageMaker.
  Il existe plusieurs plateformes no-code de niche pour les agents d’IA, telles que Évidemment IA pour les prévisions commerciales, IA des lobes pour la classification d’images, et Nanoréseaux pour le traitement de documents.

figure_3_ai_business_models1920×1080 178 Ko
Graphique 3. Modèles d’affaires de l’IA.

Modèles d'entreprise

Les entreprises traditionnelles d'IA Web2 emploient principalement des abonnements échelonnés et des services de conseil comme modèles économiques.

Les modèles d’affaires émergents pour les agents d’IA comprennent :

• Abonnement / Utilisation basée. Les utilisateurs sont facturés en fonction du nombre d'exécutions d'agent ou des ressources informatiques utilisées, similaire aux services du Modèle de Langage Large (MLL).
• Modèles de marché. Les plates-formes d’agents prennent un pourcentage des transactions effectuées sur la plate-forme, à l’instar des modèles de magasins d’applications.
• Licences d’entreprise. Solutions d’agent personnalisées avec frais de mise en œuvre et de support.
• Accès API. Les plates-formes d’agents fournissent des API qui permettent aux développeurs d’intégrer des agents dans leurs applications, avec des frais basés sur les appels d’API ou le volume d’utilisation.
• Open-source avec des fonctionnalités premium. Les projets open source offrent un modèle de base gratuitement, mais payant pour les fonctionnalités avancées, l’hébergement ou le support d’entreprise.
• Intégration d'outil. Les plateformes d'agent peuvent prélever une commission auprès des fournisseurs d'outils pour l'utilisation de l'API ou des services.

2. Limites de l’IA centralisée

Alors que les systèmes d’IA Web2 actuels ont ouvert une nouvelle ère de technologie et d’efficacité, ils sont confrontés à plusieurs défis.

• Contrôle centralisé : La concentration des modèles d’IA et des données d’entraînement entre les mains de quelques grandes entreprises technologiques crée des risques d’accès restreint, d’entraînement contrôlé des modèles et d’intégrations verticales imposées.
• Confidentialité et propriété des données : les utilisateurs manquent de contrôle sur la manière dont leurs données sont utilisées et ne reçoivent aucune compensation pour leur utilisation dans la formation des systèmes d'IA. La centralisation des données crée également un point de défaillance unique et peut être une cible pour les violations de données.
• Problèmes de transparence : La nature de « boîte noire » des modèles centralisés empêche les utilisateurs de comprendre comment les décisions sont prises ou de vérifier les sources de données d'apprentissage. Les applications construites sur ces modèles ne peuvent pas expliquer les biais potentiels, et les utilisateurs ont peu ou pas de contrôle sur la façon dont leurs données sont utilisées.
• Défis réglementaires: Le paysage réglementaire mondial complexe concernant l'utilisation de l'IA et la confidentialité des données crée des incertitudes et des défis en matière de conformité. Les agents et les applications construits sur des modèles d'IA centralisés peuvent être soumis à des réglementations du pays propriétaire du modèle.
• Attaques adverses : les modèles IA peuvent être sensibles aux attaques adverses, où les entrées sont modifiées pour tromper le modèle en produisant des sorties incorrectes. La vérification de la validité des entrées et des sorties est nécessaire, ainsi que la sécurité et la surveillance de l'agent IA.
• Fiabilité des résultats : les résultats des modèles d’IA nécessitent une vérification technique et un processus transparent et vérifiable pour établir la fiabilité. À mesure que les agents d’IA évoluent, l’exactitude des résultats du modèle d’IA devient cruciale.
• Deep Fakes : Les images, les discours et les vidéos modifiés par l’IA, connus sous le nom de « Deep Fakes », posent des défis importants car ils peuvent diffuser de la désinformation, créer des menaces pour la sécurité et éroder la confiance du public.

3. Solutions d’IA décentralisées

Les principales contraintes de l’IA Web2 (centralisation, propriété des données et transparence) sont résolues par la blockchain et la tokenisation. Le Web3 offre les solutions suivantes :

• Réseaux informatiques décentralisés. Au lieu d’utiliser des fournisseurs de cloud centralisés, les modèles d’IA peuvent utiliser des réseaux informatiques distribués pour l’entraînement et l’exécution de l’inférence.
• Infrastructure modulaire. Les petites équipes peuvent tirer parti des réseaux informatiques décentralisés et des DAO de données pour former de nouveaux modèles spécifiques. Les constructeurs peuvent augmenter leurs agents avec des outils modulaires et d’autres primitives composables.
• Systèmes transparents et vérifiables. Web3 peut offrir un moyen vérifiable de suivre le développement et l'utilisation du modèle avec la blockchain. Les entrées et sorties du modèle peuvent être vérifiées via des preuves de connaissance nulle (ZKPs) et des environnements d'exécution de confiance (TEEs) et enregistrées de manière permanente on-chain.
• Propriété et souveraineté des données. Les données peuvent être monétisées via des places de marché ou des DAO de données, qui traitent les données comme un actif collectif et peuvent redistribuer les bénéfices de l’utilisation des données aux contributeurs de DAO.
• Amorçage réseau. **Les incitations symboliques peuvent aider à démarrer les réseaux en récompensant les premiers contributeurs pour l’informatique décentralisée, les DAO de données et les marchés d’agents. Les jetons peuvent créer des incitations économiques immédiates qui aident à surmonter les problèmes de coordination initiaux qui entravent l’adoption du réseau.

4. Paysage des agents Web3 AI

Les piles d'agents d'IA Web2 et Web3 partagent des composants de base tels que la coordination des modèles et des ressources, des outils et d'autres services, et des systèmes de mémoire pour la rétention du contexte. Cependant, l'incorporation des technologies blockchain par Web3 permet la décentralisation des ressources de calcul, des jetons pour inciter au partage de données et à la propriété des utilisateurs, une exécution sans confiance via des contrats intelligents, et des réseaux de coordination amorcés.

figure_4_web3_ai_agent_stack1920×3627 407 KB
Figure 4. Web3 Agent d'IA Stack.

Données

La couche de données est le fondement de la pile d'agents d'IA Web3 et englobe tous les aspects des données. Elle comprend les sources de données, le suivi de la provenance et la vérification de l'authenticité, les systèmes d'étiquetage, les outils d'intelligence des données pour l'analyse et la recherche, et les solutions de stockage pour différents besoins de conservation des données.

1. Sources de données. Les sources de données représentent les diverses origines des données dans l'écosystème.
   • DAO de données. Les DAO de données (Vana et Masa AI) sont des organisations gérées par la communauté qui facilitent le partage et la monétisation des données.
   • Marchés. Plates-formes (Ocean Protocol et Sahara AI) créer un marché décentralisé pour l’échange de données.
   • Données privées. Les données sociales, financières et de santé peuvent être anonymisées et mises sur la chaîne pour que l'utilisateur puisse les monétiser.Kaito AI indexe les données sociales de X et crée des données de sentiment via leur API.
   • Données publiques. Les services de grattage Web2 (Herbe) collecte des données publiques puis les prétraite en données structurées pour l'entraînement de l'IA.
   • Données synthétiques. Les données publiques sont limitées et les données synthétiques basées sur des données publiques réelles se sont avérées être une alternative appropriée pour l’entraînement des modèles d’IA. Sous-ensemble de synthés du mode est un ensemble de données de prix synthétiques construit pour la formation et le test de modèles d'IA.
   • Oracles. Les oracles agrègent les données provenant de sources hors chaîne pour se connecter à la blockchain via des contrats intelligents. Les oracles pour l’IA comprennent Protocole Ora, Chainlink, et Masa AI.
2. Provenance. La provenance des données est cruciale pour garantir l'intégrité des données, atténuer les biais et assurer la reproductibilité en IA. La provenance des données suit l'origine des données et enregistre leur lignée.
   Web3 offre plusieurs solutions pour la provenance des données, notamment l'enregistrement des origines et des modifications des données on-chain via des métadonnées basées sur la blockchain (Ocean Protocol et Project Origin de Filecoin), le traçage de la lignée des données via des graphes de connaissances décentralisés (OriginTrail) et produisant des preuves de non-divulgation pour la provenance des données et les audits (Fact Fortress, Protocole de récupération).
3. Étiquetage. L’étiquetage des données exige traditionnellement que les humains balisent ou étiquettent les données pour les modèles d’apprentissage supervisé. Les incitations symboliques peuvent aider les travailleurs à externaliser pour le prétraitement des données.
   Dans le Web2, Échelle IA a un chiffre d’affaires annuel de 1 milliard de dollars et compte OpenAI, Anthropic et Cohere parmi ses clients. Dans le Web3, Protocole humain et Ocean Protocol pour l’étiquetage participatif des données et récompenser les contributeurs d’étiquettes avec des jetons. Alaya AI et Fetch.ai employer des agents d’IA pour l’étiquetage des données.
4. Outils d’intelligence des données. Les outils de Data Intelligence sont des solutions logicielles qui analysent et extraient des informations à partir des données. Ils améliorent la qualité des données, garantissent la conformité et la sécurité, et stimulent les performances des modèles d’IA en améliorant la qualité des données.
   Les sociétés d’analyse blockchain comprennent Arkham, Nansen, et DUNE. Recherche off-chain par Messariet l'analyse des sentiments sur les réseaux sociaux parKaitoont également des API pour la consommation de modèles d'IA.
5. Stockage de données. Les incitations par jeton permettent un stockage de données décentralisé et distribué sur des réseaux de nœuds indépendants. Les données sont généralement chiffrées et partagées entre plusieurs nœuds pour préserver la redondance et la confidentialité.
   Filecoinétait l'un des premiers projets de stockage de données distribuées permettant aux gens d'offrir leur espace de disque dur inutilisé pour stocker des données chiffrées en échange de jetons.IPFS (InterPlanetary File System) crée un réseau peer-to-peer pour le stockage et le partage de données à l’aide de hachages cryptographiques uniques. Arweavea développé une solution de stockage de données permanente qui subventionne les coûts de stockage avec des récompenses en blocs.Storjoffre des API compatibles avec S3 qui permettent aux applications existantes de passer facilement du stockage en cloud au stockage décentralisé.

Calculer

La couche de calcul fournit l'infrastructure de traitement nécessaire pour exécuter les opérations d'IA. Les ressources de calcul peuvent être divisées en différentes catégories : infrastructure de formation pour le développement de modèles, systèmes d'inférence pour l'exécution de modèles et les opérations des agents, et le calcul en périphérie pour le traitement local décentralisé.

Les ressources informatiques distribuées éliminent la dépendance aux réseaux cloud centralisés et renforcent la sécurité, réduisent le problème du point de défaillance unique et permettent aux petites entreprises d’IA d’exploiter les ressources informatiques excédentaires.

1. Formation. L’entraînement des modèles d’IA est coûteux et intensif en termes de calcul. Le calcul d’entraînement décentralisé démocratise le développement de l’IA tout en augmentant la confidentialité et la sécurité, car les données sensibles peuvent être traitées localement sans contrôle centralisé.
BittensoretRéseau Golemsont des marchés décentralisés pour les ressources de formation en IA.Réseau AkashetPhalafournir des ressources informatiques décentralisées avec TEE.Réseau de rendua reconverti son réseau graphique GPU pour fournir des calculs pour les tâches d'IA.

2. Inférence. Le calcul de l'inférence fait référence aux ressources nécessaires aux modèles pour générer une nouvelle sortie ou aux applications et agents d'IA pour fonctionner. Les applications en temps réel qui traitent de gros volumes de données ou des agents nécessitant de multiples opérations utilisent une plus grande quantité de puissance de calcul de l'inférence.
Hyperbolique, Dfinity, et Hyperspaceoffre spécifiquement un calcul d'inférence. Les laboratoires d'inférenceOmron est une place de marché de vérification d’inférence et de calcul sur Bittensor. Les réseaux informatiques décentralisés tels que Bittensor, Golem Network, Akash Network, Phala et Render Network offrent à la fois des ressources de calcul d’entraînement et d’inférence.

3. Calcul de bord. Le calcul de bord implique le traitement des données localement sur des appareils distants tels que des smartphones, des appareils IoT ou des serveurs locaux. Le calcul de bord permet le traitement des données en temps réel et réduit la latence car le modèle et les données s'exécutent localement sur la même machine.
Réseau de dégradés est un réseau d’edge computing sur Solana. Réseau Edge, Réseau Theta, et AIOZpermettre le calcul en périphérie mondial.

Vérification / Confidentialité

La couche de vérification et de confidentialité garantit l'intégrité du système et la protection des données. Les mécanismes de consensus, les preuves de connaissance nulle (ZKP) et les TEE sont utilisés pour vérifier la formation du modèle, l'inférence et les sorties. Le FHE et les TEE sont utilisés pour garantir la confidentialité des données.

1. Calcul vérifiable. Le calcul vérifiable comprend l'entraînement et l'inférence du modèle.
Phala et Réseau Atomacombiner les TEE avec le calcul vérifiable.Inferiumutilise une combinaison de ZKPs et de TEEs pour l'inférence vérifiable.

2. Preuves de sortie. Les preuves de sortie vérifient que les sorties du modèle d'IA sont authentiques et n'ont pas été falsifiées sans révéler les paramètres du modèle. Les preuves de sortie offrent également une provenance et sont importantes pour faire confiance aux décisions de l'agent d'IA.
zkML et Réseau Aztec les deux ont des systèmes ZKP qui prouvent l’intégrité de la sortie de calcul. Huître de Marlinfournit une inférence AI vérifiable à travers un réseau de TEEs.

3. Confidentialité des données et du modèle. FHE et d’autres techniques cryptographiques permettent aux modèles de traiter des données chiffrées sans exposer d’informations sensibles. La confidentialité des données est nécessaire lors du traitement d’informations personnelles et sensibles et pour préserver l’anonymat.
Protocole Oasisfournit un calcul confidentiel via TEEs et un chiffrement des données.Partisia Blockchainutilise une Calcul de Parties Multiples (MPC) avancé pour garantir la confidentialité des données en IA.

Coordination

La couche de coordination facilite l'interaction entre les différents composants de l'écosystème Web3 AI. Elle comprend des places de marché de modèles pour la distribution, l'infrastructure de formation et d'ajustement fin, et des réseaux d'agents pour la communication et la collaboration entre agents.

1. Réseaux modèles. Les réseaux de modèles sont conçus pour partager des ressources pour le développement de modèles d’IA.

• Les LLM. Les grands modèles de langage nécessitent une quantité importante de ressources informatiques et de données. Les réseaux LLM permettent aux développeurs de déployer des modèles spécialisés.
  Bittensor, Sentient, et Akash Network fournissent aux utilisateurs des ressources informatiques et un marché pour construire des LLMs sur leurs réseaux.
• Données structurées. Les réseaux de données structurées dépendent d'ensembles de données personnalisés et organisés.
  Pond AIutilise des modèles fondamentaux de graphes pour créer des applications et des agents qui utilisent des données de blockchain.
• Places de marché. Les places de marché aident à monétiser les modèles, agents et ensembles de données d'IA.
  Protocole Oceanfournit un marché pour les données, les services de prétraitement des données, les modèles et les sorties de modèle.Fetch AIest un marché d'agents d'IA.

2. Entraînement / Ajustement fin. Les réseaux de formation se spécialisent dans la distribution et la gestion des ensembles de données d'entraînement. Les réseaux de fine-tuning se concentrent sur des solutions d'infrastructure pour améliorer la connaissance externe du modèle grâce aux RAGs (Retrieval Augmented Generation) et aux APIs.
Bittensor, Akash Network et Golem Network proposent des réseaux de formation et d'ajustement fins.

3. Réseaux d’agents. Les réseaux d’agents fournissent deux services principaux aux agents d’IA : 1) des outils et 2) des rampes de lancement d’agents. Les outils incluent des connexions avec d’autres protocoles, des interfaces utilisateur standardisées et la communication avec des services externes. Les rampes de lancement de l’agent facilitent le déploiement et la gestion des agents d’IA.
Theoriqexploite des essaims d'agents pour alimenter des solutions de trading DeFi. Virtuals est la principale rampe de lancement d'agents IA sur Base.Eliza OSétait le premier réseau de modèle LLM open source. Réseau AlpagaetRéseau Olas sont des plateformes d’agents d’IA appartenant à la communauté.

Services

La couche de services fournit le middleware et les outils essentiels dont les applications et agents d'IA ont besoin pour fonctionner efficacement. Cette couche comprend des outils de développement, des API pour l'intégration de données et d'applications externes, des systèmes de mémoire pour la rétention du contexte de l'agent, la génération augmentée par récupération (RAG) pour un accès amélioré aux connaissances, et une infrastructure de test.

• Outils. Un ensemble d'utilitaires ou d'applications qui facilitent diverses fonctionnalités au sein des agents AI :
  • Paiements. L'intégration de systèmes de paiement décentralisés permet aux agents de mener autonomement des transactions financières, garantissant des interactions économiques fluides au sein de l'écosystème Web3.
    Coinbaseʻs Kit d’agent permet aux agents d'IA de réaliser des paiements et de transférer des jetons. LangChain et Paymanoffrir des options d'envoi et de demande de paiement pour les agents.
  • Launchpads. Plates-formes qui aident au déploiement et à la mise à l'échelle des agents d'IA, fournissant des ressources telles que des lancements de jetons, une sélection de modèles, des API et un accès aux outils.
    Protocole Virtualsest la principale plateforme de lancement d'agents AI permettant aux utilisateurs de créer, déployer et monétiser des agents AI.Haut-de-forme et Griffainsont des plateformes de lancement d'agents IA sur Solana.
  • Autorisation. Des mécanismes qui gèrent les autorisations et le contrôle d’accès, en veillant à ce que les agents opèrent dans des limites définies et maintiennent les protocoles de sécurité.
    Biconomy propose Touches de sessionpour que les agents puissent s'assurer que les agents ne peuvent interagir qu'avec des contrats intelligents figurant sur la liste blanche.
  • Sécurité. Mise en œuvre de mesures de sécurité robustes pour protéger les agents contre les menaces, garantir l'intégrité, la confidentialité et la résilience des données contre les attaques.
    Sécurité GoPlus ajouté un plug-in qui permet aux agents d’ElizaOS AI d’utiliser des fonctionnalités de sécurité on-chain qui empêchent l’escroquerie, le phishing et les transactions suspectes sur plusieurs blockchains.
• Interfaces de programmation d’applications (API). Les API facilitent l’intégration transparente de données et de services externes dans les agents d’IA. Les API d’accès aux données permettent aux agents d’accéder à des données en temps réel provenant de sources externes, ce qui améliore leurs capacités de prise de décision. Les API de service permettent aux agents d’interagir avec des applications et des services externes, élargissant ainsi leurs fonctionnalités et leur portée.
  Réseau Dataifournit des données blockchain aux agents d'IA via une API de données structurées. Réseau SubQuery propose des indexeurs de données décentralisés et des points de terminaison RPC pour les agents et les applications d’IA.
• Augmentation de la génération augmentée par récupération (RAG). L’augmentation du RAG améliore l’accès aux connaissances des agents en combinant les LLM avec la récupération de données externes.
  • Récupération d'informations dynamiques. Les agents peuvent récupérer des informations à jour à partir de bases de données externes ou d'Internet pour fournir des réponses précises et actuelles.
  • Intégration des connaissances. L’intégration des données récupérées dans le processus de génération permet aux agents de produire des résultats plus informés et contextuellement pertinents.
• Réseau Atoma offre une conservation sécurisée des données et des API de données publiques pour des RAG personnalisés. ElizaOS et Protocole KIP proposer des plug-ins d’agent à des sources de données externes telles que X et Farcaster.
• Mémoire. Les agents d’IA ont besoin d’un système de mémoire pour conserver le contexte et apprendre de leurs interactions. Grâce à la rétention de contexte, les agents conservent un historique des interactions pour fournir des réponses cohérentes et adaptées au contexte. Un stockage en mémoire plus long permet aux agents de stocker et d’analyser les interactions passées, ce qui peut améliorer leurs performances et personnaliser l’expérience utilisateur au fil du temps.
  ElizaOS Offre une gestion de la mémoire dans le cadre de son réseau d’agents. Mem0AIetUnibase AI construisent une couche mémoire pour les applications et les agents d’IA.
• Infrastructure de test. Des plateformes conçues pour assurer la fiabilité et la robustesse des agents d’IA. Les agents peuvent s’exécuter dans des environnements de simulation contrôlés pour évaluer les performances dans divers scénarios. Les plateformes de test permettent de surveiller les performances et d’évaluer en continu les opérations des agents afin d’identifier tout problème.
  l’assistant IA d’Alchemy, ChatWeb3, peut tester des agents d’IA par le biais de requêtes complexes et de tests sur des implémentations de fonctions.

Applications

La couche d'application se situe au sommet de la pile d'IA et représente les solutions destinées aux utilisateurs finaux. Cela inclut des agents qui résolvent des cas d'utilisation tels que la gestion de portefeuille, la sécurité, la productivité, les gains, les marchés de prédiction, les systèmes de gouvernance et les outils DeFAI.

• Portefeuilles. Les agents d'IA améliorent les portefeuilles Web3 en interprétant les intentions des utilisateurs et en automatisant les transactions complexes, améliorant ainsi l'expérience utilisateur.
  Portefeuille Armor et FoxWallet (en anglais)utilisez des agents d'IA pour exécuter les intentions des utilisateurs sur les plateformes DeFi et les blockchains, ce qui permet aux utilisateurs de saisir leurs intentions via une interface de type chat.Plateforme de développement de Coinbase propose aux agents d’IA des portefeuilles MPC leur permettant de transférer des jetons de manière autonome.
• Sécurité. Des agents d’IA surveillent l’activité de la blockchain pour identifier les comportements frauduleux et les transactions suspectes de contrats intelligents.
  ChainAware.aiL'agent de détection de fraude de Gate.io fournit une sécurité de portefeuille en temps réel et une surveillance de la conformité sur plusieurs blockchains. AgentLayer's Vérificateur de portefeuillescanne les portefeuilles à la recherche de vulnérabilités et propose des recommandations pour renforcer la sécurité.
• Productivité. Les agents d’IA aident à automatiser les tâches, à gérer les calendriers et à fournir des recommandations intelligentes pour améliorer l’efficacité des utilisateurs.
  Monde3 dispose d’une plateforme no-code pour concevoir des agents d’IA modulaires pour des tâches telles que la gestion des médias sociaux, les lancements de jetons Web3 et l’aide à la recherche.
• Jeu. Les agents de l’IA font fonctionner des personnages non joueurs (PNJ) qui s’adaptent aux actions des joueurs en temps réel, améliorant ainsi l’expérience utilisateur. Ils peuvent également générer du contenu dans le jeu et aider les nouveaux joueurs à apprendre le jeu.
  Arène de l’IAutilise des joueurs humains et l'apprentissage par imitation pour former des agents de jeu AI.Réseau Nim est une chaîne de jeux d’IA qui fournit des identifiants d’agents et des ZKP pour vérifier les agents sur les blockchains et les jeux. Game3s.GG conçoit des agents capables de naviguer, d’entraîner et de jouer aux côtés de joueurs humains.
• Prédiction. Les agents d’IA analysent les données pour fournir des informations et faciliter la prise de décision éclairée pour les plateformes de prédiction.
  Prédicteur de GOATsest un agent IA sur le réseau Ton qui propose des recommandations basées sur les données.SynStationest un marché de prédiction détenu par la communauté sur Soneium qui emploie des agents d'IA pour aider les utilisateurs à prendre des décisions.
• La gouvernance. Les agents d'IA facilitent la gouvernance de l'organisation autonome décentralisée (DAO) en automatisant l'évaluation des propositions, en réalisant des vérifications de la température de la communauté, en garantissant un vote sans Sybil et en mettant en œuvre des politiques.
  Réseau SyncAIfonctionnalités un agent IA agissant comme représentant décentralisé pour le système de gouvernance de Cardano. Olas propose un Agent de gouvernancequi rédige des propositions, vote et gère le trésor d'une DAO. ElizaOS a un agentqui recueille des informations des forums DAO et Discord, fournissant des recommandations en matière de gouvernance.
• Agents de la DeFAI. Les agents peuvent échanger des jetons, identifier des stratégies génératrices de rendement, exécuter des stratégies de trading et gérer le rééquilibrage inter-chaînes. Les agents du gestionnaire de risques surveillent l’activité on-chain pour détecter les comportements suspects et retirer des liquidités si nécessaire.
  Protocole d’agent d’IA de Theoriq déploie des essaims d’agents pour gérer des transactions DeFi complexes, optimiser les pools de liquidité et automatiser les stratégies de yield farming. Noyaest une plateforme DeFi qui utilise des agents IA pour la gestion des risques et de portefeuille.

Collectivement, ces applications contribuent à des écosystèmes d'IA sécurisés, transparents et décentralisés adaptés aux besoins de Web3.

Conclusion

L’évolution des systèmes d’IA Web2 vers Web3 représente un changement fondamental dans la façon dont nous abordons le développement et le déploiement de l’intelligence artificielle. Bien que l’infrastructure d’IA centralisée du Web2 ait été à l’origine d’une innovation considérable, elle est confrontée à des défis importants en matière de confidentialité des données, de transparence et de contrôle centralisé. La pile d’IA Web3 démontre comment les systèmes décentralisés peuvent remédier à ces limitations grâce à des DAO de données, des réseaux informatiques décentralisés et des systèmes de vérification sans confiance. Peut-être plus important encore, les incitations symboliques créent de nouveaux mécanismes de coordination qui peuvent aider à démarrer et à maintenir ces réseaux décentralisés.

En regardant vers l'avenir, la montée des agents d'IA représente la prochaine frontière de cette évolution. Comme nous l'explorerons dans le prochain article, les agents d'IA – des bots simples spécifiques à des tâches complexes aux systèmes autonomes – deviennent de plus en plus sophistiqués et capables. L'intégration de ces agents avec l'infrastructure Web3, combinée à une réflexion attentive sur l'architecture technique, les incitations économiques et les structures de gouvernance, a le potentiel de créer des systèmes plus équitables, transparents et efficaces que ce qui était possible à l'époque de Web2. Comprendre comment ces agents fonctionnent, leurs différents niveaux de complexité et la distinction entre les agents d'IA et une IA réellement agentic sera crucial pour quiconque travaille à l'intersection de l'IA et de Web3.

Avertissement :

1. Cet article est repris de [GateFlashbots]. Tous les droits d'auteur appartiennent à l'auteur original [tesa]. Si vous avez des objections à cette réimpression, veuillez contacter le Porte Apprendreéquipe et ils s'en occuperont rapidement.
2. Clause de non-responsabilité : Les points de vue et opinions exprimés dans cet article sont uniquement ceux de l'auteur et ne constituent en aucun cas des conseils en investissement.
3. L'équipe Gate Learn traduit l'article dans d'autres langues. La copie, la distribution ou le plagiat des articles traduits est interdite sauf mention contraire.