У нашому попередньому пості ми досліджували Історія дизайну додатківУ частині 1 нашої другої серії дописів про Agentic AI ми розглядаємо поточний ландшафт штучного інтелекту Web2 та його ключові тенденції, платформи та технології. У частині 2 ми досліджуємо, як блокчейн та безвідмовна перевірка дозволяють розвиток AI-агентів у справжні агентичні системи.

1. Ландшафт веб-агента штучного інтелекту 2

Поточний стан централізованих штучних інтелектуальних агентів

Рисунок 1. E2B Web2 AI Ландшафт агента.

Сучасний ландшафт штучного інтелекту переважно характеризується централізованими платформами та сервісами, які контролюються великими технологічними компаніями. Компанії, такі як OpenAI, Anthropic, Google та Microsoft, надають великі мовні моделі (LLM) та підтримують важливу хмарну інфраструктуру та API-сервіси, які живлять більшість агентів штучного інтелекту.

Інфраструктура штучного інтелекту агента

Останні досягнення в інфраструктурі штучного інтелекту фундаментально змінили спосіб, яким розробники створюють агентів штучного інтелекту. Замість кодування конкретних взаємодій, розробники тепер можуть використовувати природну мову для визначення поведінки та цілей агента, що призводить до більш адаптивних та складних систем.

Рисунок 2. Інфраструктура сегментації штучного інтелекту.

Ключові досягнення в наступних областях призвели до поширення штучних інтелектуальних агентів:

• Сучасні великі мовні моделі (LLMs): LLMs революціонізували спосіб, яким агенти розуміють і генерують природну мову, замінюючи жорсткі системи, побудовані на правилах, більш вдосконаленими можливостями розуміння. Вони дозволяють розуміння і планування через “ланцюжок міркувань”.
  Більшість застосунків штучного інтелекту ґрунтуються на централізованих моделях LLM, таких як GPT-4 від OpenAI, Клоде заАнтропічнийта Gemini від Google.
  Відкриті моделі штучного інтелекту включають DeepSeek, LLaMa від Meta, PaLM 2 та LaMDA від Google, Mistral 7B від Mistral AI, Grok та Grok-1 від xAI, Vicuna-13B від LM Studio, та моделі Falcon від Інституту Інноваційних Технологій (TII).
• Фреймворки агентів: На ринку з'являється кілька фреймворків та інструментів для сприяння створенню мультиагентних ШШД-додатків для бізнесу. Ці фреймворки підтримують різноманітні LLM та надають готові функції для розробки агента, включаючи управління пам'яттю, власні інструменти та інтеграцію зовнішніх даних. Ці фреймворки значно зменшують інженерні виклики, прискорюючи зростання та інновації.
  Найкращі агентські фреймворки включають Phidata, OpenAI Рої, Екіпажі, LangChain LangGraph, LlamaIndex, відкритий джерела MicrosoftАвтоген, Вершина ІІ, та LangFlow,які надають можливості створювати AI-асистентів з мінімальним необхідним кодуванням.
• Платформи агентного штучного інтелекту: платформи агентного штучного інтелекту зосереджені на оркестрації кількох агентів штучного інтелекту в розподіленому середовищі для автономного вирішення складних проблем. Ці системи можуть динамічно адаптуватися та співпрацювати, що дозволяє створювати надійні рішення для масштабування. Ці послуги мають на меті змінити те, як компанії використовують штучний інтелект, зробивши агентські технології доступними та безпосередньо застосовними до існуючих систем.
  Топові агентичні платформи включають в себе Microsoft Autogen, Langchain LangGraph, MicrosoftСемантичне ядро, та CrewAI.
• Покращення з допомогою вилучення (RAG): Покращення з допомогою вилучення (RAG) дозволяє LLMs отримувати доступ до зовнішніх баз даних або документів перед відповіддю на запити, підвищуючи точність та зменшуючи галюцинації. Покращення RAG дозволяють агентам адаптуватися та вчитися з нових джерел інформації та уникати потреби у повторному навчанні моделей.
  Найкращі інструменти RAG від Gate.io K2View, Haystack, ЛангЧейн, LlamaIndex, Рагатуй, та відкритий джерела Вбудований ланцюг і Технологія InfiniFlow.
• Системи пам'яті: щоб подолати обмеження традиційних агентів штучного інтелекту в обробці довгострокових завдань, служби пам'яті надають короткочасну пам'ять для проміжних завдань або довготривалу пам'ять для зберігання та отримання інформації для розширених завдань.
  Довготривала пам'ять включає:
  • Епізодична пам'ять. Записує конкретні враження для навчання та вирішення проблем і використовується в контексті для поточного запиту.
  • Семантична пам'ять. Загальна та високорівнева інформація про середовище агента.
  • Процедурна пам'ять. Зберігає процедури, використовані при прийнятті рішень та крок за кроком мислення, використане для вирішення математичних проблем.
• До лідерів у сфері сервісів пам'яті можна віднести Letta, з відкритим вихідним кодом МемGPT, Зепі Mem0.
• Платформи штучного інтелекту без коду: Платформи без коду дозволяють користувачам створювати моделі штучного інтелекту за допомогою інструментів перетягування та візуальних інтерфейсів або майстра запитань та відповідей. Користувачі можуть розгортати агентів безпосередньо у своїх додатках та автоматизувати робочі процеси. Шляхом спрощення робочого процесу агента штучного інтелекту будь-хто може створювати та використовувати штучний інтелект, що призводить до більшої доступності, швидших циклів розробки та збільшення інновацій.
  Серед лідерів No-code BuildFire AI, Навчальна машина Googleта Amazon Технологія SageMaker.
  Існує кілька нішевих no-code платформ для агентів штучного інтелекту, таких як Очевидно, ШІ для прогнозів бізнесу, Часточка ШІ для класифікації зображень та Nanonets для обробки документів.

figure_3_ai_business_models1920×1080 178 КБ
Фігура 3. Моделі бізнесу штучного інтелекту.

Бізнес-моделі

Традиційні компанії зі штучним інтелектом Web2 в основному використовують багаторівневі підписки та консалтингові послуги як свої бізнес-моделі.

Нові бізнес-моделі для агентів зі штучним інтелектом включають:

• На основі підписки / використання. Плата з користувачів стягується залежно від кількості прогонів агента або використаних обчислювальних ресурсів, подібно до служб великої мовної моделі (LLM).
• Моделі маркетплейсу. Агентські платформи беруть відсоток від транзакцій, здійснених на платформі, подібно до моделей магазинів додатків.
• Ліцензування підприємств. Індивідуальні агентські рішення з комісією за впровадження та підтримку.
• Доступ до API. Агентські платформи надають API, які дозволяють розробникам інтегрувати агентів у свої програми з оплатою на основі викликів API або обсягу використання.
• Відкритий вихідний код із преміум-функціями. Проекти з відкритим вихідним кодом пропонують базову модель безкоштовно, але платні за розширені функції, хостинг або корпоративну підтримку.
• Інтеграція інструментів. Платформи агентів можуть брати комісію від постачальників інструментів за використання API або послуг.

2. Обмеження централізованого ШІ

Хоча нинішні системи штучного інтелекту Web2 відкрили нову еру технологій та ефективності, вони стикаються з кількома проблемами.

• Централізоване управління: Концентрація моделей штучного інтелекту та навчальних даних у руках кількох великих технологічних компаній створює ризики обмеженого доступу, контрольованого навчання моделей та примусової вертикальної інтеграції.
• Конфіденційність даних і право власності: користувачі не контролюють, як використовуються їхні дані, і не отримують компенсації за їх використання в навчанні систем штучного інтелекту. Централізація даних також створює єдину точку відмови та може стати мішенню для витоку даних.
• Прозорість проблеми: "чорний ящик" централізованих моделей перешкоджає користувачам розуміти, які рішення приймаються або перевіряти джерела навчальних даних. Додатки, побудовані на цих моделях, не можуть пояснити потенційні упередження, і у користувачів майже немає контролю над тим, як їх дані використовуються.
• Регуляторні виклики: Складний глобальний регуляторний ландшафт щодо використання штучного інтелекту та конфіденційності даних створює невизначеність і проблеми з дотриманням вимог. Агенти та програми, побудовані на централізованих моделях штучного інтелекту, можуть підпадати під регулювання країни власника моделі.
• Змагальні атаки: моделі штучного інтелекту можуть бути сприйнятливими до атак зловмисника, коли вхідні дані модифікуються, щоб обдурити модель і змусити її видавати неправильні виходи. Необхідна перевірка валідності введення та виведення, а також безпека та моніторинг агента штучного інтелекту.
• Надійність виведення: виведення моделей штучного інтелекту потребує технічної перевірки та прозорого, перевіреного процесу для встановлення надійності. При масштабуванні агентів штучного інтелекту вірність виведення моделей штучного інтелекту стає критичною.
• Діпфейки: модифіковані штучним інтелектом зображення, мова та відео, відомі як «діпфейки», створюють значні проблеми, оскільки можуть поширювати дезінформацію, створювати загрози безпеці та підривати довіру громадськості.

3. Децентралізовані рішення на основі штучного інтелекту

Основні обмеження Web2 AI — централізація, володіння даними та прозорість — усуваються за допомогою блокчейну та токенізації. Web3 пропонує такі рішення:

• Децентралізовані обчислювальні мережі. Замість використання централізованих хмарних постачальників, моделі ШІ можуть використовувати розподілені обчислювальні мережі для навчання та виконання інференції.
• Модулярна інфраструктура. Менші команди можуть використовувати децентралізовані обчислювальні мережі та дані DAO для тренування нових, конкретних моделей. Розробники можуть розширювати свої агенти за допомогою модульних інструментів та інших компонентних примітивів.
• Прозорі та перевірені системи. Web3 може запропонувати перевірений спосіб відстеження розробки та використання моделі з блокчейном. Входи та виходи моделі можуть бути перевірені за допомогою доказів з нульовим розголошенням (ZKP) і довірених середовищ виконання (TEE) і постійно записані в ланцюжку.
• Власність та суверенітет даних. Дані можуть бути монетизовані через ринки або дата-DAO, які розглядають дані як колективний актив та можуть перерозподіляти прибуток від використання даних між учасниками DAO.
• Завантаження мережі. **Заохочення токенів можуть допомогти початковим мережам, винагороджуючи ранніх учасників для децентралізованих обчислень, даних DAO та маркетплейсів агентів. Токени можуть створити негайні економічні стимули, які допоможуть подолати початкові проблеми координації, які перешкоджають прийняттю мережі.

4. Ландшафт агента Web3 зі штучним інтелектом

Стеки агентів штучного інтелекту Web2 та Web3 мають спільні основні компоненти, такі як координація моделей та ресурсів, інструменти та інші послуги, а також системи пам'яті для збереження контексту. Однак включення Web3 технологій блокчейну дозволяє децентралізувати обчислювальні ресурси, токени для стимулювання обміну даними та власності користувачів, виконання без довіри за допомогою смарт-контрактів і початкові координаційні мережі.

figure_4_web3_ai_agent_stack1920×3627 407 KB
Малюнок 4. Стек агентів Web3 зі штучним інтелектом.

Дані

Рівень даних є основою стека агентів Web3 AI і охоплює всі аспекти даних. Він включає джерела даних, відстеження походження та перевірку автентичності, системи маркування, інструменти аналізу даних для аналітики та досліджень, а також рішення для зберігання різних потреб у збереженні даних.

1. Джерела даних. Джерела даних представляють різні джерела походження даних в екосистемі.
   • Data DAO. Data DAO (Вана і Маса А.І.Це спільнота, яка забезпечує обмін даними та монетизацію.
   • Ринки. Платформи (Океанський протокол і Сахара ШІ) створити децентралізований ринок для обміну даними.
   • Особисті дані. Соціальні, фінансові та медичні дані можуть бути анонімізовані та перенесені в мережу для монетизації користувачем. Kaito AI індексує соціальні дані з X і створює дані про настрої через свій API.
   • Публічні дані. Веб2 скрапінг сервіси ( Трава) збирати публічні дані, а потім попередньо обробляти їх в структуровані дані для навчання штучного інтелекту.
   • Синтетичні дані. Публічні дані обмежені, і синтетичні дані на основі реальних, публічних даних виявилися відповідним альтернативою для навчання моделей штучного інтелекту.Підмножина синтезатору Mode – це синтетичний набір даних про ціни, створений для навчання та тестування моделей штучного інтелекту.
   • Оракули. Оракули агрегують дані з off-chain джерел для підключення до блокчейну через смарт-контракти. Оракули для штучного інтелекту включаютьПротокол Ora, Chainlinkта Маса А.І.
2. Походження. Походження даних має вирішальне значення для забезпечення цілісності даних, зменшення упередженості та відтворюваності в ШІ. Дані про походження відстежують походження даних і записують їх родовід.
   Web3 пропонує кілька рішень для походження даних, включаючи запис походження та модифікації даних у ланцюжку за допомогою метаданих на основі блокчейну (Ocean Protocol і Filecoin's Project Origin), відстеження родоводу даних за допомогою децентралізованих графів знань (Стежка походження), а також створення доказів з нульовим розголошенням для походження даних та аудитів (Fact Fortress, Протокол відновлення).
3. Маркування. Маркування даних традиційно вимагало від людей позначати або маркувати дані для моделей навчання під наглядом. Заохочення токенів можуть допомогти працівникам краудсорсингу для попередньої обробки даних.
   У Web2 Scale AI має річний дохід у розмірі 1 мільярда доларів і враховує OpenAI, Anthropic і Cohere як клієнтів. У Web3 Людський протоколі Ocean Protocol залучають масові дані та винагороджують учасників, які маркерують дані, токенами.Alaya AIіFetch.ai наймати агентів штучного інтелекту для маркування даних.
4. Інструменти аналізу даних. Інструменти аналізу даних – це програмні рішення, які аналізують і витягують інсайти з даних. Вони покращують якість даних, забезпечують відповідність і безпеку, а також підвищують продуктивність моделі штучного інтелекту за рахунок покращення якості даних.
   Компанії з аналітики блокчейну включають Аркхем, Nansenі Дюна. Дослідження поза мережею Мессарі та аналіз настроїв у соціальних мережах Kaitoтакож мають API для споживання моделей штучного інтелекту.
5. Зберігання даних. Токени-стимули дозволяють децентралізоване, розподілене зберігання даних по незалежних мережах вузлів. Дані, як правило, зашифровані та розподілені по кількох вузлах для забезпечення дублювання та конфіденційності.
   Filecoin був одним із перших проектів розподіленого зберігання даних, який дозволив людям пропонувати невикористаний простір на жорсткому диску для зберігання зашифрованих даних в обмін на токени. IPFS (InterPlanetary File System) створює однорідну мережу для зберігання та обміну даними за допомогою унікальних криптографічних хешів. Arweave Розроблено рішення для постійного зберігання даних, яке субсидує витрати на зберігання за допомогою винагороди за блок. Storjпропонує API, сумісні з S3, що дозволяють існуючим додаткам легко переключатися з хмарного сховища на децентралізоване сховище.

Обчислити

Шар обчислення забезпечує інфраструктуру обробки, необхідну для виконання операцій штучного інтелекту. Обчислювальні ресурси можуть бути розподілені на кілька категорій відстані: інфраструктура для навчання розвитку моделі, системи виведення для виконання моделі та операцій агента, та розподілене обчислення для місцевої децентралізованої обробки.

Розподілені обчислювальні ресурси усувають залежність від централізованих хмарних мереж і підвищують безпеку, зменшують проблему єдиної точки відмови та дозволяють меншим компаніям зі штучним інтелектом використовувати надлишкові обчислювальні ресурси.

1.Підготовка. Навчання моделей штучного інтелекту є обчислювально дорогим і інтенсивним. Децентралізовані навчальні комп'ютери демократизують розробку штучного інтелекту, підвищуючи конфіденційність і безпеку, оскільки конфіденційні дані можуть оброблятися локально без централізованого контролю.
Bittensor та Мережа Golemце децентралізовані ринки ресурсів для тренування штучного інтелекту.Akash Network та Фалазабезпечувати децентралізовані обчислювальні ресурси з TEEs.Рендер мережіперепризначений свою графічну мережу GPU для забезпечення обчислень для завдань штучного інтелекту.

2. Умовивід. Обчислення логічного висновку — це ресурси, необхідні моделям для генерації нового результату або програмам і агентам штучного інтелекту для роботи. Програми реального часу, які обробляють великі обсяги даних, або агенти, які вимагають кількох операцій, використовують більшу кількість обчислювальної потужності висновків.
Гіперболічний, Кінцевість, та Гіперпростірспецифічно пропонують обчислення інференції. Лабораторія інференціїКомпанія Omronє ринком виведення та перевірки обчислень на Bittensor. Децентралізовані обчислювальні мережі, такі як Bittensor, Golem Network, Akash Network, Phala та Render Network, пропонують як ресурси для навчання, так і ресурси для виведення.

3. Периферійні обчислення. Периферійні обчислення передбачають обробку даних локально на віддалених пристроях, таких як смартфони, пристрої IoT або локальні сервери. Периферійні обчислення дозволяють обробляти дані в режимі реального часу та зменшити затримку, оскільки модель і дані виконуються локально на одній машині.
Градієнтна мережаце мережа розподіленого обчислення на Solana.Edge Мережа, Theta Мережа, та AIOZдозволяти глобальне розподілене обчислення на краю.

Верифікація / Конфіденційність

Рівень верифікації та конфіденційності забезпечує цілісність системи та захист даних. Механізми консенсусу, докази з нульовим розголошенням (ZKP) і TEE використовуються для перевірки навчання моделі, висновків і виходів. FHE та TEE використовуються для забезпечення конфіденційності даних.

1. Перевірені обчислення. Верифіковані обчислення включають навчання моделей і висновок.
Phala та Мережа Atomaпоєднуйте TEE з перевіреною обчислюванням.Інферіумвикористовує комбінацію ZKPs та TEEs для перевірки виведення.

2. Вихідні докази. Вихідні докази підтверджують, що виведені моделі штучного інтелекту є автентичними і не були піддані втручанню без розголошення параметрів моделі. Вихідні докази також надають походження і є важливими для довіри до рішень агентів ШІ.
zkML та Мережа Ацтекобидва мають ZKP системи, які доводять цілісність обчислювального виводу.Устриці Марліннадає перевірне виконання штучного інтелекту через мережу TEEs.

3. Конфіденційність даних та моделей. FHE та інші криптографічні техніки дозволяють моделям обробляти зашифровані дані без розголошення чутливої інформації. Конфіденційність даних необхідна при роботі з особистою та чутливою інформацією, щоб зберегти анонімність.
Протокол Oasisнадає конфіденційне обчислення за допомогою TEE та шифрування даних.Частина Блокчейнувикористовує передове багатостороннє обчислення (MPC), щоб забезпечити конфіденційність даних штучного інтелекту.

Координації

Шар координації сприяє взаємодії між різними компонентами екосистеми штучного інтелекту Web3. Він включає ринки моделей для розподілу, навчання та інфраструктури для налаштування, а також мережі агентів для міжагентної комунікації та співпраці.

1. Модельні мережі. Модельні мережі призначені для спільного використання ресурсів для розробки моделей штучного інтелекту.

• Великі мовні моделі потребують значної кількості обчислювальних та даних ресурсів. Мережі LLM дозволяють розробникам використовувати спеціалізовані моделі.
  Bittensor, Свідомий, та Akash Network надають користувачам обчислювальні ресурси та ринок для побудови LLMs у своїх мережах.
• Структуровані дані. Мережі структурованих даних залежать від налаштованих, складених наборів даних.
  Ставок ШІвикористовує графічні основні моделі для створення додатків та агентів, які використовують дані блокчейну.
• Ринків. Маркетплейси допомагають монетизувати моделі штучного інтелекту, агентів і набори даних.
  Океан Протокол надає ринок для даних, послуг передпереробки даних, моделей та виходів моделі. Fetch AI – це маркетплейс AI-агентів.

2.Навчання / Тонке Налаштування. Мережі навчання спеціалізуються на розподілі та управлінні навчальними наборами даних. Мережі тонкого налаштування зосереджені на інфраструктурних рішеннях для підвищення зовнішніх знань моделі через RAGs (Retrieval Augmented Generation) та API.
Bittensor, Akash Network та Golem Network пропонують мережі для навчання та налаштування.

3. Агентські мережі. Агентські мережі надають дві основні послуги для штучних інтелектуальних агентів: 1) інструменти та 2) пускові майданчики для агентів. Інструменти включають підключення до інших протоколів, стандартизовані користувацькі інтерфейси та зв'язок з зовнішніми службами. Пускові майданчики для агентів дозволяють легке розгортання та управління штучними інтелектуальними агентами.
Theoriqвикористовує агентські рої для створення рішень з торгівлі DeFi. Virtuals - провідний запусковий пульт штучного інтелекту на Base.Eliza OSбула першою відкритою мережею моделей LLM.Alpaca Network та Мережа Оласце платформи штучного інтелекту, що належать спільноті.

Послуги

Рівень «Послуги» надає необхідне проміжне програмне забезпечення та інструменти, необхідні програмам і агентам штучного інтелекту для ефективної роботи. Цей рівень включає інструменти розробки, API для інтеграції зовнішніх даних і додатків, системи пам'яті для збереження контексту агента, Retrieval-Augmented Generation (RAG) для розширеного доступу до знань та інфраструктуру тестування.

• Інструменти. Набір утиліт або додатків, які сприяють виконанню різноманітних функцій в AI-агентах:
  • Платежі. Інтеграція децентралізованих платіжних систем дозволяє агентам автономно здійснювати фінансові транзакції, забезпечуючи безшовні економічні взаємодії в екосистемі Web3.
    Coinbaseʻs АгентКіт дозволяє агентам штучного інтелекту здійснювати платежі та переказувати токени. LangChain і Пейменпропозиція надсилання та запит варіантів оплати для агентів.
  • Пускові майданчики. Платформи, які допомагають у розгортанні та масштабуванні AI агентів, забезпечуючи ресурси, такі як запуски токенів, вибір моделей, API та доступ до інструментів.
    Протокол віртуальних є провідним запусковим майданчиком штучного інтелекту, що дозволяє користувачам створювати, розгортати та монетизувати штучний інтелект. ЦиліндріGriffainце пускові майданчики штучного інтелекту на Solana.
  • Авторизація. Механізми, які керують дозволами та контролем доступу, забезпечуючи роботу агентів в межах визначених меж та збереження протоколів безпеки.
    Biconomy пропонує Ключі сеансівщоб агенти могли взаємодіяти тільки з відомими смарт-контрактами.
  • Безпека. Впровадження надійних заходів безпеки для захисту агентів від загроз, забезпечення цілісності даних, конфіденційності та стійкості до атак.
    Безпека GoPlusдодав плагін, що дозволяє штучним інтелектуальним агентам ElizaOS використовувати функції безпеки on-chain, які запобігають обману, рибалтву та підозрілим транзакціям на різних блокчейнах.
• Інтерфейси прикладного програмування (API). API сприяють безшовній інтеграції зовнішніх даних і сервісів у агентів штучного інтелекту. API доступу до даних надають агентам доступ до даних у режимі реального часу із зовнішніх джерел, покращуючи їхні можливості прийняття рішень. Сервісні API дозволяють агентам взаємодіяти із зовнішніми додатками та сервісами, розширюючи їх функціональність та охоплення.
  Мережа Datai надає дані блокчейну агентам штучного інтелекту через API структурованих даних. SubQuery Мережапропонує децентралізовані індексатори даних та RPC-точки доступу для штучних інтелектуальних агентів та додатків.
• Збагачення за допомогою посиленого отримання (RAG). Збагачення RAG покращує доступ агентів до знань шляхом поєднання LLM з отриманням зовнішніх даних.
  • Динамічний пошук інформації. Агенти можуть отримувати актуальну інформацію із зовнішніх баз даних або Інтернету, щоб надавати точні та актуальні відповіді.
  • Інтеграція знань. Інтеграція отриманих даних у процес генерації дозволяє агентам створювати більш обґрунтовані та контекстуально відповідні результати.
• Мережа Atoma пропонує безпечне кураторство даних та API публічних даних для індивідуальних RAG. ЕлізаОС і Протокол KIP пропонуйте плагіни агента для зовнішніх джерел даних, таких як X і Farcaster.
• Пам'ять. Агентам штучного інтелекту потрібна система пам'яті, щоб зберігати контекст і вчитися на своїх взаємодіях. Завдяки збереженню контексту, агенти зберігають історію взаємодій, щоб забезпечити зв'язні та контекстуально відповідні відповіді. Довший обсяг пам'яті дозволяє агентам зберігати та аналізувати минулі взаємодії, що може покращити їхню продуктивність та персоналізувати користувацький досвід з часом.
  ЕлізаОС пропонує управління пам'яттю як частину своєї агентської мережі. Mem0AI і Unibase AI створюють шар пам'яті для додатків і агентів штучного інтелекту.
• Тестування Інфраструктури. Платформи, призначені для забезпечення надійності та міцності штучних інтелектуальних агентів. Агенти можуть працювати в контрольованих симуляційних середовищах для оцінки продуктивності в різних сценаріях. Тестувальні платформи дозволяють відстежувати продуктивність та постійно оцінювати операції агентів для виявлення будь-яких проблем.
  AI-асистент Alchemy, ChatWeb3, може тестувати штучні інтелектуальні агенти за допомогою складних запитів та тестів на реалізацію функцій.

Додатків

Прикладний рівень знаходиться у верхній частині стека штучного інтелекту та представляє рішення, орієнтовані на кінцевого користувача. Сюди входять агенти, які вирішують такі випадки використання, як управління гаманцем, безпека, продуктивність, прибуток, ринки прогнозування, системи управління та інструменти DeFAI.

• Гаманці. Штучні інтелектуальні агенти покращують Гейт3 гаманці, інтерпретуючи наміри користувачів та автоматизуючи складні транзакції, тим самим покращуючи досвід користувача.
  Гаманець для броні та Гаманець Fox використовувати агентів штучного інтелекту для виконання намірів користувачів на платформах DeFi і блокчейнах, дозволяючи користувачам вводити свої наміри через інтерфейс у стилі чату. Платформа розробника Coinbase пропонує агентам штучного інтелекту гаманці MPC, що дозволяє їм автономно переказувати токени.
• Безпека. Агенти штучного інтелекту відстежують активність блокчейну, щоб виявити шахрайську поведінку та підозрілі транзакції смарт-контрактів.
  ChainAware.aiАгент детектора шахрайства забезпечує безпеку гаманця в режимі реального часу та моніторинг відповідності в кількох блокчейнах. Агент Шару Перевірка гаманцясканує гаманці на вразливості та пропонує рекомендації для підвищення безпеки.
• Продуктивності. Агенти штучного інтелекту допомагають автоматизувати завдання, керувати розкладами та надавати інтелектуальні рекомендації для підвищення ефективності користувачів.
  Світ3має платформу без коду для проектування модульних штучних інтелектуальних агентів для завдань, таких як управління соціальними медіа, запуски токенів Web3 та надання допомоги в дослідженнях.
• Ігри. Штучні інтелектуальні агенти керують не-ігровими персонажами (NPC), які адаптуються до дій гравців в реальному часі, покращуючи враження користувача. Вони також можуть генерувати внутрішній вміст гри та допомагати новачкам вивчати гру.
  AI Арена використовує гравців-людей та навчання імітації для навчання ігрових агентів зі штучним інтелектом. Мережа Нім — це ігровий ланцюжок зі штучним інтелектом, який надає ідентифікатори агентів і ZKP для перевірки агентів у блокчейнах та іграх. Game3s.GGрозробляє агентів, здатних навігувати, тренувати та грати поруч з людьми.
• Прогнозування. AI агенти аналізують дані, щоб надавати уявлення та сприяти обґрунтованому прийняттю рішень для платформ передбачення.
  Прогнозування GOATs - це штучний інтелект на мережі Ton, який пропонує рекомендації на основі даних. Технологія SynStationє ринком передбачень, власністю спільноти на Soneium, який використовує штучний інтелект для допомоги користувачам у прийнятті рішень.
• Управління. Штучні інтелектуальні агенти сприяють управлінню децентралізованою автономною організацією (DAO), автоматизуючи оцінку пропозицій, проводячи перевірки температури у громаді, забезпечуючи голосування без Сибілу та впроваджуючи політику.
  Мережа SyncAI містить агента штучного інтелекту, який діє як децентралізований представник системи управління Cardano. Олас пропонує агент управліннящо готує пропозиції, голосує та керує скарбницею DAO. У ЕлізаОС єагентякий збирає дані з форуму DAO та Discord, надаючи рекомендації з управління.
• DeFAI Агенти. Агенти можуть міняти токени, визначати стратегії, що приносять дохід, виконувати торгівельні стратегії та керувати перебалансуванням між ланцюжками. Агенти менеджери ризику слідкують за діяльністю на ланцюжку, щоб виявити підозрілу поведінку та вивести ліквідність за необхідності.
  Протокол штучного інтелекту Theoriqрозгортає рої агентів для управління складними транзакціями DeFi, оптимізацією ліквідних пулів та автоматизацією стратегій фармінгу доходів.Нояце платформа DeFi, яка використовує штучних інтелектуальних агентів для управління ризиками та портфелем.

У цілому ці застосунки сприяють створенню безпечних, прозорих та децентралізованих екосистем штучного інтелекту, пристосованих до потреб Web3.

Висновок

Еволюція від систем штучного інтелекту Web2 до Web3 є фундаментальною зміною в тому, як ми підходимо до розробки та розгортання штучного інтелекту. Хоча централізована інфраструктура штучного інтелекту Web2 сприяла величезним інноваціям, вона стикається зі значними проблемами щодо конфіденційності даних, прозорості та централізованого контролю. Стек Web3 AI демонструє, як децентралізовані системи можуть вирішити ці обмеження за допомогою DAO даних, децентралізованих обчислювальних мереж і систем верифікації без довіри. Можливо, найважливішим є те, що стимули токенів створюють нові координаційні механізми, які можуть допомогти завантажити та підтримувати ці децентралізовані мережі.

Опираючись на майбутнє, зростання AI агентів представляє наступний фронт у цьому еволюційному процесі. Як ми дослідимо у наступній статті, AI агенти - від простих завдань до складних автономних систем - стають все більш вдосконаленими та здатними. Інтеграція цих агентів з інфраструктурою Web3, поєднана з уважним врахуванням технічної архітектури, економічних стимулів та структур управління, має потенціал створити більш справедливі, прозорі та ефективні системи, ніж це було можливо в епоху Web2. Розуміння того, як працюють ці агенти, їх різні рівні складності та розрізнення між AI агентами та по-справжньому агентичним AI буде вирішальним для кожного, хто працює на перетині AI та Web3.

Відмова від відповідальності:

1. Ця стаття була роздрукована з [GateФлеш-боти]. Усі авторські права належать оригінальному авторові [tesa]. Якщо є виклики до цього перевидання, будь ласка, зв'яжіться з Gate Вивчайтекоманда, і вони оброблять це негайно.
2. Відповідальність за відмову: Погляди та думки, висловлені в цій статті, є виключно тими автора і не становлять жодної інвестиційної поради.
3. Команда Gate Learn перекладає статті на інші мови. Копіювання, поширення або плагіат статей заборонені, якщо не зазначено інше.