Três principais direções estratégicas da fusão entre IA e encriptação

Atualmente, a interseção entre AI e encriptação está entrando em uma fase de experimentação rápida. Este artigo detalha três principais direções de desenvolvimento da fusão AI+encriptação.

1. Criar um ecossistema econômico impulsionado por agentes inteligentes

A viabilidade de agentes inteligentes operando na cadeia foi comprovada. Experimentos nesta área estão constantemente rompendo as fronteiras da operação de agentes na cadeia, com um enorme potencial e amplo espaço de design. Atualmente, isso se tornou uma das direções mais inovadoras e explosivas nos campos da encriptação e da IA, e isso é apenas o começo.

No futuro, agentes inteligentes poderão gerir projetos complexos que exigem coordenação econômica entre várias partes. Por exemplo, no campo da pesquisa científica, os agentes podem ser responsáveis por encontrar compostos terapêuticos para doenças específicas:

• Recolha de fundos através da plataforma de angariação de tokens
• Utilizar os fundos angariados para pagar os custos de acesso a dados de pesquisa, e os custos de simulação de compostos na rede de computação descentralizada.
• Recrutar humanos para realizar trabalhos de validação de experimentos através da plataforma de recompensas

Além de projetos complexos, os agentes também podem executar tarefas simples, como criar sites pessoais, criar obras de arte, etc., com possibilidades de aplicação infinitas.

A encriptação de moeda digital tem vantagens únicas em certos domínios:

• Aplicações de pagamentos de pequeno montante
• Vantagem de velocidade: A funcionalidade de liquidação instantânea ajuda os agentes a alcançar a máxima eficiência de capital
• Entrar no mercado de capitais através de DeFi: os agentes podem emitir ativos, realizar transações, investir, fazer operações de empréstimo e usar alavancagem de forma contínua.

Do ponto de vista das leis de desenvolvimento tecnológico, a dependência de caminho desempenha um papel crucial. Com cada vez mais agentes a obter rendimentos através de encriptação, a conexão encriptada provavelmente se tornará a capacidade central dos agentes.

2. Aumentar a capacidade de grandes modelos de linguagem no desenvolvimento de código

Os grandes modelos de linguagem já demonstraram um desempenho excecional na escrita de código e espera-se que melhorem ainda mais no futuro. Com essas capacidades, a eficiência dos desenvolvedores pode aumentar entre 2 a 10 vezes. Recentemente, a criação de benchmarks de alta qualidade para avaliar a capacidade dos grandes modelos de linguagem em compreender e escrever código ajudará a entender o seu impacto potencial no ecossistema. Planos de ajuste fino de modelos de alta qualidade serão validados nos testes de benchmark.

Atualmente, existem vários desafios que impedem os grandes modelos de linguagem de alcançar um nível de excelência na compreensão de domínios específicos:

• Falta de dados de treino originais de alta qualidade
• O número de construções de validação é insuficiente
• Falta de interações com alto valor informativo na plataforma de perguntas e respostas técnica
• O desenvolvimento da infraestrutura está a avançar rapidamente, o que faz com que o código antigo possa não ser adequado às necessidades atuais.
• Falta de métodos para compreender o nível de entendimento dos modelos de avaliação

Para melhorar esta situação, podem ser tomadas as seguintes medidas:

• Ajudar a obter dados relevantes melhores
• Incentivar mais equipas a publicar construções de validação
• Fazer boas perguntas e fornecer respostas de alta qualidade ativamente em plataformas de perguntas e respostas técnicas
• Criar testes de referência de alta qualidade para avaliar o nível de compreensão dos grandes modelos de linguagem
• Criar um modelo de ajuste fino que apresenta um bom desempenho em testes de referência

3. Apoiar uma pilha de tecnologia de IA aberta e descentralizada

"Pilhas de tecnologia de IA abertas e descentralizadas" incluem os seguintes elementos-chave:

• Obtenção de dados de treino
• Capacidade de cálculo para treino e inferência
• Partilha de pesos do modelo
• Capacidade de validação da saída do modelo

A importância deste stack de tecnologia de IA aberta reflete-se em:

• Acelerar a inovação e experimentação no desenvolvimento de modelos
• Fornecer alternativas para usuários que não confiam em IA centralizada

Atualmente, há vários projetos no ecossistema apoiando a pilha de tecnologia de IA aberta:

• Coleta de dados: alguns projetos estão avançando na coleta de dados
• Poder computacional descentralizado: várias redes estão desenvolvendo serviços relacionados.
• Estruturas de treino descentralizadas: há equipas a explorar esta área

No futuro, esperamos construir mais produtos em todos os níveis da pilha de tecnologia de IA open source:

• Coleta de dados descentralizada
• Identidade em cadeia: protocolo que suporta a validação da identidade humana por carteiras, protocolo que valida as respostas da API de IA, permitindo que os usuários confirmem que estão interagindo com um grande modelo de linguagem.
• Treinamento descentralizado
• Infraestrutura IP: permitir que a IA licencie (e pague) o conteúdo que utiliza.