Heute hat die KI-Paper-Rangliste den ersten Platz an ein Rekursions- und Selbstverbesserungs-Konzept vergeben und es in einen wissenschaftlichen Agenten integriert. Kernidee ist, dass der Agent seine Experimente selbst zerlegt, Code schreibt, Experimente ausführt und dann mit den Ergebnissen seine Strategie iterativ verbessert – so entsteht eine selbstlaufende Schleife aus „Experiment – Feedback – Upgrade“. Mit 17 Stimmen hat er andere Forschungen deutlich hinter sich gelassen.
Diese Linie passt natürlich perfekt zu den Agenten-Protokollen im Krypto-Bereich: Der Agent kann sich stabil selbst weiterentwickeln, und ein On-Chain-Forschungsmarkt sowie ein Protokoll für Experiment-Simulationen lassen sich direkt anschließen. Der Agent koordiniert selbst die Mittel, führt Annahmen aus, überprüft Schlussfolgerungen und bringt die Ergebnisse dann on-chain. $FET ist ein etabliertes, bewährtes Protokoll zur Agentenkoordination, $TAO ist der Markt des Machine-Learning-Subnets. Beide Richtungen stimmen mit der im Paper beschriebenen Logik der agentenbasierten Selbstentwicklung überein.
Darüber hinaus lässt sich das 200K-Lang-Context-Modell auf einem normalen Laptop zum Laufen bringen – das bedeutet, dass auch einzelne Knoten Inferenz für große Modelle ausführen können, und die Hardware-Hürde für dezentrale Inferenz wird um eine Stufe weiter gesenkt. Ein weiteres Projekt, an dem gerade gearbeitet wird, ist ein Long-Range-Multi-Agenten-System für Stresstests unter Antagonismus – ein Problemfeld, das zur heutigen „rekursiven Selbstverbesserung“ derselben Kategorie angehört: Können Agenten die kumulierten Fehler und Ausfälle über lange Zeiträume hinweg abfedern?
#AI代理 #科学智能体 #AI
Diese Linie passt natürlich perfekt zu den Agenten-Protokollen im Krypto-Bereich: Der Agent kann sich stabil selbst weiterentwickeln, und ein On-Chain-Forschungsmarkt sowie ein Protokoll für Experiment-Simulationen lassen sich direkt anschließen. Der Agent koordiniert selbst die Mittel, führt Annahmen aus, überprüft Schlussfolgerungen und bringt die Ergebnisse dann on-chain. $FET ist ein etabliertes, bewährtes Protokoll zur Agentenkoordination, $TAO ist der Markt des Machine-Learning-Subnets. Beide Richtungen stimmen mit der im Paper beschriebenen Logik der agentenbasierten Selbstentwicklung überein.
Darüber hinaus lässt sich das 200K-Lang-Context-Modell auf einem normalen Laptop zum Laufen bringen – das bedeutet, dass auch einzelne Knoten Inferenz für große Modelle ausführen können, und die Hardware-Hürde für dezentrale Inferenz wird um eine Stufe weiter gesenkt. Ein weiteres Projekt, an dem gerade gearbeitet wird, ist ein Long-Range-Multi-Agenten-System für Stresstests unter Antagonismus – ein Problemfeld, das zur heutigen „rekursiven Selbstverbesserung“ derselben Kategorie angehört: Können Agenten die kumulierten Fehler und Ausfälle über lange Zeiträume hinweg abfedern?
#AI代理 #科学智能体 #AI
