Aujourd’hui, le classement des articles IA en première place a fait entrer l’auto-amélioration récursive dans un agent scientifique. L’idée centrale consiste à permettre à l’agent de se décomposer l’expérience lui-même, d’écrire du code pour exécuter les expériences, puis d’itérer sa stratégie à partir des résultats, afin de former une boucle d’auto-rétroaction « expérience—feedback—mise à niveau ». Avec 17 voix, il a nettement distancé les autres travaux.
Cette ligne est naturellement compatible avec les protocoles d’agents du secteur de la cryptographie : l’agent peut évoluer en se ré-entraînant de façon stable, et le marché des recherches on-chain ainsi que les protocoles de simulation d’expériences peuvent s’y connecter directement. L’agent peut lui-même orchestrer les fonds, exécuter les hypothèses, valider les conclusions et publier les résultats on-chain. <c-1/>$FET <c-1/> est un protocole historique de coordination d’agents, <c-1/>$TAO <c-1/> correspond au marché du sous-réseau d’apprentissage automatique ; ces deux orientations s’alignent avec la logique d’auto-évolution des agents décrite dans l’article.
Plus bas encore, les modèles à longues séquences de 200K de contexte peuvent tourner sur un ordinateur portable ordinaire, ce qui signifie que les nœuds individuels peuvent aussi exécuter l’inférence de modèles de grande taille, et que le seuil matériel pour l’inférence décentralisée est encore abaissé d’un cran. Un autre travail en cours—un système multi-agents à long terme soumis à des tests de résistance face à des pressions—concerne le même type de problème que l’auto-amélioration récursive d’aujourd’hui : un agent peut-il supporter l’accumulation de pannes sur des tâches s’étendant dans le temps.
#AI代理 #科学智能体 #AI
Cette ligne est naturellement compatible avec les protocoles d’agents du secteur de la cryptographie : l’agent peut évoluer en se ré-entraînant de façon stable, et le marché des recherches on-chain ainsi que les protocoles de simulation d’expériences peuvent s’y connecter directement. L’agent peut lui-même orchestrer les fonds, exécuter les hypothèses, valider les conclusions et publier les résultats on-chain. <c-1/>$FET <c-1/> est un protocole historique de coordination d’agents, <c-1/>$TAO <c-1/> correspond au marché du sous-réseau d’apprentissage automatique ; ces deux orientations s’alignent avec la logique d’auto-évolution des agents décrite dans l’article.
Plus bas encore, les modèles à longues séquences de 200K de contexte peuvent tourner sur un ordinateur portable ordinaire, ce qui signifie que les nœuds individuels peuvent aussi exécuter l’inférence de modèles de grande taille, et que le seuil matériel pour l’inférence décentralisée est encore abaissé d’un cran. Un autre travail en cours—un système multi-agents à long terme soumis à des tests de résistance face à des pressions—concerne le même type de problème que l’auto-amélioration récursive d’aujourd’hui : un agent peut-il supporter l’accumulation de pannes sur des tâches s’étendant dans le temps.
#AI代理 #科学智能体 #AI
