Hoje o ranking de papers de IA colocou a “auto-aperfeiçoamento recursivo” no topo: a ideia central é fazer com que o agente se decomponha, quebre os experimentos, escreva código para executá-los e, em seguida, use os resultados para iterar sua própria estratégia — formando um ciclo auto-sustentado de “experimento—feedback—upgrade”. Com 17 votos, ele deixou outras pesquisas bem para trás.
Essa linha se encaixa naturalmente com o ecossistema de protocolos de agentes do setor de criptografia: como o agente consegue evoluir de forma estável, o mercado de pesquisas on-chain e os protocolos de simulação de experimentos podem ser integrados diretamente. O agente mesmo pode orquestrar fundos para rodar hipóteses, validar conclusões e colocar os resultados na cadeia. $FET é um protocolo antigo e consolidado de coordenação de agentes; $TAO é o mercado do sub-rede de aprendizado de máquina. Esses dois direcionamentos batem com a lógica de auto-evolução do agente descrita no paper.
Mais adiante, modelos de contexto longo de 200K conseguem rodar em notebooks comuns, o que significa que nós individuais também conseguem executar inferência de modelos. Com isso, o patamar de hardware necessário para inferência descentralizada foi reduzido mais um nível. Outro trabalho em andamento sobre sistemas longos de múltiplos agentes para testes sob pressão lida com um tipo de problema semelhante ao de hoje: o agente consegue ou não aguentar a acumulação de falhas em tarefas de longa duração.
#AI代理 #科学智能体 #AI
Essa linha se encaixa naturalmente com o ecossistema de protocolos de agentes do setor de criptografia: como o agente consegue evoluir de forma estável, o mercado de pesquisas on-chain e os protocolos de simulação de experimentos podem ser integrados diretamente. O agente mesmo pode orquestrar fundos para rodar hipóteses, validar conclusões e colocar os resultados na cadeia. $FET é um protocolo antigo e consolidado de coordenação de agentes; $TAO é o mercado do sub-rede de aprendizado de máquina. Esses dois direcionamentos batem com a lógica de auto-evolução do agente descrita no paper.
Mais adiante, modelos de contexto longo de 200K conseguem rodar em notebooks comuns, o que significa que nós individuais também conseguem executar inferência de modelos. Com isso, o patamar de hardware necessário para inferência descentralizada foi reduzido mais um nível. Outro trabalho em andamento sobre sistemas longos de múltiplos agentes para testes sob pressão lida com um tipo de problema semelhante ao de hoje: o agente consegue ou não aguentar a acumulação de falhas em tarefas de longa duração.
#AI代理 #科学智能体 #AI
