No nosso post anterior, exploramos o História do Design de AplicaçõesNa Parte 1 da nossa segunda publicação da série Agentic AI, examinamos o atual panorama da IA Web2 e suas principais tendências, plataformas e tecnologias. Na Parte 2, exploramos como a blockchain e a verificação sem confiança permitem a evolução dos agentes de IA em sistemas verdadeiramente agentes.

1. Paisagem do Agente de IA Web2

Estado Atual de Agentes de IA Centralizados

Figura 1. Paisagem do Agente de IA Web2 E2B.

A paisagem da IA contemporânea é predominantemente caracterizada por plataformas centralizadas e serviços controlados por grandes empresas de tecnologia. Empresas como OpenAI, Anthropic, Google e Microsoft fornecem grandes modelos de linguagem (LLMs) e mantêm infraestruturas cruciais na nuvem e serviços de API que alimentam a maioria dos agentes de IA.

Infraestrutura do Agente de IA

Os recentes avanços na infraestrutura de IA transformaram fundamentalmente a forma como os programadores criam agentes de IA. Em vez de codificar interações específicas, os programadores agora podem usar linguagem natural para definir comportamentos e objetivos de agentes, levando a sistemas mais adaptáveis e sofisticados.

Figura 2. Infraestrutura de Agente de IA. Segmentação.

Avanços chave nas seguintes áreas têm levado a uma proliferação de agentes de IA:

• Modelos de Linguagem Avançados em Grande Escala (LLMs): Os LLMs revolucionaram a forma como os agentes entendem e geram linguagem natural, substituindo sistemas rígidos baseados em regras por capacidades de compreensão mais sofisticadas. Eles permitem raciocínio avançado e planeamento através de raciocínio "cadeia de pensamento".
  A maioria das aplicações de IA são construídas com base em modelos LLM centralizados, como GPT-4 por OpenAI, Claude by Antropico, e Gemini by Google.
  Os modelos de IA de código aberto incluem DeepSeek, LLaMa da Meta, PaLM 2 e LaMDA da Google, Mistral 7B por Mistral AI, Grok e Grok-1 por xAI, Vicuna-13B por LM Studio, e modelos Falcon pelo Technology Innovation Institute (TII).
• Frameworks de Agente: Vários frameworks e ferramentas estão surgindo para facilitar a criação de aplicações de IA multi-agente para empresas. Estes frameworks suportam vários LLMs e fornecem funcionalidades pré-embaladas para o desenvolvimento de agentes, incluindo gestão de memória, ferramentas personalizadas e integração de dados externos. Estes frameworks reduzem significativamente os desafios de engenharia, acelerando o crescimento e a inovação.
  Os principais frameworks de agentes incluem Phidata, OpenAIEnxame, CrewAI, LangChain LangGraph, LlamaIndex, Microsoft de código aberto Autogen, Vertex AI,eLangFlow, que oferecem recursos para criar assistentes de IA com o mínimo de codificação necessária.
• Plataformas de IA Agentic: As plataformas de IA Agentic concentram-se na orquestração de múltiplos agentes de IA num ambiente distribuído para resolver problemas complexos de forma autónoma. Estes sistemas podem adaptar-se dinamicamente e colaborar, permitindo soluções de dimensionamento robustas. Estes serviços visam transformar a forma como as empresas utilizam a IA, tornando a tecnologia de agentes acessível e diretamente aplicável aos sistemas existentes.
  As principais plataformas de IA agentic incluem Microsoft Autogen, Langchain LangGraph, Microsoft Kernel semântico, e CrewAI.
• Geração Aumentada de Recuperação (RAG): A Geração Aumentada de Recuperação (RAG) permite que LLMs acessem bancos de dados ou documentos externos antes de responder a consultas, aumentando a precisão e reduzindo alucinações. Os avanços do RAG permitem que os agentes se adaptem e aprendam com novas fontes de informação e evitem a necessidade de retreinar modelos.
  As melhores ferramentas RAG são daK2Ver, Palheiro, LangChain, LlamaIndex, RAGatouillee de código aberto EmbedChain e ainda InfiniFlow.
• Sistemas de memória: Para superar a limitação dos agentes tradicionais de IA no tratamento de tarefas de longo prazo, os serviços de memória fornecem memória de curto prazo para tarefas intermediárias ou memória de longo prazo para armazenar e recuperar informações para tarefas estendidas.
  A memória de longo prazo inclui:
  • Memória episódica. Regista experiências específicas para aprendizagem e resolução de problemas e é utilizado no contexto de uma consulta presente.
  • Memória Semântica. Informações gerais e de alto nível sobre o ambiente do agente.
  • Memória Processual. Armazena os procedimentos utilizados na tomada de decisões e o pensamento passo-a-passo utilizados para resolver problemas matemáticos.
• Os líderes em serviços de memória incluem Letta, código aberto MemGPT, Zep, e Mem0.
• Plataformas de IA sem código: As plataformas sem código permitem aos utilizadores construir modelos de IA através de ferramentas de arrastar e soltar e interfaces visuais ou um assistente de perguntas e respostas. Os utilizadores podem implementar agentes diretamente nas suas aplicações e automatizar fluxos de trabalho. Ao simplificar o fluxo de trabalho do agente de IA, qualquer pessoa pode construir e usar IA, resultando em maior acessibilidade, ciclos de desenvolvimento mais rápidos e aumento da inovação.
  Os líderes sem código incluem: IA BuildFire, Máquina ensinável do Googlee Amazon SageMaker.
  Existem várias plataformas de nicho sem código para agentes de IA, tais como: Obviamente IA para previsões de negócios, IA do lóbulo para a classificação das imagens, e Nanoredespara processamento de documentos.

figure_3_ai_business_models1920×1080 178 KB
Figura 3. Modelos de negócios de IA.

Modelos de Negócio

As empresas tradicionais de IA Web2 empregam principalmente assinaturas hierárquicas e serviços de consultoria como seus modelos de negócios.

Os modelos de negócios emergentes para agentes de IA incluem:

• Subscrição / Utilização Baseada na Utilização. Os usuários são cobrados com base no número de execuções do agente ou nos recursos computacionais utilizados, semelhante aos serviços LLM (Large Language Model).
• Modelos de Marketplace. As plataformas de agentes recebem uma porcentagem das transações feitas na plataforma, semelhante aos modelos de loja de aplicativos.
• Licenciamento empresarial. Soluções personalizadas de agente com taxas de implementação e suporte.
• Acesso à API. As plataformas de agentes fornecem APIs que permitem aos desenvolvedores integrar agentes em suas aplicações, com cobranças baseadas em chamadas de API ou volume de uso.
• Código aberto com recursos premium. Os projetos de código aberto oferecem um modelo básico gratuitamente, mas cobram por recursos avançados, hospedagem ou suporte empresarial.
• Integração de Ferramentas. As plataformas de agentes podem receber uma comissão dos fornecedores de ferramentas pelo uso ou serviços da API.

2. Limitações da IA centralizada

Embora os atuais sistemas de IA Web2 tenham inaugurado uma nova era de tecnologia e eficiência, eles enfrentam vários desafios.

• Controle centralizado: A concentração de modelos de IA e dados de treinamento nas mãos de algumas grandes empresas de tecnologia cria riscos de acesso restrito, treinamento de modelos controlados e integrações verticais impostas.
• Privacidade e propriedade de dados: Os usuários não têm controle sobre como seus dados são usados e não recebem nenhuma compensação por seu uso no treinamento de sistemas de IA. A centralização de dados também cria um único ponto de falha e pode ser um alvo para violações de dados.
• Questões de Transparência: A natureza "caixa preta" dos modelos centralizados impede os utilizadores de compreenderem como são tomadas as decisões ou de verificarem as fontes de dados de treino. As aplicações construídas com base nestes modelos não conseguem explicar potenciais viéses, e os utilizadores têm pouco ou nenhum controlo sobre como os seus dados são utilizados.
• Desafios regulatórios: O complexo cenário regulatório global sobre o uso de IA e a privacidade de dados cria incerteza e desafios de conformidade. Agentes e aplicativos criados em modelos centralizados de IA podem estar sujeitos a regulamentações do país do proprietário do modelo.
• Ataques adversos: os modelos de IA podem ser suscetíveis a ataques adversos, nos quais os inputs são modificados para enganar o modelo e produzir saídas incorretas. A verificação da validade de entrada e saída é necessária, juntamente com a segurança e monitorização do agente de IA.
• Confiabilidade da saída: as saídas do modelo de IA exigem verificação técnica e um processo transparente e auditável para estabelecer a confiabilidade. À medida que os agentes de IA escalam, a correção dos resultados dos modelos de IA torna-se crucial.
• Deep Fakes: imagens, discurso e vídeos modificados por IA, conhecidos como “Deep Fakes,” representam desafios significativos, uma vez que podem espalhar desinformação, criar ameaças à segurança e minar a confiança pública.

3. Soluções de IA Descentralizadas

As principais restrições da IA Web2 – centralização, propriedade de dados e transparência – estão sendo abordadas com blockchain e tokenização. A Web3 oferece as seguintes soluções:

• Redes de computação descentralizadas. Em vez de usar provedores de nuvem centralizados, os modelos de IA podem utilizar redes de computação distribuída para treinamento e inferência de execução.
• Infraestrutura Modular. Equipas mais pequenas podem aproveitar redes de computação descentralizadas e DAOs de dados para treinar novos modelos específicos. Os construtores podem complementar os seus agentes com ferramentas modulares e outros componentes primitivos componíveis.
• Sistemas Transparentes e Verificáveis. A Web3 pode oferecer uma forma verificável de rastrear o desenvolvimento e uso de modelos com blockchain. As entradas e saídas do modelo podem ser verificadas através de provas de conhecimento zero (ZKPs) e ambientes de execução confiáveis (TEEs) e permanentemente registradas on-chain.
• Propriedade e Soberania dos Dados. Os dados podem ser monetizados por meio de mercados ou DAOs de dados, que tratam os dados como um ativo coletivo e podem redistribuir os lucros do uso de dados para os contribuidores de DAO.
• Inicialização de rede. **Os incentivos de token podem ajudar a inicializar as redes, recompensando os primeiros contribuidores para computação descentralizada, DAOs de dados e mercados de agentes. Os tokens podem criar incentivos econômicos imediatos que ajudam a superar os problemas iniciais de coordenação que impedem a adoção da rede.

4. Paisagem do Agente de IA Web3

As pilhas de agentes de IA Web2 e Web3 compartilham componentes principais, como coordenação de modelos e recursos, ferramentas e outros serviços e sistemas de memória para retenção de contexto. No entanto, a incorporação de tecnologias blockchain da Web3 permite a descentralização de recursos de computação, tokens para incentivar o compartilhamento de dados e a propriedade do usuário, execução sem confiança por meio de contratos inteligentes e redes de coordenação inicializadas.

figure_4_web3_ai_agent_stack1920×3627 407 KB
Figura 4. Pilha do Agente de IA Web3.

Dados

A camada de dados é a base da pilha de agentes de IA Web3 e engloba todos os aspetos dos dados. Inclui fontes de dados, rastreamento de proveniência e verificação de autenticidade, sistemas de rotulagem, ferramentas de inteligência de dados para análise e pesquisa e soluções de armazenamento para diferentes necessidades de retenção de dados.

1. Fontes de Dados. As Fontes de Dados representam as várias origens de dados no ecossistema.
   • DAOs de dados. DAOs de dados (Vaná e ainda Masa AIsão organizações dirigidas pela comunidade que facilitam o compartilhamento e a monetização de dados.
   • Marketplaces. Plataformas ( Protocolo OceaneIA do Saara) criar um mercado descentralizado para troca de dados.
   • Dados Privados. Os dados sociais, financeiros e de saúde podem ser anonimizados e trazidos para a cadeia para que o utilizador possa rentabilizá-los.Kaito AI indexa dados sociais de X e cria dados de sentimento por meio de sua API.
   • Dados públicos. Serviços de raspagem da Web2 (Relva) recolher dados públicos e depois pré-processá-los em dados estruturados para treino de IA.
   • Dados Sintéticos. Os dados públicos são limitados e os dados sintéticos baseados em dados reais e públicos têm provado ser uma alternativa adequada para o treino de modelos de IA.Subconjunto de Sintetizador do Modeé um conjunto de dados de preços sintéticos construído para treino e teste de modelos de IA.
   • Oráculos. Os oráculos agregam dados de fontes off-chain para se conectar ao blockchain por meio de contratos inteligentes. Oráculos para IA incluem Protocolo de Ora, Chainlink, e Masa AI.
2. Procedência. A proveniência dos dados é crucial para garantir a integridade dos dados, a mitigação de enviesamentos e a reprodutibilidade na IA. A proveniência dos dados rastreia a origem dos dados e registra sua linhagem.
   Web3 oferece várias soluções para a proveniência de dados, incluindo o registo das origens e modificações de dados on-chain através de metadados baseados em blockchain (Ocean Protocol e Projeto Origin do Filecoin), rastreando a linhagem de dados via grafos de conhecimento descentralizadosOriginTrail), e a produção de provas de conhecimento zero para a proveniência dos dados e auditorias (Fact Fortress, Protocolo Reclaim).
3. Rotulagem. A rotulagem de dados tradicionalmente exigia que os humanos marcassem ou rotulassem os dados para modelos de aprendizagem supervisionada. Os incentivos de token podem ajudar a recrutar trabalhadores para a pré-processamento de dados.
   Na Web2, Scale AItem uma receita anual de $1 bilhão e conta com a OpenAI, Anthropic e Cohere como clientes. Em Web3, Protocolo Humano e a rotulagem de dados de crowdsource do Ocean Protocol e os contribuidores de rótulos de recompensa com tokens. Alaya AIeFetch.ai empregar agentes de IA para rotulagem de dados.
4. Ferramentas de Inteligência de Dados. As Ferramentas de Inteligência de Dados são soluções de software que analisam e extraem insights dos dados. Elas melhoram a qualidade dos dados, garantem conformidade e segurança, e impulsionam o desempenho do modelo de IA ao melhorar a qualidade dos dados.
   As empresas de análise de blockchain incluem Arkham, Nansen, e Duna. Investigação fora da cadeia por Messarie análise de sentimento nas redes sociais porKaitotambém têm APIs para consumo de modelos de IA.
5. Armazenamento de dados. Os incentivos de token permitem o armazenamento de dados descentralizado e distribuído em redes de nós independentes. Normalmente, os dados são criptografados e compartilhados entre vários nós para manter a redundância e a privacidade.
   Filecoin foi um dos primeiros projetos de armazenamento de dados distribuídos que permitia às pessoas oferecerem o espaço não utilizado do seu disco rígido para armazenar dados criptografados em troca de tokens. IPFS(Sistema de Ficheiros Interplanetário) cria uma rede peer-to-peer para armazenar e partilhar dados usando hashes criptográficos únicos.Arweavedesenvolveu uma solução de armazenamento de dados permanente que subsidia os custos de armazenamento com recompensas em bloco.Storjoferece APIs compatíveis com S3 que permitem que aplicações existentes mudem facilmente do armazenamento em nuvem para o armazenamento descentralizado.

Calcular

A camada de computação fornece a infraestrutura de processamento necessária para executar operações de IA. Os recursos de computação podem ser divididos em categorias à distância: infraestrutura de treinamento para desenvolvimento de modelos, sistemas de inferência para execução de modelos e operações de agentes e edge computing para processamento local descentralizado.

Os recursos de computação distribuída eliminam a dependência de redes de nuvem centralizadas e aumentam a segurança, reduzem o problema do ponto único de falha e permitem que empresas de IA menores aproveitem os recursos de computação excedentes.

1.Formação. O treinamento de modelos de IA é computacionalmente caro e intensivo. A computação de treinamento descentralizado democratiza o desenvolvimento de IA enquanto aumenta a privacidade e a segurança, já que dados confidenciais podem ser processados localmente sem controle centralizado.
BittensoreRede Golemsão mercados descentralizados para recursos de treino de IA.Rede AkashePhala fornecer recursos de computação descentralizados com TEEs. Render Networkreconfigurou sua rede gráfica de GPU para fornecer computação para tarefas de IA.

2. Inferência. Inferência computacional refere-se aos recursos necessários pelos modelos para gerar uma nova saída ou pelas aplicações de IA e agentes para operar. Aplicações em tempo real que processam grandes volumes de dados ou agentes que requerem múltiplas operações usam uma quantidade maior de potência de inferência computacional.
Hiperbólico, Dfinity, e Hyperspaceespecificamente oferecem computação de inferência. Inference LabsʻsOmron é um mercado de inferência e verificação de cálculos no Bittensor. Redes de computação descentralizadas como Bittensor, Golem Network, Akash Network, Phala, e Render Network oferecem recursos de computação de treinamento e inferência.

3.Edge Compute. A computação de borda envolve o processamento de dados localmente em dispositivos remotos como smartphones, dispositivos IoT ou servidores locais. A computação de borda permite o processamento de dados em tempo real e uma latência reduzida, uma vez que o modelo e os dados são executados localmente na mesma máquina.
Rede Gradienté uma rede de computação de borda na Solana.Rede Edge, Rede Theta, e AIOZpermitir a computação de borda global.

Verificação / Privacidade

A camada de Verificação e Privacidade garante a integridade do sistema e a proteção de dados. Mecanismos de consenso, Provas de Conhecimento Zero (ZKPs) e TEEs são usados para verificar o treino do modelo, inferência e resultados. FHE e TEEs são usados para garantir a privacidade dos dados.

1. Computação Verificável. A computação verificável inclui treino de modelos e inferência.
Phala e Rede Atomacombinar TEEs com computação verificável.Inferiumusa uma combinação de ZKPs e TEEs para inferência verificável.

2.Provas de saída. As provas de saída verificam se as saídas do modelo de IA são genuínas e não foram adulteradas sem revelar os parâmetros do modelo. As provas de saída também oferecem procedência e são importantes para confiar nas decisões dos agentes de IA.
zkMLeRede Aztecambos têm sistemas ZKP que provam a integridade da saída computacional.Marlinʻs Oysterfornece inferência de IA verificável através de uma rede de TEEs.

3. Privacidade de Dados e Modelos. FHE e outras técnicas criptográficas permitem que os modelos processem dados encriptados sem expor informações sensíveis. A privacidade dos dados é necessária ao lidar com informações pessoais e sensíveis e para preservar o anonimato.
Protocolo Oasisfornece computação confidencial via TEEs e criptografia de dados.Blockchain Partisiausa Computação Multi-Partes (MPC) avançada para fornecer privacidade de dados de IA.

Coordenação

A camada de Coordenação facilita a interação entre diferentes componentes do ecossistema Web3 AI. Inclui mercados de modelos para distribuição, infraestrutura de treino e ajuste fino, e redes de agentes para comunicação e colaboração entre agentes.

1. Redes de Modelo. As redes de modelo são projetadas para compartilhar recursos para o desenvolvimento de modelos de IA.

• LLMs. Modelos de linguagem extensos requerem uma quantidade significativa de recursos computacionais e de dados. As redes LLM permitem aos desenvolvedores implantar modelos especializados.
  Bittensor, Sentient, e a Akash Network fornecem aos usuários recursos de computação e um mercado para construir LLMs em suas redes.
• Dados Estruturados. As redes de dados estruturados dependem de conjuntos de dados personalizados e selecionados.
  Pond AIutiliza modelos gráficos fundamentais para criar aplicações e agentes que utilizam dados de blockchain.
• Mercados. Os mercados ajudam a monetizar modelos de IA, agentes e conjuntos de dados.
  Ocean Protocolfornece um mercado para dados, serviços de pré-processamento de dados, modelos e saídas de modelo.Fetch AIé um mercado de agentes de IA.

2.Training / Sintonia fina. As redes de formação especializam-se na distribuição e gestão de conjuntos de dados de formação. As redes de ajuste fino estão focadas em soluções de infraestrutura para aprimorar o conhecimento externo do modelo por meio de RAGs (Retrieval Augmented Generation) e APIs.
Bittensor, Akash Network e Golem Network oferecem redes de treinamento e ajuste fino.

3.Redes de agentes. As Agent Networks fornecem dois serviços principais para agentes de IA: 1) ferramentas e 2) plataformas de lançamento de agentes. As ferramentas incluem conexões com outros protocolos, interfaces de usuário padronizadas e comunicação com serviços externos. As plataformas de lançamento do agente permitem a implantação e o gerenciamento fáceis do agente de IA.
Theoriq aproveita enxames de agentes para alimentar soluções de negociação DeFi. Virtuals é a principal plataforma de lançamento de agentes de IA na Base. Eliza OSfoi a primeira rede de modelo LLM de código aberto. Rede Alpaca e ainda Rede Olassão plataformas de agentes de IA de propriedade da comunidade.

Serviços

A camada de Serviços fornece a middleware essencial e ferramentas de que as aplicações de IA e os agentes precisam para funcionar eficazmente. Esta camada inclui ferramentas de desenvolvimento, APIs para integração de dados externos e aplicações, sistemas de memória para retenção de contexto do agente, Geração com Resgate Aprimorado (RAG) para acesso a conhecimento aprimorado e infraestrutura de teste.

• Ferramentas. Um conjunto de utilitários ou aplicações que facilitam várias funcionalidades dentro dos agentes de IA:
  • Pagamentos. A integração de sistemas de pagamento descentralizados permite que os agentes conduzam autonomamente transações financeiras, garantindo interações econômicas perfeitas dentro do ecossistema Web3.
    Coinbaseʻs AgentKit permite que agentes de IA façam pagamentos e transfiram tokens. LangChain e Pagadoroferta de opções de envio e solicitação de pagamento para agentes.
  • Launchpads. Plataformas que ajudam a implementar e dimensionar agentes de IA, fornecendo recursos como lançamentos de tokens, seleção de modelos, APIs e acesso a ferramentas.
    Protocolo Virtuals é a principal plataforma de lançamento de agentes de IA que permite aos usuários criar, implantar e monetizar agentes de IA. Top ChapéueGriffain são plataformas de lançamento de agentes de IA no Solana.
  • Autorização. Mecanismos que gerem permissões e controlo de acesso, garantindo que os agentes operam dentro de limites definidos e mantêm protocolos de segurança.
    Ofertas Biconomy Teclas de sessão para que os agentes garantam que os agentes só possam interagir com contratos inteligentes permitidos.
  • Segurança. Implementação de medidas de segurança robustas para proteger agentes de ameaças, garantindo a integridade, confidencialidade e resiliência dos dados contra ataques.
    Segurança GoPlus adicionou um plug-in que permite que os agentes de IA do ElizaOS utilizem recursos de segurança on-chain que impedem fraudes, phishing e transações suspeitas em vários blockchains.
• Interfaces de programação de aplicações (APIs). As APIs facilitam a integração perfeita de dados e serviços externos em agentes de IA. As APIs de acesso a dados fornecem aos agentes acesso a dados em tempo real de fontes externas, aprimorando suas capacidades de tomada de decisão. As APIs de serviço permitem que os agentes interajam com aplicativos e serviços externos, expandindo sua funcionalidade e alcance.
  Rede Datai fornece dados de blockchain para agentes de IA por meio de uma API de dados estruturados. SubQuery Network oferece indexadores de dados descentralizados e endpoints RPC para agentes e aplicativos de IA.
• Aumento da geração aumentada de recuperação (RAG). O aumento do RAG melhora o acesso ao conhecimento dos agentes combinando LLMs com recuperação de dados externos.
  • Recuperação dinâmica de informações. Os agentes podem obter informações atualizadas de bancos de dados externos ou da Internet para fornecer respostas precisas e atuais.
  • Integração de Conhecimento. A integração dos dados recuperados no processo de geração permite que os agentes produzam resultados mais informados e contextualmente relevantes.
• Rede Atomaoferece curadoria de dados segura e APIs de dados públicos para RAGs personalizados.ElizaOS e ainda Protocolo KIPoferecer plugins de agente para fontes de dados externas como X e Farcaster.
• Memória. Os agentes de IA precisam de um sistema de memória para reter o contexto e aprender com suas interações. Com a retenção de contexto, os agentes mantêm um histórico de interações para fornecer respostas coerentes e contextualmente apropriadas. Um armazenamento de memória mais longo permite que os agentes armazenem e analisem interações passadas, o que pode melhorar seu desempenho e personalizar as experiências do usuário ao longo do tempo.
  ElizaOSoferece gestão de memória como parte da sua rede de agentes.Mem0AI e ainda Unibase AIestamos a construir uma camada de memória para aplicações e agentes de IA.
• Infraestrutura de testes. Plataformas que são projetadas para garantir a confiabilidade e robustez dos agentes de IA. Os agentes podem ser executados em ambientes de simulação controlados para avaliar o desempenho em vários cenários. As plataformas de teste permitem o monitoramento do desempenho e a avaliação contínua das operações dos agentes para identificar quaisquer problemas.
  O assistente de IA da Alchemy, ChatWeb3, pode testar agentes de IA através de consultas complexas e testes em implementações de funções.

Aplicações

A camada Application fica na parte superior da pilha de IA e representa as soluções voltadas para o usuário final. Isso inclui agentes que resolvem casos de uso como gerenciamento de carteira, segurança, produtividade, ganho, previsão de mercados, sistemas de governança e ferramentas DeFAI.

• Carteiras. Os agentes de IA melhoram as carteiras Web3 interpretando as intenções do usuário e automatizando transações complexas, melhorando assim a experiência do usuário.
  Carteira Armor e ainda FoxWallet utilizar agentes de IA para executar as intenções do usuário em plataformas DeFi e blockchains, permitindo que os usuários insiram suas intenções por meio de uma interface no estilo de bate-papo. Plataforma de desenvolvedores da Coinbaseoferece aos agentes de IA carteiras MPC que lhes permitem transferir tokens autonomamente.
• Segurança. Os agentes de IA monitoram a atividade do blockchain para identificar comportamentos fraudulentos e transações suspeitas de contratos inteligentes.
  ChainAware.aiO Agente do Detetor de Fraudes da Gate fornece segurança de carteira em tempo real e monitorização de conformidade em várias blockchains. A camada do AgenteVerificador de Carteira verifica as carteiras em busca de vulnerabilidades e oferece recomendações para melhorar a segurança.
• Produtividade. Os agentes de IA ajudam a automatizar tarefas, gerenciar agendas e fornecer recomendações inteligentes para aumentar a eficiência do usuário.
  Mundo3 apresenta uma plataforma sem código para projetar agentes modulares de IA para tarefas como gerenciamento de mídia social, lançamentos de tokens Web3 e assistência à pesquisa.
• Jogos. Agentes de IA operam personagens não-jogáveis (NPCs) que se adaptam às ações dos jogadores em tempo real, melhorando a experiência do utilizador. Eles também podem gerar conteúdo no jogo e ajudar novos jogadores a aprender o jogo.
  AI Arena usa jogadores humanos e imitação aprendendo para treinar agentes de jogos de IA. Rede Nim é uma cadeia de jogos de IA que fornece IDs de agentes e ZKPs para verificar agentes em blockchains e jogos. Game3s.GGprojeta agentes capazes de navegar, treinar e jogar ao lado de jogadores humanos.
• Previsão. Os agentes de IA analisam dados para fornecer insights e facilitar a tomada de decisões informadas para plataformas de previsão.
  Preditor de GOATsé um agente de IA na Rede Ton que oferece recomendações baseadas em dados.SynStation é um mercado de previsão de propriedade da comunidade na Soneium que emprega agentes de IA para ajudar os usuários na tomada de decisões.
• Governação. Os agentes de IA facilitam a governança da organização autônoma descentralizada (DAO) automatizando avaliações de propostas, conduzindo verificações de temperatura da comunidade, garantindo votação livre de Sybil e implementando políticas.
  Rede SyncAIapresenta um agente de IA atuando como representante descentralizado para o sistema de governança da Cardano. Olas oferece um Agente de Governançaque elabora propostas, vota e gere um tesouro DAO. ElizaOS tem um agenteque reúne informações de insights do fórum DAO e do Discord, fornecendo recomendações de governança.
• Agentes DeFAI. Os agentes podem trocar tokens, identificar estratégias geradoras de rendimento, executar estratégias de negociação e gerir o reequilíbrio entre cadeias. Os agentes gestores de risco monitorizam a atividade on-chain para detetar comportamentos suspeitos e retirar liquidez se necessário.
  O Protocolo do Agente de IA da Theoriqimplanta enxames de agentes para gerir transações DeFi complexas, otimizar pools de liquidez e automatizar estratégias de yield farming.Noya é uma plataforma DeFi que aproveita agentes de IA para gestão de risco e portfólio.

Em conjunto, estas aplicações contribuem para ecossistemas de IA seguros, transparentes e descentralizados adaptados às necessidades do Web3.

Conclusão

A evolução do Web2 para os sistemas de IA Web3 representa uma mudança fundamental na forma como abordamos o desenvolvimento e implementação da inteligência artificial. Enquanto a infraestrutura de IA centralizada do Web2 impulsionou uma tremenda inovação, enfrenta desafios significativos em torno da privacidade dos dados, transparência e controle centralizado. A pilha de IA do Web3 demonstra como sistemas descentralizados podem lidar com essas limitações através de DAOs de dados, redes de computação descentralizadas e sistemas de verificação sem confiança. Talvez o mais importante, os incentivos de tokens estão criando novos mecanismos de coordenação que podem ajudar a inicializar e sustentar essas redes descentralizadas.

Olhando para o futuro, a ascensão dos agentes de IA representa a próxima fronteira nessa evolução. Como exploraremos no próximo artigo, os agentes de IA – de simples bots específicos de tarefas a sistemas autônomos complexos – estão se tornando cada vez mais sofisticados e capazes. A integração desses agentes com a infraestrutura Web3, combinada com uma consideração cuidadosa da arquitetura técnica, incentivos econômicos e estruturas de governança, tem o potencial de criar sistemas mais equitativos, transparentes e eficientes do que era possível na era Web2. Entender como esses agentes funcionam, seus diferentes níveis de complexidade e a distinção entre agentes de IA e IA verdadeiramente agentica será crucial para qualquer pessoa que trabalhe na interseção de IA e Web3.

Aviso legal:

1. Este artigo foi republicado de [GateFlashbots]. Todos os direitos de autor pertencem ao autor original [tesa]. Se houver objeções a esta reimpressão, por favor contacte o Gate Learnequipa e eles vão lidar com isso prontamente.
2. Responsabilidade de Isenção: As visões e opiniões expressas neste artigo são exclusivamente da autoria e não constituem qualquer conselho de investimento.
3. A equipa do Gate Learn faz traduções do artigo para outras línguas. Copiar, distribuir ou plagiar os artigos traduzidos é proibido, a menos que mencionado.