Em nossa postagem anterior, exploramos o História do Design de AplicativosNa Parte 1 da nossa segunda postagem da série Agentic AI, examinamos o cenário atual da IA Web2 e suas principais tendências, plataformas e tecnologias. Na Parte 2, exploramos como blockchain e verificação sem confiança possibilitam 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. E2B Paisagem do Agente de IA da Web2.

A paisagem contemporânea de IA 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 infraestrutura de nuvem crucial e serviços de API que alimentam a maioria dos agentes de IA.

Infraestrutura do Agente de IA

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

Figura 2. Infraestrutura de Segurança do Agente de IA.

Principais avanços nas seguintes áreas levaram a uma proliferação de agentes de IA:

• Modelos de Linguagem Avançados (LLMs): LLMs revolucionaram a forma como agentes entendem e geram linguagem natural, substituindo sistemas rígidos baseados em regras por capacidades de compreensão mais sofisticadas. Eles possibilitam raciocínio avançado e planejamento através do raciocínio em 'cadeia-de-pensamento'.
  A maioria das aplicações de IA são construídas com base em modelos LLM centralizados, como GPT-4 por OpenAI, Claude porAntropico, e Gemini by Google.
  Modelos de IA de código aberto incluem DeepSeek, LLaMa da Meta, PaLM 2 e LaMDA do Google, Mistral 7B por Mistral AI, Grok e Grok-1 por xAI, Vicuna-13B por Estúdio LM, e modelos Falcon pelo Instituto de Inovação Tecnológica (TII).
• Estruturas de Agente: Vários frameworks e ferramentas estão surgindo para facilitar a criação de aplicações de IA multi-agente para empresas. Esses frameworks suportam vários LLMs e fornecem recursos pré-empacotados para o desenvolvimento de agentes, incluindo gerenciamento de memória, ferramentas personalizadas e integração de dados externos. Esses frameworks reduzem significativamente os desafios de engenharia, acelerando o crescimento e a inovação.
  Os principais frameworks de agente incluem Phidata, OpenAIEnxame, CrewAI, LangChain LangGraph, LhamaÍndice, a Microsoft de software livre Autogen, Vértice AI,eLangFlow,que oferecem capacidades para construir assistentes de IA com o mínimo de codificação necessário.
• Plataformas de IA agente: As plataformas de IA agenciais se concentram na orquestração de vários agentes de IA em um ambiente distribuído para resolver problemas complexos de forma autônoma. Esses sistemas podem se adaptar dinamicamente e colaborar, permitindo soluções robustas de dimensionamento. Esses serviços visam transformar a forma como as empresas utilizam a IA, tornando a tecnologia do agente acessível e diretamente aplicável aos sistemas existentes.
  As principais plataformas AI agentic incluem Microsoft Autogen, Langchain LangGraph, MicrosoftNúcleo Semânticoe CrewAI.
• Geração aumentada de recuperação (RAG): A geração aumentada de recuperação (RAG) permite que os LLMs acessem bancos de dados ou documentos externos antes de responder às consultas, aumentando a precisão e reduzindo as alucinações. Os avanços do RAG permitem que os agentes se adaptem e aprendam com novas fontes de informação e evitem a necessidade de treinar novamente os modelos.
  As melhores ferramentas RAG são da K2View, Palheiro, LangChain, LhamaÍndice, RAGatouillee de código aberto Cadeia de Incorporação e 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. Registra experiências específicas para aprendizado e resolução de problemas e é usada em contexto para uma consulta presente.
  • Memória Semântica. Informações gerais e de alto nível sobre o ambiente do agente.
  • Memória processual. Armazena os procedimentos usados na tomada de decisões e o pensamento passo a passo usados para resolver problemas matemáticos.
• Os líderes em serviços de memória incluem Letta, open-source MemGPT, Zepe Mem0.
• Plataformas de IA sem código: as plataformas sem código permitem que os usuários criem modelos de IA por meio de ferramentas de arrastar e soltar e interfaces visuais ou um assistente de perguntas e respostas. Os usuários podem implantar agentes diretamente em seus aplicativos e automatizar fluxos de trabalho. Ao simplificar o fluxo de trabalho do agente de IA, qualquer pessoa pode criar e usar IA, resultando em maior acessibilidade, ciclos de desenvolvimento mais rápidos e maior inovação.
  Os líderes sem código incluem IA do BuildFire, Máquina ensinável do Googlee Amazon SageMaker.
  Existem várias plataformas de nicho sem código para agentes de IA, como Obviamente IA para previsões de negócios, IA de lóbulo para classificação de imagens, e Nanoredes para processamento de documentos.

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

Modelos de negócios

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

Modelos de negócios emergentes para agentes de IA incluem:

• Assinatura / Baseado em Uso. Os usuários são cobrados com base no número de execuções de agentes ou nos recursos computacionais utilizados, semelhante aos serviços do Large Language Model (LLM).
• Modelos de mercado. As plataformas de agentes recebem uma porcentagem das transações feitas na plataforma, semelhante aos modelos de loja de aplicativos.
• Licenciamento empresarial. Soluções de agente personalizadas com taxas de implementação e suporte.
• Acesso à API. As plataformas de agente fornecem APIs que permitem que os desenvolvedores integrem agentes em seus aplicativos, 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 corporativo.
• 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 Web2 AI 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 modelo controlado e integrações verticais forçadas.
• Privacidade e Propriedade de Dados: Os usuários não têm controle sobre como seus dados são usados e não recebem compensação pelo 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 da "caixa preta" dos modelos centralizados impede os usuários de entender como as decisões são tomadas ou verificar as fontes de dados de treinamento. Aplicações construídas com base nesses modelos não conseguem explicar possíveis vieses, e os usuários têm pouco ou nenhum controle sobre como seus dados são usados.
• Desafios regulatórios: O complexo cenário regulatório global relacionado ao uso de IA e privacidade de dados cria incerteza e desafios de conformidade. Agentes e aplicativos criados em modelos de IA centralizados 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 as entradas são modificadas para enganar o modelo a produzir saídas incorretas. A verificação da validade de entrada e saída é necessária, juntamente com a segurança e monitoramento do agente de IA.
• Confiabilidade de 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 das saídas do modelo de IA torna-se crucial.
• Deep Fakes: imagens, discursos 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 Descentralizada. Em vez de usar provedores de nuvem centralizados, os modelos de IA podem utilizar redes de computação distribuídas para treinamento e execução de inferência.
• Infraestrutura Modular. Equipes menores podem aproveitar redes de computação descentralizadas e DAOs de dados para treinar novos modelos específicos. Os construtores podem aumentar seus agentes com ferramentas modulares e outras primitivas componíveis.
• Sistemas transparentes e verificáveis. A Web3 pode oferecer uma maneira verificável de rastrear o desenvolvimento e o uso de modelos com blockchain. As entradas e saídas do modelo podem ser verificadas por meio de provas de conhecimento zero (ZKPs) e ambientes de execução confiáveis (TEEs) e registradas permanentemente na cadeia.
• Propriedade e soberania de dados. Os dados podem ser monetizados por meio de marketplaces ou DAOs de dados, que tratam os dados como um ativo coletivo e podem redistribuir os lucros do uso de dados para os colaboradores do DAO.
• Inicialização de rede. **Incentivos de tokens podem ajudar a inicializar redes recompensando os primeiros contribuidores para computação descentralizada, data DAOs e marketplaces de agentes. Tokens podem criar incentivos econômicos imediatos que ajudam a superar os problemas iniciais de coordenação que impedem a adoção da rede.

4. Cenário do agente de IA Web3

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

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

Dados

A camada de dados é a base da pilha de agentes de IA da Web3 e abrange todos os aspectos dos dados. Inclui fontes de dados, rastreamento de procedência e verificação de autenticidade, sistemas de rotulagem, ferramentas de inteligência de dados para análises e pesquisas e soluções de armazenamento para diferentes necessidades de retenção de dados.

1. Fontes de dados. As fontes de dados representam as várias origens dos dados no ecossistema.
   • Data DAOs. Data DAOs (Vana e Masa AI) são organizações administradas pela comunidade que facilitam o compartilhamento e a monetização de dados.
   • Mercados. Plataformas (Protocolo OceaneSahara AI) criar um mercado descentralizado para o intercâmbio de dados.
   • Dados Privados. Os dados sociais, financeiros e de saúde podem ser anonimizados e trazidos para a cadeia para o usuário monetizar. Kaito AIíndices os dados sociais de X e cria dados de sentimento através de sua API.
   • Dados públicos. Serviços de raspagem da Web2 (Grama) coletam dados públicos e, em seguida, pré-processam-nos em dados estruturados para treinamento em IA.
   • Dados Sintéticos. Os dados públicos são limitados e os dados sintéticos baseados em dados reais e públicos provaram ser uma alternativa adequada para o treinamento de modelos de IA.Subconjunto de Sintetizador do Modeé um conjunto de dados de preços sintéticos construído para treinamento 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 Ora, Chainlink, e Masa AI.
2. Procedência. A procedência dos dados é crucial para garantir a integridade dos dados, mitigar o viés e garantir a reprodutibilidade na IA. A procedência dos dados rastreia a origem dos dados e registra sua linhagem.
   A Web3 oferece várias soluções para proveniência de dados, incluindo o registro de origens e modificações de dados on-chain por meio de metadados baseados em blockchain (Ocean Protocol e Filecoin's Project Origin), rastreamento de linhagem de dados por meio de gráficos de conhecimento descentralizados (OriginTrail) e produzir provas de conhecimento zero para proveniência de dados e auditorias (Fact Fortress, Protocolo de Recuperação).
3. Rotulagem. A rotulagem de dados tradicionalmente exigiu que os humanos marcassem ou rotulassem dados para modelos de aprendizado supervisionado. Incentivos de token podem ajudar a recrutar trabalhadores para pré-processamento de dados.
   Na Web2, Scale AItem uma receita anual de $1 bilhão e conta com OpenAI, Anthropic e Cohere como clientes. Em Web3, Protocolo Humano e rotulagem de dados de crowdsourcing do Ocean Protocol e contribuintes de rótulos de recompensa com tokens. Alaya AI e Fetch.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. Eles melhoram a qualidade dos dados, garantem a conformidade e a segurança e aumentam o desempenho do modelo de IA, melhorando a qualidade dos dados.
   As empresas de análise de blockchain incluem Arkham, Nansen, e DunaPesquisa off-chain pelaMessari e análise de sentimento de mídia social por Kaitotambém tem 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. Os dados geralmente são criptografados e compartilhados entre vários nós para manter a redundância e a privacidade.
   Moeda de arquivofoi um dos primeiros projetos de armazenamento de dados distribuídos que permitiam às pessoas oferecer seu espaço de disco rígido não utilizado para armazenar dados criptografados em troca de tokens.IPFS(Sistema de Arquivo Interplanetário) cria uma rede peer-to-peer para armazenar e compartilhar dados usando hashes criptográficos exclusivos.Arweavedesenvolveu uma solução de armazenamento de dados permanente que subsidia os custos de armazenamento com recompensas em bloco.Storj oferece APIs compatíveis com S3 que permitem que os aplicativos 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 computacionais podem ser divididos em categorias a distância: infraestrutura de treinamento para desenvolvimento de modelos, sistemas de inferência para execução de modelos e operações de agentes e computação de borda para processamento descentralizado local.

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

1. Treinamento. O treinamento de modelos de IA é computacionalmente caro e intensivo. A computação de treinamento descentralizada democratiza o desenvolvimento de IA enquanto aumenta a privacidade e a segurança, pois os dados confidenciais podem ser processados localmente sem controle centralizado.
BittensoreRede Golemsão mercados descentralizados para recursos de treinamento de IA.Rede AkashePhalafornecer recursos de computação descentralizada com TEEs.Rede Renderreutilizou sua rede gráfica GPU para fornecer computação para tarefas de IA.

2. Inferência. A computação de inferência refere-se aos recursos necessários aos modelos para gerar uma nova saída ou aos aplicativos e agentes de IA para operar. Aplicativos em tempo real que processam grandes volumes de dados ou agentes que exigem várias operações usam uma quantidade maior de poder de computação de inferência.
Hiperbólico, Dfinity, e Hiperespaçoespecificamente oferecer computação de inferência. Laboratórios de InferênciaOmroné um mercado de inferência e verificação de computação na Bittensor. Redes de computação descentralizada como Bittensor, Rede Golem, Rede Akash, Phala e Rede Render oferecem recursos de computação tanto para treinamento quanto para inferência.

3. Computação de borda. 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 a latência reduzida, pois o modelo e os dados são executados localmente na mesma máquina.
Rede de Gradienteé 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 dos dados. Mecanismos de consenso, Provas de Conhecimento Zero (ZKPs) e TEEs são usados para verificar o treinamento do modelo, inferência e saídas. FHE e TEEs são usados para garantir a privacidade dos dados.

1. Computação verificável. A computação verificável inclui treinamento e inferência de modelo.
Phala and 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 que 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 do agente de IA.
zkML e Rede Astecaambos têm sistemas ZKP que comprovam a integridade da saída computacional.Marlinʻs Oyster fornece inferência de IA verificável por meio de uma rede de TEEs.

3. Privacidade de Dados e Modelos. A FHE e outras técnicas criptográficas permitem que os modelos processem dados criptografados 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.Partisia Blockchainusa Computation Multi-Party (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 treinamento 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 grandes requerem uma quantidade significativa de recursos computacionais e de dados. As redes LLM permitem que os desenvolvedores implementem 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 AIusa modelos fundamentais de gráficos para criar aplicativos e agentes que utilizam dados de blockchain.
• Mercados. Os marketplaces ajudam a monetizar modelos, agentes e conjuntos de dados de IA.
  Protocolo Oceânicofornece um mercado para dados, serviços de pré-processamento de dados, modelos e saídas de modelo.Fetch AI é um mercado de agentes de IA.

2. Treinamento / Ajuste Fino. As redes de treinamento especializam-se na distribuição e gestão de conjuntos de dados de treinamento. As redes de ajuste fino concentram-se em soluções de infraestrutura para aprimorar o conhecimento externo do modelo por meio de RAGs (Geração Aprimorada por Recuperação) e APIs.
Bittensor, Akash Network e Golem Network oferecem redes de treinamento e ajuste fino.

3. Redes de Agentes. As Redes de Agentes oferecem 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 de agentes permitem a implantação e gerenciamento fácil de agentes de IA.
Theoriqalavanca enxames de agentes para alimentar soluções de negociação DeFi. Virtuals é o principal lançador de agentes de IA na Base.Eliza OSfoi a primeira rede de modelo LLM de código aberto.Rede Alpaca e Rede Olassão plataformas de agentes de IA de propriedade da comunidade.

Serviços

A camada de Serviços fornece o middleware essencial e as ferramentas de que as aplicações e agentes de IA precisam para funcionar de forma eficaz. Esta camada inclui ferramentas de desenvolvimento, APIs para integração de dados e aplicações externas, sistemas de memória para retenção de contexto do agente, Geração Aumentada por Recuperação (RAG) para acesso a conhecimento aprimorado e infraestrutura de teste.

• Ferramentas. Um conjunto de utilitários ou aplicativos que facilitam várias funcionalidades dentro de agentes de IA:
  • Pagamentos. A integração de sistemas de pagamento descentralizados permite que agentes conduzam autonomamente transações financeiras, garantindo interações econômicas contínuas dentro do ecossistema Web3.
    Coinbase Kit de agentepermite que agentes de IA façam pagamentos e transfiram tokens. LangChain e Pagador Ofereça-se para enviar e solicitar opções de pagamento para agentes.
  • Launchpads. Plataformas que auxiliam na implantação e dimensionamento de agentes de IA, fornecendo recursos como inicializações de token, seleção de modelos, APIs e acesso a ferramentas.
    Protocolo Virtualsé a principal plataforma de lançamento de agentes de IA que permite aos usuários criar, implantar e rentabilizar agentes de IA.CartolaeGriffain são plataformas de lançamento de agentes de IA em Solana.
  • Autorização. Mecanismos que gerenciam permissões e controle de acesso, garantindo que os agentes operem dentro de limites definidos e mantenham protocolos de segurança.
    Biconomy oferece Chaves de Sessãopara agentes garantirem que os agentes só possam interagir com contratos inteligentes na lista branca.
  • Segurança. Implementando medidas de segurança robustas para proteger agentes de ameaças, garantindo integridade, confidencialidade de dados e resiliência contra ataques.
    Segurança GoPlusadicionou um plug-in que permite que os agentes de IA da ElizaOS utilizem recursos de segurança on-chain que impedem fraudes, phishing e transações suspeitas em várias blockchains.
• Interfaces de programação de aplicativos (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 seus recursos 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. Rede de Subconsultaoferece indexadores de dados descentralizados e pontos de extremidade RPC para agentes de IA e aplicativos.
• Geração com Recuperação Aumentada (RAG) Augmentation. A augmentação RAG aprimora o acesso ao conhecimento dos agentes combinando LLMs com recuperação de dados externos.
  • Recuperação dinâmica de informações. Os agentes podem buscar informações atualizadas de bancos de dados externos ou da Internet para fornecer respostas precisas e atuais.
  • Integração de Conhecimento. A integração de dados recuperados no processo de geração permite que os agentes produzam saídas mais informadas e contextualmente relevantes.
• Rede Atoma oferece curadoria segura de dados e APIs de dados públicos para RAGs personalizados. ElizaOS e Protocolo KIP oferecem plug-ins de agentes para fontes de dados externas como X e Farcaster.
• Memória. Agentes de IA requerem 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. O 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.
  ElizaOS oferece gerenciamento de memória como parte de sua rede de agentes. Mem0AIeUnibase AIestão construindo uma camada de memória para aplicações de IA e agentes.
• Infraestrutura de teste. Plataformas projetadas para garantir a confiabilidade e a 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.
  Assistente de IA da Alchemy, ChatWeb3, pode testar agentes de IA através de consultas complexas e testes em implementações de funções.

Aplicações

A camada de aplicativo fica no topo 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, ganhos, mercados de previsão, sistemas de governança e ferramentas DeFAI.

• Carteiras. Os agentes de IA aprimoram as carteiras Web3 interpretando as intenções do usuário e automatizando transações complexas, melhorando assim a experiência do usuário.
  Carteira de armaduraeCarteira 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 de bate-papo. Plataforma do Desenvolvedor da Coinbase oferece aos agentes de IA carteiras MPC que lhes permitem transferir tokens de forma autônoma.
• Segurança. Os agentes de IA monitoram a atividade da blockchain para identificar comportamentos fraudulentos e transações suspeitas de contratos inteligentes.
  ChainAware.aiO Fraud Detector Agent fornece segurança de carteira em tempo real e monitoramento de conformidade em várias blockchains. AgentLayer's Verificador de Carteira verifica as carteiras em busca de vulnerabilidades e oferece recomendações para aumentar a segurança.
• Produtividade. Os agentes de IA ajudam a automatizar tarefas, gerenciar agendas e fornecer recomendações inteligentes para aumentar a eficiência do usuário.
  Mundo3apresenta uma plataforma sem código para projetar agentes de IA modulares para tarefas como gerenciamento de mídias sociais, lançamentos de tokens Web3 e assistência à pesquisa.
• Jogos. Os agentes de IA operam personagens não-jogadores (NPCs) que se adaptam às ações do jogador em tempo real, aprimorando a experiência do usuário. Eles também podem gerar conteúdo no jogo e ajudar novos jogadores a aprender o jogo.
  Arena de IA usa jogadores humanos e aprendizado de imitação 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.GG projeta agentes capazes de navegar, treinar e jogar ao lado de jogadores humanos.
• Predição. Os agentes de IA analisam dados para fornecer insights e facilitar a tomada de decisões informadas para plataformas de previsão.
  Previsor de CABRAS é um agente de IA na Ton Network que oferece recomendações baseadas em dados. SynStationé um mercado de previsão de propriedade da comunidade na Soneium que emprega Agentes de IA para ajudar os usuários a tomar decisões.
• Governança. Agentes de IA facilitam a governança da organização autônoma descentralizada (DAO) automatizando avaliações de propostas, realizando verificações de temperatura da comunidade, garantindo votações livres de Sybil e implementando políticas.
  Rede SyncAIapresenta um agente de IA atuando como representante descentralizado para o sistema de governança do Cardano. Olas oferece um agente de governançaque elabora propostas, vota e gerencia o tesouro de uma DAO. ElizaOS tem um agente que reúne insights de dados 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 gerenciar o reequilíbrio entre cadeias. Os agentes do gerenciador de riscos monitoram a atividade on-chain para detectar comportamentos suspeitos e retirar liquidez, se necessário.
  Protocolo de agente de IA de Theoriqimplanta enxames de agentes para gerenciar transações complexas DeFi, otimizar pools de liquidez e automatizar estratégias de agricultura de rendimento.Noyaé uma plataforma DeFi que alavanca agentes de IA para gestão de riscos e carteira.

Coletivamente, esses aplicativos contribuem para ecossistemas de IA seguros, transparentes e descentralizados, adaptados às necessidades do Web3.

Conclusão

A evolução dos sistemas de IA Web2 para Web3 representa uma mudança fundamental na forma como abordamos o desenvolvimento e a implantação de inteligência artificial. Embora a infraestrutura centralizada de IA da Web2 tenha impulsionado uma tremenda inovação, ela enfrenta desafios significativos em relação à privacidade de dados, transparência e controle centralizado. A pilha Web3 AI demonstra como os sistemas descentralizados podem lidar com essas limitações por meio de DAOs de dados, redes de computação descentralizadas e sistemas de verificação sem confiança. Talvez o mais importante, os incentivos simbólicos estão criando novos mecanismos de coordenação que podem ajudar a inicializar e sustentar essas redes descentralizadas.

Olhando para o futuro, o surgimento de agentes de IA representa a próxima fronteira nessa evolução. Como exploraremos no próximo artigo, os agentes de IA - de bots simples específicos para tarefas a sistemas autônomos complexos - estão se tornando cada vez mais sofisticados e capazes. A integração desses agentes com a infraestrutura Web3, combinada com a 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. Compreender 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 reimpresso de [Flashbots]. Todos os direitos autorais pertencem ao autor original [tesa]. Se houver objeções a esta reimpressão, entre em contato com o Gate Learnequipe e eles vão lidar com isso prontamente.
2. Isenção de responsabilidade: As opiniões expressas neste artigo são exclusivamente do autor e não constituem qualquer conselho de investimento.
3. A equipe do Gate Learn faz traduções do artigo para outros idiomas. Copiar, distribuir ou plagiar os artigos traduzidos é proibido, a menos que mencionado.