En nuestra publicación anterior, exploramos el Historia del Diseño de AplicacionesEn la Parte 1 de nuestra segunda publicación de la serie Agentic AI, examinamos el panorama actual de la inteligencia artificial Web2 y sus tendencias, plataformas y tecnologías clave. En la Parte 2, exploramos cómo la cadena de bloques y la verificación sin confianza permiten la evolución de agentes de inteligencia artificial en sistemas verdaderamente agentes.

1. Paisaje de agentes de inteligencia artificial Web2

Estado actual de los agentes de IA centralizados

Figura 1. Paisaje de agentes de inteligencia artificial web2 E2B.

El panorama actual de la IA está predominantemente caracterizado por plataformas y servicios centralizados controlados por importantes empresas tecnológicas. Empresas como OpenAI, Anthropic, Google y Microsoft proporcionan modelos de lenguaje grandes (LLMs) y mantienen una infraestructura en la nube crucial y servicios de API que alimentan a la mayoría de los agentes de IA.

Infraestructura del Agente de IA

Los avances recientes en la infraestructura de IA han transformado fundamentalmente la forma en que los desarrolladores crean agentes de IA. En lugar de codificar interacciones específicas, los desarrolladores ahora pueden usar el lenguaje natural para definir comportamientos y objetivos del agente, lo que lleva a sistemas más adaptables y sofisticados.

Figura 2. Infraestructura de Segmentación del Agente de IA.

Avances clave en las siguientes áreas han llevado a una proliferación de agentes de IA:

• Modelos de Lenguaje Grandes Avanzados (LLM): Los LLM han revolucionado la forma en que los agentes comprenden y generan lenguaje natural, reemplazando los sistemas rígidos basados en reglas con capacidades de comprensión más sofisticadas. Permiten un razonamiento y planificación avanzados a través de un razonamiento en 'cadena de pensamiento'.
  La mayoría de las aplicaciones de IA se construyen sobre modelos LLM centralizados, como GPT-4 de Gate.ioOpenAI, Claude by Antropico, y Gemini by Google.
  Los modelos de IA de código abierto incluyen DeepSeek, LLaMa de Meta, PaLM 2 y LaMDA de Google, Mistral 7B de Mistral AI, Grok y Grok-1 por xAI, Vicuña-13B por LM Studio, y modelos Falcon por Technology Innovation Institute (TII).
• Frameworks de agentes: Varios marcos y herramientas están surgiendo para facilitar la creación de aplicaciones de IA multiagente para empresas. Estos marcos admiten varios LLM y proporcionan funciones preempaquetadas para el desarrollo de agentes, incluida la gestión de memoria, herramientas personalizadas e integración de datos externos. Estos marcos reducen significativamente los desafíos de ingeniería, acelerando el crecimiento y la innovación.
  Los principales marcos de trabajo de agentes incluyen Phidata, OpenAI Enjambre, CrewAI, LangChain LangGraph, LlamaIndex, Microsoft de código abierto Autogen, Vertex AI, y LangFlow,que ofrecen capacidades para construir asistentes de IA con un mínimo de codificación requerida.
• Plataformas de IA agentica: Las plataformas de IA agentic se centran en orquestar múltiples agentes de IA en un entorno distribuido para resolver problemas complejos de forma autónoma. Estos sistemas pueden adaptarse dinámicamente y colaborar, lo que permite soluciones de escalado sólidas. Estos servicios tienen como objetivo transformar la forma en que las empresas utilizan la IA al hacer que la tecnología de los agentes sea accesible y directamente aplicable a los sistemas existentes.
  Las principales plataformas de IA agentic incluyen Microsoft Autogen, Langchain LangGraph, Microsoft Núcleo Semántico, y CrewAI.
• Generación aumentada por recuperación (RAG): La generación aumentada por recuperación (RAG) permite a los LLM acceder a bases de datos o documentos externos antes de responder a consultas, mejorando la precisión y reduciendo las alucinaciones. Los avances de RAG permiten a los agentes adaptarse y aprender de nuevas fuentes de información y evitar la necesidad de volver a entrenar modelos.
  Las mejores herramientas RAG son de K2View, Pajar, LangChain, LlamaIndex, RAGatouilley de código abierto EmbedChain y InfiniFlow.
• Sistemas de memoria: Para superar la limitación de los agentes de IA tradicionales en el manejo de tareas a largo plazo, los servicios de memoria proporcionan memoria a corto plazo para tareas intermedias o memoria a largo plazo para almacenar y recuperar información para tareas extendidas.
  La memoria a largo plazo incluye:
  • Memoria episódica. Registra experiencias específicas para el aprendizaje y la resolución de problemas, y se utiliza en contexto para una consulta presente.
  • Memoria semántica. Información general y de alto nivel sobre el entorno del agente.
  • Memoria Procedimental. Almacena los procedimientos utilizados en la toma de decisiones y el pensamiento paso a paso utilizado para resolver problemas matemáticos.
• Los líderes en servicios de memoria incluyen: Letta, de código abierto MemGPT, Zepy Mem0.
• Plataformas de IA sin código: Las plataformas sin código permiten a los usuarios crear modelos de IA a través de herramientas de arrastrar y soltar e interfaces visuales o un asistente de preguntas y respuestas. Los usuarios pueden implementar agentes directamente en sus aplicaciones y automatizar los flujos de trabajo. Al simplificar el flujo de trabajo de los agentes de IA, cualquiera puede crear y utilizar la IA, lo que se traduce en una mayor accesibilidad, ciclos de desarrollo más rápidos y una mayor innovación.
  Los líderes sin código incluyen: IA de BuildFire, Máquina de enseñanza de Google, y AmazonSageMaker (en inglés).
  Varios nichos de plataformas sin código existen para agentes de IA como Obviamente IA Para las predicciones de negocio, IA de lóbulos para la clasificación de imágenes, y Nanoredespara el procesamiento de documentos.

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

Modelos de Negocio

Las empresas tradicionales de inteligencia artificial Web2 emplean principalmente suscripciones escalonadas y servicios de consultoría como sus modelos de negocio.

Los modelos de negocio emergentes para los agentes de IA incluyen:

• Suscripción / Basado en el uso. A los usuarios se les cobra en función del número de ejecuciones del agente o de los recursos informáticos utilizados, de forma similar a los servicios de modelo de lenguaje grande (LLM).
• Modelos de mercado. Las plataformas de agentes se llevan un porcentaje de las transacciones realizadas en la plataforma, de forma similar a los modelos de la tienda de aplicaciones.
• Licencias empresariales. Soluciones personalizadas para agentes con tarifas de implementación y soporte.
• Acceso API. Las plataformas de Agent proporcionan APIs que permiten a los desarrolladores integrar agentes en sus aplicaciones, con cargos basados en llamadas API o volumen de uso.
• Código abierto con funciones premium. Los proyectos de código abierto ofrecen un modelo básico de forma gratuita, pero cobran por las funciones avanzadas, el alojamiento o el soporte empresarial.
• Integración de herramientas. Las plataformas de agentes pueden cobrar una comisión a los proveedores de herramientas por el uso de la API o los servicios.

2. Limitaciones de la IA centralizada

Aunque los sistemas actuales de IA Web2 han marcado el comienzo de una nueva era de tecnología y eficiencia, se enfrentan a varios retos.

• Control centralizado: La concentración de modelos de IA y datos de entrenamiento en manos de unas pocas grandes empresas de tecnología crea riesgos de acceso restringido, entrenamiento de modelos controlado e integraciones verticales forzadas.
• Privacidad y propiedad de datos: los usuarios carecen de control sobre cómo se utiliza su información y no reciben compensación por su uso en el entrenamiento de sistemas de IA. La centralización de datos también crea un único punto de falla y puede ser un objetivo de violaciones de datos.
• Problemas de transparencia: La naturaleza de "caja negra" de los modelos centralizados impide a los usuarios comprender cómo se toman las decisiones o verificar las fuentes de datos de entrenamiento. Las aplicaciones basadas en estos modelos no pueden explicar los posibles sesgos, y los usuarios tienen poco o ningún control sobre cómo se utilizan sus datos.
• Desafíos regulatorios: El complejo panorama regulatorio global relacionado con el uso de la IA y la privacidad de los datos crea incertidumbre y desafíos de cumplimiento. Los agentes y las aplicaciones basados en modelos de IA centralizados pueden estar sujetos a las regulaciones del país del propietario del modelo.
• Ataques adversariales: los modelos de IA pueden ser susceptibles a ataques adversariales, donde las entradas se modifican para engañar al modelo y producir salidas incorrectas. Se requiere verificación de la validez de la entrada y la salida, junto con la seguridad y el monitoreo del agente de IA.
• Fiabilidad de la salida: las salidas del modelo de IA requieren verificación técnica y un proceso transparente y auditables para establecer la confiabilidad. A medida que los agentes de IA se expanden, la corrección de las salidas del modelo de IA se vuelve crucial.
• Deep Fakes: Las imágenes, el habla y los vídeos modificados por la IA, conocidos como "Deep Fakes", plantean importantes desafíos, ya que pueden difundir información errónea, crear amenazas de seguridad y erosionar la confianza del público.

3. Soluciones de IA descentralizadas

Los principales obstáculos de Web2 AI, centralización, propiedad de datos y transparencia, se están abordando con blockchain y tokenización. Web3 ofrece las siguientes soluciones:

• Redes informáticas descentralizadas. En lugar de utilizar proveedores de nube centralizados, los modelos de IA pueden utilizar redes informáticas distribuidas para entrenar y ejecutar inferencias.
• Infraestructura modular. Los equipos más pequeños pueden aprovechar las redes informáticas descentralizadas y las DAO de datos para entrenar modelos nuevos y específicos. Los constructores pueden aumentar sus agentes con herramientas modulares y otras primitivas componibles.
• Sistemas transparentes y verificables. Web3 puede ofrecer una forma verificable de rastrear el desarrollo y el uso del modelo con blockchain. Las entradas y salidas del modelo pueden verificarse a través de pruebas de conocimiento cero (ZKP) y entornos de ejecución de confianza (TEE) y registrarse permanentemente en la cadena.
• Propiedad y soberanía de los datos. Los datos pueden monetizarse a través de mercados o DAO de datos, que tratan los datos como un activo colectivo y pueden redistribuir las ganancias del uso de datos a los contribuyentes del DAO.
• Arranque de red. **Los incentivos de tokens pueden ayudar a impulsar las redes al recompensar a los primeros contribuyentes para la computación descentralizada, las DAO de datos y los mercados de agentes. Los tokens pueden crear incentivos económicos inmediatos que ayuden a superar los problemas iniciales de coordinación que impiden la adopción de la red.

4. Paisaje del Agente de IA Web3

Tanto las pilas de agentes de IA Web2 como Web3 comparten componentes fundamentales como la coordinación de modelos y recursos, herramientas y otros servicios, y sistemas de memoria para la retención de contexto. Sin embargo, la incorporación de tecnologías blockchain en Web3 permite la descentralización de recursos informáticos, tokens para incentivar el intercambio de datos y la propiedad de los usuarios, la ejecución sin confianza a través de contratos inteligentes y redes de coordinación inicializadas.

figure_4_web3_ai_agent_stack1920×3627 407 KB
Figura 4. Pila de agentes de IA Web3.

Datos

La capa de datos es la base de la pila de agentes de inteligencia artificial Web3 y abarca todos los aspectos de los datos. Incluye fuentes de datos, seguimiento de procedencia y verificación de autenticidad, sistemas de etiquetado, herramientas de inteligencia de datos para análisis e investigación, y soluciones de almacenamiento para diferentes necesidades de retención de datos.

1. Fuentes de datos. Las fuentes de datos representan los diversos orígenes de datos en el ecosistema.
   • Data DAOs. Data DAOs (VanayMasa AI) son organizaciones comunitarias que facilitan el intercambio de datos y la monetización.
   • Marketplaces. Plataformas ( Protocolo Oceánico y Sahara AIcrear un mercado descentralizado para el intercambio de datos.
   • Datos privados. Los datos sociales, financieros y sanitarios pueden anonimizarse y llevarse a la cadena para que el usuario los monetice. Kaito AIíndices los datos sociales de X y crea datos de sentimiento a través de su API.
   • Datos públicos. Servicios de scraping Web2 (Hierba) recopilar datos públicos y luego preprocesarlos en datos estructurados para el entrenamiento de IA.
   • Datos sintéticos. Los datos públicos son limitados y los datos sintéticos basados en datos reales y públicos han demostrado ser una alternativa adecuada para el entrenamiento de modelos de IA.Subconjunto de sintetizadores de Mode es un conjunto de datos de precios sintéticos creado para el entrenamiento y las pruebas de modelos de IA.
   • Oráculos. Los oráculos agregan datos de fuentes externas para conectarse con la cadena de bloques a través de contratos inteligentes. Los oráculos para IA incluyen Protocolo Ora, Chainlinky Masa AI.
2. Provenance. La procedencia de los datos es crucial para garantizar la integridad de los datos, la mitigación de sesgos y la reproducibilidad en la IA. La procedencia de los datos sigue el origen de los datos y registra su linaje.
   Web3 ofrece varias soluciones para la procedencia de los datos, incluido el registro de los orígenes y modificaciones de los datos en la cadena a través de metadatos basados en blockchain (Ocean Protocol y Project Origin de Filecoin), el seguimiento del linaje de datos a través de gráficos de conocimiento descentralizados (OriginTrail), y la producción de pruebas de conocimiento cero para la procedencia de los datos y las auditorías (Fact Fortress, Protocolo de recuperación).
3. Etiquetado. Tradicionalmente, el etiquetado de datos ha requerido que los humanos etiqueten o etiqueten los datos para los modelos de aprendizaje supervisado. Los incentivos de tokens pueden ayudar a los trabajadores a realizar crowdsourcing para el preprocesamiento de datos.
   En Web2, Escala AI tiene unos ingresos anuales de 1.000 millones de dólares y cuenta con OpenAI, Anthropic y Cohere como clientes. En Web3, Protocolo Humano y Ocean Protocol crowdsourcing, etiquetado de datos y recompensa a los contribuyentes con tokens. Alaya AI y Fetch.aiemplear agentes de IA para el etiquetado de datos.
4. Herramientas de inteligencia de datos. Las herramientas de inteligencia de datos son soluciones de software que analizan y extraen información de los datos. Mejoran la calidad de los datos, garantizan el cumplimiento y la seguridad, y potencian el rendimiento del modelo de IA al mejorar la calidad de los datos.
   Las empresas de análisis de blockchain incluyen Arkham, Nansen, y Duna. Investigación fuera de la cadena por Messari y análisis de sentimiento en redes sociales por Kaitotambién tienen APIs para el consumo de modelos de IA.
5. Almacenamiento de datos. Los incentivos de tokens permiten el almacenamiento descentralizado y distribuido de datos en redes de nodos independientes. Los datos suelen estar encriptados y se comparten entre múltiples nodos para mantener la redundancia y la privacidad.
   Filecoinfue uno de los primeros proyectos de almacenamiento de datos distribuidos que permitía a las personas ofrecer su espacio de disco duro no utilizado para almacenar datos encriptados a cambio de tokens. IPFS(Sistema de Archivos Interplanetario) crea una red peer-to-peer para almacenar y compartir datos utilizando hashes criptográficos únicos.Arweavedesarrolló una solución de almacenamiento de datos permanente que subvenciona los costos de almacenamiento con recompensas en bloques.Storj ofrece API compatibles con S3 que permiten que las aplicaciones existentes cambien fácilmente del almacenamiento en la nube al almacenamiento descentralizado.

Calcular

La capa de cálculo proporciona la infraestructura de procesamiento necesaria para ejecutar operaciones de IA. Los recursos informáticos se pueden dividir en categorías de distancia: infraestructura de entrenamiento para el desarrollo de modelos, sistemas de inferencia para la ejecución de modelos y operaciones de agente, y computación de borde para el procesamiento descentralizado local.

Los recursos informáticos distribuidos eliminan la dependencia de las redes centralizadas en la nube y mejoran la seguridad, reducen el problema del punto único de fallo y permiten a las empresas de IA más pequeñas aprovechar el exceso de recursos informáticos.

1. Entrenamiento. Entrenar modelos de IA es costoso e intensivo en computación. La computación descentralizada para el entrenamiento democratiza el desarrollo de IA al tiempo que aumenta la privacidad y la seguridad, ya que los datos sensibles pueden procesarse localmente sin control centralizado.
BittensoryRed de Golemson mercados descentralizados para recursos de entrenamiento de IA.Red Akash y Phalaproporcionar recursos informáticos descentralizados con TEEs.Red de renderizadoreutilizó su red gráfica de GPU para proporcionar computación para tareas de IA.

2. Inferencia. La informática de inferencia se refiere a los recursos necesarios por los modelos para generar una nueva salida o por las aplicaciones y agentes de IA para operar. Las aplicaciones en tiempo real que procesan grandes volúmenes de datos o agentes que requieren múltiples operaciones utilizan una mayor cantidad de potencia informática de inferencia.
Hiperbólico, Dfinity, y Hiperspacioofrece específicamente computación inferencial. Inference LabsʻsOmrones un mercado de inferencia y verificación informática en Bittensor. Las redes informáticas descentralizadas como Bittensor, Golem Network, Akash Network, Phala y Render Network ofrecen recursos informáticos tanto para el entrenamiento como para la inferencia.

3. Computación perimetral. La computación periférica implica el procesamiento de datos localmente en dispositivos remotos como teléfonos inteligentes, dispositivos IoT o servidores locales. La computación periférica permite el procesamiento de datos en tiempo real y reduce la latencia, ya que el modelo y los datos se ejecutan localmente en la misma máquina.
Red de Gradientees una red de computación en el borde en Solana. Red de Borde, Red de Theta, y AIOZpermitir el cómputo en el borde global.

Verificación / Privacidad

La capa de verificación y privacidad garantiza la integridad del sistema y la protección de datos. Los mecanismos de consenso, las Pruebas de Conocimiento Cero (ZKPs) y TEE se utilizan para verificar el entrenamiento del modelo, la inferencia y los resultados. FHE y TEE se utilizan para garantizar la privacidad de los datos.

1. Cómputo Verificable. El cómputo verificable incluye el entrenamiento de modelos y la inferencia.
Phala and Red Atomacombina TEEs con cálculo verificable.Inferioutiliza una combinación de ZKPs y TEEs para inferencia verificable.

2. Pruebas de salida. Las pruebas de salida verifican que las salidas del modelo de IA sean genuinas y no hayan sido manipuladas sin revelar los parámetros del modelo. Las pruebas de salida también ofrecen procedencia y son importantes para confiar en las decisiones de los agentes de IA.
zkMLyRed Azteca ambos tienen sistemas ZKP que demuestran la integridad de la salida computacional. Ostra de Marlinproporciona inferencia de IA verificable a través de una red de TEEs.

3. Privacidad de Datos y Modelos. FHE y otras técnicas criptográficas permiten que los modelos procesen datos encriptados sin exponer información sensible. La privacidad de los datos es necesaria al manejar información personal y sensible y para preservar el anonimato.
Protocolo Oasisproporciona computación confidencial a través de TEEs y cifrado de datos.Cadena de bloques de Partisiautiliza la Computación Multi-Parte (MPC) avanzada para proporcionar privacidad de datos de IA.

Coordinación

La capa de coordinación facilita la interacción entre los diferentes componentes del ecosistema Web3 AI. Incluye mercados de modelos para distribución, infraestructura de entrenamiento y ajuste fino, y redes de agentes para comunicación y colaboración entre agentes.

1. Redes modelo. Las redes modelo están diseñadas para compartir recursos para el desarrollo de modelos de IA.

• Los grandes modelos de lenguaje requieren una cantidad significativa de recursos informáticos y de datos. Las redes LLM permiten a los desarrolladores implementar modelos especializados.
  Bittensor, Sentient, y Akash Network proporcionan a los usuarios recursos informáticos y un mercado para construir LLM en sus redes.
• Datos Estructurados. Las redes de datos estructurados dependen de conjuntos de datos personalizados y seleccionados.
  Pond AIutiliza modelos fundamentales de gráficos para crear aplicaciones y agentes que utilizan datos de la blockchain.
• Mercados. Los mercados ayudan a monetizar modelos de IA, agentes y conjuntos de datos.
  Protocolo Oceanproporciona un mercado para datos, servicios de preprocesamiento de datos, modelos y salidas de modelos. Obtener IAes un mercado de agentes de inteligencia artificial.

2. Entrenamiento / Ajuste fino. Las redes de entrenamiento se especializan en la distribución y gestión de conjuntos de datos de entrenamiento. Las redes de ajuste fino se centran en soluciones de infraestructura para mejorar el conocimiento externo del modelo a través de RAGs (Generación Aumentada de Recuperación) y APIs.
Bittensor, Akash Network y Golem Network ofrecen redes de entrenamiento y ajuste fino.

3. Redes de Agentes. Las Redes de Agentes proporcionan dos servicios principales para los agentes de IA: 1) herramientas y 2) plataformas de lanzamiento de agentes. Las herramientas incluyen conexiones con otros protocolos, interfaces de usuario estandarizadas y comunicación con servicios externos. Las plataformas de lanzamiento de agentes permiten una fácil implementación y gestión de agentes de IA.
Theoriqaprovecha enjambres de agentes para impulsar soluciones de trading DeFi. Virtuals es la plataforma líder de lanzamiento de agentes de IA en Base.Eliza OSfue la primera red de modelo LLM de código abierto. Red de Alpaca y Red de Olasson plataformas de agentes de IA de propiedad comunitaria.

Servicios

La capa de servicios proporciona el middleware esencial y las herramientas que las aplicaciones de IA y los agentes necesitan para funcionar de manera efectiva. Esta capa incluye herramientas de desarrollo, APIs para la integración de datos y aplicaciones externas, sistemas de memoria para la retención del contexto del agente, Generación Aumentada por Recuperación (RAG) para un acceso mejorado al conocimiento e infraestructura de pruebas.

• Herramientas. Un conjunto de utilidades o aplicaciones que facilitan diversas funcionalidades dentro de los agentes de IA:
  • Los pagos. La integración de sistemas de pago descentralizados permite a los agentes llevar a cabo transacciones financieras de forma autónoma, garantizando interacciones económicas fluidas dentro del ecosistema Web3.
    De Coinbase AgentKit permite a los agentes de IA hacer pagos y transferir tokens. LangChain y Pagador Ofrecer enviar y solicitar opciones de pago para los agentes.
  • Plataformas de lanzamiento. Plataformas que ayudan en implementar y escalar agentes de IA, proporcionando recursos como lanzamientos de tokens, selección de modelos, APIs y acceso a herramientas.
    Protocolo Virtualses la plataforma de lanzamiento principal de agentes de inteligencia artificial que permite a los usuarios crear, implementar y monetizar agentes de inteligencia artificial.Sombrero de copa y Griffainson plataformas de lanzamiento de agentes de IA en Solana.
  • Autorización. Mecanismos que gestionan los permisos y el control de acceso, garantizando que los agentes operen dentro de límites definidos y mantengan los protocolos de seguridad.
    Ofertas de Biconomy Claves de Sesiónpara que los agentes puedan interactuar solo con contratos inteligentes en lista blanca.
  • Seguridad. Implementación de medidas de seguridad robustas para proteger a los agentes de amenazas, garantizando la integridad, confidencialidad y resiliencia de los datos contra ataques.
    Seguridad de GoPlusagregó un complemento que permite a los agentes de inteligencia artificial ElizaOS utilizar funciones de seguridad en cadena que evitan estafas, phishing y transacciones sospechosas en múltiples blockchains.
• Interfaces de programación de aplicaciones (API). Las API facilitan la integración perfecta de datos y servicios externos en agentes de IA. Las API de acceso a datos proporcionan a los agentes acceso a datos en tiempo real de fuentes externas, mejorando sus capacidades de toma de decisiones. Las API de servicios permiten a los agentes interactuar con aplicaciones y servicios externos, ampliando su funcionalidad y alcance.
  Red de Dataiproporciona datos de blockchain a agentes de IA a través de una API de datos estructurados.Red de SubQueryofrece indexadores de datos descentralizados y puntos finales de RPC para agentes de IA y aplicaciones.
• Aumento de la generación aumentada por recuperación (RAG). El aumento de RAG mejora el acceso al conocimiento de los agentes al combinar LLM con la recuperación de datos externos.
  • Recuperación dinámica de información. Los agentes pueden obtener información actualizada de bases de datos externas o de Internet para proporcionar respuestas precisas y actuales.
  • Integración de conocimientos. La integración de los datos recuperados en el proceso de generación permite a los agentes producir resultados más informados y contextualmente relevantes.
• Red Atoma ofrece curación de datos segura y API de datos públicos para RAG personalizados. ElizaOS y Protocolo KIP ofrecer plugins de agentes a fuentes de datos externas como X y Farcaster.
• Memoria. Los agentes de IA necesitan un sistema de memoria para retener el contexto y aprender de sus interacciones. Con la retención de contexto, los agentes mantienen un historial de interacciones para proporcionar respuestas coherentes y contextualmente apropiadas. El almacenamiento de memoria más prolongado permite a los agentes almacenar y analizar interacciones pasadas, lo que puede mejorar su rendimiento y personalizar las experiencias de los usuarios con el tiempo.
  ElizaOS Ofrece gestión de memoria como parte de su red de agentes. Mem0AI y IA de Unibase están construyendo una capa de memoria para aplicaciones y agentes de IA.
• Infraestructura de pruebas. Plataformas diseñadas para garantizar la fiabilidad y robustez de los agentes de IA. Los agentes pueden funcionar en entornos de simulación controlados para evaluar el rendimiento en diversos escenarios. Las plataformas de pruebas permiten el monitoreo del rendimiento y la evaluación continua de las operaciones de los agentes para identificar cualquier problema.
  Asistente de IA de Alchemy, ChatWeb3, puede probar agentes de IA a través de consultas complejas y pruebas en implementaciones de funciones.

Aplicaciones

La capa de aplicación se encuentra en la parte superior de la pila de IA y representa las soluciones orientadas al usuario final. Esto incluye agentes que resuelven casos de uso como la gestión de carteras, la seguridad, la productividad, la ganancia, los mercados de predicción, los sistemas de gobernanza y las herramientas DeFAI.

• Carteras. Los agentes de IA mejoran las carteras Web3 interpretando las intenciones de los usuarios y automatizando transacciones complejas, mejorando así la experiencia del usuario.
  Cartera de armadura y FoxWallet (en inglés)utilizar agentes de inteligencia artificial para ejecutar intenciones de usuario en plataformas DeFi y blockchains, permitiendo a los usuarios ingresar sus intenciones a través de una interfaz similar a un chat.Plataforma para desarrolladores de Coinbase ofrece a los agentes de IA carteras MPC que les permiten transferir tokens de forma autónoma.
• Los agentes de inteligencia artificial de seguridad monitorean la actividad de la cadena de bloques para identificar comportamientos fraudulentos y transacciones sospechosas de contratos inteligentes.
  ChainAware.aiEl agente de detección de fraudes de ʻs proporciona seguridad de billetera en tiempo real y monitoreo de cumplimiento en múltiples blockchains. La capa de agente Comprobador de billeteraescanea las carteras en busca de vulnerabilidades y ofrece recomendaciones para mejorar la seguridad.
• Productividad. Los agentes de IA ayudan a automatizar tareas, gestionar horarios y proporcionar recomendaciones inteligentes para aumentar la eficiencia del usuario.
  Mundo 3 cuenta con una plataforma sin código para diseñar agentes de IA modulares para tareas como la gestión de redes sociales, el lanzamiento de tokens Web3 y la asistencia en la investigación.
• Juego. Los agentes de IA operan personajes no jugadores (NPC) que se adaptan a las acciones del jugador en tiempo real, mejorando la experiencia del usuario. También pueden generar contenido en el juego y ayudar a los nuevos jugadores a aprender el juego.
  Arena de IA utiliza jugadores humanos y aprendizaje por imitación para entrenar agentes de juegos de inteligencia artificial. Red Nim es una cadena de juegos de IA que proporciona ID de agente y ZKP para verificar agentes en cadenas de bloques y juegos. Game3s.GG Diseña agentes capaces de navegar, entrenar y jugar junto a jugadores humanos.
• Predicción. Los agentes de IA analizan los datos para proporcionar información y facilitar la toma de decisiones informadas para las plataformas de predicción.
  Predictor de GOATses un agente de IA en la red Ton que ofrece recomendaciones basadas en datos.SynStationes un mercado de predicción de propiedad comunitaria en Soneium que emplea Agentes de IA para ayudar a los usuarios a tomar decisiones.
• La gobernanza. Los agentes de IA facilitan la gobernanza de las organizaciones autónomas descentralizadas (DAO) automatizando las evaluaciones de propuestas, realizando controles de temperatura de la comunidad, garantizando votaciones libres de Sybil e implementando políticas.
  Red de SyncAIcuenta con un agente de IA que actúa como representante descentralizado del sistema de gobernanza de Cardano. Olas ofrece un Agente de gobernanzaque redacta propuestas, vota y gestiona el tesoro de un DAO. ElizaOS tiene un agenteque recopila información de DAO foro y Discord, proporcionando recomendaciones de gobernanza.
• Agentes DeFAI. Los agentes pueden intercambiar tokens, identificar estrategias generadoras de rendimiento, ejecutar estrategias comerciales y gestionar el reequilibrio entre cadenas. Los agentes de gestión de riesgos supervisan la actividad en cadena para detectar comportamientos sospechosos y retirar liquidez si es necesario.
  Protocolo de Agente de IA de Theoriqdespliega enjambres de agentes para gestionar transacciones DeFi complejas, optimizar piscinas de liquidez y automatizar estrategias de yield farming.Noya es una plataforma DeFi que aprovecha agentes de IA para la gestión de riesgos y carteras.

En conjunto, estas aplicaciones contribuyen a crear ecosistemas de IA seguros, transparentes y descentralizados adaptados a las necesidades de la Web3.

Conclusión

La evolución de los sistemas de IA Web2 a Web3 representa un cambio fundamental en la forma en que abordamos el desarrollo y la implementación de la inteligencia artificial. Aunque la infraestructura de IA centralizada de Web2 ha impulsado una enorme innovación, se enfrenta a importantes retos en torno a la privacidad de los datos, la transparencia y el control centralizado. La pila de IA de Web3 demuestra cómo los sistemas descentralizados pueden abordar estas limitaciones a través de DAO de datos, redes informáticas descentralizadas y sistemas de verificación sin confianza. Quizás lo más importante es que los incentivos de tokens están creando nuevos mecanismos de coordinación que pueden ayudar a impulsar y mantener estas redes descentralizadas.

De cara al futuro, el auge de los agentes de IA representa la próxima frontera en esta evolución. Como exploraremos en el próximo artículo, los agentes de IA, desde simples bots de tareas específicas hasta complejos sistemas autónomos, se están volviendo cada vez más sofisticados y capaces. La integración de estos agentes con la infraestructura Web3, combinada con una cuidadosa consideración de la arquitectura técnica, los incentivos económicos y las estructuras de gobernanza, tiene el potencial de crear sistemas más equitativos, transparentes y eficientes de lo que era posible en la era Web2. Comprender cómo funcionan estos agentes, sus diferentes niveles de complejidad y la distinción entre los agentes de IA y la IA verdaderamente agentiva será crucial para cualquiera que trabaje en la intersección de la IA y la Web3.

Descargo de responsabilidad:

1. Este artículo es una reimpresión de [Flashbots]. Todos los derechos de autor pertenecen al autor original [tesa]. Si hay objeciones a esta reimpresión, por favor contacte al Gate Learn equipo, y lo manejarán con prontitud.
2. Descargo de responsabilidad: Las opiniones expresadas en este artículo son únicamente las del autor y no constituyen asesoramiento de inversión.
3. El equipo de Gate Learn traduce el artículo a otros idiomas. Está prohibido copiar, distribuir o plagiar los artículos traducidos a menos que se mencione.