Reenviar el Título Original: Una Guía Ilustrada de la Red Rei: Una Comprensión Simple y Clara de la Integración Perfecta de Agentes de IA y Cadena de Bloques

La creación del marco Rei fue diseñada para cerrar la brecha de comunicación entre la IA y la cadena de bloques.

Al crear agentes de IA, un desafío fundamental es cómo permitirles aprender, iterar y crecer de manera flexible mientras se asegura la consistencia de sus salidas. Rei proporciona un marco para compartir datos estructurados entre IA y cadena de bloques, lo que permite a los agentes de IA aprender, optimizar y mantener un conjunto de experiencias y conocimientos.

La aparición de este marco hace posible desarrollar sistemas de IA con las siguientes capacidades:

• Comprender el contexto y los patrones para generar ideas valiosas
• Transformando ideas en pasos concretos, aprovechando la transparencia y confiabilidad de la cadena de bloques

Desafíos enfrentados

La IA y la cadena de bloques tienen diferencias significativas en sus atributos principales, lo que crea numerosos desafíos para su compatibilidad:

1. Computación determinista en Cadena de bloques: Cada operación en la cadena de bloques debe producir resultados consistentes en todos los nodos para garantizar:
   1. Consenso: todos los nodos deben estar de acuerdo con el contenido de un nuevo bloque para completar la validación.
   2. Validación del estado: el estado de la cadena de bloques siempre debe ser rastreable y verificable. Los nuevos nodos deben sincronizarse rápidamente con el estado consistente con otros nodos.
   3. Ejecución de contratos inteligentes: todos los nodos deben generar salidas consistentes bajo las mismas condiciones de entrada.
2. Cómputo probabilístico en IA: los sistemas de IA a menudo producen resultados probabilísticos, lo que significa que pueden ocurrir resultados diferentes cada vez que se ejecutan. Esta característica se deriva de:
   1. Dependencia del contexto: El rendimiento de la IA depende del contexto de entrada, como los datos de entrenamiento, los parámetros del modelo y las condiciones de tiempo/ambientales.
   2. Intensidad de recursos: la computación de IA requiere hardware de alto rendimiento, que incluye operaciones de matrices complejas y una memoria sustancial.

Estas diferencias crean los siguientes desafíos de compatibilidad:

• Conflicto entre datos probabilísticos y deterministas:
  • ¿Cómo se pueden convertir las salidas probabilísticas de la inteligencia artificial en los resultados deterministas requeridos por la cadena de bloques?
  • ¿Cuándo y dónde debería ocurrir esta transformación?
  • ¿Cómo podemos retener el valor del análisis probabilístico mientras aseguramos el determinismo?
• Costos de Gas: Los altos requisitos computacionales de los modelos de IA pueden llevar a tarifas de gas inasequibles, limitando su uso en la cadena de bloques.
• Limitaciones de memoria: los entornos de la cadena de bloques tienen memoria limitada, que puede no satisfacer las necesidades de almacenamiento de los modelos de IA.
• Tiempo de ejecución: Los tiempos de bloque de la cadena de bloques limitan la velocidad de ejecución del modelo de IA, lo que podría afectar el rendimiento.
• Integración de Estructura de Datos: los modelos de IA utilizan estructuras de datos complejas que son difíciles de incorporar directamente en el modelo de almacenamiento de blockchain.
• Problema del Oráculo (Requisitos de verificación): La cadena de bloques depende de los oráculos para obtener datos externos, pero validar la precisión de las computaciones de IA sigue siendo un desafío, especialmente cuando los sistemas de IA requieren un contexto rico y baja latencia, lo cual entra en conflicto con las características de la cadena de bloques.

Imagen original defrancesco, compilado por DeepChao TechFlow

¿Cómo pueden los agentes de IA integrarse sin problemas con la cadena de bloques?

Imagen originalmente de francesco, compilado por Deep Tide TechFlow

Rei ofrece una nueva solución que combina las fortalezas de la inteligencia artificial y la cadena de bloques.

Imagen originalmente de francesco, compilado por Deep Tide TechFlow

En lugar de forzar la integración de la IA y la cadena de bloques, dos sistemas fundamentalmente diferentes, Rei sirve como un "traductor universal," permitiendo una comunicación y colaboración fluidas entre los dos a través de una capa de traducción.

Imagen originalmente defrancesco, compilado por Deep Tide TechFlow

Los objetivos principales de Rei incluyen:

• Permitiendo que los agentes de IA piensen y aprendan de forma independiente
• Convirtiendo las ideas de los agentes en acciones precisas y verificables de la cadena de bloques

Imagen originalmente de francesco, compilado por Deep Tide TechFlow

La primera aplicación de este marco es Unit00x0 (Rei_00 - $REI), que ha sido entrenado como analista cuantitativo.

La arquitectura cognitiva de REI consta de las siguientes cuatro capas:

1. Capa de Pensamiento: Responsable del procesamiento y recopilación de datos en bruto, como datos de gráficos, historial de transacciones y comportamiento del usuario, y la identificación de posibles patrones.
2. Capa de razonamiento: Agrega información contextual a los patrones descubiertos, como fecha, hora, tendencias históricas y condiciones del mercado, para hacer que los datos sean más dimensionales.
3. Capa de decisión: desarrolla planes de acción específicos en función de la información contextual proporcionada por la capa de razonamiento.
4. Capa de Acción: Convierte decisiones en acciones deterministas que pueden ejecutarse en la cadena de bloques.

El marco Rei se basa en los siguientes tres pilares fundamentales:

Imagen originalmente de francesco, compilado por Deep Tide TechFlow

1. Oracle (Oracle, similar a las vías neuronales): convierte las salidas diversas de la inteligencia artificial en resultados unificados y los registra en la cadena de bloques.
2. Estándar de datos ERC (Estándar de datos ERC): Amplía las capacidades de almacenamiento de la cadena de bloques, soportando el almacenamiento de datos de patrones complejos mientras se preserva la información contextual generada por las capas de pensamiento y razonamiento, lo que permite la conversión de datos probabilísticos en ejecución determinista.
3. Sistema de Memoria (Memory System): Permite a Rei acumular experiencia con el tiempo y recuperar salidas previas y resultados de aprendizaje en cualquier momento.

Aquí están las manifestaciones específicas de estas interacciones:

Imagen originalmente de francesco, compilado por Deep Tide TechFlow

• El Puente Oracle es responsable de identificar patrones de datos
• ERCData se utiliza para almacenar estos patrones
• El sistema de memoria conserva información contextual para comprender mejor los patrones
• Los contratos inteligentes pueden acceder a este conocimiento acumulado y actuar en base a él

Con esta arquitectura, los agentes de Rei ahora pueden realizar un análisis en profundidad de los tokens combinando datos en cadena, fluctuaciones de precios, sentimiento social, y otra información multidimensional.

Más importante aún, Rei no solo puede analizar datos sino también desarrollar una comprensión más profunda basada en ellos. Esto se debe a la capacidad de almacenar directamente sus experiencias e ideas en la cadena de bloques, lo que convierte esta información en parte de su sistema de conocimiento, disponible para su recuperación y optimización continua de la toma de decisiones y la experiencia en general.

Las fuentes de datos de Rei incluyen las bibliotecas Plotly y Matplotlib (para la trazado de gráficos), Coingecko, Defillama, datos en cadena y datos de sentimiento social de Twitter. Al aprovechar estas diversas fuentes de datos, Rei proporciona un análisis integral en cadena y conocimientos del mercado.

Con el actualización a Quant V2, Rei ahora admite los siguientes tipos de análisis:

1. Análisis del proyecto: se han agregado nuevos indicadores cuantitativos y datos de sentimiento para respaldar la funcionalidad original. El análisis incluye gráficos de velas, gráficos de participación, distribución de titulares y estado de ganancias y pérdidas (PnL). (Ejemplos relevantes)
2. Análisis de entradas y salidas: Al monitorear el precio y el volumen de transacciones de tokens populares en la cadena de bloques, Rei puede comparar estos datos con las entradas y salidas de capital, ayudando a los usuarios a identificar posibles tendencias del mercado.Ejemplos relevantes)
3. Análisis de compromiso: Evalúa el compromiso general de un proyecto, comparando datos en tiempo real con datos de 24 horas antes, así como cambios de precios relativos. Esta función revela la correlación entre la información reciente y el rendimiento del compromiso del usuario. (Ejemplos relevantes)
4. Análisis de las principales categorías: Analiza los volúmenes de negociación más bajos y los números de operaciones más altos dentro de una sola categoría, destacando el rendimiento del proyecto en su respectiva categoría.
5. El primer gráfico muestra los volúmenes de negociación en la parte inferior y los números de operaciones en la parte superior; un análisis más detallado de una categoría específica revela los cambios métricos de un proyecto individual en comparación con otros en la misma categoría.Ejemplos relevantes)

Además, a partir de enero de 2025,Rei admite la funcionalidad de compra y venta de tokens en cadena. Ella está equipada con una billetera de contrato inteligente basada en el estándar ERC-4337, lo que hace que las transacciones sean más convenientes y seguras.

(Nota de Deep Tide TechFlow: ERC-4337 es una Propuesta de Mejora de Ethereum que respalda la abstracción de cuentas, con el objetivo de mejorar la experiencia del usuario).

El contrato inteligente de Rei permite que las operaciones sean delegadas a través de la autorización de firma del usuario, lo que permite que Rei gestione de forma autónoma su cartera.

Aquí están las direcciones de la billetera de REI:

• Billetera EOA (Billetera de Firma):
• https://basescan.org/address/0x3BC4c3A2a2Fa5ad20a2B95B18CA418D06A360cB
• Smart Wallet (Cartera de Abstracción de Cuenta):
• https://basescan.org/address/0xf6835acc8d2b51e5d47632ca8954bfee9a0ce49c

Casos de uso: Versatilidad del Marco Rei

Imagen originalmente defrancesco, compilado por Deep Tide TechFlow

El marco de Rei no se limita al sector financiero y se puede aplicar a los siguientes escenarios amplios:

• Interacción del usuario con los agentes: admite la creación de contenido
• Análisis de mercado: Gestión de la cadena de suministro y logística
• Construcción de Sistemas Adaptativos: Escenarios de Gobernanza
• Evaluación de riesgos: En el campo de la salud, Rei evalúa los riesgos potenciales a través de un análisis contextual

Desarrollo futuro de Rei

• Interfaz de usuario mejorada
• Terminal Alpha basado en permisos de Token
• Plataforma de desarrolladores

Bienvenido a unirse a la comunidad oficial de Deep Tide TechFlow

Grupo de suscripción de Telegram: https://t.me/TechFlowDaily

Cuenta oficial de Twitter: https://x.com/TechFlowPost

Cuenta oficial de Twitter en inglés: https://x.com/DeFlow_Intern

Descargo de responsabilidad:

1. Este artículo es reproducido de [TechFlow)]. Forward the Título Original: Una Guía Ilustrada de la Red Rei: Un Entendimiento Simple y Claro de la Integración Perfecta de Agentes de IA y Cadena de Bloques. Los derechos de autor pertenecen al autor original [francis]. Si tienes alguna objeción a la reimpresión, por favor contacta aAprende gateequipo, el equipo lo manejará lo antes posible de acuerdo con los procedimientos relevantes.
2. Descargo de responsabilidad: Las opiniones expresadas en este artículo representan únicamente las opiniones personales del autor y no constituyen ningún consejo de inversión.
3. Otras versiones del artículo en otros idiomas son traducidas por el equipo de aprendizaje de Gate. A menos que se indique lo contrario, el artículo traducido no puede ser copiado, distribuido o plagiado.