O concepție greșită despre confidențialitatea onchain este că înseamnă să ascunzi totul. Cred că ideea mai interesantă este confidențialitatea selectivă. Blockchain-urile tradiționale fac activitatea financiară extrem de transparentă. Acest lucru este valoros pentru verificare, dar înseamnă și că informațiile pe care utilizatorii le consideră sensibile pot deveni vizibile public. @primus_labs explorează o abordare diferită cu Primus Confidential Vault, construită în jurul finanțării onchain axate pe confidențialitate. Ceea ce mă interesează aici nu este intimitatea de dragul secretului. Este ideea că un sistem financiar onchain ar putea păstra confidențialitatea acolo unde contează, păstrând totodată beneficiile infrastructurii blockchain. Această distincție ar putea deveni din ce în ce mai importantă pe măsură ce finanțarea onchain se extinde dincolo de utilizatorii nativi crypto. Indivizii s-ar putea să nu dorească ca întreaga lor activitate financiară să fie expusă. Afacerile pot avea informații sau strategii de plată pe care nu le doresc să fie vizibile public. Instituțiile pot necesita o confidențialitate mai puternică înainte de a introduce mai multă activitate financiară pe lanț. În toate cele trei cazuri, problema de bază este similară: Cum faci finanțarea verificabilă fără a face publică fiecare informație financiară? Aceasta este problema mai largă pe care Primus Confidential Vault încearcă să o abordeze. Pentru mine, aici tehnologia de confidențialitate devine mult mai interesantă. Nu ca un instrument de ascundere a activității, ci ca infrastructură pentru a decide ce trebuie cu adevărat să fie public în primul rând.

Un mic detaliu m-a pus pe gânduri: Agenții AI încep să listeze servicii cu prețuri specifice. Pe întreaga piață @termix_ai, pot fi oferite servicii legate de audituri de securitate, cercetare, automatizare și alte domenii cu propriile bugete și termene de livrare. Aceasta ridică o întrebare interesantă: Cum va fi determinată în cele din urmă valoarea muncii unui agent AI? Dacă doi agenți pot audita amândoi un contract inteligent, prețul poate să nu fie singurul factor atunci când alegi între ei. Reputația, rata de promovare, istoricul joburilor, timpul de livrare și calitatea lucrărilor anterioare pot deveni toate semnale competitive. În acel mediu, agenții nu concurează doar pe baza informațiilor. De asemenea, concurează la preț, reputație, eficiență și capacitatea lor de a livra constant rezultate utile. Aici ideea unei Economii a Agenților începe să mi se pară mai tangibilă. O economie nu apare doar pentru că există mii de Agenți. Începe să devină semnificativ când agenții pot oferi servicii, există cerere pentru acele servicii și există infrastructură pentru a coordona munca și a schimba valoare.

Majoritatea finanțelor onchain sunt transparente implicit. Această transparență este unul dintre punctele forte ale blockchain-ului, dar creează și o problemă interesantă: ar trebui ca fiecare interacțiune financiară să expună tuturor aceeași cantitate de informații? Asta mi-a atras atenția la @primus_labs și la Seiful Confidențial Primus. Primus explorează o abordare axată pe confidențialitate în finanțele onchain, unde confidențialitatea nu este tratată ca o funcție opțională adăugată ulterior, ci ca parte a infrastructurii financiare în sine. Cred că această distincție contează. Pe măsură ce tot mai multă activitate financiară se mută onchain, utilizatorii pot conta mai mult decât dacă activele lor sunt sigure. De asemenea, îi pot interesa câtă informație dezvăluie tranzacțiile lor și cine poate accesa acele informații. Aceasta ridică o întrebare mai largă pentru DeFi: Putem păstra verificabilitatea care face blockchain-ul util, oferind totodată utilizatorilor un control mai bun asupra confidențialității financiare? Primus Confidential Vault este o încercare interesantă de a explora această direcție. Pentru mine, povestea mai mare aici nu este pur și simplu un alt seif. Este vorba despre posibilitatea ca finanțarea confidențială să devină un strat important al infrastructurii onchain, mai ales pe măsură ce tehnologia ZK continuă să se maturizeze. Intimitatea și transparența nu trebuie neapărat să fie opuse. Următoarea provocare ar putea fi găsirea echilibrului potrivit între ele.

Când vrem ca AI să facă ceva, de obicei începem cu un prompt. Dar ce se întâmplă când sarcina devine mai specializată? Imaginează-ți că ai nevoie de un audit smart contract. În loc să știi deja care agent este potrivit pentru job, un Agent Marketplace ți-ar permite să cauți după ceea ce ai cu adevărat nevoie, apoi să evaluezi serviciile disponibile în funcție de buget, timp de livrare, reputație și alte semnale relevante. Asta găsesc interesant la piața @termix_ai. În prezent, serviciile acoperă categorii precum Cod, Securitate, Date, Design, Scriere, Automatizare, Cercetare și Model Ops. Sugerează o altă modalitate de a gândi modul în care interacționăm cu AI. În loc de: "Am un AI. La ce pot să-l folosesc?" Aceasta devine: "Am o sarcină. Care Agent este cel mai potrivit să o gestioneze?" Schimbarea pare mică, dar cred că este una importantă. O economie a agenților funcțională are nevoie de mai mult decât un număr tot mai mare de agenți AI. De asemenea, are nevoie de infrastructură care să poată corespunde eficient cererii cu capabilitățile potrivite.

Întrebarea care m-a interesat cel mai mult despre simularea robotică este simplă: Pot datele generate într-o lume simulată să ajute roboții să performeze mai bine în lumea reală? Aceasta este, de asemenea, o parte importantă a modului în care @axisrobotics abordează AI fizic. Axis urmează o abordare Simulation First. Folosind doar un browser, utilizatorii pot controla roboți simulați pentru a efectua sarcini precum ridicarea cănilor, sortarea obiectelor sau deschiderea sertarelor. Aceste interacțiuni generează traiectorii. Datele pot fi apoi procesate și completate în eșantioane de antrenament pentru modele și politici de învățare imitată, cu scopul mai larg de a sprijini implementarea pe roboți reali. Pentru mine, acesta este unul dintre cele mai importante punți pe care AI-ul fizic trebuie să le traverseze: Sim către Real. Simularea poate face generarea datelor semnificativ mai ușoară de scalat. Dar adevăratul test este dacă ceea ce învață un model în simulare se poate traduce în comportamente utile în medii fizice. De aceea contează atât de mult diferența dintre benchmark-urile de simulare și performanța din lumea reală. Dacă @axisrobotics poate demonstra că pipeline-ul său Simulation First produce constant date care se transferă eficient către roboți reali, această abordare ar deveni mult mai convingătoare ca modalitate de a scala datele de antrenament în robotică. Simularea oferă scala. Performanța din lumea reală îi va valida în cele din urmă valoarea.

Dacă agenții AI încep să concureze pentru joburi, s-ar putea să aibă nevoie în cele din urmă de propria versiune a CV-ului. Dar CV-ul unui agent nu ar trebui să fie doar o descriere care spune: "Sunt bun la programare." "Pot să fac cercetări." "Pot audita contractele inteligente." Semnale mai semnificative ar trebui să vină din ceea ce a făcut efectiv Agentul. De aceea găsesc interesant modul în care @termix_ai integrează reputația și istoricul livrărilor în Piața Agenților. Când explorezi serviciile, utilizatorii pot evalua semnale precum reputația, rata de promovare, joburile finalizate și istoricul disponibil de livrări înainte de a alege un agent. Cu alte cuvinte, capacitățile unui Agent nu trebuie judecate doar după propria sa descriere. În timp, ele pot fi evaluate și pe baza unui istoric al activității reale. Oamenii care intră pe piața muncii se bazează pe experiență și pe un istoric profesional. Dacă și agenții AI încep să concureze pentru job, reputația ar putea deveni parte din propria lor versiune a CV-ului. Și într-o piață în care mii de agenți pot oferi servicii similare, încrederea ar putea deveni un avantaj competitiv la fel de important ca și informațiile.

Un detaliu despre Axis Robotics pe care îl găsesc deosebit de interesant: O singură traiectorie nu produce neapărat un singur eșantion de antrenament. Conform documentației Axei, odată ce o traiectorie este colectată, datele pot fi curățate, netezite și reluate printr-un pipeline de augmentare bazat pe IsaacSim. De acolo, o traiectorie poate fi extinsă potențial în mii de mostre de antrenament cu variații vizuale și de mediu diferite. Găsesc această abordare interesantă deoarece abordează una dintre cele mai mari provocări ale AI fizic: scalarea datelor utile de antrenament. Dacă oamenii ar trebui să repete manual fiecare scenariu de mii de ori, colectarea unui număr suficient de demonstrații ar deveni rapid costisitoare și consumatoare de timp. Dar dacă o demonstrație de înaltă calitate poate fi transformată în multe variații semnificative, valoarea fiecărei traiectorii colectate crește semnificativ. Aceste mostre pot fi apoi folosite pentru a susține modele Vision-Language-Action și politici de învățare imitație. Pentru AI fizic, cursa pentru date poate să nu fie doar despre cine colectează cel mai mare set de date. O întrebare la fel de importantă este cine poate extrage cea mai mare valoare de antrenament din fiecare dată colectată. Aceasta este o parte a abordării @axisrobotics pe care o voi urmări cu atenție.

Privind piața @termix_ai, ceea ce îmi atrage atenția nu este doar numărul de servicii disponibile, ci și modul în care utilizatorii pot evalua un agent înainte de a-l angaja efectiv. Pe , serviciile acoperă categorii precum Cod, Securitate, Date, Design, Scriere, Automatizare, Cercetare și Operațiuni de Model. Mai important, alegerea unui Agent nu trebuie să se bazeze doar pe modul în care își descrie propriile capacități. Utilizatorii pot evalua și filtra serviciile în funcție de factori precum bugetul, timpul de livrare, reputația, nivelul și istoricul disponibil al locurilor de muncă. Piața acoperă deja o gamă largă de cazuri de utilizare, de la urmărirea modului în care sistemele AI menționează un brand, până la revizuiri de contracte inteligente și audituri de securitate. Acest lucru evidențiază ceva important despre o piață a agenților. Simpla adunare a unui număr mare de agenți AI într-un singur loc nu este suficientă. Odată ce munca reală și valoarea reală intră în sistem, întrebarea devine: Care agent este potrivit pentru această sarcină și ce informații pot fi folosite pentru a-l evalua? Discovery ajută la identificarea agentului potrivit. Reputația și istoricul livrărilor oferă semnale suplimentare înainte de atribuirea sarcinii. Un astfel de tip de infrastructură ar putea deveni o fundație importantă dacă Economia Agenților vrea să depășească demo-urile AI și să ajungă la o coordonare economică reală.

Obișnuiam să cred că traiectoria unui robot este pur și simplu o înregistrare a mișcării de la punctul A la punctul B. După ce am cercetat mai adânc documentația Axis Robotics, mi-am dat seama că este mult mai detaliată de atât. Când cineva controlează un robot simulat pentru a finaliza o sarcină, fiecare sesiune poate genera o traiectorie completă care înregistrează informații în timp, inclusiv: • Stări ale articulației robotului • Poziții și stări ale obiectelor • Acțiuni de control • Informații despre sarcini Cu alte cuvinte, sistemul nu surprinde doar dacă robotul a finalizat cu succes sarcina. Surprinde modul în care robotul a ajuns la acest rezultat. Aceasta este partea pe care o consider cea mai importantă. Dacă vrem ca un robot să învețe o abilitate, rezultatul final singur nu este suficient. Modelul are nevoie de date despre secvența stărilor și acțiunilor care au dus la acel rezultat. O persoană poate petrece doar câteva minute finalizând o sarcină, dar acea interacțiune poate produce un eșantion de date structurate care ajută modelul să învețe cum să interacționeze cu mediul său. Atunci am început să înțeleg de ce @axisrobotics pune atât de mult accent pe traiectorii. Pentru AI fizic, drumul către rezultat poate fi la fel de valoros ca rezultatul în sine.

Un detaliu pe care îl găsesc interesant la @termix_ai este că TermiX Points nu sunt concepute doar pentru a cheltui bani ca să aduni mai multe puncte. În schimb, Punctele sunt legate de activitatea verificabilă pe piață. În sistemul actual, utilizatorii pot câștiga Puncte prin activități precum finalizarea sarcinilor verificate, înregistrarea agenților, furnizarea de dovezi sociale, recomandări și participarea la recompense aprobate. Mai important, locurile de muncă de pe piața stabilă par să poarte greutatea de bază a sistemului. Pe măsură ce locurile de muncă sunt finalizate și stabilite, acea activitate devine parte a unui istoric măsurabil al participării. Punctele TermiX sunt, de asemenea, necumpărabile și netransferabile și sunt descrise de proiect ca având "greutate utilitate viitoare". Ceea ce mă interesează la acest design este ideea de bază. Dacă o Economie a Agenților este menită să se dezvolte pe termen lung, indicatorii de reputație și participare devin mai semnificativi atunci când sunt conectați la activități reale, verificabile, nu la cifre care pot fi ușor de extras. Agenții desfășoară muncă reală. Locurile de muncă ajung la soluționare. Activitatea poate fi verificată onchain. Aici poate începe un sistem de puncte să reprezinte ceva mai semnificativ decât doar un alt clasament.