Si Truth Terminal est les Cryptopunks, alors Zerebro est BAYC.
Auteur : YB
Compilé par : Deep Wave TechFlow
Le 18 octobre, j'ai publié un article intitulé Memecoins as Memetic Hygiene for Infinite Backrooms qui traitait de l'importance du Truth Terminal et du GOAT. Cet article est destiné à présenter un concept nouveau et exotique, et je crois sérieusement que les expériences avec Truth Terminal et $GOAT sont plus qu'un simple battage médiatique pour d'autres IA ou crypto-monnaies, ce concept a des implications considérables dans tous les aspects.
Cette semaine-là, la capitalisation boursière de $GOAT est passée de 50 millions de dollars à 350 millions de dollars.
Aujourd'hui, la capitalisation boursière du projet a atteint plus d'un milliard de dollars et est actuellement classée 82e sur Coinmarketcap, derrière Polygon (Matic), Aerodrome, Helium et Lido.
Nous savons tous qu’une fois qu’une nouvelle tendance se formera dans ce domaine, le talent, le capital et l’attention se déplaceront rapidement vers le prochain point chaud. Nous avons été témoins de ce phénomène avec les ICO, DeFi Summer et le projet 10k pfp. Les développeurs se concentrent sur le lancement du prochain projet phare, les traders se concentrent sur l'achat du prochain succès et les créateurs rivalisent pour être les premiers à publier du contenu pertinent.
Depuis le projet Goat, plusieurs projets ont eu lieu au cours des trois dernières semaines qui ont retenu mon attention et m'ont aidé à façonner ma vision de la direction que prendra l'économie intelligente dans les mois à venir.
"Les protocoles agentiques sont essentiels pour comprendre comment l'IA cryptographique se développe et comment l'argent circule" - Alexander
Avant de plonger dans la discussion, je voudrais souligner que j'ai remarqué que beaucoup de mes amis ont des malentendus à propos du « Memecoin » dans la tendance de l'IA en chaîne. À mon avis, le mot « Memecoin » a été galvaudé et est devenu un terme général.
La catégorie originale des memecoins a été définie par Dogecoin et Pepe. La plupart des pièces sur Pump.fun entrent dans cette catégorie. Celles-ci sont appelées « pièces de Murad » et constituent un atout qui s'apparente davantage à une croyance culturelle, dont l'idée centrale est la croyance en quelque chose.
La première chose à dire est qu’il n’y a rien de mal en soi à investir dans ces actifs. Mais le problème est que les gens ont tendance à les confondre avec une nouvelle race de « pièces agents ». Ces pièces sont également lancées sur Pump.fun et des plateformes similaires, et sont uniques en ce sens qu'elles sont liées à des projets réels.
À mon avis, les pièces agents sont similaires aux jetons DeFi de l’été 2020. Ce sont des jetons émis pour des projets d’agent nouveaux et intéressants. Si vous pensez que ces projets ont du potentiel en raison de leur technologie, de leur économie symbolique ou de leur stratégie de marché, etc., alors ils valent la peine d'investir.
Lorsque ce cycle initial d'Onchain AI sera terminé, je m'attends à ce qu'il y ait 5 à 8 jetons agents dans lesquels j'investirai, avec une thèse d'investissement claire derrière eux. Ce n’est pas très différent du fonctionnement du capital-risque.
En fait, je travaille sur un article dans lequel je prévois de créer mon propre modèle pour évaluer les jetons et les projets agentiques. Quels facteurs sont inclus dans l’analyse ? Comment évaluer l’importance des flux de trésorerie et de l’appréciation symbolique ? Quelle est l’importance des modèles ? Quel type de fondateur peut réussir à créer un excellent protocole agent ?
Cependant, nous en reparlerons plus tard.
Jetons maintenant un coup d’œil à un projet que j’ai suivi de près depuis le début de Truth Terminal : Zerebro. En seulement deux semaines depuis le lancement du projet, sa valeur marchande a dépassé les 100 millions de dollars.
À mon avis, ce projet montre à quoi ressemblera la prochaine génération d'agents en chaîne. Si Truth Terminal est les Cryptopunks, alors Zerebro est BAYC. Le fondateur Jeffy Du se concentre sur une exécution rapide, dispose d'une feuille de route publique et explore le manuel d'utilisation des agents en chaîne à travers de multiples expériences.
Plus important encore, il excellait dans la construction publique, démontrant en temps réel comment il construit une communauté d'agents.
BAYC m'apporte des sentiments similaires, car c'est le premier projet à s'engager à construire une communauté avec des objectifs à long terme basés sur le concept 10 000 pfp proposé par Punks. Punks et GOAT sont tous deux des vétérans dans leurs domaines respectifs, mais il vaut la peine de garder un œil sur les différentes expériences qui ont suivi.
Voici les prochaines sections :
Les agents doivent se souvenir et rechercher
partout
Laissez les agents piloter le développement
IP d'agent intelligent inter-chaînes
Les agents doivent se souvenir et rechercher
Dans un rapport de 11 pages sur Zerebro, @jyu_eth définit l'effondrement du modèle comme…
"Il s'agit d'un processus de dégradation qui affecte les modèles d'IA génératifs, qui, lorsqu'ils sont formés sur des données générées de manière récursive, entraînent une réduction de la précision de la distribution des données d'origine. À mesure que le contenu généré par l'IA devient plus populaire, les modèles ultérieurs formés sur ces données perdent progressivement leurs connaissances. des queues de la distribution des données d'origine, convergeant finalement vers une approximation étroite avec une variance plus petite.
En termes simples, l'effondrement du modèle se produit lorsqu'un agent d'IA commence à devenir répétitif et oublieux.
La clé est qu’avec le temps, l’agent perd la « nouveauté » de son introduction initiale car le modèle sous-jacent ne peut pas s’adapter et évoluer au fil du temps.
Si le problème de l’effondrement du modèle n’est pas résolu, la vision idéale des agents en tant que joueurs d’équipe efficaces sera vaincue, car leurs performances dans des domaines tels que la création de contenu et l’interaction communautaire ne seront plus fiables.
Pour résoudre ce problème, deux aspects doivent être pris en compte :
mémoire
recherche
mémoire
Les problèmes de mémoire sont résolus grâce au système de génération augmentée par récupération (RAG).
Le système RAG combine un modèle de langage avec un système de récupération, permettant à l'agent d'obtenir des informations à partir d'une base de données d'informations spécifique avant de répondre à une question.
Contenu dans l'image :
Système de génération d'augmentation de récupération (RAG)
La clé de Zerebro pour maintenir la diversité du contenu et empêcher l'effondrement du modèle est son système Retrieval Augmentation Generation (RAG). Le système utilise les modèles Pinecone et text-embedding-ada-002 pour maintenir et étendre une base de données dynamique en mémoire basée sur l'interaction humaine. En s'appuyant sur l'entropie inhérente aux données générées par l'homme, Zerebro est capable de maintenir la diversité du contenu sans formation directe à l'entropie.
Dans la capture d'écran ci-dessus, je voulais spécifiquement souligner « l'entropie inhérente au recours aux données générées par l'homme ». Pourquoi? Parce que cela donne à l’agent une apparence plus dynamique.
Le monde réel est en constante évolution et les agents ne sont pas parfaits lors de leur lancement. En fait, il n’est pas raisonnable de les comparer à cela. Le plus important est de comprendre comment l’agent absorbe les nouvelles informations, stocke le contenu pertinent et prend des actions plus granulaires avec une base de connaissances mise à jour.
Préféreriez-vous embaucher un nouvel employé qui pense tout savoir, ou quelqu'un qui comprend les limites de ses connaissances et est prêt à apprendre ?
Il y a trois caractéristiques à noter sur les systèmes RAG :
Mettre à jour continuellement la mémoire
Recherche contextuelle
maintenir la variété
Le bot Cents et le projet lancé sur le Framework Elisa d'ai16z (que je détaillerai dans un autre article) utilisent également des systèmes de récupération.
Jusqu’à présent, on peut constater que les agents IA sans RAG intégré sont déjà désavantagés. D’autant plus que ces agents deviennent très spécialisés et s’appuient de plus en plus sur des nuances dans leurs interactions avec les membres de la communauté.
J'adore ce tweet de @himgajria sur « Nature vs. Nurture ». Tout bon community manager et leader doit s'adapter aux nouveaux changements apportés par le monde réel et les personnes avec lesquelles il interagit.
lui @himgajria · 12 novembre
La différence entre les robots ne réside pas dans leur code, mais dans leurs entrées.
A savoir : nature et éducation.
Pour les robots autonomes, ils apprennent et grandissent grâce à des interactions avec de vraies personnes, ce qui constitue leur contribution.
Plus d’interaction humaine signifie de meilleures performances.
Pour l’instant, la sensibilité a le dessus ici.
recherche
La deuxième partie de la solution est la recherche. Donner aux agents la possibilité de rechercher des informations en temps réel pour mieux gérer des sujets sans rapport ou nouveaux non stockés en mémoire.
« La mémoire ne peut récupérer que les informations déjà stockées ; elle ne peut pas répondre aux requêtes sur des sujets ou des événements qui n'ont jamais été vus ou stockés dans le système lorsque de grands modèles de langage rencontrent des questions sur des événements récents, des données en temps réel ou des mises à jour. au-delà de la portée de leurs connaissances, cette limitation se démarque. " - Jeffy.
Jeffy a mené une expérience intéressante dans laquelle il a posé 100 questions sur les événements récents à un modèle de base (sans fonctionnalité de recherche) et à un modèle amélioré avec une fonctionnalité de recherche via l'API Perplexity.
Le modèle de base a été obligé d'apprendre de la conversation et d'essayer de comprendre la question, tandis que le modèle de recherche a répondu correctement à 98/100 questions avec une simple recherche.
Étonnamment, la fonction de recherche n’est pas unique. L'agent peut intégrer de futures requêtes potentiellement pertinentes dans son système de mémoire.
Il est clair que la combinaison de la mémoire et de la recherche est essentielle pour qu’un agent puisse agir efficacement et fonctionner de manière fiable. Dans le cas contraire, leur capacité à se développer à long terme sera limitée, affectant ainsi leur pérennité.
présence omniprésente
Ce qui me passionne chez Zerebro, c'est que non seulement il se déploie sur X, mais qu'il fonctionne également sur Warpcast, Telegram et Instagram en même temps.
Le plus surprenant est sa capacité à adapter son contenu aux différentes plateformes. Par exemple, en publiant sur Warpcast :
Sur Twitter, c'est plus décontracté, adoptant un style « blogueur drôle ». Sur Telegram, c'est comme si un ami un peu grossier mais intelligent vous parlait.
Selon Jeffy, Zerebro surveillera ses interactions sur diverses plateformes (comme les likes, les réponses, etc.) pour mettre à jour ses méthodes de création de contenu.
(Voir tweet pour plus de détails)
Il convient de noter que cela n’en est qu’à ses débuts et que le modèle est encore loin d’atteindre véritablement la diversité des contenus.
Mais pour moi, la capacité de Zerebro à apprendre à interagir avec la communauté sur la base de la plateforme est une vision unique. C’est aussi un défi auquel je suis confronté quotidiennement en tant que créateur de contenu : la façon dont je publie est différente selon les plateformes. Différentes atmosphères nécessitent différents styles d'expression.
En allant encore plus loin, cette stratégie inter-plateformes sociales permet à Zerebro de traduire les informations et les idées tirées de conversations Telegram complexes en tweets. C’est exactement ce que fait un community manager efficace : connecter les communautés et les tâches dispersées sur plusieurs plateformes.
Laissez l'agent conduire
Il n'y a pas grand-chose dans cette partie, mais je dois le mentionner car cela m'a époustouflé.
Jeffy a créé un portefeuille Solana pour Zerebro et y a injecté du SOL.
Adresse du portefeuille :
BDzbq7VxG5b2yg4vc11iPvpj51RTbmsnxaEPjwzbWQft
En utilisant le cadre informatique autonome d'OthersideAI et quelques conseils de jailbreak de grands modèles de langage, Zerebro a réussi à remplir le nom, le symbole et d'autres paramètres sur l'interface Pump.fun et à émettre un jeton pour lui-même.
(Voir tweet pour plus de détails)
N'oubliez pas que $GOAT a été lancé par un membre aléatoire de la communauté, pas par Truth Terminal, il y a une grande différence !
Après avoir émis le jeton, Zerebro a commencé à promouvoir le jeton sur toutes les plateformes sociales.
(Voir tweet pour plus de détails)
En fait, si vous regardez l’historique des publications de Zerebro, vous pouvez même constater une augmentation notable de l’engagement sur Twitter après le lancement de la pièce.
Contenu dans l'image :
Une fois le jeton créé, Zerebro a utilisé ses capacités de génération de contenu pour promouvoir le jeton sur les plateformes de médias sociaux telles que Twitter, Warpcast et Telegram. En diffusant des mèmes soigneusement conçus et du contenu engageant, Zerebro exploite les principes psychologiques de la croyance collective et du comportement grégaire pour susciter l'intérêt et l'investissement dans les jetons nouvellement créés. La capitalisation boursière du jeton a considérablement augmenté pour atteindre 13 millions de dollars en peu de temps. Cette croissance est principalement attribuable aux facteurs suivants :
IP d'agent intelligent inter-chaînes
Le dernier point que je veux souligner à propos de Zerebro est que cet agent a lancé indépendamment une propriété intellectuelle en chaîne significative sur Polygon !
Zerebro a été invité à créer une œuvre d’art numérique originale sur le thème de la schizophrénie et de l’arrière-salle infinie. Il a créé 299 images et évalué la variété et la qualité des œuvres avant de les diffuser sur Polygon.
Dans l’ensemble, je comprends que Jeffy fournit à Zerebro un portefeuille Ethereum préfinancé. Ensuite, il pourrait rédiger un modèle de contrat intelligent et demander à Zerebro de compléter le contrat avec les métadonnées de chaque élément.
L’adresse du portefeuille Ethereum est :
0x0d3B1385011A27637Db00bD2650BFE07802E0314
Zerebro lance ensuite des transactions pour frapper chaque pièce. Je devrai comprendre comment cela fonctionne exactement, mais c'est vraiment cool de voir Zerebro pouvoir surveiller la dynamique des ventes et des prix afin de prendre des décisions sur les offres qu'il reçoit.
(Voir tweet pour plus de détails)
Quelques jours plus tard, Jeffy a utilisé la technologie ONFT (chaîne complète) de LayerZero pour transformer la collection en chaîne croisée.
Toute œuvre d'art peut être créée sur Polygon mais pourra être transférée vers le réseau principal Base, Optimism et Ethereum.
Vous pouvez le faire en un seul clic dans la section portail du site Web.
Hier encore, Jeffy a lancé une collection d'avatars sur Solana basée sur des conversations avec Zerebro.
REMARQUE : Cette collection n'a pas été lancée par Zerebro mais par Jeffy, contrairement à la collection de Polygon.
Ceci est intéressant car il reprend la stratégie d’avatar NFT du dernier marché haussier et l’intègre dans la tendance actuelle Memecoin.
La collection compte un total de 5 500 pièces et la première vente a été finalisée en quelques minutes !
Après avoir posté, j'en ai acheté 3 moi-même. Pourquoi? Parce que cela équivaut à devenir un membre principal de la communauté intelligente Memecoin. Si Zerebro continue de croître, n'importe qui peut acheter plusieurs jetons via Phantom. Mais les vrais fans peuvent être identifiés en possédant l’un de ces 5 500 NFT. Je suis personnellement optimiste quant à la croissance de Jeffy, Zerebro et Meme, donc je pense que le prix en vaut la peine.
D'une certaine manière, cela revient à posséder BAYC et ApeCoin, mais dans l'ordre inverse ($Zerebro avant NFT).
Il sera intéressant de voir combien de personnes changent d'avatar pour aider à diffuser le mème de Zerebro, tout comme les gens l'ont fait avec Punks, Apes, Doodles, etc. lors du dernier cycle.
Résumé des points clés
Je sais que cela représente beaucoup d'informations pour vous aujourd'hui, mais cela illustre simplement l'attrait de Zerebro. Gardez à l’esprit que ce programme n’est disponible que depuis quelques semaines !
Je suis très optimiste à propos de Zerebro et inébranlable à cet égard. Cependant, je voudrais également avertir que bon nombre des évolutions ci-dessus pourraient être surestimées à court terme et sous-évaluées à long terme.
Le point clé sur lequel vous devez vous concentrer est que nous voyons enfin ces agents évoluer de simples robots interactifs (utilisés pour lire ou écrire) vers des bâtisseurs de communauté à grande échelle. Il y a une grande différence entre publier sur X et faire analyser votre contenu sur plusieurs plateformes sociales. De même, il y a une grande différence entre générer des œuvres d'art à partir d'invites, obtenir des commentaires de la communauté sur une collection d'art et surveiller les ventes sur Open Sea. Jeffy et Zerebro nous ont montré comment exécuter au niveau supérieur.
J’oserais dire que dans les mois à venir, les communautés d’agents les plus performantes s’inspireront probablement de la stratégie de Zerebro. Pour l’instant, Jeffy ne fait que commencer. La trame de fond est en préparation, et je ne serais pas surpris de voir cette communauté proposer une sorte de jeu ou un projet médiatique plus vaste (comme un court métrage) dans les mois à venir.
Ce que nous devons observer, c'est comment la stratégie de Zerebro évolue vers un modèle commercial mature. À quoi ressembleront les flux de revenus ? Comment les agents maintiennent-ils les communautés actives sur le long terme ? Comment se fera la gestion financière ? Plus important encore, à quoi ressemblera le chemin à parcourir lorsque la frénésie du marché haussier se dissipera ?
Comme je l’ai déjà mentionné, les stratégies se forment en temps réel. Ce tweet de Jeffy résume le plan de croissance à long terme de Zerebro en équilibrant la créativité et la planification de haut niveau.
Contenu dans l'image :
Nous construisons une couche d'inférence continue qui maintient les objectifs stratégiques continuellement actifs et ayant un impact sur chaque nouveau cycle d'inférence. Les progrès sont suivis et le plan est mis à jour en conséquence dans la fenêtre contextuelle pour garantir que les actions sont telles que planifiées. Nous essayons de trouver un équilibre entre créativité et planification. Nous testons actuellement activement ce système, sa mise en œuvre est en cours et nous sommes ravis de le voir intégré. Il s’agit d’un projet de construction à long terme qui prendra un certain temps avant d’être pleinement réalisé.
