Wow - over 100 AI-assistenter har trent i BlockAssist på @gensynai allerede. Utelukkende basert på brukerspilling.

De fleste RL-pipeliner trener en helt ny agent for hver oppgave, bruker enorme mengder data og databehandling, og kaster deretter de lærte vektene når du bytter miljø. Hvorfor trene AI en gang når den kan lære for alltid? Gensyns BlockAssist beviser desentralisert kontinuerlig RL i en live-app, en AI-følgesvenn i Minecraft, som lærer av spillingen din på enheten din og deretter forbedres kollektivt via en tillatelsesløs datasverm. Derimot er de fleste store modeller finjustert med menneskelig tilbakemelding eller massive merkede datasett i et sentralisert datasamlebånd. Derimot snur BlockAssist skriptet. Læring skjer fra hver brukers spillstrøm, kontinuerlig og privat. - For det første fjerner det avhengigheten av massive offline treningskjøringer for hver nye funksjon. Modellen foredler seg selv i farten. - Den er også iboende personlig: BlockAssist kan utvikle andre ferdigheter enn din fordi vi trener den på hver vår spilling. Vi crowdsourcing AI-forbedring på en måte som skaleres med brukerne, noe som er et helt annet paradigme enn sentralisert AI-finjustering. Dessuten er vi beryktet (spesielt innen krypto) som snakker om infrastruktur og dens potensial, men Gensyn beviser det med en ekte app. BlockAssist er en viktig milepæl som viser hva som er mulig når RL, kontinuerlig læring og desentralisert infrastruktur kommer sammen.

Så mange SBC-sidearrangementer, og ikke en av dem er på @ViksChaat ...

Våre portcos starter AI-dagen på SBC 💪🏾

AI er det kraftigste plattformskiftet i vår tid, men det blir formet av en liten gruppe selskaper som kappes om å kontrollere hvert lag i stabelen: databehandling, data, modeller og distribusjon. Jeg mener at fremtiden til AI ikke bør monopoliseres, og at de mest transformative systemene vil bli bygget på åpen, desentralisert infrastruktur. AI-agenter blir aktive deltakere i programvare, og de trenger miljøer der de kan holde eiendeler, følge regler og handle. Blokkjeder, som nå er raske, billige og uttrykksfulle nok til å støtte ekte AI-infrastruktur, gir det grunnlaget. Desentraliserte, troverdig nøytrale og brukereide, de tilbyr akkurat det dagens AI-systemer mangler. Og for første gang er de klare. For bare et år siden ble desentralisert opplæring avvist som teknisk ugjennomførbar, selv av ledende AI-forskere. Men banebrytende forskning som OpenDiLoCo @PrimeIntellect, DeMo @NousResearch og Protocol Models @PluralisHQ snur den antakelsen. For første gang er høyytelses AI-trening ikke bare mulig på desentraliserte nettverk – det fungerer. Eksepsjonelle team er fokusert på desentralisert kjerneinfrastruktur for kunstig intelligens. Selv om jeg tror det alltid vil være muligheter for å forbedre data-, opplærings- og datalag, ser jeg den mest praktiske kilen i agentinfrastrukturen: rammeverkene, lommebøkene og koordinerings- og omdømmelagene som gjør det mulig for autonome systemer å samhandle, handle og utvikle seg. Det er her Crypto x AI-stabelen begynner å bli ekte. Etter hvert som primitiver for identitet, betalinger, minne og koordinering modnes, vil vi gå fra isolerte agenter til vedvarende, sammenkoblede nettverk av agenter som samarbeider, konkurrerer og utvikler seg på kjeden. Disse agentnettverkene vil bli grunnlaget for nye typer produkter, opplevelser og organisasjoner. Over tid forventer jeg at dette vil låse opp helt autonome agentsvermer, styrt av kryptografiske regler, ikke bedrifts-APIer. Jeg ønsker å støtte ambisiøse gründere før produktet som bygger år foran markedet, fra dag null. DM-er åpnes.

Jeg elsker denne appen

Desentralisert AI i dag er der DeFi og stablecoins var rundt 2020. De fleste teknologiske virkelig transformative AI vil ikke leve i lukkede stabler. Det bygges på åpne, transparente, desentraliserte skinner. En banebrytende begivenhet vil innlede mainstream-adopsjon. Som Stripe som kjøper Bridge. Og da vil desentralisert AI bare bli kalt AI.

Livet må huskes bakover, men leves fremover. -Kierkegaard

Kinas åpen kildekode og åpen vekt-kultur rundt AI skaper mye innflytelse for åpen kildekode-økosystemet. Bedrifter kan åpent destillere, generere syntetiske data og bygge videre på hverandres arbeid. Den primært lukkede tilnærmingen i USA er drevet av «vollgrav»-kulturen. Dessverre fører dette til liten innflytelse. Det vil ikke ende bra ...

LLM-er kan ikke løse tidsserier. Her er grunnen: LLM-er er kraftige, generelle verktøy. Men et eller annet sted underveis begynte vi å behandle dem som svaret på alle problemer. Det er de ikke. Og for tidsseriemodellering er de helt feil verktøy. La oss grave i 👇 det