Como empresa de tecnología que combina profundamente la tecnología de blockchain e inteligencia artificial, Fetch.AI tiene como objetivo construir una economía inteligente descentralizada y lograr objetivos distribuidos mediante la combinación de tecnologías de inteligencia artificial, blockchain e Internet de las cosas. El objetivo de la empresa es proporcionar a las empresas y los consumidores una forma completamente nueva de interactuar económicamente, permitiendo transacciones más eficientes, seguras e inteligentes.
Gracias a la arquitectura abierta y altamente inteligente de AI+ blockchain, Fetch.AI tiene una amplia gama de escenarios de aplicación, que incluyen logística, cadena de suministro, finanzas, energía, atención médica y otros campos. La arquitectura técnica de Fetch.AI incluye principalmente dos partes: la cadena principal de Fetch.AI y el agente inteligente de Fetch.AI. La cadena principal de Fetch.AI es un libro mayor distribuido basado en la tecnología blockchain, que se utiliza para registrar transacciones y contratos inteligentes, y garantizar la seguridad y confiabilidad de las transacciones. El agente inteligente Fetch.AI es un contrato inteligente con capacidades de inteligencia artificial que puede realizar tareas de forma autónoma, coordinar recursos e interactuar con otros agentes inteligentes para lograr interacciones económicas automatizadas, inteligentes y descentralizadas.
Este artículo no hace demasiadas declaraciones sobre la cadena principal, nos centraremos en desmantelar la arquitectura de agentes autónomos (AEA) y los mecanismos de aprendizaje grupal (Colearn) para mostrar cómo la IA participa en la operación del sistema blockchain y el proceso de aplicación de datos entre .
Dejar que los nodos de la red se autogestionen: Arquitectura de Agente Económico Autónomo (AEA)
En la red Fetch.ai, las personas o empresas con datos están representadas por sus agentes, quienes se ponen en contacto con los agentes de las personas o empresas que buscan datos. La agencia opera en el Marco Económico Abierto (OEF). Esto actúa como un mecanismo de búsqueda y descubrimiento donde los agentes que representan las fuentes de datos pueden anunciar los datos a los que tienen acceso. Asimismo, las personas físicas o jurídicas que buscan datos pueden utilizar OEF para buscar agentes con acceso a los datos en cuestión.
La arquitectura AEA de Fetch.AI es una arquitectura de agente inteligente distribuida, que se utiliza para construir una red de agente inteligente autónoma y colaborativa. AEA significa Agente Económico Autónomo, ** su idea central es combinar la inteligencia artificial y la tecnología blockchain para construir una economía inteligente descentralizada y lograr que una economía inteligente, autónoma y descentralizada interactúe. **
Los componentes centrales de la arquitectura AEA incluyen principalmente los siguientes cuatro módulos:
**Agente AEA (Agente): **El agente AEA es un agente inteligente programable y autónomo con capacidad de toma de decisiones autónoma, colaboración autónoma y aprendizaje autónomo. Es el componente central de AEA y representa una entidad independiente con capacidad para tomar decisiones independientes y actuar. Cada agente de AEA tiene su propia dirección de billetera, identidad y contrato inteligente, y puede interactuar y cooperar con otros agentes.
**AEA Communication (Conexión): **AEA Communication es un protocolo de comunicación punto a punto basado en tecnología blockchain, que se utiliza para realizar la transmisión de información y la interacción entre agentes. La comunicación AEA puede garantizar la seguridad y fiabilidad de la interacción. El AEA de Fetch.AI admite varios métodos de conexión, incluidas las conexiones WebSocket y HTTP.
**Habilidad AEA (Skill): **La habilidad AEA es un módulo conectable que se utiliza para ampliar las funciones y capacidades de los agentes AEA. Cada habilidad consta de un contrato inteligente y un paquete de Python para implementar funciones específicas del agente, como procesamiento de lenguaje natural, aprendizaje automático, toma de decisiones, etc. Las habilidades pueden contener múltiples protocolos y modelos para que los agentes puedan comprender y responder a las solicitudes de otros agentes.
**Protocolo AEA (Protocolo): **El protocolo AEA es un mecanismo de colaboración para la colaboración e interacción entre agentes. El protocolo AEA define el formato del mensaje, el flujo del protocolo y las reglas de interacción entre agentes, para realizar el trabajo cooperativo entre agentes. Los protocolos son las reglas y pautas para la comunicación entre los agentes. Los protocolos definen cómo los agentes deben intercambiar información, responder a solicitudes y manejar errores. El AEA de Fetch.AI es compatible con varios protocolos, incluidos el lenguaje de comunicación de agentes (ACL) y el protocolo HTTP de Fetch.AI.
Imagine que una empresa está buscando datos para entrenar un modelo predictivo. Cuando el agente de una empresa se conecta con un agente que representa una fuente de datos, le pedirá información sobre los términos comerciales. Un agente que trabaja en nombre del proveedor de datos ofrecerá los términos en los que está dispuesto a vender los datos. Un agente que vende acceso a datos puede buscar el precio más alto posible, mientras que un agente que compra acceso a datos quiere pagar el precio más bajo posible. Pero la agencia que vende los datos sabe que si cobra demasiado, perderá el trato. Esto se debe a que los proxies que buscan datos no aceptarán los términos y, en su lugar, intentarán comprar datos de otra fuente en la web. Si el agente de compras encuentra que los términos son aceptables, le pagará al agente de ventas el precio acordado a través de una transacción en el libro mayor de Fetch.ai. Después de recibir el pago, el agente que vende los datos enviará los datos cifrados a través de la red Fetch.ai.
Además de la configuración inicial, todo el proceso está completamente automatizado y lo realizan los agentes de Fetch.ai. Esto significa que los empleados de la empresa pueden trabajar sin interrupción, mientras que los modelos predictivos pueden acumular datos anónimos relevantes. Al tener acceso a los datos, las empresas que compran información pueden entrenar de manera más eficiente sus modelos, que luego pueden usarse para hacer predicciones más precisas. Dichos pronósticos se pueden utilizar en cualquier industria.
El núcleo de hacer que los nodos sean inteligentes: módulo de habilidades AEA y mecanismo de aprendizaje grupal (Colearn)
Entre los cuatro módulos anteriores, el más importante es el módulo de habilidades AEA, que es el módulo clave para hacer que los nodos sean inteligentes. La habilidad AEA es un módulo conectable que se utiliza para realizar la función de aprendizaje autónomo grupal de los agentes. Cada habilidad de aprendizaje incluye un contrato inteligente y un paquete de Python para implementar diferentes tipos de tareas de aprendizaje, como aprendizaje por refuerzo, aprendizaje supervisado, aprendizaje no supervisado, etc. Cuando un agente necesita aprender, puede elegir las habilidades de aprendizaje adecuadas para él y guardar los resultados del aprendizaje en su propio estado. Los agentes pueden ajustar comportamientos y estrategias de forma autónoma en función de los resultados del aprendizaje, lo que permite interacciones económicas más inteligentes, más eficientes y más sostenibles.
El principio de aprendizaje colectivo de Fetch.AI incluye los siguientes pasos:
Compartir datos: Diferentes agentes recopilan sus propios datos y los suben a una base de datos compartida en la red blockchain. Estos datos pueden ser datos de sensores, datos de texto, datos de imágenes, etc. Todos los agentes que participan en el aprendizaje colectivo pueden acceder a los datos de la base de datos compartida y utilizar estos datos para la formación.
Entrenamiento de modelos: El agente usa datos de la base de datos compartida para el entrenamiento de modelos. Los modelos pueden ser modelos de aprendizaje automático, modelos de aprendizaje profundo u otros tipos de algoritmos. Los agentes pueden ser entrenados usando diferentes modelos para aprender diferentes tareas o problemas.
Selección de modelo: Una vez completada la capacitación del modelo, el agente carga su modelo en la red de cadena de bloques. Todos los agentes que participan en el aprendizaje colectivo pueden acceder a estos modelos y elegir el que más les convenga según sus necesidades. El proceso de selección puede basarse en factores como el desempeño del agente, los requisitos de la tarea y las limitaciones de recursos.
Integración de modelos: Una vez que se selecciona un modelo, un agente puede integrarlo con sus propias habilidades para realizar mejor sus propias tareas. Las habilidades pueden ser módulos que manejan tipos específicos de tareas, como el comercio de criptomonedas, la gestión logística, etc. Los agentes pueden usar múltiples habilidades y modelos para el procesamiento de tareas.
Mecanismo de recompensa: En el proceso de aprendizaje colectivo, los agentes pueden obtener recompensas aportando sus propios datos y modelos. Las recompensas se pueden asignar en función de factores como el rendimiento del agente, la contribución y la eficiencia en la utilización de los recursos. Los mecanismos de recompensa pueden alentar a los agentes a participar activamente en el aprendizaje colectivo y mejorar el rendimiento general del sistema.
**Supongamos que hay dos agentes A y B que necesitan cooperar para completar una tarea, como el transporte de mercancías. **El agente A es responsable de proporcionar los bienes y el agente B es responsable de proporcionar el servicio de transporte. En la interacción inicial, tanto el agente A como el agente B pueden adoptar una estrategia de comportamiento aleatoria para completar la tarea, como elegir aleatoriamente una ruta de transporte o un modo de transporte.
A medida que avanza la interacción, el agente A y el agente B pueden aprender los datos del historial de interacción mediante el aprendizaje de habilidades y ajustar las estrategias de comportamiento de forma autónoma de acuerdo con los resultados del aprendizaje. Por ejemplo, el agente A puede aprender información como el suministro de bienes y los costos de transporte a través de habilidades de aprendizaje, para elegir de forma independiente la estrategia de cooperación óptima de acuerdo con la demanda actual de bienes y precios de mercado. El Agente B también puede aprender información como la eficiencia y el costo de las rutas de transporte y los métodos de transporte a través de habilidades de aprendizaje, para elegir de forma independiente la estrategia de transporte óptima de acuerdo con las condiciones de tráfico actuales y los precios de la energía.
A medida que la interacción continúa y los resultados del aprendizaje se actualizan continuamente, el Agente A y el Agente B pueden optimizar gradualmente sus propias estrategias de comportamiento para lograr interacciones económicas más eficientes, inteligentes y sostenibles. Este proceso de autoaprendizaje se puede iterar y optimizar continuamente para lograr mejores beneficios económicos y valor social.
Cabe señalar que la función de autoaprendizaje requiere que el agente tenga suficiente poder de cómputo y recursos de datos para lograr un buen efecto de aprendizaje. Por lo tanto, en aplicaciones prácticas, es necesario seleccionar las habilidades de aprendizaje adecuadas y la asignación de recursos de acuerdo con la situación real y las necesidades del agente, para lograr el mejor efecto de aprendizaje.
El agente económico autónomo (AEA) principal de Fetch.ai logra los objetivos de inteligencia, autonomía y descentralización en términos de interacción económica. Su ventaja radica en la integración profunda de la inteligencia artificial y la tecnología blockchain, y la realización del diseño de agentes económicos autónomos.Estos agentes AEA pueden aprender de forma independiente, tomar decisiones e interactuar libremente en un entorno descentralizado, mejorando la eficacia y eficiencia de la interacción económica. .El grado de inteligencia. Además, el mecanismo Collearn de Fetch.AI anima a los agentes a participar activamente y mejorar el rendimiento de todo el sistema compartiendo datos y modelos.
Sin embargo, Fetch.AI también presenta algunos desafíos. En primer lugar, su función de autoaprendizaje requiere una gran potencia informática y recursos de datos, lo que puede limitar su aplicación en entornos con recursos limitados. En segundo lugar, la arquitectura técnica y las funciones de Fetch.AI son relativamente complejas y requieren umbrales técnicos y costos de aprendizaje más altos, lo que puede tener un impacto en su amplia aplicación.
Resumen
De cara al futuro, las perspectivas de Fetch.AI siguen siendo prometedoras. A medida que la tecnología continúa desarrollándose, puede introducir más tecnologías de IA y blockchain para mejorar el rendimiento y la eficiencia y satisfacer más escenarios y necesidades de aplicaciones. Al mismo tiempo, dado que la protección de la privacidad y la seguridad de los datos se valoran cada vez más, las funciones de descentralización y seguridad de Fetch.AI pueden recibir más atención y aplicaciones. A pesar de algunos desafíos, la innovación y el potencial de Fetch.AI en el campo de la IA y la cadena de bloques aún merecen nuestra atención y exploración.
referencias:
[1] Documentación para desarrolladores de Fetch.AI
[2] Melanie Mitchell: IA 3.0
[3] Alexey Potapov: Se requieren características básicas de Atomese
Descargo de responsabilidad: este artículo es solo para información de investigación y no constituye ningún consejo o recomendación de inversión. El mecanismo del proyecto presentado en este artículo solo representa la opinión personal del autor y no tiene ningún interés en el autor de este artículo o esta plataforma. Las inversiones en blockchain y moneda digital están sujetas a diversas incertidumbres, como un riesgo de mercado extremadamente alto, riesgo de política y riesgo técnico. El precio de los tokens en el mercado secundario fluctúa violentamente. Los inversores deben tomar decisiones cautelosas y asumir los riesgos de inversión de forma independiente. El autor de este artículo o esta plataforma no es responsable de las pérdidas causadas por los inversores que utilizan la información proporcionada en este artículo.
Ver originales
El contenido es solo de referencia, no una solicitud u oferta. No se proporciona asesoramiento fiscal, legal ni de inversión. Consulte el Descargo de responsabilidad para obtener más información sobre los riesgos.
Interpretación de Fetch.AI: infraestructura abierta inteligente basada en Cosmos
Como empresa de tecnología que combina profundamente la tecnología de blockchain e inteligencia artificial, Fetch.AI tiene como objetivo construir una economía inteligente descentralizada y lograr objetivos distribuidos mediante la combinación de tecnologías de inteligencia artificial, blockchain e Internet de las cosas. El objetivo de la empresa es proporcionar a las empresas y los consumidores una forma completamente nueva de interactuar económicamente, permitiendo transacciones más eficientes, seguras e inteligentes.
Gracias a la arquitectura abierta y altamente inteligente de AI+ blockchain, Fetch.AI tiene una amplia gama de escenarios de aplicación, que incluyen logística, cadena de suministro, finanzas, energía, atención médica y otros campos. La arquitectura técnica de Fetch.AI incluye principalmente dos partes: la cadena principal de Fetch.AI y el agente inteligente de Fetch.AI. La cadena principal de Fetch.AI es un libro mayor distribuido basado en la tecnología blockchain, que se utiliza para registrar transacciones y contratos inteligentes, y garantizar la seguridad y confiabilidad de las transacciones. El agente inteligente Fetch.AI es un contrato inteligente con capacidades de inteligencia artificial que puede realizar tareas de forma autónoma, coordinar recursos e interactuar con otros agentes inteligentes para lograr interacciones económicas automatizadas, inteligentes y descentralizadas.
Este artículo no hace demasiadas declaraciones sobre la cadena principal, nos centraremos en desmantelar la arquitectura de agentes autónomos (AEA) y los mecanismos de aprendizaje grupal (Colearn) para mostrar cómo la IA participa en la operación del sistema blockchain y el proceso de aplicación de datos entre .
Dejar que los nodos de la red se autogestionen: Arquitectura de Agente Económico Autónomo (AEA)
En la red Fetch.ai, las personas o empresas con datos están representadas por sus agentes, quienes se ponen en contacto con los agentes de las personas o empresas que buscan datos. La agencia opera en el Marco Económico Abierto (OEF). Esto actúa como un mecanismo de búsqueda y descubrimiento donde los agentes que representan las fuentes de datos pueden anunciar los datos a los que tienen acceso. Asimismo, las personas físicas o jurídicas que buscan datos pueden utilizar OEF para buscar agentes con acceso a los datos en cuestión.
La arquitectura AEA de Fetch.AI es una arquitectura de agente inteligente distribuida, que se utiliza para construir una red de agente inteligente autónoma y colaborativa. AEA significa Agente Económico Autónomo, ** su idea central es combinar la inteligencia artificial y la tecnología blockchain para construir una economía inteligente descentralizada y lograr que una economía inteligente, autónoma y descentralizada interactúe. **
Los componentes centrales de la arquitectura AEA incluyen principalmente los siguientes cuatro módulos:
Imagine que una empresa está buscando datos para entrenar un modelo predictivo. Cuando el agente de una empresa se conecta con un agente que representa una fuente de datos, le pedirá información sobre los términos comerciales. Un agente que trabaja en nombre del proveedor de datos ofrecerá los términos en los que está dispuesto a vender los datos. Un agente que vende acceso a datos puede buscar el precio más alto posible, mientras que un agente que compra acceso a datos quiere pagar el precio más bajo posible. Pero la agencia que vende los datos sabe que si cobra demasiado, perderá el trato. Esto se debe a que los proxies que buscan datos no aceptarán los términos y, en su lugar, intentarán comprar datos de otra fuente en la web. Si el agente de compras encuentra que los términos son aceptables, le pagará al agente de ventas el precio acordado a través de una transacción en el libro mayor de Fetch.ai. Después de recibir el pago, el agente que vende los datos enviará los datos cifrados a través de la red Fetch.ai.
Además de la configuración inicial, todo el proceso está completamente automatizado y lo realizan los agentes de Fetch.ai. Esto significa que los empleados de la empresa pueden trabajar sin interrupción, mientras que los modelos predictivos pueden acumular datos anónimos relevantes. Al tener acceso a los datos, las empresas que compran información pueden entrenar de manera más eficiente sus modelos, que luego pueden usarse para hacer predicciones más precisas. Dichos pronósticos se pueden utilizar en cualquier industria.
El núcleo de hacer que los nodos sean inteligentes: módulo de habilidades AEA y mecanismo de aprendizaje grupal (Colearn)
Entre los cuatro módulos anteriores, el más importante es el módulo de habilidades AEA, que es el módulo clave para hacer que los nodos sean inteligentes. La habilidad AEA es un módulo conectable que se utiliza para realizar la función de aprendizaje autónomo grupal de los agentes. Cada habilidad de aprendizaje incluye un contrato inteligente y un paquete de Python para implementar diferentes tipos de tareas de aprendizaje, como aprendizaje por refuerzo, aprendizaje supervisado, aprendizaje no supervisado, etc. Cuando un agente necesita aprender, puede elegir las habilidades de aprendizaje adecuadas para él y guardar los resultados del aprendizaje en su propio estado. Los agentes pueden ajustar comportamientos y estrategias de forma autónoma en función de los resultados del aprendizaje, lo que permite interacciones económicas más inteligentes, más eficientes y más sostenibles.
El principio de aprendizaje colectivo de Fetch.AI incluye los siguientes pasos:
**Supongamos que hay dos agentes A y B que necesitan cooperar para completar una tarea, como el transporte de mercancías. **El agente A es responsable de proporcionar los bienes y el agente B es responsable de proporcionar el servicio de transporte. En la interacción inicial, tanto el agente A como el agente B pueden adoptar una estrategia de comportamiento aleatoria para completar la tarea, como elegir aleatoriamente una ruta de transporte o un modo de transporte.
A medida que avanza la interacción, el agente A y el agente B pueden aprender los datos del historial de interacción mediante el aprendizaje de habilidades y ajustar las estrategias de comportamiento de forma autónoma de acuerdo con los resultados del aprendizaje. Por ejemplo, el agente A puede aprender información como el suministro de bienes y los costos de transporte a través de habilidades de aprendizaje, para elegir de forma independiente la estrategia de cooperación óptima de acuerdo con la demanda actual de bienes y precios de mercado. El Agente B también puede aprender información como la eficiencia y el costo de las rutas de transporte y los métodos de transporte a través de habilidades de aprendizaje, para elegir de forma independiente la estrategia de transporte óptima de acuerdo con las condiciones de tráfico actuales y los precios de la energía.
A medida que la interacción continúa y los resultados del aprendizaje se actualizan continuamente, el Agente A y el Agente B pueden optimizar gradualmente sus propias estrategias de comportamiento para lograr interacciones económicas más eficientes, inteligentes y sostenibles. Este proceso de autoaprendizaje se puede iterar y optimizar continuamente para lograr mejores beneficios económicos y valor social.
Cabe señalar que la función de autoaprendizaje requiere que el agente tenga suficiente poder de cómputo y recursos de datos para lograr un buen efecto de aprendizaje. Por lo tanto, en aplicaciones prácticas, es necesario seleccionar las habilidades de aprendizaje adecuadas y la asignación de recursos de acuerdo con la situación real y las necesidades del agente, para lograr el mejor efecto de aprendizaje.
El agente económico autónomo (AEA) principal de Fetch.ai logra los objetivos de inteligencia, autonomía y descentralización en términos de interacción económica. Su ventaja radica en la integración profunda de la inteligencia artificial y la tecnología blockchain, y la realización del diseño de agentes económicos autónomos.Estos agentes AEA pueden aprender de forma independiente, tomar decisiones e interactuar libremente en un entorno descentralizado, mejorando la eficacia y eficiencia de la interacción económica. .El grado de inteligencia. Además, el mecanismo Collearn de Fetch.AI anima a los agentes a participar activamente y mejorar el rendimiento de todo el sistema compartiendo datos y modelos.
Sin embargo, Fetch.AI también presenta algunos desafíos. En primer lugar, su función de autoaprendizaje requiere una gran potencia informática y recursos de datos, lo que puede limitar su aplicación en entornos con recursos limitados. En segundo lugar, la arquitectura técnica y las funciones de Fetch.AI son relativamente complejas y requieren umbrales técnicos y costos de aprendizaje más altos, lo que puede tener un impacto en su amplia aplicación.
Resumen
De cara al futuro, las perspectivas de Fetch.AI siguen siendo prometedoras. A medida que la tecnología continúa desarrollándose, puede introducir más tecnologías de IA y blockchain para mejorar el rendimiento y la eficiencia y satisfacer más escenarios y necesidades de aplicaciones. Al mismo tiempo, dado que la protección de la privacidad y la seguridad de los datos se valoran cada vez más, las funciones de descentralización y seguridad de Fetch.AI pueden recibir más atención y aplicaciones. A pesar de algunos desafíos, la innovación y el potencial de Fetch.AI en el campo de la IA y la cadena de bloques aún merecen nuestra atención y exploración.
referencias:
[1] Documentación para desarrolladores de Fetch.AI
[2] Melanie Mitchell: IA 3.0
[3] Alexey Potapov: Se requieren características básicas de Atomese
Descargo de responsabilidad: este artículo es solo para información de investigación y no constituye ningún consejo o recomendación de inversión. El mecanismo del proyecto presentado en este artículo solo representa la opinión personal del autor y no tiene ningún interés en el autor de este artículo o esta plataforma. Las inversiones en blockchain y moneda digital están sujetas a diversas incertidumbres, como un riesgo de mercado extremadamente alto, riesgo de política y riesgo técnico. El precio de los tokens en el mercado secundario fluctúa violentamente. Los inversores deben tomar decisiones cautelosas y asumir los riesgos de inversión de forma independiente. El autor de este artículo o esta plataforma no es responsable de las pérdidas causadas por los inversores que utilizan la información proporcionada en este artículo.